CN105184806A - 一种度量图像模糊程度的方法 - Google Patents
一种度量图像模糊程度的方法 Download PDFInfo
- Publication number
- CN105184806A CN105184806A CN201510666659.5A CN201510666659A CN105184806A CN 105184806 A CN105184806 A CN 105184806A CN 201510666659 A CN201510666659 A CN 201510666659A CN 105184806 A CN105184806 A CN 105184806A
- Authority
- CN
- China
- Prior art keywords
- image
- block
- described image
- smooth
- level
- 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
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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种度量图像模糊程度的方法,包括以下步骤:I、进行所述图像的二维正交小波变换;II、确定所述图像的二值化对应的子代系数,判定所述图像的边缘活动度;III、将所述图像分块,确定每块图像块的边缘清晰活动度,根据边缘清晰活动度所述提取所述图像的平滑区域;IV、确定所述图像块的标准差并进行归一化处理,根据所述标准差确定所述图像的模糊度。该方法基于小波变换图像处理技术,将图像均分后再归类为平滑区域和非平滑区域;在考虑不同方向的高频信号的同时,将图像按一定方法进行加权处理,最终计算出整幅图像的模糊程度。具有一定的客观性,能够较准确地反映人的视觉对图形模糊程度的度量。
Description
技术领域
本发明涉及一种人脸图像或车载图像领域的方法,更具体地,涉及一种度量图像模糊程度的方法。
背景技术
随着个人计算机、数字通信、多媒体和网络技术的发展,数字图像日益成为信息最重要的载体之一。但在数字图像的获取、处理、编码、存储、传输和重建的每一个步骤中,通常都会对图像的质量产生影响,如何评价图像质量成为图像处理和计算机视觉等领域的一个基本而又富有挑战性的问题
现有技术中,数字图像质量的度量方法,基本上只是给出原图像与重构图像的偏差,而不能反映图像的本质属性,更不能描述图像的模糊程度。
为解决上述技术问题,本发明提供一种度量图像模糊程度的方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种度量图像模糊程度的方法。
实现上述目的所采用的解决方案为:
一种度量图像模糊程度的方法,其改进之处在于:所述方法包括以下步骤:
I、进行所述图像的二维正交小波变换;
II、确定所述图像的二值化对应的子代系数,判定所述图像的边缘活动度;
III、将所述图像分块,确定每块图像块的边缘清晰活动度,根据边缘清晰活动度所述提取所述图像的平滑区域;
IV、确定所述图像块的标准差并进行归一化处理,根据所述标准差确定所述图像的模糊度。
优选地,所述步骤I包括:
将所述图像经过二维正交小波变换,所述图像被均分四等份: 分别为2s层低频信号、2s层水平信息、2s层垂直信号、2s层角线信号,分解获得如下:
式中,f(x,y)表示二维信号,x,y分别表示其横坐标和纵坐标;ψ和分别为相应的小波函数和尺度函数;m、n、Z分别为整数。
优选地,所述步骤II包括:
设图像尺寸为N×N,带有竖直方向和水平方向的高频边缘信息LH和HL的标准差为d,根据下式获得二值化对应子带系数:
其中,D(i,j)表示点(i,j)处高频信号的平均值;
获得所述二值化对应子带系数a(i,j)后,判断a(i,j)是否等于1,若等于则判定该点为活动点;否则,判定该点为非活动点。
优选地,所述步骤III包括:
将所述图像分块,按下式定义第i个图像块的边缘活动度为:
式中,K为子块中元素个数,为第i个子块中子块的高频信号的平均值;随着边缘活跃程度的加强,μi值将从0逐渐增加到1。
优选地,所述步骤IV包括:
S401、针对步骤III分解的N块子图像,获得每块所述子图像的边缘活动度μi(i=1,2,...,N,)将所述N块图像分为平滑区域块和非平滑区域块;
S402、确定各图像块的标准差Si,并进行归一化处理;
S403、若所述子图像属于平滑区域块,则平滑区域块的比例系数fi=Si;
若所述子图像属于非平滑区域块,则非平滑区域块的比例系数gi=(1-μi)Si;
S404、确定所述图像的模糊度:
其中,r1、r2分别表示平滑区域块子图像的个数和非平滑区域块的子图像的个数,r1+r2=N,IBD的值随着所述图像模糊程度的加深,由0向1不断增加。
总体而言,与最接近的现有技术相比,本发明具有以下有益效果:
本发明给出的度量图像模糊程度的算法,基于小波变换图像处理技术,将图像均分后再归类为平滑区域和非平滑区域;在考虑不同方向的高频信号的同时,将图像按一定方法进行加权处理,最终计算出整幅图像的模糊程度。
通过考虑人的视觉对平滑区和非平滑区的敏感程度,对平滑区和非平滑区赋予了不同的权值,可以准确地反映人的视觉对图像模糊程度的度量。
该方法更具有一定的客观性,能够较准确地反映人的视觉对图形模糊程度的度量。
附图说明
图1(a)为本实施例中图像平滑区域的提取效果展示原图对比图;
图1(b)为本实施例中图像平滑区域的提取效果展示平滑区对比图;
图1(c)为本实施例中图像平滑区域的提取效果展示非平滑区对比图;
图2(a)为本实施例中同一图像IBD=0.4064时模糊图比较图;
图2(b)为本实施例中同一图像IBD=0.7404时模糊图比较图;
图2(c)为本实施例中同一图像IBD=0.9065时模糊图比较图;
图2(d)为本实施例中同一图像IBD=0.9500时模糊图比较图;
图3为本发明中度量图像模糊程度的方法流程图;
图4(a)为本实施例中模糊图像a的示例图;
图4(b)为本实施例中模糊图像b的示例图;
图4(c)为本实施例中模糊图像c的示例图;
图4(d)为本实施例中模糊图像d的示例图;
图4(e)为本实施例中模糊图像e的示例图;
图4(f)为本实施例中模糊图像f的示例图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制,其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他改变。实施例仅代表可能的变化。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。本文中,本发明的这些实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动的限制该应用的范围为任何单个发明或者发明构思。
图像在模糊度量处理中的特征包括如下:
图像是由有知觉意义的边缘区域、平滑区域和纹理区域组成的;
边缘区域和纹理区域组成了非平滑区域;
平滑区域内灰度图像变化缓慢,非平滑区域内灰度图像变化剧烈
平滑区域个数与非平滑区域个数总和等于图形均分块数;
图3为本发明中度量图像模糊程度的方法流程图,结合附图说明。依据上述图像在模糊度量中的特征,本发明所提出的一种度量图像模糊程度的方法,具体包括一下步骤:
步骤一、图像的二维正交小波变换。
步骤二、图像边缘活动度的判定。
步骤三、图像平滑区域的提取。
步骤四、图像模糊度的计算。
步骤一,图像的二维正交小波变换,包括:
将灰度图像经过二维正交小波变换后,分解为:
其中,ψ和分别是相应的小波函数和尺度函数,对于第s层小波变换而言,图像被均分四等份分别为2s层低频信号、2s层水平信息、2s层垂直信号、2s层角线信号;m、n、Z分别为整数。
步骤二、图像边缘活动度的判定。
本发明中,采用确定所述图像的二值化对应的子代系数,判定所述图像的边缘活动度的方法。
设图像尺寸为N×N,带有竖直方向和水平方向的高频边缘信息LH和HL的标准差为d,二值化对应子带系数得:
其中,D(i,j)表示点(i,j)处高频信号的平均值;
若二值化对应子带系数a(i,j)=1,则该点可认为活动点;否则,为非活动点。
步骤三、图像平滑区域的提取。
本发明中,将所述图像分块,确定每块图像块的边缘清晰活动度,根据边缘清晰活动度提取所述图像的平滑区域。
图像分块后,定义第i个图像块的边缘活动度为:
其中,子块中元素个数为K,第i个子块对应式(1)中的平均值为随着边缘活跃程度的加强,μi值将从0逐渐增加到1。
步骤四、图像模糊度的计算
1)对给定灰度图像进行3层离散小波分解。
2)分解后,图像均分N块,按公式(2)分别计算每块图像的边缘活动度μi(i=1,2,...,N)。
3)将上述图像归类成平滑区域块(r1)和非平滑区域块(边缘区和纹理区)(r2)。
4)计算各图像块的标准差Si并进行归一化处理。
5)若某图像子块属于平滑区,平滑区域块的比例系数fi=Si;否则,非平滑区域块的比例系数gi=(1-μi)Si;
6)计算全图的模糊度(IBD):
其中,r1+r2=N,IBD的值会随着图像模糊程度的加深,由0向1不断增加。
图4为本实施例中一种模糊图像示例图;针对该图运用上述方法确定图像的模糊度;获得运用传统模糊度确定方法获得的模糊度IBDorder和采用本发明方法确定的模糊度IBD的对比结果,如下表1所示:
images | IBD | IBD order | MOS |
a | 0.0415 | 1 | 1 |
b | 0.3329 | 2 | 2 |
c | 0.5174 | 3 | 4.23 |
d | 0.5578 | 4 | 6 |
e | 0.6638 | 5 | 7 |
f | 0.8585 | 6 | 10 |
表1
其中,MOS的确定方法如下:
将实验图像展示给观察者,根据模糊的可视程度进行排序,对每一个图像赋一个值A(i,k)(第i个观察者对第k个图像的排序值),该值是排序的序号,范围从1M(M是实验图像的个数),序号可以有1/2的增量。观察者排序的平均值就是该图像的MOS值:
式中,n为观察者人数。
通过上述比较可以看出本发明可以准确地反映人的视觉对图像模糊程度的度量,同时与人的主观评价排序相吻合。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (5)
1.一种度量图像模糊程度的方法,其特征在于:所述方法包括以下步骤:
I、进行所述图像的二维正交小波变换;
II、确定所述图像的二值化对应的子代系数,判定所述图像的边缘活动度;
III、将所述图像分块,确定每块图像块的边缘清晰活动度,根据边缘清晰活动度所述提取所述图像的平滑区域;
IV、确定所述图像块的标准差并进行归一化处理,根据所述标准差确定所述图像的模糊度。
2.如权利要求1所述的一种度量图像模糊程度的方法,其特征在于:所述步骤I包括:
将所述图像经过二维正交小波变换,所述图像被均分四等份: 分别为2s层低频信号、2s层水平信息、2s层垂直信号、2s层角线信号,分解获得如下:
式中,f(x,y)表示二维信号,x,y分别表示其横坐标和纵坐标;ψ和分别为相应的小波函数和尺度函数;m、n、Z分别为整数。
3.如权利要求1所述的一种度量图像模糊程度的方法,其特征在于:所述步骤II包括:
设图像尺寸为N×N,带有竖直方向和水平方向的高频边缘信息LH和HL的标准差为d,根据下式获得二值化对应子带系数:
其中,D(i,j)表示点(i,j)处高频信号的平均值;
获得所述二值化对应子带系数a(i,j)后,判断a(i,j)是否等于1,若等于则判定该点为活动点;否则,判定该点为非活动点。
4.如权利要求1所述的一种度量图像模糊程度的方法,其特征在于:所述步骤III包括:
将所述图像分块,按下式定义第i个图像块的边缘活动度为:
式中,K为子块中元素个数,为第i个子块中子块的高频信号的平均值;随着边缘活跃程度的加强,μi值将从0逐渐增加到1。
5.如权利要求1所述的一种度量图像模糊程度的方法,其特征在于:所述步骤IV包括:
S401、针对步骤III分解的N块子图像,获得每块所述子图像的边缘活动度μi(i=1,2,...,N,)将所述N块图像分为平滑区域块和非平滑区域块;
S402、确定各图像块的标准差Si,并进行归一化处理;
S403、若所述子图像属于平滑区域块,则平滑区域块的比例系数fi=Si;
若所述子图像属于非平滑区域块,则非平滑区域块的比例系数gi=(1-μi)Si;
S404、确定所述图像的模糊度:
其中,r1、r2分别表示平滑区域块子图像的个数和非平滑区域块的子图像的个数,r1+r2=N,IBD的值随着所述图像模糊程度的加深,由0向1不断增加。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510666659.5A CN105184806A (zh) | 2015-10-15 | 2015-10-15 | 一种度量图像模糊程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510666659.5A CN105184806A (zh) | 2015-10-15 | 2015-10-15 | 一种度量图像模糊程度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105184806A true CN105184806A (zh) | 2015-12-23 |
Family
ID=54906859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510666659.5A Pending CN105184806A (zh) | 2015-10-15 | 2015-10-15 | 一种度量图像模糊程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184806A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109138A (zh) * | 2017-12-15 | 2018-06-01 | 华南理工大学 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1457927A2 (en) * | 2003-01-30 | 2004-09-15 | Samsung Electronics Co., Ltd. | Device and method for detecting blurring of image |
CN102289813A (zh) * | 2011-08-30 | 2011-12-21 | 西安交通大学 | 一种无参考图像的模糊程度评价方法 |
US20130051683A1 (en) * | 2011-08-22 | 2013-02-28 | Fujitsu Limited | Image processing apparatus, image processing method, and storage medium storing image processing program |
US8805112B2 (en) * | 2010-05-06 | 2014-08-12 | Nikon Corporation | Image sharpness classification system |
CN104200475A (zh) * | 2014-09-05 | 2014-12-10 | 中国传媒大学 | 一种无参考图像模糊度估计新方法 |
CN104657972A (zh) * | 2013-11-25 | 2015-05-27 | 北京大学 | 一种图像块的模糊度判断方法及系统 |
-
2015
- 2015-10-15 CN CN201510666659.5A patent/CN105184806A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1457927A2 (en) * | 2003-01-30 | 2004-09-15 | Samsung Electronics Co., Ltd. | Device and method for detecting blurring of image |
US8805112B2 (en) * | 2010-05-06 | 2014-08-12 | Nikon Corporation | Image sharpness classification system |
US20130051683A1 (en) * | 2011-08-22 | 2013-02-28 | Fujitsu Limited | Image processing apparatus, image processing method, and storage medium storing image processing program |
CN102289813A (zh) * | 2011-08-30 | 2011-12-21 | 西安交通大学 | 一种无参考图像的模糊程度评价方法 |
CN104657972A (zh) * | 2013-11-25 | 2015-05-27 | 北京大学 | 一种图像块的模糊度判断方法及系统 |
CN104200475A (zh) * | 2014-09-05 | 2014-12-10 | 中国传媒大学 | 一种无参考图像模糊度估计新方法 |
Non-Patent Citations (1)
Title |
---|
张旗 等: "基于小波域分析的图像模糊度算法研究", 《计算机工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109138A (zh) * | 2017-12-15 | 2018-06-01 | 华南理工大学 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
CN108109138B (zh) * | 2017-12-15 | 2021-08-06 | 华南理工大学 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Image inpainting using nonlocal texture matching and nonlinear filtering | |
CN102663702B (zh) | 基于区域划分的自然图像去噪方法 | |
Chen et al. | Image denoising by bounded block matching and 3D filtering | |
CN103116875B (zh) | 自适应双边滤波图像去噪方法 | |
CN101847257B (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
CN105825484A (zh) | 一种基于深度学习的深度图像去噪及增强方法 | |
CN112419242B (zh) | 基于自注意力机制gan网络的无参考图像质量评价方法 | |
CN102509269B (zh) | 一种结合曲线波的基于图像子块相似性的图像去噪方法 | |
CN101944230B (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
CN103945217B (zh) | 基于熵的复小波域半盲图像质量评测方法和系统 | |
CN109242799A (zh) | 一种变阈值的小波去噪方法 | |
CN106056553A (zh) | 基于紧框架特征字典的图像修复方法 | |
CN103903275A (zh) | 利用小波融合算法改进图像分割效果的方法 | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN107194903A (zh) | 一种基于小波变换的多聚焦图像融合方法 | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
CN104200438A (zh) | 红外图像多级细节增强处理方法及其处理装置 | |
CN103226815A (zh) | 一种低剂量ct图像滤波方法 | |
Lee et al. | Speckle reduction via deep content-aware image prior for precise breast tumor segmentation in an ultrasound image | |
CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
CN106327413A (zh) | 一种基于频域分析的图像隐写方法及系统 | |
CN105469358A (zh) | 一种图像处理方法 | |
CN105184806A (zh) | 一种度量图像模糊程度的方法 | |
CN104123723A (zh) | 基于结构补偿的图像质量评价方法 | |
CN108776958B (zh) | 混合降质图像的图像质量评价方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |