CN104599274B - 图像质量的评价方法与装置 - Google Patents
图像质量的评价方法与装置 Download PDFInfo
- Publication number
- CN104599274B CN104599274B CN201510037033.8A CN201510037033A CN104599274B CN 104599274 B CN104599274 B CN 104599274B CN 201510037033 A CN201510037033 A CN 201510037033A CN 104599274 B CN104599274 B CN 104599274B
- Authority
- CN
- China
- Prior art keywords
- image
- structural similarity
- evaluation
- evaluation result
- evaluated
- 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.)
- Active
Links
Abstract
本发明提供一种图像质量的评价方法与装置,涉及图像处理领域,能够真实地反映图像质量,所述方法包括:步骤S1、通过统计随机人群对图像的评价结果,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数;步骤S2、提取待评价图像中与所述自变量匹配的多个特征参数;步骤S3、根据所述待评价图像的多个特征参数与所述评价函数确定所述待评价图像的评价结果。本发明运用于基于电子设备的图像评价。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像质量的评价方法与装置。
背景技术
对图像或照片等的质量进行评价广泛应用在图像处理领域,例如,硬件配置相似的两台相机,若能客观判断哪台相机拍摄出来的照片整体质量更高,将能够更好地指导消费者消费。一般而言,图像质量指人们对一幅图像视觉感受的主观评价。在本说明书中,图像质量是一个统计概念,是指大部分人对一幅图像视觉感受的主观评价。
现有的图像质量评价方法包括用户直接观察图像并给出评价的方法,例如通过观察图像的清晰度给出诸如“很清晰”、“清晰度还行”等评价,还包括用分辨率度量图像质量的方法,例如,分辨率越高,质量越好。
在实现上述现有的图像质量评价的过程中,发明人发现现有技术中至少存在如下问题:若用户直接观察图像并给出评价,则评价结果过于主观,难以反映真实的图像质量;若用分辨率度量图像质量,则评价结果过于偏颇,同样难以反映真实的图像质量,例如有些相机的分辨率达到1200万像素,可用户感觉其拍摄出来的照片清晰度还不如800万像素的手机。
发明内容
本发明的实施例提供一种图像质量的评价方法与装置,其目的在于更加真实地反映图像质量。
为达到上述目的,本发明的实施例采用如下技术方案:
一方面,提供一种图像质量的评价方法,包括:
步骤S1、通过统计随机人群对图像的评价结果,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数;
步骤S2、提取待评价图像中与所述自变量匹配的多个特征参数;
步骤S3、根据所述待评价图像的多个特征参数与所述评价函数确定所述待评价图像的评价结果。
另一方面,提供一种图像质量的评价装置,包括:
评价函数构建单元,用于通过统计随机人群对图像的评价结果,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数;
特征参数提取单元,用于提取待评价图像中与所述自变量匹配的多个特征参数;
评价结果确定单元,用于根据所述待评价图像的多个特征参数与所述评价函数确定所述待评价图像的评价结果。
本发明实施例提供的图像质量的评价方法与装置,通过构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数,只需将待评价图像的多个特征参数输入评价函数即可确定所述待评价图像的评价结果。由此可见,相对于现有技术中因用户直接观察图像并给出评价导致评价结果过于主观,或者因用分辨率度量图像质量导致评价结果过于偏颇,根据本实施例提供的方法与装置由于评价函数是通过统计随机人群对图像的评价结果而构建的,因此能够避免评价结果的主观性,且由于综合多个特征参数来确定评价结果,因此能够避免评价结果偏颇,总之,根据本实施例提供的方法与装置能够更加真实地反映图像质量。
附图说明
图1为实施例一提供的图像质量的评价方法的流程图;
图2为实施例二提供的图像质量的评价方法的流程图;
图3为实施例三提供的图像质量的评价方法的流程图;
图4为实施例四提供的图像质量的评价装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
本实施例提供一种图像质量的评价方法。该评价方法用于根据图像的特征参数确定图像质量,确定的图像质量以评价结果的方式表示:评价结果越好,图像质量越高。该评价方法涉及的评价函数以图像的特征参数为自变量、以图像的评价结果为因变量。在本实施例中,图像质量的评价方法可由具备控制处理功能的模块或设备执行,这样的设备例如可以为计算机、照相机或移动通信终端等。以下的说明中以执行主体是计算机为例进行说明。如图1所示,本实施例提供的图像质量的评价方法包括如下步骤:
S1、通过统计随机人群对图像的评价结果,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数。
本步骤中构建的评价函数用于客观评价待评价图像。其中,图像的特征参数包括但不限于以下特征参数的任意组合:结构相似度、结构相似度的差异程度、熵、锐度、饱和度、梯度、对比度、纹理均值等。
构建评价函数的方式一般选用函数拟合,但不仅限于此。为了进行函数拟合,需先行获取供拟合用的数据。这些数据源自于随机人群对图像的评价结果及其对应的特征参数。基于获取的评价结果及其对应的特征参数,利用ANNs(Artificial Neural Networks,人工神经网络)或ML(Machine Learning,机器学习)系统等人工智能技术进行评价函数拟合,从而构建评价函数。其中,ANNs是一种类似于大脑神经突触联接结构的信息处理数学模型,包括但不限于后向传播神经网络、径向基函数神经网络和广义回归神经网络等;ML是专门研究计算机怎样模拟或实现人类的学习行为学科,目的是获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,包括但不限于支持向量机、极限学习机等。
S2、提取待评价图像中与自变量匹配的多个特征参数。
在构建上述那样的评价函数的基础上,为了对待评价的图像或照片等进行图像质量评价,可先对待评价图像进行处理,提取其多个特征参数。提取的特征参数的种类与评价函数中作为自变量的特征参数的种类对应,即构建评价函数时参考了哪些特征参数,则在对待评价图像进行评价时就选取哪些特征参数。
计算机可直接从待评价图像中提取特征参数,也可接收用户输入或来自其他设备的特征参数,例如,在图形图像设计中,为了设计出质量最优的图像,用户通过输入大小逐渐变化的特征参数来进行设计,此时计算机可直接接收用户输入的特征参数。
S3、根据待评价图像的多个特征参数与评价函数确定待评价图像的评价结果。
如上所述,评价函数以特征参数为自变量并以评价结果为因变量,因此,在此步骤中,将待评价图像的特征参数输入评价函数可得到待评价图像的评价结果。
根据本实施例提供的图像质量的评价方法,在构建以图像的多个特征参数为自变量并以图像的评价结果为因变量的评价函数,只需将待评价图像的多个特征参数输入评价函数即可确定所述待评价图像的评价结果。相对于现有技术中因用户直接观察图像并给出评价导致评价结果过于主观,或者因用分辨率度量图像质量导致评价结果过于偏颇,本实施例提供的方法由于评价函数是通过统计随机人群对图像的评价结果而构建的,因此能够避免评价结果的主观性,且由于综合多个特征参数来确定评价结果,因此能够避免评价结果偏颇,总之,根据本实施例提供的方法能够更加真实地反映图像质量。
此外,由于本实施例提供的图像质量的评价方法中,让电子设备模拟人眼的视觉感受,将评分工作转移到电子设备,因此能够节省人力,能够快速地得出待评价图像的评价结果,有利于将图像质量的评价方法应用于便携式终端等处理能力相对较弱的电子设备。
本实施例提供的图像质量的评价方法主要包括两个部分,即构建评价函数(对应步骤S1)与确定待评价图像的评价结果(对应步骤S2与S3),以下再以其他具体实施例进行具体说明。
实施例二
本实施例用于举例说明实施例一中的步骤S1,即如何通过统计随机人群对图像的评价结果,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数。步骤S1在执行过程中可具体分为两个阶段:数据库构建阶段与评分函数拟合阶段。图2为用于示出本实施例提供的图像质量的评价方法的流程。
数据库构建阶段用于构建拟合用的数据库,包括:
步骤S11、获取多张质量不同的图像。
为了获取用户在不同特征参数下对图像质量的评价,获取N张效果优劣各异的图像,效果的优劣对应特征参数的变化。图像可以包含各种场景,但例如白墙这样的纯色背景除外。可对图像进行分类,分为人物肖像、自然风景等,通过这样构建的拟合用的数据库有利于拟合出擅长对不同种类图像进行评价的评分函数。
步骤S12、获取随机人群对多张图像的评分,并根据随机人群对每张图像的多个评分确定每张图像的评价结果。
评分者被告知对每张图像的直观视觉效果进行打分,可用0分表示效果最差,100分表示效果最佳。在获取随机人群对每张图像的多个评分后,可进行如去掉多个评分中明显偏离大部分评分的无效评分等处理,并以多个评分的平均值作为图像的最终评价结果S(i)(i为图像编号)。
步骤S13、提取多张图像中与图像质量相关的多个特征参数。
利用特征提取技术,提取图像中与视觉效果相关的M个特征参数{X(i,j)}M(i为图像编号,j为特征编号),N张图像对应特征参数{X(i,j)}N×M。将效果评分S(i)和相关的特征参数{X(i,j)}M录入数据库中,形成N组数据{pic(i)-X(i,j)-S(i)}N,即{pic(1)-X(1,j)-S(1),pic(2)-X(2,j)-S(2),…pic(N)-X(N,j)-S(N)},其中,pic(1)-X(1,j)-S(1)包括{pic(1)-X(1,1)-S(1),pic(1)-X(1,2)-S(1),…pic(1)-X(1,M)-S(1)}。
以表格的形式表示为:
j=1 | j=2 | … | j=M-1 | j=M | |
i=1 | X(1,1)-S(1) | X(1,2)-S(1) | … | X(1,M-1)-S(1) | X(1,M)-S(1) |
i=2 | X(2,1)-S(2) | X(2,2)-S(2) | … | X(2,M-1)-S(2) | X(2,M)-S(2) |
… | … | … | … | … | … |
i=N-1 | X(N-1,1)-S(N-1) | X(N-1,2)-S(N-1) | … | X(N-1,M-1)-S(N-1) | X(N-1,M)-S(N-1) |
i=N | X(N,1)-S(N) | X(N,2)-S(N) | … | X(N,M-1)-S(N) | X(N,M)-S(N) |
评分函数拟合阶段用于根据构建的拟合用数据库,拟合评分函数,包括:
步骤S14、根据所获取的评价结果与所提取的特征参数对应关系,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数。
具体地,特征参数{X(i,j)}N×M和评分{S(i)}存在某种函数关联:
S(i)=f[X(i,1),X(i,2),…X(i,M)] i=1,2,…N
N组数据{pic(i)-X(i,j)-S(i)}N对应函数S(i)=f[X(i,1),X(i,2),…X(i,M)]图形上的N个已知点{(X(i,1),X(i,2),…X(i,M),S(i))}N,函数S(i)=f[X(i,1),X(i,2),…X(i,M)]图形具有M+1个维度,即M个特征参数{X(i,j)}M对应的M个维度与效果评分S(i)对应的一个维度。各个点分别为(X(1,1),X(1,2),…X(1,M),S(1))、(X(2,1),X(2,2),…X(2,M),S(2))、…(X(N,1),X(N,2),…X(N,M),S(N))。
本评分函数拟合阶段中,根据图形上的这些已知点求一个评分函数来拟合逼近函数S(i)=f[X(i,1),X(i,2),…X(i,M)]。具体地,可根据数据库构建阶段的N组数据,利用最小二乘法、ANNs或ML系统等人工智能技术作为数据拟合模型和工具,拟合N个点{(X(i,1),X(i,2),…X(i,M),S(i))}N,使得函数 逼近函数S(i)=f[X(i,1),X(i,2),…X(i,M)],得到的函数即为所求的评价函数。
此外,在构建评分函数时,对于表征图像质量的评价结果,可设定更具体的策略使得评价结果能够具体表征图像的色彩、细节或自然性等方面的质量,例如,在步骤S12中获取随机人群对多张图像的评分时,提示人们对图像的的色彩、细节或自然性等方面的质量进行评价。除了图像质量外,还可设置其他策略使得评价结果能够表征人们对长相美观与否的判断,从而使得本发明能够应用于“帅哥”、“美女”判断这方面。例如,在步骤S12中获取随机人群对多张图像的评分时,提示人们对人物的长相美观与否进行评价,并且在步骤S13中提取多张图像中与人物长相相关的多个特征参数,这些特征参数例如可以为五官的比例、脸型的轮廓、肤色等。此外,本发明还可用于其他方面的判断,以所确定的相关特征参数为准,从而形成多套数据库与多个评分函数,用户可根据需求选择任一套数据库及其对应的评分函数。
实施例三
图像噪声对基于电子设备的图像评价有影响。当对图像进行边缘提取并根据图像的边缘是否清晰来判断图像质量时,一般地,边缘越清晰,判断图像的质量越高。但是,当图像被噪声污染时,例如,被噪声污染的图像直观显示为图像中呈现许多“花点”,此时,由于噪声对应的像素点的颜色与其旁边像素点的差异可能很大,因此,从图像中提取的边缘可能比从未被噪声污染的同一图像中提取的边缘加清晰,若根据边缘清晰度来判断图像质量,则可能得出被噪声污染的图像质量高于未被噪声污染的图像质量的错误评价结果。
为了对被噪声污染的图像进行恰当评价,本发明在确定特征参数过程中考虑图像的结构相似度,结构相似度是整个图像在各微观区域的相似程度的宏观统计概念,结构相似度可通过比较由图像提取的各子图像之间的相似程度并进行统计处理得到,各微观区域的相似程度例如可为相邻像素点的相似程度。在本实施例中,作为自变量的特征参数,可以选择至少一个结构相似度、结构相似度的平均值或者根据多个结构相似度确定的差异程度,或者上述值的任意组合。
在上述实施例中,步骤S13与步骤S2均涉及从图像中提取的特征参数,以下,仅以步骤S2中如何提取结构相似度为例进行说明,步骤S13中如何提取结构相似度可类似得到。而且,除了提取与结构相似度相关的特征参数外,步骤S2还可提取其他特征参数以组成作为自变量的多个特征参数,在此仅就提取与结构相似度相关的特征参数进行说明。如图3所示,步骤S2至少包括:
步骤S21、根据下1/n采样法从待评价图像中提取n2张子图像。
图像是由横向和纵向的像素点以不同的颜色组成的,例如每个像素点显示以RGB色彩模式进行定义的不同颜色。下1/n采样法根据n的取值的不同,提取的子图像张数不同。n可取2或大于2的整数,n取得越大,可提取的子图像张数n2越大。当n=2时,即下1/2采样法为:选取奇数列的像素点与奇数行的像素点作为一个子图像(第一子图像,对应左上方位),选取奇数列的像素点与偶数行的像素点作为一个子图像(第二子图像,对应左下方位),选取偶数列的像素点与奇数行的像素点作为一个子图像(第三子图像,对应右上位),选取偶数列的像素点与偶数行的像素点作为一个子图像(第四子图像,对应右下位),从而确定22=4个子图像。当n=3时,即下1/3采样法为:在横向上划分3组像素点,即第3i+1列、第3i+2列、第3i+3列(i=0,1,2……),在纵向上同样划分3组像素点,即第3i+1行、第3i+2行、第3i+3行(i=0,1,2……);然后,横向上的每一组像素点分别与纵向上的各组像素点组成一个子图像,因此每一组像素点可对应3个子图像,横向上共有3组像素点,能够组成共32=9个子图像。当n为大于3的整数时,可据此类推。
步骤S22、通过比较确定n2张子图像相互之间的结构相似度。
如上所述,结构相似度是指每两个子图像之间,以像素为单位进行比较而判断出来的相似程度,例如比较分属于两个子图像的距离最近的两个像素点的RGB值的相似程度,通过统计所有像素点的相似程度来确定两个子图像的相似度。统计出来的结构相似度例如可以0~1之间的值来表示,0表示完全不同,1表示完全相同。
对于n2张子图像,可比较两两之间全部的结构相似度,即进行比较得到n2*(n2-1)/2个结构相似度,也可只进行两两之间部分比较。以n=2为例,若两两之间全部比较,则第一子图像分别与第二子图像、第三子图像、第四子图像进行比较,第二子图像分别与第三子图像、第四子图像进行比较,第三子图像与第四子图像进行比较,从而得到6个结构相似度。也可只进行两两之间的部分比较,例如,只比较第一子图像与第三子图像,第二子图像与第四子图像,第一子图像与第四子图像,第二子图像与第三子图像,从而得到4个结构相似度,而且,优选采用这种方式,这是因为4个结构相似度已足够全面反映子图像质之间的相似度,另外两个与这4个结构相似度关联性较大,包含了较多的冗余信息。此外,相对于全部比较的方式,部分比较的方式能够减少计算量。
在确定n2张子图像相互之间的结构相似度后,若以结构相似度的平均值或多个结构相似度的差异程度作为特征参数时,步骤S2还包括用于计算结构相似度的平均值或多个结构相似度的差异程度的步骤S23。
一方面,当以结构相似度的平均值作为特征参数时,步骤S2还包括步骤S23,即根据n2张子图像相互之间的至少一个结构相似度确定结构相似度的平均值。
当步骤S22中确定的结构相似度仅为一个时,结构相似度的平均值则为该结构相似度本身。当步骤S22中确定的结构相似度仅为多个时,结构相似度的平均值可为多个结构相似度的算术平均值,当然还可为按照其他方式进行处理得到的平均值。
另一方面,当以结构相似度的差异程度作为特征参数时,步骤S2还包括步骤S23,即根据n2张子图像相互之间的多个结构相似度确定多个结构相似度的差异程度。
多个结构相似度的差异程度包括以下特征参数中的任意一个或任意组合:多个结构相似度的一阶差异、多个结构相似度的二阶差异、多个结构相似度的标准差。以得到的4个结构相似度分别是0.3、0.4、0.5、0.6为例,则4个结构相似度的算术平均值为0.45,一阶差异为:|0.3-0.45|+|0.4-0.45|+|0.5-0.45|+|0.6-0.45|=0.4,二阶差异则为:(0.3-0.45)2+(0.4-0.45)2+(0.5-0.45)2+(0.6-0.45)2=0.05。
图像质量与多个结构相似度的差异程度是正相关的:图像的质量越高,差异程度倾向于越大,或者说,差异程度越小,图像的质量倾向于越高。高质量的图像,在受到噪声的污染之后,虽然熵、梯度或边缘清晰度等特征参数朝“质量变高”的方向变化,但是差异程度倾向于变小,因此结合差异程度能够判断图像的质量降低。因此,通过利用图像的多个结构相似度的差异程度这一物理特征,能够避免在根据熵、梯度或边缘清晰度判断图像质量时被噪声污染所蒙蔽而造成错误判断,对被噪声污染的图像进行恰当评价,从而提高基于电子设备对图像进行评价的准确度。
虽然上述说明中主要利用多个结构相似度的差异程度来避免噪声污染造成的误判,但是在选取作为自变量的特征参数时,综合考虑各种影响图像质量的因素,优选的特征参数为以下特征参数的组合:多个结构相似度的平均值、多个结构相似度的一阶差异及二阶差异、熵、锐度、饱和度、梯度。这些特征参数能够全面反映图像的质量状况,且各特征参数之间的冗余度较小,关联性较低。
实施例四
本实施例用于说明与上述实施例所提供的图像质量的评价方法相对应的。如图4所示,图像质量的评价装置40包括:
评价函数构建单元41,用于通过统计随机人群对图像的评价结果,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数;特征参数提取单元42,用于提取待评价图像中与自变量匹配的多个特征参数;评价结果确定单元43,用于根据待评价图像的多个特征参数与评价函数确定待评价图像的评价结果。
需要说明的是,评价函数构建单元41、特征参数提取单元42及评价结果确定单元43三者可为形成在同一电子设备中,也可各自形成在独立的电子设备中,例如评价函数构建单元41可为计算机,而特征参数提取单元42与评价结果确定单元43可形成在手机等移动终端。例如,移动终端可从计算机下载评价函数,利用自带的摄像头拍摄照片;然后根据下载的评价函数确定拍摄的照片的评价结果。
相对于现有技术中因用户直接观察图像并给出评价导致评价结果过于主观,或者因用分辨率度量图像质量导致评价结果过于偏颇,本实施例提供的评价装置由于评价函数是通过统计随机人群对图像的评价结果而构建的,因此能够避免评价结果的主观性,且由于综合多个特征参数来确定评价结果,因此能够避免评价结果偏颇,总之,根据本实施例提供的评价装置能够更加真实地反映图像质量。
在评价装置40的一个具体实施例中,特征参数至少包括结构相似度或结构相似度的平均值,且结构相似度为至少一个,特征参数提取单元42至少用于:根据下1/n采样法从待评价图像中提取n2张子图像,n为大于或等于2的整数;通过比较确定n2张子图像相互之间的至少一个结构相似度;根据至少一个结构相似度确定待评价图像的结构相似度的平均值。
在评价装置40的另一具体实施例中,特征参数至少包括多个结构相似度的差异程度,此时,特征参数提取单元42至少用于:根据下1/n采样法从待评价图像中提取n2张子图像,n为大于或等于2的整数;通过比较确定n2张子图像相互之间的多个结构相似度;根据多个结构相似度确定多个结构相似度的差异程度。
在评价装置40的又一个具体实施例中,评价函数构建单元41具体用于:获取多张质量不同的图像;获取随机人群对多张图像的评分,并根据随机人群对每张图像的多个评分确定每张图像的评价结果;提取多张图像中与图像质量相关的多个特征参数;根据所获取的评价结果与所提取的特征参数对应关系,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数。本说明书中的各个实施例已有侧重地进行了描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域普通技术人员将会理解,本发明的各个方面、或各个方面的可能实现方式可以被具体实施为系统、方法或者计算机程序产品。因此,本发明的各方面、或各个方面的可能实现方式可以采用完全硬件实施例、完全软件实施例(包括固件、驻留软件等等),或者组合软件和硬件方面的实施例的形式,在这里都统称为“电路”、“模块”或者“系统”。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像质量的评价方法,其特征在于,包括:
步骤S1、通过统计随机人群对图像的评价结果,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数;
步骤S2、提取待评价图像中与所述自变量匹配的多个特征参数;
步骤S3、根据所述待评价图像的多个特征参数与所述评价函数确定所述待评价图像的评价结果;
其中,所述特征参数可以选择以下至少一种或其任意组合:
结构相似度、结构相似度的平均值或者多个结构相似度的差异程度,其中,
所述结构相似度通过比较由图像提取的各子图像之间的相似程度并进行统计处理得到。
2.根据权利要求1所述的评价方法,其特征在于,所述特征参数至少包括结构相似度或结构相似度的平均值,所述结构相似度为至少一个;
所述步骤S2至少包括:
步骤S21、根据下1/n采样法从所述待评价图像中提取n2张子图像,n为大于或等于2的整数;
步骤S22、通过比较确定所述n2张子图像相互之间的至少一个结构相似度;
当所述特征参数包括所述结构相似度的平均值时,所述步骤S2还包括:
步骤S23、根据所述至少一个结构相似度确定所述结构相似度的平均值。
3.根据权利要求1所述的评价方法,其特征在于,所述特征参数至少包括多个结构相似度的差异程度;
所述步骤S2至少包括:
步骤S21、根据下1/n采样法从所述待评价图像中提取n2张子图像,n为大于或等于2的整数;
步骤S22、通过比较确定所述n2张子图像相互之间的多个结构相似度;
步骤S23、根据所述多个结构相似度确定所述多个结构相似度的差异程度。
4.根据权利要求3所述的评价方法,其特征在于,所述多个结构相似度的差异程度包括以下特征参数中的任意一个或任意组合:所述多个结构相似度的一阶差异、所述多个结构相似度的二阶差异、所述多个结构相似度的标准差。
5.根据权利要求1至4任一项所述的评价方法,其特征在于,所述步骤S1具体包括:
步骤S11、获取多张质量不同的图像;
步骤S12、获取随机人群对所述多张图像的评分,并根据随机人群对每张图像的多个评分确定每张图像的评价结果;
步骤S13、提取所述多张图像中与图像质量相关的多个特征参数;
步骤S14、根据所获取的评价结果与所提取的特征参数对应关系,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数。
6.根据权利要求1所述的评价方法,其特征在于,所述特征参数至少包括以下特征参数中的任意一个或任意组合:熵、锐度、饱和度、梯度。
7.一种图像质量的评价装置,其特征在于,包括:
评价函数构建单元,用于通过统计随机人群对图像的评价结果,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数;
特征参数提取单元,用于提取待评价图像中与所述自变量匹配的多个特征参数;
评价结果确定单元,用于根据所述待评价图像的多个特征参数与所述评价函数确定所述待评价图像的评价结果,
其中,所述特征参数可以选择以下至少一种或其任意组合:
结构相似度、结构相似度的平均值或者多个结构相似度的差异程度,其中,
所述结构相似度通过比较由图像提取的各子图像之间的相似程度并进行统计处理得到。
8.根据权利要求7所述的评价装置,其特征在于,
所述特征参数至少包括结构相似度或结构相似度的平均值,所述结构相似度为至少一个;
所述特征参数提取单元至少用于:
根据下1/n采样法从所述待评价图像中提取n2张子图像,n为大于或等于2的整数;
通过比较确定所述n2张子图像相互之间的至少一个结构相似度;
根据所述至少一个结构相似度确定所述待评价图像的结构相似度的平均值。
9.根据权利要求7所述的评价装置,其特征在于,所述特征参数至少包括多个结构相似度的差异程度;
所述特征参数提取单元至少用于:
根据下1/n采样法从所述待评价图像中提取n2张子图像,n为大于或等于2的整数;
通过比较确定所述n2张子图像相互之间的多个结构相似度;
根据所述多个结构相似度确定所述多个结构相似度的差异程度。
10.根据权利要求7至9任一项所述的评价装置,其特征在于,所述评价函数构建单元具体用于:
获取多张质量不同的图像;
获取随机人群对所述多张图像的评分,并根据随机人群对每张图像的多个评分确定每张图像的评价结果;
提取所述多张图像中与图像质量相关的多个特征参数;
根据所获取的评价结果与所提取的特征参数对应关系,构建以图像的多个特征参数为自变量、以图像的评价结果为因变量的评价函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510037033.8A CN104599274B (zh) | 2015-01-23 | 2015-01-23 | 图像质量的评价方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510037033.8A CN104599274B (zh) | 2015-01-23 | 2015-01-23 | 图像质量的评价方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104599274A CN104599274A (zh) | 2015-05-06 |
CN104599274B true CN104599274B (zh) | 2018-02-13 |
Family
ID=53125024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510037033.8A Active CN104599274B (zh) | 2015-01-23 | 2015-01-23 | 图像质量的评价方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104599274B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049851B (zh) * | 2015-07-06 | 2018-01-19 | 浙江理工大学 | 基于色彩感知的通用无参考图像质量评价方法 |
CN107784645A (zh) * | 2016-08-26 | 2018-03-09 | 广州康昕瑞基因健康科技有限公司 | 图像清晰度评价方法及系统、自动聚焦方法 |
CN106570504A (zh) * | 2016-10-12 | 2017-04-19 | 成都西纬科技有限公司 | 一种图像质量评价系统及方法 |
CN107194898A (zh) * | 2017-06-23 | 2017-09-22 | 携程计算机技术(上海)有限公司 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
CN110309325B (zh) * | 2018-07-24 | 2021-07-16 | 腾讯科技(深圳)有限公司 | 基于区块链的数据处理方法、装置及存储介质 |
CN111339811B (zh) * | 2019-08-27 | 2024-02-20 | 杭州海康威视系统技术有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111275683B (zh) * | 2020-01-20 | 2021-01-29 | 上海云从汇临人工智能科技有限公司 | 图像质量评分处理方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102137271A (zh) * | 2010-11-04 | 2011-07-27 | 华为软件技术有限公司 | 一种图像质量评价方法及装置 |
CN104240248A (zh) * | 2014-09-12 | 2014-12-24 | 宁波大学 | 一种无参考立体图像质量客观评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8958639B2 (en) * | 2013-01-12 | 2015-02-17 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Method for establishing evaluation standard parameters and method for evaluating the quality of a display image |
-
2015
- 2015-01-23 CN CN201510037033.8A patent/CN104599274B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102137271A (zh) * | 2010-11-04 | 2011-07-27 | 华为软件技术有限公司 | 一种图像质量评价方法及装置 |
CN104240248A (zh) * | 2014-09-12 | 2014-12-24 | 宁波大学 | 一种无参考立体图像质量客观评价方法 |
Non-Patent Citations (2)
Title |
---|
Image Quality Assessment:From Error Visibility to Structrural Similarity;Zhou Wang 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20040430;第13卷(第4期);第600-612页 * |
Kinect深度图像修复技术研究;赵旭;《中国硕士学位论文全文数据库(电子期刊)》;20130915(第9期);第I139-355页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104599274A (zh) | 2015-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104599274B (zh) | 图像质量的评价方法与装置 | |
CN107463949B (zh) | 一种视频动作分类的处理方法及装置 | |
CN106204779B (zh) | 基于多人脸数据采集策略和深度学习的课堂考勤方法 | |
CN107562805B (zh) | 一种以图搜图的方法及装置 | |
CN109785400B (zh) | 一种剪影图像制作方法、装置、电子设备及存储介质 | |
CN107437092A (zh) | 基于三维卷积神经网络的视网膜oct图像的分类算法 | |
CN104216976B (zh) | 一种移动终端图片分组查看方法及系统 | |
CN110198437B (zh) | 图像的处理方法、装置、存储介质和电子装置 | |
CN108399362A (zh) | 一种快速行人检测方法及装置 | |
CN108876737A (zh) | 一种联合残差学习和结构相似度的图像去噪方法 | |
CN108920490A (zh) | 辅助化妆的实现方法、装置、电子设备以及存储介质 | |
CN109559362B (zh) | 一种图像主体脸部替换方法及装置 | |
CN108764336A (zh) | 用于图像识别的深度学习方法及装置、客户端、服务器 | |
CN105468617B (zh) | 调整网页内容颜色的方法及装置 | |
CN108109145A (zh) | 图像质量检测方法、装置、存储介质和电子装置 | |
CN102289789A (zh) | 一种基于手机的色盲图像转换系统及其应用方法 | |
CN109191460A (zh) | 一种对于色调映射图像的质量评价方法 | |
WO2008013502A1 (en) | A method and system for extracting and applying colour schemes across domains | |
CN109063824A (zh) | 深层三维卷积神经网络的创建方法、装置、存储介质及处理器 | |
CN108537026A (zh) | 应用程序控制方法、装置和服务器 | |
CN110211685A (zh) | 基于完全关注机制的糖网筛查网络结构模型 | |
CN109978074A (zh) | 基于深度多任务学习的图像美感和情感联合分类方法及系统 | |
CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 | |
CN110120034A (zh) | 一种与视觉感知相关的图像质量评价方法 | |
Wang et al. | Distortion recognition for image quality assessment with convolutional neural network |
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 |