CN101930607A - 一种图像质量判别方法 - Google Patents

Abstract

本发明公开了一种图像质量判别方法，该方法对图像进行多层小波分解，并对各层高频子带HH(n)进行带通分析，可以有效的区别出图像质量好坏。整个图像质量评价分为以下五个处理环节：二维图像小波分解、高频小波系数量化、小波量化系数直方图统计、图像质量评价系数计算、图像质量分级。该方法图像质量评价过程中，无须引入参考图像，应用更加方便；分级阈值选取并不依赖于图像内容，分级特征稳定，适应性更强。

Description

一种图像质量判别方法

技术领域

本发明属于数字图像处理领域中的一种智能感知技术，具体地说是用于图像质量判别的方法，该方法采用对图像小波系数统计分析的方法对图像质量进行自动分级，在智能视频分析方面有着广泛的应用。

背景技术

在自动图像识别、智能视频分析领域，图像识别系统的工作环境往往多变而且不稳定，会接收到一些低质量图像，这些低质量图像是指：含有大量噪声、模糊看不清的图像，这主要是由于摄像机焦距调整不合理、光照不足、电子干扰等原因造成的，这些干扰都将影响系统的正常工作，甚至严重影响系统识别效果。因此，检测出受到干扰的图像，对于自动系统故障定位、保障系统有效工作至关重要。

目前在图像质量评估方面，分为以下三类方法：

1、全参考算法：基本思路是通过设计特征来比较失真图像和参考图像的局部差异，然后在整幅图像上求出一个总的平均统计量，并把这个统计量与图像质量关联起来。这类方法分为有基于误差统计量和和基于HVS模型的算法，主要代表有均方误差(MSE)模型、峰值信噪比(PSNR)等均属于这类方法。该类方法研究时间最长，也最为成熟；但由于需要比较像素级差异，因此计算量较大，另外该类算法由于需要参考图，应用时灵活性差。

2、半参考算法：基本思路是首先将图像分块，然后以图像块为单位分别统计失真图像和参考图像的相关特征，最后比较这些统计特征之间的差异。这类方法又分为基于图像特征统计量的算法和基于数字水印的算法，主要代表有结构相似度(SSIM)模型、NSS模型、VIF算法。

这类算法的特点是其只需从参考图像中提取部分统计量用于比较，无需原始的像素级别的信息，数据量较全参考算法更小，计算代价更小；

与全参考算法一样，该类方法仍然需要参考图像，应用时灵活性差。

3、无参考算法：主要包括针对失真类型的算法和基于机器学习的算法，

代表方法有频域评价算法、循环反向传播(CBP)神经网络。这类方法的特点无需参考图像，应用更广，泛化能力更强，近几年来无参考算法已经开始成为研究的热点。但目前的无参考算法无法摆脱其评价结果受图像内容的影响。

但是，由于干扰图像的因素较多而且图像内容多变，上述的图像处理方法都不能达到满意的效果。

发明内容

针对干扰图像的因素较多而且图像内容多变的难点，本发明在无参考算法的基础上提出一种的图像质量评价处理方法，该方法通过分析图像的小波子带统计特征，在一定程度上降低评价算法对图像内容的影响，可适用于不同分辨率图片、图像质量的判别。

由此，本发明的目的是提供一种图像质量判别方法，该方法对于视频监控系统，定时对系统中每一台网络摄像机采集所得的各种图像进行质量分析，将图像质量分级为：模糊看不清图像、带有大量噪声图像、清晰图像，将所有分析结果进行统计汇总。

因此，本发明的基本思想如下：由于模糊图像高频成分较少；含有大量噪声图像高频成分较多；而清晰图像的高频成分大多介于模糊图像与噪声图像之间的特点，对图像进行多层小波分解，并对各层高频对角子带HH(n)(第n层对角线高频分量)进行带通分析，可以有效的区别出图像质量好坏。整个图像质量评价分为以下五个处理环节：二维图像小波分解、高频小波系数量化、小波量化系数直方图统计、图像质量评价系数计算、图像质量分级。

为达到上述目地，本发明的实现过程如下：

步骤1.对图像进行二维小波分解：选用haar小波基、DD小波基、SYM小波基或COIF小波基的任意一种，将图像分解为n层，n≥3，分别对应于图像模糊、图像清晰、图像中含有大量噪声三种情况；

步骤2.对每层分解后的图像进行高频小波子带系数量化，将第n层对角子带HH的子带系数量化到空间[0 255]，量化公式为：

$F(i,j,n)=\frac{(\mathrm{HH}(i,j,n)-\min \left(\mathrm{HH}\left(n\right)\right)*255}{\max \left(\mathrm{HH}\left(n\right)\right)-\min \left(\mathrm{HH}\left(n\right)\right)}$

min(HH(n))为第n层对角子带HH子带系数的最小值，max(HH(n))为第n层对角子带HH子带系数的最大值，HH(i，j，n)表示第n层对角子带HH的像素，F(i，j，n)为HH(i，j，n)量化后的结果，其范围[0 1 2 … 255]；

步骤3.对上述量化结果F进行直方图统计；

步骤4.根据直方图的统计结果，选取区间[T1，T2]，并依据[T1，T2]计算图像质量带宽系数；所述区间区间[T1，T2]，是通过T1＝μ-σ，T2＝μ+σ计算得来的，其中σ为方差，μ为第n层高频小波直方图的均值；计算图像质量带宽系数：高频小波子带系数量化结果分布近似高斯分布，区间[T1，T2]上包含了直方图95％以上能量，根据[T1，T2]计算图像质量带宽系数，具体方法如下：

步骤4.1 计算第n层高频小波直方图的均值：

$\mathrm{\μ}=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}i*P\left(i\right)$

其中：

P(i)表示高频小波量化系数i出现的概率，F(i)表示量化系数i出现的频度，num表示图像的像素总数；

步骤4.2 确定图像质量带宽系数S：

(1)令方差σ＝1，计算能量

(2)如果power＞95％，算法收敛，T1＝μ-σ，T2＝μ+σ，转第(4)步；

(3)σ＝σ+1，转第(1)步；

(4)计算S(n)＝|T2-T1|。

步骤5.n＝n+1，如果n＜3，算法转至步骤2；否则转至步骤6；

步骤6.图像质量分级：利用上述中计算得到的S(n)加权求和得到S_total，

步骤6.1 计算

取a₁＝0.5，a₂＝0.3，a₃＝0.2。

步骤6.2 图像质量分级如下：

(i).当S_total≤S₀时，图像模糊；

(ii).当S₀＜S_total＜S₁，图像清晰；

(iii).当S_total≥S₁，图像中含有大量噪声。

根据不同分辨率的图像，对图像对角子带统计特征分布，取S₀＝35，S₁＝70。

与传统方法相比，本发明具有如下优势：

1、在图像质量评价过程中，无须引入参考图像，应用更加方便，处理更加简捷；分级阈值选取并不依赖于图像内容，分级特征稳定，适应性更强。

2、对小波系数量化并进行直方图统计，不仅降低了图像特征数据的带宽，而且更有利于提取图像中稳定的全局特征。

3、定量给出图像质量分级计算公式，在实际应用中通过适当调整分级阈值即可满足特定划分需求。

附图说明

图1为小波系数量化统计图，图中，横坐标表示量化后的小波系数，纵坐标表示系数发生的次数；

图2图像质量判别算法流程图；

图3图像质量判别算法在视频监控系统中应用硬件结构图。

具体实施方式

下面，结合附图所示，对本发明的具体实施做详细说明。

实施例1：在matlab7.1平台上，采用matlab编程语言进行仿真实验，对多种环境下图片进行处理，包括图像模糊、含有大量白噪声、图像清晰三种情况。

具体的处理过程描述如下(见图2)：

步骤1.二维小波分解：选用haar小波基，将图像分解为n层(实验中取n＝3)；

步骤2.将高频小波变换后的第n层对角子带HH子带系数量化：所述子带系数量化到空间[0 255]，量化公式为：

$F(i,j,n)=\frac{(\mathrm{HH}(i,j,n)-\min \left(\mathrm{HH}\left(n\right)\right)*255}{\max \left(\mathrm{HH}\left(n\right)\right)-\min \left(\mathrm{HH}\left(n\right)\right)}$

min(HH(n))为第n层对角子带HH子带系数的最小值，max(HH(n))为第n层对角子带HH子带系数的最大值，HH(i，j，n)表示第n层对角子带HH的像素，F(i，j，n)为HH(i，j，n)量化后的结果，其范围[0 1 2 … 255]；

步骤3.对上述量化结果F进行直方图统计，结果如图1所示，横轴表示量化系数，纵轴表示系数出现的次数；

步骤4.计算图像质量带宽系数：根据图1描述，高频小波子带系数量化结果分布近似高斯分布，区间[T1，T2]上包含了直方图96％以上能量，依据此统计直方图的带宽系数：

步骤4.1 计算第n层高频小波直方图的均值：

$\mathrm{\μ}=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}i*P\left(i\right)$

其中：P(i)表示高频小波量化系数i出现的概率，F(i)表示量化系数i出现的频度，num表示图像的像素总数。

步骤4.2 确定图像质量带宽系数S：

(1)令方差σ＝1，计算能量

(2)如果power＞95％，算法收敛，T1＝μ-σ，T2＝μ+σ，转第(4)步；

(3)σ＝σ+1，转第(1)步；

(4)计算S(n)＝|T2-T1|。

步骤5.n＝n+1，如果n＜3，算法转至步骤2；否则转至步骤6；

步骤6.图像质量分级：利用上述中计算得到的S(n)加权求和得到S_total，

步骤6.1 计算

取a₁＝0.5，a₂＝0.3，a₃＝0.2。

步骤6.2 图像质量分级如下：

(i).当S_total≤S₀时，图像模糊；

(ii).当S₀＜S_total＜S₁，图像清晰；

(iii).当S_total≥S₁，图像中含有大量噪声。

实验中，根据不同分辨率的图片，图像对角子带统计特征分布，取S₀＝35，S₁＝70。

根据上述步骤1至6的过程对图片进行计算并且划分类被，与传统方法相比，本发明无需参考图像，使用更加简单，图像质量分级更加稳定。

实施例2：在vs2005，opencv1.0环境下编程实现图像质量分析动态库，并将其加入到视频监控系统中服务器端。如图3所示，一个网络化视频监控系统，视频服务器通过网络连接多个视频编码器，而一个编码器连接多个摄像机。视频服务器定时启动图像质量分析模块，对多路摄像机图像信息进行质量分析，并将分析结果进行汇总输出。

依照图2所示流程，对图像信息进行质量分析，同样可以得到满意的质量分析结果。

Claims (7)

1.一种图像质量判别方法，其特征在于该方法包括下述步骤：

步骤一，对图像进行二维小波分解；

步骤二，将分解后的图像进行各层高频子带带通分析；

步骤三，将所述带通分析结果进行直方图统计；

步骤四，计算图像质量带宽系数；

步骤五，通过计算得到的图像质量带宽系数进行图像质量分级。

2.如权利要求1所述的图像质量判别方法，其特征在于在步骤一中，对图像进行二维小波分解：选用haar小波基、DD小波基、SYM小波基或COIF小波基的任意一种，将图像分解为n层，n≥3。

3.如权利要求1所述的图像质量判别方法，其特征在于在步骤二中，对每层分解后的图像进行高频小波子带系数量化，将第n层对角子带HH的子带系数量化到空间[0 255]，量化公式为：

$F(i,j,n)=\frac{(\mathrm{HH}(i,j,n)-\min \left(\mathrm{HH}\left(n\right)\right)*255}{\max \left(\mathrm{HH}\left(n\right)\right)-\min \left(\mathrm{HH}\left(n\right)\right)}$

min(HH(n))为第n层对角子带HH子带系数的最小值，max(HH(n))为第n层对角子带HH子带系数的最大值，HH(i，j，n)表示第n层对角子带HH的像素，F(i，j，n)为HH(i，j，n)量化后的结果，其范围[0 1 2 … 255]。

4.如权利要求1所述的图像质量判别方法，其特征在于在步骤四中，根据直方图的统计结果，选取区间[T1，T2]，并依据[T1，T2]计算图像质量带宽系数。

5.如权利要求4所述的图像质量判别方法，其特征在于所述区间区间[T1，T2]，是通过T1＝μ-σ，T2＝μ+σ计算得来的，其中σ为方差，μ为第n层高频小波直方图的均值。

6.如权利要求5所述的图像质量判别方法，其特征在于图像质量带宽系数的计算方式为：

A、通过下式计算第n层高频小波直方图的均值：

$\mathrm{\μ}=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}i*P\left(i\right)$

其中：

P(i)表示高频小波量化系数i出现的概率，F(i)表示高频小波量化系数i出现的频度，num表示图像的像素总数；

B、确定图像质量带宽系数S

(1)令方差σ＝1，计算能量

(2)如果power＞95％，算法收敛，T1＝μ-σ，T2＝μ+σ，转第(4)步；

(3)σ＝σ+1，转第(1)步；

(4)计算S(n)＝|T2-T1|。

7.如权利要求6所述的图像质量判别方法，其特征在于在步骤五中，图像质量具体的判别分级方法如下：

i、利用上述中计算得到的S(n)加权求和得到S_total，

计算取a₁＝0.5，a₂＝0.3，a₃＝0.2，

ii、图像质量分级如下：

(i).当S_total≤S₀时，图像模糊；

(ii).当S₀＜S_total＜S₁，图像清晰；

(iii).当S_total≥S₁，图像中含有大量噪声。

Images