CN111489333B - 一种无参考夜间自然图像质量评价方法 - Google Patents
一种无参考夜间自然图像质量评价方法 Download PDFInfo
- Publication number
- CN111489333B CN111489333B CN202010246558.3A CN202010246558A CN111489333B CN 111489333 B CN111489333 B CN 111489333B CN 202010246558 A CN202010246558 A CN 202010246558A CN 111489333 B CN111489333 B CN 111489333B
- Authority
- CN
- China
- Prior art keywords
- image
- night
- edge
- exposure
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种无参考夜间自然图像质量评价方法,包括以下步骤;1)图像颜色及对比度特征提取;2)图像纹理特征提取;3)图像亮度特征提取;4)考虑到人类视觉系统多尺度特性,对夜间图像进行下采样,在两个尺度上对夜间图像进行特征提取过程,共得到28维特征向量,使用支持向量回归SVR建立夜间图像无参考质量评价模型,输入测试图像可获得相应的质量分数。
Description
技术领域
本发明属于图像处理领域,尤其是设计一种夜间自然图像的无参考质量评价方法
背景技术
近年来,随着图像成像系统技术的提高,用户相较于以往能够获得画质更高的图像,得到更好的视觉体验。但是由于夜间图像在拍摄时处在低亮度环境下,因此夜间图像往往存在图像整体偏暗、对比度低、清晰度差等缺点,影响用户视觉体验的同时不利于后续图像处理。但目前鲜少有关于夜间图像质量评价的研究。本发明综合考虑夜间图像特点,基于颜色和对比度特征、纹理特征和亮度特征,提出一种无参考图像质量评价方法。
发明内容
本发明针对夜间图像的失真特点,提出一种无参考夜间自然图像质量评价方法,该方法与人类主观评价具有较高的一致性。技术方案如下:
一种无参考夜间自然图像质量评价方法,具体包括以下步骤。
1)图像颜色及对比度特征提取
给定一幅夜间图像I,首先计算对立色空间对比度能量:
其中e∈{gray,yb,rg},表示夜间图像I的颜色通道;gray=0.299R+0.587G+0.114B,yb=0.5(R+G)-B,rg=R-G;α是ζ(Ie)的最大值,κ表示对比度增益,βe表示给定颜色通道的噪声阈值;hh和hv是高斯函数水平和垂直方向的二阶导数,符号表示卷积操作。获得夜间图像I三个通道的Ce后取均值,获得三个特征f1,f2,f3。
根据夜间图像I,对图像进行分块,在图像块上计算其对比度Cc:
求取均值和方差表示图像对比度特征f4,f5。
2)图像纹理特征提取
对于夜间图像I,首先计算其显著性图sal_color,然后计算夜间按照下式计算夜间图像I及其显著性图的信息熵表征图像包含的信息量的多少,获得纹理特征f6,f7:
E=-∑pi logpi (4)
其中pi表示第i个像素值的概率。
采用增强算法对夜间图像进行增强获得增强图像IE,利用Canny算子对夜间图像及其增强图像进行处理获得相应的边缘图像,使用增强图像与失真图像边缘图信息熵的差值来表示图像保留的边缘细节丰富程度:
Ed=EE-edge-Eedge (5)
其中EE-edge表示增强图像边缘图的信息熵,Eedge表示夜间图像边缘图的信息熵,获得表示图像边缘细节的特征f8。
3)图像亮度特征提取
首先将夜间图像I由RGB颜色空间转换到Lab颜色空间,取L分量并归一化至[0,1]区间,然后将其划分为图像块,使用高,中,低三种亮度级来计算图像曝光以有效地对图像亮度变化进行建模,对于L空间的像素i,其曝光程度由高斯加权函数计算:
NLexp=Lexp-μpatch (7)
其中NLexp表示去除局部均值后的归一化的曝光系数,μpatch表示图像块曝光值的均值。
使用零均值广义高斯分布模型拟合像素曝光系数分布,在高,中,低三种亮度级的三个去除局部均值后的归一化的曝光系数分布拟合中分别提取广义高斯分布拟合的形状参数和方差作为反映图像曝光程度的特征,因此获得曝光特征f9,f10,f11,f12,f13,f14。
4)考虑到人类视觉系统多尺度特性,对夜间图像进行下采样,在两个尺度上对夜间图像进行特征提取过程,共得到28维特征向量,使用支持向量回归SVR建立夜间图像无参考质量评价模型,输入测试图像可获得相应的质量分数。
本发明提出了一种无参考夜间自然图像质量评价算法,其从色彩及对比度、纹理细节及亮度方面提取夜间图像特征,在此过程中引入了显著性图及夜间图像增强算法进而从新的角度提取图像特征。本发明复杂度低,与人类主观评分一致性强,优于目前存在的大多数主流算法。
附图说明
图1无参考夜间自然图像质量评价算法框架
具体实施方式
本发明提出了一种无参考夜间自然图像质量评价方法,算法框架如图1所示,具体流程如下。
1、图像特征提取及模型建立
(1)颜色和对比度特征提取
给定一幅图像I,首先计算对立色空间对比度能量:
其中e∈{gray,yb,rg},表示图像I的颜色通道;gray=0.299R+0.587G+0.114B,yb=0.5(R+G)-B,rg=R-G;α是ζ(Ie)的最大值,κ表示对比度增益,βe表示给定颜色通道的噪声阈值;hh和hv是高斯函数水平和垂直方向的二阶导数,符号表示卷积操作。
获得图像I三个通道的Ce后取均值,获得三个特征f1,f2,f3。
根据图像I,对图像进行分块,在16×16的图像块上计算其对比度Cc:
根据各个图像块获得的Cc,求取均值和方差表示图像对比度特征f4,f5。
(2)图像纹理特征提取
对于图像I,首先计算其显著性图sal_color,然后计算图像及其显著性图的信息熵表征图像包含的信息量的多少,获得纹理特征f6,f7:
E=-∑pi logpi \*MERGEFORMAT(11)
其中pi表示第i个像素值的概率。
采用增强算法对夜间图像进行增强获得增强图像IE,利用Canny算子对夜间图像及其增强图像进行处理获得相应的边缘图像。对两幅边缘图分别利用公式(11)求信息熵,使用增强图像与失真图像边缘图信息熵的差值来表示图像保留的边缘细节丰富程度:
Ed=EE-edge-Eedge \*MERGEFORMAT(12)
其中EE-edge表示增强图像边缘图的信息熵,Eedge表示夜间图像边缘图的信息熵。因此。获得表示图像边缘细节的特征f8。
(3)图像亮度特征提取
首先将图像I由RGB颜色空间转换到Lab颜色空间,转化过程如下。首先依据公式(13)-公式(17)将图像由RGB空间转换至XYZ颜色空间:
其中,r,g,b表示图像像素,gamma函数如下:
则XYZ颜色空间表示如下:
获得图像的XYZ颜色空间表示后,将其转换至Lab颜色空间:
其中f(·)函数表示如下:
将图像转换至Lab颜色空间后,取L分量并归一化至[0,1]区间,然后将其划分为图像块,使用三种亮度级(低、中、高)来计算图像曝光以有效地对图像亮度变化进行建模。对于L空间的像素i,其曝光程度由高斯加权函数计算:
NLexp=Lexp-μpatch \*MERGEFORMAT(19)
其中NLexp表示去除局部均值后的归一化的曝光系数,μpatch表示图像块内的均值。
归一化的曝光系数的分布呈现拉普拉斯分布形状或高斯分布形状,因此使用零均值广义高斯分布模型拟合像素曝光系数分布,广义高斯模型如下:
Γ(·)为gamma函数:
在三个曝光系数分布拟合中(低阈值、中阈值、高阈值)分别提取广义高斯分布拟合的形状参数和方差作为反映图像曝光程度的特征,因此获得曝光特征f9,f10,f11,f12,f13,f14。
考虑到人类视觉系统多尺度特性,因此对夜间图像进行下采样,在两个尺度上对图像进行上述特征提取过程,共得到28维特征向量。使用支持向量回归SVR建立夜间图像无参考质量评价模型,输入测试图像可获得相应的质量分数。
2、实验结果
本发明在夜间自然图像数据库NNID上进行实验验证。在实验操作中,随机选取数据库中80%图像作为训练数据训练图像质量评价模型,20%图像作为测试数据测试模型性能。为了保证实验结果的客观性,随机选取过程重复了1000次,且保证每次训练集中出现的图像不会出现在测试集中。选取国际通用的皮尔森线性相关系数PLCC(Pearson linearcorrelation coefficient)、斯皮尔曼排序相关系数SRCC(Spearman rank-ordercorrelation coefficient)、肯德尔秩相关系数KRCC(Kendall’s rank-ordercorrelation coefficient)和均方根误差RMSE(root mean-squared error)作为算法性能评价指标,其中PLCC、SRCC和KRCC的值越接近1,RMSE的值越接近0表明算法性能越好。实验结果表明,本算法在NNID数据库上的性能为:PLCC=0.8798,SRCC=0.8760,KRCC=0.6891,RMSE=0.0804。该算法性能优于目前存在的大多数主流算法。
本发明具有以下优点:
①本发明较好地解决了夜间图像质量评价问题,此前夜间图像质量评价问题并未引起广泛关注;
②本发明与人类主观评分有较强的一致性;
③本发明将显著性图引入到夜间图像质量评价问题中,且在特征提取过程中引入了夜间图像增强算法,从全新的角度提取图像特征。
Claims (1)
1.一种无参考夜间自然图像质量评价方法,具体包括以下步骤;
1)图像颜色及对比度特征提取
给定一幅夜间图像I,首先计算对立色空间对比度能量:
其中e∈{gray,yb,rg},表示夜间图像I的颜色通道;gray=0.299R+0.587G+0.114B,yb=0.5(R+G)-B,rg=R-G;α是ζ(Ie)的最大值,κ表示对比度增益,βe表示给定颜色通道的噪声阈值;hh和hv是高斯函数水平和垂直方向的二阶导数,符号表示卷积操作;获得夜间图像I三个通道的Ce后取均值,获得三个特征f1,f2,f3;
根据夜间图像I,对图像进行分块,在图像块上计算其对比度Cc:
求取均值和方差表示图像对比度特征f4,f5;
2)图像纹理特征提取
对于夜间图像I,首先计算其显著性图sal_color,然后计算夜间按照下式计算夜间图像I及其显著性图的信息熵表征图像包含的信息量的多少,获得纹理特征f6,f7:
E=-∑pilog pi (4)
其中pi表示第i个像素值的概率;
采用增强算法对夜间图像进行增强获得增强图像IE,利用Canny算子对夜间图像及其增强图像进行处理获得相应的边缘图像,使用增强图像与夜间图像边缘图信息熵的差值来表示图像保留的边缘细节丰富程度:
Ed=EE-edge-Eedge (5)
其中EE-edge表示增强图像边缘图的信息熵,Eedge表示夜间图像边缘图的信息熵,获得表示图像边缘细节的特征f8;
3)图像亮度特征提取
首先将夜间图像I由RGB颜色空间转换到Lab颜色空间,取L分量并归一化至[0,1]区间,然后将其划分为图像块,使用高,中,低三种亮度级来计算图像曝光以有效地对图像亮度变化进行建模,对于L空间的像素i,其曝光程度由高斯加权函数计算:
NLexp=Lexp-μpatch (7)
其中NLexp表示去除局部均值后的归一化的曝光系数,μpatch表示图像块曝光值的均值;
使用零均值广义高斯分布模型拟合像素曝光系数分布,在高,中,低三种亮度级的三个去除局部均值后的归一化的曝光系数分布拟合中分别提取广义高斯分布拟合的形状参数和方差作为反映图像曝光程度的特征,因此获得曝光特征f9,f10,f11,f12,f13,f14;
4)考虑到人类视觉系统多尺度特性,对夜间图像进行下采样,在两个尺度上对夜间图像进行特征提取过程,共得到28维特征向量,使用支持向量回归SVR建立夜间图像无参考质量评价模型,输入测试图像可获得相应的质量分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246558.3A CN111489333B (zh) | 2020-03-31 | 2020-03-31 | 一种无参考夜间自然图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246558.3A CN111489333B (zh) | 2020-03-31 | 2020-03-31 | 一种无参考夜间自然图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489333A CN111489333A (zh) | 2020-08-04 |
CN111489333B true CN111489333B (zh) | 2022-06-03 |
Family
ID=71794507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010246558.3A Active CN111489333B (zh) | 2020-03-31 | 2020-03-31 | 一种无参考夜间自然图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489333B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381761B (zh) * | 2020-10-12 | 2022-09-30 | 华南理工大学 | 一种鲁棒的低光照增强图像质量评价方法 |
CN113362354B (zh) * | 2021-05-07 | 2024-04-30 | 安徽国际商务职业学院 | 色调映射图像的质量评价方法、系统、终端及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408565A (zh) * | 2016-10-12 | 2017-02-15 | 中国人民解放军陆军军官学院 | 一种弹载图像质量评价方法 |
CN106447646A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于无人机图像的质量盲评价方法 |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN106815839A (zh) * | 2017-01-18 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像质量盲评估方法 |
CN107371015A (zh) * | 2017-07-21 | 2017-11-21 | 华侨大学 | 一种无参考对比度变化图像质量评价方法 |
WO2018058090A1 (en) * | 2016-09-26 | 2018-03-29 | University Of Florida Research Foundation Incorporated | Method for no-reference image quality assessment |
CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
CN109218716A (zh) * | 2018-10-22 | 2019-01-15 | 天津大学 | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 |
CN109325550A (zh) * | 2018-11-02 | 2019-02-12 | 武汉大学 | 基于图像熵的无参考图像质量评价方法 |
CN109919959A (zh) * | 2019-01-24 | 2019-06-21 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN110046673A (zh) * | 2019-04-25 | 2019-07-23 | 上海大学 | 基于多特征融合的无参考色调映射图像质量评价方法 |
-
2020
- 2020-03-31 CN CN202010246558.3A patent/CN111489333B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447646A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于无人机图像的质量盲评价方法 |
WO2018058090A1 (en) * | 2016-09-26 | 2018-03-29 | University Of Florida Research Foundation Incorporated | Method for no-reference image quality assessment |
CN106408565A (zh) * | 2016-10-12 | 2017-02-15 | 中国人民解放军陆军军官学院 | 一种弹载图像质量评价方法 |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN106815839A (zh) * | 2017-01-18 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像质量盲评估方法 |
CN107371015A (zh) * | 2017-07-21 | 2017-11-21 | 华侨大学 | 一种无参考对比度变化图像质量评价方法 |
CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
CN109218716A (zh) * | 2018-10-22 | 2019-01-15 | 天津大学 | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 |
CN109325550A (zh) * | 2018-11-02 | 2019-02-12 | 武汉大学 | 基于图像熵的无参考图像质量评价方法 |
CN109919959A (zh) * | 2019-01-24 | 2019-06-21 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN110046673A (zh) * | 2019-04-25 | 2019-07-23 | 上海大学 | 基于多特征融合的无参考色调映射图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
《A multi-attribute blind quality evaluator for tone-mapped images 》;S. Mahmoudpour and P. Schelkens;《IEEE Transactions on Multimedia》;20191030;第1939-1954页 * |
《Exposure fusion: A simple and practical alternative to high dynamic range photography》;T.Mertens;《Computer Graphics Forum》;20090223;第161-171页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111489333A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
Cao et al. | Contrast enhancement of brightness-distorted images by improved adaptive gamma correction | |
CN108010024B (zh) | 一种盲参考色调映射图像质量评价方法 | |
CN107527333B (zh) | 一种基于伽马变换的快速图像增强方法 | |
Ma et al. | Objective quality assessment for color-to-gray image conversion | |
CN109919959B (zh) | 基于色彩、自然性及结构的色调映射图像质量评价方法 | |
CN106506901B (zh) | 一种显著性视觉注意模型的混合式数字图像半色调方法 | |
CN111079740A (zh) | 图像的质量评价方法、电子设备和计算机可读存储介质 | |
CN109978854B (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
CN108288258B (zh) | 一种针对恶劣天气条件下的低质图像增强方法 | |
CN109218716B (zh) | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 | |
CN111598791B (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
Pei et al. | Effective image haze removal using dark channel prior and post-processing | |
CN111489333B (zh) | 一种无参考夜间自然图像质量评价方法 | |
CN104021523B (zh) | 一种基于边缘分类的图像超分辨率放大的方法 | |
CN109272475B (zh) | 一种快速有效修复与强化水下图像颜色的方法 | |
Narasimhan et al. | A comparison of contrast enhancement techniques in poor illuminated gray level and color images | |
CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
CN115100077B (zh) | 一种图像增强方法与装置 | |
CN110910347B (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
CN107256539B (zh) | 一种基于局部对比度的图像锐化方法 | |
CN113436081A (zh) | 数据处理方法、图像增强方法及其模型训练方法 | |
CN111080722A (zh) | 一种基于显著性检测的颜色迁移方法及系统 | |
CN108765337B (zh) | 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |