[0024] 以下参照附图并结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。
[0025] 本发明所涉及一种盲参考色调映射图像质量评价方法，包括以下步骤：
[0026] (1)、令ITM表示待评价的色调映射图像，其宽度为W，高度为H；令LTM表示ITM的亮度分量图，其像素总个数为N＝W×H；
[0027] (2)、将LTM中的像素值降序排列，得到一个维数为N×1的列向量P，取向量P的第MB个值作为高亮区域的阈值，记为TB；取向量P的第MD个值作为低亮区域的阈值，记为TD，MB和MD均取n个值，MB＝[MB1，MB2，...,MBn]，MD＝[MD1，MD2，...,MDn]，因此，TB和TD也均有n个值，TB＝[TB1，TB2，...,TBn]，TD＝[TD1，TD2，...,TDn]；
[0028] (3)、将LTM中大于TB的区域像素值置为1，其它区域像素值置为0，得到图像的高亮区域二值图像，记为RB，RB＝[RB1，RB2，...,RBn]；将LTM中小于TD的区域像素值置为1，其它区域像素值置为0，得到图像的低亮区域二值图像，记为RD，RD＝[RD1，RD2，...,RDn]；
[0029] (4)、使用结构元A分别对图像RB和RD先进行开运算再进行闭运算，得到连通的高亮区域二值图像和低亮区域二值图像，分别记为R'B和R'D，R'B＝[R'B1，R'B2，...,R'Bn]，R'D＝[R'D1，R'D2，...,R'Dn]；
[0030] (5)、计算LTM的信息熵，作为LTM的全局细节信息特征，记为EG；计算R'B和R'D的信息熵，作为LTM的局部细节信息特征，分别记为ELB和ELD，ELB＝[ELB1，ELB2，...,ELBn]，ELD＝[ELD1，ELD2，...,ELDn],将所有细节信息特征构成LTM的细节信息特征向量，记为fdetails，fdetails＝[EG,ELB,ELD]，其维数为2n+1；
[0031] (6)、对LTM进行去均值和对比度归一化，得到MSCN系数，记为DL，利用广义高斯分布对DL进行直方图拟合，得到其拟合参数：均值μL、标准差 峰度kL和偏度sL，并将μL、 kL和sL作为亮度通道的自然度特征；
[0032] (7)、提取ITM的黄色通道图像，记为YTM， 对YTM进行处理，即提取YTM的标准差矩阵，记为σY，提取σY的MSCN系数，记为DY，利用广义高斯分布对DY进行直方图拟合，得到拟合参数：优度gY，gY作为黄色通道的自然度特征；
[0033] (8)、将步骤(6)中得到的亮度通道的自然度特征和步骤(7)中得到的黄色通道的自然度特征按序构成ITM的自然度特征向量，记为fnaturalness， 其维数为5；
[0034] (9)、将ITM从RGB空间转换到HSV颜色空间，提取它的饱和度分量图像和亮度分量图像，分别记为STM和VTM，对STM和VTM进行处理，即使用三分法则分别将STM和VTM分为3×3个互不重叠的尺寸大小为 的图像块，然后分别计算STM和VTM中所有图像块对应的均值，得到饱和度向量和亮度向量，分别记为S和V，S＝[s1,s2,...,si,...,s9]，V＝[v1,v2,...,vi,...,v9]，其中si表示饱和度分量中第i个图像块的均值，vi表示亮度分量中第i个图像块的均值，将S和V分别作为美学特征得到ITM的美学特征，记为faesthetic，faesthetic＝[S,V]，其维数为18；
[0035] (10)、将以上步骤中得到的所有特征按序构成ITM的感知质量特征向量，记为F，表示为F＝[fdetails,fnaturalness,faesthetic]；
[0036] (11)、将F作为输入量，实用随机森林技术，计算得到ITM的客观质量评价值。
[0037] 上述步骤中，符号 为向下取整运算符号，符号“[]”为向量表示符号。
[0038] 实施例1：
[0039] 一种盲参考色调映射图像质量评价方法，包括以下步骤：
[0040] (1)、令ITM表示待评价的色调映射图像，其宽度为W，高度为H；令LTM表示ITM的亮度分量图，其像素总个数为N＝W×H；
[0041] (2)、将LTM中的像素值降序排列，得到一个维数为N×1的列向量P，取向量P的第MB个值作为高亮区域的阈值，记为TB；取向量P的第MD个值作为低亮区域的阈值，记为TD，MB和MD均取3个值， 因此，TB和TD也均有3个值，TB＝[TB1，TB2,TB3]，TD＝[TD1，TD2，TD3]；
[0042] (3)、将LTM中大于TB的区域像素值置为1，其它区域像素值置为0，得到图像的高亮区域二值图像，记为RB，RB＝[RB1，RB2，RB3]；将LTM中小于TD的区域像素值置为1，其它区域像素值置为0，得到图像的低亮区域二值图像，记为RD，RD＝[RD1，RD2，RD3]；
[0043] (4)、使用半径为3个像素值的圆盘型结构A分别对图像RB和RD先进行开运算再进行闭运算，得到连通的高亮区域二值图像和低亮区域二值图像，分别记为R'B和R'D，R'B＝[R'B1，R'B2，R'B3]，R'D＝[R'D1，R'D2，R'D3]；
[0044] (5)、计算LTM的信息熵，作为LTM的全局细节信息特征，记为EG；计算R'B和R'D的信息熵，作为LTM的局部细节信息特征，分别记为ELB和ELD，ELB＝[ELB1，ELB2，ELB3]，ELD＝[ELD1，ELD2，ELD3],将所有细节信息特征构成LTM的细节信息特征向量，记为f1、f2、f3、f4、f5、f6、f7；
[0045] (6)、对LTM进行去均值和对比度归一化，得到MSCN系数，记为DL，利用广义高斯分布对DL进行直方图拟合，得到其拟合参数：均值μL、标准差 峰度kL和偏度sL，并将μL、 kL和sL作为亮度通道的自然度特征，记为f8、f9、f10、f11；
[0046] (7)、提取ITM的黄色通道图像，记为YTM， 对YTM进行处理，即提取YTM的标准差矩阵，记为σY，提取σY的MSCN系数，记为DY，利用广义高斯分布对DY进行直方图拟合，得到拟合参数：优度gY，gY作为黄色通道的自然度特征，记为f12；
[0047] (8)、将ITM从RGB空间转换到HSV颜色空间，提取它的饱和度分量图像和亮度分量图像，分别记为STM和VTM，对STM和VTM进行处理，即使用三分法则分别将STM和VTM分为3×3个互不重叠的尺寸大小为 的图像块，然后分别计算STM和VTM中所有图像块对应的均值，得到饱和度向量和亮度向量，分别记为S和V，S＝[s1,s2,...,si,...,s9]，V＝[v1,v2,...,vi,...,v9]，其中si表示饱和度分量中第i个图像块的均值，vi表示亮度分量中第i个图像块的均值，将S和V分别作为美学特征得到ITM的美学特征，记为f13、f14、...、f30；
[0048] (9)、将以上步骤中得到的所有特征按序构成ITM的感知质量特征向量，记为F，表示为F＝[f1,f2,...,f30]，其维数为30；
[0049] (10)、将F作为输入量，实用随机森林技术，计算得到ITM的客观质量评价值。
[0050] 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。
[0051] 在本实施例中，选取两个公开的权威色调映射图像数据库TMID、ESPL‑LIVEHDR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，包括色调映射算子数目、色调映射图像数目和主观测试人数。其中每个数据库都提供了每幅色调映射图像的平均主观评分值。
[0052] 表1权威色调映射图像数据库的各项指标
[0053]
[0054] 接下来，分析利用本发明方法获取的每幅色调映射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，根据VQEG给出的图像质量评价模型参考标准，选取Pearson线性相关系数(Pearson linear correlation coefficient,PLCC)、Spearman秩相关系数(Spearman rank‑order correlation coefficient,SROCC)及Kendall秩相关系数(Kendall’s rank‑order correlation coefficient,KROCC)三个参数来检测评价方法的性能。PLCC、SROCC和KROCC的取值范围均为[0,1]，其值越接近1，表明客观评价方法越好，反之，越差。
[0055] 对于上述TMID、ESPL‑LIVE HDR数据库中所有的色调映射图像，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色调映射图像的客观质量评价值，然后将客观质量评价预测值与对应的平均主观评分差值进行四参数Logistic函数非线性拟合，最后得到客观评价结果与主观感知之间的性能指标值。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图像客观质量评价方法在TMID和ESPL‑LIVE HDR两个色调映射图像数据库上进行了比较分析。在TMID数据库上性能指标如表2所示，在ESPL‑LIVE HDR数据库上性能指标如表3所示，其中TMQI、FSITM和NITI是针对色调映射图像的全参考方法，BLIINDS‑II和BRISQUE是传统图像的无参考方法，BTMQI和HIGRADE是针对色调映射图像的无参考方法。从两个表中数据看出，本发明方法在两个数据库上都拥有最佳的性能，与人眼主观感知有很强的一致性。
[0056] 表2本发明方法与现有图像客观质量评价方法在TMID数据库上的性能比较
[0057]
[0058]
[0059] 表3本发明方法与现有图像客观质量评价方法在ESPL‑LIVE HDR数据库上的性能比较
[0060]
