研究目的
开发一种针对色调映射图像的盲质量评价指标,通过利用亮度分区并从不同亮度区域提取质量感知特征,从而准确评估色调映射算子的性能。
研究成果
该提出的盲质量评价指标通过基于亮度分区并提取互补特征(局部熵表征信息损失、局部色彩丰富度评估色彩还原、全局对比度衡量整体失真),有效评估色调映射图像。大量实验表明,其在跨数据库的准确性和泛化性上优于现有最优指标。该指标为无参考HDR图像的色调映射算子优化提供了可靠工具,但在阈值选择和特征设计方面仍需改进以更好模拟人眼视觉系统。
研究不足
当直方图呈现偏态分布(例如大量像素值为0或255)时,亮度分割方法可能并非最优选择,因为中值Tmid会失效。熵特征虽然计算简单,但属于统计特性,在未考虑人类视觉系统(HVS)具体特性的情况下,可能无法充分反映人眼视觉特征。该方法依赖数据库学习,针对不同曝光条件可能需要更强的鲁棒性。
1:实验设计与方法选择:
本研究采用亮度分区法基于自适应阈值将图像划分为暗区、亮区和正常区域。在多分辨率框架下提取局部熵、局部色彩丰富度和全局对比度等特征以模拟人类视觉系统(HVS),并使用随机森林回归模型实现特征到质量评分的映射。
2:样本选择与数据来源:
使用两个公开数据库——加拿大滑铁卢大学的TMID数据库(含120幅图像)和美国德克萨斯大学奥斯汀分校的ESPL-LIVE HDR数据库(含747幅色调映射图像)。主观评分(平均意见得分)作为真实基准值。
3:实验设备与材料清单:
在配备4.20GHz CPU和32GB内存的计算机上使用MATLAB R2016b软件实现,未提及额外专用硬件设备。
4:20GHz CPU和32GB内存的计算机上使用MATLAB R2016b软件实现,未提及额外专用硬件设备。
实验流程与操作步骤:
4. 实验流程与操作步骤:对每幅图像计算伽马校正后的亮度值,通过自适应阈值进行分区,在降采样两次的多分辨率下提取特征。随机森林模型采用80%数据训练、20%数据测试,重复1000次以避免偏差,性能评估使用皮尔逊线性相关系数(PLCC)、斯皮尔曼等级相关系数(SRCC)和肯德尔等级相关系数(KRCC)。
5:数据分析方法:
通过计算统计相关系数(PLCC、SRCC、KRCC)评估预测准确性与单调性,通过测试单一特征及组合特征分析各特征的贡献度。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容