论文部分内容阅读
随着颜色校正算法在图像处理领域的广泛应用,越来越多的校正算法被提出。然而,针对颜色校正结果进行评估的方法却很少。原因之一在于缺少颜色校正评估方法的测试数据集。因此,为了获得与用户主观感知相一致的颜色校正算法和对校正结果进行客观评估,本文首先创建一个针对颜色校正的数据集(Image Color Correction Database,ICCD)。ICCD数据集中的颜色差异涵盖多种类型和粒度,其中颜色差异类型包括亮度、色相、饱和度、曝光度、对比度以及RGB中的R和G通道,每类颜色差异包括3个修改粒度。本文挑选6种具有代表性的颜色校正算法对目标图像进行校正,并通过用户调查获得校正结果图像的主观平均得分值(Mean Opinion Score,MOS)。本文提出从图像质量评估的角度对颜色校正算法的结果图像进行评估。已有的评估方法由于不是针对颜色校正算法评估问题进行设计的,而且在全参考图像质量评估方法中要求提供和目标图像场景完全一样的参考图像,因此无法直接对场景不同的颜色校正结果进行评估。为解决场景相似但不相同而导致的无法直接评估的问题,本文通过尺度不变特征转换流(Scale-Invariant Feature Transform Flow,SIFT Flow)算法建立两个场景之间的映射关系,并生成匹配图像作为真正的参考图像进行评估,同时通过引入匹配图像的置信度图和目标图像的显著度图来提高评估的准确性。实验结果表明,与其它评估方法相比,本文提出的颜色校正评估方法与用户主观感知评估之间具有更高的相关性、单调性和准确性。进一步地,本文提出了一种基于机器学习的颜色校正评估方法,挖掘并综合各评估因素对校正结果质量的影响。机器学习的特征来自于本文提出的基于图像配准的全参考图像质量评估方法和图像显示适应评估方法。实验表明,基于机器学习的评估方法与主观感知评估具有较好的一致性,综合了各评估方法的优点,使评估结果与已有的方法相比有较大的提高。最后,基于本文提出的颜色校正评估方法,提出了最优参数自动选取方法和颜色校正结果图像的智能融合算法。最优参数自动选取方法为校正模型的参数进行智能地选取,使参数模型的校正效果最优。智能融合算法对多幅不同校正算法的结果图像进行智能选择与融合,生成一幅优于各单一校正结果的融合图像,达到智能融合的效果。