1.一种基于图像分割的无参考色调映射图像质量评价方法,其特征在于包括以下步骤:①选取747张ESPL-LIVE图像库当中的任一幅色调映射图像,将色调映射图像转换为灰度图像;
②对色调映射图像进行纹理分割,将分割出来的复杂区域图像记为GComp,平坦区域图像记为Gflat;
③对灰度图像使用最大熵阈值分割法进行亮度分割,将分割出来的中间亮度区域记为N,低暗区域记为D,高亮区域记为B;
④对色调映射图像进行张量分解,将其核心张量的第一子代记为G1,对复杂区域图像GComp进行张量分解,并将其核心张量的第一子代记为C1;
⑤对G1进行计算得到灰度梯度共生矩阵,并在灰度梯度共生矩阵上计算G1对应的15个常见特征,分别是小梯度优势f1,大梯度优势f2,灰度分布不均匀性f3,梯度分布不均匀性f4,能量f5,相关性f6,灰度熵f7,梯度熵f8,混合熵f9,差分矩f10,逆差分矩f11,灰度均值f12,梯度均值f13,灰度标准差f14,梯度标准差f15,将这15个特征用特征向量 表示,计算C1对应的15个常见特征,并用特征向量 表示,⑥计算色调映射图像与颜色矩相关的9个特征,分别是色调映射图像的RGB三个通道的一阶矩,色调映射图像的RGB三个通道的二阶矩,f37-f39分别代表的是色调映射图像的RGB三个通道的三阶矩并且将这9个特征用 表示, 其中,f31-f33;
对平坦区域图像Gflat也计算这9个特征,并用特征向量 表示,其中,f40-f42分别代表的是平坦区域图像Gflat的RGB三个通道的一阶矩,f43-f45分别代表的是平坦区域图像Gflat的RGB三个通道的二阶矩,f46-f48分别代表的是平坦区域图像Gflat的RGB三个通道的三阶矩;
⑦将灰度图像的灰度中值GMID划分高亮和中间亮度区域的阈值TB和低暗和中间亮度区域的阈值TD作为特征,记为 分别计算B,D以及N三个区域的信息熵,记为特征
⑧将特征 以及 合并,使其成为一个长为30维的特征
并对 使用随机森林模型对特征值重要性程度进行量化,得到
一个长为30维的特征重要性向量[w1,..wi,..w30],其中,wi代表fi在f1-f30维特征中的重要性程度,接着比较w1和w16,w2和w17,...,w15和w30大小;当w1>w16时,令k1=1,否则k1=16,当w2>w17时,令k2=2,否则k2=17,...,当w15>w30时,令k15=15,否则k15=30;最后,令FW1=FeatG+C(k1),...FWx=FeatG+C(kx),...FW15=FeatG+C(k15),其中,FeatG+C(kx)代表在的30维特征中第kx个特征,15≥x≥1;针对G1和在C1中提的纹理同一特征,筛选出重要性较高的那个特征,将筛选后的纹理特征记为将特征 以及 合并,使其成为一个长为18维的特征
并对 通过和上述一样的方式进行特征筛选,针对色
调映射图像和在平坦区域图像中的同一色度特征,筛选出重要性较高的那个特征,将筛选后的纹理特征记为 其中,FSj为筛选后的色度特征,9≥j≥
1;
⑨计算色调映射图像的对比度,将其记为特征
⑩将 合并为特征向量
随机在747张色调映射图像当中选取600张幅图像,按照步骤①至步骤 的过程,以相同的方式获得每幅色调映射图像的特征向量 作为训练集的输入,记为ITRAIN,
600≥m≥1,将其对应的主观打分值MOS也作为训练集的输入,记为OTRAIN,OTRAIN=[MOS1,MOS2,...,MOSm],构建出模型model;
将待评价的色调映射图像转换为灰度图像,然后按照步骤②至步骤 计算出来的特征向量 作为模型model的输入,得到模型的输出,记为MOST,并定义MOST的值越高代表待评价图像的质量越好。
2.根据权利要求1所述的一种基于曝光情况分析的色调映射图像质量评价方法,其特征在于所述的步骤②中具体的纹理分割方式为:②_1a、对灰度图像使用canny算子进行边缘提取,记边缘提取后图像为a;
②_1b、对a进行膨胀处理,使得图像尽量构成一个联通区域;记膨胀后的图像为b,其中,S为半径为1像素的圆盘,Z是膨胀元素S平移时产生的位移;
②_1c、用长度为10像素的线段对b进行边缘填补,记填补后的图像为c;
②_1d、对c使用孔洞填充算法进行填充,将填充好的图像记为d;
②_1e、使用去噪算法除去图像d中面积小于1500像素或者长度、宽度小于10的区域,记去噪后的图像为e;
②_1f、遍历e中的像素点,记下像素值为255的点所在位置的集合,并取色调映射图像中相同位置的点构成复杂区域图像,将色调映射图像其余的点构成平坦区域图像。
3.根据权利要求1所述的一种基于曝光情况分析的色调映射图像质量评价方法,其特征在于所述的步骤③中具体的亮度分割方式为:③_1a、通过图像灰度直方图求取灰度图像的灰度中值,记为GMID,将灰度值大于GMID的区域记为GB,小于GMID的区域记为GD,并且求取每个灰度值的概率,记为pi,i=1...255;
③_1b、在GB区域根据最大熵分割法计算灰度最大熵阈值,将求得的阈值记为TB,将灰度值大于TB的区域记为高亮区域B,将灰度值小于TB的区域记为第一中间亮度区域N1;
③_1c、在GD区域计算灰度最大熵阈值,将求得的阈值记为TD,将灰度值大于TD的区域记为第二中间亮度区域N2,将灰度值小于TD的区域记为低暗区域D,将N1和N2相加合为一个区域N;综上,便将图像分割成了高亮区域B和低暗区域D以及中间亮度区域N。
4.根据权利要求1或2所述的一种基于曝光情况分析的色调映射图像质量评价方法,其特征在于所述的步骤④中具体的张量分解的方式为:④_1a、首先将图像ITM表示为三阶张量 l1和l2分别为图像的宽和高;随后,将该三阶张量分别按模式1,模式2,模式3展开,得到相应的矩阵
④_1b、在对上述矩阵进行SVD分解,得到正交矩阵U(1),U(2),U(3),大小分别为l1×l1,l2×l2,3×3;具体的计算方式为[U(i),S(i),V(i)]=SVD(X(i))(i=1,2,3),其中SVD(·)表示函数的奇异值分解;
④_1c、计算图像ITM核心张量 G=A×1(U(1))T×2(U(2))T×3(U(3))T…×n(U(n))T由于核心张量G的子张量满足有序性,即G1>G2>G3,这里将G1定义为子代一,G2定义为子代二,G3定义为子代三;根据核心张量的有序性,G1携带了更多的信息与能量,所以准备在G1上计算纹理特征。
5.根据权利要求1所述的一种基于曝光情况分析的色调映射图像质量评价方法,其特征在于所述的步骤⑧中具体的特征重要性度量的方式为:⑧_1a、先每颗决策树中的节点m的Gini指数的计算公式为
其中,K表示有K个类别的特征,pk表示节点m中类别k所占的比例;
⑧_1b、再计算特征Xj在节点m的重要性,即节点m分枝前后的Gini指数变化量为VIMjgmini=GIm-GIl-GIr,其中,GIl和GIr分别表示分枝后两个新节点的Gini指数;
⑧_1c、然后计算一颗决策树上的特征重要性,将决策树i中出现过特征Xj的节点m的集合记为M,那么Xj在第i颗树的重要性为:⑧_1d、最后计算所有决策树上的特征重要性,假设随机森林中共有n颗树,那么特征重要性 最后,把所有求得的重要性评分做一个归一化处理即可:
6.根据权利要求1所述的一种基于曝光情况分析的色调映射图像质量评价方法,其特征在于所述的步骤⑨中对比度C的计算方式为:其中g(x,y)代表点(x,y)的像素值,BRI代表图像的亮度均值,M和N分别代表图像的长和宽。