CN102760293B - 基于距离矩阵的图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于距离矩阵的图像质量评价方法，属于图像处理技术领域。本发明从图像自身信息出发，提出以距离图的方式反映图像中的像素和其周围像素之间的相关性：对于清晰的图像，由于存在的干扰少，像素灰度值与其邻域像素之间的相关性跟随图像的内容不同而不同，而存在大量干扰的图像，像素与其周围像素之间的距离会变得近，使得距离图像出现模糊；然后通过距离矩阵的方式提取图像距离图的特征，距离矩阵的散布范围及其位置即可反映图像的质量，进而可得到图像的质量参数。本发明还公开了一种图像融合装置，利用本发明的图像质量评价方法对融合图像的质量进行实时评价。本发明不需要标准图像，可有效的评价图像处理系统或成像装置的像质。

Description

基于距离矩阵的图像质量评价方法

技术领域

本发明涉及一种图像质量评价方法，尤其涉及一种基于距离矩阵的图像质量评价方法，属于图像处理技术领域。

背景技术

图像质量评价技术一直是图像处理领域的关键技术，可以用于评价图像处理方法的效果，或是依据图像质量来选择合适的图像处理方法。图像质量评价技术大多根据处理后的图像与参考图像之间的不同，来度量图像质量；但是大多图像质量评价的应用领域，难于得到标准图像作为参考，此时更需要图像质量评价技术，以便根据图像质量来选择合适的图像处理方法。

现有的图像质量评价技术大多采用与标准参考图像对比的方法，但是人类的视觉系统不需要对比即可判断图像的质量优劣。同时，在很多情况下（例如衡量成像装置的成像效果）无法找到标准图像来衡量成像像质的优劣。根据人类视觉系统及图像的特点可以看出，图像本身提供的信息应该足以判断图像的质量，而根据图像自身提供信息来判断图像质量的方法属于无参考的图像质量评价方法。

Nobuatsu Sasanuma, Abiko等公开的美国专利“Method and apparatus for calculating distances and reflection differences between measurement points on printed matter to evaluate image quality” (专利号：US 7,633,648 B2)中采用参考点与保留点的距离、参考点与保留点反射特性的不同来度量印刷品的图像质量。该发明的出发点为：能被人类视觉接受的一幅图像中，具有与兴趣点的距离一致的色彩信号变化，由此计算局部区域内参考点与兴趣点的距离，参考点与兴趣点的反射特性的不同，可以实现基于距离和不同的局域图像质量评价。该发明是用来评价彩色印刷品的，利用了人类视觉对于图像的相邻像素的色彩一致性，根据像素距离和色彩的变化来判断印刷品的质量，发明本身合理的利用了人类视觉特性，但是发明在判断光学反射特性不同时还需使用光谱仪，这无疑增加了系统的成本，并且应用的局限性更加明显，即该系统只适用于对印刷品等静态的图像质量进行评价。如果采用发明中的系统对实时显示的图像进行质量评价时，则光谱仪的反射特性采集部分，只能通过采集监视器上显示的图像来实现，而这无疑使得质量评价结果更侧重监视器的性能。虽然该技术方案具有理想的印刷品图像质量评价结果，并且图像像素特性的距离特点确实为无参考图像质量评价提供了有力的依据，但为了对成像系统及图像处理结果进行无参考评价，仍需寻找更有效的方法与装置。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于距离矩阵的图像质量评价方法，利用图像自身的距离矩阵来评价图像质量。

本发明具体采用以下技术方案解决上述技术问题。

一种基于距离矩阵的图像质量评价方法，其特征在于，包括以下步骤：

步骤1、对预先选取的与待评价图像同类的标准图像分别加入期望为0，标准差由0开始依次递增的不同的高斯白噪声，得到一组含噪图像；

步骤2、对每一幅含噪图像，计算其距离矩阵的标准偏差；

步骤3、根据各含噪图像的高斯白噪声的标准差、距离矩阵标的标准偏差，建立高斯白噪声的标准差与距离矩阵的标准偏差之间的对应关系表或关系曲线；

步骤4.计算待评价图像的距离矩阵的标准偏差；

步骤5、利用步骤3得到的高斯白噪声的标准差与距离矩阵的标准偏差之间的对应关系表或关系曲线，查找出待评价图像的距离矩阵的标准偏差所对应的高斯白噪声的标准差，即为待评价图像的质量评价结果；

其中，图像的距离矩阵的标准偏差，具体按照以下方法计算得到：

步骤A、按照以下方法求取该图像的距离图：

步骤A1、对于图像中的任意一个像素点（i,j），计算以像素点（i,j）为中心的大小为S×S的邻域中，以像素点（i,j）为中心的大小为s×s的小区域与该邻域中其它大小为s×s的小区域的欧氏距离的平均值，并将该平均值赋予像素点（i,j）；其中，S和s均为自然数，且                                                ；

步骤A2、对图像中所有点均按照步骤A1进行处理，得到一幅新的图像；

步骤A3、将步骤A2所得到的新的图像转化为256级灰度图像，该灰度图像即为距离图；

步骤B、构建步骤A所得距离图的距离矩阵，具体按照以下方法： 

步骤B1、构建一个256×256的矩阵；

步骤B2、对于该矩阵中坐标为（，）的元素，判断所述距离图中是否存在灰度值分别为的两个不同的像素点，如存在，则将该元素的值赋为1；如不存在，则赋值为0；最终得到的矩阵即为该距离图的距离矩阵；

步骤C、根据下式计算距离矩阵的标准偏差：

其中，；表示距离矩阵中坐标为的元素值。

步骤A1中所述该邻域中其它大小为s×s的小区域，可以根据具体硬件的计算能力设定不同的范围，例如，当硬件计算能力较弱时可采取较为简化的方法，即该邻域中其它大小为s×s的小区域，具体是指：以像素点（i,j）为中心的大小为S×S的邻域中，与以像素点（i,j）为中心的大小为s×s的小区域无重叠的其它大小为s×s的小区域。如硬件的并行计算能力较强，则可采用以下方案：步骤A1中所述该邻域中其它大小为s×s的小区域，具体是指：以像素点（i,j）为中心的大小为S×S的邻域中，除以像素点（i,j）为中心的大小为s×s的小区域以外的所有大小为s×s的小区域。

本发明技术方案中，所述邻域的大小可以为18×18、21×21、27×27等，优选地，S的取值为21。

本发明的图像质量评价方法可用于对图像融合的结果进行评价，从而得到一种图像融合装置。本发明的图像融合装置包括至少两个成像通道、图像融合模块、显示器，各成像通道输入的图像数据经图像融合模块进行融合，并将融合图像通过显示器输出；所述图像融合装置还包括与所述图像融合模块连接的图像质量评价模块，所述图像融合模块包括采用不同融合算法的多个图像融合子模块；进行图像融合时，图像融合模块中的多个图像融合子模块分别进行图像融合并将融合图像传输至图像质量评价模块，图像质量评价模块采用上述任一技术方案所述图像质量评价方法对融合图像进行评价，并将评价结果返回给图像融合模块；图像融合模块选择评价结果最优的图像融合子模块的融合图像作为最终的融合图像输出至显示器。

相比现有技术，本发明的基于距离矩阵的图像质量评价方法具有以下有益效果：

本发明解决了像质评价时的无参考图像的问题，并由像质评价延伸到对成像系统成像质量的评价。发明中采用的距离图像以距离的方式反映出图像中的像素和其周围像素之间的相关性，对于清晰的图像，由于存在的干扰少，所以像素的灰度值与其邻域像素之间的相关性跟随图像的内容不同而不同，但是存在大量干扰的图像，像素与其周围像素之间的距离会变得近，使得距离图像出现模糊。发明利用距离图像的特点，用统计的方法生成距离矩阵，而距离矩阵可以从统计特性出发，以数值的方式评价图像的质量。本发明不需要标准图像，经实验证实可以有效的评价图像处理系统或是成像装置的像质。

附图说明

图1为距离图的计算流程图；

图2（a）、图2（b）、图2（c）、图2（d）分别为原图像、原图像的距离图、加入噪声的原图像、加入噪声的原图像的距离图；

图3为距离图的距离矩阵的求解流程图；

图4为本发明的图像融合装置的结构示意图；

图5（a）、图5（b）分别为成像通道1和成像通道2输入的不同成像焦点的图像；

图6（a）、图6（b）分别为采用频域融合方法、幅度调制融合方法融合图5（a）和图5（b）所得到的融合图像。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的思路是从图像自身的信息出发，提出以距离图的方式反映图像中的像素和其周围像素之间的相关性：对于清晰的图像，由于存在的干扰少，所以像素的灰度值与其邻域像素之间的相关性跟随图像的内容不同而不同，而存在大量干扰的图像，像素与其周围像素之间的距离会变得近，使得距离图像出现模糊。然后通过距离矩阵的方式来提取图像距离图的特征，距离矩阵的散布范围及其位置即可反映图像的质量，进而可得到图像的质量参数。

本发明首次提出以距离图的形式来表征图像像素的灰度值与其邻域像素之间的相关性，图像的距离图具体按照以下方法求取：

步骤A1、对于图像中的任意一个像素点（i,j），计算以像素点（i,j）为中心的大小为S×S的邻域中，以像素点（i,j）为中心的大小为s×s的小区域与该邻域中其它大小为s×s的小区域的欧氏距离的平均值，并将该平均值赋予像素点（i,j）；其中，S和s均为自然数，且；

步骤A2、对图像中所有点均按照步骤A1进行处理，得到一幅新的图像；

步骤A3、将步骤A2所得到的新的图像转化为256级灰度图像，该灰度图像即为距离图。

图2（a）-图2（d）即直观地显示了图像的距离图与图像质量之间的关系，其中图2（a）为原始图像，图2（c）为对图2（a）的原始图像加入噪声后的图像，图2（b）和图2（d）分别为图2（a）和图2（c）的距离图。从图中可以明显看出，随着图像质量的变化，其距离图也随之发生着相同的变化，因此完全可以使用图像的距离图来反映图像的质量。

为了能够根据图像距离图得到可量化的质量参数，本发明进一步利用距离图像的特点，用统计的方法生成距离矩阵，而距离矩阵可以从统计特性出发，以数值的方式评价图像的质量。

具体而言，本发明的图像质量评价方法具体按照以下步骤：

步骤1、对预先选取的与待评价图像同类的标准图像分别加入期望为0，标准差由0开始依次递增的不同的高斯白噪声，得到一组含噪图像；高斯白噪声的加入方法可以采用现有的各种方法，最简单的方法，就是使用matlab中的函数，但是matlab中的‘image processing toolbox’的‘imnoise’函数加入高斯噪声时，标准差的取值为0-1的数值，此时，标准差可以以0.01为间隔，那么评价时给出的高斯噪声标准差的值也在0-1之间。

步骤2、对每一幅含噪图像，计算其距离图，统计距离图的距离矩阵，并计算距离矩阵的标准偏差；具体按照以下方法：

步骤A、按照以下方法求取该图像的距离图：

步骤A1、对于图像中的任意一个像素点（i,j），计算以像素点（i,j）为中心的大小为S×S的邻域中，以像素点（i,j）为中心的大小为s×s的小区域与该邻域中其它大小为s×s的小区域的欧氏距离的平均值，并将该平均值赋予像素点（i,j）；其中，S和s均为自然数，且；

步骤A2、对图像中所有点均按照步骤A1进行处理，得到一幅新的图像；

步骤A3、将步骤A2所得到的新的图像转化为256级灰度图像，该灰度图像即为距离图；

图1即显示了本具体实施方式中所使用的求取图像距离图的算法流程，具体包括以下步骤：

系统初始化并定义变量；

m,n：图像尺寸；I：输入图像；D1：区域距离；D：距离图；（i,j）：像素位置；（i_d,j_d）：21×21区域内其它点的位置；i_v：控制变量。

读入加入高斯白噪声的图像I；

计算图像尺寸，并赋值给m、n，m为图像的行数，n为图像的列数；

把图像划分为21×21的区域（当然，也可根据实际需要划分为18×18或27×27等区域），如果不能整除，那些剩余像素可以向图像内部扩展，或是根据剩余面积重新以21行或是21列为基准来分块；

在每个21×21的区域内，计算以（i,j）为中心的7×7区域与21×21区域内其它以（i_d,j_d）为中心的的7×7区域的欧式距离D1（i_v），欧式距离的计算如式（1）所示：

                          （1）

式中，d表示两个像素间的距离，v表示像素值，N_i表示以i为中心像素的小邻域，N_j表示以j为中心的小邻域；

本步骤中所述其它以（i_d,j_d）为中心的的7×7区域，可以根据具体硬件的计算能力设定不同的范围，例如，当硬件计算能力较弱时可采取较为简化的方法，即设定为：以像素点（i,j）为中心的大小为21×21的区域中，与以像素点（i,j）为中心的大小为7×7的区域无重叠的其它大小为7×7的小区域；如硬件的并行计算能力较强，则可设定为：以像素点（i,j）为中心的大小为21×21的区域中，除以像素点（i,j）为中心的大小为7×7的小区域以外的所有大小为7×7的小区域；

等待以（i,j）为中心的7×7区域与21×21区域内其它以（i_d,j_d）为中心的7×7区域的距离D1（i_v）计算完成；

求D1（i_v）的平均值并将其值赋给D（i,j）；

等待全图中所有m×n个像素点计算完成；

由D的最大值对D进行归一化，将其转化为256级灰度图像；

D即为求得的距离图。

步骤B、构建步骤A所得距离图的距离矩阵，具体按照以下方法： 

步骤B1、构建一个256×256的矩阵；

步骤B2、对于该矩阵中坐标为（，）的元素，判断所述距离图中是否存在灰度值分别为的两个不同的像素点，如存在，则将该元素的值赋为1；如不存在，则赋值为0；最终得到的矩阵即为该距离图的距离矩阵； 

本具体实施方式中所使用的距离矩阵的构建算法流程如图3所示，具体按照以下步骤：

系统初始化并定义变量；

m,n：图像尺寸；I：输入距离图；a：统计窗口尺寸；l：待求像素之间的距离；D1：距离出现频度；G：距离对出现情况；（i,j）：距离图中的像素位置；（i_d,j_d）：a×a区域内其它点的位置。

将距离图分成a×a大小的图像块（分块处理是为了使算法简便，也可以不分块，直接对整个距离图进行统计），在以（i,j）为中心的a×a的区域内，统计（i,j）与（i,j+l）距离值组合出现地频度：假设距离图中位置（i,j）处的距离值为A，（i,j+l）处的距离值为B，则D1（A，B）=D1（A，B）+1。

 等待所选择的a×a区域内所有的距离数值组合统计完成；

 判断D1（i,j）=0？如果D1（i,j）=0则G（i,j）=0 否则G（i,j）=1；

等待整幅距离图计算完成，得到的D1即为距离图的统计矩阵，该矩阵为一个256×256的矩阵。

步骤C、根据下式（2）计算距离矩阵的标准偏差：

                                          （2）

其中，；表示距离矩阵中坐标为的元素值。

众所周知，常规的标准差的计算公式为：

其中，，式中对图像中所有的像素值求均值，求得的标准差为其它像素对均值的偏差。

而本发明并未采用现有标准差计算方法，本发明的标准偏差求解，，除了应用像素的总和以外，还考虑了由灰度表示的权值，因为两个像素组合中，灰度相差越大，则反映图像中像素之间的差别越大，该种标准偏差的求解可以有效地反映距离矩阵的统计特性。

步骤3、根据各含噪图像的高斯白噪声的标准差、距离矩阵的标准偏差，建立高斯白噪声的标准差与距离矩阵的标准偏差之间的对应关系表或关系曲线。

步骤4.计算待评价图像的距离矩阵的标准偏差；其距离矩阵的标准偏差的计算方法如上步骤A-步骤C所述。

步骤5、利用步骤3得到的高斯白噪声的标准差与距离矩阵的标准偏差之间的对应关系表或关系曲线，查找出待评价图像的距离矩阵的标准偏差所对应的高斯白噪声的标准差，即为待评价图像的质量评价结果。

为了便于公众进一步理解本发明的技术方案，下面举一具体实例：

本实例中的标准图像采用标准图像库tid2008,其中共包括各种不同景物特点的图像25幅，给每幅标准图像加入期望为0，标准差为σ的高斯白噪声，σ的取值根据需要设置成递增的值，这样由一幅标准图像可以得到多幅加入不同σ值的含噪图像，这些图像可以根据σ的取值来编号，每幅标准图像都会得到一组带噪图像，可以根据图像内容来把图像分类，例如，图库中的I08、I21、I22、I24就可以分类为建筑图像，比如对图I08加入期望为0，标准差为σ的高斯白噪声得到一组图像为I0801、I0802等，标准差σ的值可以以0.1为间隔选取，根据实际需要大约取到10左右，那么得到了100幅加入了高斯白噪声的图像。

采用上述步骤A-步骤C的方法计算各幅含噪图像的距离图，距离图的距离矩阵，最后得到每幅含噪图像的距离矩阵的标准偏差，根据其所对应的含噪图像的高斯白噪声的标准差σ，即可得到各类图像的高斯白噪声的标准差与距离矩阵的标准偏差之间的对应关系表或关系曲线。

对于任意一幅待评价图像，按照上述步骤A-步骤C的方法计算出距离矩阵的标准偏差，然后根据其所属类别在相应的高斯白噪声的标准差与距离矩阵的标准偏差之间的对应关系表或关系曲线中查找，即可得到该待评价图像的高斯白噪声的标准差，从而定量地评价其图像质量。

本发明的图像质量评价方法不需要参考图像，可以有效的评价图像处理系统或是成像装置的像质。例如，可以用于实时评价融合结果图像的质量。图像融合是指将多源信道所采集到的关于同一环境的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率等。图像融合方法有很多种，对不同的景物，多源信道图像的信息提取和融合在采用不同的融合方法时会得到不同质量的融合图像，所以判断融合结果图像的质量可以为融合方法的最优选择提供可靠依据。下面举一应用本发明方法的图像融合装置的实例来进行说明。

该图像融合装置的结构如图4所示，包括两个成像通道（成像通道1和成像通道2）、图像融合模块、显示器，以及与所述图像融合模块连接的图像质量评价模块，所述图像融合模块包括采用不同融合算法的多个图像融合子模块，图像质量评价模块还同时与显示器连接以实时显示融合图像的质量评价结果；本实施例中，图像质量评价模块主要由高速数字处理芯片（TI公司的DM642）、芯片的外围电路及存储器组成。进行图像融合时，图像融合模块中的多个图像融合子模块分别对各成像通道输入的原始图像进行图像融合，并将融合图像传输至图像质量评价模块及显示器，图像质量评价模块采用本发明图像质量评价方法对融合图像进行评价，将评价结果同时输出至图像融合模块及显示器，显示内容为当前的融合图像、其所采用的图像融合方法，以及对应于高斯噪声的标准差；图像融合模块选择评价结果最优的图像融合子模块的融合图像作为最终的融合图像。图5（a）、图5（b）、图6（a）、图6（b）显示了使用该装置进行多焦点图像融合的效果，其中，图5（a）、图5（b）分别为成像通道1和成像通道2输入的不同成像焦点的图像；图6（a）、图6（b）分别为采用频域融合方法、幅度调制融合方法融合图5（a）和图5（b）所得到的融合图像，其左上角显示了当前融合图像所使用的融合方法及对应于高斯噪声的标准差。

Claims (4)

1.一种基于距离矩阵的图像质量评价方法，其特征在于，包括以下步骤：

步骤1、对预先选取的与待评价图像同类的标准图像分别加入期望为0，标准差由0开始依次递增的不同的高斯白噪声，得到一组含噪图像；

步骤2、对每一幅含噪图像，计算其距离矩阵的标准偏差；

步骤3、根据各含噪图像的高斯白噪声的标准差、距离矩阵的标准偏差，建立高斯白噪声的标准差与距离矩阵的标准偏差之间的对应关系表或关系曲线；

步骤4.计算待评价图像的距离矩阵的标准偏差；

步骤5、利用步骤3得到的高斯白噪声的标准差与距离矩阵的标准偏差之间的对应关系表或关系曲线，查找出待评价图像的距离矩阵的标准偏差所对应的高斯白噪声的标准差，即为待评价图像的质量评价结果；

其中，图像的距离矩阵的标准偏差，具体按照以下方法计算得到：

步骤A、按照以下方法求取该图像的距离图：

步骤A1、对于图像中的任意一个像素点（i,j），计算以像素点（i,j）为中心的大小为S×S的邻域中，以像素点（i,j）为中心的大小为s×s的小区域与该邻域中其它大小为s×s的小区域的欧氏距离的平均值，并将该平均值赋予像素点（i,j）；其中，S和s均为自然数，且                                                ；

步骤A2、对图像中所有点均按照步骤A1进行处理，得到一幅新的图像；

步骤A3、将步骤A2所得到的新的图像转化为256级灰度图像，该灰度图像即为距离图；

步骤B、构建步骤A所得距离图的距离矩阵，具体按照以下方法： 

步骤B1、构建一个256×256的矩阵；

步骤B2、对于该矩阵中坐标为，，，的元素，判断所述距离图中是否存在灰度值分别为的两个不同的像素点，如存在，则将该元素的值赋为1；如不存在，则赋值为0；最终得到的矩阵即为该距离图的距离矩阵；

步骤C、根据下式计算距离矩阵的标准偏差：

其中，；表示距离矩阵中坐标为的元素值。

2.如权利要求1所述基于距离矩阵的图像质量评价方法，其特征在于，步骤A1中所述该邻域中其它大小为s×s的小区域，具体是指：以像素点（i,j）为中心的大小为S×S的邻域中，与以像素点（i,j）为中心的大小为s×s的小区域无重叠的其它大小为s×s的小区域。

3.如权利要求1所述基于距离矩阵的图像质量评价方法，其特征在于，步骤A1中所述该邻域中其它大小为s×s的小区域，具体是指：以像素点（i,j）为中心的大小为S×S的邻域中，除以像素点（i,j）为中心的大小为s×s的小区域以外的所有大小为s×s的小区域。

4.如权利要求1所述基于距离矩阵的图像质量评价方法，其特征在于，所述S的取值为21。