CN104063864A - 基于四元相位叠合模型的图像模糊度评估方法 - Google Patents
基于四元相位叠合模型的图像模糊度评估方法 Download PDFInfo
- Publication number
- CN104063864A CN104063864A CN201410298499.9A CN201410298499A CN104063864A CN 104063864 A CN104063864 A CN 104063864A CN 201410298499 A CN201410298499 A CN 201410298499A CN 104063864 A CN104063864 A CN 104063864A
- Authority
- CN
- China
- Prior art keywords
- superimposed
- image
- quaternary
- phase
- model according
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于四元相位叠合模型的图像模糊度评估方法,该方法利用了基于四元数矩阵的彩色图像表示,以矢量信号的形式来整体处理彩色图像并计算四元相位叠合图,并与传统的复数相位叠合图组合,构成一种可以描述图像结构轮廓清晰程度的显著图——混合相位叠合图。本发明同时对计算出的显著性图进行直方图分析,取相位叠合的加权平均值作为衡量图像清晰程度的指标,最后计算出图像的模糊系数。本发明是一种能够体现彩色图像的轮廓结构信息的显著性方法,通过有效地利用彩色通道之间的相关性以及人眼视觉特性,提高对彩色图像模糊度估计的准确率。
Description
技术领域
本发明涉及的是一种图像处理技术领域的图像质量评价方法,具体涉及的是一种基于四元相位叠合模型的图像模糊度评估方法。
背景技术
图像在采集、压缩、处理、传输、显示过程中都有可能产生降质,因此图像质量评价在图像、视频处理、压缩、通信等领域中具有重要的现实意义,是这些系统的重要组成部分。影响图像降质的因素很多,其中模糊是人眼最容易察觉和感觉最强烈的、影响图像质量的重要因素,因此图像模糊度的评价在整个图像质量评价中具有非常重要的作用。
经过对现有技术的文献检索发现,L.Firestone和K.Cook等人在“Comparison ofautofocusmethods for automated microscopy”(自动显微镜自动聚焦方法的比较)文章中提出了一种基于灰度直方图计算模糊度的方法。这个名为Mendelsohn and Mayall(简称为Menmay)直方图的方法定义模糊度s为:所有大于某一阈值的灰度级与它出现的概率的乘积,如下式所示:其中,xi是图像的灰度级,p(xi)是灰度级xi在图像中出现的概率,T是灰度级的阈值,作者提出使用整幅图像的灰度均值作为阈值。
目前的大多数方法都是针对灰色图像进行图像质量评价,当处理彩色图像时,采用的是单色处理方式,即仅仅利用其亮度信息,以及将多个颜色通道视为独立的标量信号,而不是把彩色图像视为一个整体矢量信号,其中通道相关信息的忽略将导致彩色图像质量评价准确率的降低。
发明内容
本发明针对现有技术存在的上述不足,提供一种基于四元相位叠合模型的图像模糊度评估方法,提高对彩色图像模糊度估计的准确率。
为实现上述目的,本发明采用的技术方案是:本发明首先采用基于灰度信息的复数相位叠合模型和四元相位叠合模型共同提取符合人眼视觉感知特性的显著性图,然后结合直方图分布统计方法进行模糊度评估。相比于直接使用图像本身,利用图像的显著性信息能够更好地表现人眼关注的图像结构与轮廓信息,从而提高方法对图像主观质量的判断精度。本发明利用了四元数来整体表示彩色像素,并以相位叠合直方图的形式来估计模糊度。通过这种方式在图像压缩、噪声干扰、对比度变化、尺度缩放等干扰因素的影响下能获得更准确的模糊度估计,从而能更鲁棒地评估不同情况下的图像模糊度,降低评估误差。
本发明所述方法包括以下步骤:
第一步、对图像计算基于亮度信息的复数相位叠合图PC(x,y),具体步骤包括:
1.1)将彩色原图像只保留亮度信息,转化成为灰度图像I(x,y);
1.2)利用灰度图像I(x,y)计算局部能量
其中Me和Mo分别为偶小波与奇小波滤波器,n为滤波器尺度,*为卷积;
1.3)计算尺度n下的滤波响应幅值
1.4)计算复数相位叠合图其中ε是一个非常接近0的正数,用于保证分母不为0。
第二步、对彩色图像I计算四元相位叠合图QPC(x,y),具体步骤包括:
2.1)将三通道的彩色图像表示为一个纯四元数矩阵Iq(x,y),其中索引号为(x,y)的矩阵元素用于表示彩色图像中行位置为x,列位置为y处的像素值,即
Iq(x,y)=R(x,y)·i+G(x,y)·j+B(x,y)·k;
R,G,B对应于彩色图像在RGB颜色空间的各通道取值,i,j,k分别表示四元数的三个虚部单位。
2.2)构建一系列不同尺度的四元Gabor滤波器:
其中u=(u,v)T,u,v为滤波器分别沿x,y方向的中心频率,m为窗内的波长个数,σf对应于高斯包络的标准差。μ是一个纯四元数,表示滤波器的颜色方向。
2.3)用四元Gabor滤波器对进行卷积,得到尺度n下的滤波图像
其中为四元数卷积符号。
2.4)计算局部能量
其中,操作算子Re(.),Iim(.),Jim(.),Kim(.)分别提取的实部和i,j,k三个虚部。
2.5)计算尺度n下的滤波响应幅值
2.6)计算四元相位叠合图 其中ε是一个非常接近于0的正数,用于保证分母不为0。
第三步、将复数相位叠合图与四元相位叠合图组合成为新的混合相位叠合图,具体步骤为:
3.1)将同一幅图像的复数相位叠合图PC(x,y)与四元相位叠合图QPC(x,y)加权相加,得到混合相位叠合图HPC(x,y)
HPC(x,y)=α×QPC(x,y)+(1-α)×PC(x,y)
其中α为权重。
第四步、将混合相位叠合图作为显著性图,并对其做直方图平均,得到图像的模糊系数,具体步骤为:
4.1)对混合相位叠合图计算其分布直方图Hist(bins),其中bins为直方图的统计级数。
4.2)依据Hist计算混合相位叠合图的直方图平均值Mean
其中H(l)为第l级的HPC值,P(l)为第l级的直方图频率。
4.3)计算图像的模糊系数Blur=1-Mean,数值范围为[0,1]。
本发明的原理是,采用四元数表示彩色像素值方式,以矢量信号方式处理彩色图像,计算四元相位叠合图,并与传统的复数相位叠合一起构成新的混合相位叠合图,最后以此作为原始图像的显著图,以便进一步分析。由于四元相位叠合图计算的是大尺度轮廓区域的清晰程度,复数相位叠合图计算的是小尺度纹理区域的清晰程度,则混合相位叠合图可以较好地描述原始图像结构和轮廓的清晰程度,因此其值可以有效衡量图像的模糊程度。也就是说,图像越模糊,图像内容的轮廓结构会越不清晰,相位叠合值就会越小,反之亦然。因此,本发明对混合相位叠合图进行直方图分析,基于其直方图分布计算相位叠合的统计平均值,将该统计平均值作为衡量图像清晰程度的指标(值越大,越清晰),而用1与该统计平均值之间的差值作为衡量图像模糊程度的指标(值越大,越模糊)。相位叠合值是无量纲的,取值范围为[0,1],因此模糊度的指标Blur的取值范围也是[0,1]。
与现有技术相比,本发明具有以下有益效果:
本发明基于四元相位叠合模型提出混合相位叠合直方图,采用基于四元数代数的矢量信号处理方式而非独立的单通道标量方式处理彩色图像,是一种能够体现彩色图像的轮廓结构信息的显著性方法,通过有效地利用彩色通道之间的相关性以及人眼视觉特性,提高对彩色图像模糊度估计的准确率。在对测试图像的评估中,对噪声干扰、对比度变化、尺度缩放等干扰因素的鲁棒性均明显优于Menmay方法,证明了本发明的有效性。
附图说明
图1是本发明一实施例的方法流程图。
图2是本发明一实施例的图像序列。
图3是本发明一实施例中模糊度评估曲线。
图4是在不同种类不同程度干扰因素影响下使用(a)本发明方法和(b)Menmay方法得到评估结果。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例:
如图1所示,为本发明一实施例的方法总体流程图:
第一步、对图像计算基于亮度信息的复数相位叠合图PC(x,y),具体步骤包括:
1.1)将彩色原图像只保留亮度信息,转化成为灰度图像I(x,y);
1.2)利用灰度图像I(x,y)计算局部能量
其中Me和Mo分别为偶小波与奇小波滤波器,n为滤波器尺度,*为卷积,该实施例中, 其中,x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ,θ=0,30°,60°,90°,120°,150°,λ=5,10,20,40,σ=0.5,n=4;
1.3)计算尺度n下的滤波响应幅值
1.4)计算复数相位叠合图其中ε是一个非常接近0的正数,用于保证分母不为0,该实施例中,ε=0.0001。当然在其他实施例中,也可以采用其他数值,比如小于0.0001的正数。
第二步、对彩色图像I计算四元相位叠合图QPC(x,y),具体步骤包括:
2.1)将三通道的彩色图像转化为一个纯四元数矩阵Iq(x,y),其中索引号为(x,y)的矩阵元素用于表示彩色图像中行位置为x,列位置为y处的像素值,即
Iq(x,y)=R(x,y)·i+G(x,y)·j+B(x,y)·k;
R,G,B对应于彩色图像在RGB颜色空间的各通道取值。i,j,k分别表示四元数的三个虚部单位。
2.2)构建一系列不同尺度的四元Gabor滤波器:
其中u=(u,v)T,u,v为滤波器分别沿x,y方向的中心频率,m为窗内的波长个数,σf对应于高斯包络的标准差,μ是一个纯四元数,表示滤波器的颜色方向。该实施例中,m=5,10,20,40,σf=0.5,在其他实施例中,也可以取其他数值。
2.3)用四元Gabor滤波器对Iq(x,y)进行卷积,得到
其中为四元数卷积操作符。
2.4)计算局部能量
其中,操作算子Re(.),Iim(.),Jim(.),Kim(.)分别提取的实部和i,j,k三个虚部。
2.5)计算尺度n下的滤波响应幅值
2.6)计算四元相位叠合图 其中ε是一个非常接近0的正数,用于保证分母不为0,该实施例中,ε=0.0001。也可以采用其他数值,比如小于0.0001的正数。
第三步、将复数相位叠合图与四元相位叠合图组合成为新的混合相位叠合图,具体步骤为:
3.1)将同一幅图像的复数相位叠合图PC(x,y)与四元相位叠合图QPC(x,y)加权相加,得到混合相位叠合图HPC(x,y)
HPC(x,y)=α×QPC(x,y)+(1-α)×PC(x,y)
其中α为权重,该实施例中,α=0.8。该权重可以根据实际需要进行选取,在其他实施例中,也可以取其他数值。
第四步、将混合相位叠合图作为显著性图,并对其做直方图平均,得到图像的模糊系数,具体步骤为:
4.1)对混合相位叠合图计算其分布直方图Hist(bins),其中bins为直方图的统计级数,该实施例中,bins=100。
4.2)依据Hist计算混合相位叠合图的直方图平均值Mean
其中H(n)为第l级的HPC值,P(l)为第l级的直方图频率。
4.3)计算图像的模糊系数Blur=1-Mean,数值范围为[0,1]。
实施效果
依据上述步骤,对一系列不同模糊程度的彩色图像进行模糊度评估(注:根据成像原理,高斯核可以作为导致模糊效应的点扩散函数,因此本实例中,系列模糊图片是由原始图像经过不同尺寸(1至10)的高斯函数滤波得到的模糊图像。)图2为该图像序列,从左至右模糊程度递增。图3为该图像序列使用本发明算法的模糊度评估结果曲线,可以看出,本发明提出的模糊系数随着图像模糊程度的增加而增加,能够较好地反映图像的模糊程度。图4为该图像序列在不同干扰因素(图像压缩、噪声干扰、对比度变化)的影响下,分别使用本发明方法(a)和Menmay方法(b)的评估结果。可以看出,本发明方法具有更好地鲁棒性,评估曲线在不同种类,不同强度的干扰下依然保持着单调性,从而保证了评估的准确;而Menmay方法的评估曲线在噪声干扰和对比度变化的干扰下均无法保持单调(线框圈出的为误判点),准确性低于本发明方法。所有试验均在PC计算机上实现,该PC计算机的主要参数为:中央处理器CoreTM2Duo i5-2400CPU3.10GHz,内存4.00GB。
实验表明,较之于现有的模糊度估计方法,本实施例采用的方法有效地利用了图像的彩色信息,生成代表图像轮廓结构信息的显著性图,基于此显著性图的直方图方法对于图像压缩、噪声干扰、对比度变化等干扰因素都具有较好的鲁棒性,在不同情况下都能有较好的评估准确率。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (16)
1.一种基于四元相位叠合模型的图像模糊度评估方法,其特征在于,包括以下步骤:
第一步、对图像I计算基于灰度信息的复数相位叠合图PC(x,y);
第二步、对彩色图像I计算四元相位叠合图QPC(x,y);
第三步、将复数相位叠合图与四元相位叠合图组合成为新的混合相位叠合图;
第四步、将混合相位叠合图作为显著性图,并基于其直方图获得相位叠合的加权平均值,从而得到图像的模糊系数。
2.根据权利要求1所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的第一步包括以下步骤:
1.1)将彩色原图像只保留灰度信息,转化成为灰度图像I(x,y);
1.2)利用灰度图像I(x,y)计算局部能量E(x,y);
1.3)计算尺度n下的滤波器响应幅值An(x,y);n为滤波器尺度;
1.4)利用上述的局部能量E(x,y)和滤波器响应幅值An(x,y)计算复数相位叠合图PC(x,y)。
3.根据权利要求2所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的局部能量 其中Me和Mo分别为偶小波与奇小波滤波器,n为滤波器尺度,*为卷积。
4.根据权利要求2所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的滤波响应幅值 其中Me和Mo分别为偶小波与奇小波滤波器,*为卷积。
5.根据权利要求2所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的相位叠合图其中ε是一个非常接近于0的正数,用于保证分母不为0。
6.根据权利要求1所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的第二步包括以下步骤:
2.1)将三通道的彩色图像转化为一个纯四元数矩阵Iq(x,y);
2.2)构建一系列不同尺度的四元Gabor滤波器Gq;
2.3)用四元Gabor滤波器对Iq(x,y)进行卷积,得到
2.4)利用计算局部能量
2.5)根据计算尺度n下的四元Gabor滤波器响应幅值
2.6)利用和计算四元相位叠合图QPC(x,y)。
7.根据权利要求6所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的四元Gabor滤波器 其中u=(u,v)T,u,v为滤波器分别沿x,y方向的中心频率,m为窗内的波长个数,σf对应于高斯包络的标准差;μ是一个纯四元数,表示滤波器的颜色方向。
8.根据权利要求6所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的 其中为四元数卷积操作符。
9.根据权利要求6所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的局部能量:
其中,操作算子Re(.),Iim(.),Jim(.),Kim(.)分别提取的实部和三个虚部。
10.根据权利要求6所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的滤波响应幅值
其中,操作算子Re(.),Iim(.),Jim(.),Kim(.)分别提取的实部和三个虚部。
11.根据权利要求6所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的四元相位叠合图 其中ε是一个非常接近于0的正数,用于保证分母不为0。
12.根据权利要求1所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的第三步包括以下步骤:
3.1)将同一幅图像的复数相位叠合图PC(x,y)与四元相位叠合图QPC(x,y)加权相加,得到混合相位叠合图HPC(x,y)。
13.根据权利要求12所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的混合相位叠合图HPC(x,y)=α×QPC(x,y)+(1-α)×PC(x,y),其中α为权重。
14.根据权利要求1所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的第四步包括以下步骤:
4.1)对混合相位叠合图计算其分布直方图Hist(bins),其中bins为直方图的统计级数;
4.2)依据Hist计算混合相位叠合图的直方图平均值Mean;
4.3)根据Mean计算图像的模糊系数Blur,数值范围为[0,1]。
15.根据权利要求14所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的混合相位叠合图的直方图平均值其中H(l)为第l级的HPC值,P(l)为第l级的直方图频率。
16.根据权利要求14所述的基于四元相位叠合模型的图像模糊度评估方法,其特征是,所述的模糊系数Blur=1-Mean。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410298499.9A CN104063864B (zh) | 2014-06-26 | 2014-06-26 | 基于四元相位叠合模型的图像模糊度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410298499.9A CN104063864B (zh) | 2014-06-26 | 2014-06-26 | 基于四元相位叠合模型的图像模糊度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104063864A true CN104063864A (zh) | 2014-09-24 |
CN104063864B CN104063864B (zh) | 2017-04-12 |
Family
ID=51551556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410298499.9A Active CN104063864B (zh) | 2014-06-26 | 2014-06-26 | 基于四元相位叠合模型的图像模糊度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063864B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689039A (zh) * | 2016-08-05 | 2018-02-13 | 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 |
CN107945154A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于四元数离散余弦变换的彩色图像质量评价方法 |
CN109191431A (zh) * | 2018-07-27 | 2019-01-11 | 天津大学 | 基于特征相似度的高动态彩色图像质量评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006497A (zh) * | 2010-11-16 | 2011-04-06 | 江南大学 | 基于图像局部统计特征的模糊图像无参考评测方法 |
CN102113335A (zh) * | 2009-06-09 | 2011-06-29 | 索尼公司 | 图像处理设备和方法以及程序 |
-
2014
- 2014-06-26 CN CN201410298499.9A patent/CN104063864B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102113335A (zh) * | 2009-06-09 | 2011-06-29 | 索尼公司 | 图像处理设备和方法以及程序 |
CN102006497A (zh) * | 2010-11-16 | 2011-04-06 | 江南大学 | 基于图像局部统计特征的模糊图像无参考评测方法 |
Non-Patent Citations (1)
Title |
---|
Q YAN ET AL.: "No-reference image blur assessment based on gradient profile sharpness", 《BROADBAND MULTIMEDIA SYSTEMS AND BROADCASTING(BMSB), 2013 IEEE INTERNATIONAL SYMPOSIUM ON》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689039A (zh) * | 2016-08-05 | 2018-02-13 | 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 |
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 |
CN107945154A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于四元数离散余弦变换的彩色图像质量评价方法 |
CN109191431A (zh) * | 2018-07-27 | 2019-01-11 | 天津大学 | 基于特征相似度的高动态彩色图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104063864B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106339998B (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
Zhang et al. | No-reference image quality assessment based on log-derivative statistics of natural scenes | |
Singh et al. | A novel optical image denoising technique using convolutional neural network and anisotropic diffusion for real-time surveillance applications | |
CN102096824B (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
Espinal et al. | Wavelet-based fractal signature analysis for automatic target recognition | |
CN101727662A (zh) | Sar图像非局部均值去斑方法 | |
CN102842120B (zh) | 基于超复数小波相位测量的图像模糊程度检测方法 | |
CN111127387B (zh) | 无参考图像的质量的评价方法 | |
Jia et al. | Image denoising via sparse representation over grouped dictionaries with adaptive atom size | |
Deshpande et al. | Super resolution and recognition of long range captured multi‐frame iris images | |
CN109446913A (zh) | 一种判断车底是否改装的检测方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
Liu et al. | A hybrid method of SAR speckle reduction based on geometric-structural block and adaptive neighborhood | |
CN113850725A (zh) | 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 | |
Wang et al. | The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation | |
CN104063864A (zh) | 基于四元相位叠合模型的图像模糊度评估方法 | |
CN114202473A (zh) | 一种基于多尺度特征和注意力机制的图像复原方法及装置 | |
CN102968793B (zh) | 基于dct域统计特性的自然图像与计算机生成图像的鉴别方法 | |
Sahasrabudhe et al. | Structured spatial domain image and data comparison metrics | |
Gao et al. | Maritime infrared image super-resolution using cascaded residual network and novel evaluation metric | |
CN104361596A (zh) | 一种基于Contourlet变换和Frobenius范数半参考图像质量评价方法 | |
Yan et al. | No-reference remote sensing image quality assessment based on gradient-weighted natural scene statistics in spatial domain | |
Wenyan et al. | SAR image change detection based on equal weight image fusion and adaptive threshold in the NSST domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |