一种基于机器学的颜色校正评估方法

摘要

本发明涉及一种基于机器学的颜色校正评估方法，包括以下步骤：S1：输入参考图像和目标图像，目标图像即为失真图像，采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取，获得特征集F1；S2：采用图像重定向评估方法对目标图像进行特征提取，获得特征集F2；S3：综合特征集F1和F2，将其作为机器学算法的特征集F，并通过机器学算法和三等分交叉验证方法学得出客观评估模型；S4：采用客观评估模型对目标图像进行客观评估，得到最终的目标图像的质量评估得分值。该方法可有效的对图像间颜色一致性进行评估，与用户主观感知之间具有较高的相关性与准确性。

主权项

一种基于机器学习的颜色校正评估方法，其特征在于，包括以下步骤：步骤S1：输入参考图像和目标图像，目标图像即为失真图像，采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取，获得特征集F1；步骤S2：采用图像重定向评估方法对目标图像进行特征提取，获得特征集F2；步骤S3：综合特征集F1和F2，将其作为机器学习算法的特征集F，并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型；步骤S4：采用客观评估模型对目标图像进行客观评估，得到最终的目标图像的质量评估得分值；在步骤S1中，采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取，具体包括以下步骤：步骤S11：采用图像配准算法SIFT Flow对参考图像和目标图像进行图像配准，生成匹配图像作为新的参考图像；步骤S12：采用结构相似度评估方法SSIM对目标图像和匹配图像进行相似度评估，生成置信度图C；步骤S13：采用图像显著度求解方法GBVS对目标图像进行显著度求解，生成显著度图S；步骤S14：分别采用MSE、PSNR、UQI、SSIM、MAD、FSIM、GSM、CID和VSI这9种全参考图像质量评估方法对目标图像进行质量评估，生成质量图Q_k，k＝1,2,…,9，分别对应MSE、PSNR、UQI、SSIM、MAD、FSIM、GSM、CID和VSI算法；步骤S15：将置信度图C和显著度图S作为权重值，对质量图Q_k进行加权求和，得到最终的特征值f1_k，计算公式为：$f{1}_k=\underset{i}{\overset{p}{\Sigma }}\underset{j}{\overset{q}{\Sigma }}W(i,j)*Q_k(i,j)/\underset{i}{\overset{p}{\Sigma }}\underset{j}{\overset{q}{\Sigma }}W(i,j)$W(i，j)＝C(i，j)*S(i，j)其中，p、q为目标图像的行数和列数，i、j为图像的当前行和当前列，C(i,j)为置信度图中第i行、第j列的像素值，S(i,j)为显著度图中第i行、第j列的像素值，Q_k(i,j)为第k种全参考图像质量评估方法求出的目标图像的质量图中第i行、第j列的像素值；步骤S16：采用得到的特征值f1_k组成特征集F1＝{f1₁,f1₂,…,f1₉}。