CN107464222B - 基于张量空间的无参考高动态范围图像客观质量评价方法 - Google Patents

Abstract

本发明公开了一种基于张量空间的无参考高动态范围图像客观质量评价方法，其从图像数据本身出发，用三阶张量表示彩色的高动态范围图像，然后通过张量分解中的Tucker分解算法，对失真高动态范围图像进行张量分解，从而得到三个特征图像，即第一特征图像、第二特征图像和第三特征图像，三个特征图像中融合了高动态范围图像的颜色信息，接着提取第一特征图像的流形结构特征和第二、三特征图像的感知细节对比度特征，再利用机器学习中的支持向量回归的方法计算失真高动态范围图像的客观质量评价值，从而实现了无参考的彩色高动态范围图像的质量客观评价，评价效果明显提高，从而有效地提高客观评价结果与主观感知之间的相关性。

Description

基于张量空间的无参考高动态范围图像客观质量评价方法

技术领域

本发明涉及一种图像质量评价方法，尤其是涉及一种基于张量空间的无参考高动态范围图像客观质量评价方法。

背景技术

近年来，随着光学成像技术和数字处理技术的快速发展，高动态范围(HighDynamic Range，HDR)图像以其更大的亮度范围、丰富的细节信息以及给人更好的视觉感受，吸引了越来越多的研究者的广泛关注。

与低动态范围(Low Dynamic Range，LDR)图像类似，高动态范围图像在获取、压缩、存储和传输时也会存在不同程度的失真，这些失真会影响高动态范围图像的视觉效果，因此如何构建有效的高动态范围图像质量评价方法具有重要价值。

主观质量评价方法需针对多个测试图像进行多次重复实验，耗时多、费用高，难以操作，因此需要一种客观质量评价方法。依据对参考图像的依赖程度，客观质量评价方法可分为全参考、半参考和无参考三类客观质量评价方法。典型的全参考低动态范围图像客观质量评价方法，如基于像素误差统计的均方误差(Mean Square Error，MSE)方法，其计算简单，但是不能很好地与人的主观感知保持一致；王周等提出的基于结构相似度(StructuralSimilarity，SSIM)的方法，其通过比较参考图像与失真图像的结构、亮度及对比度信息来综合评价失真图像的质量，取得了不错的效果。随着研究的快速发展，全参考客观质量评价方法的准确性越来越好，但是其缺点是需要提供无失真的参考图像，这在实际应用中往往很难得到。无参考客观质量评价方法由于不需要无失真的参考图像的任何信息，仅根据失真图像就可以评估失真图像的质量，因此已成为机器视觉和图像处理领域的一个研究热点。典型的无参考低动态范围图像客观质量评价方法，如Moorthy等人提出的基于自然场景统计(Natural Scene Statistic，NSS)的方法(Distortion Identification-based ImageVerity and INtegrity Evaluation，DIIVINE)，其在低动态范围图像的质量评价上取得了不错的效果。

低动态范围图像客观质量评价方法通常用于亮度值在0.1～100cd/m²范围内的伽马编码的图像，而高动态范围图像具有更高的亮度范围，因此，不能直接将上述的低动态范围图像客观质量评价方法直接应用于评价高动态范围图像的质量。

对于高动态范围图像的质量评价，目前代表性的方法是Mantiuk等提出的视觉差异预测方法HDR-VDP-2及其权重修正的HDR-VDP-2.2算法，这两种方法为全参考高动态范围图像客观质量评价方法，其较好地模拟了人类视觉系统对高动态范围图像的高亮度范围的感知，因此这两种方法得到了广泛地应用。但是，由于这两种方法只考虑了高动态范围图像的高亮度范围特征，而忽略了颜色特征，因此这两种方法存在一定的局限性。学术界对于高动态范围图像的质量评价研究较少，目前仍缺乏有效的无参考高动态范围图像客观质量评价方法，但在实际应用中，无参考高动态范围图像客观质量评价方法是最现实的选择，因此，无参考高动态范围图像客观质量评价方法是一个迫切需要解决的问题。

优异的高动态范围图像客观质量评价方法应能够很好地反映人眼视觉感知特性，而传统的图像质量评价方法大都在灰度域进行，忽略了颜色信息，这与人眼视觉感知不符，尤其对色彩鲜明的高动态范围图像。张量能够完整地表示高维数据并且能够维持高维数据的本征结构信息，且流形学习能够较好地帮助找到图像在低维流形中的内在几何结构，反映出事物的非线性流形的本质，因此研究一种基于张量空间的无参考高动态范围图像客观质量评价方法很有必要。

发明内容

本发明所要解决的技术问题是提供一种基于张量空间的无参考高动态范围图像客观质量评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性。

本发明解决上述技术问题所采用的技术方案为：一种基于张量空间的无参考高动态范围图像客观质量评价方法，其特征在于包括以下步骤：

①将待评价的失真高动态范围图像记为S_dis；然后将S_dis以三阶张量形式进行表示，记为V_dis；接着利用Tucker3分解算法对V_dis进行张量分解，获得V_dis的核张量，记为ξ_dis；再将ξ_dis的第1个通道作为S_dis的第一特征图像，将ξ_dis的第2个通道作为S_dis的第二特征图像，将ξ_dis的第3个通道作为S_dis的第三特征图像；其中，S_dis的宽度为W且高度为H；

②选取N幅场景各不相同而存储格式均与S_dis的存储格式相同的无失真高动态范围图像构成训练图像集，将训练图像集中的第n幅无失真高动态范围图像记为S_org-n；然后将训练图像集中的每幅无失真高动态范围图像以三阶张量形式进行表示，将S_org-n的三阶张量形式记为V_org-n；接着利用Tucker3分解算法对训练图像集中的每幅无失真高动态范围图像的三阶张量形式进行张量分解，获得训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量，将V_org-n的核张量记为ξ_org-n；再将训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量的第1个通道作为该幅无失真高动态范围图像的第一特征图像，将ξ_org-n的第1个通道作为S_org-n的第一特征图像；其中，N＞1，1≤n≤N，S_org-n的宽度也为W且高度也为H；

③将训练图像集中的每幅无失真高动态范围图像的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后从训练图像集中的所有无失真高动态范围图像的第一特征图像中，共随机选取T个图像块；接着将选取的每个图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，并将选取的每个图像块对应的列向量作为一个训练样本；再将T个训练样本构成一个维数为(m×m)×T的训练样本矩阵，记为X；其中，m的值为4或8或16，符号为向下取整运算符号，

④利用主成分分析方法对X进行降维和白化处理，得到降维和白化处理后的矩阵，记为X^w；然后利用正交保持投影算法对X^w进行训练，获取X^w的最佳投影矩阵，记为其中，的维数为m×(m×m)；

⑤将S_dis的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后对S_dis的第一特征图像中的每个图像块进行去均值操作；接着将每个去均值操作后的图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，将第k个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量记为y_k；再根据y_k和计算y_k的流形特征向量，记为d_k，再将S_dis的第一特征图像中的所有图像块对应的流形特征向量构成S_dis的流形特征矩阵，记为D，D＝[d₁,d₂,...,d_k,...,d_K]；之后利用广义高斯分布对D进行直方图拟合，得到拟合参数：S_dis的第一特征图像中的所有像素点的像素值的均值μ₁、处理S_dis的第一特征图像时广义高斯分布中的形状参数α₁、处理S_dis的第一特征图像时广义高斯分布中的尺度参数β₁，并将μ₁、α₁和β₁作为流形结构特征的质量相关因子；最后将μ₁、α₁和β₁按序排列构成S_dis的第一特征图像的流形结构特征的质量相关因子向量，作为S_dis的第一质量相关因子向量，记为f₁，f₁＝[μ₁,α₁,β₁]；其中，1≤k≤K，y_k的维数为(m×m)×1，d_k的维数为m×1，d₁表示第1个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y₁的流形特征向量，d₂表示第2个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y₂的流形特征向量，d_K表示第K个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y_K的流形特征向量，符号“[]”为向量表示符号；

⑥对S_dis的第一特征图像进行4次1/2下采样，得到S_dis的第一特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像；然后按照步骤⑤的过程，以相同的方式获取S_dis的第一特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像各自的流形结构特征的质量相关因子向量，对应作为S_dis的第二质量相关因子向量、S_dis的第三质量相关因子向量、S_dis的第四质量相关因子向量和S_dis的第五质量相关因子向量，对应记为f₂、f₃、f₄和f₅；

⑦将S_dis的第二特征图像和第三特征图像分别划分为个互不重叠的尺寸大小为m×m的图像块；然后计算S_dis的第二特征图像和第三特征图像各自中的每个图像块中的所有像素点的像素值的标准差；接着计算S_dis的第二特征图像中的所有图像块对应的标准差的平均值，记为σ₁，并计算S_dis的第三特征图像中的所有图像块对应的标准差的平均值，记为σ'₁，将σ₁和σ'₁作为感知细节对比度特征的质量相关因子；最后将σ₁和σ'₁按序排列构成S_dis的第二特征图像和第三特征图像的感知细节对比度特征的质量相关因子向量，作为S_dis的第六质量相关因子向量，记为f₆，f₆＝[σ₁,σ'₁]；

⑧对S_dis的第二特征图像和第三特征图像分别进行4次1/2下采样，得到S_dis的第二特征图像和第三特征图像各自的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像；然后按照步骤⑦的过程，以相同的方式获取S_dis的第二特征图像和第三特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像各自的感知细节对比度特征的质量相关因子向量，对应作为S_dis的第七质量相关因子向量、S_dis的第八质量相关因子向量、S_dis的第九质量相关因子向量和S_dis的第十质量相关因子向量，对应记为f₇、f₈、f₉和f₁₀；

⑨将f₁、f₂、f₃、f₄、f₅、f₆、f₇、f₈、f₉和f₁₀按序构成一个S_dis的感知质量特征向量，记为F，F＝[f₁,f₂,f₃,f₄,f₅,f₆,f₇,f₈,f₉,f₁₀]，其中，F的维数为1×25；

⑩将F作为输入，结合支持向量回归技术，计算得到S_dis的客观质量评价值。

与现有技术相比，本发明的优点在于：

1)本发明方法从图像数据本身出发，且颜色信息在高动态范围图像质量评价中非常重要，用三阶张量表示彩色的高动态范围图像，然后通过张量分解中的Tucker分解算法，对失真高动态范围图像进行张量分解，从而得到三个特征图像，即第一特征图像、第二特征图像和第三特征图像，三个特征图像中融合了高动态范围图像的颜色信息，接着提取第一特征图像的流形结构特征和第二、三特征图像的感知细节对比度特征，再利用机器学习中的支持向量回归的方法计算失真高动态范围图像的客观质量评价值，从而实现了无参考的彩色高动态范围图像的质量客观评价，评价效果明显提高，从而有效地提高客观评价结果与主观感知之间的相关性。

2)本发明方法通过流形学习寻找数据的内在几何结构特征，训练得到最佳投影矩阵，利用最佳投影矩阵对失真高动态范围图像的第一特征图像中的图像块进行降维得到流形特征矩阵；通过对流形特征矩阵进行广义高斯分布拟合，得到拟合参数，作为失真高动态范围图像的流形结构特征，降维后的流形特征向量仍然保持了高维图像数据的几何特性，减少了很多冗余信息，在表征失真高动态范围图像的客观质量时更简单、更准确。

3)本发明方法在衡量高动态范围图像的感知细节对比度失真时，首先将失真高动态范围图像的第二、三特征图像分成不重叠的图像块，计算每个图像块的标准差，然后分别将第二特征图像和第三特征图像中的图像块的标准差求平均值，作为失真高动态范围图像的感知细节对比度特征参数，这种方式保证了本发明方法的高效性，且计算复杂度低。

附图说明

图1为本发明方法的总体实现框图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种基于张量空间的无参考高动态范围图像客观质量评价方法，其总体实现框图如图1所示，其包括以下步骤：

①将待评价的失真高动态范围图像记为S_dis；然后将S_dis以三阶张量形式进行表示，记为V_dis；接着利用现有的Tucker3分解算法对V_dis进行张量分解，获得V_dis的核张量，记为ξ_dis；再将ξ_dis的第1个通道作为S_dis的第一特征图像，将ξ_dis的第2个通道作为S_dis的第二特征图像，将ξ_dis的第3个通道作为S_dis的第三特征图像；其中，S_dis的宽度为W且高度为H，S_dis为彩色图像。

②选取N幅场景各不相同而存储格式均与S_dis的存储格式相同的无失真高动态范围图像构成训练图像集，将训练图像集中的第n幅无失真高动态范围图像记为S_org-n；然后将训练图像集中的每幅无失真高动态范围图像以三阶张量形式进行表示，将S_org-n的三阶张量形式记为V_org-n；接着利用现有的Tucker3分解算法对训练图像集中的每幅无失真高动态范围图像的三阶张量形式进行张量分解，获得训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量，将V_org-n的核张量记为ξ_org-n；再将训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量的第1个通道作为该幅无失真高动态范围图像的第一特征图像，将ξ_org-n的第1个通道作为S_org-n的第一特征图像；其中，N＞1，如取N＝10，1≤n≤N，S_org-n的宽度也为W且高度也为H。

③将训练图像集中的每幅无失真高动态范围图像的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后从训练图像集中的所有无失真高动态范围图像的第一特征图像中，共随机选取T个图像块；接着将选取的每个图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，并将选取的每个图像块对应的列向量作为一个训练样本；再将T个训练样本构成一个维数为(m×m)×T的训练样本矩阵，记为X；其中，m的值为4或8或16，在本实施例中取m的值为8，符号为向下取整运算符号，如具体取T＝20000。

④利用现有的主成分分析方法(Principal Component Analysis，PCA)对X进行降维和白化处理，得到降维和白化处理后的矩阵，记为X^w；然后利用现有的正交保持投影算法(Orthogonal Locality Preserving Projection，OLPP)对X^w进行训练，获取X^w的最佳投影矩阵，记为其中，的维数为m×(m×m)。

⑤将S_dis的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后对S_dis的第一特征图像中的每个图像块进行去均值操作；接着将每个去均值操作后的图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，将第k个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量记为y_k；再根据y_k和计算y_k的流形特征向量，记为d_k，再将S_dis的第一特征图像中的所有图像块对应的流形特征向量构成S_dis的流形特征矩阵，记为D，D＝[d₁,d₂,...,d_k,...,d_K]；之后利用广义高斯分布(Generalized Gaussian Distribution，GGD)对D进行直方图拟合，得到拟合参数：S_dis的第一特征图像中的所有像素点的像素值的均值μ₁、处理S_dis的第一特征图像时广义高斯分布中的形状参数α₁、处理S_dis的第一特征图像时广义高斯分布中的尺度参数β₁，并将μ₁、α₁和β₁作为流形结构特征的质量相关因子；最后将μ₁、α₁和β₁按序排列构成S_dis的第一特征图像的流形结构特征的质量相关因子向量，作为S_dis的第一质量相关因子向量，记为f₁，f₁＝[μ₁,α₁,β₁]；其中，1≤k≤K，y_k的维数为(m×m)×1，d_k的维数为m×1，d₁表示第1个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y₁的流形特征向量，d₂表示第2个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y₂的流形特征向量，d_K表示第K个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y_K的流形特征向量，符号“[]”为向量表示符号。

在此，对S_dis的第一特征图像中的每个图像块进行去均值操作的具体过程为：对于第k个图像块，计算该图像块中的所有像素点的像素值的平均值，然后将该图像块中的每个像素点的像素值减去该图像块对应的平均值，即完成该图像块的去均值操作。

⑥对S_dis的第一特征图像进行4次1/2下采样，得到S_dis的第一特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像；然后按照步骤⑤的过程，以相同的方式获取S_dis的第一特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像各自的流形结构特征的质量相关因子向量，对应作为S_dis的第二质量相关因子向量、S_dis的第三质量相关因子向量、S_dis的第四质量相关因子向量和S_dis的第五质量相关因子向量，对应记为f₂、f₃、f₄和f₅，f₂＝[μ₂,α₂,β₂]，f₃＝[μ₃,α₃,β₃]，f₄＝[μ₄,α₄,β₄]，f₅＝[μ₅,α₅,β₅]；其中，μ₂,α₂,β₂对应表示S_dis的第一特征图像的1/2下采样图像中的所有像素点的像素值的均值、处理S_dis的第一特征图像的1/2下采样图像时广义高斯分布中的形状参数、处理S_dis的第一特征图像的1/2下采样图像时广义高斯分布中的尺度参数，μ₃,α₃,β₃对应表示S_dis的第一特征图像的1/4下采样图像中的所有像素点的像素值的均值、处理S_dis的第一特征图像的1/4下采样图像时广义高斯分布中的形状参数、处理S_dis的第一特征图像的1/4下采样图像时广义高斯分布中的尺度参数，μ₄,α₄,β₄对应表示S_dis的第一特征图像的1/8下采样图像中的所有像素点的像素值的均值、处理S_dis的第一特征图像的1/8下采样图像时广义高斯分布中的形状参数、处理S_dis的第一特征图像的1/8下采样图像时广义高斯分布中的尺度参数，μ₅,α₅,β₅对应表示S_dis的第一特征图像的1/16下采样图像中的所有像素点的像素值的均值、处理S_dis的第一特征图像的1/16下采样图像时广义高斯分布中的形状参数、处理S_dis的第一特征图像的1/16下采样图像时广义高斯分布中的尺度参数。

在此，S_dis的第一特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像的尺寸大小分别为和

⑦将S_dis的第二特征图像和第三特征图像分别划分为个互不重叠的尺寸大小为m×m的图像块；然后计算S_dis的第二特征图像和第三特征图像各自中的每个图像块中的所有像素点的像素值的标准差；接着计算S_dis的第二特征图像中的所有图像块对应的标准差的平均值，记为σ₁，并计算S_dis的第三特征图像中的所有图像块对应的标准差的平均值，记为σ'₁，将σ₁和σ'₁作为感知细节对比度特征的质量相关因子；最后将σ₁和σ'₁按序排列构成S_dis的第二特征图像和第三特征图像的感知细节对比度特征的质量相关因子向量，作为S_dis的第六质量相关因子向量，记为f₆，f₆＝[σ₁,σ'₁]。

⑧对S_dis的第二特征图像和第三特征图像分别进行4次1/2下采样，得到S_dis的第二特征图像和第三特征图像各自的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像；然后按照步骤⑦的过程，以相同的方式获取S_dis的第二特征图像和第三特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像各自的感知细节对比度特征的质量相关因子向量，对应作为S_dis的第七质量相关因子向量、S_dis的第八质量相关因子向量、S_dis的第九质量相关因子向量和S_dis的第十质量相关因子向量，对应记为f₇、f₈、f₉和f₁₀，f₇＝[σ₇,σ'₇]，f₈＝[σ₈,σ'₈]，f₉＝[σ₉,σ'₉]，f₁₀＝[σ₁₀,σ'₁₀]；其中，σ₇,σ'₇对应表示S_dis的第二特征图像的1/2下采样图像中的所有图像块对应的标准差的平均值和S_dis的第三特征图像的1/2下采样图像中的所有图像块对应的标准差的平均值，σ₈,σ'₈对应表示S_dis的第二特征图像的1/4下采样图像中的所有图像块对应的标准差的平均值和S_dis的第三特征图像的1/4下采样图像中的所有图像块对应的标准差的平均值，σ₉,σ'₉对应表示S_dis的第二特征图像的1/8下采样图像中的所有图像块对应的标准差的平均值和S_dis的第三特征图像的1/8下采样图像中的所有图像块对应的标准差的平均值，σ₁₀,σ'₁₀对应表示S_dis的第二特征图像的1/16下采样图像中的所有图像块对应的标准差的平均值和S_dis的第三特征图像的1/16下采样图像中的所有图像块对应的标准差的平均值。

⑨将f₁、f₂、f₃、f₄、f₅、f₆、f₇、f₈、f₉和f₁₀按序构成一个S_dis的感知质量特征向量，记为F，F＝[f₁,f₂,f₃,f₄,f₅,f₆,f₇,f₈,f₉,f₁₀]，其中，F的维数为1×25。

⑩将F作为输入，结合支持向量回归(Support Vector Regression，SVR)技术，计算得到S_dis的客观质量评价值。该过程采用现有技术。

为了进一步说明本发明方法的可行性和有效性，进行实验。

在本实施例中，选取两个公开的权威图像数据库分别为Nantes高动态范围图像数据库、EPFL高动态范围图像数据库进行实验。表1中详细说明了每个图像数据库的各项指标，包括参考图像数目、失真图像数目、失真类型数目、主观测试人数。其中，每个图像数据库都提供了每幅失真图像的平均主观评分值。

表1权威图像数据库的各项指标

接下来，分析利用本发明方法获取的每幅失真高动态范围图像的客观质量评价值与平均主观评分值之间的相关性。这里，利用评估图像质量评价方法的三个常用的客观参量作为评价指标，即Pearson线性相关性系数(Pearson Linear CorrelationCoefficients，PLCC)反映预测的准确性、Spearman秩相关系数(Spearman Rank OrderCorrelation coefficient，SROCC)反映预测的单调性以及均方根误差(Root meansquared error，RMSE)反映预测的一致性。其中，PLCC和SROCC的取值范围是[0,1]，其值越接近1，表明图像质量客观评价方法越好，反之，越差；RMSE值越小，表示图像质量客观评价方法的预测越准确，性能越好，反之，越差。

对于上述Nnates高动态范围图像数据库、NFPL高动态范围图像数据库中的所有失真图像，分别按本发明方法的步骤①至步骤⑩的过程，采用相同的方式计算得到每幅失真图像的客观质量评价值。分析实验得到的失真高动态范围图像的客观质量评价值与平均主观评分值之间的相关性。首先获取客观质量评价值，然后将客观质量评价值做五参数Logistic函数非线性拟合，最后得到客观评价结果与平均主观评分值之间的性能指标值。为了验证本发明方法的有效性，将本发明方法与现有的性能较为先进的四种全参考和无参考图像质量客观评价方法在表1列出的两个高动态范围图像数据库上进行了比较分析，两个高动态范围图像数据库的上的PLCC、SROCC和RMSE指标如表2所列，表2中参与比较的四种方法分别为：Mantiuk等人提出的经典的HDR图像质量评价方法HDR-VDP-2.2、经典的MSE方法、Z.Wang提出的基于结构相似度的评价方法(SSIM)、Moorthy等人提出的基于自然统计特性的方法(DIIVINE)，其中HDR-VDP-2.2、MSE、SSIM均为全参考方法，DIIVINE是无参考方法，且其中只有HDR-VDP-2.2是针对高动态范围图像设计的，其余方法均为典型的低动态范围图像质量评价方法。由表2中所列的数据可见，本发明方法在NFPL高动态范围图像数据库上的性能仅次于HDR-VDP-2.2方法，而在Nantes高动态范围图像数据库上表现最优。因此，在两个高动态范围图像数据库上按本发明方法计算得到的失真高动态范围图像的客观质量评价值与平均主观评分值之间都有很好的相关性。另外，Nantes高动态范围图像数据库上的PLCC值和SROCC值都超过了0.91，在NFPL高动态范围图像库上的PLCC和SROCC值也达到了0.90和0.87。表明了本发明方法的客观评价结果与人眼主观感知的结果较为一致，并且评价效果稳定，充分说明了本发明方法的有效性。

表2本发明方法与现有的图像质量客观评价方法的性能比较

Claims (1)

1.一种基于张量空间的无参考高动态范围图像客观质量评价方法，其特征在于包括以下步骤：

①将待评价的失真高动态范围图像记为S_dis；然后将S_dis以三阶张量形式进行表示，记为V_dis；接着利用Tucker3分解算法对V_dis进行张量分解，获得V_dis的核张量，记为ξ_dis；再将ξ_dis的第1个通道作为S_dis的第一特征图像，将ξ_dis的第2个通道作为S_dis的第二特征图像，将ξ_dis的第3个通道作为S_dis的第三特征图像；其中，S_dis的宽度为W且高度为H；

②选取N幅场景各不相同而存储格式均与S_dis的存储格式相同的无失真高动态范围图像构成训练图像集，将训练图像集中的第n幅无失真高动态范围图像记为S_org-n；然后将训练图像集中的每幅无失真高动态范围图像以三阶张量形式进行表示，将S_org-n的三阶张量形式记为V_org-n；接着利用Tucker3分解算法对训练图像集中的每幅无失真高动态范围图像的三阶张量形式进行张量分解，获得训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量，将V_org-n的核张量记为ξ_org-n；再将训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量的第1个通道作为该幅无失真高动态范围图像的第一特征图像，将ξ_org-n的第1个通道作为S_org-n的第一特征图像；其中，N＞1，1≤n≤N，S_org-n的宽度也为W且高度也为H；

③将训练图像集中的每幅无失真高动态范围图像的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后从训练图像集中的所有无失真高动态范围图像的第一特征图像中，共随机选取T个图像块；接着将选取的每个图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，并将选取的每个图像块对应的列向量作为一个训练样本；再将T个训练样本构成一个维数为(m×m)×T的训练样本矩阵，记为X；其中，m的值为4或8或16，符号为向下取整运算符号，

④利用主成分分析方法对X进行降维和白化处理，得到降维和白化处理后的矩阵，记为X^w；然后利用正交保持投影算法对X^w进行训练，获取X^w的最佳投影矩阵，记为其中，的维数为m×(m×m)；

⑤将S_dis的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后对S_dis的第一特征图像中的每个图像块进行去均值操作；接着将每个去均值操作后的图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，将第k个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量记为y_k；再根据y_k和计算y_k的流形特征向量，记为d_k，再将S_dis的第一特征图像中的所有图像块对应的流形特征向量构成S_dis的流形特征矩阵，记为D，D＝[d₁,d₂,...,d_k,...,d_K]；之后利用广义高斯分布对D进行直方图拟合，得到拟合参数：S_dis的第一特征图像中的所有像素点的像素值的均值μ₁、处理S_dis的第一特征图像时广义高斯分布中的形状参数α₁、处理S_dis的第一特征图像时广义高斯分布中的尺度参数β₁，并将μ₁、α₁和β₁作为流形结构特征的质量相关因子；最后将μ₁、α₁和β₁按序排列构成S_dis的第一特征图像的流形结构特征的质量相关因子向量，作为S_dis的第一质量相关因子向量，记为f₁，f₁＝[μ₁,α₁,β₁]；其中，1≤k≤K，y_k的维数为(m×m)×1，d_k的维数为m×1，d₁表示第1个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y₁的流形特征向量，d₂表示第2个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y₂的流形特征向量，d_K表示第K个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量y_K的流形特征向量，符号“[]”为向量表示符号；

⑥对S_dis的第一特征图像进行4次1/2下采样，得到S_dis的第一特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像；然后按照步骤⑤的过程，以相同的方式获取S_dis的第一特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像各自的流形结构特征的质量相关因子向量，对应作为S_dis的第二质量相关因子向量、S_dis的第三质量相关因子向量、S_dis的第四质量相关因子向量和S_dis的第五质量相关因子向量，对应记为f₂、f₃、f₄和f₅；

⑦将S_dis的第二特征图像和第三特征图像分别划分为个互不重叠的尺寸大小为m×m的图像块；然后计算S_dis的第二特征图像和第三特征图像各自中的每个图像块中的所有像素点的像素值的标准差；接着计算S_dis的第二特征图像中的所有图像块对应的标准差的平均值，记为σ₁，并计算S_dis的第三特征图像中的所有图像块对应的标准差的平均值，记为σ'₁，将σ₁和σ'₁作为感知细节对比度特征的质量相关因子；最后将σ₁和σ'₁按序排列构成S_dis的第二特征图像和第三特征图像的感知细节对比度特征的质量相关因子向量，作为S_dis的第六质量相关因子向量，记为f₆，f₆＝[σ₁,σ'₁]；

⑧对S_dis的第二特征图像和第三特征图像分别进行4次1/2下采样，得到S_dis的第二特征图像和第三特征图像各自的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像；然后按照步骤⑦的过程，以相同的方式获取S_dis的第二特征图像和第三特征图像的1/2下采样图像、1/4下采样图像、1/8下采样图像和1/16下采样图像各自的感知细节对比度特征的质量相关因子向量，对应作为S_dis的第七质量相关因子向量、S_dis的第八质量相关因子向量、S_dis的第九质量相关因子向量和S_dis的第十质量相关因子向量，对应记为f₇、f₈、f₉和f₁₀；

⑨将f₁、f₂、f₃、f₄、f₅、f₆、f₇、f₈、f₉和f₁₀按序构成一个S_dis的感知质量特征向量，记为F，F＝[f₁,f₂,f₃,f₄,f₅,f₆,f₇,f₈,f₉,f₁₀]，其中，F的维数为1×25；

⑩将F作为输入，结合支持向量回归技术，计算得到S_dis的客观质量评价值。