买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉宁波大学申请的专利一种动态场景多曝光融合光场图像的质量评价方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116630613B 。

龙图腾网通过国家知识产权局官网在2026-01-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310391186.7，技术领域涉及：G06V10/26；该发明授权一种动态场景多曝光融合光场图像的质量评价方法是由廖广龙;刘云;郁梅;陈晔曜;蒋刚毅设计研发完成，并于2023-04-13向国家知识产权局提交的专利申请。

本一种动态场景多曝光融合光场图像的质量评价方法在说明书摘要公布了：本发明公开了一种动态场景多曝光融合光场图像的质量评价方法，其从局部、全局和角度等方面来充分考虑失真多曝光融合光场图像的失真特点和内在的高维结构特性，首先对失真多曝光融合光场图像的角度维进行张量分解，这能有效保留其高维特性并在张量切片上提取到与主观感知更为相关的特征；然后在第一成分设计前背景分割方案以检测得到具有显著伪影的前景部分，并对前景部分进行边缘结构和亮度色度的特征提取；接着，在第一成分亮度分割后，基于HSI模型提取低暗、正常和高亮区域的局部特征；之后，结合全局特征和其他成分提取的角度特征形成感知特征向量，池化预测得到客观质量分，因此预测的客观质量分与人眼的视觉感知有更好的一致性。

本发明授权一种动态场景多曝光融合光场图像的质量评价方法在权利要求书中公布了：1.一种动态场景多曝光融合光场图像的质量评价方法，其特征在于包括以下步骤： 步骤1：将待质量评价的失真多曝光融合光场图像记为其中，表示是五维的，U和V分别表示的角度维数，X和Y分别表示的空间维数，C表示的颜色维数；然后将视作2维的子孔径图像阵列，子孔径图像阵列由U×V幅子孔径图像构成，每幅子孔径图像的分辨率为X×Y，将子孔径图像阵列中视点坐标位置为u,v的子孔径图像记为Gu,v，其中，1≤u≤U，1≤v≤V； 步骤2：对的角度维进行Tucker张量分解，得到分解成分，记为其中，表示是五维的，U1和V1分别表示的角度维数，U1小于或等于U，V1小于或等于V，X和Y分别也是的空间维数，C也是的颜色维数；然后固定的前两维U1和V1，得到的所有张量切片，表示为：其中，L1,1表示固定U1和V1的值对应为1和1时的张量切片，Lu,v表示固定U1和V1的值对应为u和v时的张量切片，LU,V表示固定U1和V1的值对应为U和V时的张量切片； 步骤3：将子孔径图像阵列中视点坐标位置为的子孔径图像作为中心子孔径图像，记为Gcentre；然后计算Gcentre的深度图，记为Dcentre；接着使用最大类间算法在和之间求得Dcentre的最优阈值来对Dcentre进行前背景分割，得到二值图像，记为Dcentre,val；再将Dcentre,val作为权重与L1,1结合，即将Dcentre,val与L1,1相乘，得到L1,1的具有明显伪影的前景部分，记为L1,1,fore；之后将L1,1,fore从RGB空间转化到HSI模型，得到L1,1,fore的色调分量、饱和度分量和强度分量，对应记为H1,1,fore、S1,1,fore和I1,1,fore；最后使用8个尺度的高斯差分模型、直方图、广义高斯函数以及基于矩匹配的方法对I1,1,fore进行边缘结构特征提取，提取得到I1,1,fore的GGD拟合特征向量，记为使用直方图对H1,1,fore进行颜色分量特征提取，提取得到H1,1,fore的阶矩特征向量，记为使用直方图对I1,1,fore进行亮度特征提取，提取得到I1,1,fore的阶矩特征向量，记为联合和构成基于前背景分割提取的局部特征向量，记为F1，其中，为向下取整运算符号，min为取最小值函数，max为取最大值函数，表示Dcentre中的最小像素值，表示Dcentre中的最大像素值，的维数为1×16，的维数为1×4，的维数为1×4，“[]”为向量或矩阵表示符号，F1的维数为1×24； 步骤4：将L1,1的灰度图中灰度值的最小值、最大值、中间值对应记为pgraymin、pgraymax、pgraymed；然后使用最大类间算法在pgraymin和pgraymed之间求得L1,1的第一个最优阈值在pgraymed和pgraymax之间求得L1,1的第二个最优阈值以此将L1,1分割成三个不同亮度强度的区域，分别为低暗区域、正常曝光区域和高亮区域，对应记为L1,1,low、L1,1,nor和L1,1,high；接着将L1,1,low从RGB空间转化到HSI模型，得到L1,1,low的色调分量、饱和度分量和强度分量，对应记为H1,1,low、S1,1,low和I1,1,low；同样，将L1,1,nor从RGB空间转化到HSI模型，得到L1,1,nor的色调分量、饱和度分量和强度分量，对应记为H1,1,nor、S1,1,nor和I1,1,nor；将L1,1,high从RGB空间转化到HSI模型，得到L1,1,high的色调分量、饱和度分量和强度分量，对应记为H1,1,high、S1,1,high和I1,1,high；最后提取I1,1,low的特征向量来描述亮度和纹理信息，记为提取I1,1,high的特征向量来描述纹理信息，记为提取H1,1,high的特征向量来表征光晕的影响，记为提取S1,1,high的特征向量来表征光晕的影响，记为提取I1,1,nor的特征向量来描述纹理信息，记为联合和构成基于亮度分割提取的局部特征向量，记为F2，其中，L1,1,low的灰度图中的灰度值在pgraymin和之间，L1,1,nor的灰度图中的灰度值在和之间，L1,1,high的灰度图中的灰度值在和pgraymax之间，表示I1,1,low中的所有像素点的像素值的均值，表示I1,1,low中的所有像素点的像素值的标准差，表示I1,1,low中的所有像素点的像素值的信息熵，表示I1,1,high中的所有像素点的像素值的信息熵，表示H1,1,high中的所有像素点的像素值的均值，表示H1,1,high中的所有像素点的像素值的标准差，表示S1,1,high中的所有像素点的像素值的均值，表示I1,1,nor中的所有像素点的像素值的信息熵，F2的维数为1×8； 步骤5：将L1,1从RGB空间转化到HSI模型，得到L1,1的色调分量、饱和度分量和强度分量，对应记为H1,1、S1,1和I1,1；再提取I1,1的对比度特征，记为然后使用8个尺度的高斯差分模型、直方图、广义高斯函数以及基于矩匹配的方法，提取得到I1,1的GGD拟合特征向量，记为最后联合和构成基于全局提取的特征向量，记为F3，其中，R表示像素灰度级数目，R＝256，γi,k表示灰度值i与灰度值k的绝对差值，Pi,k表示灰度值为i的像素和灰度值为k的像素相邻出现的概率，的维数为1×16，F3的维数为1×17； 步骤6：将中除L1,1之外的剩余所有张量切片从RGB空间转化到HSI模型，得到剩余所有张量切片各自的色调分量、饱和度分量和强度分量；然后采用基于5个尺度的GLBP算法对剩余每个张量切片的强度分量进行不同尺度的梯度纹理特征向量提取，每个尺度的梯度纹理特征向量的维数为1×10；再对剩余所有张量切片各自的强度分量的同尺度的梯度纹理特征向量求平均向量；最后将5个尺度的平均向量构成基于角度提取的特征向量，记为F4；其中，F4的维数为1×50； 步骤7：联合F1、F2、F3、F4构成的感知特征向量，记为FLGA,FLGA＝[F1,F2,F3,F4]；其中，FLGA的维数为1×99； 步骤8：将FLGA作为输入，结合LIBSVM包来对带有径向基函数内核的SVR进行回归训练，预测得到的客观质量分，记为Qpredict；其中，Qpredict越大，说明输入的FLGA对应的多曝光融合光场图像的质量越好；反之，说明输入的FLGA对应的多曝光融合光场图像的质量越差。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人宁波大学，其通讯地址为：315211 浙江省宁波市江北区风华路818号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。