CN102800082B - 一种无参考的图像清晰度检测方法 - Google Patents
一种无参考的图像清晰度检测方法 Download PDFInfo
- Publication number
- CN102800082B CN102800082B CN201210202395.4A CN201210202395A CN102800082B CN 102800082 B CN102800082 B CN 102800082B CN 201210202395 A CN201210202395 A CN 201210202395A CN 102800082 B CN102800082 B CN 102800082B
- Authority
- CN
- China
- Prior art keywords
- mainfeature
- edgewidthhist
- energy
- histogram
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title abstract 3
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 230000001186 cumulative effect Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及一种无参考的图像清晰度检测方法。本发明首先根据已有的灰度图计算梯度图；采用公开的边缘检测算法，定位强边缘点；计算强边缘点的边缘宽度，并统计边缘宽度累计直方图。其次对已有的灰度图进行小波变换，计算高频小波系数的能量。然后对已有的灰度图统计灰度直方图，根据灰度直方图计算灰度直方图特征。最后根据边缘宽度累计直方图、高频小波系数能量和灰度直方图特征，估计该灰度图的清晰度。本发明不需要参考图像即可检测图像的清晰度，并且清晰度值与人眼主观感受一致。该方法不受图像内容和视场亮度的影响，检测结果对编码和噪声等干扰有一定的鲁棒性。
Description
技术领域
本发明属于图像处理技术领域，涉及一种无参考的图像清晰度检测方法。
背景技术
实际应用中，摄像机或照相机采集到的图像常常由于各种原因会降质，造成人眼的视觉感受模糊、不清晰。常见的图像降质原因有：压缩、传感器性能退化、电磁干扰、失焦等。图像质量包括两方面：主观质量和客观质量。主观质量是指人眼对图像整体内容和细节的感受；客观质量是指降质图像与原始图像的偏离程度。
根据对原始图像的依赖程度，图像质量评价方法主要分为三类：全参考、半参考和无参考图像质量评价方法。全参考图像质量评级方法需要原始图像，因而应用受到限制。半参考图像质量评价方法需要由原始图像提取的特征，虽然需要的信息量小于全参考图像质量评价方法，但是仍然不能独立进行图像质量的评估。无参考图像质量评价方法，不需要任何原始图像的信息，只以降质图像为输入，采用一定的图像特征，估计图像的清晰度，并使该清晰度值与人眼视觉感受相关。
专利“图像处理设备、图像处理方法、程序、及存储介质（专利号：200710137014）”以对象边缘的锐度、长度和方向确定聚焦状态；其缺点是对边缘信息少的图像估计得到的清晰度与主观不符。专利“一种利用多尺度形态学特征的图像清晰度度量方法（专利号：201110167446）”在图像的像素灰度值上得到多尺度形态学特征，作为清晰度的度量；其缺点是对于常见的含有细条纹或噪声干扰的视频图像易造成漏检。专利“一种图像质量评价方法及装置（专利号：201010532192）”利用空间频域特性参数、亮度响应非线性特性参数、掩盖效应特性参数等作为人眼视觉特征参数，使用自学习分类方法训练得到人眼视觉评价模型；其缺点是图像的空间频域特性对噪声和纹理的区分不明显，分类器的性能受样本多少的限制，而且分类器的输出是图像质量等级，而不是分数值。专利“一种无参考图像的模糊程度评价方法（专利号：201110252220）”利用模糊效应的局部特性，通过各个局部区域灰度值方差总和反映各个像素灰度值与周围像素灰度值的总体偏离程度，将该偏离程度的量度归一化得到最终的模糊度；其缺点是：对灰度范围窄的视频图像易造成误检。专利“用于确定图像质量的图像处理装置及其方法（专利号：200610115947）”利用图像的亮度直方图判断图像质量；其缺点是估计结果易受图像内容的影响。专利“智能视频诊断监控系统（专利号：201020660598）”中提到采用平均梯度法反映图像细微反差的程度；其缺点是清晰度估计结果易受噪声的影响。
发明内容
本发明针对现有技术的不足，提供了一种无参考的图像清晰度检测方法，该方法不需要参考图像（或视频），只需要待检测的灰度图像作为输入，即可检测该灰度图的清晰度或模糊度，并且该清晰度值与人眼主观感受尽可能一致。
本发明方法具体为：
步骤一：根据已有的灰度图计算梯度图{Gx,Gy}；采用公开的边缘检测算法，定位强边缘点。
步骤二：计算强边缘点的边缘宽度，并统计边缘宽度累计直方图EdgeWidthHist。
步骤三：对已有的灰度图进行小波变换，计算高频小波系数的能量Energy；所述的高频小波系数的能量Energy为：一次小波变换后得到的水平、垂直和对角方向上的高频小波系数的平方和。
步骤四：对已有的灰度图统计灰度直方图，根据灰度直方图计算灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}。
步骤五：根据边缘宽度累计直方图EdgeWidthHist、高频小波系数能量Energy和灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}，估计该灰度图的清晰度：
首先，根据灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}对图像分类，分为灰图像、暗图像、灰度范围窄的图像和一般图像四类；
然后，对不同类的图像采用不同的EdgeWidthHist分量值做为主要特征MainFeature；
其次，根据Energy对MainFeature分级修正，以处理虚警和漏警；
最后，输出修正后的MainFeature值做为清晰度值。
本发明不需要参考图像即可检测图像的清晰度，并且清晰度值与人眼主观感受一致。该方法不受图像内容和视场亮度的影响，检测结果对编码和噪声等干扰有一定的鲁棒性。
附图说明
图1为边缘宽度计算示意图；
图2为小波系数示意图；
图3为灰度直方图特征分析流程图；
图4为模糊值估计流程图；
图5为本发明方法流程图。
具体实施方式
为清楚说明本发明的技术路线和方案，以一幅图像的清晰度检测为例，结合附图详细说明本发明中各步骤的具体实现。这些实施例是说明性的，并非对本发明的限制。
步骤一：根据已有的灰度图计算梯度图{Gx,Gy}；采用公开的边缘检测算法，定位强边缘点。
梯度图采用Sobel等常见的梯度算子，边缘检测算法可采用如Canny边缘检测算子，强边缘点为边缘检测算法检测得到的边缘像素。
步骤二：计算强边缘点的边缘宽度，并统计边缘宽度累计直方图EdgeWidthHist。
边缘宽度的计算，如图1所示，在强边缘点处，比较水平和垂直方向的梯度绝对值{|Gx|,|Gy|}；当|Gx|≧|Gy|，计算以该点为中心的左右两个方向上像素灰度值严格单调变化的区间，该区间长度即为该强边缘点的边缘宽度；当|Gx|<|Gy|，计算以该点为中心的上下两个方向上像素灰度值严格单调变化的区间，该区间长度即为该强边缘点的边缘宽度。在整个灰度图上，统计各个强边缘点的边缘宽度直方图和累计直方图，并归一化，得到边缘宽度累计直方图EdgeWidthHist；EdgeWidthHist为特征向量，它的第N个分量值表示边缘宽度为N个像素的统计量。
步骤三：对已有的灰度图进行小波变换，计算高频小波系数的能量Energy。
小波变换采用任意一种已公开的小波变换算法，如Daubechies4小波变换。高频小波系数的能量Energy为，一次小波变换后得到的水平、垂直和对角方向上的高频小波系数的平方和。高频小波系数如图2所示。
步骤四：对已有的灰度图统计灰度直方图，根据灰度直方图计算灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}。
首先根据灰度图统计初始的灰度直方图，为了消除图像中极端灰度值对直方图特征的影响，将灰度直方图中极端灰度值的统计值赋零，并归一化。灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}在去除了极端灰度值统计量后的直方图上计算得到。提取灰度直方图分布的主要分量，{GrayMin,GrayMax}分别取为主要分量的最小值和最大值。直方图的主要分量按如下方法得到，首先，对直方图分量排序；然后，按降序累加直方图分量，该累加和达到一定阈值时，停止累加，本实施例中阈值取为0.9；所有参与累加的直方图分量，即为直方图分布的主要分量，这些主要分量的最小值和最大值即为灰度直方图的{GrayMin,GrayMax}特征，GrayHistWidth特征值取为GrayMax-GrayMin。
所述的极端灰度值是指灰度值落在0-10或245-255范围内的灰度值，GrayHistWidth表示灰度直方图宽度特征，GrayMin表示灰度直方图最小分量特征，GrayMin表示灰度直方图最大分量特征；灰度直方图特征计算过程如图3所示。
步骤五：根据边缘宽度累计直方图EdgeWidthHist、高频小波系数能量Energy和灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}，估计该灰度图的清晰度。实现过程如图4所示。
首先，根据灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}对图像分类，如分为灰图像、暗图像、灰度范围窄的图像和一般图像四类图像中的某一类。
然后，对不同类的图像采用不同的EdgeWidthHist分量值做为主要特征MainFeature；
其次，根据Energy对MainFeature分级修正，以处理虚警和漏警；
最后，输出修正后的MainFeature值做为清晰度值。
以上五个步骤的流程图可参加图5。
本实施例中，步骤五过程具体实现如下：
（1）根据灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}，按照表1将图像分类。灰度直方图特征不满足表1特征的图像，即为一般图像。本实施例具体采用的图像分类特征及其阈值如表2所示。
表1 图像分类采用的特征值及其阈值
| GrayMin | GrayMax | GrayHistWidth | |
| 灰图像 | >=Gl_1 | / | <Gh_1 |
| 暗图像 | / | <=Gh_2 | <Gw_2 |
| 灰度范围窄图像 | <Gl_3 | >Gh_3 | <Gw_3 |
说明：用于根据灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}对灰度图像分类
表2 视频分类采用的特征值
| GrayMin | GrayMax | GrayHistWidth | |
| 灰视频 | >=120 | / | <130 |
| 暗视频 | / | <=120 | <110 |
| 灰度范围窄视频 | <120 | >120 | <100 |
说明：实施例中采用的、根据灰度直方图特征对灰度图像分类的特征值阈值
（2）对于一般图像，步骤如下：
a)对MainFeature赋值，MainFeature=EdgeWidthHist(N1)；
b)对一般图像处理虚警，即，当MainFeature<Th时，根据Energy分级修正MainFeature的取值：
If T1<Energy<=T2
MainFeature=EdgeWidthHist(N1+1)；
Elseif T2<Energy<=T3
MainFeature=EdgeWidthHist(N1+2)；
Elseif T3<Energy
MainFeature=EdgeWidthHist(N1+3)；
本实施例中，N1=6，T1=50，T2=75，T3=95。
（3）对于非一般图像，因图像分类的不同采用的策略也不同，具体如下：
（3-1）对于灰图像，步骤如下：
a)对MainFeature赋值，MainFeature=EdgeWidthHist(N2)；
b)对灰图像处理漏警，即，当MainFeature>=Th时，根据Energy分级修正MainFeature的取值：
If T1<Energy<=T2
MainFeature=EdgeWidthHist(N2-1)；
Elseif Energy<=T1
MainFeature=EdgeWidthHist(N2-2)；
本实施例中，N2=5，T1=15，T2=30。
（3-2）对于暗图像，步骤如下：
a) 对MainFeature赋值，MainFeature=EdgeWidthHist(N3)；
b)对暗图像处理漏警，即，当MainFeature>=Th时，根据Energy分级修正MainFeature的取值：
If T2<Energy<=T3
MainFeature=EdgeWidthHist(N3-1)；
Elseif T1<Energy<=T2
MainFeature=EdgeWidthHist(N3-2)；
Elseif Energy<=T1
MainFeature=EdgeWidthHist(N3-3)；
本实施例中，N3=6，T1=20，T2=30，T3=40。
（3-3）对于灰度范围窄的图像，步骤如下：
a)对MainFeature赋值，MainFeature=EdgeWidthHist(N4)；
b)处理漏警，即，当MainFeature>=Th时：
If Energy<=T1
MainFeature=EdgeWidthHist(N4-1)；
c)处理虚警；即，当MainFeature<Th时：
If T2<Energy<=T3
MainFeature=EdgeWidthHist(N4+1)；
Elseif T3<Energy<=T4
MainFeature=EdgeWidthHist(N4+2)；
Elseif T4<Energy
MainFeature=EdgeWidthHist(N4+3)；
本实施例中，N4=5，T1=15，T2=30，T3=55，T4=75。
本实施例中，上述具体实现过程中MainFeature逐级修正的阈值Th取为60。
上述EdgeWidthHist(N)，表示边缘宽度累积直方图EdgeWidthHist的第N个分量的值。
Claims (4)
1.一种无参考的图像清晰度检测方法，其特征在于该方法包括如下步骤：
步骤一：根据已有的灰度图计算梯度图{Gx,Gy}；采用公开的边缘检测算法，定位强边缘点；
步骤二：计算强边缘点的边缘宽度，并统计边缘宽度累计直方图EdgeWidthHist；
步骤三：对已有的灰度图进行小波变换，计算高频小波系数的能量Energy；所述的高频小波系数的能量Energy为：一次小波变换后得到的水平、垂直和对角方向上的高频小波系数的平方和；
步骤四：对已有的灰度图统计灰度直方图，根据灰度直方图计算灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}，其中GrayHistWidth表示灰度直方图宽度特征，GrayMin表示灰度直方图最小分量特征，GrayMax表示灰度直方图最大分量特征；
步骤五：根据边缘宽度累计直方图EdgeWidthHist、高频小波系数能量Energy和灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}，估计该灰度图的清晰度：
首先，根据灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}对图像分类，分为灰图像、暗图像、灰度范围窄的图像和一般图像四类；
然后，对不同类的图像采用不同的EdgeWidthHist分量值作为主要特征MainFeature；
其次，根据Energy对MainFeature分级修正，以处理虚警和漏警；
最后，输出修正后的MainFeature值作为清晰度值；
具体是：
(1)根据灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}，按照下表将图像分类；灰度直方图特征不满足下表特征的图像，即为一般图像；表中的Gh_i、Gl_i和Gw_i，i＝1,2,3，为图像分类采用的阈值；
(2)对于一般图像，步骤如下：
a)对MainFeature赋值，即MainFeature＝EdgeWidthHist(N1)；
b)对一般图像处理虚警，即，当MainFeature<Th时，根据Energy分级修正MainFeature的取值：
如果T1<Energy≤T2
MainFeature＝EdgeWidthHist(N1+1)；
否则如果T2<Energy≤T3
MainFeature＝EdgeWidthHist(N1+2)；
否则如果T3<Energy
MainFeature＝EdgeWidthHist(N1+3)；
其中，Energy的阈值：T1<T2<T3，Th表示MainFeature的阈值；
(3)对于非一般图像，因图像分类的不同采用的策略也不同，具体如下：
(3-1)对于灰图像，步骤如下：
a)对MainFeature赋值，MainFeature＝EdgeWidthHist(N2)；
b)对灰图像处理漏警，即，当MainFeature≥Th时，根据Energy分级修正MainFeature的取值：
如果T1<Energy≤T2
MainFeature＝EdgeWidthHist(N2-1)；
否则如果Energy≤T1
MainFeature＝EdgeWidthHist(N2-2)；
其中，Energy的阈值：T1<T2；
(3-2)对于暗图像，步骤如下：
a)对MainFeature赋值，MainFeature＝EdgeWidthHist(N3)；
b)对暗图像处理漏警，即，当MainFeature≥Th时，根据Energy分级修正MainFeature的取值：
如果T2<Energy≤T3
MainFeature＝EdgeWidthHist(N3-1)；
否则如果T1<Energy≤T2
MainFeature＝EdgeWidthHist(N3-2)；
否则如果Energy≤T1
MainFeature＝EdgeWidthHist(N3-3)；
其中，Energy的阈值：T1<T2<T3；
(3-3)对于灰度范围窄的图像，步骤如下：
a)对MainFeature赋值，MainFeature＝EdgeWidthHist(N4)；
b)处理漏警，即，当MainFeature≥Th时：
如果Energy≤T1
MainFeature＝EdgeWidthHist(N4-1)；
c)处理虚警；即，当MainFeature<Th时：
如果T2<Energy≤T3
MainFeature＝EdgeWidthHist(N4+1)；
否则如果T3<Energy≤T4
MainFeature＝EdgeWidthHist(N4+2)；
否则如果T4<Energy
MainFeature＝EdgeWidthHist(N4+3)；
其中，Energy的阈值：T2<T3<T4；
上述EdgeWidthHist(N)表示边缘宽度累积直方图EdgeWidthHist的第N个分量的值；对不同类图像分级修正MainFeature中用到的阈值T1～T4因图像分类的不同而不同。
2.根据权利要求1所述的一种无参考的图像清晰度检测方法，其特征在于：步骤一中的梯度图采用Sobel梯度算子，边缘检测算法采用Canny边缘检测算子，强边缘点为边缘检测算法检测得到的边缘像素。
3.根据权利要求1所述的一种无参考的图像清晰度检测方法，其特征在于：步骤二具体是：在强边缘点处，比较水平和垂直方向的梯度绝对值{|Gx|,|Gy|}；
当|Gx|≥|Gy|，计算以该点为中心的左右两个方向上像素灰度值严格单调变化的区间，该区间长度即为该强边缘点的边缘宽度；
当|Gx|<|Gy|，计算以该点为中心的上下两个方向上像素灰度值严格单调变化的区间，该区间长度即为该强边缘点的边缘宽度；
在整个灰度图上，统计各个强边缘点的边缘宽度直方图和累计直方图，并归一化，得到边缘宽度累计直方图EdgeWidthHist；EdgeWidthHist为特征向量，它的第N个分量值表示边缘宽度为N个像素的统计量。
4.根据权利要求1所述的一种无参考的图像清晰度检测方法，其特征在于：步骤四具体是：
首先根据灰度图统计初始的灰度直方图，为了消除图像中极端灰度值对直方图特征的影响，将灰度直方图中极端灰度值的统计值赋零，并归一化；灰度直方图特征{GrayHistWidth,GrayMin,GrayMax}在去除了极端灰度值统计量后的直方图上计算得到；提取灰度直方图分布的主要分量，GrayMin,GrayMax分别取为主要分量的最小值和最大值；
直方图的主要分量按如下方法得到，首先，对直方图分量排序；然后，按降序累加直方图分量，该累加和达到一定阈值时，停止累加；所有参与累加的直方图分量，即为直方图分布的主要分量，这些主要分量的最小值和最大值即为灰度直方图的{GrayMin,GrayMax}特征，GrayHistWidth特征值取为GrayMax-GrayMin；
所述的极端灰度值是指灰度值落在0-10或245-255范围内的灰度值，GrayHistWidth表示灰度直方图宽度特征，GrayMin表示灰度直方图最小分量特征，GrayMax表示灰度直方图最大分量特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210202395.4A CN102800082B (zh) | 2012-06-19 | 2012-06-19 | 一种无参考的图像清晰度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210202395.4A CN102800082B (zh) | 2012-06-19 | 2012-06-19 | 一种无参考的图像清晰度检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102800082A CN102800082A (zh) | 2012-11-28 |
| CN102800082B true CN102800082B (zh) | 2015-04-15 |
Family
ID=47199180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210202395.4A Expired - Fee Related CN102800082B (zh) | 2012-06-19 | 2012-06-19 | 一种无参考的图像清晰度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102800082B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103686148B (zh) * | 2013-12-05 | 2015-09-09 | 北京华戎京盾科技有限公司 | 一种基于数字图像处理的自动检测视频图像清晰度的方法 |
| CN103632369B (zh) * | 2013-12-05 | 2016-02-03 | 淮海工学院 | 块平均清晰度组合无参考水下图像通用性质量检测方法 |
| CN103927749A (zh) * | 2014-04-14 | 2014-07-16 | 深圳市华星光电技术有限公司 | 图像处理方法、装置和自动光学检测机 |
| CN104200475B (zh) * | 2014-09-05 | 2017-02-08 | 中国传媒大学 | 一种无参考图像模糊度估计新方法 |
| CN104834898B (zh) * | 2015-04-09 | 2018-05-15 | 华南理工大学 | 一种人物摄影图像的质量分类方法 |
| CN105227810B (zh) * | 2015-06-01 | 2018-10-23 | 西北大学 | 一种基于bibavr算法的自动聚焦头盔摄像机 |
| CN105550694B (zh) * | 2015-12-01 | 2021-06-22 | 厦门瑞为信息技术有限公司 | 一种度量人脸图像模糊程度的方法 |
| CN105894506B (zh) * | 2016-03-30 | 2018-04-06 | 深圳云天励飞技术有限公司 | 一种人脸图像模糊度计算方法及装置 |
| CN107689039B (zh) * | 2016-08-05 | 2021-01-26 | 同方威视技术股份有限公司 | 估计图像模糊度的方法和装置 |
| CN108121942B (zh) * | 2016-11-30 | 2022-08-23 | 江西欧迈斯微电子有限公司 | 一种指纹识别的方法及装置 |
| CN107507173B (zh) * | 2017-08-15 | 2021-07-27 | 上海交通大学 | 一种全切片图像的无参考清晰度评估方法及系统 |
| CN111275657A (zh) * | 2018-11-20 | 2020-06-12 | 华为技术有限公司 | 虚焦检测方法、设备及计算机可读介质 |
| CN110706146B (zh) * | 2019-09-26 | 2021-04-02 | 北京机电工程研究所 | 图像处理方法和装置 |
| CN112508887B (zh) * | 2020-11-26 | 2024-02-02 | 西安电子科技大学 | 一种图像清晰度评价方法、系统、存储介质、设备及应用 |
| CN113784108B (zh) * | 2021-08-25 | 2022-04-15 | 盐城香农智能科技有限公司 | 一种基于5g传输技术的vr旅游观光方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339603A (zh) * | 2008-08-07 | 2009-01-07 | 电子科技大学中山学院 | 一种从视频流中选取到了质量合格的虹膜图像的方法 |
| CN102421008A (zh) * | 2011-12-07 | 2012-04-18 | 浙江捷尚视觉科技有限公司 | 视频质量智能检测系统 |
-
2012
- 2012-06-19 CN CN201210202395.4A patent/CN102800082B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339603A (zh) * | 2008-08-07 | 2009-01-07 | 电子科技大学中山学院 | 一种从视频流中选取到了质量合格的虹膜图像的方法 |
| CN102421008A (zh) * | 2011-12-07 | 2012-04-18 | 浙江捷尚视觉科技有限公司 | 视频质量智能检测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 图像清晰度评价方法研究;王鸿南等;《中国图象图形学报》;20040731;第9卷(第7期);全文 * |
| 基于小波尺度相关的图像清晰度判别方法;王敏君等;《计算机系统应用》;20101231;第19卷(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102800082A (zh) | 2012-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102800082B (zh) | 一种无参考的图像清晰度检测方法 | |
| Bahrami et al. | A fast approach for no-reference image sharpness assessment based on maximum local variation | |
| CN107784651B (zh) | 一种基于模糊检测加权的模糊图像质量评价方法 | |
| Cohen et al. | No-reference assessment of blur and noise impacts on image quality | |
| CN110895806A (zh) | 屏幕显示缺陷的检测方法及系统 | |
| Ferzli et al. | A no-reference objective image sharpness metric based on just-noticeable blur and probability summation | |
| CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
| KR20050012751A (ko) | 로컬 에지 통계적 분포를 기초로 선명도 메트릭스들을추정하는 방법 및 시스템 | |
| Liu et al. | A perceptually relevant approach to ringing region detection | |
| CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
| CN103455994A (zh) | 图像模糊度的确定方法和设备 | |
| CN103400367A (zh) | 一种无参考型模糊图像质量评价方法 | |
| CN112001904A (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
| CN102819850A (zh) | 基于局部自适应色差阈值的彩色图像边缘检测的方法 | |
| CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
| CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
| Bahrami et al. | Efficient image sharpness assessment based on content aware total variation | |
| Prajapati et al. | Evaluation of perceptual contrast and sharpness measures for meteorological satellite images | |
| CN111445435B (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
| Maalouf et al. | A no reference objective color image sharpness metric | |
| Fry et al. | Bridging the gap between imaging performance and image quality measures | |
| Hong et al. | A no-reference image blurriness metric in the spatial domain | |
| Sonawane et al. | Image quality assessment techniques: An overview | |
| Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information | |
| Liu et al. | A simplified human vision model applied to a blocking artifact metric |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C53 | Correction of patent of invention or patent application | ||
| CB02 | Change of applicant information |
Address after: Hangzhou City, Zhejiang province Yuhang District 311121 West Street Wuchang No. 998 building 7 East Applicant after: ZHEJIANG ICARE VISION TECHNOLOGY Co.,Ltd. Address before: 310013, Zhejiang, Xihu District, Hangzhou, Tian Shan Road, No. 398, Kun building, four floor, South Block Applicant before: ZHEJIANG ICARE VISION TECHNOLOGY Co.,Ltd. |
|
| C53 | Correction of patent of invention or patent application | ||
| CB02 | Change of applicant information |
Address after: Hangzhou City, Zhejiang province Yuhang District 311121 West Street Wuchang No. 998 building 7 East Applicant after: ZHEJIANG ICARE VISION TECHNOLOGY Co.,Ltd. Address before: Hangzhou City, Zhejiang province Yuhang District 311121 West Street Wuchang No. 998 building 7 East Applicant before: ZHEJIANG ICARE VISION TECHNOLOGY Co.,Ltd. |
|
| COR | Change of bibliographic data |
Free format text: CORRECT: APPLICANT; FROM: HANGZHOU ICARE VISION TECHNOLOGY CO., LTD. TO: ZHEJIANG ICARE VISION TECHNOLOGY CO., LTD. |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: No-reference image definition detection method Effective date of registration: 20190820 Granted publication date: 20150415 Pledgee: Hangzhou Yuhang Financial Holding Co.,Ltd. Pledgor: ZHEJIANG ICARE VISION TECHNOLOGY Co.,Ltd. Registration number: Y2019330000016 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20200917 Granted publication date: 20150415 Pledgee: Hangzhou Yuhang Financial Holding Co.,Ltd. Pledgor: ZHEJIANG ICARE VISION TECHNOLOGY Co.,Ltd. Registration number: Y2019330000016 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An image definition detection method without reference Effective date of registration: 20200921 Granted publication date: 20150415 Pledgee: Hangzhou Yuhang Financial Holding Co.,Ltd. Pledgor: ZHEJIANG ICARE VISION TECHNOLOGY Co.,Ltd. Registration number: Y2020330000737 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150415 |