欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021102552586
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多区域多层次的色调映射全向图像质量评价方法,其特征在于包括以下步骤:步骤1:选取Num组等矩形投影格式的失真色调映射全向图像构成失真图像集,每组中的所有失真色调映射全向图像的场景内容相同,并获取每组中的每幅失真色调映射全向图像的主观评分值;其中,Num为正整数,Num>1,每组中至少包含2幅失真色调映射全向图像;

步骤2:将失真图像集中当前待处理的失真色调映射全向图像定义为当前图像;

步骤3:将当前图像记为IERP;然后对IERP进行视口绘制,且绘制过程中D‑2个视口以等间隔的角度均匀环绕在赤道区域,2个视口分别以球面的南极点和北极点作为视口中心点,共d绘制得到IERP的D幅视口图像,将IERP的第d幅视口图像记为V ;其中,D为正整数,D≥6,1≤d≤D,视口图像的宽度和高度对应为W和H;

d

步骤4:将IERP的每幅视口图像划分为纹理平坦区域和纹理复杂区域两个区域,将V的纹理平坦区域和纹理复杂区域对应记为 和步骤5:对IERP的每幅视口图像的纹理平坦区域和纹理复杂区域分别进行位平面层分解,得到各自对应的8幅位平面图像;然后通过计算IERP的每幅视口图像的纹理平坦区域的前4幅位平面图像各自的局部特征,获取IERP的每幅视口图像的纹理平坦区域的局部特征向量,将 的局部特征向量记为 并通过计算IERP的每幅视口图像的纹理复杂区域的后4幅位平面图像各自的局部特征,获取IERP的每幅视口图像的纹理复杂区域的局部特征向量,将的局部特征向量记为 其中, 和 的维数均为1×4;

步骤6:将IERP的每幅视口图像划分为高亮区域、低暗区域以及中间亮度区域三个区域,d将V的高亮区域、低暗区域以及中间亮度区域对应记为 以及步骤7:对IERP的每幅视口图像的高亮区域、低暗区域以及中间亮度区域分别进行基本层和细节层分解;然后通过IERP的每幅视口图像的高亮区域的细节层,获取IERP的每幅视口图像的高亮区域的局部特征,将 的局部特征记为 同样,通过IERP的每幅视口图像的低暗区域的细节层,获取IERP的每幅视口图像的低暗区域的局部特征,将 的局部特征记为再通过计算IERP的每幅视口图像的中间亮度区域的基本层中的每个像素点的局部对比度归一化值,获取IERP的每幅视口图像的中间亮度区域的局部特征向量,将 的局部特征向量记为 其中, 的维数为1×3;

步骤8:将IERP的每幅视口图像的纹理平坦区域和纹理复杂区域各自的局部特征向量、高亮区域和低暗区域各自的局部特征、中间亮度区域的局部特征向量合并形成该幅视口图d d像的特征向量,对于V ,将 合并形成一个行向量,作为V的特征向d

量,记为F , 然后将IERP的所有视口图像的特征向量合并形成IERP

1 2 d D

的特征向量,记为FERP,FERP=[F ,F ,…,F ,…,F ];其中,F的维数为1×13,FERP的维数为1×

1 1 2 2

13D,F表示IERP的第1幅视口图像V的特征向量,F 表示IERP的第2幅视口图像V的特征向量,D DF表示IERP的第D幅视口图像V的特征向量;

步骤9:将失真图像集中下一幅待处理的失真色调映射全向图像作为当前图像,然后返回步骤步骤3继续执行,直至失真图像集中的所有失真色调映射全向图像处理完毕,得到失真图像集中的每幅失真色调映射全向图像的特征向量;

步骤10:从失真图像集中随机选取Num‑1组失真色调映射全向图像,将选取的这些失真色调映射全向图像的特征向量和主观评分值构成训练数据;然后将训练数据中的特征向量作为样本输入,将训练数据中的主观评分值作为标签输入,通过随机森林的池化,训练得到失真色调映射全向图像客观质量评价模型;

步骤11:将剩余的1组中的每幅失真色调映射全向图像作为测试图像,将每幅测试图像的特征向量输入到失真色调映射全向图像客观质量评价模型中,预测得到该幅测试图像的客观质量评价值。

2.根据权利要求1所述的基于多区域多层次的色调映射全向图像质量评价方法,其特征在于所述的步骤4中, 和 的获取过程为:d d d

步骤4_1:对V进行灰度转换,得到V对应的灰度图;然后使用Canny算子对V 对应的灰度图进行边缘提取,得到边缘提取后的图像,记为V1;

步骤4_2:对V1进行膨胀处理,得到膨胀后的图像,记为V2;

步骤4_3:用长度为8像素的线段对V2进行边缘填补,得到边缘填补后的图像,记为V3;

步骤4_4:使用孔洞填充算法对V3进行填充,得到孔洞填充好的图像,记为V4;

步骤4_5:使用去噪算法去除V4中面积小于1000像素的区域,得到去噪后的图像,记为V5;

d

步骤4_6:遍历V5中的所有像素点,标记出V5中像素值为255的所有像素点;然后将V中d与V5中标记出的所有像素点对应位置的像素点构成的区域作为纹理复杂区域 将V中其余所有像素点构成的区域作为纹理平坦区域

3.根据权利要求1或2所述的基于多区域多层次的色调映射全向图像质量评价方法,其特征在于所述的步骤5中, 和 的获取过程为:步骤5_1:对 进行位平面层分解,得到 的8幅位平面图像,将 的第p幅位平面图像记为 将 中 坐标位置为(i ,j) 的像素点的像素值记为同样,对 进行位平面层分解,得到

的8幅位平面图像,将 的第p幅位平面图像记为 将 中坐标位置为(i,j)的像素点的像素值记为其中,1≤p≤8,1≤i≤W,1≤j≤H, 表示 中坐标位置为(i,j)的像素点的像素值,d表示V中属于 的所有像素点的坐标位置构成的集合, 表示 中坐标位置为d

(i,j)的像素点的像素值, 表示V中属于 的所有像素点的坐标位置构成的集合,mod为取余函数;

步骤5_2:计算 的前4幅位平面图像各自的局部特征,将 的第p'幅位平面图像的局部特征记为 的获取过程为:计算以 中的每个像素点为中心像素点的nwid×nwid邻域内的所有像素点的像素值的熵,共得到 个熵,然后计算 个熵的平均值,并将该平均值作为 的局部特征 再将 的前4幅位平面图像的局部特征按序构成 的局部特征向量 其中,1≤p'≤4,nwid的值为3或5或7或9或11,表示 包含的像素点的总个数, 的维数为1×4,符号“[]”为向量表示符号,对应表示 的第1幅位平面图像、第2幅位平面图像、第3幅位平面图像、第

4幅位平面图像各自的局部特征,若nwid×nwid邻域内存在像素点不属于 则该像素点的像素值置为0;

步骤5_3:计算 的后4幅位平面图像各自的局部特征,将 的第p”幅位平面图像的局部特征记为 的获取过程为:计算以 中的每个像素点为中心像素点的nwid×nwid邻域内的所有像素点的像素值的熵,共得到 个熵,然后计算 个熵的平均值,并将该平均值作为 的局部特征 再将 的后4幅位平面图像的局部特征按序构成 的局部特征向量 其中,5≤p”≤8, 表示 包含的像素点的总个数, 的维数为1×4, 对应表示 的第5幅位平面图像、第6幅位平面图像、第7幅位平面图像、第8幅位平面图像各自的局部特征,若nwid×nwid邻域内存在像素点不属于 则该像素点的像素值置为0。

4.根据权利要求3所述的基于多区域多层次的色调映射全向图像质量评价方法,其特征在于所述的步骤6中, 以及 的获取过程为:d d d

步骤6_1:计算V的图像亮度直方图的均值作为V的亮度中值,记为 然后将V中亮度d值大于 的所有像素点构成的区域记为 将V中亮度值小于 的所有像素点构成的区域记为步骤6_2:在 中,根据最大熵分割法计算 的亮度最大熵阈值,再将 中亮度值大于的亮度最大熵阈值的所有像素点构成的区域作为高亮区域 同样,在 中,根据最大熵分割法计算 的亮度最大熵阈值,再将 中亮度值小于 的亮度最大熵阈值的所有像素点构成的区域作为低暗区域d

步骤6_3:将V中除去 和 外的所有像素点构成的区域作为中间亮度区域

5.根据权利要求4所述的基于多区域多层次的色调映射全向图像质量评价方法,其特征在于所述的步骤7中, 的获取过程为:步骤7_1:通过分层优化模型

计算 的基本层 然后计算 的细节层,记为 将 中与 中坐标位置为(i,j)的像素点对应坐标位置的像素点的像素值记为

其中, 表示求使得括号内的表达式取得最小值时 的值,1≤i≤W,1≤j≤H,d表示V 中属于 的所有像素点的坐标位置构成的集合, 表示 中坐标位置为(i,j)的像素点的像素值, 表示 中与 中坐标位置为(i,j)的像素点对应坐标位置的像素点的像素值,符号“|| ||”为取模操作符号,λ1和λ2均为常数,s的值为0或1,s的值为0时 表示沿水平方向的偏导数运算,s的值为1时 表示沿垂直方向的偏导数运算,Th()为阈值函数, ξ为函数参数;

同样,通过分层优化模型

计算 的基本层 然后计算 的细节层,记为 将 中与 中坐标位置为(i,j)的像素点对应坐标位置的像素点的像素值记为

d

其中, 表示求使得括号内的表达式取得最小值时 的值, 表示V 中属于的所有像素点的坐标位置构成的集合, 表示 中坐标位置为(i,j)的像素点的像素值, 表示 中与 中坐标位置为(i,j)的像素点对应坐标位置的像素点的像素值;

通过分层优化模型 计

算 的基本层 其中, 表示求使得括号内的表达式取得最小值时 的值,d

表示V 中属于 的所有像素点的坐标位置构成的集合, 表示 中坐标位置为(i,j)的像素点的像素值, 表示 中与 中坐标位置为(i,j)的像素点对应坐标位置的像素点的像素值;

步骤7_2:计算以 中的每个像素点为中心像素点的n'wid×n'wid邻域内的所有像素点的像素值的标准差,共得到 个标准差;然后计算 个标准差的平均值,并将该平均值作为 的局部特征 其中,n'wid的值为3或5或7或9或11, 表示 包含的像素点的总个数,若n'wid×n'wid邻域内存在像素点不属于 则该像素点的像素值置为0;

同样,计算以 中的每个像素点为中心像素点的n'wid×n'wid邻域内的所有像素点的像素值的标准差,共得到 个标准差;然后计算 个标准差的平均值,并将该平均值作为 的局部特征 其中, 表示 包含的像素点的总个数,若n'wid×n'wid邻域内存在像素点不属于 则该像素点的像素值置为0;

步骤7_3:计算 中的每个像素点的局部对比度归一化值,将 中与 中坐标位置为(i,j)的像素点对应坐标位置的像素点的局部对比度归一化值记为然后计算 中的所有像素点的局部对比度归一化值的

直方图分布;接着利用零均值的广义高斯分布对 中的所有像素点的局部对比度归一化值的直方图分布进行拟合,拟合公式为:拟合得到拟合参数 再根据 得到 的局部特征向量

其中, 表示以 中与 中坐标位置为(i,j)的像素点对应坐标位置的像素点为中心像素点的8邻域范围内的所有像素点的像素值的均值,表示以 中与 中坐标位置为(i,j)的像素点对应坐标位置的像素点为中心像素点的8邻域范围内的所有像素点的像素值的标准差,若8邻域范围内存在像素点不属于 则该像素点的像素值置为0,g( )为零均值的广义高斯分布函数,为g()的输入, 表示 中的所有像素点的局部对比度归一化值的直方图分布, 表示 中的所有像素点的局部对比度归一化值的直方图分布的均值,为 的形状参数, 为 的尺度参数,Γ()为gamma函数,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, 的维数为1×3。