馬華林 張立燕

1(浙江工商職業(yè)技術(shù)學(xué)院 浙江 寧波 315012)2(寧波大學(xué)信息科學(xué)與工程學(xué)院 浙江 寧波 315012)

0 引 言

HDR圖像相比低動態(tài)范圍(Low Dynamic Range，LDR)圖像能夠表示更大的亮度范圍，其亮度范圍大約是10-4cd/m2～105cd/m2[1-2]。LDR圖像能表示的動態(tài)范圍不超過3個數(shù)量級，但人類視覺系統(tǒng)在真實場景中可以接受的動態(tài)范圍可以達(dá)到6個數(shù)量級。因此，HDR圖像對用戶來說感受更真實更有吸引力。隨著成像和計算機(jī)圖形學(xué)技術(shù)的發(fā)展，HDR圖像的獲得越來越容易。然而，HDR顯示設(shè)備比較昂貴[3]，超出了普通消費者的承受范圍。為了解決這個問題，產(chǎn)業(yè)界和學(xué)術(shù)界開發(fā)了許多色調(diào)映射算子[4]，TMO能夠把HDR圖像轉(zhuǎn)換成LDR圖像，轉(zhuǎn)換后的LDR圖像被稱為色調(diào)映射圖像(Tone-mapped Image,TMI)。由于TMI相對HDR圖像縮小了動態(tài)范圍，不可避免地產(chǎn)生失真，例如亮度信息丟失、結(jié)構(gòu)信息丟失、不自然的顏色等。針對一個HDR圖像，不同的TMO產(chǎn)生的效果不一樣。因此，TMI質(zhì)量評價對于選擇合適的TMO和改進(jìn)TMO本身具有重要的研究意義。

TMI質(zhì)量評價分為主觀質(zhì)量評價和客觀質(zhì)量評價，而早期的TMO性能評價主要采用主觀質(zhì)量評價。因為人眼是TMI的最終接受者，主觀質(zhì)量評分具有準(zhǔn)確性高的特點。然而，主觀質(zhì)量評價[5]具有三方面的缺點：主觀質(zhì)量評價比較耗時費力，需要昂貴的HDR顯示器和多個測試人員多次實驗；主觀質(zhì)量不能嵌入到圖像處理系統(tǒng)來改進(jìn)TMO；主觀評價由于人為的一些不確定因素導(dǎo)致評價的誤差，例如對于主觀評分相近的兩個圖像人眼也很難判斷哪個圖像更好一點。傳統(tǒng)的客觀質(zhì)量評價方法假定參考圖像和測試圖像具有相同的動態(tài)范圍，因此傳統(tǒng)的客觀質(zhì)量評價方法不能直接評價TMI。

近年來，全參考TMI質(zhì)量評價算法取得了豐碩的成果。Yeganeh等[5]是最先關(guān)注TMI質(zhì)量評價的學(xué)者之一。他們首次建立了色調(diào)映射圖像數(shù)據(jù)庫(Tone-mapped Image Database,TMID)，可以下載并用于評價TMI質(zhì)量評價算法的性能。同時，他們提出了一種全參考TMI質(zhì)量評價方法(Tone Mapped Image Quality Index,TMQI)。這個方法的基本思想是高質(zhì)量的TMI不但要保護(hù)HDR圖像的結(jié)構(gòu)信息，還要保留圖像的自然場景統(tǒng)計特性(Natural Scene Statistics，NSS)。Nafchi等[6]基于圖像的局部相位信息提出了FSITM方法，該方法考慮了圖像的顏色信息，但沒有考慮圖像的自然度。Kundu等[7]針對TMQI均勻池化的缺點，在TMQI基礎(chǔ)上加入了視覺注意力模型，運(yùn)用感知池化策略提升質(zhì)量評價算法的性能。Xie等[8]使用字典學(xué)習(xí)技術(shù)在稀疏域提取局部結(jié)構(gòu)相似度和全局自然度，合并這兩個特征提出了一種全參考質(zhì)量評價算法SMTI。鑒于色調(diào)映射圖像失真類型多的特點，Hadizadeh等[9]從結(jié)構(gòu)保真度、自然度、亮度、顏色等方面提取了八類特征來評價TMI質(zhì)量。

無參考TMI質(zhì)量評價相對全參考TMI質(zhì)量評價具有更強(qiáng)的實用性。由于TMI失真通常不會出現(xiàn)模糊、塊效應(yīng)等類型的失真，傳統(tǒng)的無參考質(zhì)量評價算法不適合評價TMI。Gu等[10]結(jié)合信息量、結(jié)構(gòu)、自然度三方面提出了BTMQI算法，該算法取得了很好的效果，但沒有考慮TMI的顏色失真。Yue等[11]模擬人腦對顏色信息的處理過程來評價TMI質(zhì)量，從簡單細(xì)胞的響應(yīng)中提取紋理信息特征，從復(fù)雜細(xì)胞的響應(yīng)中提取結(jié)構(gòu)和紋理信息。本文提出一種基于人眼感知的無參考色調(diào)映射圖像質(zhì)量評價方法，主要貢獻(xiàn)如下：

(1) 首次采用聚類算法針對TMI高亮區(qū)、低暗區(qū)曝光異常的特點把色調(diào)映射圖像分成暗區(qū)、中間區(qū)、亮區(qū)，根據(jù)物理亮度距離與聚類中心亮度值的特性，優(yōu)化了使用K-means聚類對TMI分區(qū)的方法。相對不分區(qū)的色調(diào)映射圖像質(zhì)量評價方法顯著提高算法性能。

(2) 在色調(diào)映射圖像質(zhì)量評價研究中首次使用非負(fù)矩陣分解方法，根據(jù)TMI灰度圖像非負(fù)矩陣分解獲得的系數(shù)特性，提出了一種新的圖像顯著性區(qū)域識別方法。

(3) 結(jié)合亮度和顏色兩種信息來提取圖像自然度，發(fā)現(xiàn)了亮度自然度和顏色自然度的互補(bǔ)性，相對單獨使用顏色自然度或者亮度自然度顯著提高了算法的SROCC指標(biāo)。

1 評價方法設(shè)計

根據(jù)Weber定律，人眼能感受到的最小亮度變化應(yīng)滿足ΔS=KS，其中K為常量，當(dāng)亮度值S相近時，對應(yīng)的能被人眼感知的最小亮度變化范圍ΔS也相近，按照祖母神經(jīng)元理論人眼感受到亮度變化的原因是由一組感受S+ΔS亮度的神經(jīng)細(xì)胞興奮所致。因此，聚集亮度感知變化范圍相似的細(xì)胞為同一個類別，分別分析每一類細(xì)胞感知到的圖像質(zhì)量。本文首先把TMI轉(zhuǎn)換成灰度圖像，然后使用K-means聚類算法把灰度圖像按照亮度值進(jìn)行聚類，每一類對應(yīng)一個區(qū)域，在多個區(qū)域分別提取特征來評價圖像質(zhì)量。

根據(jù)TVI曲線人眼視覺系統(tǒng)具有5個亮度適應(yīng)等級[12]，因此分別把色調(diào)映射圖像分成3個區(qū)域、4個區(qū)域、5個區(qū)域在TMID[5]圖像數(shù)據(jù)庫上進(jìn)行實驗。例如對于三個區(qū)域的劃分，首先把色調(diào)映射圖像用K-means聚類算法分成3個區(qū)域，分別提取每個區(qū)域的信息熵特征，然后用SVM聚合三個信息熵特征預(yù)測圖像質(zhì)量評分。選取Pearson線性相關(guān)系數(shù)(Pearson Linear Correlation Coefficient，PLCC)、Spearman秩相關(guān)系數(shù)(Spearman Rank-order Correlation Coefficient，SROCC)作為評價指標(biāo)分別評價圖像預(yù)測值與主觀評分的準(zhǔn)確性和一致性。

如表1所示，把色調(diào)映射圖像劃分成三個區(qū)域時，信息熵特征的性能指標(biāo)是最好的，這三個區(qū)域分別是亮區(qū)、中間區(qū)、暗區(qū)。色調(diào)映射過程會縮小TMI的動態(tài)范圍，導(dǎo)致TMI圖像的高亮區(qū)和低暗區(qū)細(xì)節(jié)丟失，從而影響TMI的質(zhì)量。如圖1所示，亮區(qū)包含了曝光過度的區(qū)域(高亮區(qū)域)，同理，對于曝光不足的圖像，暗區(qū)包含低暗區(qū)，因此三個區(qū)域的劃分體現(xiàn)了TMI圖像的特性。

表1 不同區(qū)域劃分方法信息熵特征的性能指標(biāo)

(a) 灰度圖 (b) 分成三個區(qū)域后圖1 TMID數(shù)據(jù)庫中的一幅圖

K-means聚類時只考慮像素點到聚類中心的距離來確定像素點的類別，沒有考慮人眼對亮度感知的非線性特性。設(shè)聚類中心亮度值為S1，感知亮度為P1，某個像素點像素亮度值為S2，感知亮度為P2。根據(jù)費希納定理：

(1)

則亮度感知差P2-P1和S2與S1的關(guān)系為：

(2)

在K-means算法中S1和S2的物理亮度距離為:

D=(S2-S1)2=S12×(10P2-P1-1)2

(3)

對于相近的人眼感知差P2-P1，物理亮度距離與聚類中心的亮度值成正比，即人眼對暗區(qū)聚類時與聚類中心的距離要短一些，對中間區(qū)域聚類時與聚類中心的距離要長一些。因此，采用如下算法對色調(diào)映射圖像的三個區(qū)域進(jìn)行調(diào)整。

設(shè)L為圖像像素亮度值，C1、C2、C3分別為暗區(qū)、中間區(qū)、亮區(qū)的聚類中心，則三個區(qū)域的分類如下：

(4)

如表2所示，采用式(4)對三個區(qū)域的分區(qū)進(jìn)行調(diào)整后，信息熵特征的PLCC和SROCC都明顯提升，說明分區(qū)的調(diào)整方法符合人眼的感知特性。

表2 區(qū)域調(diào)整前后信息熵特征的性能指標(biāo)

TMI失真主要表現(xiàn)為信息細(xì)節(jié)的丟失、不自然的顏色、全局亮度和對比度的失真。因此，本文算法綜合考慮了TMI的失真特點。如圖2所示，本文主要提取了聚類感知特征、顯著性區(qū)域特征、自然度特征。聚類感知特征在亮度域上提取，先把TMI轉(zhuǎn)換成灰度圖，根據(jù)亮度信息進(jìn)行聚類，把圖像分成亮區(qū)、暗區(qū)、中間區(qū)三個區(qū)域，在每個區(qū)域分別提取面積比率和信息熵兩個特征。生理學(xué)和心理學(xué)的一些證據(jù)[13]表明人眼觀察一幅圖像時先看圖像的整體，人腦會抑制圖像中高頻出現(xiàn)的特征，視覺注意力容易關(guān)注偏差比較大的區(qū)域，即顯著性區(qū)域。假設(shè)圖像中一個M×M區(qū)域具有亮區(qū)、暗區(qū)、中間區(qū)這三個區(qū)域中兩個或兩個以上區(qū)域的像素，這樣的區(qū)域稱為混合區(qū)域?；旌蠀^(qū)域中像素間的亮度值差異比較大，具有顯著性區(qū)域的特點。本文通過對TMI的非負(fù)矩陣分解得到測試圖像對應(yīng)的系數(shù)，對系數(shù)進(jìn)行分析識別出TMI的混合區(qū)域，在混合區(qū)域提出塊比例、信息熵特征。由于TMO處理過程縮小了HDR圖像的動態(tài)范圍，影響了TMI的自然度，因此提取了亮度通道和顏色通道的自然統(tǒng)計特征。最后使用機(jī)器學(xué)習(xí)方法對所有特征進(jìn)行回歸，提出了無參考TMI質(zhì)量評價方法。

圖2 無參考TMI質(zhì)量評價框架

1.1 聚類感知特征

在視覺注意處理中，人類視覺系統(tǒng)對視覺細(xì)胞產(chǎn)生的刺激進(jìn)行融合，通過不同的信息特征進(jìn)行聚類，形成人類視覺系統(tǒng)的注意力分配圖，因此聚類是人類視覺系統(tǒng)的固有功能。設(shè)m×n的灰度圖像I，I(x,y)表示圖像I中(x,y)像素點的亮度值，設(shè)暗區(qū)、中間區(qū)、亮區(qū)的像素亮度值集合分別為RL、RM、RH，則：

(5)

式中：C3、C1為亮區(qū)和暗區(qū)的聚類中心。信息熵是衡量信息量的有效方法，設(shè)p為概率密度，對RL、RM、RH，I分別求信息熵為：

(6)

EL、EM、EH分別表示暗區(qū)、中間區(qū)、亮區(qū)的信息熵?？紤]到人眼觀察圖像時先整體后局部的特點，同時提取全局信息熵EG。

由于TMI圖像容易出現(xiàn)過曝光或欠曝光的區(qū)域，這些區(qū)域的大小會影響圖像的質(zhì)量，因此提取了三個區(qū)域的面積比例作為特征。設(shè)N(·)函數(shù)表示計算圖像或者圖像塊的像素個數(shù)，則每個區(qū)域的面積比例可以表示為：

(7)

RatioL、RatioH、RatioM分別表示暗區(qū)、亮區(qū)、中間區(qū)的面積比率。聚類感知特征向量Fcluster為：

Fcluster={EL,EM,EH,EG,RatioL,RatioM,RatioH}

1.2 顯著性區(qū)域特征

當(dāng)人眼看一幅圖像時注意力會被吸引到圖像中的一部分區(qū)域，這部分區(qū)域被稱為顯著性區(qū)域，是大部分人認(rèn)為圖像中重要的或者顯著的部分。顯著性區(qū)域的圖像質(zhì)量顯然影響人眼對圖像整體質(zhì)量的評價。Goferman等[13]認(rèn)為人眼觀察一幅圖像時先看圖像的整體，人腦會抑制圖像中高頻出現(xiàn)的特征，視覺注意力容易關(guān)注偏差比較大的區(qū)域，即顯著性區(qū)域。本文對TMI灰度圖像的非負(fù)矩陣分解獲得對應(yīng)圖像的系數(shù)，通過對系數(shù)的直方圖的分析，提出了一種混合區(qū)域的識別方法，然后對混合區(qū)域提取信息熵，塊比率等特征。

許多研究表明稀疏表示符合人腦對圖像信號的認(rèn)知，非負(fù)矩陣分解(NMF)與稀疏表示的字典學(xué)習(xí)類似。非負(fù)矩陣分解是把一個數(shù)據(jù)矩陣M分解為兩個非負(fù)矩陣W和S的乘積，W為特征矩陣對應(yīng)字典學(xué)習(xí)的原子矩陣，S為編碼矩陣。數(shù)據(jù)矩陣M可以看作特征矩陣W中每一列和S中對應(yīng)系數(shù)的線性組合，由于S的非負(fù)性，M是由W中的每一列按照S決定的權(quán)重系數(shù)累加而成，由于W中的每一列就是一個圖像塊，因此非負(fù)矩陣分解與部分組成整體的直觀認(rèn)知相符。

圖3 從TMID數(shù)據(jù)庫中選取的原始訓(xùn)練圖像

對于訓(xùn)練樣本庫M，NMF的目標(biāo)是尋找特征矩陣W=[W1,W2,…,Wr]∈Rm×r和S=[S1,S2,…,Sn]∈Rr×n來近似訓(xùn)練樣本矩陣M：

M=WS

(8)

式中：r是大于零的整數(shù)，表示特征矩陣中列向量的個數(shù)。W和S的尋找過程可以轉(zhuǎn)化為如下優(yōu)化問題：

(9)

本文用Lin[14]的方法計算出了W和S，W就是通過訓(xùn)練庫訓(xùn)練得到的特征矩陣。對于一個測試圖像塊轉(zhuǎn)化而成的列向量Ti∈Rm×1，則得到Ti非負(fù)矩陣分解后的編碼矩陣Fi∈Rr×1為：

Ti=WFi?Fi=(WTW)-1WTTi

(10)

式中：(WTW)-1WT是W的偽逆矩陣。對于測試圖像T=[T1,T2,…,Tn]獲得編碼矩陣F=[F1,F2,…,Fn]，n為一幅測試圖像包含的圖像塊的個數(shù)。

TMI的混合性區(qū)域是區(qū)域中像素來自兩種或兩種以上聚類感知區(qū)域，例如一個圖像塊有三分之一的亮區(qū)像素和三分之二的中間區(qū)像素。把亮區(qū)、暗區(qū)、中間區(qū)、混合區(qū)圖像塊分別進(jìn)行非負(fù)矩陣分解，對每個區(qū)域的編碼矩陣進(jìn)行直方圖分析，如圖4所示。

(a) 原圖 (b) 暗區(qū)系數(shù) (c) 中間區(qū)系數(shù) (d) 亮區(qū)系數(shù) (e) 混合區(qū)系數(shù)圖4 亮區(qū)、暗區(qū)、中間區(qū)、混合區(qū)編碼矩陣直方圖

可以看出，圖像暗區(qū)、中間區(qū)、亮區(qū)的編碼矩陣的系數(shù)值比較小，混合區(qū)系數(shù)有較大值。因此可以通過分析編碼矩陣的最大值來判斷顯著性區(qū)域，設(shè)閾值TH，定義顯著性區(qū)域S如下：

S={Ti|max(Fi)>TH,Fi=(WTW)-1WTTi}

i=1,2,…,n

(11)

信息熵能有效衡量圖像的信息量，根據(jù)式(6)對S的所有像素求信息熵獲得顯著性區(qū)域的信息量ES。顯著性區(qū)域面積越大，對圖像質(zhì)量的影響越大，因此提取顯著性區(qū)域的面積比例RatioS：

(12)

式中：N(·)函數(shù)表示計算圖像或者圖像塊的像素個數(shù)；I表示圖像。顯著性特征FS為：

FS={ES,RatioS}

1.3 自然度特征

HDR圖像經(jīng)過色調(diào)映射后可能會出現(xiàn)曝光過度或者曝光不足的現(xiàn)象，造成TMI看起來不自然。然而，高質(zhì)量的TMI不應(yīng)當(dāng)破壞其自然特性。TMI的自然度失真主要體現(xiàn)在圖像過亮、過暗、不自然的顏色，因此本文考慮基于亮度和顏色提取自然度特征。

(1) 亮度自然度特征。本文采用了TMQI[5]的自然度統(tǒng)計模型，該模型使用3 000幅包括動物、夜景、建筑、草地等14個不同類別場景的自然圖像。首先把每一幅圖像轉(zhuǎn)化成灰度圖像，然后把灰度圖像分割成11×11的圖像塊，分別求出每個圖像塊的均值與標(biāo)準(zhǔn)差，最后統(tǒng)計一幅圖像中所有圖像塊的均值與標(biāo)準(zhǔn)差的均值，獲得一幅圖像的均值和標(biāo)準(zhǔn)差。圖像的均值、標(biāo)準(zhǔn)差分別與高斯概率密度函數(shù)和Beta概率密度函數(shù)能夠很好地擬合。兩個概率密度函數(shù)計算如下：

(13)

(14)

式中：B(·)是Beta函數(shù)，模型的參數(shù)設(shè)置為μm=115.94，αm=27.99，αd=4.4，βd=10.1。TMQI的亮度和對比度的聯(lián)合概率如下：

(15)

式中：K是隨著Pm和Pd改變的標(biāo)準(zhǔn)化因子，K=max{Pm,Pd}使得統(tǒng)計自然度N標(biāo)準(zhǔn)化。

(2) 顏色自然度。本文采用Wang等[15]提出的基于顏色空間的自然度統(tǒng)計方法，該方法表明局部標(biāo)準(zhǔn)化顏色系數(shù)(local normalized color coefficients,LNCC)服從高斯分布，LNCC可以表示為：

(16)

式中：IC(i,j)是給定圖像的C顏色通道某個像素的值，(i,j)是圖像的空域坐標(biāo)。

(17)

(18)

采用廣義高斯函數(shù)(generalized Gaussian distribution,GGD)來擬合LNCC參數(shù)。GGD概率密度函數(shù)如下：

(19)

式中：Γ(·)是伽馬函數(shù)。β為:

(20)

如表3所示，RGB顏色空間自然度特征獲得了最好的性能，因此選擇RGB顏色空間來提取顏色自然度特征FC：

表3 RGB、LAB、YCbCr顏色空間自然度特征性能指標(biāo)

1.4 聚合策略

本文提取了聚類感知、顯著性區(qū)域、自然度三類特征共16個，設(shè)V是TMI的特征向量，可以表示為：

V={FC,FS,N,FC}

(21)

特征提取之后需要一個回歸模型來建立一個函數(shù)，這個函數(shù)能夠映射特征向量到主觀圖像質(zhì)量評價分。由于支持向量機(jī)(Support Vector Machine,SVM)在圖像處理領(lǐng)域得到廣泛的應(yīng)用，因此把訓(xùn)練圖像的特征向量和對應(yīng)的MOS值輸入支持向量機(jī)訓(xùn)練出一個預(yù)測模型f(·)，把測試圖像的特征向量輸入預(yù)測模型獲得圖像的客觀質(zhì)量預(yù)測值Q。

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)庫和性能指標(biāo)

本文在TMID數(shù)據(jù)庫上對提出的算法進(jìn)行了相關(guān)性能指標(biāo)驗證。TMID數(shù)據(jù)庫由加拿大滑鐵盧大學(xué)開發(fā)，數(shù)據(jù)庫中包括15幅不同場景的HDR圖像，在每一幅HDR圖像上使用8種TMO總共生成120幅TMI。主觀實驗邀請了20位測試人員，分別將每幅HDR圖像對應(yīng)的8幅TMI按主觀質(zhì)量的好壞進(jìn)行排序，序號1～8作為分?jǐn)?shù)，然后將每幅TMI的平均分作為主觀質(zhì)量分?jǐn)?shù)。

根據(jù)視頻質(zhì)量專家組(video quality expert group,VQEG)的建議，PLCC和SROCC兩個參數(shù)經(jīng)常被用來檢測各種圖像質(zhì)量評價方法的性能。SROCC用來評價客觀質(zhì)量評價算法和主觀評價的一致性。PLCC用來評價客觀質(zhì)量評價算法和主觀評價的準(zhǔn)確性。在計算PLCC之前，為了消除主觀質(zhì)量評價引入的非線性因素，需對客觀質(zhì)量評價結(jié)果和主觀質(zhì)量評價結(jié)果進(jìn)行非線性擬合，本文采用了五參數(shù)Logistic擬合方法。PLCC和SROCC值越大表示客觀質(zhì)量評價算法的性能越好。

2.2 訓(xùn)練集大小的影響

采用交叉驗證的方法來評價本文提出的無參考色調(diào)映射質(zhì)量評價方法。首先將TMID圖像庫中的TMI分為兩個不重疊的圖像子集。第一子集為訓(xùn)練圖像，包含了數(shù)據(jù)庫中120×n%的測試色調(diào)映射圖像，并用這部分圖像建立本文所需的預(yù)測模型。第二個子集為余下的120×(1-n%)色調(diào)映射圖像并作為測試圖像。為了消除性能偏差，本文隨機(jī)重復(fù)1 000次之前的訓(xùn)練-測試過程，并將這1 000次測試所得到的性能指標(biāo)的中值作為最終的性能指標(biāo)。如表4所示，隨著訓(xùn)練集尺寸的增大，預(yù)測模型的性能逐漸提高，但當(dāng)訓(xùn)練集達(dá)到80%時，SROCC性能指標(biāo)提升不再明顯。

表4 不同大小訓(xùn)練集的性能指標(biāo)

2.3 特征分析

本文算法提取了三類特征，具體包括聚類感知特征、自然度特征、顯著性區(qū)域特征，如表5所示。聚類感知特征包括全局信息熵、三個區(qū)域的信息熵、三個區(qū)域的面積比率，全局信息熵可以看作是整個圖像為一類的特殊情況。信息熵越大，說明圖像的信息量越大，對圖像分亮區(qū)、中間區(qū)、暗區(qū)提取的信息熵相對全局信息熵具有更好的性能指標(biāo)，說明對圖像聚類分區(qū)域感知圖像質(zhì)量的方法是有效的。三個區(qū)域信息熵特征和全局信息熵的組合顯著提升了性能指標(biāo)，說明三個區(qū)域信息熵特征可以彌補(bǔ)全局信息熵特征的不足。由于TMI圖像容易出現(xiàn)過曝光或欠曝光的區(qū)域，這些區(qū)域的大小會影響圖像的質(zhì)量，三個區(qū)域的面積比例RatioΩ和EL、EM、EH、EG的組合提升了性能指標(biāo)。自然度特征包括亮度通道特征N和RGB顏色通道特征FC，自然度顯然與聚類感知特征具有很好的互補(bǔ)性，自然度和聚類感知特征結(jié)合后性能指標(biāo)大大提高。顯著性區(qū)域提取的混合區(qū)域特征ES和塊比例RatioS結(jié)合使用比單獨使用效果好很多，說明這兩個特征具有互補(bǔ)作用。聚類感知特征、自然度、顯著性特征聯(lián)合使用后算法的性能指標(biāo)進(jìn)一步提高，說明顯著性特征對TMI質(zhì)量有一定的影響。

表5 本文算法中各特征的性能指標(biāo)

2.4 算法比較

為了驗證本文算法的準(zhǔn)確性和有效性，在TMID數(shù)據(jù)庫上與現(xiàn)有的代表性算法進(jìn)行了比較，如表6所示。選擇了有代表性的全參考和無參考圖像質(zhì)量評價方法作為對比。全參考圖像質(zhì)量評價方法包括TMQI[5]、FSITM[6]、NITI[16]。無參考圖像質(zhì)量評價方法包括BRISQUE[17]、BLIINDS-II[18]、Yue[11]、BTMQI[10]。TMQI、FSITM、NITI等專門為TMI設(shè)計的全參考圖像質(zhì)量評價方法要優(yōu)于BRISQUE、BLIINDS-II等針對LDR圖像的無參考圖像質(zhì)量評價方法，說明針對LDR的無參考圖像質(zhì)量評價方法不適合TMI的質(zhì)量評價。BTMQI的性能超越了TMQI、FSITM等全參考方法，說明對TMI質(zhì)量評價，無參考質(zhì)量評價方法也能取得很好的效果。實驗結(jié)果表明在TMID數(shù)據(jù)庫上，對于PLCC和SROCC兩個性能指標(biāo)，本文算法優(yōu)于現(xiàn)有代表性的算法。

表6 本文算法與代表性算法的比較

3 結(jié) 語

本文受Weber定律啟發(fā)，采用聚類感知TMI圖像的質(zhì)量。用K-means聚類算法把TMI分成暗區(qū)、中間區(qū)、亮區(qū)，提取三個區(qū)域的信息熵、面積比率和全局信息熵作為特征。通過分析圖像編碼矩陣的系數(shù)提取顯著性區(qū)域，并在顯著性區(qū)域提取信息熵、面積比率特征。在亮度和顏色通道提取了自然度特征。最后用SVM融合全部提取的特征獲得TMI的質(zhì)量分。實驗表明，本文算法在TMID數(shù)據(jù)庫上具有很好的性能。