CN105469413B - 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 - Google Patents
一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 Download PDFInfo
- Publication number
- CN105469413B CN105469413B CN201510938095.6A CN201510938095A CN105469413B CN 105469413 B CN105469413 B CN 105469413B CN 201510938095 A CN201510938095 A CN 201510938095A CN 105469413 B CN105469413 B CN 105469413B
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- gradient
- index
- 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
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
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 Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,本发明涉及无参考模糊复原图像综合质量评估方法。本发明是要解决复原图像质量评估方法无法全面、合理及有效地对模糊复原图像质量进行评估的问题。该方法是通过一、得到复原图像I;二、得到参考图像Ir;三、计算I和Ir的亮度相似度指标l(I,Ir)、c(I,Ir)和s(I,Ir);四、计算图像I和Ir的梯度相似度指标;五、得到MGSSIM(I,Ir);六、得到改进的无参考结构相似度指标INRSSM;七、归一化振铃度量指标NRM;八、生成复原图像质量振铃退化因子β;九、得到最终的复原图像质量评估指标RIAM等步骤实现的。本发明应用于无参考模糊复原图像综合质量评估领域。
Description
技术领域
本发明涉及无参考模糊复原图像综合质量评估方法,特别涉及一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法。
背景技术
在相机和摄像机等光学系统成像时,镜头和成像场景之间的相对运动或者镜头散焦均会导致采集到的图像或视频模糊,造成图像的对比度降低、边缘和内部细节信息减弱,影响图像质量,使得直接视觉观测以及数字图像信息处理系统难以准确地检测出图像中的感兴趣区域,严重影响对所获取的图像和视频信息的分析和理解。一般通过数字模糊图像复原系统可以在一定程度上改善图像质量,恢复出一部分边缘和图像内部细节信息。但在很多情况下,受制于图像先验信息的缺乏以及复原算法的缺陷,使得图像退化点扩散函数估计出现错误,这种退化模型估计错误一方面会导致复原的图像质量相对于清晰图像有较大偏差;另一方面常常会导致复原过程可能产生如振铃效应等人工痕迹,尤其当估计的点扩散函数的尺寸大于真实点扩散函数尺寸时,这种振铃效应更为明显。振铃效应产生的直接原因是图像退化过程中丢失了高频信息,导致图像灰度剧烈变化的邻域内出现了类Gibbs振荡问题,使得复原图像质量进一步变差,严重时会导致经过数字复原处理后的图像质量甚至不如未经过处理的模糊退化图像,从而人眼直观观察或是自动图像信息处理无法提取图像中的有效信息,无法对图像中的内容进一步分析和识别。因此,对于一个具有真正实用性的数字图像复原系统,在对成像模糊图像进行数字复原后,必须要对复原图像质量进行准确的评估,从而保证真正质量得到改善的图像输出给用户或是进入自动图像处理和分析系统的下一环节。复原图像质量评估系统能否有效工作对于数字成像模糊复原方法能否真正应用实际系统具有重要作用,在民用智能视频监控系统、智能交通管理系统等以及军事应用中如成像侦察系统、空间光学遥感和导弹成像制导领域中都具有重要的应用价值。
在图像模糊复原过后,由于没有清晰图像作为参考图像,为了评价复原算法效果,只能进行无参考图像质量评价。目前无参考图像质量评价主要有两类方法:一是简单的计算图像的梯度信息,如梯度幅值、边缘宽度、边缘锐度等,这类指标由于没有综合考虑图像亮度、对比度等因素,评价结果比较片面,特别是对复原图像的振铃效应很难识别;二是采用学习机制,通过大量的样本进行训练,得出评价结果,由于样本不可能包括所有情况,这种方法的性能取决于样本大大小,并且计算复杂度较高。
中国专利CN101996406A提出了一种基于结构清晰度的指标来进行无参考质量评价,这种指标是在结构相似度指标上进行改进。结构相似度是一种全参考图像质量评价指标,通过计算两幅图像在亮度、对比度和结构三个方面的信息对两幅图像的相似度进行衡量,如果其中一幅图像为清晰图像,则可得出另一幅图像的评价质量,但这种指标没有考虑图像的梯度信息,无法用于模糊图像的评价,同时,由于振铃本身具有较大的梯度,这种方法也不能很好地进行鉴别。该专利通过计算梯度图像的结构相似度来刻画边缘的影响,但由于三项指标均用梯度图像,反映的是梯度图像的相似性,并不能评价原图像的相似性,也就得不到一个客观的评价结果。
针对中国专利CN101996406A存在的问题,本项目发明人2014年申请的中国专利CN103345733A在复原图像质量评价中,对现有的基于结构相似度的图像质量评价方法进行了改进,加入了刻画图像边缘和细节信息的梯度相似度指标,提出了一种改进的无参考图像评估方法INRSS,能够更好地评估出复原图像中的存在振铃效应及边缘不清晰等问题,更客观地反应了图像的真实质量。但是由于该专利仅通过对图像梯度相似度的评估来间接评估振铃效应,而没有直接对振铃效应进行评估,而振铃效应具有周期性重复并且与图像主要边缘平行的类Gibbs振荡的特点,这样就会常常出现对振铃效应评估错误的问题,从而影响复原图像质量评估的准确性。
同时中国专利CN101996406A和CN103345733A都没有准确给出综合振铃效应和图像亮度、对比度、结构和梯度信息的复原图像质量评估方法,从而导致上述方法无法全面、合理及有效地对模糊复原图像质量进行评估。
发明内容
本发明的目的是为了解决目前复原图像质量评估方法无法全面、合理及有效地对模糊复原图像质量进行评估的问题,而提出的一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法。
上述的发明目的是通过以下技术方案实现的:
步骤一、采用典型的图像复原算法对灰度模糊图像F(i,j)复原操作,得到复原图像I;其中,F(i,j)为灰度模糊图像中的第i行,第j列像素值;
步骤二、对复原图像I进行二次模糊得到参考图像Ir;其中,二次模糊使用大小为m×m,方差为σ的高斯模糊核Gblur对复原图像I进行二次模糊处理;m为用于复原图像二次模糊的高斯模糊核的大小,下标blur为模糊的含义;
步骤三、根据复原图像I的亮度信息、对比度信息和梯度信息及参考图像Ir的亮度信息、对比度信息和梯度信息,计算I和Ir的亮度相似度指标l(I,Ir)、对比度相似度指标c(I,Ir)和结构相似度指标s(I,Ir);
步骤四、计算步骤一中复原图像I的梯度图像gI,计算步骤二中参考图像Ir的梯度图像gIr,根据梯度图像gI和gIr计算图像I和Ir的梯度相似度指标g(I,Ir);
其中,C4=(k3×L)2,0<k3<<1,L为像素灰度级,对于8位灰度图像取为255;gI(i,j)为梯度图像gI中第i行,第j列的梯度图像;gIr(i,j)为梯度图像gIr中第i行,第j列的梯度图像;M分别为灰度模糊图像F的总行数、复原图像I的总行数、参考图像Ir的总行数、梯度图像gI的总行数;N分别为灰度模糊图像F的总列数、复原图像I的总列数、参考图像Ir的总列数、梯度图像gI的总列数;
步骤五、根据步骤一得到的复原图像I、步骤三得到的二次模糊图像Ir的亮度相似度指标l(I,Ir)、对比度相似度指标c(I,Ir)、结构相似度指标s(I,Ir)以及步骤四得到梯度相似度指标g(I,Ir),计算梯度结构相似度指标GSSIM(I,Ir),将GSSIM(I,Ir)平均分块得改进的梯度平均结构相似度指标MGSSIM(I,Ir);
步骤六、根据MGSSIM(I,Ir)得到改进的无参考结构相似度指标INRSSM,其中,INRSSM=1-MGSSIM(I,Ir);
步骤七、采用计算共生矩阵的方法检测复原图像I中存在的导致振铃效应的平行边缘像素数,并将平行边缘像素数进行归一化处理,得到归一化振铃度量指标NRM;
步骤八、根据步骤七得到的复原图像振铃效应计算结果NRM指标,生成复原图像质量振铃退化因子β,β的计算表达式如下:
步骤九:用步骤八计算的图像质量退化因子β对步骤六获得的改进的无参考结构相似度指标INRSSM进行加权,得到最终的复原图像质量评估指标RIAM,其计算公式为RIAM=INRSS×β。
发明效果
本发明提供一种模糊复原图像质量评价方法,属于图像和视频处理领域。具体来说,本发明可以用来提高由于光学散焦、运动成像模糊、大气湍流效应和其他光学退化效应导致的成像模糊以及采用盲复原等模糊图像复原方法得到的复原图像质量评估的准确性,减少了由于模糊图像复原引入的振铃等人工痕迹导致图像质量评估错误,并可使图像质量评估结果更符合人眼的主观判断。可应用于民用照相摄像、智能视频监控、智能安防、光学成像遥感、军事成像侦察和导弹成像制导等领域。
1)考虑复原图像的亮度、对比度、结构和梯度特点,并与振铃效应评估结果相结合提出了一种综合的无参考图像质量评估方法,从而可更全面准确地评估图像质量,为图像复原系统进一步向实用化转化扫清了障碍;
2)根据图像振铃效应的评估结果,确定了归一化的图像质量振铃退化因子,从而把振铃效应引入图像综合质量评估过程,使得对图像质量的评估结果更符合人眼的主观判断;
3)本发明所提出的复原图像质量评价方法,是对复原图像亮度、对比度、结构和梯度评价完成的基础上得到的改进的无参考图像结构相似度指标INRSSM,根据复原图像振铃效应的强弱,对INRSSM结果进行成比例的减少来得到复原图像质量的评估结果,因此更准确地反映了引入振铃对复原图像整体质量的影响;
4)本发明提出的复原图像质量评价方法是一种无参考图像质量评估方法,更适用无清晰参考图像的模糊图像复原系统的复原图像质量评估,因此更具有实用性。
本发明综合图像的亮度、对比度、结构和梯度信息以及复原过程中引入的振铃等人工痕迹信息,提出了一种对模糊复原图像的综合评估方法,该方法相对于现有复原图像质量评估方法,具有评估结构准确,更符合人眼主观判断结果的特点。
本发明解决了改进的无参考图像评估方法INRSS对复原图像质量评估过程中,有时当振铃效应明显的情况下,出现夸大复原效果,导致对复原图像质量评价过高的问题。即把由于振铃效应的引入导致复原结果变差的图像,评价为复原结果变好的问题。如由于振铃的引入导致复原图像(图2(b))相对原始模糊图图像(图2(a))没有明显改善,甚至主观判断复原结果变差了。但根据表1对图2(a)复原前后图像质量的评估结果,可以看出基于INRSS指标的评估结果图2(b)相对于图2(a)有明显改善,图像质量提高了23.34%;而根据RIAM评估结果是由于振铃效应的引入,复原图像质量相对于原始模糊图像质量下降1.76%。由此可以看出,RIAM相对于INRSSM对复原图像质量的评估更准确
本发明通过引入图像质量振铃退化因子,解决了准确评估振铃效应对模糊复原图像质量影响的问题,从而避免了现有的模糊复原图像质量评估方法进行对振铃效应单独评估,无法融入复原图像整体质量评价的问题。
附图说明
图1为具体实施方式一提出的基于振铃归一加权的无参考复原图像综合质量评估方法结构框图
图2(a)为具体实施方式一提出的为花卉自然灰度模糊图像;
图2(b)为为具体实施方式一提出的图2(a)复原后有严重振铃现象导致复原结果恶化的复原图像。
图3(a)为具体实施方式一提出的雕塑自然灰度模糊图像;
图3(b)为具体实施方式一提出的雕塑自然灰度模糊图像复原后出现中度振铃效应的复原图像;
图4(a)为具体实施方式一提出的树木自然模糊图像;
图4(b)为具体实施方式一提出的树木自然模糊图像复原后无振铃效应复原图像。
具体实施方式
具体实施方式一:结合图1本实施方式的一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,具体是按照以下步骤制备的:
本发明是一种模糊图像复原图像质量评估方法,既可用于单幅模糊图像的复原图像质量评价工作,也可用于实时视频处理,进行更加有效的模糊退化视频的复原;
步骤一、采用典型的图像复原算法对灰度模糊图像F(i,j)复原操作,得到复原图像I;如图2(a)与图2(b)、图3(a)与图3(b)、图4(a)与图4(b)分别为模糊图像和模糊复原图像;其中,F(i,j)为灰度模糊图像中的第i行,第j列像素值;
步骤二、对复原图像I进行二次模糊得到参考图像Ir;其中,二次模糊使用大小为m×m,方差为σ的高斯模糊核Gblur对复原图像I进行二次模糊处理;m为用于复原图像二次模糊的高斯模糊核的大小,下标blur为模糊的含义;
步骤三、根据复原图像I的亮度信息、对比度信息和梯度信息及参考图像Ir的亮度信息、对比度信息和梯度信息,计算I和Ir的亮度相似度指标l(I,Ir)、对比度相似度指标c(I,Ir)和结构相似度指标s(I,Ir);
步骤四、计算步骤一中复原图像I的梯度图像gI,计算步骤二中参考图像Ir的梯度图像gIr,根据梯度图像gI和gIr计算图像I和Ir的梯度相似度指标g(I,Ir);
其中,C4=(k3×L)2,0<k3<<1,一般取k3=0.03,L为像素灰度级,对于8位灰度图像取为255;通过这一步骤将图像的边缘信息也考虑进相似度指标评价中,能够更好地评价模糊图像的质量;gI(i,j)为梯度图像gI中第i行,第j列的梯度图像;gIr(i,j)为梯度图像gIr中第i行,第j列的梯度图像;
步骤五、根据步骤一得到的复原图像I、步骤三得到的二次模糊图像Ir的亮度相似度指标l(I,Ir)、对比度相似度指标c(I,Ir)、结构相似度指标s(I,Ir)以及步骤四得到梯度相似度指标g(I,Ir),计算梯度结构相似度指标GSSIM(I,Ir)(Gradient StructuralSimilarity Metric,GSSIM),将GSSIM(I,Ir)平均分块得改进的梯度平均结构相似度指标MGSSIM(I,Ir)(Mean of Gradient Structural Similarity Metric,MGSSIM);
步骤六、根据MGSSIM(I,Ir)得到改进的无参考结构相似度指标INRSSM(ImprovedNo-Reference Structural Similarity Metric,INRSSM),其中,INRSSM=1-MGSSIM(I,Ir);
步骤七、根据图像复原过程中产生的振铃效应具有周期性重复并且与步骤一中原始灰度模糊图像F(i,j)主要边缘平行的特点,采用计算共生矩阵的方法检测复原图像I中存在的导致振铃效应的平行边缘像素数,并将平行边缘像素数进行归一化处理,得到归一化振铃度量指标NRM(Normalized Ringing Metric,NRM),NRM为复原图像中导致振铃效应的平行边缘像素数占整个复原图像总像素的百分比;采用归一化振铃指标NRM对复原图像I中的振铃效应进行度量;
步骤八、根据步骤七得到的复原图像振铃效应计算结果NRM指标,生成复原图像质量振铃退化因子β,β的计算表达式如下:
步骤九:用步骤八计算的图像质量退化因子β对步骤六获得的改进的无参考结构相似度指标INRSSM进行加权,得到最终的复原图像质量评估指标RIAM(Restored ImageAssessment Metric,RIAM),其计算公式为RIAM=INRSS×β。
步骤二至步骤九的流程图如图1所示。
表1 图2(a)图像复原前后INRSSM指标及RIAM指标的改善结果
表2 图3(a)图像复原前后INRSSM指标和RIAM指标的改善结果
表3 图4(a)图像复原前后INRSSM指标及RIAM指标的改善结果
从表1~表3可以看出,对于图2(a)的模糊图像,由于复原过程中引入了严重的振铃效应,导致其复原图像(图2(b))相对于图2(a)人主观感受的图像质量下降了,采用中国专利CN103345733A提出的INRSSM评价指标则会出现错误的复原图像评估结果,认为复原后的图像(图2(b))相对于复原前的模糊图像(图2(a)),图像质量提高了23.34%;而采用本发明所提出RIAM指标,则会判断出图2(b)相对于图2(a)图像质量下降了1.76%,符合人眼的主观感受,因此对于复原过程中出现严重振铃现象的复原图像质量评价,RIAM指标相对于INRSSM指标更准确。对于模糊图像(图3(a)),在复原过程中引入了中度振铃效应,其复原图像(图3(b))相对于图3(b)的图像质量,人眼主观感受有稍许改善。采用INRSSM指标的评价结果却是复原后图像(图3(b))的质量相对于复原前图像(图3(a))的质量提高了21.44%,有了显著性的改善,不符合人眼的主观感受。而采用本发明提出的RIAM指标的评估结果是图3(b)相对于图3(a)的图像质量提高了2.29%,于人眼的主观感受的稍许改善结果一致,因此本发明所提出RIAM指标相对INRSSM指标对复原过程中出现中度振铃现象的复原图像质量的评价结果更符合人眼的主观判断。对于模糊图像(图4(a)),在复原过程中几乎未引入振铃效应,因此对于复原图像(图4(b))相对于图4(a)的质量改善程度,INRSSM指标和本发明提出RIAM指标的评估结果完全一样,都是改善了17.15%,说明本发明提出RIAM指标对于模糊图像复原过程中出现轻度振铃或是无振铃效应也能准确判断。
本实施方式效果:
本实施方式提供一种模糊复原图像质量评价方法,属于图像和视频处理领域。具体来说,本实施方式可以用来提高由于光学散焦、运动成像模糊、大气湍流效应和其他光学退化效应导致的成像模糊以及采用盲复原等模糊图像复原方法得到的复原图像质量评估的准确性,减少了由于模糊图像复原引入的振铃等人工痕迹导致图像质量评估错误,并可使图像质量评估结果更符合人眼的主观判断。可应用于民用照相摄像、智能视频监控、智能安防、光学成像遥感、军事成像侦察和导弹成像制导等领域。
1)考虑复原图像的亮度、对比度、结构和梯度特点,并与振铃效应评估结果相结合提出了一种综合的无参考图像质量评估方法,从而可更全面准确地评估图像质量,为图像复原系统进一步向实用化转化扫清了障碍;
2)根据图像振铃效应的评估结果,确定了归一化的图像质量振铃退化因子,从而把振铃效应引入图像综合质量评估过程,使得对图像质量的评估结果更符合人眼的主观判断;
3)本实施方式所提出的复原图像质量评价方法,是对复原图像亮度、对比度、结构和梯度评价完成的基础上得到的改进的无参考图像结构相似度指标INRSSM,根据复原图像振铃效应的强弱,对INRSSM结果进行成比例的减少来得到复原图像质量的评估结果,因此更准确地反映了引入振铃对复原图像整体质量的影响;
4)本实施方式提出的复原图像质量评价方法是一种无参考图像质量评估方法,更适用无清晰参考图像的模糊图像复原系统的复原图像质量评估,因此更具有实用性。
本实施方式综合图像的亮度、对比度、结构和梯度信息以及复原过程中引入的振铃等人工痕迹信息,提出了一种对模糊复原图像的综合评估方法,该方法相对于现有复原图像质量评估方法,具有评估结构准确,更符合人眼主观判断结果的特点。
本实施方式解决了改进的无参考图像评估方法INRSS对复原图像质量评估过程中,有时当振铃效应明显的情况下,出现夸大复原效果,导致对复原图像质量评价过高的问题。即把由于振铃效应的引入导致复原结果变差的图像,评价为复原结果变好的问题。如由于振铃的引入导致复原图像(图2(b))相对原始模糊图图像(图2(a))没有明显改善,甚至主观判断复原结果变差了。但根据表1对图2(a)复原前后图像质量的评估结果,可以看出基于INRSS指标的评估结果图2(b)相对于图2(a)有明显改善,图像质量提高了23.34%;而根据RIAM评估结果是由于振铃效应的引入,复原图像质量相对于原始模糊图像质量下降1.76%。由此可以看出,RIAM相对于INRSSM对复原图像质量的评估更准确
本实施方式通过引入图像质量振铃退化因子,解决了准确评估振铃效应对模糊复原图像质量影响的问题,从而避免了现有的模糊复原图像质量评估方法进行对振铃效应单独评估,无法融入复原图像整体质量评价的问题。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一中典型的图像复原算法为Tihonov正则化算法或全变分正则化算法。其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:步骤二中二次模糊处理过程为I与Gblur进行卷积,得到参考图像Ir,具体的计算公式为:
其中,为卷积运算,I(i,j)为复原图像I中第i行,第j列的像素值;Ir(i,j)为参考图像Ir中第i行,第j列的像素值;i=1,…,M,j=1,…,N;M分别为灰度模糊图像F的总行数、复原图像I的总行数、参考图像Ir的总行数、梯度图像gI的总行数、二值化图像B的总行数或梯度图像gIr的总行数;
N分别为灰度模糊图像F的总列数、复原图像I的总列数、参考图像Ir的总列数、梯度图像gI的总列数、二值化图像B的总列数或梯度图像gIr的总列数;m一般取7,σ一般取5。其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤三中计算复原图像I和参考图像Ir的亮度相似度指标l(I,Ir)计算公式如下:
其中,μI为图像I的像素灰度值的均值,μIr为图像Ir的像素灰度值的均值,C1=(k1×L)2,0<k1<<1,一般k1=0.01,L为像素灰度级,通常数字图像都为8位灰度级取为255。其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:步骤三中计算复原图像I和参考图像Ir的对比度相似度指标c(I,Ir)的计算公式如下:
其中,C2=(k2×L)2,0<k2<<1,一般取k2=0.03,σI为图像I的像素灰度值的方差,σIr为图像Ir的像素灰度值的方差。其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:步骤三中计算复原图像I和参考图像Ir的结构相似度s(I,Ir)的计算公式如下:
其中,σIIr为图像I和Ir的协方差;C3=C2/2。其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:步骤四中计算步骤一中复原图像I的梯度图像gI,计算步骤二中参考图像Ir的梯度图像gIr,根据梯度图像gI和gIr计算图像I和Ir的梯度相似度指标g(I,Ir)的具体过程为:
(1)、计算复原图像I的梯度图像gI,计算公式为:
gIx=|I(i+1,j)-I(i,j)|
gIy=|I(i,j+1)-I(i,j)|
gI=[gIx gIy]
其中,gIx为复原图像I的水平梯度图像;gIy分别为复原图像I的垂直梯度图像;
(2)、计算参考图像Ir的梯度图像gIr;
gIrx=|Ir(i+1,j)-Ir(i,j)|
gIry=|Ir(i,j+1)-Ir(i,j)|
gIr=[gIrx gIry]
其中,gIrx为参考图像Ir的水平梯度图像;gIry为参考图像Ir的垂直梯度图像;
(3)、根据gI和gIr计算的梯度相似度指标g(I,Ir),计算公式如下:
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:步骤五中根据步骤一得到的复原图像I、步骤三得到的二次模糊图像Ir的亮度相似度指标l(I,Ir)、对比度相似度指标c(I,Ir)、结构相似度指标s(I,Ir)以及步骤四得到梯度相似度指标g(I,Ir),计算梯度结构相似度指标GSSIM(I,Ir),将GSSIM(I,Ir)平均分块得改进的梯度平均结构相似度指标MGSSIM(I,Ir)具体计算过程为:
(1)、计算的梯度结构相似度指标GSSIM(I,Ir)具体为:
GSSIM(I,Ir)=[l(I,Ir)]α[c(I,Ir)]β[s(I,Ir)]γ[g(I,Ir)]λ
其中,α分别为亮度相似度指标l(I,Ir)的权重、β对比度相似度指标c(I,Ir)的权重、γ结构相似度指标s(I,Ir)的权重和λ梯度相似度指标g(I,Ir)的权重,其值根据实际需要调节;
(2)、在实际计算时,为反映图像局部特征,一般将图像分成M1个块,分别计算M1个块的梯度结构相似度指标GSSIM,然后计算M1个GSSIM指标平均值得到标平均梯度结构相似度指标MGSSIM(Mean of Gradient Structural Similarity Metric,MGSSIM);其中,MGSSIM计算公式如下式所示:
其中,Il是参考图像I中第l个子块图像;Irl是复原图像Ir中第l个子块图像。其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是:步骤七中采用计算共生矩阵的方法检测复原图像I中存在的导致振铃效应的平行边缘像素数,并将平行边缘像素数进行归一化处理,得到归一化振铃度量指标NRM具体过程为:
(1)、采用边缘检测算法提取复原图像I的边缘,得到二值化边缘图像B;其中,边缘检测的过程是先将复原图像I转化成灰度图像,然后采用Canny算子提取复原图像I的灰度图像的边缘;
(2)、采用共生矩阵来检测二值化边缘图像B中的振铃曲线;
利用二值化边缘图像B生成长度为d,方向为θ的共生矩阵定义为:
其中,共生矩阵中的元素值是通过扫描二值化边缘图像B中像素值为1的像素,且在像素值为1像素的方向为四个方向上,得到距离值为d的像素的像素值;
即当像素B(i,j)=1且在以B(i,j)=1为中心,在四个方向上,距离B(i,j)=1像素的距离为d的图像B中相应位置的像素值为1,且在小于距离d的位置上的像素都为0,则相应的共生矩阵的元素值为1;否则相应的共生矩阵的元素值为0;由于提取复原图像边缘过程中,会存在边缘提取误差,导致检测出的振铃曲线不一定完全平行于图像边缘,因此在共生矩阵的距离d的选取上通常设置一定范围的冗余度γ,即d∈[d0-γ,d0+γ];d0=Nblur/2,Nblur为复原算法估计的模糊核大小,下标blur表示模糊的意思;γ通常取3;另外,共生矩阵计算公式中,s为距离值,取值范围为s∈(0,d0);&表示逻辑与运算;B(i,j)为二值化图像B中第i行,第j列的像素值;
(3)、将m=4个方向的共生矩阵求和即得到表示全部平行边缘的边缘长度R,可用这一指标来刻画振铃效应,其计算公式如下式所示;
其中,m=1时,θ=0;m=2时,m=3时,m=4时,
(4)、用复原后图像的平行边缘长度Rr减去复原前图像的平行边缘长度Rp即得到由复原过程引入的振铃效应的直接度量Rm=Rr-Rp,然后对Rm进行归一化处理得到归一化振铃度量指标NRM(Normalized Ringing Metric,NRM),其计算公式如下式所示:
其中,max为取最大值运算用以保证振铃度量结果为非负数;
需要说明的是由于Rm表示的是整幅图像在m=1,2,3,4的四个主要方向的复原后图像的平行边缘长度,Rm的取值范围一定是大于零并且小于复原图像总像素数M×N,为了消除不同尺度图像的幅值差异,需要将该指标进行归一化处理,即将Rm除以复原图像总像素M×N,再乘以100%都得到百分数,即得到本发明用于评估振铃效应的最终指标NRM。其它步骤及参数与具体实施方式一至八之一相同。
Claims (9)
1.一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于,该方法具体是按照以下步骤进行的:
步骤一、采用典型的图像复原算法对灰度模糊图像F(i,j)复原操作,得到复原图像I;其中,F(i,j)为灰度模糊图像中的第i行,第j列像素值;
步骤二、对复原图像I进行二次模糊得到参考图像Ir;其中,二次模糊使用大小为m×m,方差为σ的高斯模糊核Gblur对复原图像I进行二次模糊处理;m为用于复原图像二次模糊的高斯模糊核的大小,下标blur为模糊的含义;
步骤三、根据复原图像I的亮度信息、对比度信息和梯度信息及参考图像Ir的亮度信息、对比度信息和梯度信息,计算I和Ir的亮度相似度指标l(I,Ir)、对比度相似度指标c(I,Ir)和结构相似度指标s(I,Ir);
步骤四、计算步骤一中复原图像I的梯度图像gI,计算步骤二中参考图像Ir的梯度图像gIr,根据梯度图像gI和gIr计算图像I和Ir的梯度相似度指标g(I,Ir);
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>g</mi>
<mi>I</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>4</mn>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>g</mi>
<mi>I</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>4</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中,C4=(k3×L)2,0<k3<<1,L为像素灰度级,对于8位灰度图像取为255;gI(i,j)为梯度图像gI中第i行,第j列的梯度图像;gIr(i,j)为梯度图像gIr中第i行,第j列的梯度图像;M分别为灰度模糊图像F的总行数、复原图像I的总行数、参考图像Ir的总行数、梯度图像gI的总行数;N分别为灰度模糊图像F的总列数、复原图像I的总列数、参考图像Ir的总列数、梯度图像gI的总列数;
步骤五、根据步骤一得到的复原图像I、步骤三得到的二次模糊图像Ir的亮度相似度指标l(I,Ir)、对比度相似度指标c(I,Ir)、结构相似度指标s(I,Ir)以及步骤四得到梯度相似度指标g(I,Ir),计算梯度结构相似度指标GSSIM(I,Ir),将GSSIM(I,Ir)平均分块得改进的梯度平均结构相似度指标MGSSIM(I,Ir);
步骤六、根据MGSSIM(I,Ir)得到改进的无参考结构相似度指标INRSSM,其中,INRSSM=1-MGSSIM(I,Ir);
步骤七、采用计算共生矩阵的方法检测复原图像I中存在的导致振铃效应的平行边缘像素数,并将平行边缘像素数进行归一化处理,得到归一化振铃度量指标NRM;
步骤八、根据步骤七得到的复原图像振铃效应计算结果NRM指标,生成复原图像质量振铃退化因子β,β的计算表达式如下:
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<mi>N</mi>
<mi>R</mi>
<mi>M</mi>
<mo><</mo>
<mn>0.01</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.9</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0.01</mn>
<mo><</mo>
<mi>N</mi>
<mi>R</mi>
<mi>M</mi>
<mo><</mo>
<mn>0.05</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.8</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0.05</mn>
<mo><</mo>
<mi>N</mi>
<mi>R</mi>
<mi>M</mi>
<mo><</mo>
<mn>0.1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.6</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0.1</mn>
<mo><</mo>
<mi>N</mi>
<mi>R</mi>
<mi>M</mi>
<mo><</mo>
<mn>0.2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.4</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0.2</mn>
<mo><</mo>
<mi>N</mi>
<mi>R</mi>
<mi>M</mi>
<mo><</mo>
<mn>0.3</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.2</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0.3</mn>
<mo><</mo>
<mi>N</mi>
<mi>R</mi>
<mi>M</mi>
<mo><</mo>
<mn>0.4</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0.4</mn>
<mo><</mo>
<mi>N</mi>
<mi>R</mi>
<mi>M</mi>
<mo><</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
步骤九:用步骤八计算的图像质量退化因子β对步骤六获得的改进的无参考结构相似度指标INRSSM进行加权,得到最终的复原图像质量评估指标RIAM,其计算公式为RIAM=INRSS×β。
2.根据权利要求1所述一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于:步骤一中典型的图像复原算法为Tihonov正则化算法或全变分正则化算法。
3.根据权利要求2所述一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于:步骤二中二次模糊处理过程为I与Gblur进行卷积,得到参考图像Ir,具体的计算公式为:
<mrow>
<msub>
<mi>I</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mi>I</mi>
<mo>&CircleTimes;</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>b</mi>
<mi>l</mi>
<mi>u</mi>
<mi>r</mi>
</mrow>
</msub>
</mrow>
其中,为卷积运算,I(i,j)为复原图像I中第i行,第j列的像素值;Ir(i,j)为参考图像Ir中第i行,第j列的像素值;i=1,…,M,j=1,…,N;M分别为灰度模糊图像F的总行数、复原图像I的总行数、参考图像Ir的总行数、梯度图像gI的总行数、二值化图像B的总行数或梯度图像gIr的总行数;
N分别为灰度模糊图像F的总列数、复原图像I的总列数、参考图像Ir的总列数、梯度图像gI的总列数、二值化图像B的总列数或梯度图像gIr的总列数。
4.根据权利要求3所述一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于:步骤三中计算复原图像I和参考图像Ir的亮度相似度指标l(I,Ir)计算公式如下:
<mrow>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>&mu;</mi>
<mi>I</mi>
</msub>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&mu;</mi>
<mi>I</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&mu;</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中,μI为图像I的像素灰度值的均值,μIr为图像Ir的像素灰度值的均值,C1=(k1×L)2,0<k1<<1,L为像素灰度级。
5.根据权利要求4所述一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于:步骤三中计算复原图像I和参考图像Ir的对比度相似度指标c(I,Ir)的计算公式如下:
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>&sigma;</mi>
<mi>I</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>I</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中,C2=(k2×L)2,0<k2<<1,σI为图像I的像素灰度值的方差,σIr为图像Ir的像素灰度值的方差。
6.根据权利要求5所述一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于:步骤三中计算复原图像I和参考图像Ir的结构相似度s(I,Ir)的计算公式如下:
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>I</mi>
<mi>I</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>3</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>I</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>3</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中,σIIr为图像I和Ir的协方差;C3=C2/2。
7.根据权利要求6所述一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于:步骤四中计算步骤一中复原图像I的梯度图像gI,计算步骤二中参考图像Ir的梯度图像gIr,根据梯度图像gI和gIr计算图像I和Ir的梯度相似度指标g(I,Ir)的具体过程为:
(1)、计算复原图像I的梯度图像gI,计算公式为:
gIx=|I(i+1,j)-I(i,j)|
gIy=|I(i,j+1)-I(i,j)|
gI=[gIx gIy]
其中,gIx为复原图像I的水平梯度图像;gIy分别为复原图像I的垂直梯度图像;
(2)、计算参考图像Ir的梯度图像gIr;
gIrx=|Ir(i+1,j)-Ir(i,j)|
gIry=|Ir(i,j+1)-Ir(i,j)|
gIr=[gIrx gIry]
其中,gIrx为参考图像Ir的水平梯度图像;gIry为参考图像Ir的垂直梯度图像;
(3)、根据gI和gIr计算的梯度相似度指标g(I,Ir),计算公式如下:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>g</mi>
<mi>I</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>4</mn>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>g</mi>
<mi>I</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>I</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>4</mn>
</msub>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
8.根据权利要求7所述一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于:步骤五中根据步骤一得到的复原图像I、步骤三得到的二次模糊图像Ir的亮度相似度指标l(I,Ir)、对比度相似度指标c(I,Ir)、结构相似度指标s(I,Ir)以及步骤四得到梯度相似度指标g(I,Ir),计算梯度结构相似度指标GSSIM(I,Ir),将GSSIM(I,Ir)平均分块得改进的梯度平均结构相似度指标MGSSIM(I,Ir)具体计算过程为:
(1)、计算的梯度结构相似度指标GSSIM(I,Ir)具体为:
GSSIM(I,Ir)=[l(I,Ir)]α[c(I,Ir)]β[s(I,Ir)]γ[g(I,Ir)]λ
其中,α分别为亮度相似度指标l(I,Ir)的权重、β对比度相似度指标c(I,Ir)的权重、γ结构相似度指标s(I,Ir)的权重和λ梯度相似度指标g(I,Ir)的权重;
(2)、将图像分成M1个块,分别计算M1个块的梯度结构相似度指标GSSIM,然后计算M1个GSSIM指标平均值得到标平均梯度结构相似度指标MGSSIM;其中,MGSSIM计算公式如下式所示:
<mrow>
<mi>M</mi>
<mi>G</mi>
<mi>S</mi>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mn>1</mn>
</mrow>
</munderover>
<mi>G</mi>
<mi>S</mi>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>r</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,Il是参考图像I中第l个子块图像;Irl是复原图像Ir中第l个子块图像。
9.根据权利要求8所述一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法,其特征在于:步骤七中采用计算共生矩阵的方法检测复原图像I中存在的导致振铃效应的平行边缘像素数,并将平行边缘像素数进行归一化处理,得到归一化振铃度量指标NRM具体过程为:
(1)、采用边缘检测算法提取复原图像I的边缘,得到二值化边缘图像B;其中,边缘检测的过程是先将复原图像I转化成灰度图像,然后采用Canny算子提取复原图像I的灰度图像的边缘;
(2)、利用二值化边缘图像B生成长度为d,方向为θ的共生矩阵定义为:
其中,共生矩阵中的元素值是通过扫描二值化边缘图像B中像素值为1的像素,且在像素值为1像素的方向为四个方向上,得到距离值为d的像素的像素值;在共生矩阵的距离d的选取上通常设置一定范围的冗余度γ,即d∈[d0-γ,d0+γ];d0=Nblur/2,Nblur为复原算法估计的模糊核大小;γ通常取3;s为距离值,取值范围为s∈(0,d0);&表示逻辑与运算;B(i,j)为二值化图像B中第i行,第j列的像素值;
(3)、将m=4个方向的共生矩阵求和即得到表示全部平行边缘的边缘长度R,计算公式如下式所示;
<mrow>
<mi>R</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>C</mi>
<mi>d</mi>
<mi>&theta;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,m=1时,θ=0;m=2时,m=3时,m=4时,
(4)、用复原后图像的平行边缘长度Rr减去复原前图像的平行边缘长度Rp即得到由复原过程引入的振铃效应的直接度量Rm=Rr-Rp,然后对Rm进行归一化处理得到归一化振铃度量指标NRM计算公式如下式所示:
<mrow>
<mi>N</mi>
<mi>R</mi>
<mi>M</mi>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mi>r</mi>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>p</mi>
</msub>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>,</mo>
<mn>0</mn>
<mo>}</mo>
</mrow>
其中,max为取最大值运算用以保证振铃度量结果为非负数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938095.6A CN105469413B (zh) | 2015-12-10 | 2015-12-10 | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938095.6A CN105469413B (zh) | 2015-12-10 | 2015-12-10 | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469413A CN105469413A (zh) | 2016-04-06 |
CN105469413B true CN105469413B (zh) | 2017-12-26 |
Family
ID=55607072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510938095.6A Active CN105469413B (zh) | 2015-12-10 | 2015-12-10 | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469413B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292866B (zh) * | 2017-05-17 | 2020-04-17 | 浙江科技学院 | 一种基于相对梯度的图像质量客观评价方法 |
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 |
CN109634320B (zh) * | 2018-12-20 | 2021-04-16 | 佛山市雅龙五金家具有限公司 | 出水温度调节平台 |
CN110473189B (zh) * | 2019-08-02 | 2024-01-23 | 深圳市粤智康科技有限公司 | 一种文本图像清晰度判断方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN103345733A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 基于改进暗通道先验的快速低照度图像增强方法 |
CN104123705A (zh) * | 2014-07-22 | 2014-10-29 | 北华大学 | 一种超分辨率重建图像质量Contourlet域评价方法 |
CN104282003A (zh) * | 2014-10-29 | 2015-01-14 | 哈尔滨工业大学 | 一种基于梯度筛选的数字模糊图像盲复原方法 |
CN104392415A (zh) * | 2014-11-20 | 2015-03-04 | 杭州电子科技大学 | 一种结合权重因子与梯度制约的图像恢复方法 |
CN104408707A (zh) * | 2014-10-28 | 2015-03-11 | 哈尔滨工业大学 | 一种快速数字成像模糊鉴别与复原图像质量评估方法 |
CN104766287A (zh) * | 2015-05-08 | 2015-07-08 | 哈尔滨工业大学 | 一种基于显著性检测的模糊图像盲复原方法 |
-
2015
- 2015-12-10 CN CN201510938095.6A patent/CN105469413B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN103345733A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 基于改进暗通道先验的快速低照度图像增强方法 |
CN104123705A (zh) * | 2014-07-22 | 2014-10-29 | 北华大学 | 一种超分辨率重建图像质量Contourlet域评价方法 |
CN104408707A (zh) * | 2014-10-28 | 2015-03-11 | 哈尔滨工业大学 | 一种快速数字成像模糊鉴别与复原图像质量评估方法 |
CN104282003A (zh) * | 2014-10-29 | 2015-01-14 | 哈尔滨工业大学 | 一种基于梯度筛选的数字模糊图像盲复原方法 |
CN104392415A (zh) * | 2014-11-20 | 2015-03-04 | 杭州电子科技大学 | 一种结合权重因子与梯度制约的图像恢复方法 |
CN104766287A (zh) * | 2015-05-08 | 2015-07-08 | 哈尔滨工业大学 | 一种基于显著性检测的模糊图像盲复原方法 |
Non-Patent Citations (1)
Title |
---|
Image Blind Restoration Based on Blur Identification and Qualit Assessment of Restored Imagey;Yin Lei et al;《Proceedings of the 34th Chinese Control Conference》;20150730;第4693-4698页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105469413A (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408707B (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
CN110929566B (zh) | 基于可见光和近红外双目摄像头的人脸活体检测方法 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN105469413B (zh) | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 | |
CN101567044A (zh) | 一种人脸图像质量检测方法 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN107103298A (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN110135282B (zh) | 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法 | |
CN109559310A (zh) | 基于显著性检测的输变电巡检图像质量评价方法及系统 | |
CN108615226A (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN108052980A (zh) | 基于图像的空气质量等级检测方法 | |
CN104282003B (zh) | 一种基于梯度筛选的数字模糊图像盲复原方法 | |
CN113376172B (zh) | 一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法 | |
CN108710893A (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN101908153A (zh) | 低分辨率图像处理中的头部姿态估计的方法 | |
CN104182983B (zh) | 基于角点特征的高速公路监控视频清晰度的检测方法 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN106225681A (zh) | 一种大跨度桥梁健康状态监测装置 | |
CN106408526A (zh) | 一种基于多层矢量图的能见度检测方法 | |
CN103942531B (zh) | 一种人脸识别系统及其方法 | |
CN111507227A (zh) | 基于深度学习的多学生个体分割及状态自主识别方法 | |
CN109741285A (zh) | 一种水下图像数据集的构建方法及系统 | |
CN106934770A (zh) | 一种评价雾霾图像去雾效果的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |