CN105118060B - 一种结合视觉分析的图像清晰度衡量方法 - Google Patents

一种结合视觉分析的图像清晰度衡量方法 Download PDF

Info

Publication number
CN105118060B
CN105118060B CN201510511802.3A CN201510511802A CN105118060B CN 105118060 B CN105118060 B CN 105118060B CN 201510511802 A CN201510511802 A CN 201510511802A CN 105118060 B CN105118060 B CN 105118060B
Authority
CN
China
Prior art keywords
image
pixel
crossover rate
analysis
modulation
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
Application number
CN201510511802.3A
Other languages
English (en)
Other versions
CN105118060A (zh
Inventor
赵巨峰
高秀敏
逯鑫淼
张辉朝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Taoyi Data Technology Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201510511802.3A priority Critical patent/CN105118060B/zh
Publication of CN105118060A publication Critical patent/CN105118060A/zh
Application granted granted Critical
Publication of CN105118060B publication Critical patent/CN105118060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Abstract

本发明公开了一种结合视觉分析的图像清晰度衡量方法，本发明根据视觉传输模型实现分频率分析，获得了分频率分析后的调制图像f；然后通过获得了分频率分析后的调制图像f；本发明提出的方法结合了视觉传输模型，更为符合主观要求，实现主客观的一致性评价；此外，利用局部强度差异来衡量图像清晰度，也符合清晰度变化的客观要求，整个方法运行高效而稳定。

Description

一种结合视觉分析的图像清晰度衡量方法
技术领域
本发明涉及图像评价与图像处理技术，尤其涉及一种结合视觉分析的图像清晰度衡量方法。
背景技术
图像清晰度评价一直是图像处理领域的一项重要内容，在图像的压缩、通信、打印、显示、重建、增强等领域有着较为广泛的应用。图像清晰度评价，尤其在数字成像与优化中特别重要，比如自动对焦技术、显示系统中的清晰度增强、图像处理算法的参数优化与优劣判定等等。
通常的评价手段，急切需要清晰参考图像，但由于在实际应用中，难以获得未失真的清晰参考图像，非常需要有无参考型图像的清晰度评价指标，而这也一直是目前的技术难点，备受学术界的广泛关注。传统的无参考清晰度评价方法有梯度函数法、方差法、能量谱法等等，但是诸如此类方法都基于相同内容图像间的清晰度比较，无法实现评价指标与图像内容的无关性，从而导致应用范围受到限制。
针对人眼视觉的主观评价特性，构建与图像内容无关的无参考清晰度评估模型，如何建立更符合人眼视觉系统的无参考图像清晰度评价方法也是目前图像处理界的难题之一。
发明内容
本发明针对现有技术的不足，提供一种结合视觉分析的图像清晰度衡量方法，能实现无参考的清晰度衡量，且符合主观评价。
本发明采用的主要思路具体如下：
1、根据视觉传输模型实现分频率分析
人眼的光学系统特性以及视网膜等视觉处理过程的非线性与滤波效果，使得对比度阈值随激励信号空间频率的不同而变化。对比度阈值的倒数随空间频率变化的曲线称为对比度敏感函数(Contrast Sensitivity Function，CSF)。对比敏感度函数描述了人类视觉系统的频率响应特性，可以当成带通滤波器。其中，对比敏感度是指人眼分辨亮度差异的能力。科学家已通过一些心理视觉实验对这一特性进行了测量和描述。CSF经常被看作是视觉系统的MTF，实际上，MTF对应的只是CSF中的线性滤波成分(光学系统特征)。
目前已提出多种CSF模型，较为典型的CSF模型可以写为：
A(Tρ)＝(0.2+0.45Tρ)e-0.18Tρ
式中，T是由人类视觉系统MTF为峰值的空间频率(5.11周/度)确定的一个常数；ρ为归一化空间频率，量纲为：周/像素宽度，Tρ是人眼对应的每度周期数，MTF的峰值位于ρ为0.5周/像素宽度(即奈奎斯特频率)的20％之处。因此，T的值为51.1。因此，该模型公式可写为：
A(ρ)＝(0.2+22.995ρ)e-0.92ρ
这种模型可称为视觉传输模型。本发明利用视觉传输模型实现对图像的分频率分析，分析过程如下。
若评价的灰度图像为g，空间域像素坐标用(i,j)表示，并且其在傅里叶频率域的表达为G，频率域像素坐标用(u,v)表示。
利用A(ρ)＝(0.2+22.995ρ)e-0.92ρ对G进行分频率分析，首先将A(ρ)表达为与G等尺寸的图像。假设G的像素尺寸为(2M+1)×(2N+1)，则其截止空间频率为周/像素宽度，该数值即对角线的一半。由于模型A(ρ)中的空间频率ρ是归一化的，对于G，其归一化因子就是于是对ρ进行反归一化，则G的空间频率于是可以获得对应的视觉传输模型A(ρ0)。于是，对于G中的任意像素位置(u,v)，空间频率于是根据A(ρ0)可构造(2M+1)×(2N+1)尺寸的频率分析图Amap。
根据获取的Amap，对G进行分频率分析调制，求取调制图F＝GAmap，即G与Amap之间像素对像素相乘。通过傅里叶反变换，获取在空域的调制图像f。
于是，获得了分频率分析后的调制图像f，其与原始图像g相比，已经根据视觉传输模型进行了调制，更贴近主观评价。
2、局部强度差异衡量图像清晰度
本发明认为，人眼感兴趣的是局部的内容变化；此外，局部强度的变化也正对应着图像清晰度，这是由于边缘纹理所处位置一般就是局部强度变化剧烈的地方，局部强度的大小表征着边缘等信息的密集程度，表征着清晰度的好坏。
对1中的分频率分析后的调制图像f进行清晰度的考察。
在局部区域内，本发明定义图像f在(i,j)处的局部强度差异Dif记录如下：
在上式中，Ω是图像f中一个局部窗口区域，其尺寸为S×S，S通常为奇数，对于这么一个窗口内的像素，中心像素为(i,j)即Ωcenter，而(x,y)为该区域内的其余任意像素位置，而上式中的w表示空间权重，本发明中定义为：
其中Ds(p,xy)表示像素(x,y)与像素(i,j)的空间距离(用像素间隔表示)，而σ2是伸缩系数，其越大，该权重的影响范围会更大，距离越远的像素对当前像素的贡献越多。从这个式子可以发现，(x,y)离(i,j)越近，fxy对fij的影响越大。而D(fij,fxy)为像素间的灰度差异，其定义为D(fxy,fij)＝||fxy-fij|。
随着窗口的移动，(i,j)也逐个移动，于是获得了局部强度差异图Dif，其与原始图像g等尺寸。对Dif进行归一化。
最后定义图像清晰度为局部强度差异图Dif的均值：
Clearness＝mean(Dif)。
与现有技术相比，本技术方案具有以下优点：
现有的方法一般都不直接考虑主观因素，而本发明提出的方法结合了视觉传输模型，更为符合主观要求，实现主客观的一致性评价。此外，利用局部强度差异来衡量图像清晰度，也符合清晰度变化的客观要求，整个方法运行高效而稳定。
附图说明
图1为本发明方法的具体操作流程图；
图2为具体实施方式实验所用的一组灰度图(原图和不同退化形式图)，其中：
图2a为原图；
图2b为椒盐噪声图；
图2c为JPEG压缩图；
图2d为均值偏移图；
图2e为乘性散斑噪声图；
图2f为加性高斯噪声；
图2g为模糊图；
图2h为对比拉伸图。
具体实施方式
为了获取图像的清晰度评价，本发明利用视觉传输模型实现图像的分频率分析，进而使用局部强度差异衡量清晰度，获得最终评价结果。
下面结合附图，通过具体实施例，对本发明的技术方案进行清楚、完整的描述。
本发明提出的结合视觉分析的图像清晰度衡量方法的操作框架如图1所示，以图2a为例，以下称图2a为待评价图像g，其主要包含以下步骤：
1、根据视觉传输模型实现分频率分析
图像g，空间域像素坐标用(i,j)表示，并且其在傅里叶频率域的表达为G，频率域像素坐标用(u,v)表示。
本发明改进使用的视觉传输模型为：
A(ρ)＝(0.2+22.995ρ)e-0.92ρ
利用视觉传输模型实现对图像的分频率分析，分析过程如下。
利用A(ρ)＝(0.2+22.995ρ)e-0.92ρ对G进行分频率分析，首先将A(ρ)表达为与G等尺寸的图像。假设G的像素尺寸为(2M+1)×(2N+1)，则其截止空间频率为周/像素宽度，该数值即对角线的一半。由于模型A(ρ)中的空间频率ρ是归一化的，对于G，其归一化因子就是于是对ρ进行反归一化，则G的空间频率于是可以获得对应的视觉传输模型A(ρ0)。于是，对于G中的任意像素位置(u,v)，空间频率于是根据A(ρ0)可构造(2M+1)×(2N+1)尺寸的频率分析图Amap。
事实上，图2a的尺寸为257×257，则M＝128，N＝128。
根据获取的Amap，对G进行分频率分析调制，求取调制图F＝GAmap，即G与Amap之间像素对像素相乘。通过傅里叶反变换，获取在空域的调制图像f。
于是，获得了分频率分析后的调制图像f。
2、局部强度差异衡量图像清晰度
对步骤1中的分频率分析后的调制图像f进行清晰度的考察。
在局部区域内，本发明定义图像f在(i,j)处的局部强度差异Dif记录如下：
在上式中，Ω是图像f中一个局部窗口区域，其尺寸为S×S，S通常为奇数，对于这么一个窗口内的像素，中心像素为(i,j)即Ωcenter，而(x,y)为该区域内的其余任意像素位置，而上式中的w表示空间权重，本发明中定义为：
其中Ds(p,xy)表示像素(x,y)与像素(i,j)的空间距离(用像素间隔表示)，而σ2是伸缩系数。而D(fij,fxy)为像素间的灰度差异，其定义为D(fxy,fij)＝|fxy-fij|。
随着窗口的移动，(i,j)也逐个移动，于是获得了局部强度差异图Dif，其与原始图像g等尺寸。对Dif进行归一化。
最后定义图像清晰度为局部强度差异图Dif的均值：
Clearness＝mean(Dif)
于是获得了图2a的评价值为0.95。
在本发明的图例中，所用到的需要指明相关参数如下：
局部窗口尺寸S×S 伸缩系数σ2
9×9 0.15
采用本发明实施例同样的方法应用于图2b～图2h，评价所得结果如表1所示。值越大，说明图像质量越好，符合主观评价。
表1
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (1)

1.一种结合视觉分析的图像清晰度衡量方法，其特征在于，包括如下步骤：
(1)、根据视觉传输模型实现分频率分析
对于待评价的原始观测图像g，空间域像素坐标用(i,j)表示，并且其在傅里叶频率域的表达为G，频率域像素坐标用(u,v)表示；
使用的视觉传输模型为：
A(ρ)＝(0.2+22.995ρ)e-0.92ρ，其中ρ为归一化空间频率，量纲为周/像素；
利用视觉传输模型实现对图像的分频率分析，分析过程如下：
利用A(ρ)＝(0.2+22.995ρ)e-0.92ρ对G进行分频率分析，首先将A(ρ)表达为与G等尺寸的图像；假设G的像素尺寸为(2M+1)×(2N+1)，则其截止空间频率为周/像素宽度，即对角线的一半；由于模型A(ρ)中的空间频率ρ是归一化的，对于G，其归一化因子就是于是对ρ进行反归一化，则G的空间频率于是可以获得对应的视觉传输模型A(ρ0)；于是，对于G中的任意像素位置(u,v)，空间频率于是根据A(ρ0)可构造(2M+1)×(2N+1)尺寸的频率分析图Amap；
根据获取的Amap，对G进行分频率分析调制，求取调制图F＝GAmap，即G与Amap之间像素对像素相乘；通过傅里叶反变换，获取在空域的调制图像f；
于是，获得了分频率分析后的调制图像f；
(2)、局部强度差异衡量图像清晰度
对步骤1中的分频率分析后的调制图像f进行清晰度的考察；
在局部区域内，本发明定义图像f在(i,j)处的局部强度差异Dif记录如下：
在上式中，Ω是图像f中一个局部窗口区域，其尺寸为S×S，S为奇数，对于这么一个窗口内的像素，中心像素为(i,j)即Ωcenter，而(x,y)为该区域内的其余任意像素位置，而上式中的w表示空间权重，定义为：
其中Ds(ij,xy)表示像素(x,y)与像素(i,j)的空间距离(用像素间隔表示)，而σ2是伸缩系数；而D(fij,fxy)为像素间的灰度差异，其定义为D(fxy,fij)＝|fxy-fij|；
随着窗口的移动，(i,j)也逐个移动，于是获得了局部强度差异图Dif，其与原始图像g等尺寸；对Dif进行归一化；
最后定义图像清晰度为局部强度差异图Dif的均值：
Clearness＝mean(Dif)。
CN201510511802.3A 2015-08-19 2015-08-19 一种结合视觉分析的图像清晰度衡量方法 Active CN105118060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510511802.3A CN105118060B (zh) 2015-08-19 2015-08-19 一种结合视觉分析的图像清晰度衡量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510511802.3A CN105118060B (zh) 2015-08-19 2015-08-19 一种结合视觉分析的图像清晰度衡量方法

Publications (2)

Publication Number Publication Date
CN105118060A CN105118060A (zh) 2015-12-02
CN105118060B true CN105118060B (zh) 2018-06-26

Family

ID=54666034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510511802.3A Active CN105118060B (zh) 2015-08-19 2015-08-19 一种结合视觉分析的图像清晰度衡量方法

Country Status (1)

Country Link
CN (1) CN105118060B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741274B (zh) * 2016-01-25 2018-12-18 中国计量大学 基于高级视觉特性的无参考图像清晰度评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102881010A (zh) * 2012-08-28 2013-01-16 北京理工大学 基于人眼视觉特性的融合图像感知清晰度评价方法
CN102968792A (zh) * 2012-10-29 2013-03-13 中国科学院自动化研究所 显微视觉下多焦面物体成像的方法
CN103617617A (zh) * 2013-12-05 2014-03-05 淮海工学院 基于功率谱描述的水下图像质量评价测量方法
CN104134204A (zh) * 2014-07-09 2014-11-05 中国矿业大学 一种基于稀疏表示的图像清晰度评价方法和装置
CN104732525A (zh) * 2015-02-10 2015-06-24 宁波永新光学股份有限公司 结合像素间距法视觉显著性的显微图像清晰度评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102881010A (zh) * 2012-08-28 2013-01-16 北京理工大学 基于人眼视觉特性的融合图像感知清晰度评价方法
CN102968792A (zh) * 2012-10-29 2013-03-13 中国科学院自动化研究所 显微视觉下多焦面物体成像的方法
CN103617617A (zh) * 2013-12-05 2014-03-05 淮海工学院 基于功率谱描述的水下图像质量评价测量方法
CN104134204A (zh) * 2014-07-09 2014-11-05 中国矿业大学 一种基于稀疏表示的图像清晰度评价方法和装置
CN104732525A (zh) * 2015-02-10 2015-06-24 宁波永新光学股份有限公司 结合像素间距法视觉显著性的显微图像清晰度评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于IQM模型的影像质量评价方法研究;杨喆 等;《测绘科学与工程》;20121231;第2012年卷(第3期);第3.1节 *
视觉注意机制与边缘展宽衡量相结合的显微成像清晰度评价;赵巨峰 等;《光子学报》;20150731;第44卷(第7期);第1节第2段、第1.1节 *

Also Published As

Publication number Publication date
CN105118060A (zh) 2015-12-02

Similar Documents

Publication Publication Date Title
CN105744256B (zh) 基于图谱视觉显著的立体图像质量客观评价方法
CN108109147B (zh) 一种模糊图像的无参考质量评价方法
CN102663747B (zh) 一种基于视觉感知的立体图像客观质量评价方法
CN101562675B (zh) 基于Contourlet变换的无参考型图像质量评测方法
CN102567996A (zh) 一种遥感卫星图像质量评价的方法
CN102036098B (zh) 一种基于视觉信息量差异的全参考型图像质量评价方法
CN107784651A (zh) 一种基于模糊检测加权的模糊图像质量评价方法
CN110070539A (zh) 基于信息熵的图像质量评价方法
CN102306378B (zh) 一种图像增强方法
CN109993797A (zh) 门窗位置检测方法及装置
CN104504676A (zh) 一种多视觉敏感特征相似度的全参考图像质量评价方法
CN108550146A (zh) 一种基于roi的图像质量评价方法
CN104318545A (zh) 一种用于雾天偏振图像的质量评价方法
CN105976351A (zh) 基于中央偏移的立体图像质量评价方法
CN109598707B (zh) 一种基于特征信息处理的全参考图像质量客观评价方法
CN105118060B (zh) 一种结合视觉分析的图像清晰度衡量方法
CN106981052A (zh) 基于变分框架的自适应亮度不均变分校正方法
CN104574363A (zh) 一种考虑梯度方向差异的全参考图像质量评价方法
CN111445435B (zh) 一种基于多区块小波变换的无参考图像质量评价方法
CN108416770B (zh) 一种基于视觉显著性的图像质量评价方法
CN108776958A (zh) 混合降质图像的图像质量评价方法和装置
Wang et al. Development of an adaptive bilateral filter for evaluating color image difference
CN111445430B (zh) 基于差异特征幅值区间融合有效度分布的双模态红外图像融合算法选择方法
CN106327497A (zh) 基于超广延熵的灰度图像阈值分割方法
CN104853183A (zh) 感知立体图像立体感的客观评价方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210507

Address after: Room 405, 6-8 Jiaogong Road, Xihu District, Hangzhou City, Zhejiang Province, 310013

Patentee after: Hangzhou Taoyi Data Technology Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right