CN104200480B - 一种应用于智能终端的图像模糊度评价方法及系统 - Google Patents
一种应用于智能终端的图像模糊度评价方法及系统 Download PDFInfo
- Publication number
- CN104200480B CN104200480B CN201410473073.2A CN201410473073A CN104200480B CN 104200480 B CN104200480 B CN 104200480B CN 201410473073 A CN201410473073 A CN 201410473073A CN 104200480 B CN104200480 B CN 104200480B
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- evaluation
- mtd
- edge
- 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种应用于智能终端的图像模糊度评价方法及系统,包括以下步骤:图像获取;图像灰度化;图像边缘提取;图像处理;图像边缘统计信息计算;图像模糊度指标计算;根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max];图像模糊度调整;得出最终图像和该图像模糊度评价指标;该应用于智能终端的图像模糊度评价系统包括:模糊度评价模块和模糊度调整模块。本发明的评价方法从相对评价的角度出发,利用滤波器构造待评价图像的参考图像,计算滤波处理前后图像边缘统计信息的相对比值作为评价指标,实现了图像模糊度评价的内容无关性和实时性,可以快速准确地评价比较任何图像的模糊度。
Description
技术领域
本发明属于数字图像处理技术领域,尤其涉及一种应用于智能终端的图像模糊度评价方法及系统。
背景技术
模糊度是图像质量的一个重要的衡量指标,图像的模糊度评价是图像质量评价领域的重要研究课题。不少已有的传统模糊度评价方法建立在待评价图像自身的结构特点上,比如边缘信息、纹理特征等,可以归纳为一种绝对的评价方法,这样带来的问题就是评价方法对内容有了依赖性,只能局限于比较相同内容图像的模糊度,后来一些可以用于评价不同内容图像模糊度的方法复杂性较高,实时性较差。随着可拍照智能终端的普及,人们越来越多地通过图像来获取存储信息,因此快速对获取的图像进行模糊度评价不但能够丰富智能终端图像获取系统的功能、评估设备的硬件性能,对获取高质量图像也具有重要意义。
发明内容
本发明实施例的目的在于提供一种应用于智能终端的图像模糊度评价方法,旨在解决传统的评价方法不能用于评价不同内容的图像模糊度的难题。
本发明实施例的另一个目的在于提供一种应用于智能终端的高效便捷的图像模糊度评价系统,该应用于智能终端的图像模糊度评价系统包括:用于获取图像,并计算滤波前后图像统计信息比值的模糊度评价模块和与模糊度评价模块连接,用于得出最终图像和图像模糊度评价指标的模糊度调整模块。
本实施例是这样实现的,一种应用于智能终端的图像模糊度评价系统,选择android开发环境进行该应用系统开发,该系统包括两个模块:用于获取图像,并计算滤波前后图像统计信息比值作为评价指标的模糊度评价模块和与模糊度评价模块连接,用于得出最终图像和图像模糊度评价值的模糊度调整模块。然后将开发好的.app文件嵌入到基于安卓系统的智能终端,本实施例选择为安卓手机。
进一步,模糊度评价模块的工作流程包括:
步骤一,图像获取,通过智能终端的成像设备拍照或者直接从内存图像库获取待评价图像;
步骤二,图像灰度化,为方便下面图像的边缘提取,利用数字图像处理中 RGB图像R、G、B三通道像素值与灰度图像像素值转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用图像处理方法中Roberts算子边缘检测技术作用于灰度图像获取图像的边缘;
步骤四,图像处理,利用高通/低通滤波器对图像进行滤波处理以构造待评价图像的参考图像;
步骤五,图像边缘统计信息计算,分别计算图像滤波前后边缘灰度信息:边缘像素与以边缘像素为中心的某邻域内其他像素的绝对加权像素差之和,这个边缘灰度信息作为计算图像受滤波器影响大小的评测值;
步骤六,图像模糊度指标计算,如步骤五所计算,将图像滤波前后边缘灰度统计信息的比值作为模糊度指标。
进一步,图像模糊度调整模块的工作流程包括:
步骤一,得出模糊度调整范围,利用上述步骤一中的模糊度评价方法评价 LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot(value,DMOS)建立评价值与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS范围得出对应的一个模糊评价值范围[min,max];
步骤二,图像模糊度调整:评价模块计算的图像的模糊度大于max说明图像滤波前后统计量变化不大即图像过于模糊,利用高通滤波器进行滤波处理,反之,小于min说明统计量变化很大即原始图像过于清晰,利用低通滤波器进行滤波处理;
步骤三,得出最终图像和该图像的模糊度评价指标。
进一步,滤波器处理图像不是单一方式处理整幅评价图像,而是鉴于图像的边界和中心像素由于位置的不同导致滤波器对其处理方式的不同,根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充。
进一步,图像模糊度评价模块工作流程的步骤六中评价指标计算滤波器对待评价原始图像的影响值作为评价依据:边缘灰度统计信息的比值作为评价指标,这个比值越大说明两者相比变化不大,图像受滤波器影响越小,待评价图像越模糊,反之比值越小,图像越清晰。
本发明提供的应用于智能终端的图像模糊度评价方法,不同于传统的评价方法建立在待评价图像自身结构特点基础上,从相对评价的角度出发,利用滤波器构造待评价图像的参考图像,计算变化前后图像边缘统计信息的比值作为评价指标。本发明的原理简单,实现了图像模糊度评价的内容无关性和实时性,可以快速准确评价比较任何图像之间的模糊度。
附图说明
图1是本发明实施例提供的应用于智能终端的图像模糊度评价方法流程图;
图2是本发明实施例提供的应用于智能终端的图像模糊度评价方法概要流程示意图;
图3是本发明实施例提供的应用于智能终端的图像模糊度评价系统流程示意图;
图4是本发明实施例提供的应用于智能终端的图像模糊度评价系统嵌入安卓手机的应用界面示意图;
图5是本发明实施例提供的应用于智能终端的图像模糊度评价系统嵌入安卓设备数据操作流程图;
图6是本发明实施例提供的模糊度评价方法用于数字图像处理领域常用的 LIVE2图像库中高斯模糊图像集合时的利用低通滤波器处理图像的评价指标与 DMOS值的散点拟合图;
图7是本发明实施例提供的模糊度评价方法用于数字图像处理领域常用的 LIVE2图像库中高斯模糊图像集合时的利用高通滤波器处理图像的评价指标与 DMOS值的散点拟合图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明实施例的应用于智能终端的图像模糊度评价方法具体包括以下步骤:
S101:图像获取,通过成像设备或者内存图像库获取待评价图像;
S102:图像灰度化,将彩色图像转化为灰度图像;
S103:图像边缘提取,利用边缘检测技术获取图像的边缘;
S104:图像处理,利用高通/低通滤波器对图像进行滤波;
S105:图像边缘统计信息计算,分别计算图像滤波前后边缘灰度信息;
S106:图像模糊度指标计算,图像滤波前后统计信息的比值作为模糊度指标;
S107:根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围 [min,max];
S108:图像模糊度调整,若图像模糊度指标大于max,则利用高通滤波器进行滤波调整;若小于min,则利用低通滤波器进行滤波调整,以达到最佳视觉效果;
S109:得出最终图像和该图像模糊度评价指标。
如图2所示,本发明的应用于智能终端的图像模糊度评价系统包括两个主要核心模块:模糊度评价模块和模糊度调整模块。两个模块的具体设计与联系如图3所示。
1.模糊度评价模块包含以下主要步骤:
1)图像获取,通过安卓手机设备的后置相机获取待评价图像;
2)图像灰度化:Gray=R*0.3+G*0.59+B*0.11;
3)图像边缘信息提取:利用Robert边缘检测算子提取图像边缘;
4)图像处理:利用3*3的均值滤波器对灰度图像进行滤波处理;
5)图像统计信息计算:选择图像每个边缘像素的3*3邻域,计算所有邻域中心边缘像素与域内其他像素各自的绝对加权差总和;
6)图像模糊度计算:计算滤波前后图像统计信息的比值作为模糊度指标。
2.图像模糊度调整模块包含以下主要步骤:
1)建立评价值与DMOS映射关系:利用上述介绍的基于相对比较的模糊度评价方法评价LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合画图工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS范围得出一个模糊评价值范围 [min,max];
2)图像模糊度调整;
3)得出最终图像和该图像的模糊度评价指标。
本实施例设计是基于安卓手机,所以的设计与开发选择在android环境进行,然后将设计好的系统即.app文件移植入安卓系统的手机终端进行实验。设计界面如图4所示,这里仅仅是为了验证发明的可行性,因此界面设计比较简单。在手机App主界面上,简单地放置三个主要控件:ImageView:用于显示调用手机相机获取的图像,即待评价图像;TextView:用于显示图像的模糊度评价值;Button:用于调用相机获取图像,通过设置监听事件onClick,当用户点击界面按钮触发事件后,调用手机内置照相机,默认为调用其后置摄像头(如果有前置摄像头也可以),获取到图像后放入ImageView,然后利用上述设计的模糊度评价方法并进行相应地评价与调整,并将结果反馈给TextView显示。最后由ImageView和TextView分别将图像和模糊度指标显示出来。整个数据流的操作过程分为五个模块:Button,设备相机,获取图像,模糊度评价算法,评价结果,如图5所示。下面将按照数据流的操作过程进行详细说明:
Button:在Android开发中,Button是各种UI中最常用的控件之一,用户可以通过触摸它来触发一系列事件,一个没有点击事件的Button是没有任何意义的,在开发过程中,通常要给Button一个唯一的ID或者键,此处命名为button,可以在XML文件中为其设置相关属性,例如宽、高等,主要在Activity的onCreat 中通过findViewById获取button实例,然后对按钮绑定一个点击事件的监听器 onClickListener,通过点击按钮调用设备相机;
设备相机:Google提供了调用内置相机的API,只需要获取相应的权限,就可以通过内置的相机API调用手机上的摄像头,实现拍照并获取图像;
获取图像:通过调用相机来获取图像,这里需要有人工交互来实现图像拍摄;
模糊度评价算法:算法的实现语言根据智能设备所嵌入的系统决定,在 Android平台中,选择由Java语言来实现该算法,具体过程如下:
步骤一,图像灰度化,利用RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像将获取的RGB图像转换为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤二,图像边缘提取,利用Roberts算子作用于灰度图像获取图像的边缘,检测算子模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤三,图像处理,利用3*3均值低通滤波器处理图像,其模板如下:
步骤四,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2 统计信息为sum_filter,具体计算公式如下:
sum_orig=w1×(|F(i,j)-F(i-1,j)|+|F(i,j)-F(i,j-1)|+|F(i,j)-F(i,j+1)|+|F(i,j)-F(i+1,j)|)+w2×(|F(i,j)-F(i-1,j-1)|+|F(i,j)-F(i-1,j+1)|+|F(i,j)-F(i+1,j-1)|+|F(i,j)-F(i+1,j+1)|) , sum_filter=w1×(|F2(i,j)-F2(i-1,j)|+|F2(i,j)-F2(i,j-1)|+|F2(i,j)-F2(i,j+1)|+|F2(i,j)-F2(i+1,j)|)+w2×(|F2(i,j)-F2(i-1,j-1)|+|F2(i,j)-F2(i-1,j+1)|+|F2(i,j)-F2(i+1,j-1)|+|F2(i,j)-F2(i+1,j+1)|) ,其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3;
步骤五,图像模糊度指标计算,将步骤四得出的图像滤波前后边缘灰度统计信息的比值(取sum_orig为分母,sum_filter为分子,保持该值介于(0,1) 之间)作为模糊度指标;
步骤六,图像模糊度调整,按照说明书图像模糊度调整模块步骤一方法设定好模糊度比较范围[min,max]进行调整,若图像模糊度指标小于min,则利用低通滤波器进行滤波调整;同理若大于max,则利用高通滤波器进行滤波调整,以达到更佳视觉效果,;
步骤七,得出最终图像和该图像模糊度评价指标;
显示结果:将模糊度评价算法的结果反馈给TextView显示出来。
本发明采用滤波前后两幅图像的边缘统计信息值的比值作为评价依据,经过实验测试,模糊度评价方法的实施例用于LIVE2中高斯模糊图像集合时,评价指标与DMOS拟合关系如图6与图7所示,可以看出无论使用高通滤波器还是低通滤波器处理图像,评价指标与DMOS值都具有良好的线性关系,说明本发明的评价指标的准确性更高。另外如表1所示,与平均梯度,熵,方差等流行的模糊度评价方法相比,同样无论选择高通滤波器还是低通滤波器,本发明的评价方法都具有良好的CC,SROCC,OR,MSE指标。
以上拟合图像和实验数据共同说明本方法具有良好的准确性,一致性和单调性。同时本评价方法不仅可以快速准确地评价相同内容图像模糊度,也可以快速准确地评价不同内容图像的模糊度,解决了传统的评价方法的弊端,即直接利用图像本身结构信息进行评价而导致用于内容不同的图像评价时失效。
另外本发明的评价方法用于LIVE2中174幅高斯模糊图像库进行评价计算总共用时不到10秒,取得了良好的实时性。
综上所述,本发明的应用于智能终端的图像模糊度评价方法及系统非常适合嵌入智能终端设备,可以准确实时地进行图像模糊度评价,以及对终端的成像设备进行良好的性能评价。
表1 本评价方法与传统的方法实验数据对比
图像处理选择的滤波器既可以是高通滤波器,也可以是低通滤波器。只要滤波器能够对不同模糊程度的图像产生不同的明显可区分的影响即可,也就是图像越清晰,滤波器对其产生的影响越大,图像越模糊,滤波器对其产生的影响越小;利用滤波器对图像进行滤波处理时不是以单一方式处理整幅待评价图像,而是鉴于滤波器对图像的边界像素和中心处理方式不同,对边界像素和中心像素进行区别处理:根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充的方法。
结合边缘信息设计一个统计量。根据HVS特点,可以得出人眼对于边缘信息较为敏感,所以可以结合滤波器处理图像的原理选择每个边缘像素为核心的一个邻域,以边缘像素与其邻域内其他像素的绝对加权差之和作为统计量,加权的原因在于一方面考虑到与中心像素距离不同,滤波器对其影响不同,另一方面人眼对于水平和竖直方向的变化比较敏感。
根据HVS视觉感知最佳的DMOS范围映射出一个基于本评价算法的模糊指标范围[min,max],然后根据这个范围调整图像模糊度以达到更佳视觉效果。评价值小于min也即过于清晰的图像利用低通滤波器进行滤波处理,评价值大于max也即过于模糊的图像利用高通滤波器进行滤波处理。
本发明具有实现原理简单,实时性好,准确性高等特点,可以嵌入到多种可拍照移动智能终端,不仅包括安卓系统的终端,还包括iOS,windows等操作系统,应用范围非常广泛。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种应用于智能终端的图像模糊度评价方法,其特征在于,该应用于智能终端的图像模糊度评价方法包括模糊度评价和模糊度调整;具体包括以下步骤:
步骤一,图像获取,通过智能手机,笔记本电脑,掌上电脑,平板电脑的可拍照智能终端的成像设备拍照或者直接从其内存图像库选择获取待评价图像;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,我们根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
<mrow>
<mfrac>
<mn>1</mn>
<mn>9</mn>
</mfrac>
<mo>&times;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
步骤五,图像边缘灰度统计信息计算,分别计算图像滤波前后各自边缘灰度统计信息,滤波处理前的待评价图像F边缘灰度统计信息为sum_orig,滤波处理后的参考图像F2边缘灰度统计信息为sum_filter,具体计算公式如下:
<mfenced open='' close=','>
<mtable>
<mtr>
<mtd>
<mi>sum</mi>
<mo>_</mo>
<mi>orig</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>+</mo>
<mi>w</mi>
<mn>2</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mfenced open='' close=''>
<mtable>
<mtr>
<mtd>
<mi>sum</mi>
<mo>_</mo>
<mi>filter</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>+</mo>
<mi>w</mi>
<mn>2</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3;
步骤六,图像模糊度指标计算,将步骤五得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间;
步骤七,根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],得出模糊度调整范围,利用模糊度评价方法评价LIVE2中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS得出对应的一个模糊评价值范围[min,max];
步骤八,图像模糊度调整,若图像模糊度指标小于min,根据步骤六,说明图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;同理若大于max,说明图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
步骤九,得出最终图像和该图像模糊度评价指标,并显示在智能终端屏幕。
2.一种应用于智能终端的图像模糊度评价系统,其特征在于,该应用于智能终端的图像模糊度评价系统包括:用于获取图像,并计算滤波前后图像边缘灰度统计信息比值的模糊度评价模块和与模糊度评价模块连接,用于调整原图像模糊度得出最终图像和图像模糊度评价指标的模糊度调整模块;
模糊度评价模块的工作流程包括:
步骤一,图像获取,通过可拍照智能终端的成像设备拍照或者直接从内存图像库获取待评价图像;
步骤二,图像灰度化,为方便下面图像的边缘提取,利用数字图像处理中RGB图像R、G、B三通道像素值与灰度图像像素值转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用图像处理方法中Roberts算子边缘检测技术作用于灰度图像获取图像的边缘;
步骤四,图像处理,利用高通/低通滤波器对图像进行滤波处理以构造待评价图像的参考图像;
步骤五,图像边缘灰度统计信息计算,分别计算图像滤波前后边缘灰度统计信息:边缘像素与以边缘像素为中心的某邻域内其他像素的绝对加权像素差之和,这个边缘灰度统计信息作为计算图像受滤波器影响大小的评测值;
步骤六,图像模糊度指标计算,如步骤五所计算,将图像滤波前后边缘灰度统计信息的比值作为模糊度指标;根据人眼视觉特性,可以得出人眼对于一幅图像的水平方向和竖直方向的变化最为敏感,因此在图像模糊度评价模块工作流程中,在计算边缘区域的灰度统计信息时,结合了加权思想,对于中心像素与其上下左右四个处于水平和竖直方向上的像素差值赋较大权值,四个对角线方向赋较小权值。
3.如权利要求2所述的应用于智能终端的图像模糊度评价系统,其特征在于,图像模糊度调整模块的工作流程包括:
步骤一,得出模糊度调整范围,利用图像获取,通过安卓手机设备的后置相机获取待评价图像;图像灰度化:Gray=R*0.3+G*0.59+B*0.11;图像边缘灰度统计信息提取:利用Robert边缘检测算子提取图像边缘;图像处理:利用3*3的均值滤波器对灰度图像进行滤波处理;图像边缘灰度统计信息计算:选择图像每个边缘像素的3*3邻域,计算所有邻域中心边缘像素与域内其他像素各自的绝对加权差总和;图像模糊度计算:取滤波前边缘灰度统计信息为分母,滤波后边缘灰度统计信息为分子,保持该值介于(0,1)之间,计算滤波前后图像边缘灰度统计信息的比值作为模糊度指标,评价LIVE2图像库中的174幅高斯模糊图像,计算出它们各自的模糊度评价值,然后利用拟合工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系,根据最佳视觉效果对应的DMOS得出对应的一个模糊评价值范围[min,max];
步骤二,图像模糊度调整:评价模块计算的图像的模糊度大于max说明图像滤波前后统计量变化不大即图像过于模糊,利用高通滤波器进行滤波处理,反之,小于min说明统计量变化很大即原始图像过于清晰,利用低通滤波器进行滤波处理;
步骤三,得出调整后的最终图像和该图像的模糊度评价值。
4.如权利要求2所述的应用于智能终端的图像模糊度评价系统,其特征在于,滤波器处理图像不是单一方式处理整幅评价图像,而是鉴于图像的边界和中心像素由于位置的不同导致滤波器对其处理方式的不同,根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充的方法进行处理。
5.如权利要求2所述的应用于智能终端的图像模糊度评价系统,其特征在于,根据人眼视觉特性,人眼对于边缘区域变化更加敏感,因此模糊度评价模块工作流程中,计算滤波器对待评价原始图像的影响值作为评价依据时,采用边缘灰度统计信息作为评价指标,取滤波前边缘灰度统计信息为分母,滤波后边缘灰度统计信息为分子,保持该值介于(0,1)之间,计算得出滤波前后图像边缘灰度统计信息的比值,这个比值越大说明两者相比变化不大,图像受滤波器影响越小,待评价图像越模糊,反之比值越小,图像越清晰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410473073.2A CN104200480B (zh) | 2014-09-17 | 2014-09-17 | 一种应用于智能终端的图像模糊度评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410473073.2A CN104200480B (zh) | 2014-09-17 | 2014-09-17 | 一种应用于智能终端的图像模糊度评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200480A CN104200480A (zh) | 2014-12-10 |
CN104200480B true CN104200480B (zh) | 2017-10-03 |
Family
ID=52085766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410473073.2A Expired - Fee Related CN104200480B (zh) | 2014-09-17 | 2014-09-17 | 一种应用于智能终端的图像模糊度评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200480B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881878B (zh) * | 2015-06-12 | 2017-07-28 | 武汉大学 | 一种基于多尺度梯度差分熵的图像质量评价方法 |
CN105069783B (zh) * | 2015-07-23 | 2019-03-01 | 北京金山安全软件有限公司 | 一种模糊图片识别方法及装置 |
CN106371627A (zh) * | 2016-08-26 | 2017-02-01 | 郭曼 | 一种测量绘画板位置信息的控制系统 |
CN106646661A (zh) * | 2016-09-22 | 2017-05-10 | 张春志 | 一种矿床水文地质综合勘查系统 |
CN106485702B (zh) * | 2016-09-30 | 2019-11-05 | 杭州电子科技大学 | 基于自然图像特征统计的图像模糊检测方法 |
CN106556760A (zh) * | 2016-11-16 | 2017-04-05 | 北华大学 | 一种基于云计算的车载多媒体的自动化测试控制系统 |
CN106994966A (zh) * | 2017-01-05 | 2017-08-01 | 宁波华盛联合制动科技有限公司 | 一种液力缓速器控制装置及方法 |
CN107065037A (zh) * | 2017-05-19 | 2017-08-18 | 宁波耘瑞智能科技有限公司 | 一种自动气象站数据采集控制系统 |
CN107147849A (zh) * | 2017-05-25 | 2017-09-08 | 潍坊科技学院 | 一种摄影设备的控制方法 |
CN108986054A (zh) * | 2017-05-31 | 2018-12-11 | 阜阳师范学院 | 一种基于互联网的动物繁殖监测控制系统 |
CN107341449A (zh) * | 2017-06-14 | 2017-11-10 | 贵州中北斗科技有限公司 | 一种基于云块特征变化的静止气象卫星降水估算方法 |
CN107184145A (zh) * | 2017-06-21 | 2017-09-22 | 武汉洁美雅科技有限公司 | 一种智能节能环保吸尘器控制系统 |
CN107516305A (zh) * | 2017-09-22 | 2017-12-26 | 四川长虹电器股份有限公司 | 批量源图像降模糊程度处理方法 |
CN107613205A (zh) * | 2017-09-28 | 2018-01-19 | 佛山市南方数据科学研究院 | 一种基于互联网大数据机器人物联网系统 |
CN108182673A (zh) * | 2017-12-07 | 2018-06-19 | 山东省林业科学研究院 | 一种盐碱地的改良和治理方法及系统 |
CN108010003A (zh) * | 2018-01-29 | 2018-05-08 | 佳木斯大学附属第医院 | 一种基于计算机的耳鼻喉辅助治疗检查控制系统 |
CN108109147B (zh) * | 2018-02-10 | 2022-02-18 | 北京航空航天大学 | 一种模糊图像的无参考质量评价方法 |
CN108312997A (zh) * | 2018-02-21 | 2018-07-24 | 付志昊 | 一种智能车辆水浸预警通报及断电保护系统 |
CN110163883A (zh) * | 2018-03-29 | 2019-08-23 | 长春工业大学 | 一种张拉整体轮式机构系统 |
CN108652630A (zh) * | 2018-04-13 | 2018-10-16 | 廉江市人民医院 | 一种神经外科脑部手术辅助仪 |
CN108665740A (zh) * | 2018-04-25 | 2018-10-16 | 衢州职业技术学院 | 一种基于互联网的情景交融的课堂教学控制系统 |
CN109541966A (zh) * | 2018-07-09 | 2019-03-29 | 菏泽学院 | 植物生理监控管理系统 |
CN108932973A (zh) * | 2018-07-25 | 2018-12-04 | 南京鼓楼医院 | 一种肾癌病例数字化信息管理系统及管理方法、终端 |
CN109068342A (zh) * | 2018-08-20 | 2018-12-21 | 河南省通信建设监理有限公司 | 移动无线网络自动监测系统、监测方法、信息处理终端 |
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 |
CN103353985A (zh) * | 2013-03-27 | 2013-10-16 | 西华大学 | 一种图像高斯模糊的测度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007057808A2 (en) * | 2005-11-16 | 2007-05-24 | Koninklijke Philips Electronics N.V. | Blur estimation |
JP2009032105A (ja) * | 2007-07-27 | 2009-02-12 | Kyocera Corp | 画像復元装置およびその方法、並びに情報コード読取装置 |
-
2014
- 2014-09-17 CN CN201410473073.2A patent/CN104200480B/zh not_active Expired - Fee Related
Patent 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 |
CN103353985A (zh) * | 2013-03-27 | 2013-10-16 | 西华大学 | 一种图像高斯模糊的测度方法 |
Non-Patent Citations (4)
Title |
---|
A Novel Discrete Wavelet Domain Error-Based Image Quality Metric with Enhanced Perceptual Performance;Soroosh Rezezedeh等;《International Journal of Computer and Electrical Engineering》;20120630;第4卷(第3期);第290-395页 * |
Image Quality Assessment by Visual Gradient Similarity;Jieying Zhu等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20120331;第21卷(第3期);第919-933页 * |
The Blur Effect: Perception and Estimation with a New No-Reference Perceptual Blur Metric;Frederique Crete等;《Human Visition and Electronic Imaging XIII》;20070228;第6492卷;第1-11页 * |
一种针对图像模糊的无参考质量评价指标;谢小甫等;《计算机应用》;20100430;第30卷(第4期);第921-924页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104200480A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200480B (zh) | 一种应用于智能终端的图像模糊度评价方法及系统 | |
CN102881010B (zh) | 基于人眼视觉特性的融合图像感知清晰度评价方法 | |
CN103914676B (zh) | 一种在人脸识别中使用的方法和装置 | |
CN104317398B (zh) | 一种手势控制方法、穿戴式设备及电子设备 | |
CN109684925B (zh) | 一种基于深度图像的人脸活体检测方法及设备 | |
CN102737370B (zh) | 检测图像前景的方法及设备 | |
CN104268864B (zh) | 卡片边缘提取方法和装置 | |
CN109255324A (zh) | 手势处理方法、交互控制方法及设备 | |
CN106469302A (zh) | 一种基于人工神经网络的人脸肤质检测方法 | |
CN110991266B (zh) | 一种双目人脸活体检测方法及装置 | |
CN103677274B (zh) | 一种基于主动视觉的互动投影方法及系统 | |
CN109064390A (zh) | 一种图像处理方法、图像处理装置及移动终端 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN109376631A (zh) | 一种基于神经网络的回环检测方法及装置 | |
CN107613202A (zh) | 一种拍摄方法及移动终端 | |
CN102842120B (zh) | 基于超复数小波相位测量的图像模糊程度检测方法 | |
CN105589801B (zh) | 手机集群测试方法和系统 | |
CN107958453A (zh) | 乳腺图像病变区域的检测方法、装置及计算机存储介质 | |
CN108876756A (zh) | 图像相似性的度量方法和装置 | |
CN111444748B (zh) | 一种坐姿检测方法、装置、设备及存储介质 | |
CN103327359B (zh) | 一种应用于视频质量评价的视频显著性区域搜索方法 | |
CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
CN112308797B (zh) | 角点检测方法、装置、电子设备及可读存储介质 | |
CN104000593A (zh) | 一种色卡以及测试皮肤的方法和系统 | |
CN107169427A (zh) | 一种适用于心理学的面部识别方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171003 Termination date: 20210917 |
|
CF01 | Termination of patent right due to non-payment of annual fee |