[发明专利]一种卡通图像质量评价方法

权利要求书

1.一种卡通图像质量评价方法，其特征在于包括以下步骤：

步骤1：选取N幅原始的卡通图像；然后对每幅原始的卡通图像分别进行L个不同等级的饱和度调整、L个不同等级的对比度调整以及L个不同等级的亮度调整，得到每幅原始的卡通图像对应的3L幅调整后的卡通图像，包含L幅饱和度调整后的卡通图像、L幅对比度调整后的卡通图像、L幅亮度调整后的卡通图像；再将N幅原始的卡通图像对应的共N×3L幅调整后的卡通图像构成卡通图像集合，将卡通图像集合中的第p幅调整后的卡通图像记为Y_p；其中，N为正整数，N＞1，L为正整数，L＞1，p为正整数，1≤p≤N×3L，Y_p的宽度为Width且高度为Height；

步骤2：采用主观质量评价方法，获取卡通图像集合中的每幅调整后的卡通图像的平均主观评分差值，将Y_p的平均主观评分差值记为DMOS_p；

步骤3：计算卡通图像集合中的每幅调整后的卡通图像的结构特征矢量，将Y_p的结构特征矢量记为其中，的维数为10×1；并计算卡通图像集合中的每幅调整后的卡通图像的颜色特征矢量，将Y_p的颜色特征矢量记为其中，的维数为15×1；

所述的步骤3中，的获取过程为：

步骤3_A1：采用Sobel算子，计算Y_p的梯度幅值图，记为将中坐标位置为(x,y)的像素点的像素值记为其中，1≤x≤Width,1≤y≤Height，即为Y_p中坐标位置为(x,y)的像素点的梯度幅值，表示水平方向，表示垂直方向，表示Y_p中坐标位置为(x,y)的像素点的水平梯度值，表示Y_p中坐标位置为(x,y)的像素点的垂直梯度值，符号“*”为卷积操作符号，Y_p(x,y)表示Y_p中坐标位置为(x,y)的像素点的像素值；

步骤3_A2：采用局部二值模式算子，计算的局部二值模式图，记为{LBP_p(x,y)}，将{LBP_p(x,y)}中坐标位置为(x,y)的像素点的像素值记为LBP_p(x,y)，其中，(x_c,y_c)表示中以坐标位置为(x,y)的像素点为中心的3×3邻域中的像素点的坐标位置，Ω(x,y)表示中以坐标位置为(x,y)的像素点为中心的3×3邻域中的所有像素点的坐标位置构成的集合，f()为函数表示形式，表示中坐标位置为(x_c,y_c)的像素点的像素值；

步骤3_A3：计算Y_p在9个不同方向的梯度特征，将Y_p在第i个方向的梯度特征记为g_p,i，其中，9个方向分别为20°、60°、100°、140°、180°、220°、260°、300°和340°，i∈{1,2,3,4,5,6,7,8,9}，δ()为单位冲激函数；

步骤3_A4：将Y_p在RGB颜色空间的R分量、G分量和B分量对应记为{YR_p(x,y)}、{YG_p(x,y)}和{YB_p(x,y)}；然后采用Sobel算子，计算{YR_p(x,y)}、{YG_p(x,y)}和{YB_p(x,y)}各自的梯度幅值图，对应记为{TR_p(x,y)}、{TG_p(x,y)}和{TB_p(x,y)}，将{TR_p(x,y)}中坐标位置为(x,y)的像素点的像素值记为TR_p(x,y)，将{TG_p(x,y)}中坐标位置为(x,y)的像素点的像素值记为TG_p(x,y)，将{TB_p(x,y)}中坐标位置为(x,y)的像素点的像素值记为TB_p(x,y)，其中，YR_p(x,y)表示{YR_p(x,y)}中坐标位置为(x,y)的像素点的像素值，YG_p(x,y)表示{YG_p(x,y)}中坐标位置为(x,y)的像素点的像素值，YB_p(x,y)表示{YB_p(x,y)}中坐标位置为(x,y)的像素点的像素值，TR_p(x,y)即为{YR_p(x,y)}中坐标位置为(x,y)的像素点的梯度幅值，TG_p(x,y)即为{YG_p(x,y)}中坐标位置为(x,y)的像素点的梯度幅值，TB_p(x,y)即为{YB_p(x,y)}中坐标位置为(x,y)的像素点的梯度幅值，表示{YR_p(x,y)}中坐标位置为(x,y)的像素点的水平梯度值，表示{YR_p(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值，表示{YG_p(x,y)}中坐标位置为(x,y)的像素点的水平梯度值，表示{YG_p(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值，表示{YB_p(x,y)}中坐标位置为(x,y)的像素点的水平梯度值，表示{YB_p(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值，

步骤3_A5：从{TR_p(x,y)}、{TG_p(x,y)}和{TB_p(x,y)}各自中截取M个尺寸大小为5×5的非重叠的子块，并将从{TR_p(x,y)}、{TG_p(x,y)}和{TB_p(x,y)}各自中截取的具有相同坐标位置的子块标记相同的块索引号；然后将从{TR_p(x,y)}中截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量，再将从{TR_p(x,y)}中截取的M个子块对应的列向量构成的列向量集合记为并将从{TG_p(x,y)}中截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量，再将从{TG_p(x,y)}中截取的M个子块对应的列向量构成的列向量集合记为将从{TB_p(x,y)}中截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量，再将从{TB_p(x,y)}中截取的M个子块对应的列向量构成的列向量集合记为其中，符号为向下取整操作符号，m为正整数，1≤m≤M，表示从{TR_p(x,y)}中截取的第m个子块中的所有像素点的像素值按序排列构成的列向量，即为中的第m个列向量，表示从{TG_p(x,y)}中截取的第m个子块中的所有像素点的像素值按序排列构成的列向量，即为中的第m个列向量，表示从{TB_p(x,y)}中截取的第m个子块中的所有像素点的像素值按序排列构成的列向量，即为中的第m个列向量，的维数均为(5×5)×1；

步骤3_A6：根据计算{TR_p(x,y)}的边缘质量，记为并根据计算{TG_p(x,y)}的边缘质量，记为根据计算{TB_p(x,y)}的边缘质量，记为其中，表示中的所有元素中的最大值，表示中的所有元素中的最小值，表示中的所有元素中的最大值，表示中的所有元素中的最小值，表示中的所有元素中的最大值，表示中的所有元素中的最小值，log()表示以2为底的对数函数；

步骤3_A7：根据和计算Y_p的边缘特征，记为g_p,10，其中，λ_R、λ_G和λ_B为权重系数；

步骤3_A8：将Y_p在第1个方向的梯度特征g_p,1、Y_p在第2个方向的梯度特征g_p,2、Y_p在第3个方向的梯度特征g_p,3、Y_p在第4个方向的梯度特征g_p,4、Y_p在第5个方向的梯度特征g_p,5、Y_p在第6个方向的梯度特征g_p,6、Y_p在第7个方向的梯度特征g_p,7、Y_p在第8个方向的梯度特征g_p,8、Y_p在第9个方向的梯度特征g_p,9、Y_p的边缘特征g_p,10按序排列构成Y_p的结构特征矢量

所述的步骤3中，的获取过程为：

步骤3_B1：将Y_p在HSV颜色空间的H分量、S分量和V分量对应记为{YH_p(x,y)}、{YS_p(x,y)}和{YV_p(x,y)}；其中，1≤x≤Width,1≤y≤Height，YH_p(x,y)表示{YH_p(x,y)}中坐标位置为(x,y)的像素点的像素值，YS_p(x,y)表示{YS_p(x,y)}中坐标位置为(x,y)的像素点的像素值，YV_p(x,y)表示{YV_p(x,y)}中坐标位置为(x,y)的像素点的像素值；

步骤3_B2：对{YH_p(x,y)}进行归一化操作，将{YH_p(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为并对{YS_p(x,y)}进行归一化操作，将{YS_p(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为对{YV_p(x,y)}进行归一化操作，将{YV_p(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为其中，表示{YH_p(x,y)}中的所有像素点的像素值的均值，表示{YH_p(x,y)}中的所有像素点的像素值的标准差，表示{YS_p(x,y)}中的所有像素点的像素值的均值，表示{YS_p(x,y)}中的所有像素点的像素值的标准差，表示{YV_p(x,y)}中的所有像素点的像素值的均值，表示{YV_p(x,y)}中的所有像素点的像素值的标准差，

步骤3_B3：采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为并采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为其中，0≤h≤255，表示拟合曲线的尺度参数，表示拟合曲线的形状参数，exp()表示以自然基数e为底的指数函数，符号“|||”为取绝对值符号，t为积分变量，表示拟合曲线的尺度参数，表示拟合曲线的形状参数，表示拟合曲线的尺度参数，表示拟合曲线的形状参数，

步骤3_B4：计算{YH_p(x,y)}的直方图分布，记为并计算{YS_p(x,y)}的直方图分布，记为计算{YV_p(x,y)}的直方图分布，记为其中，表示中的第j个直方图节点的出现概率，0≤j≤255，表示中的第j个直方图节点的出现概率，表示中的第j个直方图节点的出现概率；

步骤3_B5：计算的均值、标准差和斜度，对应记为和

并计算的均值、标准差和斜度，对应记为和计算的均值、标准差和斜度，对应记为和

步骤3_B6：将按序排列构成Y_p的颜色特征矢量

步骤4：将卡通图像集合中的每幅调整后的卡通图像的结构特征矢量和颜色特征矢量按序排列构成卡通图像集合中的每幅调整后的卡通图像的特征矢量，将Y_p的特征矢量记为F_p，其中，F_p的维数为25×1，符号“[]”为矢量表示符号，上标“T”表示矢量的转置；

步骤5：随机选择卡通图像集合中的m'幅调整后的卡通图像构成训练集，将卡通图像集合中剩余的N×3L-m'幅调整后的卡通图像构成测试集；然后将训练集中的所有调整后的卡通图像的特征矢量和平均主观评分差值构成训练样本数据集合，将测试集中的所有调整后的卡通图像的特征矢量构成测试样本数据集合；其中，1≤m'＜N×3L；

步骤6：采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有特征矢量进行训练，使得经过训练得到的回归函数值与平均主观评分差值之间的误差最小，拟合得到最优的权重矢量w^opt和最优的偏置项b^opt；再利用得到的最优的权重矢量w^opt和最优的偏置项b^opt，构造得到调整后的卡通图像的支持向量回归训练模型，记为g(F_inp)，其中，g()为函数表示形式，F_inp表示调整后的卡通图像的支持向量回归训练模型的输入矢量，为调整后的卡通图像的特征矢量，F_inp的维数为25×1，表示调整后的卡通图像的支持向量回归训练模型的输入矢量F_inp的线性函数；

步骤7：根据构造得到的调整后的卡通图像的支持向量回归训练模型，对测试样本数据集合中的每个特征矢量进行测试，预测得到测试样本数据集合中的每个特征矢量对应的调整后的卡通图像的客观质量评价预测值，将测试样本数据集合中的第q个特征矢量对应的调整后的卡通图像的客观质量评价预测值记为Q_q，Q_q＝g(F_q)，其中，q为正整数，1≤q≤N×3L-m'，F_q表示测试样本数据集合中的第q个特征矢量，F_q的维数为25×1，表示F_q的线性函数；

步骤8：重复执行步骤5至步骤7共Num次，并使卡通图像集合中的每幅调整后的卡通图像至少有一次属于测试集，经过Num次执行后计算卡通图像集合中的每幅调整后的卡通图像的若干个客观质量评价预测值的平均值；再将卡通图像集合中的每幅调整后的卡通图像的若干个客观质量评价预测值的平均值作为该幅调整后的卡通图像的最终的客观质量评价预测值；其中，Num的取值大于或等于100；

步骤9：对卡通图像集合中的每幅调整后的卡通图像的最终的客观质量评价预测值和平均主观评分差值计算非线性回归条件下的Pearson相关系数，非线性回归条件下的Pearson相关系数的值越大，说明调整后的卡通图像的支持向量回归训练模型越好；

对卡通图像集合中的每幅调整后的卡通图像的最终的客观质量评价预测值和平均主观评分差值计算非线性回归条件下的Spearman相关系数，非线性回归条件下的Spearman相关系数的值越大，说明调整后的卡通图像的支持向量回归训练模型越好；

对卡通图像集合中的每幅调整后的卡通图像的最终的客观质量评价预测值和平均主观评分差值计算非线性回归条件下的均方误差，非线性回归条件下的均方误差的值越小，说明调整后的卡通图像的支持向量回归训练模型越好。