CN102609939A - 一种tfds图像质量评价方法及系统 - Google Patents

Abstract

本发明公开了一种TFDS图像质量评价方法，所述方法包括：计算需评价图像的清晰度S；计算需评价图像的区域饱和度Sa；计算需评价图像的分布度sp；计算需评价图像的暗区标准差st；根据计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st，计算得到需评价图像的图像质量综合评价f。相应的，本发明还公开了一种TFDS图像质量评价系统，能够自动完成TFDS图像的质量评价，可对任意多数量图像进行连续不间断评价，也可对单幅图像进行综合评价，实时自动给出图像质量评价结果，解决了人为因素差异造成的评价结果不统一问题。

Description

一种TFDS图像质量评价方法及系统

技术领域

本发明涉及图像分析和处理技术，尤其涉及一种故障轨边图像检测系统(TFDS)图像质量评价方法及系统。

背景技术

影响图像质量的因素与人类视觉感知、心理学等诸多因素有关。目前国际上图像质量评价的研究已经比较广泛，主要集中在图像传输与压缩解压后的质量评价上，随着铁路信息化建设的推进，图像分析与处理技术在铁路行业得到了广泛应用，图像质量评价的研究在铁路运输行业也越来越引起关注。图像质量评价研究采取的评价方法一般分为主观质量评价和客观质量评价两种。

其中，主观评价方法是依靠人眼来主观判断图像质量，即为所有的评价者提供标准的图像观察条件，评价者根据自己对图像的感受进行评价，再根据多个评价结果得到该图像最终评价结果。最常用的国际通用方法为：均值意见评分法(MOS)和国际标准CCIR500。其中，均值意见评分法应用较为广泛，根据MOS标准，为所有的评价者提供相同的图像观察条件，评价者根据自己对图像的感受进行评分，再根据多个评价者的评价结果得到该图像最终的MOS值。主观评价方法的评价结果通常能够较好地反映图像的实际质量。但主观评价方法在实施过程中存在很多问题，比如评价过程消耗的时间长、主观评价结果受环境和情绪的影响而不稳定、评价所花费的费用较高、处理过程不能实现自动化，而最关键的是不能实现实时处理、也不能进行信息反馈等。

其中，客观质量评价使用计算机自动分析图像，得到图像质量评价相关参数，再基于图像质量评价相关参数建立模型，从而得到图像的最终质量。客观图像质量评价方法可分为三类：全参考图像质量评价、半参考图像质量评价和无参考图像质量评价。其中，全参考图像质量评价需要参考图像，此图像被认为是待评价图像的原始图像，而待评价图像一般是原始图像经过某种处理后得到的图像，但在实际应用中，往往得不到参考图像；无参考图像质量评价只用到图像本身的信息；在全参考图像质量评价与无参考图像质量评价之间，半参考图像质量评价需要使用一部分(有限的)标准图像的信息。

中国铁路的故障轨边图像检测系统(TFDS)图像质量评价目前采用主观评价的方法。截止到2010年年底，我国铁路在运营线路安装使用的货车TFDS保有量已经达到210套。TFDS采集的货车配件图像质量的优劣，直接决定了动态检车员能否在规定的时间内准确、快速地发现货车故障。目前，中国铁路对TFDS图像是否清晰的界定完全依赖于动态检车员的主观感受，这种评价的结果因人而异，随意性大，无法对图像做出量化评价，缺乏统一标准。

发明内容

有鉴于此，本发明的主要目的在于提供一种TFDS图像质量评价方法及系统，以解决TFDS图像的质量评价完全依赖于动态检车员的主观感受，缺乏统一标准的问题。

为达到上述目的，本发明的技术方案是这样实现的：

本发明提供了一种图像清晰度评价方法，所述方法包括：

对原始图像进行双边滤波；

对滤波后的图像进行视觉敏感性校正；

对校正后的图像进行边缘提取处理；

对校正后的图像进行处理，得到所述图像的图像粒度；

计算边缘提取处理后所得到图像在边缘点处的梯度方向；

使用得到的边缘点处梯度方向，获取边缘横截图；

计算所述边缘横截图的最大差分值；

根据得到的最大差分值，计算所述边缘横截图每个边缘点的扩散宽度；

计算所述边缘横截图每个边缘点邻域处的局部结构性度；

根据所得到的扩散宽度、局部结构性度和图像粒度，计算得到清晰度S。

本发明还提供了一种故障轨边图像检测系统TFDS图像质量评价方法，所述方法包括：

计算需评价图像的清晰度S；

计算需评价图像的区域饱和度Sa；

计算需评价图像的分布度sp；

计算需评价图像的暗区标准差st；

根据计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st，计算得到需评价图像的图像质量综合评价f。

在上述方案中，所述根据计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st，计算得到图像质量综合评价f，为：将计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st带入公式中进行计算，得到需评价图像的图像质量综合评价f，其中，σ_sp用于控制分布度sp在图像质量综合评价中的权重。

在上述方案中，所述计算需评价图像的清晰度S，包括：

对需评价图像进行双边滤波；

对滤波后的图像进行视觉敏感性校正；

对校正后的图像进行边缘提取处理；

对校正后的图像进行处理，得到所述图像的图像粒度；

计算边缘提取处理后所得到图像在边缘点处的梯度方向；

使用得到的边缘点处梯度方向，获取边缘横截图；

计算所述边缘横截图的最大差分值；

根据得到的最大差分值，计算所述边缘横截图每个边缘点的扩散宽度；

计算所述边缘横截图每个边缘点邻域处的局部结构性度；

根据所得到的扩散宽度、局部结构性度和图像粒度，计算得到清晰度S。

在上述方案中，所述计算需评价图像的分布度sp，包括：

步骤1：计算需评价图像的分布阈值thr；

步骤2：在需评价图像中部截取大小比例为0.4的子图像I_s0，如果mean(I)＞45，认为图像支持域足够大，设置分布度sp＝1，否则基于sp＝mean(I_s0≥thr)计算得到分布度sp；

步骤3：在原始图像中截取比例为0.6的4个子图像I_s1、I_s2、I_s3和I_s4，基于sp_i＝mean(I_si＞thr)，其中，i＝1，2，3，4，分别计算4个子图像I_s1、I_s2、I_s3和I_s4的分布度sp₁、sp₂、sp₃和sp₄，再由sp＝((sp₁＞0.1+sp₂＞0.1+sp₃＞0.1+sp₄＞0.1)≥2？1：sp)进一步确定分布度sp的值；

步骤4：计算5个子图像I_s0、I_s1、I_s2、I_s3和I_s4的灰度均值，并根据5个子图像I_s0、I_s1、I_s2、I_s3和I_s4的灰度均值进一步调整分布度sp；

步骤5：对需评价图像进行滤波，并进行二值化操作，得到二值化图像；按照步骤2和步骤3的方法在所述二值化图像上截取5个子图像，分别计算该5个子图像非零部分的像素个数占子图像像素总个数的比例，该比例达到0.25的子图像个数如果大于或等于2，置sp＝1；否则，保持分布度sp值不变；

步骤6：检查TFDS图像中经常出现的严重拖尾现象，校正当前得到的分布度sp；

步骤7：基于公式 $\mathrm{sp}=\left\{\begin{array}{cc}\mathrm{sp}& 0.1\&le;\mathrm{sp}\&le;0.2\\ 0.2& \mathrm{sp}>0.2\\ 0.1& \mathrm{sp}<0.1\end{array}\right.$ 对当前得到的分布度sp进行范围限定，得到最终的分布度sp。

本发明还提供了一种TFDS图像质量评价系统，所述系统包括：第一计算模块、第二计算模块和综合评价模块，其中；

第一计算模块，用于计算需评价图像的清晰度S；

第二计算模块，用于计算需评价图像的区域饱和度Sa、分布度sp和暗区标准差st；

综合评价模块，用于根据所述第一计算模块得到的清晰度S、以及第二计算模块得到的区域饱和度Sa、分布度sp和暗区标准差st，计算得到需评价图像的图像质量综合评价f。

在上述方案中，所述系统还包括：全局数据存储模块用于保存包含有所述综合评价模块得到的图像质量综合评价f的图像质量评价结果。

在上述方案中，所述系统还包括：结果输出模块和主界面；其中，结果输出模块，用于从所述全局数据存储模块中读取所述图像质量评价结果，并在主界面上的图像结果显示区输出当前图像的所述图像质量评价结果；主界面，用于实时显示所述需评价图像的图像质量评价结果。

在上述方案中，所述系统还包括：用户界面模块，用于处理用户对界面的操作，包括移动、最大化、最小化窗口以及需评价图像和图像质量评价结果在所述主界面上的显示和更新。

在上述方案中，所述系统包括：主线程部分和辅线程部分，所述辅线程部分包含所述第一计算模块、第二计算模块和综合评价模块；所述主线程部分包含所述用户界面模块、结果输出模块和主界面；所述全局数据存储模块为所述主线程部分和辅线程部分的公共部分。

本发明的TFDS图像质量评价方法及系统，能够自动完成TFDS图像的质量评价，综合考察TFDS图像的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st，得到TFDS图像的图像质量综合评价f，能够自动完成TFDS图像的质量评价，可对任意多数量图像进行连续不间断评价，也可对单幅图像进行综合评价，实时自动给出图像质量评价结果，解决了人为因素差异造成的评价结果不统一问题。

能够对正常条件(如正常天气、设备正常、无异物干扰等)下的TFDS图像进行正确有效评价的同时，还具备如下主要功能特点：1.能够对图像在不同时期的差异性给出正确的评价；2.能够对遮挡TFDS相机镜头的异物图像进行正确评价；3.能够对TFDS曝光过度的图像进行正确评价；4.能够对TFDS受雾气干扰的图像进行正确评价；5.能够对雨、雪天气造成影响的TFDS图像进行正确评价。

本发明的TFDS图像质量评价方法及系统的意义还在于：(1)在TFDS定型审查、运用验收等工作中，对质量进行有量化指标的考评；(2)对TFDS图片质量进行实时评价，当图片质量影响动态检查效果时，进行自动报警，提示有关人员进行设备维护；(3)在分析动态检车员漏检原因时，由自动化评价方法对漏检图片质量进行评定，准确界定责任；(4)通过对图像评价指标的分析，摸索规律，确定影响TFDS故障自动识别效果的具体指标。

附图说明

图1为本发明TFDS图像质量评价方法的实现流程图；

图2为本发明中计算需清晰度S的实现流程图；

图3为本发明TFDS图像质量评价系统中主线程和辅线程之间协作的主要处理过程流程图；

图4为测试一中所使用模糊图像子库中的部分图像；

图5为测试一中的相关度曲线；

图6为部分面阵摄像机图像；

图7为部分线阵摄像机图像；

图8为图6、图7共102幅图像的图像质量评价结果；

图9为典型评价图像。

具体实施方式

本发明TFDS图像质量评价方法主要可以包括如下步骤：

步骤101：计算需评价图像的清晰度S；

步骤102：计算需评价图像的区域饱和度Sa；

步骤103：计算需评价图像的分布度sp；

步骤104：计算需评价图像的暗区标准差st；

步骤105：根据计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st，计算得到需评价图像的图像质量综合评价f。

具体地，将计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st带入公式(1)中进行计算，得到需评价图像的图像质量综合评价f：

$f=\frac{S\&times;e^{{-(\mathrm{Sa}/100)}^2/1.5}{e}^{{-(\mathrm{sp}-0.2)}^2/\left({2\mathrm{\&sigma;}}_{\mathrm{sp}}^2\right)}}{1+e^{-(1.4\mathrm{st}-0.4)}}---\left(1\right)$

其中，σ_sp表示分布度sp在图像质量综合评价中的权重，用于控制分布度sp对图像质量综合评价的影响，可以根据需要进行预先设置，本发明中给定σ_sp＝0.06。

具体地，使用基于局部对比的评价方法，步骤101中计算图像清晰度S的过程可以包括如下步骤：

步骤201：对原始图像进行双边滤波；

具体地，对原始图像进行双边滤波的过程为：设原始图像为g[m，n]，双边滤波后的图像为

则可以基于公式(2)、(3)得到原始图像g[m，n]双边滤波后的图像

$\hat{f}[m,n]=\underset{k}{\mathrm{\&Sigma;}}\underset{l}{\mathrm{\&Sigma;}}h[m,n;k,l]g[k,l]---\left(2\right)$

$h[m_0,n_0;m,n]=\left\{\begin{array}{c}{r}_{m_0,n_0}^{-1}\exp (-\frac{{(m-m_0)}^2+{(n-n_0)}^2}{{{2\mathrm{\&sigma;}}_d}^2})\exp (-\frac{{\left(g\right[m,n]-g[m_0-n_0\left]\right)}^2}{{{2\mathrm{\&sigma;}}_r}^2}),[m,n]\&Element;{\mathrm{\&Omega;}}_{m_0{n}_0}\\ 0\end{array}\right\}---\left(3\right)$

其中， $r_{m_0,n_0}=\underset{m=m_0-N}{\overset{m_0+N}{\mathrm{\&Sigma;}}}\underset{n=n_0-N}{\overset{n_0+N}{\mathrm{\&Sigma;}}}\exp (-\frac{{(m-m_0)}^2+{(n-n_0)}^2}{{{2\mathrm{\&sigma;}}_d}^2})\exp (-\frac{{\left(g\right[m,n]-g[m_0-n_0\left]\right)}^2}{{{2\mathrm{\&sigma;}}_r}^2}),$ m、n、k、l、m0、n0均为图像坐标(以像素为单位)，σ_d为空间位置标准差，σ_r为灰度标准差，使用不同的标准差参数，滤波的程度会有所差异，本发明中使用的σ_d和σ_r满足σ_d＝18，σ_r＝15。

步骤202：对滤波后的图像进行视觉敏感性校正；

具体地，使用人眼灰度敏感度函数h(g)，基于公式(4)得到滤波后图像的矫正曲线f(x)：

$f\left(x\right)=\frac{255{\&Integral;}_0^x\mathrm{dg}/h\left(g\right)}{{\&Integral;}_0^{255}\mathrm{dg}/h\left(g\right)}---\left(4\right)$

其中，h(g)表示人眼对于不同灰度值g附近的敏感性，是一个确定的函数，对一个灰度值0＜＝g＜＝255，h(g)越大表示人眼对灰度值g附近的部分图像越敏感。校正曲线f(x)表示灰度值为x的像素点进行校正应该对应的灰度值，校正后的图像在各个灰度级上人眼具有相同的敏感度。

步骤203：对步骤202校正后的图像进行边缘提取处理；

这里，可以使用canny边缘提取方法进行图像边缘提取的处理，实际应用中，可以适当调大canny算子的阈值，来提高边缘提取处理的效果和效率。

步骤204：对步骤202校正后的图像进行处理，得到所述图像的图像粒度gr；

具体地，使用一种高尺度迭代搜索和优化的过程，能够将图像边缘标示不同的尺度。结合人眼空间频率敏感度特性，在清晰度的评价中，对不同尺度的边缘进行加权。得到图像粒度的具体过程如下：

步骤a1：对步骤202校正后的图像进行多尺度空间低频滤波；

具体地，基于公式(5)得到使用高斯滤波算子对图像进行多尺度空间低频滤波，所使用的滤波器算子的截止频率依次递减。

$I\left(i\right)=I\&CircleTimes;H\left(\mathrm{\&sigma;}\left(i\right)\right)---\left(5\right)$

其中，i表示图像尺度，图像尺度用于表示对图像中所关注细节的大小范围，一幅图像可以在不同的尺度下理解，比如森林图像，其图像尺度可以是森林、树或树叶等等，其中，森林为大图像尺度，树为较小图像尺度，树叶为最小的图像尺度；I(i)表示对应图像尺度i的低频图像；I表示步骤202校正后的图像，H(σ(i))为对应图像尺度i的低频算子，是灰度值二维高斯函数的矩阵，σ(i)表示高斯函数标准差。

例如，可以取图像尺度i为1、2、3、4、5，其中，图像尺度i为5时是大尺度，图像尺度i为2、3时是大尺度，图像尺度i为1、以及图像尺度i为4时是大尺度与小尺度之间的过滤尺度，主要用于校正。本步骤中，针对不同的图像尺度i，分别基于公式(5)得到相应的低频图像I(i)。

步骤a2：对多尺度空间低频滤波得到的多个低频图像I(i)，进行边缘提取处理；

具体的，基于公式(6)用canny边缘提取的方法分别对各低频图像I(i)进行边缘提取：

e(i)＝et(I(i))                                                (6)

其中，et为边缘提取算子，e(i)为对低频图像I(i)进行边缘提取处理后得到的图像。

步骤a3：对于各低频图像I(i)进行边缘提取处理后得到的图像e(i)，得到其图像边缘点集合edge_set(i)＝{(x，y)|e(i)(x，y)≠0}，其中(x，y)表示图像像素位置，并进行相关校正。

这里，校正的具体过程如下：

步骤a31：初始化i＝i_max，其中i_max表示本发明图像尺度i的最大图像尺度；

例如，图像尺度i可以取1、2、3、4、5时，i_max为5。

步骤a32：计算

其中，

其中lengthmax为事先给定的常量，用以限定循迹范围；a＝(x，y)，表示图像像素位置。

步骤a33：计算

步骤a4：根据步骤a3校正后得到的边缘点集合edge_set(i)，计算图像粒度gr。

具体地，图像粒度gr为各小尺度边缘点集合edge_set(i)中边缘像素点个数总和、与大尺度边缘点集合edge_set(i)中边缘像素点个数的比值。

步骤205：计算步骤203边缘提取处理后所得到图像I在边缘点处的梯度方向；

具体地，基于公式

得到图像在边缘点处的梯度方向θ，I_y和I_x分别为图像I竖直方向的梯度和水平方向的梯度，满足

步骤206：使用步骤205得到的边缘点处梯度方向，获取边缘横截图；

这里，本步骤的具体实现过程包括如下步骤：

步骤1：给定边缘横截图长度，由边缘点处的梯度方向和边缘横截图长度基于公式(x_j，y_j)＝(x₀+icos^θ，x₀+isin^θ)确定边缘横截图的平面坐标(x_j，y_j)，得到对应的像素序列g_j(x_j，y_j)，其中x₀为当前处理的边缘点，j表示坐标序号，j＝0是当前边缘点，j∈[-q，q]，q为预先给定的常数，用于限定边缘横截图的范围，本发明中取q＝10。

步骤2：对任意一个边缘横截图的平面坐标(x，y)，计算得到其邻域四个像素坐标值分别是(x₁，y₁)＝([x]，[y])，(x₂，y₂)＝([x]+1，[y])，(x₃，y₃)＝([x]，[y]+1)，(x₄，y₄)＝([x]+1，[y]+1)，其中，[x]表示不大于x的最大整数；然后，基于公式f(x，y)＝0.5*{(y-y₁)[(x-x₁)(f₄-f₃)+f₃-(x-x₁)(f₂-f₁)-f₁]+(x-x₁)(f₂-f₁)+f₁+(x-x₁)[(y-y₁)(f₄-f₂)+f₂-(y-y₁)(f₃-f₁)-f₁]+(y-y₁)(f₃-f₁)+f₁}，使用相邻像素线性插值方法计算得到在(x，y)的灰度值f(x，y)，式中f_m＝f(x_m，y_m)，m＝1、2、3、4。

步骤207：可选地，对步骤206得到的边缘横截图进行三次样条插值，得到亚像素级的所述边缘横截图；

步骤208：对于得到所述边缘横截图，计算其最大差分值d；

具体地，可直接计算在边缘横截图上边缘点处的灰度值差分，作为当前边缘横截图的最大差分值；即最大差分值d可以使用d＝g₀-g_-1或者d＝g₁-g₀得到，其中，g₀为像素序列g_i(x_j，y_j)内中心坐标(x₀，y₀)处的灰度值，g_-1为像素序列g_j(x_j，y_j)内中心坐标(x₀，y₀)左边第一个点，即坐标(x_-1，y_-1)处的灰度值，g₁为像素序列g_j(x_j，y_j)内中心坐标(x₀，y₀)右边第一个点，即坐标(x₁，y₁)处的灰度值。

步骤209：根据步骤208得到的最大差分值d，计算所述边缘横截图每个边缘点的扩散宽度w，并计算边缘横截图每个边缘点邻域处的局部结构性度c；

这里，扩散宽度w的计算过程包括：由当前边缘点(x₀，y₀)开始，在边缘横截图上分别向左右两侧扫描，记录下两端截止点的像素，扩散宽度w为两个截止点之间的距离，这里，截止点为差分小于预设的差分阈值的点，其中，差分阈值由前面得到的最大差分值d确定，两者为比例关系，差分阈值可以为最大差分值d的0.5倍。例如，如果边缘点左侧截止点为l₁，右侧截止点为l₂，则扩散宽度w＝l₂-l_i，，右侧截止点灰度值M＝g_l2，左侧截止点灰度值m＝g_l1。

局部结构性度c的具体计算过程包括：在每一个所考虑的边缘点计算该点的局部结构性度，记Ω(p₀，r)为以p₀为中心、城市距离为r的邻域，其内灰度值构成矩阵

局部结构性度

其中，

满足

其尺度与Ω(p₀，r)相等，

为Ω(p₀，r)矩阵中像素坐标位置矢量，

为Ω(p₀，r)矩阵中心点(当前边缘点)的坐标矢量，sign为符号函数，其具体表达式为 $\mathrm{sign}(\&CenterDot;)=\left\{\begin{array}{c}1,\&CenterDot;>=0\\ -1,\&CenterDot;<=0\end{array}\right.,$

为中心点法向矢量，满足 $\stackrel{\&RightArrow;}{n}=\frac{\&dtri;f\left(\stackrel{\&RightArrow;}{p}\right){|}_{\stackrel{\&RightArrow;}{p}=\stackrel{\&RightArrow;}{p_0}}}{{\left|\right|\&dtri;f\left(\stackrel{\&RightArrow;}{p}\right){|}_{\stackrel{\&RightArrow;}{p}=\stackrel{\&RightArrow;}{p_0}}\left|\right|}_2},$

为梯度算子。

步骤210：根据上述步骤中得到的扩散宽度w、局部结构性度c和图像粒度gr，计算得到清晰度S。

这里，本步骤中清晰度S的具体计算过程包括如下步骤：

步骤b1：给定初始扩散宽度w加权和Slop＝0，初始Slop的权重和Temp＝0，给定当前边缘点，并选取最大的3个局部结构性度c，计算它们的平均值u；

步骤b2：基于v＝(M-m)*2/(M+m+0.001)计算边缘点处的相对对比度v；如果v＞＝1.0/3.5并且c＞＝0.45*u并且c＞＝13则跳至步骤b3，否则至步骤b5；

这里，M为右侧截止点灰度值，m为左侧截止点灰度值。

步骤b3：将v的范围限定为小于等于1，即v＝min(v，1)，

步骤b4：计算Slop＝Slop+w^0.25cv^-0.125w^-0.4545，以及计算Temp＝Temp+cw^-0.4545；

步骤b5：当前边缘点是否为最后一个边缘点，如果不是，则移至下一边缘点，并跳至步骤b2；否则，跳至步骤b6；

步骤b6：基于公式

计算得到清晰度S，如果Temp＝0，直接置S＝120×gr，结束当前流程。

具体地，步骤102中计算图像区域饱和度Sa的具体实现过程可以包括：根据预先给定的比例截取图像中部的子图像I_sub；定义饱和阈值th，计算子图像中大于此饱和阈值th部分的图像中的像素个数N_a＝sum(I_sub＞th)，本发明中，取饱和阈值th＝200；根据子图像中大于饱和阈值th部分的图像中的像素个数N_a、以及子图像的像素总个数N_t，计算子图像中大于饱和阈值th部分的图像在子图像中所占的比例p＝N_a/N_t，比例p即为饱和度Sa。

具体地，步骤103中计算分布度sp的具体过程可以包括如下步骤：

步骤1：计算原始图像的分布阈值thr；

具体地，计算图像灰度的最大值max(I)和最小值min(I)，并且由计算得到的灰度的最大值max(I)和最小值min(I)基于式(7)计算图像的分布阈值thr。

thr＝[max(I)-min(I)]×p₁+min(I)                        (7)

其中，max、min分别为求图像灰度最大值和最小值的算符，I为原始图像，p₁为事先给定的比例系数，在本处取常数p₁＝0.2；

步骤2：在图像中部截取大小比例为p₂的子图像I_s0(p₂＝0.4)，如果mean(I)＞45，认为图像支持域足够大，设置分布度sp＝1，否则基于sp＝mean(I_s0≥thr)计算得到分布度sp；

这里，mean表示求矩阵所有元素平均值的算符。

步骤3：在原始图像中截取比例为p₃(p₃＝0.6)的4个子图像，位于原始图像的4角，每个子图像分别有一个顶点和原始图像的顶点对齐，4个子图像记为I_s1、I_s2、I_s3和I_s4，这种截取方法是为了考察图像可视区域的分布广度。基于sp_i＝mean(I_si＞thr)，分别计算4个子图像I_s1、I_s2、I_s3和I_s4的分布度sp₁、sp₂、sp₃和sp₄，其中，i＝1，2，3，4，再由sp＝((sp₁＞0.1+sp₂＞0.1+sp₃＞0.1+sp₄＞0.1)≥2？1：sp)进一步确定分布度sp的值；

步骤4：计算5个子图像I_s0、I_s1、I_s2、I_s3和I_s4的灰度均值，进一步调整分布度sp；

本步骤具体计算过程具体可以包括如下子步骤：

步骤c1：基于mI_si＝mean(I_si)，

i＝0，1，2，3，4分别计算5个子图像I_s0、I_s1、I_s2、I_s3和I_s4的灰度均值，分别记为mI_s0、mI_s1、mI_s2、mI_s3、mI_s4，基于mI＝mean(I)计算原始图像I的灰度均值mI；

步骤c2：根据

调整当前得到的分布度sp，其中t＝45；

步骤c3：如果mI_s0＞(mean(I)+5)，则置sp＝1，否则，保持分布度sp值不变；

步骤c4：下列条件之一#1、#2、#3、#4、#5、#6满足时，则置sp＝1，否则，保持分布度sp值不变；

#1：mI_s0＞mI+5；

#2：(mI_s1+mI_s3)/2＞(mI+4)&&((mI_s2+mI_s4)/2)＞(mI+4))；

#3：mI_s1＞(mI_s2+mI_s4)/2+4.5&&mI_s3＞(mI_s2+mI_s4)/2+4.5；

#4：(mI_s1+mI_s)/2+4.5＜mI_s2&&(mI_s1+mI_s3)/2+4.5＜mI_s4；

#5：mI_s1＞min(mI_s2，mI_s4)+5.5&&mI_s3＞min(mI_s2，mI_s4)+5.5；

#6：min(mI_s1，mI_s0)+5.5＜mI_s2&&min(mI_s1，mI_s3)+5.5＜mI_s4；

步骤5：对原始图像进行平均值滤波，并进行二值化操作，得到二值化图像；按照步骤2和步骤3的方法在所述二值化图像上截取5个子图像，5个子图像分别位于所述二值化图像左上、右上、左下、右下和中间，分别考察这些子图像非零部分的像素个数占子图像像素总个数的比例，该比例达到0.25的子图像个数如果大于或等于2，置sp＝1；否则，保持分布度sp值不变；

这里，对原始图像进行平均值滤波时使用一个较大的滤波卷积核，此处大小定为width/8×height/3。

步骤6：检查TFDS图像中经常出现的严重拖尾现象，校正当前得到的分布度sp；

具体地：计算水平方向梯度图H、竖直方向梯度图y，并基于sh＝sum(|H|)和sv＝sum(|V|)计算得到水平方向梯度绝对值总和sh和竖直方向梯度绝对值总和sv，如果sv/sh＞2.5，置sp＝0；否则，保持分布度sp的当前值不变；

步骤7：基于式(8)对当前得到的分布度sp进行范围限定，得到最终的分布度sp。

$\mathrm{sp}=\left\{\begin{array}{cc}\mathrm{sp}& 0.1\&le;\mathrm{sp}\&le;0.2\\ 0.2& \mathrm{sp}>0.2\\ 0.1& \mathrm{sp}<0.1\end{array}\right.---\left(8\right)$

这里，分布度sp是对支持域在原图像中所占范围大小的度量，其中，支持域为满足上述分布度sp具体计算过程中所有条件的图像区域。

具体地，步骤104中计算暗区标准差st，即去除图像中灰度最高的一部分之后再计算剩余图像的对比度，其具体过程可以包括如下步骤：

步骤1：计算原始图像I的灰度均值mI和标准差σ，计算暗区阈值thq＝mI+σ；

步骤2：基于公式I_map＝Im≤thq计算得到二值化图像，；

步骤3：计算二值化图像非零部分的标准差，即为原始图像I的暗区标准差st。

相应的，本发明还提供了一种TFDS图像质量评价系统，该系统可以包括硬件部分和软件部分，其中，硬件部分包括图像采集单元、传输单元、存储单元和计算单元。图像采集单元用于采集需评价的TFDS图像，例如，可以是相机等图像传感器；传输单元用于将图像采集单元采集的TFDS图像传输给计算单元；存储单元用于存储需评价TFDS图像的图像质量评价结果、需评价的TFDS图像本身以及相关的软件、代码、文档等，其中，图像质量评价结果主要可以包括图像的清晰度S、区域饱和度Sa、分布度sp、暗区标准差st以及图像质量综合评价f等。

软件部分在所述硬件部分的存储单元上记载，并且在计算单元上运行，其中包含有主界面以及各功能模块。

其中，主线程部分的主界面用于向用户显示当前图像和图像质量评价结果，并向用户提供保存路径设置和输入接口，具体地，主界面用于实时显示所述需评价图像的图像质量评价结果，主要可以分为三个区域：当前图像显示区、评价结果显示区、用户分级输入区以及图像读取和结果保存路径设置区。

这里，图像读取和结果保存路径设置区使用两种输入和输出模式：第一种，用户不在读取路径上填写路径时，使用人机界面的方式，即用户自己选择的方式进行图像的选择，这种方式下，最终结果保存在与所选择的图像相同的路径下；第二种，用户输入读取路径和文件名后缀(后缀不填为使用默认值)后，需评价的图像即为在该路径下指定后缀的所有图像，图像质量评价结果保存在用户输入的路径下(不输入即为使用默认路径)。

其中，功能模块具体可以包含：全局数据存储模块、用户界面模块、第一计算模块、第二计算模块、综合评价模块和结果输出模块；具体地，全局数据存储模块用于包含有所述综合评价模块得到的图像质量综合评价f的图像质量评价结果以及相关的参数，如清晰度等，为主线程部分和辅线程部分共同使用的数据区，供两个线程高速使用而不用互传数据。用户界面模块用于处理用户对界面的操作，包括移动、最大化、最小化窗口以及需评价图像和图像质量评价结果的显示和更新。第一计算模块用于计算需评价图像的清晰度S，具体地，得到主线程部分的通知后开始计算清晰度，每计算完一幅图像的清晰度S时，将该图像的清晰度S存放在全局数据存储模块中。第二计算模块用于计算区域饱和度Sa、分布度sp、和暗区标准差st。同第一计算模块一样，第二计算模块每计算完一幅图像的相关参数后，将该图像的相关参数存放在全局数据存储模块中；综合评价模块用于根据第一计算模块得到的清晰度S和第二计算模块得到的区域饱和度Sa、分布度sp、和暗区标准差st，计算得到所述图像的图像质量综合评价f，将得到的图像质量综合评价f存放在全局数据存储模块中，并向主线程发送通知消息。

结果输出模块用于接受用户指定和输出模式和路径，用于从所述全局数据存储模块中读取所述图像质量评价结果，并在主界面上的图像结果显示区输出当前图像的所述图像质量评价结果；主界面，用于实时显示所述需评价图像的图像质量评价结果，还可以实时显示正在进行指令评价的图像本身；在用户指定的路径下或者默认路径下，按照预设的格式生成图像质量评价结果报表，该图像质量评价结果报表中包含图像的清晰度S、区域饱和度Sa、分布度sp、暗区标准差st以及图像质量综合评价f等各项参数。

整个软件部分主要包括主线程部分和辅线程部分，主线程部分用来进行界面的显示和维护，而辅线程部分主要用来进行图像质量评价的计算，对于多核计算机，两个线程在物理上同时进行计算，并且使用线程通信技术来同步两个线程的工作，所述辅线程部分包含所述第一计算模块、第二计算模块和综合评价模块；所述主线程部分包含所述用户界面模块、结果输出模块和主界面；所述全局数据存储模块为所述主线程部分和辅线程部分的公共部分。

如图3所示，主线程和辅线程之间协作的处理过程如下：

步骤301：用户进行界面操作，指定评价N幅TFDS图像，N为不小于1的整数；

步骤302：开辟第二线程，作为辅线程；

步骤303：读取第i幅图像，i为不小于1的整数；

步骤304：计算第i幅图像的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st等图像相关参数；

步骤305：计算图像质量综合评价f，得到第i幅图像的图像质量评价结果；

步骤306：辅线程向主线程发送通知消息1，告知已得到第i幅图像的图像质量评价结果；

步骤307：主线程接收所述通知消息1，从全局数据存储模块中读取第i幅图像的图像质量评价结果；

步骤308：主线程更新主界面，主界面上显示第i幅图像以及其图像质量评价结果；

步骤309：判断i是否小于N，如果是，则继续步骤310；否则，继续步骤311；

步骤310：更新i＝i+1，并返回步骤303；

步骤311：辅线程向主线程发送通知消息2，通知N个TFDS图像的质量评价均已完成，至此辅线程的处理结束；

步骤312：主线程接收通知消息2；

步骤313：主线程从全局数据存储模块中读取N幅TFDS图像的图像质量综合评价f，更新主界面，在主界面上显示N幅TFDS图像的图像质量综合评价f的统计信息。

其中，在步骤302-312的进行过程中，用户都可以执行步骤314：用户界面操作，即在主界面上进行操作，由主线程执行。

下面给出本发明进行图像质量评价的一些测试实例：

测试一

采用本发明对U-Texas at Austin的LIVE图像库中模糊图像子库中174幅图像进行评价，图4展示了其中部分图像。测试得到的相关度曲线如图14所示。由图5可见，本发明给出的评价结果与MOS评价结果的相关度达到90％以上，表示本发明的测试结果与主观评价越吻合，充分说明了本发明算法的有效性。

测试二

(1)现场应用测试

本发明在湖东车辆段茶坞运用车间进行了运用测试，共测试分析22857480幅图像，所得到的图像质量评价结果与125名动态检车员主观上的图像质量评价结果符合度达到92％。

(2)线阵、面阵图像测试。

选取102幅TFDS图像，前62幅是使用面阵CCD摄像机拍摄的图像(如图6所示为部分面阵图像)，后40幅为使用线阵CCD拍摄的图像(图7所示为部分线阵图像)。由图像可见，线阵CCD所得到的清晰度远高于面阵图像。

通过观察，本测试集中虽然线阵图像的清晰度高，但是其拍摄的时间和面阵图像不一样。面阵图像一般是白天拍摄，而线阵图像为晚上拍摄的。白天拍摄的图像的对比度大，灰度比较高，而晚上拍摄的图像对比度小，并且灰度比较低。

评价结果如图8所示。由于线阵图像的拍摄时间都为晚上，在对比度和亮度上面相较于面阵图像为劣势，因此有些线阵图像由于对比度和亮度等原因，评价结果急剧下降。

(3)不同天气条件下图像的测试

图9为一些典型图像。其中1_1_6，3(41)为面阵清晰图像，质量较好，3_0009，19(23)为线阵图像，清晰度很高，质量好，2(44)，2(47)，2(88)，19(7)，19(27)存在大片黑暗区域，但是关键对象质量好，评价较高，2_3_4，2_3_5，24(1)，24(3)，24(4)，24(6)，24(10)，24(41)，25(8)，9_2_5，9_2_11存在雨、雪、雾等情况，图像模糊，辨认困难，评价较差，19(125)太暗，看不清，评价差，19(164)，19(218)存在大面积遮挡，关键对象看不到，评价差，PIC5_0002，1_4_4过度曝光，评价差，8942，9581存在严重拖尾现象，图像内容无意义，评价差。

表1为通过本发明对图9中的图像进行图像质量评价得到的图像质量评价结果，与主观上的图像质量评价结果符合度高于90％。

表1

由于实际图像很大，在此处不便于原始尺寸显示，图像进行了大幅的尺寸压缩，某些图像降质(如模糊)可能难以在小图上察觉，实际应以原始尺寸图像为准。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种图像清晰度评价方法，其特征在于，所述方法包括：

对原始图像进行双边滤波；

对滤波后的图像进行视觉敏感性校正；

对校正后的图像进行边缘提取处理；

对校正后的图像进行处理，得到所述图像的图像粒度；

计算边缘提取处理后所得到图像在边缘点处的梯度方向；

使用得到的边缘点处梯度方向，获取边缘横截图；

计算所述边缘横截图的最大差分值；

根据得到的最大差分值，计算所述边缘横截图每个边缘点的扩散宽度；

计算所述边缘横截图每个边缘点邻域处的局部结构性度；

根据所得到的扩散宽度、局部结构性度和图像粒度，计算得到清晰度S。

2.一种故障轨边图像检测系统TFDS图像质量评价方法，其特征在于，所述方法包括：

计算需评价图像的清晰度S；

计算需评价图像的区域饱和度Sa；

计算需评价图像的分布度sp；

计算需评价图像的暗区标准差st；

根据计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st，计算得到需评价图像的图像质量综合评价f。

3.根据权利要求2所述TFDS图像质量评价方法，其特征在于，

所述根据计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st，计算得到图像质量综合评价f，为：将计算得到的清晰度S、区域饱和度Sa、分布度sp和暗区标准差st带入公式中进行计算，得到需评价图像的图像质量综合评价f，其中，σ_sp用于控制分布度sp在图像质量综合评价中的权重。

4.根据权利要求2所述TFDS图像质量评价方法，其特征在于，所述计算需评价图像的清晰度S，包括：

对需评价图像进行双边滤波；

对滤波后的图像进行视觉敏感性校正；

对校正后的图像进行边缘提取处理；

对校正后的图像进行处理，得到所述图像的图像粒度；

计算边缘提取处理后所得到图像在边缘点处的梯度方向；

使用得到的边缘点处梯度方向，获取边缘横截图；

计算所述边缘横截图的最大差分值；

根据得到的最大差分值，计算所述边缘横截图每个边缘点的扩散宽度；

计算所述边缘横截图每个边缘点邻域处的局部结构性度；

根据所得到的扩散宽度、局部结构性度和图像粒度，计算得到清晰度S。

5.根据权利要求2所述TFDS图像质量评价方法，其特征在于，所述计算需评价图像的分布度sp，包括：

步骤1：计算需评价图像的分布阈值thr；

步骤2：在需评价图像中部截取大小比例为0.4的子图像I_s0，如果mean(I)＞45，认为图像支持域足够大，设置分布度sp＝1，否则基于sp＝mean(I_s0≥thr)计算得到分布度sp；

步骤3：在原始图像中截取比例为0.6的4个子图像I_s1、I_s2、I_s3和I_s4，基于sp_i＝mean(I_si＞thr)，其中，i＝1，2，3，4，分别计算4个子图像I_s1、I_s2、I_s3和I_s4的分布度sp₁、sp₂、sp₃和sp₄，再由sp＝((sp₁＞0.1+sp₂＞0.1+sp₃＞0.1+sp₄＞0.1)≥2？1：sp)进一步确定分布度sp的值；

步骤4：计算5个子图像I_s0、I_s1、I_s2、I_s3和I_s4的灰度均值，并根据5个子图像I_s0、I_s1、I_s2、I_s3和I_s4的灰度均值进一步调整分布度sp；

步骤5：对需评价图像进行滤波，并进行二值化操作，得到二值化图像；按照步骤2和步骤3的方法在所述二值化图像上截取5个子图像，分别计算该5个子图像非零部分的像素个数占子图像像素总个数的比例，该比例达到0.25的子图像个数如果大于或等于2，置sp＝1；否则，保持分布度sp值不变；

步骤6：检查TFDS图像中经常出现的严重拖尾现象，校正当前得到的分布度sp；

步骤7：基于公式 $\mathrm{sp}=\left\{\begin{array}{cc}\mathrm{sp}& 0.1\&le;\mathrm{sp}\&le;0.2\\ 0.2& \mathrm{sp}>0.2\\ 0.1& \mathrm{sp}<0.1\end{array}\right.$ 对当前得到的分布度sp进行范围限定，得到最终的分布度sp。

6.一种TFDS图像质量评价系统，其特征在于，所述系统包括：第一计算模块、第二计算模块和综合评价模块，其中；

第一计算模块，用于计算需评价图像的清晰度S；

第二计算模块，用于计算需评价图像的区域饱和度Sa、分布度sp和暗区标准差st；

综合评价模块，用于根据所述第一计算模块得到的清晰度S、以及第二计算模块得到的区域饱和度Sa、分布度sp和暗区标准差st，计算得到需评价图像的图像质量综合评价f。

7.根据权利要求6所述的一种TFDS图像质量评价系统，其特征在于，所述系统还包括：全局数据存储模块用于保存包含有所述综合评价模块得到的图像质量综合评价f的图像质量评价结果。

8.根据权利要求7所述的一种TFDS图像质量评价系统，其特征在于，所述系统还包括：结果输出模块和主界面；其中，结果输出模块，用于从所述全局数据存储模块中读取所述图像质量评价结果，并在主界面上的图像结果显示区输出当前图像的所述图像质量评价结果；主界面，用于实时显示所述需评价图像的图像质量评价结果。

9.根据权利要求8所述的一种TFDS图像质量评价系统，其特征在于，所述系统还包括：用户界面模块，用于处理用户对界面的操作，包括移动、最大化、最小化窗口以及需评价图像和图像质量评价结果在所述主界面上的显示和更新。

10.根据权利要求9所述的一种TFDS图像质量评价系统，其特征在于，所述系统包括：主线程部分和辅线程部分，所述辅线程部分包含所述第一计算模块、第二计算模块和综合评价模块；所述主线程部分包含所述用户界面模块、结果输出模块和主界面；所述全局数据存储模块为所述主线程部分和辅线程部分的公共部分。

Images