CN104103063A - 一种基于自动调焦原理无参考噪声图像质量评价方法 - Google Patents
一种基于自动调焦原理无参考噪声图像质量评价方法 Download PDFInfo
- Publication number
- CN104103063A CN104103063A CN201310123322.0A CN201310123322A CN104103063A CN 104103063 A CN104103063 A CN 104103063A CN 201310123322 A CN201310123322 A CN 201310123322A CN 104103063 A CN104103063 A CN 104103063A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- singular value
- evaluated
- noise image
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于自动调焦原理无参考噪声图像质量评价方法,其特征在于按如下步骤进行:(一)选择一幅噪声图像为被评价图像;(二)将该噪声图像转化为灰度图像;(三)对被评价噪声图像进行高斯低通滤波,生成的图像作为参考图像;(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解,得到奇异值向量S1和S2;(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise;(六)计算被评价图像的质量评价函数Noise的值,作为图像噪声指标。本发明是一种不需要参考图像,评价噪声图像质量的方法,并且评价结果符合人类视觉主观认识结果,Noise值越大,被评价图像的质量越好。
Description
技术领域
本发明涉及图像处理领域,具体地讲,是一种不需要参考图像进行噪声图像质量评价的方法。
背景技术
噪声是图像中最常见的一种失真类型,如何从大量的噪声图像中自动挑选出质量合格的图像,舍弃哪些不合格的噪声图像,就需要对图像质量进行评价。按照评价过程需要多少原始参考图像信息,客观图像质量评价方法又可以分为三大类:全参考(Full-Reference,FR)图像质量评价法,部分参考(Reduced-Reference,RR)图像质量评价法和无参考(No-Reference,NR)图像质量评价法。峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)是最常用的全参考图像质量评价方法,但像PSNR这样的全参考图像质量评价方法需要参考图像的全部或部分信息,而在很多应用场合没有或无法获得参考图像的全部或部分信息,因此无参考图像质量评价方法更加实用。
在当前基于图像处理的数字成像自动调焦系统中,大多是通过计算图像高频分量的多少来进行调焦判断。比较典型的有对焦深度法,它通过改变镜头的位置获得一系列模糊程度不等的图像,通过计算每幅图像的清晰度(高频分量)评价值构成对焦评价曲线,最终移动镜头到曲线的最大值对应的位置(即最佳对焦位置)。本发明基于这一原理,提出了一种无参考噪声图像质量评价方法。
发明内容
本发明的目的在于提供一种快速噪声图像质量评价方法,能够在不需要参考图像的情况下,评价噪声图像质量的好坏。
为了实现上述目的,本发明的技术方案如下:一种基于自动调焦原理无参考噪声图像质量评价方法,其关键在于按如下步骤进行:
(一)选择一幅噪声图像为被评价图像;
(二)将该噪声图像转化为灰度图像;
(三)对被评价噪声图像进行高斯低通滤波,生成的图像作为参考图像,高斯滤波器的窗口大小11×11,且σ=5;
(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解,得到奇异值向量S1和S2;
任何一个灰度图像都可以看作实数矩阵A∈Rm×n,则存在正交(或酉)矩阵U∈Rm×m和V∈Rn×n使得A=USVT (1)
式中 S1=diag(σ1,σ2,…,σr),而数σ1,σ2,…,σr即是矩阵A的所有非零奇异值,r=rank(A),U的列向量为矩阵A的左奇异值向量,V的列向量为A的右奇异值向量,称(1)式是矩阵A的奇异值分解。
(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise;
根据数字成像自动调焦原理,建立奇异值的改变量和噪声程度之间的对应关系,得到噪声指标的计算公式为:
式(2)中S1为待评价噪声图像奇异值向量,S2为经过高斯滤波后生成的参考图像的奇异值向量,r为奇异值个数,C为调节常数,本发明中取3。
(六)计算被评价图像的质量评价函数Noise的值,作为图像噪声指标。本发明的优点是:本发明不需要参考图像就可以快速评价一幅噪声图像的质量好坏,且与人类主观视觉感知一致性较好,方法简单。
附图说明 图1是本发明流程图。
具体实施方式
下面结合附图和实施例进一步对本发明加以说明。
如图1所示:一种基于奇异值分解无参考模糊图像质量评价方法,其特征在于按如下步骤进行:
(一)选择一幅噪声图像;
(二)将该噪声图像转化为灰度图像;
(三)对被评价噪声图像进行高斯低通滤波,生成的图像作为参考图像,高斯滤波器的窗口大小11×11,且σ=5;
(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解,得到奇异值向量S1和S2;
任何一个灰度图像都可以看作实数矩阵A∈Rm×n,则存在正交(或酉)矩阵U∈Rm×m和V∈Rn×n使得A=USVT (1)
式中 S1=diag(σ1,σ2,…,σr),而数σ1,σ2,…,σr即是矩阵A的所有非零奇异值,r=rank(A),U的列向量为矩阵A的左奇异值向量,V的列向量为A的右奇异值向量,称(1)式是矩阵A的奇异值分解。
(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise;
根据数字成像自动调焦原理,建立奇异值的改变量和噪声程度之间的对应关系,得到噪声指标的计算公式为:
式(2)中S1为待评价噪声图像奇异值向量,S2为经过高斯滤波后生成的参考图像的奇异值向量,r为奇异值个数,C为调节常数,本发明中取3。
(六)计算被评价图像的质量评价函数Noise的值,作为图像噪声指标。
为了验证本发明方法的优越性,本实验是在美国德州大学Austin分校LIVE实验室图像质量评价数据库(http://live.ece.utexas.edu/research/quality/)上进行测试,该数据库中共有779幅失真图像,同时给出了该779幅失真图像的主观得分值(MOS)。为了测试本发明与主观感知的一致性,我们选择了两种度量准则:(1)斯皮尔曼等级次序关系系数(SROCC),反映客观评测预测成绩的单调性;(2)相关系数(CC),反映客观评测的精确性。SROCC和CC的值在0-1的范围之内,值越接近1,说明性能指标越好。最终测试结果显示在表1,从表中可以看出,本发明提出的方法在live2数据库上,具有非常好的性能指标。
表1在LIVE2数据库上的性能指标
Claims (4)
1.一种基于自动调焦原理无参考噪声图像质量评价方法,其特征在于按如下步骤进行:
(一)选择一幅噪声图像为被评价图像;
(二)将该噪声图像转化为灰度图像;
(三)对被评价噪声图像进行高斯低通滤波,生成的图像作为参考图像;
(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解,得到奇异值向量S1和S2;
(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise;
(六)计算被评价图像的质量评价函数Noise的值,作为图像噪声指标。
2.根据权利要求1所述基于自动调焦原理无参考噪声图像质量评价方法,其特征在于:在步骤(三)中,高斯滤波器的窗口大小11×11,且σ=5。
3.根据权利要求1所述基于自动调焦原理无参考噪声图像质量评价方法,其特征在于:在步骤(四)中,建立A=USVT为矩阵A∈Rm×n的奇异值分解,其中正交(或酉)矩阵U∈Rm×m,U的列向量为矩阵A的左奇异值向量和V∈Rn×n,V的列向量为A的右奇异值向量。式中 S1=diag(σ1,σ2,…,σr),数σ1,σ2,…,σr是矩阵A的所有非零奇异值,r=rank(A)。
4.根据权利要求1所述基于自动调焦原理无参考噪声图像质量评价方法,其特征在于:在步骤(五)中,建立奇异值的改变量和噪声程度之间的对应关系,得到的噪声指标的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310123322.0A CN104103063A (zh) | 2013-04-10 | 2013-04-10 | 一种基于自动调焦原理无参考噪声图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310123322.0A CN104103063A (zh) | 2013-04-10 | 2013-04-10 | 一种基于自动调焦原理无参考噪声图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104103063A true CN104103063A (zh) | 2014-10-15 |
Family
ID=51671187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310123322.0A Pending CN104103063A (zh) | 2013-04-10 | 2013-04-10 | 一种基于自动调焦原理无参考噪声图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104103063A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139394A (zh) * | 2015-08-19 | 2015-12-09 | 杭州电子科技大学 | 结合仿射重建和噪声散点直方图的噪声图像质量评价方法 |
CN106154688A (zh) * | 2015-04-07 | 2016-11-23 | 中兴通讯股份有限公司 | 一种自动对焦的方法及装置 |
CN106991670A (zh) * | 2017-03-29 | 2017-07-28 | 武汉大学 | 一种无参考噪声图像质量评价方法及系统 |
CN107172421A (zh) * | 2017-07-17 | 2017-09-15 | 深圳森阳环保材料科技有限公司 | 一种用于视频监控的图像质量诊断系统 |
WO2021135391A1 (zh) * | 2020-01-02 | 2021-07-08 | 广州大学 | 一种图像质量评估方法及装置 |
-
2013
- 2013-04-10 CN CN201310123322.0A patent/CN104103063A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106154688A (zh) * | 2015-04-07 | 2016-11-23 | 中兴通讯股份有限公司 | 一种自动对焦的方法及装置 |
CN106154688B (zh) * | 2015-04-07 | 2021-04-16 | 中兴通讯股份有限公司 | 一种自动对焦的方法及装置 |
CN105139394A (zh) * | 2015-08-19 | 2015-12-09 | 杭州电子科技大学 | 结合仿射重建和噪声散点直方图的噪声图像质量评价方法 |
CN106991670A (zh) * | 2017-03-29 | 2017-07-28 | 武汉大学 | 一种无参考噪声图像质量评价方法及系统 |
CN106991670B (zh) * | 2017-03-29 | 2019-12-10 | 武汉大学 | 一种无参考噪声图像质量评价方法及系统 |
CN107172421A (zh) * | 2017-07-17 | 2017-09-15 | 深圳森阳环保材料科技有限公司 | 一种用于视频监控的图像质量诊断系统 |
WO2021135391A1 (zh) * | 2020-01-02 | 2021-07-08 | 广州大学 | 一种图像质量评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feichtenhofer et al. | A perceptual image sharpness metric based on local edge gradient analysis | |
Sahu et al. | Different image fusion techniques–a critical review | |
CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
Hassen et al. | Image sharpness assessment based on local phase coherence | |
CN102682446B (zh) | 使用自适应联合双边滤波器生成稠密深度图的设备和方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN109523506B (zh) | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 | |
Zheng et al. | No-reference quality assessment for screen content images based on hybrid region features fusion | |
CN102209257A (zh) | 一种立体图像质量客观评价方法 | |
CN107464222B (zh) | 基于张量空间的无参考高动态范围图像客观质量评价方法 | |
CN104103063A (zh) | 一种基于自动调焦原理无参考噪声图像质量评价方法 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN102547368B (zh) | 一种立体图像质量客观评价方法 | |
CN103593851A (zh) | 立体图像处理器 | |
CN102842120B (zh) | 基于超复数小波相位测量的图像模糊程度检测方法 | |
CN112837232B (zh) | 一种水下图像增强及细节恢复的方法 | |
CN105282543B (zh) | 一种基于立体视觉感知的全盲立体图像质量客观评价方法 | |
CN104104943A (zh) | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 | |
CN104036501A (zh) | 一种基于稀疏表示的立体图像质量客观评价方法 | |
CN111062895B (zh) | 一种基于多视场分割的显微图像复原方法 | |
CN102122355B (zh) | 基于核稀疏表示的sar目标识别方法 | |
CN104408716A (zh) | 一种基于视觉保真度的立体图像质量客观评价方法 | |
CN105976351A (zh) | 基于中央偏移的立体图像质量评价方法 | |
CN104103065A (zh) | 一种基于奇异值分解无参考模糊图像质量评价方法 | |
Golestaneh et al. | Reduced-reference quality assessment based on the entropy of DNT coefficients of locally weighted gradients |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141015 |
|
WD01 | Invention patent application deemed withdrawn after publication |