[发明专利]基于颜色失真和对比度增强的低亮度增强图片全参考方法

说明书

本发明提供了一种基于颜色失真和对比度增强的低亮度增强图片的全参考方法，包括：计算用于衡量图像色彩失真的色彩相似度指标S(color)；计算用于衡量对比度增强的图像结构相似性指标S(contrast)；计算用于衡量亮度增强效果的指标S(luminance)；将指标S(color)、指标S(contrast)和指标S(luminance)的幂乘积作为低亮度增强图像的评价分数S。同时提供了一种用于执行上述方法的终端。本发明可以有效地评价低亮度增强算法对于在黑暗中或者低光拍摄下的图片增强效果的好坏，对于低亮度增强算法的发展有着重要的意义。

技术领域

本发明涉及图像质量评价领域的方法，具体地，涉及一种基于颜色失真(色彩空间相似性)和对比度增强(结构相似性)的低亮度增强图片全参考图像质量评价方法(简称全参考方法)。

背景技术

低亮度图片的增强算法是一个广泛研究的领域，其应用领域从娱乐(手机等设备的夜间拍照)到安防(监控视频等)。低亮度图片的增强算法从最早的基于直方图的方法到基于视网膜皮层理论的方法再到现在深度学习的方法，虽然算法的整体增强效果越来越好，但是由于低亮度图片增强是一个非常复杂的任务，从低亮度图片中恢复原有场景的同时经常会引入新的失真，比如噪声、色彩失真、过度增强等，具体失真类型可见附图。因此，对于高效地低亮度增强图片质量评估的需求也越来越明显。尽管目前对传统自然图片的质量评价方面已经取得了相当大的成果，然而对于低亮度增强图片的评价上的进展屈指可数。并且，低亮度增强图片的失真类型与传统图片质量评价的失真类型相差很大，传统的质量评价算法在低亮度增强图片上并不适用。

由于目前并没有专门针对于低亮度增强图片的质量评价算法，在现有的文献中，评价低亮度图片质量主要由以下几种方法。第一种方法，利用现有的全参考质量评价算法或是无参考图像质量评价算法，典型的全参算法有Zhou等人在《IEEE Transactions onImage Processing》上发表的“Image quality assessment:From error visibility tostructural similarity”文章中提出的SSIM算法，典型的无参算法有Mittal等人在《IEEESignal Processing Letters》上发表的“Making a Completely Blind Image QualityAnalyzer”文章中提出的NIQE算法。但是传统的质量评价算法并不使用于低亮度图片增强过程中所引入的复杂失真类型。第二种方法是采用主观实验的方法，即把恢复出的低亮度增强图片给一群专业的人士来观察，由专业人士来给出图片的具体分数。这种方法虽然最符合人类对图片质量的认知，然而，进行主观实验是一件非常耗时耗力的工作，并不适合推广的实际的应用场景中。第三种方法是Shuhang等人在《IEEE Transactions on ImageProcessing》上发表的“Naturalness Preserved Enhancement Algorithm for Non-Uniform Illumination Images”中提出的亮度秩序误差算法(LOE)。但是亮度秩序误差算法仅仅是衡量亮度增强的效果，而对于增强后的图片中引入的其它失真并没有办法衡量。因此，对于低亮度图片增强算法研究领域，专门针对于低亮度增强图片的质量评价算法是极其重要的。

发明内容

针对目前图像质量评价领域缺乏对低亮度增强图片的有效算法的问题，本发明的目的是提供一种基于颜色失真和对比度增强的低亮度增强图片全参考图像质量评价方法(简称全参考方法)。该方法可以有效地评价低亮度增强算法对于在黑暗中或者低光拍摄下的图片增强效果的好坏，对于低亮度增强算法的发展有着重要的意义。

为了实现以上的目的，本发明提供的一种基于颜色失真和对比度增强的低亮度增强图片的全参考方法，包括：

S1，计算用于衡量图像色彩失真的色彩相似度指标S(color)；

S2，计算用于衡量对比度增强的图像结构相似性指标S(contrast)；

S3，计算用于衡量亮度增强效果的指标S(luminance)；