|
|
|
发布时间: 2017-07-16 |
图像处理和编码 |
|
|
|
戴雨彤1, 姜晓彤1, 唐慧2|
收稿日期: 2016-11-07; 修回日期: 2017-04-13
基金项目: 江苏省自然科学基金项目（BK20150647）
第一作者简介: 戴雨彤(1993—), 女, 东南大学仪器科学与工程学院仪器科学与技术专业硕士研究生, 主要研究方向为运动载体仿真与虚拟现实技术。E-mail:daiyutong2015@163.com
中图法分类号: TP391
文献标识码: A
文章编号: 1006-8961(2017)07-0886-11
|
摘要
目的 提出一种亮度、对比度、饱和度三要素与神经网络相结合的家装设计渲染图增强方法。 方法 该方法分析了图像增强的3个要素：亮度、对比度和饱和度。算法从下列几个方面着手进行三要素的调节：1）根据原图饱和度和图像融合方法实现亮度和对比度增强；2）采用颜色矩阵实现饱和度增强；3）采用直方图均衡实现对比度进一步增强。这3个要素对图像增强的效果均有贡献，本文为三要素分别赋予一个权值，并引入神经网络方法，自动建立图像亮度分量均值、方差和饱和度分量均值、方差与三要素的权值系数的非线性映射关系。 结果 根据图像本身的信息自动获取图像增强三要素的增强系数，实现家装设计渲染图的自适应增强。算法的有效性在不同程度偏灰暗的家装设计渲染图上得到了验证，并与几种经典方法进行了直方图、信息熵、平均对比度（AC）和平均灰度（AG）的定量比较。实验结果显示，本文算法实验结果的直方图具有很少的信息丢失和较好的特征保持，与遗传算法相比，信息熵提高了约0.2，AC值提高了约0.1，AG值提高了约15，本文算法在多数情况下评价指标优于改进的直方图方法。 结论 通过对实验结果的直观评价与定量评价，证明与某些现有的方法相比，本文方法适用于不同程度偏灰暗的渲染图，具有较好的通用性，并能达到更优的渲染图像增强效果。
关键词
家装设计渲染图; 自适应增强; 增强系数; 神经网络; 定量评价
Dai Yutong1, Jiang Xiaotong1, Tang Hui2Abstract
Objective Rendering technology is used in many industries, including home decoration, to improve the visual effects of images or videos. Designers use this technology to produce real and attractive designs. The quality of a rendered image of home decoration design relies on the quality of design parameters, such as sharpness or colorfulness, which depend on the renderer. The rendered images usually have few problems with sharpness because they are always partially gray due to the fixed parameters of the renderer and the multiple parameters of complex light. As such, manual optimization is necessary; this process requires a considerable amount of time and energy of the designer and cannot avoid subjectivity. Few enhancement methods have been developed to enhance the quality of rendered images but cannot yield acceptable results. In this paper, an adaptive enhancement method is proposed to deal with the rendered home decoration design images; the method combines three image enhancement elements, including brightness, contrast, and saturation by the neural networks. Method The proposed method combines different algorithms to improve the three elements of image enhancement and uses the neural networks to learn the subjective parameters of the rendered images. First, the image enhancement method based on the saturation of an original image is used to enhance the brightness and contrast of the image, wherein the saturation component of the color image is computed in the HSI color space. Two different exposed images are generated using weighting function method. The enhanced image is obtained by fusing the original image and the two exposed images. However, contrast enhancement is still insufficiently strong because the algorithm is mainly aimed at enhancing the brightness. Therefore, the histogram equalization is added in to further enhance the contrast because it is simple to understand and calculate. In many conditions, histogram equalization will not produce ideal results due to the noises in images, while this problem is disregarded in the rendered images. In consideration of the similarity between brightness and contrast, the two algorithms are fused with two enhancement factors. Finally, a color matrix is used to enhance the saturation in the RGB color space. The saturation enhancement is also provided as an enhancement factor to be fused with the brightness and the contrast because of the connections among them. The nonlinear mapping relation between the mean and variance of the brightness, the mean and variance of saturation of the original image and the enhancement factors of brightness, contrast, and saturation is established based on the neural networks. Result Conventional image enhancement methods cannot acceptably and automatically enhance the rendered images because the features of the rendered images are special and the enhancement needs to meet human visual system(HVS) as well. In the proposed method, the enhancement factors are automatically determined according to the neural networks established on three different algorithms to realize the adaptive enhancement of the rendered images. The effectiveness of the proposed algorithm is verified on few rendered home decoration design images that are partially gray in different degrees. These experimental images are all designed by the same designer in case of few unnecessary errors. The proposed method is also compared with few classical image enhancement algorithms by the histogram, information entropy, average contrast(AC), and average gray(AG). Experimental results present that the histograms of the processed images have very few information loss and maintain features very well. In addition, information entropy, AC, and AG of the processed images considerably increased compared to those of the original images. Compared to the other methods, the proposed method can achieve a higher increase in degree on these quantitative evaluations. Experimental results show that the proposed method can effectively enhance the rendered images adaptively. Conclusion Experimental results show that the proposed method can properly enhance the brightness, contrast, and saturation of the rendered images with different degrees, which proves its suitability for the enhancement of partially gray rendered images. Furthermore, the proposed method is also easy and fast to compute. However, we cannot deny that this method has few limitations on the conditions wherein the materials are more reflective than normal situations. In addition, the sunlight is simultaneously very strong, resulting in extremely colorful and unreal reflective materials. Hence, the method should be further studied to adapt to few extreme situations.
Key words
rendered home decoration design images; adaptive enhancement; enhancement factors; neural network; quantitative assessment
0 引言
随着互联网家装行业的发展，越来越多的顾客选择请设计师用电脑软件设计出室内装修3D效果图，达到预览设计效果的目的，这一需求促进了3维设计软件的蓬勃发展。渲染图由渲染器渲染得到，由于渲染器参数固定且涉及灯光等多项参数，渲染完成后通常偏灰暗，达不到理想的视觉效果，需要设计师的进一步修图，这无疑增加了许多工作量。因此本文从图像增强入手，研究自适应增强设计渲染图的方法。
直方图均衡(HE)是常用的图像增强方法[1]，该方法简单快速，但容易造成细节丢失和过增强。为了弥补HE方法的缺陷，Ooi等人[2]提出了具有平稳阈值的直方图均衡化算法(BHEPL)，该算法根据图像亮度均值
也有很多不使用直方图的图像增强方法被提出。Hashemi等人[7]提出基于遗传算法(GA)的图像增强方法，根据输入图像中存在的灰度级初始化染色体编码，经过选择、交叉、变异操作，根据个体的适应性不断进化，最终选出当前最佳的个体，通过映射函数变换得到增强后的图像，该方法对彩色图像同样适用。Meylan等人[8]提出基于单一尺度的Retinex理论色调映射算法压缩处理高动态范围图像的动态范围，使其结果符合人眼视觉特性。神经网络在图像处理中的应用也很多，Egmontpetersen在2002年发表的综述中就对应用于图像处理的神经网络方法进行了分类总结[9]，其中包括使用回归神经网络进行图像增强；Narnaware等人[10]提出将神经网络与模糊逻辑结合的图像增强方法，通过训练神经网络对图像噪声进行分类，然后交给模糊逻辑进行噪声处理；谭海曙等人将神经网络应用于图像增强[11]，根据图像特征参数将原始图像与高频分量加权，计算量小，但使用的增强算法不适用于彩色渲染图。
文献[10-11]等方法都是通过神经网络与基本图像增强方法的结合实现了图像的自适应增强，将两者结合的优势在于用机器学习提取规律取代人为操作，既能减少计算量，又能取得更符合人眼视觉特性的结果。本文的目的是研究能够自适应增强渲染图的方法，并且模拟出设计师人工优化渲染图的效果，因此选择在基本图像增强方法基础上采用神经网络对大量样本图像进行学习，从而取得与设计师优化渲染图更接近的效果。
首先，参考设计师人工修图的方法，将图像增强过程分成亮度增强、对比度增强、饱和度增强三部分。考虑到彩色图像中亮度和对比度具有极高的相似性，增强过程中两者通常伴随变化，将彩色渲染图亮度增强和对比度增强两种方法通过赋予权值进行融合。实验中需对大量设计师完成的优化图像进行规律提取，从而确定权值，因此在此采用神经网络进行学习，并且在神经网络学习工程中再加入饱和度增强因子，最终得到输入特征与亮度、对比度、饱和度各自权值的非线性映射关系。实验表明该方法对于不同程度偏灰暗的家装设计渲染图增强效果都较好，亮度、对比度、饱和度均适当增强，视觉效果较原图明显优化。
1 图像增强算法
1.1 HSI彩色模型
1.2 亮度、对比度、饱和度增强算法
1.2.1 亮度增强
Lee等人[14]研究了一种针对逆光照明彩色图像的增强方法，根据原图饱和度和图像融合增强图像，整体提高图像中背光部分亮度，对比度也得到较好的保证。将这种方法应用到HSI空间。
在HSI空间，饱和度
| $S = 1 - 3\frac{{\min \left\{ {R,G,B} \right\}}}{{R + G + B}}$ | (1) |
根据人眼对亮度变化遵循对数规则的实验结果[13]，定义指数权重函数为
| $E = {2^s}$ | (2) |
式中，
| ${I_1} = 1.5 \times E \times {I_0}$ | (3) |
| ${I_2} = E \times {I_0}$ | (4) |
式中，
| $J = \frac{{\sum\limits_{k = 0}^2 {{W_K}{I_K}} }}{{\sum\limits_{k = 0}^2 {{W_K}} }}\left( {k = 0,1,2} \right)$ | (5) |
式中，权重函数为
| ${W_K} = \exp \left( { - 0.5 \times {{\left( {\frac{{{I_K} - 0.5}}{{0.5}}} \right)}^2}} \right)$ | (6) |
式(6) 在图像融合的过程中确定[15]。通过根据原图饱和度采取上述方法进行亮度增强的同时对比度也得到一定的增强，但对于对比度较低的设计渲染图还需进一步提高对比度。
1.2.2 对比度增强
设计渲染图受外界干扰较小，增强时不存在保持亮度与放大噪声的问题，且采用上述图像增强算法后对比度得到了一定的增强，因此采用直方图均衡进一步提高对比度。直方图均衡化处理将灰度分量分布扩展到整个范围[0, 1]，具有较高的对比度。进行直方图均衡图像亮度分量记为
上述亮度、对比度增强都对图像HSI模型的Ⅰ分量进行，将两者的增强结果加权融合得到效果叠加，融合表达式为
| ${I_{{\rm{Mod}}}} = \alpha J + \beta {J_C}$ | (7) |
式中，
1.2.3 饱和度增强
饱和度增强根据颜色矩阵在RGB模型实现，即
| $\left\{ {\begin{array}{*{20}{l}} {R\prime = ({s_r} + s) \times R + {s_g} \times G + {s_b} \times B}\\ {G\prime = {s_r} \times R + ({s_g} + s) \times G + {s_b} \times B}\\ {B\prime = {s_r} \times R + {s_g} \times G + ({s_b} + s) \times B}\\ {{s_r} = \left( {1 - s} \right) \times 0.308{\rm{ }}6}\\ {{s_g} = \left( {1 - s} \right) \times 0.609{\rm{ }}4}\\ {{s_b} = \left( {1 - s} \right) \times 0.082{\rm{ }}0} \end{array}} \right.$ | (8) |
式中，
2 基于神经网路的系数选择
由式(7)(8) 可知，算法中需要确定的系数有
2.1 BP神经网络模型
2.2 网络训练
训练数据的准备是训练神经网络的基础工作，输入量必须选取对输出影响大且便于提取的量，并且要求相互之间相关性小。本文选取亮度均值、亮度标准差、饱和度均值、饱和度标准差作为输入，分别反映亮度、对比度和饱和度的分布，充分考虑了算法需要调整的对象。提取输入输出数据步骤为：首先选取100幅原始的家装设计渲染图，计算其亮度均值、亮度标准差、饱和度均值、饱和度标准差，再收集这100幅渲染图对应经同一位专业人员优化过的图像，根据增强效果及参数对比经过多次实验确定系数
训练数据准备好后，利用MATLAB神经网络工具箱建立一个两层BP网络，具有4个输入端，隐含层有10个神经元，神经元数目根据经验和实际训练效果确定，最大训练次数200次，最小均方差0.01，
| ${a^1} = tansig(I{W^{1,1}}{p^1} + {b^1})$ | (9) |
| ${a^2} = logsig(I{W^{2,1}}{a^1} + {b^2})$ | (10) |
式中，
采用准备好的输入输出数据对神经网络进行训练，建立反映图像特征的量与输出参数之间的映射关系。
3 图像增强质量评价
3.1 信息熵
熵是图像所具有的信息量的度量，图像含有的信息越丰富，图像质量越好，因此熵越大表明图像质量越好。灰度图像求熵的表达式为
| $InEn = - \sum\limits_{i = 0}^{255} {p\left( i \right){\rm{lo}}{{\rm{g}}_2}p\left( i \right)} $ | (11) |
式中，
| $InE{n_c} = \frac{1}{{\sqrt 3 }}\sqrt {InEn_R^2 + InEn_G^2 + InEn_B^2} $ | (12) |
3.2 平均对比度AC
人类视觉对图像的认知建立在有不同灰度信息存在的基础上，因此AC能够一定程度地反映图像的视觉质量，对于对比度较小的图像，增强后AC值需要增大。
彩色图像AC值的计算先分别计算RGB各分量的AC值，再求整体。计算每个分量AC值，又分别先计算
| $\begin{array}{*{20}{c}} {A{C_x} = \frac{1}{{\left( {M - 1} \right)\left( {N - 1} \right)}}{\text{ }}} \\ {\sum\limits_{y = 0}^{N - 2} {\sum\limits_{x = 0}^{M - 2} {\left| {R\left( {x,y} \right) - R\left( {x + 1,y} \right)} \right|} } } \end{array}$ | (13) |
式中，
| $AC = \frac{1}{{\sqrt 2 }}\sqrt {AC_x^2 + AC_y^2} $ | (14) |
最后求图像整体合成平均对比度
| $A{C_c} = \frac{1}{{\sqrt 3 }}\sqrt {AC_{\text{R}}^2 + AC_{\text{G}}^2 + AC_{\text{B}}^2} $ | (15) |
3.3 平均灰度AG
图像的亮度可以由AG度量，彩色图像每个像素点灰度为
| $\begin{array}{*{20}{c}} {Gray\left( {x,y} \right) = 0.3R\left( {x,y} \right) + } \\ {0.59G\left( {x,y} \right) + 0.11B\left( {x,y} \right)} \end{array}$ | (16) |
式中，
| $AG = \frac{1}{{M \times N}}\sum\limits_{y = 0}^{N - 1} {\sum\limits_{x = 0}^{M - 1} {Gray\left( {x,y} \right)} } $ | (17) |
4 实验结果与分析
实验中用于测试的计算机CPU型号为i3-2330M，主频2.20 GHz，内存4 GB，测试的软件环境为：Microsoft windows 7系统，MATLAB 2012。首先根据2.2节介绍的内容训练神经网络，完成训练后另外选取10幅设计渲染图原图，将这10幅渲染图的亮度均值、亮度标准差、饱和度均值、饱和度标准差作为输入，用神经网络训练得到的规律对其进行增强。
在前文所提及的图像增强方法中，文献[6]中的改进直方图方法和文献[7]中的遗传算法都被证明在较暗的图像中增强效果很好，比较符合渲染图偏灰暗特质，因此将这两种方法应用到本文实验所用10幅渲染图中与本文算法进行对比。HE是经典的图像增强方法[1]，也加入实验进行对比。
图 3(a)展示了略偏灰的家装设计渲染图；用本文算法增强后的图像如图 3(e)所示；图 3(b)—(d)分别展示了对渲染图亮度分量采用HE[1]、文献[6]中的改进直方图方法、文献[7]中的遗传算法增强后的图像。图 3(a)—(e)这5幅图像亮度分量直方图分布分别如图 4(a)—(e)所示。
图 4(a)原图亮度分量直方图分布更多地集中在0.5 0.65的中间部分，因此亮度、对比度略偏小。图 4(b)经过HE的亮度分量直方图虽然得到了拉伸，但中间部分比较稀疏，导致部分细节丢失，并存在过度拉伸的问题。图 4(c)经改进的直方图增强的亮度分量较好地保持了原图直方图形状，但整体亮度过大。图 4(d)经遗传算法增强的亮度分量较好地保持了原图直方图形状，并且亮度、对比度有一定增强，但直方图稀疏反映出图像细节的丢失。经过本文算法增强，图 4(e)直方图分布更多地集中在0.5 0.8，相比于图 4(a)整体分布右移，且更加均匀、得到了一定程度的拉伸，亮度、对比度均得到一定的增强，同时保持了图像的细节。图 4直方图反映出的信息与图 3直观的增强结果基本一致。
用信息熵、AC、AG对图 3(b)—(e)做进一步量化评价，实验结果如表 1所示。从表 1可以看出，经HE增强后的图像信息熵、AC最大，结合图 3(b)可知这也正反映出图像的对比度过增强，同时AG值较小，图像比较暗。改进的直方图增强后的图像信息熵最小，AC、AG值均比较大，结合图 3(c)可见该方法增强后细节丢失，对比度、亮度过增强。遗传算法增强后的图像信息熵较原图有所减小，AC、AG值均有适当增大，结合图 3(d)可见该方法增强后对比度、亮度适当增强，但也存在细节丢失的现象。本文算法增强后信息熵、AC、AG均一定程度增大，且AC、AG比采用遗传算法的AC、AG值大一些，结合图 3(e)可见本文算法增强后的图像与原图相比亮度、对比度及质量都有较大提高，且增强效果较采用的其他几种方法更好。
图 5(a)展示了相比于图 3(a)整体更暗的渲染图，由于灯光不足且自然光入射较少，渲染器无法保证其较好的光照。这张图用本文算法增强的效果如图 5(e)所示；对亮度分量分别采用HE、文献[6]中改进的直方图方法、文献[7]中基于遗传算法的方法增强的效果如图 5(b)—(d)所示。从图 5的实验结果可以看出，直接对图像的亮度分量进行HE导致过亮，画面整体泛白，细节丢失严重；采用改进的直方图均衡图像亮度、对比度有一定增强，但强度不够，也略微泛白；采用遗传算法增强的图像色彩丰富度较低，整体暗淡；本文方法能够使画面提亮一些，弥补了灯光不足的缺陷，并且画面色彩比较丰富。图 5(a)—(e)亮度分量直方图分布分别显示在图 6(a)—(e)中。
从图 6(e)可以看出，本文算法对于灯光不足的很暗的图像能够一定程度上增大亮度和对比度，且不违背渲染图本身给人的视觉感受，直方图变化能够保持原始渲染图的基本规律；而图 6(b)存在过度拉伸的问题，丢失了渲染图本身特征；图 6(c)较好地保持了直方图的形状并有一定的增强，但中间部分比较稀疏，丢失一些细节信息；图 6(d)也存在细节丢失问题。图 6直方图反映的信息与图 5给人的直观感受基本一致。
用信息熵、AC、AG对图 5(b)—(e)进一步量化分析结果如表 2所示。由表 2可以看出，HE方法增强后的图像信息熵、AC、AG都最大，结合图 5(b)可知该方法的过度增强；改进的直方图方法增强后的图像3个值均有所增加，与本文算法相比AG、信息熵值较小，结合图 5(c)可见亮度、色彩度没有本文算法增强结果好；而采用遗传算法增强的图像信息熵、AC、AG这3个值较原图变化都不大，结合图 5(d)可见其增强效果不明显。本文算法增强后的图像3个值均适当增加，结合图 5(e)反映增强后的图像与原图相比亮度、对比度及质量都有较大提高，且增强效果较采用的其他几种方法更好。
5 结论
本文提出的家装设计渲染图增强方法充分考虑了渲染图特质，针对其不同程度偏灰暗的特点从亮度、对比度和饱和度三方面进行增强。考虑到亮度和对比度的密切相关性，将这两个要素的增强通过加权融合，然后再融入饱和度增强，并且考虑人眼视觉特性，为找寻设计师优化图像存在的一定规律，3个要素的权值系数通过神经网络训练自动求得。实验结果表明，该方法对于不同程度偏灰暗的家装设计渲染图增强效果明显，实验中视觉感知图像质量的质量参数也反映该方法增强效果符合人类视觉特性。但本文方法在存在反光较大的材质并且光照比较强的情况下也存在一定的局限性，比如阳光下的油木地板，会出现地板颜色增强后过于鲜艳的现象。因此在后续研究中需要进一步考虑亮度值比较极端的情况。
参考文献
-
[1] Lim S H, Isa N A M, Ooi C H, et al.A new histogram equalization method for digital image enhancement and brightness preservation[J]. Signal, Image and Video Processing, 2015, 9(3): 675–689. [DOI:10.1007/s11760-013-0500-z]
-
[2] Ooi C H, Kong N S P, Ibrahim H.Bi-Histogram equalization with a plateau limit for digital image enhancement[J]. IEEE Transactions on Consumer Electronics, 2009, 55(4): 2072–2080. [DOI:10.1109/TCE.2009.5373771]
-
[3] Hu Q, Wang R G, Hu W W, et al.Color image enhancement based on histogram segmentation[J]. Journal of Image and Graphics, 2009, 14(9): 1776–1781. [胡琼, 汪荣贵, 胡韦伟, 等. 基于直方图分割的彩色图像增强算法[J]. 中国图象图形学报, 2009, 14(9): 1776–1781. ] [DOI:10.11834/jig.20090910]
-
[4] Nakai K, Hoshi Y, Taguchi A. Color image contrast enhacement method based on differential intensity/saturation gray-levels histograms[C]//International Symposium on Intelligent Signal Processing and Communications Systems. Naha: IEEE, 2013: 445-449. [DOI:10.1109/ISPACS.2013.6704591]
-
[5] Nakajima N, Taguchi A. Intensity/saturation enhancement based on differential gray-levels histogram equalization[C]//Proceedings of 2014 IEEE Asia Pacific Conference on Circuits and Systems. Ishigaki: IEEE, 2014: 527-530. [DOI:10.1109/APCCAS.2014.7032835]
-
[6] Arici T, Dikbas S, Altunbasak Y.A histogram modification framework and its application for image contrast enhancement[J]. IEEE Transactions on Image Processing, 2009, 18(9): 1921–1935. [DOI:10.1109/TIP.2009.2021548]
-
[7] Hashemi S, Kiani S, Noroozi N, et al.An image contrast enhancement method based on genetic algorithm[J]. Pattern Recognition Letters, 2010, 31(13): 1816–1824. [DOI:10.1016/j.patrec.2009.12.006]
-
[8] Meylan L, Süsstrunk S.High dynamic range image rendering with a retinex-based adaptive filter[J]. IEEE Transactions on Image Processing, 2006, 15(9): 2820–2830. [DOI:10.1109/TIP.2006.877312]
-
[9] Egmont-Petersen M, de Ridder D, Handels H.Image processing with neural networks—a review[J]. Pattern Recognition, 2002, 35(10): 2279–2301. [DOI:10.1016/S0031-3203(01)00178-9]
-
[10] Narnaware S, Khedgaonkar R. Image enhancement using artificial neural network and fuzzy logic[C]//Proceedings of 2015 International Conference on Innovations in Information, Embedded and Communication Systems(ICⅡECS). Coimbatore: IEEE, 2015: 1-5. [DOI:10.1109/ICⅡECS.2015.7193203]
-
[11] Tan H S, Zhou F Q, Xiong Y, et al.Adaptive enhancement of image brightness and contrast based on neural networks[J]. Journal of Optoelectronics·Laser, 2010, 21(12): 1881–1884. [谭海曙, 周富强, 熊瑛, 等. 基于神经网络的图像亮度和对比度自适应增强[J]. 光电子·激光, 2010, 21(12): 1881–1884. ]
-
[12] Gui J Z, Chen Y, Miao J, et al.Luminance uniformity evaluation for LED display panel based on HVS[J]. Chinese Journal of Liquid Crystals and Displays, 2012, 27(5): 658–665. [桂劲征, 陈宇, 苗静, 等. 基于HVS的LED显示屏亮度均匀性评估方法[J]. 液晶与显示, 2012, 27(5): 658–665. ] [DOI:10.3788/YJYXS20122705.0658]
-
[13] [Gonzalez R C, Woods R E. 数字图像处理[M]. 阮秋琦, 阮宇智, 译. 3版. 北京: 电子工业出版社, 2011: 257-259.]
-
[14] Lee S L, Tseng C C. A back lighting color image enhancement method using color saturation and image fusion[C]//Proceedings of 2015 International Conference on Consumer Electronics-Taiwan. Taipei, Taiwan, China: IEEE, 2015: 23-24. [DOI:10.1109/ICCE-TW.2015.7216870]
-
[15] Jinno T, Okuda M.Multiple exposure fusion for high dynamic range image acquisition[J]. IEEE Transactions on Image Processing, 2012, 21(1): 358–365. [DOI:10.1109/TIP.2011.2160953]
-
[16] Zhu L, Qin L, Xue K Y, et al. A novel BP neural network model for traffic prediction of next generation network[C]//Proceedings of the Fifth International Conference on Natural Computation. Tianjin: IEEE, 2009: 32-38. [DOI:10.1109/ICNC.2009.673]
-
[17] Wu C R, Huang H X.Evaluation and research on sports psychology based on BP neural network model[J]. Advances in Information Sciences and Service Sciences, 2012, 4(10): 355–363. [DOI:10.4156/aiss.vol4.issue10.42]
-
[18] Zhou J C, Dai R W, Xiao B H.Overview of image quality assessment research[J]. Computer Science, 2008, 35(7): 1–4. [周景超, 戴汝为, 肖柏华. 图像质量评价研究综述[J]. 计算机科学, 2008, 35(7): 1–4. ] [DOI:10.3969/j.issn.1002-137X.2008.07.001]
-
[19] Fu W, Gu X D, Wang Y Y.Color image quality assessment based on HVS[J]. Microelectronics & Computer, 2010, 27(2): 59–63. [付伟, 顾晓东, 汪源源. 基于人眼视觉特性的彩色图像质量评价[J]. 微电子学与计算机, 2010, 27(2): 59–63. ]
-
[20] Miao M J, Yi Y H.No-reference color image quality assessment method based on HVS[J]. Packaging Engineering, 2015, 36(3): 113–118. [苗敏婧, 易尧华. 基于人眼视觉的无参考彩色图像质量评价方法[J]. 包装工程, 2015, 36(3): 113–118. ]
-
[21] Li Z Y, Ni J.Objective quality assessment for enhanced chromatic images[J]. Journal of Image and Graphics, 2015, 20(5): 643–651. [李子印, 倪军. 面向彩色增强图像的客观质量评价算法[J]. 中国图象图形学报, 2015, 20(5): 643–651. ] [DOI:10.11834/jig.20150507]
-
[22] Xie Z X, Wang Z F, Xiong X L, et al.Color image quality assessment based on noise model of human vision perception and color image quality optimization[J]. Journal of Image and Graphics, 2010, 15(10): 1454–1464. [谢正祥, 王志芳, 熊兴良, 等. 基于视觉感知噪声模型的彩色图像质量评价和彩色图像质量最佳化[J]. 中国图象图形学报, 2010, 15(10): 1454–1464. ] [DOI:10.11834/jig.090290]
