CN104134204B - 一种基于稀疏表示的图像清晰度评价方法和装置 - Google Patents
一种基于稀疏表示的图像清晰度评价方法和装置 Download PDFInfo
- Publication number
- CN104134204B CN104134204B CN201410326987.6A CN201410326987A CN104134204B CN 104134204 B CN104134204 B CN 104134204B CN 201410326987 A CN201410326987 A CN 201410326987A CN 104134204 B CN104134204 B CN 104134204B
- Authority
- CN
- China
- Prior art keywords
- image
- energy
- image block
- matrix
- variance
- 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
Landscapes
- Image Analysis (AREA)
Abstract
一种基于稀疏表示的图像清晰度评价方法和装置,属于图像清晰度评价方法和装置。方法:将彩色自然图像灰度化,从中随机地提取大量相同大小的图像块作为训练信号,在训练信号上利用字典学习算法得到能表示图像内在中高层次特征的过完备字典;对待评价的图像进行分块,分块大小与训练信号相同,计算各图像块的梯度和方差;在训练好的过完备字典上,对各图像块梯度信号进行稀疏分解,得到信号的稀疏表示系数,以稀疏表示系数矩阵中各列元素的L2范数平方和来表示各图像块的能量;对图像块能量从大到小排序,选取能量较大的图像块,对其能量利用相应的方差进行归一化处理,得到待评价图像的质量分数;根据所述待评价图像的质量分数评价图像的清晰度。
Description
技术领域
本发明涉及一种图像清晰度评价方法和装置,特别涉及一种基于稀疏表示的图像清晰度评价方法和装置。
背景技术
在图像信息技术的广泛应用情况下,图像质量评价成为一个广泛而基本的问题。图像是我们认知很重要的途径,因此对图像信息的处理成为各个领域不可或缺的手段。然而在图像处理和传输过程,图像不可避免的会出现失真和降质的情况,这给人们认识客观世界和研究解决问题带来很大问题。因此图像的合理评价具有很重大的意义。近些年来,随着图像处理技术的发展,该领域已吸引了研究人员的广泛关注。
目前,图像质量评价方法分为主观评价和客观评价两类。虽然主观评价方法是准确、可靠的图像质量评价方法,但是由于其方法容易受到实验环境及观察者知识水平、喜好等自然原因的影响,评价结果往往不稳定,不适用于实时系统。客观评价方法具有简单、实时、可重复和易集成等特点使其成为研究热点,但由于人是图像的最终受体,客观与主观的一致性越来越受到关注,且可作为一种客观评价方法好坏的标准。
根据对原始图像的依赖程度,客观质量评价一般分为三种类型,即全参考型、部分参考型和无参考型。全参考方法就是利用原始图像全部信息,通过计算原始图像与失真图像之间的感知误差,并综合这些误差得到失真图像的质量评价分数。全参考评价体系虽然是目前研究较多,相对成熟的评价体系,但是其使用前提是要获得参考图像的全部信息,这在很多场合是很困难的。然而,如果能得到参考图像的部分特征信息,就可以采用部分参考的质量评价方法。无参考质量评价方法是仅仅使用待评测图像本身的信息来进行质量评价。由于没有原始图像的任何信息,因此实现起来困难,但是由于其在应用领域的实用性,还是吸引了许多学者的关注。目前无参考图像质量评价主要集中在对特定失真图像的客观评价,本发明是针对图像模糊失真的一种无参考客观评价方法。
图像模糊的主要表现是高频信息的损失或衰减,由于图像模糊度与清晰度是相对的,因此图像清晰度评价方法可以用来评价图像模糊度。针对这一问题,近年来出现了一些方法,文献:P.Marziliano,F.Dufaux,S.Winkler,and T.Ebrahimi,“Perceptual blur andringing metrics:application to JPEG2000,”Signal Processing:ImageCommunication,vol.19,no.2,pp.163-172,Feb.2004.在空间域中分析图像边缘及其毗邻的区域。首先利用边缘检测提取图像边缘,然后扫描图像边缘点计算边缘宽度,最后对所有局部模糊边缘宽度求均值得到图像的质量评价分数。文献:R.Ferzli and L.J.Karam,“Ano-reference objective image sharpness metric based on the notion of justnoticeable blur(JNB),”IEEE Trans.Image Process.,vol.18,no.4,pp.717-728,Apr.2009.提出最小可视模糊(JNB)概念,在概率求和模型中计算图像边缘块的局部对比度和边缘宽度来衡量图像模糊/清晰度。文献:R.Hassen,Z.Wang,and M.Salama,“Imagesharpness assessment based on local phase coherence,”IEEE Trans.ImageProcess.,vol.22,no.7,pp.2798-2810,Jul.2013.在小波域中提取图像特征,发现模糊失真能影响图像局部相位一致性的结构,在此基础上测量相位一致性的强度来评价图像的清晰度。文献:C.T.Vu,T.D.Phan,and D.M.Chandler,“S3:A spectral and spatial measureof local perceived sharpness in natural images,”IEEE Trans.Image Process.,vol.21,no.3,pp.934-945,Mar.2012.首先在频域中计算图像局部频谱斜率大小,然后在空间域中计算图像块的局部最大方差,最后通过几何平均对斜率和方差加权平均得到图像的质量评价分数。
目前,无参考图像质量评价技术相对还不是很成熟,如何只依靠待评价图像本身对其进行质量评价是解决问题的关键。上述无参考图像清晰度评价方法在空间域和频域内提取图像特征,在评价的准确性上有待提高。
发明内容
本发明的目的是针对上述问题,提出一种基于稀疏表示的图像清晰度评价方法和装置,在没有参考图像的情况下对图像的清晰度进行评价,克服上述现有技术的缺点,并且得出的图像清晰度分数与图像主观质量分数一致性程度很高,很准确地反映了图像的清晰度。
为实现上述目的,本发明的基于稀疏表示的图像清晰度评价方法,包括以下步骤:
将彩色自然图像灰度化,从中随机地提取大量相同大小的图像块作为训练信号,字典学习算法生成可以表示自然图像内在中高层次特征的过完备字典;
对待评价的图像进行分块,且分块大小与训练信号相同,计算分块后各图像块的梯度和方差,将各图像块梯度信号转化成一维列向量放在同一矩阵中构成待评价图像的测试信号;
在训练好的过完备字典上,对测试信号进行稀疏分解,得到稀疏表示系数,计算稀疏系数矩阵中各列元素的L2范数平方和来表示各图像块的能量;
对所述的各图像块能量从大到小排序,选取能量较大的图像块,对其能量利用相应的方差进行归一化处理,得到待评价图像的质量分数;
根据所述待评价图像的质量分数评价图像的清晰度。
所述根据所述提取大量的图像块作为训练信号的步骤包括:
将所述的各图像块减去各自的均值;
将所述减去均值后图像块转化成一维列向量,并将所有一维列向量放在同一矩阵中构成训练信号。
所述对各图像块能量从大到小排序,同时各图像块方差与其能量一一对应,即以各图像块能量大小为基准从大到小排序,方差相应变化。
所述选取部分图像块的方差和能量归一化处理的步骤包括:
将所述排序后的图像块能量矩阵和方差矩阵里的前部分值分别相加求和;
将所述的能量之和除以方差之和进行归一化处理。
使用上述方法的基于稀疏表示的图像清晰度评价装置,该装置包括:
字典学习单元,用于对训练信号进行字典学习得到表示图像内在中高层次特征的过完备字典;
分块处理单元,用于将待评价图像进行分块处理,计算各块的梯度和方差,同时将各图像块梯度信号转化成一维列向量放在同一矩阵中构成测试信号矩阵;
稀疏分解单元,用于将分块处理单元得到的测试信号矩阵在训练好的过完备字典上稀疏表示,得到各图像块稀疏表示系数;
图像质量分数单元,用于对所述的图像块方差和稀疏系数处理,得到待评价图像的质量分数;
评价单元,用于根据所述待评价图像的质量分数评价图像的清晰度。
所述图像块质量分数单元包括:
能量模块,用于根据各图像稀疏表示系数计算其能量;
排序模块,用于对各图像块的能量从大到小排序,同时其方差相应变化;
归一化模块,用于选取部分图像块的能量并利用其方差进行归一化来计算图像的质量分数。
有益效果:本发明与以往的一些在空间域和频域中提取图像梯度、边缘等低层次特征的无参考图像清晰度评价方法相比,利用字典学习算法生成可以表示自然图像内在中高层次特征的过完备字典。因为人脑在分析和理解图像时往往会首先抽象出含有更多语义的中高层次特征,所以本发明方法更符合人脑对图像的分析与理解,与人的主观感受一致性更好。此方法在评价图像清晰度的质量上与主观质量评价更加契合,比以往的无参考图像清晰度质量评价方法更准确,甚至比一些全参考图像质量评价方法性能更优越。
附图说明
图1是本发明提出的基于稀疏表示的无参考图像清晰度评价方法流程图。
图2为本发明提出的一种评价图像清晰度的装置方框图。
图3为本发明提出的一种评价图像清晰度的装置中图像质量分数单元方框图。
图4为本发明实施评价图像清晰度的示意图。
图5是字典学习得到过完备字典图。
图6是LIVE图像库中一组高斯模糊(Gblur)失真图像,这些图像的主观平均分数分别为:(a)DMOS=0,(b)DMOS=22.96,(c)DMOS=42.13,(d)DMOS=57.78,(e)DMOS=65.58,(f)DMOS=75.37。DMOS(Difference Mean Opinion Score)为主观质量分数,用于图像的主观质量评价,图像的DMOS值越大,图像质量越差;DMOS值越小,图像质量越好,其中DMOS=0表示图像没有失真。
图7是LIVE图像数据库中145幅高斯模糊失真图像的主观质量分数与客观质量分数(Marziliano方法、JNB算法、LPC算法和本发明方法)的非线性拟合图。
具体实施方式
下面将结合附图对本发明的实施例作进一步的描述:
如图1所示,为本发明提出的一种基于稀疏表示的无参考图像清晰度评价方法流程图。该方法包括:
步骤101):将彩色自然图像灰度化,从中随机地提取大量相同大小的图像块作为训练信号,字典学习算法生成可以表示自然图像内在中高层次特征的过完备字典;
步骤102):对待评价的图像进行分块,且分块大小与训练信号相同,计算分块后各图像块的梯度和方差,将各图像块梯度信号转化成一维列向量放在同一矩阵中构成待评价图像的测试信号;
步骤103):在训练好的过完备字典上,对测试信号进行稀疏分解,得到稀疏表示系数,计算稀疏系数矩阵中各列元素的L2范数平方和来表示各图像块的能量;
步骤104):对所述的各图像块能量从大到小排序,选取能量较大的图像块,对其能量利用相应的方差进行归一化处理,得到待评价图像的质量分数;
步骤105):根据所述待评价图像的质量分数评价图像的清晰度。
优选地,所述步骤101)具体包括:
步骤1011):将所述的各图像块减去各自的均值;
步骤1012):将所述减去均值后图像块转化成一维列向量,并将所有一维列向量放在同一矩阵中构成训练信号。
优选地,所述步骤104)具体包括:
步骤1041):所述对各图像块能量从大到小排序,即以各图像块能量大小为基准从大到小排序,方差相应变化;
步骤1042):所述选取部分图像块的方差和能量归一化处理,即首先将所述排序后的图像块能量矩阵和方差矩阵里的前部分值分别相加求和;然后将所述的能量之和除以方差之和进行归一化处理。
如图2所示,为本发明提出的一种评价图像清晰度的装置方框图。该装置包括:
字典学习单元201,用于对训练信号进行字典学习得到表示图像内在中高层次特征的过完备字典;
分块处理单元202,用于将待评价图像进行分块处理,计算各块的梯度和方差,同时将各图像块梯度信号转化成一维列向量放在同一矩阵中构成测试信号矩阵;
稀疏分解单元203,用于将分块处理单元得到的测试信号矩阵在训练好的过完备字典上稀疏表示,得到各图像块稀疏表示系数;
图像质量分数单元204,用于对所述的图像块方差和稀疏系数处理,得到待评价图像的质量分数;
评价单元205,用于根据所述待评价图像的质量分数评价图像的清晰度。
如图3所示,为本发明提出的一种评价图像清晰度的装置中图像质量分数单元方框图。所述图像质量分数单元204包括:
能量模块2041,用于根据各图像稀疏表示系数计算其能量;
排序模块2042,用于对各图像块的能量从大到小排序,同时其方差相应变化;
归一化模块2043,用于选取部分图像块的能量并利用其方差进行归一化来计算图像的质量分数。
实施例:
1):过完备字典
选取十幅彩色自然图像作为训练图像,对其灰度化;从各图像中随机的提取1000个大小为8*8图像块,总共10000个8*8的图像块,各块减去其均值后逐行排列从一维列向量放在同一矩阵中构成训练信号Y∈R64*10000;字典学习算法对提取的训练信号Y∈R64*10000进行训练学习,得到过完备字典D∈R64*256,所述的字典学习算法为文献:H.Lee,A.Battle,R.Raina and A.Y.Ng,“Efficient sparse coding algorithms,”in Proc.Adv.NeuralInf.Process.Syst.,pp.801–808,2007,表述的字典学习算法。如图5所示。
2):各图像块梯度和方差
对待评价图像灰度化,如果待评价图像为灰度图像则跳过此步;对待评价图像进行不重叠8*8分块,计算各图像块梯度和方差;将各块梯度信号逐行排列成一维列向量放在同一矩阵中构成测试信号P∈R64*Z,各图像块方差放在同一矩阵V∈R1*Z中,Z为所分图像块数量。
3):各图像块能量
在1)所述的过完备字典D∈R64*256上,正交匹配算法对2)所述的图像块梯度信号P∈R64*Z进行稀疏分解,得到信号的稀疏表示系数S∈R256*Z,所述的正交匹配算法为文献:Y.Pati,R.Rezaiifar,and P.Krishnaprasad,“Orthogonal matching pursuit:recursivefunction approximation with applications to wavelet decomposition,”inProc.Asilomar Signals,Systems and Computers,1993表述的正交匹配算法;设稀疏表示系数S=[s1,s2,...sz],其中si=(si1,si2,...si256),i=1,2,...Z,计算S中每列信号的平方和(即L2范数的平方)来表示各图像块能量,计算表达式如(1),得到图像块能量矩阵A∈R1 *Z。
4):图像质量分数
对3)所述的图像块能量矩阵A∈R1*Z和2)所述的方差矩阵V∈R1*Z以能量矩阵A中的值为基准从大到小排列,方差矩阵V中的值相应着变化,即保证各图像块的能量和方差一一对应的,经排序后的能量矩阵A为、方差矩阵V为;根据人眼视觉系统对图像的感知,选取部分区域来判断图像质量分数,这里选取矩阵的前8%之和对矩阵的前8%之和进行归一化处理,计算表达式如(2),得到待评价图像的质量分数,
其中n表示选取的数量,其计算表达式如4A)。
最后计算得出的Q值即为图像的质量分数,图像越清晰,Q值越大。
优选地,所述1)具体包括:
1A):彩色图像的红色、绿色和蓝色三个通道中灰度分别为R、G、B,则灰度化方法为Y=0.299*R+0.587*G+0.114*B;
优选地,所述2)具体包括:
2A):彩色图像灰度化如1A)所述;
2B):设待评价图像f的大小为M*N,将图像f分解成不重叠的8*8图像块,由此图像f总共所分的图像块数为下取整,由此可见图像块数Z由图像分辨率决定。
优选地,所述3)具体包括:
3A):OMP对测试信号P∈R64*Z稀疏分解时,设置长度为64的测试信号其稀疏度为4,即每个长度为64的信号在字典D∈R64*256上用4个非零数来表示,则稀疏分解得到稀疏系数S∈R256*Z每列中只有4个非零数。
优选地,所述4)具体包括:
4A):选取经排序后能量矩阵和方差矩阵的前8%值归一化处理,其选取的具体数量为上取整;
4B):本发明归一化处理即以能量之和除以方差之和。
为了证明本发明的效果,对存在不同模糊失真程度的图像进行质量评价,并且与其他无参考评价图像清晰度的方法进行对比。
为了验证本发明的正确性,从LIVE图像数据库中选出一组模糊失真图像进行验证。图6为实验中采用的部分模糊失真图像,主观质量分数DMOS和本发明方法计算得到的客观质量分数Q分别为:(a)DMOS=0,Q=16.15。(b)DMOS=22.96,Q=10.86。(c)DMOS=42.13,Q=7.66。(d)DMOS=57.78,Q=5.01。(e)DMOS=65.58,Q=2.12。(f)DMOS=75.37,Q=0.69。测试结果可以看出,在评价图像质量上所得出的结果与主观质量评价结果一致性较好,能够比较准确地评价图像质量。
性能测试和实验分析:
为了更好地验证本发明评价图像质量的准确性,将本发明方法与其他三种方法在三个图像数据库上进行测试,这三个图像数据库分别是LIVE图像数据库(网址:http:// live.ece.utexas.edu/research/quality/subjective.htm)、TID2008图像数据库(网址:http://www.ponomarenko.info/tid2008.htm)和CSIQ图像数据库(网址:http:// vision.okstate.edu/?loc=csiq)。使用这些图像库中的Gblur(高斯模糊)失真图像进行验证。LIVE有模糊失真图像145幅、TID2008有模糊失真图像100幅、CSIQ有模糊失真图像150幅。LIVE和CSIQ图像数据库中的主观质量评价分数为DMOS。当图像质量越好,DMOS值越小;图像质量越差,DMOS值越大。TID2008图像数据库中的主观质量评价分数为MOS,当图像质量越好,MOS值越大;图像质量越差,MOS值越小。
文献:P.Marziliano,F.Dufaux,S.Winkler,and T.Ebrahimi,“Perceptual blurand ringing metrics:application to JPEG2000,”Signal Processing:ImageCommunication,vol.19,no.2,pp.163-172,Feb.2004.中介绍了一种无参考评价图像模糊失真的方法,这种方法在空间域中首先利用边缘检测提取图像边缘,然后扫描图像边缘点计算边缘宽度,最后对所有局部模糊边缘宽度求平均得到图像质量评价分数,记这种方法为“Marziliano方法”;文献:R.Ferzli and L.J.Karam,“A no-reference objectiveimage sharpness metric based on the notion of just noticeable blur(JNB),”IEEETrans.Image Process.,vol.18,no.4,pp.717-728,Apr.2009.中提出最小可视模糊(JNB)概念,在概率求和模型中计算图像边缘块的局部对比度和边缘宽度来衡量图像模糊/清晰度,记这种方法为“JNB”;文献:R.Hassen,Z.Wang,and M.Salama,“Image sharpnessassessment based on local phase coherence,”IEEE Trans.Image Process.,vol.22,no.7,pp.2798-2810,Jul.2013.中在复小波域中提取图像特征,发现图像模糊失真能影响其局部相位一致性结构,在此基础上测量相位一致性的强度来计算图像质量评价分数,记这种方法为“LPC”。下面就把本发明方法与这三种方法在三个图像数据库做实验进行对比。
一般地,图像客观质量评价分数与图像主观质量分数之间呈现非线性关系,所以本发明采用的下面Logistic非线性回归方程对主客观评价进行非线性回归,
其中,x代表客观质量评价分数,选择合适的τ1、τ2、τ3和τ4使得f(x)与主观质量评价分数的误差最小。用回归曲线与客观分的统计指标作为评价客观评价方法性能的指标,包括:1)相关系数(Correlation Coefficient,CC)为非线性回归后的线性相关系数,用于定量度量客观分数与主观分数的一致性程度;2)均方误差根(Root Mean Squared Error,RMSE)为非线性回归后的标准差,也用于定量度量客观分数与主观分数的一致性程度;3)Spearman相关系数(Spearman Rank Order Correlation Coefficient,SROCC),用于衡量方法的单调性。
图7为LIVE图像数据库中145幅模糊失真图像的主客观质量分数的非线性拟合图,图7(a)为Pina Marziliano等人提出方法的拟合图,图7(b)为Rony Ferzli等人提出算法的拟合图,图7(c)为Rania Hassen等人提出算法的拟合图,图7(d)为本发明提出方法的拟合图。从图7(a)~(d)中可以看出,本发明方法获得的质量分数分布更加均匀,而且质量分数更加集中在拟合曲线附近,拟合特性最好。表1、表2和表3中给出了这四种方法在三个不同图像数据库中的性能指标,其中CC及SROCC越大性能越好,RMSE越小性能越好。由表1、表2和表3中可以看出,本发明在LIVE、TID2008和CSIQ 图像数据库中效果均为最好,而且本发明的CC和SROCC值均明显高于其他方法,说明了本发明在评价图像质量上具有很高的准确性。
表1:LIVE图像数据库实验结果
评价指标 | Marziliano方法 | JNB | LPC | 本发明方法 |
CC | 0.798 | 0.8161 | 0.9181 | 0.9622 |
SROCC | 0.7977 | 0.7872 | 0.9389 | 0.9621 |
RMSE | 11.1317 | 10.6754 | 7.3224 | 5.0309 |
表2:TID2008图像数据库实验结果
评价指标 | Marziliano方法 | JNB | LPC | 本发明方法 |
CC | 0.6922 | 0.6931 | 0.8573 | 0.8849 |
SROCC | 0.696 | 0.6667 | 0.8561 | 0.8777 |
RMSE | 0.8367 | 0.8459 | 0.604 | 0.5465 |
表3:CSIQ图像数据库实验结果
评价指标 | Marziliano方法 | JNB | LPC | 本发明方法 |
CC | 0.7936 | 0.8061 | 0.9158 | 0.9347 |
SROCC | 0.7661 | 0.7624 | 0.9072 | 0.9141 |
RMSE | 0.1744 | 0.1696 | 0.1151 | 0.1019 |
Claims (6)
1.一种基于稀疏表示的图像清晰度评价方法,其特征在于,该方法包括:
将彩色自然图像灰度化,从中随机地提取大量相同大小的图像块作为训练信号,利用字典学习算法生成可以表示自然图像内在中高层次特征的过完备字典;
对待评价的图像进行分块,且分块大小与训练信号相同,计算分块后各图像块的梯度和方差,将各图像块梯度信号转化成一维列向量放在同一矩阵中构成待评价图像的测试信号;
在训练好的过完备字典上,对测试信号进行稀疏分解,得到稀疏表示系数,计算稀疏表示系数矩阵中各列信号的L2范数平方和来表示待评价的图像进行分块后的各图像块的能量;
对所述各图像块的能量从大到小排序,选取能量较大的图像块,对其能量利用相应的方差进行归一化处理,得到待评价图像的质量分数;
所述的选取能量较大的图像块是以图像块能量矩阵A中的值为基准从大到小排列,方差矩阵V中的值相应着变化,即保证各图像块的能量和方差一一对应的,经排序后的图像块能量矩阵A为方差矩阵V为根据人眼视觉系统对图像的感知,选取部分区域来判断图像质量分数,这里选取矩阵的前8%之和对矩阵的前8%之和进行归一化处理,
所述的归一化处理的计算表达式如下,得到待评价图像的质量分数,
根据所述待评价图像的质量分数来评价图像的清晰度,其中n表示选取的数量。
2.如权利要求1所述的一种基于稀疏表示的图像清晰度评价方法,其特征在于,所述提取大量相同大小的图像块作为训练信号的具体步骤包括:
将所述的待评价的图像进行分块后的各图像块减去各自的均值;
将减去均值后的各图像块转化成一维列向量,并将所有的一维列向量放在同一矩阵中构成训练信号。
3.如权利要求1所述的一种基于稀疏表示的图像清晰度评价方法,其特征在于,所述对所述各图像块的能量从大到小排序,同时各图像块方差与其能量一一对应,即以各图像块能量为基准从大到小排序,其方差相应变化。
4.如权利要求1所述的一种基于稀疏表示的图像清晰度评价方法,其特征在于,所述选取能量较大的图像块,对其能量利用相应的方差进行归一化处理的具体步骤包括:
将排序后的图像块能量矩阵和方差矩阵里的前部分值分别相加求和;
所述的前部分值是以图像块能量矩阵A中的值为基准从大到小排列,方差矩阵V中的值相应着变化,即保证各图像块的能量和方差一一对应的,经排序后的图像块能量矩阵A为方差矩阵V为根据人眼视觉系统对图像的感知,选取部分区域来判断图像质量分数,这里选取矩阵的前8%之和对矩阵的前8%之和进行归一化处理;
将能量之和除以方差之和的值作为图像的质量分数。
5.一种基于稀疏表示的图像清晰度评价方法的装置,其特征在于:该装置包括:字典学习单元、分块处理单元、稀疏分解单元、图像质量分数单元、评价单元;
字典学习单元,用于对训练信号进行字典学习得到表示图像内在中高层次特征的过完备字典;
分块处理单元,用于将待评价图像进行分块处理,计算各块的梯度和方差,同时将各图像块梯度信号转化成一维列向量构成测试信号矩阵;
稀疏分解单元,用于将分块处理单元得到的测试信号矩阵在训练好的过完备字典上稀疏表示,得到各图像块稀疏表示系数;
图像质量分数单元,用于对所述的各图像块稀疏表示系数和方差进行处理,得到待评价图像的质量分数;
评价单元,用于根据所述待评价图像的质量分数评价图像的清晰度。
6.如权利要求5所述一种基于稀疏表示的图像清晰度评价方法的装置,其特征在于:所述图像质量分数单元包括:能量模块、排序模块和归一化模块;
能量模块,用于根据各图像块稀疏表示系数计算图像块能量;
排序模块,用于对各图像块的能量从大到小排序,同时其方差相应变化;
归一化模块,用于选取部分图像块的能量并利用其方差进行归一化来计算图像的质量分数;以图像块能量矩阵A中的值为基准从大到小排列,方差矩阵V中的值相应着变化,即保证各图像块的能量和方差一一对应的,经排序后的图像块能量矩阵A为方差矩阵V为根据人眼视觉系统对图像的感知,选取部分区域来判断图像质量分数,这里选取矩阵的前8%之和对矩阵的前8%之和进行归一化处理,
计算表达式如下,
得到待评价图像的质量分数,其中n表示选取的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410326987.6A CN104134204B (zh) | 2014-07-09 | 2014-07-09 | 一种基于稀疏表示的图像清晰度评价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410326987.6A CN104134204B (zh) | 2014-07-09 | 2014-07-09 | 一种基于稀疏表示的图像清晰度评价方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104134204A CN104134204A (zh) | 2014-11-05 |
CN104134204B true CN104134204B (zh) | 2017-04-19 |
Family
ID=51806873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410326987.6A Expired - Fee Related CN104134204B (zh) | 2014-07-09 | 2014-07-09 | 一种基于稀疏表示的图像清晰度评价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104134204B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867128B (zh) * | 2015-04-10 | 2017-10-31 | 浙江宇视科技有限公司 | 图像模糊检测方法和装置 |
CN105118060B (zh) * | 2015-08-19 | 2018-06-26 | 杭州电子科技大学 | 一种结合视觉分析的图像清晰度衡量方法 |
CN105389594B (zh) * | 2015-11-19 | 2020-10-27 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN105574857B (zh) * | 2015-12-11 | 2019-02-15 | 小米科技有限责任公司 | 图像分析方法及装置 |
CN106127234B (zh) * | 2016-06-17 | 2019-05-03 | 西安电子科技大学 | 基于特征字典的无参考图像质量评价方法 |
CN106355195B (zh) * | 2016-08-22 | 2021-04-23 | 中国科学院深圳先进技术研究院 | 用于测量图像清晰度值的系统及其方法 |
CN106548468B (zh) * | 2016-10-13 | 2019-08-23 | 广州酷狗计算机科技有限公司 | 图像清晰度的判别方法及装置 |
CN106650795B (zh) * | 2016-12-01 | 2020-06-12 | 携程计算机技术(上海)有限公司 | 酒店房型图像的排序方法 |
CN106803248B (zh) * | 2016-12-18 | 2019-11-05 | 南京邮电大学 | 模糊车牌图像模糊度评价方法 |
CN107147906B (zh) * | 2017-06-12 | 2019-04-02 | 中国矿业大学 | 一种虚拟视角合成视频质量的无参考评价方法 |
CN107590796B (zh) * | 2017-07-20 | 2021-01-26 | 天津大学 | 基于稀疏分解残差的全参考混合失真图像质量评价方法 |
TWI635752B (zh) | 2017-08-31 | 2018-09-11 | Yuan Ze University | 具有功率約束的影像增強方法、影像處理裝置及顯示系統 |
CN108389189B (zh) * | 2018-02-08 | 2021-05-14 | 天津大学 | 基于字典学习的立体图像质量评价方法 |
CN110717922A (zh) * | 2018-07-11 | 2020-01-21 | 普天信息技术有限公司 | 一种图像清晰度评价方法及装置 |
CN109410200B (zh) * | 2018-10-31 | 2021-11-30 | 嘉兴学院 | 一种粘胶纤维织物数码印花清晰度的评价方法 |
CN109934876B (zh) * | 2019-01-25 | 2023-11-24 | 淮阴师范学院 | 一种基于二阶矩函数的图像聚焦测度实现方法 |
CN110532950B (zh) * | 2019-08-29 | 2021-08-13 | 中国科学院自动化研究所 | 基于微表情视频的视频特征提取方法、微表情识别方法 |
CN112435218A (zh) * | 2020-11-04 | 2021-03-02 | 南京火眼锐视信息科技有限公司 | 一种文档图像的形变度评估、筛选方法和装置 |
CN113838023B (zh) * | 2021-09-22 | 2023-09-15 | 中国计量大学 | 一种色差图像质量评价方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945552A (zh) * | 2012-10-22 | 2013-02-27 | 西安电子科技大学 | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1937002B1 (en) * | 2006-12-21 | 2017-11-01 | Rohde & Schwarz GmbH & Co. KG | Method and device for estimating the image quality of compressed images and/or video sequences |
-
2014
- 2014-07-09 CN CN201410326987.6A patent/CN104134204B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945552A (zh) * | 2012-10-22 | 2013-02-27 | 西安电子科技大学 | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
Sparse representation based blind image deblurring;Haichao Zhang et al;《2011 IEEE International Conference on Multimedia and Expo》;20110711;1-6 * |
基于自然图像统计的无参考图像质量评价;蔡德生 等;《浙江大学学报(工学版)》;20100228;第44卷(第2期);248-252 * |
Also Published As
Publication number | Publication date |
---|---|
CN104134204A (zh) | 2014-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104134204B (zh) | 一种基于稀疏表示的图像清晰度评价方法和装置 | |
Perez-Ortiz et al. | A practical guide and software for analysing pairwise comparison experiments | |
Fu et al. | Screen content image quality assessment using multi-scale difference of Gaussian | |
CN105825500B (zh) | 一种对相机图像质量的评价方法与装置 | |
Pei et al. | Image quality assessment using human visual DOG model fused with random forest | |
Panetta et al. | Human-visual-system-inspired underwater image quality measures | |
Qureshi et al. | Towards the design of a consistent image contrast enhancement evaluation measure | |
CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
CN104361593B (zh) | 一种基于hvs和四元数的彩色图像质量评价方法 | |
CN109978854B (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
CN108052980A (zh) | 基于图像的空气质量等级检测方法 | |
CN101482973B (zh) | 基于早期视觉的部分参考图像质量评价方法 | |
CN106447647A (zh) | 一种压缩感知恢复图像的无参考质量评价方法 | |
CN109191450B (zh) | 一种遥感图像融合质量评价方法 | |
CN106548472A (zh) | 基于沃尔什哈达玛变换的无参考图像质量评价方法 | |
CN108289222A (zh) | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 | |
CN106815839A (zh) | 一种图像质量盲评估方法 | |
CN108399620B (zh) | 一种基于低秩稀疏矩阵分解的图像质量评价方法 | |
CN106934770B (zh) | 一种评价雾霾图像去雾效果的方法和装置 | |
CN107146220A (zh) | 一种通用型无参考图像质量评价方法 | |
CN104881867A (zh) | 一种基于特征分布的遥感图像质量评价方法 | |
CN110120034A (zh) | 一种与视觉感知相关的图像质量评价方法 | |
CN109754390A (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
CN107018410B (zh) | 一种基于预注意机制和空间依赖性的无参考图像质量评价方法 | |
CN104346809A (zh) | 采用高动态范围的图像质量数据集的图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 221116 Research Institute of China University of Mining and Technology,, Jiangsu Applicant after: China University of Mining & Technology Address before: 221116 Research Institute, China University of Mining and Technology, Xuzhou University, Jiangsu, China, Applicant before: China University of Mining & Technology |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170419 Termination date: 20210709 |