[发明专利]一种适用于重定向图像质量评估的视觉注意融合方法

说明书

本发明涉及一种适用于重定向图像质量评估的视觉注意融合方法，包括以下步骤：1、读取原始图像，使用两种显著物体检测算法生成两种显著性图；2、使用均衡化操作减小两种显著性图的分布差异，生成两幅均衡化显著性图；3、使用对应点的显著性值相加求平均的方法融合两幅均衡化显著性图，经归一化操作生成融合显著性图；4、检测原始图像中的人脸和线条信息；5、在约束放大极值的条件下，自适应地放大融合显著性图中的人脸矩形框和线条区域的显著性值，生成包含人脸和线条信息的融合显著性图；6、使用显著性增强模型增加融合显著性图的对比度，经归一化操作生成视觉注意融合显著性图。该方法能够提高客观质量评估结果与主观感知的一致性。

技术领域

本发明涉及图像和视频处理以及计算机视觉领域，特别是一种适用于重定向图像质量评估的视觉注意融合方法。

背景技术

图像重定向算法使用一系列图像变换操作在改变原始图像的尺寸及宽高比以适应不同的显示设备的同时，保存视觉上重要的内容和结构，即减少内容丢失和结构失真。通过调整图像内容以适应不同显示设备在图像显示适应上有重要的意义。目前已经提出多种图像重定向算法，但是对重定向图像的质量评估方法的研究仍然是一个具有挑战性的任务。现存的许多重定向图像客观质量评估方法通过计算显著性信息丢失或者使用显著性加权的图像内容相似性作为评估指标的一部分，这些方法虽然都取得了不错的表现，但是客观质量评估结果与主观评分之间的一致性仍然不高，原因之一在于这些方法通常简单地采用单一的显著物体检测算法，忽略了显著性检测结果对最终评估方法表现的影响。

早期的重定向图像质量评估方法设计简单，只是单纯的通过计算图像距离来评估重定向图像的视觉质量。经典的评估方法有边缘直方图(EH)，颜色布局(CL)和土地移动距离(EMD)。这些评估方法设计简单，无法与人类主观评估结果保持较好的一致性。随着人类视觉系统(HSV)的不断了解，重定向图像质量评估方法开始引入视觉显著性信息进行评估，提出了基于视觉显著性的评估方法，使评估结果更加接近于人类主观感知。

基于视觉显著性的重定向图像质量评估方法考虑了人类视觉系统在感知重定向图像质量时固有的一些特征，如对不同图像区域的变形感知敏感度具有差别等。典型的评估方法有PGDIL，该方法利用图像sift-flow矢量场的局部变化并引入显著性图来模拟人类视觉系统对几何失真的感知，另外，还采用显著性信息损失来衡量重定向图像的内容丢失。Liu等人使用sift-flow建立重定向图像与原始图像之间的局部像素对应关系，然后利用显着性加权相似性度量来评估重定向图像的质量。Liang等人通过综合考虑显著区域保留、分析伪影的影响、图像全局结构保留、遵守美学规则和对称性保持五个指标来评估重定向图像的客观分数。Zhang等人将图像划分为均匀的网格，并采用后向图像配准方法来模拟图像在重定向操作中所经历的几何变换，最后将显著性加权的宽高比相似性定义为重定向图像的客观质量。这些方法引入了视觉显著性信息，与早期的重定向图像质量评估方法相比取得了很大的提升，但是由于单一显著物体检测算法难以模拟重定向图质量评估中的人眼视觉注意，因此客观评估结果与主观分数之间的一致性仍然不高。

发明内容

本发明的目的在于提供一种适用于重定向图像质量评估的视觉注意融合方法，该方法能够提高客观质量评估结果与主观感知的一致性。

为实施上述目的，本发明的技术方案是：一种适用于重定向图像质量评估的视觉注意融合方法，包括以下步骤：

步骤S1：读取原始图像，使用两种显著物体检测算法生成两种显著性图；

步骤S2：使用均衡化操作减小两种显著性图的分布差异，生成两幅均衡化显著性图；

步骤S3：使用对应点的显著性值相加求平均的方法融合两幅均衡化显著性图，并使用归一化操作生成融合显著性图；

步骤S4：使用人脸检测算法和线条检测算法检测原始图像中的人脸和线条信息；