CN112950596B - 基于多区域多层次的色调映射全向图像质量评价方法 - Google Patents
基于多区域多层次的色调映射全向图像质量评价方法 Download PDFInfo
- Publication number
- CN112950596B CN112950596B CN202110255258.6A CN202110255258A CN112950596B CN 112950596 B CN112950596 B CN 112950596B CN 202110255258 A CN202110255258 A CN 202110255258A CN 112950596 B CN112950596 B CN 112950596B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- pixel point
- value
- erp
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013507 mapping Methods 0.000 title claims abstract description 67
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims abstract description 5
- 238000007637 random forest analysis Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 4
- 230000008447 perception Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了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,其对于任意一幅失真色调映射高动态范围全向图像,将该图像的每幅视口图像划分为纹理平坦区域和纹理复杂区域,进而获取该图像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,并将该图像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,进而获取该图像的每幅视口图像的高亮区域、低暗区域各自的局部特征及中间亮度区域的局部特征向量,进一步得到该图像的特征向量,接着通过随机森林的池化训练得到失真色调映射高动态范围全向图像客观质量评价模型,再预测测试图像的客观质量评价值;优点是能有效地提高客观评价结果与人眼主观感知质量之间的相关性。
Description
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多区域多层次的色调映射全向图像质量评价方法。
背景技术
全向相机可以捕获360°视场,其能够提供给用户身临其境的体验,但是,真实的光照在一个完整的场景中变化快且范围大,在大范围的光照条件下,普通的全向成像会产生像素曝光不足或过度曝光的区域。高动态范围全向图像的提出解决了普通的全向成像存在的技术问题,通过全向相机多次曝光合成的高动态范围全向图像具有更大的照度变化范围和更丰富的细节信息。要在有限带宽的信道上传输高动态范围全向图像,就需要采用JPEG-XT对高动态范围全向图像进行压缩来节省比特率。此外,为了兼容目前的头戴式显示器(Head-mounted Display,HMD),还需要利用色调映射(TM)算子对编解码后的高动态范围全向图像进行动态范围的压缩,以供用户在现有的HMD上观看,然而,在色调映射全向图像(Tone Mapping Omnidirectional Image,TM-OI)的成像、处理、编码、显示等过程中,会不可避免地引入失真,导致图像质量下降。因此,如何有效地评估TM-OI的质量将会是一个挑战。
目前没有针对TM-OI提出的客观质量评价方法,并且现有的客观质量评价方法缺乏对TM-OI成像处理系统所引入的特有失真的考虑,也缺乏对JPEG-XT编码压缩产生的块效应失真和TM算子处理所导致的失真之间混合影响的考虑。此外,也没有考虑到用户通过HMD观看TM-OI时专注视口图像内容,使得其失真表现比在普通2D显示器中观看高动态范围图像更加明显。因此,研究一种色调映射高动态范围全向图像无参考质量评价方法是非常有必要的。
发明内容
本发明所要解决的技术问题是提供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,其能够有效地提高客观评价结果与人眼主观感知质量之间的相关性。
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,共绘制得到IERP的D幅视口图像,将IERP的第d幅视口图像记为Vd;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;
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像的特征向量,对于Vd,将合并形成一个行向量,作为Vd的特征向量,记为Fd,/>然后将IERP的所有视口图像的特征向量合并形成IERP的特征向量,记为FERP,FERP=[F1,F2,…,Fd,…,FD];其中,F的维数为1×13,FERP的维数为1×13D,F1表示IERP的第1幅视口图像V1的特征向量,F2表示IERP的第2幅视口图像V2的特征向量,FD表示IERP的第D幅视口图像VD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。
步骤4_1:对Vd进行灰度转换,得到Vd对应的灰度图;然后使用Canny算子对Vd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;
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Vd中与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Vd中其余所有像素点构成的区域作为纹理平坦区域/>
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Vcd进行位平面层分解,得到Vcd的8幅位平面图像,将Vc d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,表示Vd中属于/>的所有像素点的坐标位置构成的集合,/>表示Vc d中坐标位置为(i,j)的像素点的像素值,/>表示Vd中属于Vc d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Vc d的后4幅位平面图像各自的局部特征,将Vc d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Vc d的后4幅位平面图像的局部特征按序构成Vc d的局部特征向量Fcd,/>其中,5≤p”≤8,/>表示Vc d包含的像素点的总个数,/>的维数为1×4,/>对应表示Vc d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。
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/>
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,/>表示Vd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/> 其中,/>表示求使得括号内的表达式取得最小值时/>的值,/>表示Vd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,/>表示Vd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。
与现有技术相比,本发明的优点在于:
本发明方法考虑到用户通过HMD观看TM-OI(色调映射全向图像)时专注视口图像内容,使得其失真表现比在普通2D显示器中观看高动态范围图像更加明显,因此通过提取视口图像,在视口图像中进行特征提取,来模拟用户通过HMD观看TM-OI的行为;本发明方法对TM-OI进行纹理分割,并对图像的纹理分割区域(即纹理平坦区域和纹理复杂区域)进行了位平面层分解,进一步提取感知特征来表征这部分失真的特殊表现,并对TM-OI进行亮度分割,对亮度分割区域(即高亮区域、低暗区域以及中间亮度区域)进行了基本层和细节层分解,提取不同特征来表示TM-OI的失真;本发明方法利用随机森林的池化对特征进行融合,训练得到色调映射全向图像客观质量评价模型,利用该模型进行预测得到测试图像的客观质量评价值,与人眼主观感知质量具有更好的一致性。
附图说明
图1为本发明方法的总体实现框图;
图2为10个视口选取的示意图。
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。
考虑到图像投影格式的转换和沉浸式环境中用户行为所导致的独特失真表现,以及色调映射高动态范围全向图像处理过程中引入的混叠失真在不同区域的不同表现,本发明提出了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,其挑选视口图像,同时,针对不同区域混叠失真的表现不同,对不同区域提取不同图像层进行特征提取。
本发明提出的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,其总体实现框图如图1所示,其包括以下步骤:
步骤1:选取Num组等矩形投影格式(Equirectangular Projection,ERP)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,在本实施例中取Num=16,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;然后采用现有技术对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,共绘制得到IERP的D幅视口图像,将IERP的第d幅视口图像记为Vd;其中,D为正整数,D≥6,在本实施例中取D=10,1≤d≤D,视口图像的宽度和高度对应为W和H。
图2给出了10个视口选取的示意图,从图2中可以看出选取了南极点和北极点以及赤道上等间隔的点作为视口中心点。
步骤4_1:对Vd进行灰度转换,得到Vd对应的灰度图;然后使用现有的Canny算子对Vd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;膨胀处理可使得图像尽量构成一个联通区域。
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:使用现有的孔洞填充算法对V3进行填充,得到孔洞填充好的图像,记为V4。
步骤4_5:使用现有的去噪算法去除V4中面积小于1000像素的区域,得到去噪后的图像,记为V5;在此,去噪直接选用matlab自带的函数bwareaopen来实现。
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Vd中与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Vcd,将Vd中其余所有像素点构成的区域作为纹理平坦区域
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Vc d的局部特征向量记为Fc d;其中,/>和Fc d的维数均为1×4。
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Vc d进行位平面层分解,得到Vc d的8幅位平面图像,将Vc d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,表示Vd中属于/>的所有像素点的坐标位置构成的集合,/>表示Vc d中坐标位置为(i,j)的像素点的像素值,/>表示Vd中属于Vc d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,在本实施例中取nwid的值为5,/>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Vc d的后4幅位平面图像各自的局部特征,将Vc d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Vc d的后4幅位平面图像的局部特征按序构成Vc d的局部特征向量/> 其中,5≤p”≤8,/>表示Vc d包含的像素点的总个数,Fc d的维数为1×4,/>对应表示Vc d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。
步骤6_2:在中,根据现有的最大熵分割法计算/>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,根据现有的最大熵分割法计算/>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/>
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,/>表示Vd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,在本实施例中取λ1=0.3、λ2=0.01λ1,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/> 其中,/>表示求使得括号内的表达式取得最小值时/>的值,/>表示Vd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,/>表示Vd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,在本实施例中取n'wid的值为5,/>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,e=2.17…,符号“| |”为取绝对值符号,/>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像的特征向量,对于Vd,将合并形成一个行向量,作为Vd的特征向量,记为Fd,/>然后将IERP的所有视口图像的特征向量合并形成IERP的特征向量,记为FERP,FERP=[F1,F2,…,Fd,…,FD];其中,F的维数为1×13,FERP的维数为1×13D,F1表示IERP的第1幅视口图像V1的特征向量,F2表示IERP的第2幅视口图像V2的特征向量,FD表示IERP的第D幅视口图像VD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。
为了进一步说明本发明方法的可行性和有效性,进行下列实验。
选取色调映射全向图像数据库,该数据库包含16组不同场景内容的失真色调映射高动态范围全向图像,包含4种不同等级的JPEG-XT编码失真(即将参数(q,Q)分别设置为(5,10)、(60,25)、(14,40)、(95,95))、5种不同的色调映射失真,共320幅失真色调映射全向图像;除此之外,提供了每幅失真色调映射全向图像的主观评分值。在此,随机选取该数据库中的15组不同场景内容的失真色调映射全向图像的特征向量及主观评分值构成训练数据,将该数据库中剩余的1组的失真色调映射全向图像作为测试图像。
上述5种不同的色调映射失真分别来源于R.Fattal,R.Lischinski,M.Werman,“Gradient domain high dynamic range compression,”ACM Transactions onGraphics,vol.21,no.3,pp.249-256,2002.(基于梯度域的高动态范围压缩算法)、I.R.Khan,S.Rahardja,M.M.Khan,“A tone-mapping technique based on histogramusing a sensitivity model of the human visual system,”IEEE Transactions onIndustrial Electronics,vol.65,no.4,pp.3469-3479,2017.(一种基于直方图且使用人类视觉系统灵敏度模型的色调映射技术)、Z.Liang,J.Xu,D.Zhang,Z.Cao and L.Zhang,"AHybrid l1-l0 Layer Decomposition Model for Tone Mapping,"2018IEEE/CVFConference on Computer Vision and Pattern Recognition,Salt Lake City,UT,2018,pp.4758-4766.(一种用于色调映射的l1-l0层分解模型)、R.Mantiuk,K.Myszkowski,H.P.Seidel,“A perceptual framework for contrast processing of high dynamicrange images,”ACM Transactions on Applied Perception,2006,3(3):286-308.(高动态范围图像对比度处理的感知框架)、E.Reinhard,M.Stark,P.Shirley,“Photographictone reproduction for digital images,"ACM Transactions on Graphics,vol.21,no.3,pp.267-276,2002.(数字图像的摄影色调再现技术)。
按本发明方法的过程得到每幅测试图像的客观质量评价值,分析利用本发明方法获取的每幅测试图像的客观质量评价值与主观评分值之间的相关性。这里,选取3个评价指标用于衡量本发明方法的好坏,分别是Pearson线性相关系数(Pearson linearcorrelation coefficient,PLCC)、Spearman顺序相关系数(Spearman rank-ordercorrelation coefficient,SROCC)和均方根误差(Root Mean Squared Error,RMSE)这三个值分别表示所预测的客观质量评价值和实际分数的相关性。PLCC和SROCC其值在(0,1)之间,且越接近于1越好,RMSE越小越好。
表1给出了利用本发明方法预测得到的测试图像的客观质量评价值的性能指标。
表1测试图像的客观质量评价值与主观评分值之间的相关性的性能指标
指标类型 | PLCC | SROCC | RMSE |
本发明方法 | 0.825 | 0.812 | 1.231 |
从表1中可以看出,本发明方法所提取的失真色调映射高动态范围全向图像的特征向量考虑了用户通过HMD观看图像的感知特性以及JPEG-XT编码压缩和色调映射算法导致的混叠失真现象,使得最终结果取得较好的表现,其中PLCC相关系数达到了0.825,SROCC相关系数达到了0.812,而RMSE达到了1.231,该结果表明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,充分说明了本发明方法的有效性。
Claims (5)
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,共绘制得到IERP的D幅视口图像,将IERP的第d幅视口图像记为Vd;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;
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像的特征向量,对于Vd,将合并形成一个行向量,作为Vd的特征向量,记为Fd,/>然后将IERP的所有视口图像的特征向量合并形成IERP的特征向量,记为FERP,FERP=[F1,F2,…,Fd,…,FD];其中,F的维数为1×13,FERP的维数为1×13D,F1表示IERP的第1幅视口图像V1的特征向量,F2表示IERP的第2幅视口图像V2的特征向量,FD表示IERP的第D幅视口图像VD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。
步骤4_1:对Vd进行灰度转换,得到Vd对应的灰度图;然后使用Canny算子对Vd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;
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,表示Vd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Vd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/>
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,表示Vd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/> 其中,/>表示求使得括号内的表达式取得最小值时/>的值,/>表示Vd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,表示Vd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。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255258.6A CN112950596B (zh) | 2021-03-09 | 2021-03-09 | 基于多区域多层次的色调映射全向图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255258.6A CN112950596B (zh) | 2021-03-09 | 2021-03-09 | 基于多区域多层次的色调映射全向图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950596A CN112950596A (zh) | 2021-06-11 |
CN112950596B true CN112950596B (zh) | 2023-06-02 |
Family
ID=76229020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110255258.6A Active CN112950596B (zh) | 2021-03-09 | 2021-03-09 | 基于多区域多层次的色调映射全向图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950596B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241534B (zh) * | 2021-12-01 | 2022-10-18 | 佛山市红狐物联网科技有限公司 | 一种全掌脉络数据的快速匹配方法及系统 |
CN114429426B (zh) * | 2021-12-20 | 2022-08-16 | 哈尔滨理工大学 | 一种基于Retinex模型的低照度图像质量改善方法 |
CN114359083B (zh) * | 2021-12-24 | 2022-11-29 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
CN116363017B (zh) * | 2023-05-26 | 2023-10-24 | 荣耀终端有限公司 | 图像处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717892A (zh) * | 2019-09-18 | 2020-01-21 | 宁波大学 | 一种色调映射图像质量评价方法 |
CN111292336A (zh) * | 2020-01-21 | 2020-06-16 | 宁波大学 | 基于分段式球面投影格式的全向图像无参考质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102127760B1 (ko) * | 2018-11-30 | 2020-06-29 | 고려대학교 산학협력단 | 단일 영상을 기반으로 한 인버스 톤 매핑의 최적화 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 |
-
2021
- 2021-03-09 CN CN202110255258.6A patent/CN112950596B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717892A (zh) * | 2019-09-18 | 2020-01-21 | 宁波大学 | 一种色调映射图像质量评价方法 |
CN111292336A (zh) * | 2020-01-21 | 2020-06-16 | 宁波大学 | 基于分段式球面投影格式的全向图像无参考质量评价方法 |
Non-Patent Citations (2)
Title |
---|
于娇文 ; 郁梅 ; 邵华 ; 蒋刚毅 ; .基于流形学习的高动态范围图像质量评价.激光杂志.2017,(04),全文. * |
马华林 ; 张立燕 ; .基于人眼感知的无参考色调映射图像质量评价.计算机应用与软件.2020,(07),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112950596A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950596B (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
Sun et al. | MC360IQA: A multi-channel CNN for blind 360-degree image quality assessment | |
Zhang et al. | Underwater image enhancement by attenuated color channel correction and detail preserved contrast enhancement | |
Gu et al. | Hybrid no-reference quality metric for singly and multiply distorted images | |
Qureshi et al. | Towards the design of a consistent image contrast enhancement evaluation measure | |
CN107483920B (zh) | 一种基于多层级质量因子的全景视频评估方法及系统 | |
Li et al. | No-reference quality assessment of deblocked images | |
Wang et al. | Reduced-reference image quality assessment using a wavelet-domain natural image statistic model | |
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 | |
Zheng et al. | No-reference quality assessment for screen content images based on hybrid region features fusion | |
Yue et al. | Blind stereoscopic 3D image quality assessment via analysis of naturalness, structure, and binocular asymmetry | |
CN111105376B (zh) | 基于双分支神经网络的单曝光高动态范围图像生成方法 | |
CN111667410B (zh) | 图像分辨率提升方法、装置及电子设备 | |
Chen et al. | Perceptual quality assessment of cartoon images | |
Krasula et al. | Preference of experience in image tone-mapping: Dataset and framework for objective measures comparison | |
Chen et al. | Blind quality index for tone-mapped images based on luminance partition | |
CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
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 | |
CN113038123A (zh) | 无参考全景视频质量评价方法、系统、终端及介质 | |
CN104346809A (zh) | 采用高动态范围的图像质量数据集的图像质量评价方法 | |
Cao et al. | Quality measurement for high dynamic range omnidirectional image systems | |
Wang et al. | Learning a self‐supervised tone mapping operator via feature contrast masking loss | |
CN117078574A (zh) | 一种图像去雨方法及装置 | |
CN116245861A (zh) | 基于交叉多尺度的无参考图像质量评价方法 | |
CN116980549A (zh) | 视频帧处理方法、装置、计算机设备和存储介质 |
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 |