[发明专利]基于多特征融合的全参考高动态图像质量评价方法

说明书

本发明专利提供了一种基于多特征融合的全参考高动态图像质量评价方法。该方法主要分为特征提取阶段以及训练回归阶段。在特征提取阶段分三个方向提取图像的特征，使用颜色相似度方法提取方法在颜色方向分别提取了图像的两种颜色相似度特征；在视觉对比差异方向我们采用视觉差异预测方法来提取视觉对比差异特征；再针对多尺度综合特征方向我们使用log‑Gabor滤波器在不同频率尺度和方向上提取多尺度特征。在训练回归阶段运用机器学习的方法预测高动态图像的质量。本发明提出的算法能够准确有效地预测高动态图像的质量。

技术领域

本发明涉及高动态图像质量评价技术领域，是一种基于多个特征提取的高动态图像质量评价方法，具体地指，涉及一种基于多特征融合的全参考高动态图像质量评价方法。

背景技术

高动态范围(High Dynamic Range,HDR)图像能够准确地显示从昏暗背景到明亮阳光之间的亮度差异(10^-3cd/m²到10⁵cd/m²)，能带给观看者更真实丰富的视觉体验。然而，现有图像质量评价算法主要是针对传统的8位低动态范围(Low Dynamic Range,LDR)图像，由于动态范围的扩展，图像的色彩鲜艳度和亮度发生了显著的增长，导致传统的图像质量评价方法不再具有高有效性，为了顺应时代发展潮流，人们开始逐步提出了针对高动态范围图像的算法。现阶段已提出的针对高动态图像的全参考质量评价算法大多针对某单一特征。正因如此，现阶段亟需针对多特征融合的高动态图像质量评价算法，以判别高动态图像质量的优劣，也可以作为改进高动态视频质量的准则。

由于图像在网络传输中或者压缩打包的时候，不可避免的会引入噪声，为了衡量网络传输或压缩打包的质量，又因为高动态图像的逐渐普及，因此全参考高动态图像质量评价算法逐步变成关注的重点。全参考图像质量评价主要是提取原始图像和失真图像的特征，进而量化成客观质量分数，评价算法的主要目的就是使被预测的对象的客观质量尽量与人眼对图像的主观评价一致。目前全参考质量评价算法的发展主要分为两种：第一种是基于机器学习机制，通过学习训练来构建评价模型，再通过测试集评估其性能；第二种是直接提取特征将其映射，得到图像质量的评估值，不需要模型训练过程。本发明属于第一种类型，但是目前已提出的算法仍然存在如下缺陷：

1、目前算法仅考虑某些单一特征，没有从多特征出发，因此预测准确度较差；

2、目前算法无法有效的适用于不同格式的高动态范围图像。

发明内容

本发明的目的在于针对现有技术中存在的上述不足，提供一种基于多特征提取的高动态图像质量评价方法，包括颜色特征，视觉对比差异特征和多尺度综合特征，能够提高全参考高动态图像质量评价技术的性能及主观一致性，以及提高算法的效率，准确有效地预测高动态图像的质量。

为达到上述目的，本发明的构思是：本发明提供的基于多特征融合的全参考高动态图像质量评价方法主要分为特征提取阶段以及训练回归阶段。在特征提取阶段分三个方向提取图像的特征，使用颜色相似度方法提取方法在颜色方向分别提取了图像的两种颜色相似度特征；在视觉对比差异方向我们采用视觉差异预测方法HDR-VDP-2(HDR VisualDifference Predictor)来提取视觉对比差异特征；针对多尺度综合特征方向我们使用高动态视频评价方法HDR-VQM(HDR Video Quality Measure)方法，先使用视觉上均匀量化处理来拟合出人眼实际接受到的亮度值，log-Gabor滤波器在不同频率尺度和方向上提取多尺度特征。在训练回归阶段运用机器学习的方法预测高动态图像的质量。本发明提出的算法能够准确有效地预测高动态图像的质量。

本发明是通过以下技术方案实现的。

一种基于多特征融合的全参考高动态图像质量评价方法，其特征在于操作步骤如下：

(1)颜色方向特征计算，包括：