CN106023150A - 一种针对数字全息图噪声干扰的实时客观质量评价方法 - Google Patents

Abstract

本发明涉及一种针对数字全息图噪声干扰的实时客观质量评价方法，属于全息图像质量评价技术领域。本发明提供了一种改进的基于人眼视觉特性中掩盖效应的噪声检测方法，应用于评价数字全息图的噪声干扰。该方法充分模拟了不同图像内容对人眼主观感受刺激的差异，取消了Hosaka分块对图像尺寸的限制，根据待评价图像的特点自动计算、动态设置分块阈值、检噪阈值，并进一步优化了噪声判别方式，增强了普适性、鲁棒性，在提高运算效率的同时可减少误检和漏检，适用于对各种噪声干扰、不同噪声强度下的图像进行评价，能更好的满足对数字全息图噪声干扰进行实时评价的需要。

Description

一种针对数字全息图噪声干扰的实时客观质量评价方法

技术领域

本发明属于全息图像质量评价技术领域，涉及一种针对数字全息图噪声干扰的实时客观质量评价方法。

背景技术

数字全息是近年来兴起的一种新型相干的光学测量技术。它利用高集成度、高精度的光敏电子成像器件,如电荷耦合元件(Charge-coupled Device,CCD)直接获取微米级的样本图像，具有全视场、非接触、无损伤、实时性和定量化的独特优势，在三维形貌测量、显微领域、粒子场分析与观测、防伪、生物医学等领域具有广泛的应用前景。

数字全息成像分为光学记录和数值再现两个过程，其中光学记录过程是由光源发出的光线照射到样本上，样本表面产生的散射光(即物光)和参考光在光敏电子成像器件表面发生干涉，产生全息图，其光强分布被其记录并保存到计算机中，其结果是一个数字矩阵，即数字全息图(Digital Hologram)。而数值再现过程是由计算机模拟光学全息的再现过程，通过数值计算，获得像光波场的复振幅分布，将所得强度分布及位相分布在显示器上显示出来，即可得到样本的形态结构图像(即再现像)。

在数字全息图的采集、存储、处理、传输、显示等过程中往往会产生不同程度的失真，比如不同类型的噪声污染，从而对其质量产生影响。同时，数字全息图的质量(即失真程度)将直接影响再现像的质量，失真严重时甚至无法得到再现像，导致基于再现像的检测、分析等进一步的应用无法开展。

此外，由于数字全息技术直接记录的是物光和参考光的干涉条纹，与观测者熟悉的样本形态结构图完全不同，因此人眼难以直观判断数字全息图的质量，往往需要借助数值再现过程，由观测者根据再现像中样本形态结构的完整性、清晰度评判其优劣。这种基于再现像间接评价数字全息图质量的方式显然费时费力。尤其是在生物医学这类需要获取活体样本如生物细胞的全息图的应用中，这一问题更为突出。生物细胞存在存活周期，需要在尽可能短的时间内获取到高质量的数字全息图以满足观测分析的需要。而需再现后方能评价数字全息图像质量的方式显然会浪费实验时间。此外，一旦再现后发现图像质量不佳,需重新拍摄全息图，可能细胞已经凋亡，又需重新培养细胞后才能再开展实验，无疑是耗时耗力耗成本。而且基于观测者的视觉观察评判图像质量，其准确性会也受到主观影响。

综上所述，直接针对数字全息图进行即时高效的客观质量评价是解决上述问题的有效途径，将能更好地确保全息图的可用性。

目前，常用的图像评价方法分为主观评价和客观评价两类：图像质量的主观评价是通过人眼直接观测图像，按照某种规定标准或图像样品，由人的主观感觉对图像的优劣做出评分，然后对评分进行统计平均得出评价结果。该方法存在着以下缺点：1)代价高、耗时长、过程繁琐冗长、实时性差；2)易受到外界与设备等客观因素影响；3)易受到观察者知识水平、兴趣、喜好等主观因素影响；4)无法应用数字模型描述，难以嵌入实际的数字图像处理系统等诸多难以克服的困难，导致主观评价方法的普遍应用受到了严重制约。图像质量的客观评价是根据给定的测量标准，对测量出的构成图像的有关物理特性参量进行评价。传统的客观图像质量评价方法往往使用均方差(Mean Squre Error,MSE)与峰值信噪比PSNR(Peak Signal to Noise Ratio,PSNR)作为衡量标准，但其仅考虑了图像间点对点的绝对误差，未考虑图像空域像素点之间的相关性与人类视觉系统的感知特性。这就导致在一些情况下与人主观感受效果不一致，不能反映图像的主观感知程度，有时甚至与人主观感受相悖。

近年来兴起的基于人眼视觉系统(Human Visual System，HVS)特性的客观评价方法，能够在很大程度上模拟人眼的主观评价感受。特别是视觉掩盖效应作为人眼视觉系统中的重要组成部分，非常适用于对图像噪声水平的检测。该方法能够将图像中不同区域对人眼的刺激程度进行等级区分，进而将不同区域的噪声赋予不同的权值，最后将整幅图像各部分的噪声评价结果进行汇总，得到最终的评价结果，在无参考信息的条件下能取得与主观较为一致的结果，优于传统的客观质量评价方法。现有的基于掩盖效应的噪声检测算法在划分区域(即分块)方面对图像尺寸有所限制，且往往需由操作者设置固定的分块阈值和检噪阈值，如设置不当，易出现分块过多、导致运算量大，以及噪声漏检、误检等问题，难以满足实时性应用的要求，且算法的普适性差，准确率也受到影响。

发明内容

有鉴于此，本发明的目的在于提供一种针对数字全息图噪声干扰的实时客观质量评价方法，该方法充分模拟了不同图像内容对人眼主观感受刺激的差异，取消了Hosaka分块对图像尺寸的限制，根据待评价图像的特点自动计算、动态设置分块阈值、检噪阈值，并进一步优化了噪声判别方式，增强了普适性、鲁棒性，在提高运算效率的同时可减少误检和漏检，适用于各种噪声类型、不同噪声强度下的图像进行评价，能更好的满足对数字全息图噪声干扰进行实时评价的需要。

为达到上述目的，本发明提供如下技术方案：

一种针对数字全息图噪声干扰的实时客观质量评价方法，该方法包括以下步骤：

S1：获取数字全息样本图像；

S2：针对样本图像进行灰度化处理，得到样本灰度图像；

S3：针对样本灰度图像进行分块预处理，设置图像的最小分块尺寸，结合图像尺寸与最小分块尺寸，计算分块进行的最多层级数；

S4：采用基于Hosaka分块原理的分块方法对样本灰度图像逐级计算分块阈值并分块；

S5：根据分块结果，由各子块图像尺寸计算得到各子块的噪声权值；

S6：计算样本灰度图像的平均梯度值，作为检噪阈值；

S7：根据检噪阈值，对各子块图像中噪声点进行判断，计算块内的噪声污染程度；

S8：汇总各子块的噪声污染程度并依次加权，得到样本图像的噪声污染程度；

S9：根据噪声污染程度，计算最终基于视觉掩盖效应的无参考图像信噪比。

进一步，所述步骤S3具体包括：设置图像分块的最小边长dim(单位为像素)，也即当所分子块的长或宽小于dim即停止分块，并根据下式，结合图像样本尺寸(M×N)计算出最高分块级数K_max：

K_max＝min(floor(log₂M-log₂dim),floor(log₂N-log₂dim))

其中floor表示对结果负向取整，舍弃小数部分；min表示对所包含元素取最小值。

进一步，所述步骤S4具体包括：在当前分块级数K未达到K_max时，逐级判断当前所得子块是否需要进行进一步分块；分块方法源于Hosaka分块(四叉树分块)，但不再要求图像的长和宽均为2的整数次方，适用于任意尺寸的图像，分块也不再受限于正方形；分块阈值选取能够反映图像成分频率高低的灰度值均方差；分块目的在于将整幅样本灰度图像逐级细分为高低频成分不同、对应尺寸不同的子块，以分块大小代表了子块图像的不同频率成分；其中分块尺寸越大表示块内频率成分越低，反之分块尺寸越小的表示块内频率成分越高。

进一步，所述步骤S4中，所述对样本灰度图像进行逐级分块，分别通过如下步骤获得：

步骤a、当K＝1时，即进行第一级分块时，直接将图像进行十字等分，即将长宽进行等分，分为四个子块；若边长存在奇数的情况，遵循上小下大，左小右大的原则，将图像的边分为相差1个像素点的两段；并对所分得的四个子块中的像素灰度值均方差采用以下公式进行计算，进一步求得四块的平均均方差，作为各子块进行下一级分块的分块阈值，并进入步骤b；对任意一图像子块f，其灰度值均方差公式为：

$MSE=\frac{{\mathrm{\Σ}}_{i=1}^m{\mathrm{\Σ}}_{j=1}^n{\left(f\right(i,j)-\stackrel{\‾}{f})}^2}{m\×n}$

其中，(i，j)为图像子块f中像素的行、列坐标；m、n分别为该图像子块的行、列像素数目，即图像块的大小，为该图像块的平均灰度值；

步骤b、当K>1时，即进行后续层级分块时，则计算当前待分子块的灰度值均方差，与上一级所得平均灰度值均方差进行对比，若小于则不再进一步分块，反之若大于则按照步骤a中所述规则对当前子块进行分块，并将所分子块的平均灰度值均方差作为下一级分块的分块阈值，直到分块进行至第K_max级。

进一步，所述步骤S5具体包括：对于步骤S4分块所得的子块，根据其各块尺寸，计算该子块中噪声污染对于整幅样本灰度图像的加权值λ_i；图像子块噪声加权值的计算方法是采用该子块较小边的边长，取其以2为底的对数，即

λ_i＝log₂(min(m,n))。

进一步，所述步骤S6具体包括：针对样本灰度图像，将其除边界外的所有像素点进行梯度值的计算，并对得到的所有梯度值求平均，得到整幅图像的平均梯度值，设为该图像的检噪阈值，用于后续的噪声检测；对于像素梯度值的计算，样本灰度图像中(除边界)的任一像素点都具有八邻域，存在四个方向梯度：横向梯度、纵向梯度、主对角线梯度、反对角线梯度；对于某一像素点任一方向上的方向梯度计算都遵循如下方法：首先将该像素点灰度值与其八邻域中该方向上两像素点(A、B)灰度值分别求差取绝对值后再求和，然后再将两像素点(A、B)灰度值求差取绝对值，最后将这两部分结果求差后再取绝对值即为该像素点在该方向上的方向梯度；取四个方向梯度中的最小值作为该像素点的梯度值。

进一步，所述步骤S7具体包括：根据步骤S6中所提出的像素点的四个方向梯度的计算方法，得到步骤S4所分各子块内像素点的梯度情况，统计其各点与检噪阈值之间的关系，进而对各子块内的噪声污染程度进行计算；

在步骤S7中，针对噪声点的判断方法，采用对于某一像素点，判断其四个方向梯度中值为0的个数；若像素点存在两个及以上的方向梯度值不为0，则该像素点为疑似噪声点；反之，则为非噪声点；对疑似噪声点作进一步判断，若其非零方向梯度值的最小值大于步骤S6所得检噪阈值，则确定该像素点为噪声点；

在步骤S7中，针对图像块中噪声污染程度的计算方法采用的是将块内所有噪声点的非零方向梯度值的最小值与检噪阈值分别求差再求和，其结果即为该图像块的噪声污染程度，记为Gi。

进一步，所述步骤S8具体包括：根据步骤S7所求各子块的噪声污染程度Gi以及步骤S5所求各子块的噪声加权值λ_i，将两者对应相乘求和再除以样本图像的总像素点数，得到整幅图像的噪声污染程度G，即：

$G=\frac{{\mathrm{\Σ\λ}}_i{G}_i}{M\×N}.$

进一步，所述步骤S9具体包括：根据步骤S8所得整幅图像的噪声污染程度G结合样本灰度图像的灰度级数l，求出最终结果—基于掩盖效应的无参考图像信噪比NRPSNR，计算公式如下：

$NRPSNR=10{\log }_{10}\left(\frac{l\×l}{G}\right).$

本发明的有益效果在于：本发明提供了一种改进的基于人眼视觉特性中掩盖效应的噪声检测方法，应用于评价数字全息图的噪声干扰。该方法充分模拟了不同图像内容对人眼主观感受刺激的差异，取消了Hosaka分块对图像尺寸的限制，根据待评价图像的特点自动计算、动态设置分块阈值、检噪阈值，并进一步优化了噪声判别方式，增强了普适性、鲁棒性，在提高运算效率的同时可减少误检和漏检，适用于各种噪声干扰、不同噪声强度下的图像进行评价，能更好的满足对数字全息图噪声干扰进行实时评价的需要。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为单个红细胞的全息图、再现像与显微镜图像对比示例；

图2为多个红细胞的全息图、再现像与显微镜图像对比示例；

图3为本发明所述方法的流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图3为本发明所述方法的流程示意图，如图所示，本发明提供的一种针对数字全息图噪声干扰的实时客观质量评价方法包括以下步骤：S1：获取数字全息样本图像；S2：针对样本图像进行灰度化处理，得到样本灰度图像；S3：针对样本灰度图像进行分块预处理，设置图像的最小分块尺寸，结合图像尺寸与最小分块尺寸，计算分块进行的最多层级数；S4：采用基于Hosaka分块原理的分块方法对样本灰度图像逐级计算分块阈值并分块；S5：根据分块结果，由各子块图像尺寸计算得到各子块的噪声权值；S6：计算样本灰度图像的平均梯度值，作为检噪阈值；S7：根据检噪阈值，对各子块图像中噪声点进行判断，计算块内的噪声污染程度；S8：汇总各子块的噪声污染程度并依次加权，得到样本图像的噪声污染程度；S9：根据噪声污染程度，计算最终基于视觉掩盖效应的无参考图像信噪比。

在本实施例中，所述步骤S3具体包括：设置图像分块的最小边长dim(单位为像素)，也即当所分子块的长或宽小于dim即停止分块，并根据下式，结合图像样本尺寸(M×N)计算出最高分块级数K_max：

K_max＝min(floor(log₂M-log₂dim),floor(log₂N-log₂dim))

其中floor表示对结果负向取整，舍弃小数部分；min表示对所包含元素取最小值。

所述步骤S4具体包括：在当前分块级数K未达到K_max时，逐级判断当前所得子块是否需要进行进一步分块；分块方法源于Hosaka分块(四叉树分块)，但不再要求图像的长和宽均为2的整数次方，适用于任意尺寸的图像，分块也不再受限于正方形；分块阈值选取能够反映图像成分频率高低的灰度值均方差；分块目的在于将整幅样本灰度图像逐级细分为高低频成分不同、对应尺寸不同的子块，以分块大小代表了子块图像的不同频率成分；其中分块尺寸越大表示块内频率成分越低，反之分块尺寸越小的表示块内频率成分越高。

所述步骤S4中，所述对样本灰度图像进行逐级分块，分别通过如下步骤获得：

步骤a、当K＝1时，即进行第一级分块时，直接将图像进行十字等分，即将长宽进行等分，分为四个子块；若边长存在奇数的情况，遵循上小下大，左小右大的原则，将图像的边分为相差1个像素点的两段；并对所分得的四个子块中的像素灰度值均方差采用以下公式进行计算，进一步求得四块的平均均方差，作为各子块进行下一级分块的分块阈值，并进入步骤b；对任意一图像子块f，其灰度值均方差公式为：

$MSE=\frac{{\mathrm{\Σ}}_{i=1}^m{\mathrm{\Σ}}_{j=1}^n{\left(f\right(i,j)-\stackrel{\‾}{f})}^2}{m\×n}$

其中，(i，j)为图像子块f中像素的行、列坐标；m、n分别为该图像子块的行、列像素数目，即图像块的大小，为该图像块的平均灰度值；

步骤b、当K>1时，即进行后续层级分块时，则计算当前待分子块的灰度值均方差，与上一级所得平均灰度值均方差进行对比，若小于则不再进一步分块，反之若大于则按照步骤a中所述规则对当前子块进行分块，并将所分子块的平均灰度值均方差作为下一级分块的分块阈值，直到分块进行至第K_max级。

所述步骤S5具体包括：对于步骤S4分块所得的子块，根据其各块尺寸，计算该子块中噪声污染对于整幅样本灰度图像的加权值λ_i；图像子块噪声加权值的计算方法是采用该子块较小边的边长，取其以2为底的对数，即

λ_i＝log₂(min(m,n))。

所述步骤S6具体包括：针对样本灰度图像，将其除边界外的所有像素点进行梯度值的计算，并对得到的所有梯度值求平均，得到整幅图像的平均梯度值，设为该图像的检噪阈值，用于后续的噪声检测；对于像素梯度值的计算，样本灰度图像中(除边界)的任一像素点都具有八邻域，存在四个方向梯度：横向梯度、纵向梯度、主对角线梯度、反对角线梯度；对于某一像素点任一方向上的方向梯度计算都遵循如下方法：首先将该像素点灰度值与其八邻域中该方向上两像素点(A、B)灰度值分别求差取绝对值后再求和，然后再将两像素点(A、B)灰度值求差取绝对值，最后将这两部分结果求差后再取绝对值即为该像素点在该方向上的方向梯度；取四个方向梯度中的最小值作为该像素点的梯度值。

所述步骤S7具体包括：根据步骤S6中所提出的像素点的四个方向梯度的计算方法，得到步骤S4所分各子块内像素点的梯度情况，统计其各点与检噪阈值之间的关系，进而对各子块内的噪声污染程度进行计算；

在步骤S7中，针对噪声点的判断方法，采用对于某一像素点，判断其四个方向梯度中值为0的个数；若像素点存在两个及以上的方向梯度值不为0，则该像素点为疑似噪声点；反之，则为非噪声点；对疑似噪声点作进一步判断，若其非零方向梯度值的最小值大于步骤S6所得检噪阈值，则确定该像素点为噪声点；

在步骤S7中，针对图像块中噪声污染程度的计算方法采用的是将块内所有噪声点的非零方向梯度值的最小值与检噪阈值分别求差再求和，其结果即为该图像块的噪声污染程度，记为Gi。

所述步骤S8具体包括：根据步骤S7所求各子块的噪声污染程度Gi以及步骤S5所求各子块的噪声加权值λ_i，将两者对应相乘求和再除以样本图像的总像素点数，得到整幅图像的噪声污染程度G，即：

$G=\frac{{\mathrm{\Σ\λ}}_i{G}_i}{M\×N}.$

所述步骤S9具体包括：根据步骤S8所得整幅图像的噪声污染程度G结合样本灰度图像的灰度级数l，求出最终结果—基于掩盖效应的无参考图像信噪比NRPSNR，计算公式如下：

$NRPSNR=10{\log }_{10}\left(\frac{l\×l}{G}\right).$

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (9)

1.一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：该方法包括以下步骤：

S1：获取数字全息样本图像；

S2：针对样本图像进行灰度化处理，得到样本灰度图像；

S3：针对样本灰度图像进行分块预处理，设置图像的最小分块尺寸，结合图像尺寸与最小分块尺寸，计算分块进行的最多层级数；

S4：采用基于Hosaka分块原理的分块方法对样本灰度图像逐级计算分块阈值并分块；

S5：根据分块结果，由各子块图像尺寸计算得到各子块的噪声权值；

S6：计算样本灰度图像的平均梯度值，作为检噪阈值；

S7：根据检噪阈值，对各子块图像中噪声点进行判断，计算块内的噪声污染程度；

S8：汇总各子块的噪声污染程度并依次加权，得到样本图像的噪声污染程度；

S9：根据噪声污染程度，计算最终基于视觉掩盖效应的无参考图像信噪比。

2.根据权利要求1所述的一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：所述步骤S3具体包括：设置图像分块的最小边长dim(单位为像素)，也即当所分子块的长或宽小于dim即停止分块，并根据下式，结合图像样本尺寸(M×N)计算出最高分块级数K_max：

K_max＝min(floor(log₂M-log₂dim),floor(log₂N-log₂dim))

其中floor表示对结果负向取整，舍弃小数部分；min表示对所包含元素取最小值。

3.根据权利要求1所述的一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：所述步骤S4具体包括：在当前分块级数K未达到K_max时，逐级判断当前所得子块是否需要进行进一步分块；分块方法源于Hosaka分块(四叉树分块)，但不再要求图像的长和宽均为2的整数次方，适用于任意尺寸的图像，分块也不再受限于正方形；分块阈值选取能够反映图像成分频率高低的灰度值均方差；分块目的在于将整幅样本灰度图像逐级细分为高低频成分不同、对应尺寸不同的子块，以分块大小代表了子块图像的不同频率成分；其中分块尺寸越大表示块内频率成分越低，反之分块尺寸越小的表示块内频率成分越高。

4.根据权利要求3所述的一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：所述步骤S4中，所述对样本灰度图像进行逐级分块，分别通过如下步骤获得：

步骤a、当K＝1时，即进行第一级分块时，直接将图像进行十字等分，即将长宽进行等分，分为四个子块；若边长存在奇数的情况，遵循上小下大，左小右大的原则，将图像的边分为相差1个像素点的两段；并对所分得的四个子块中的像素灰度值均方差采用以下公式进行计算，进一步求得四块的平均均方差，作为各子块进行下一级分块的分块阈值，并进入步骤b；对任意一图像子块f，其灰度值均方差公式为：

$MSE=\frac{{\mathrm{\Σ}}_{i=1}^m{\mathrm{\Σ}}_{j=1}^n{\left(f\right(i,j)-\stackrel{\‾}{f})}^2}{m\×n}$

其中，(i，j)为图像子块f中像素的行、列坐标；m、n分别为该图像子块的行、列像素数目，即图像块的大小，为该图像块的平均灰度值；

步骤b、当K>1时，即进行后续层级分块时，则计算当前待分子块的灰度值均方差，与上一级所得平均灰度值均方差进行对比，若小于则不再进一步分块，反之若大于则按照步骤a中所述规则对当前子块进行分块，并将所分子块的平均灰度值均方差作为下一级分块的分块阈值，直到分块进行至第K_max级。

5.根据权利要求1所述的一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：所述步骤S5具体包括：对于步骤S4分块所得的子块，根据其各块尺寸，计算该子块中噪声污染对于整幅样本灰度图像的加权值λ_i；图像子块噪声加权值的计算方法是采用该子块较小边的边长，取其以2为底的对数，即

λ_i＝log₂(min(m,n))。

6.根据权利要求1所述的一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：所述步骤S6具体包括：针对样本灰度图像，将其除边界外的所有像素点进行梯度值的计算，并对得到的所有梯度值求平均，得到整幅图像的平均梯度值，设为该图像的检噪阈值，用于后续的噪声检测；对于像素梯度值的计算，样本灰度图像中(除边界)的任一像素点都具有八邻域，存在四个方向梯度：横向梯度、纵向梯度、主对角线梯度、反对角线梯度；对于某一像素点任一方向上的方向梯度计算都遵循如下方法：首先将该像素点灰度值与其八邻域中该方向上两像素点(A、B)灰度值分别求差取绝对值后再求和，然后再将两像素点(A、B)灰度值求差取绝对值，最后将这两部分结果求差后再取绝对值即为该像素点在该方向上的方向梯度；取四个方向梯度中的最小值作为该像素点的梯度值。

7.根据权利要求6所述的一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：所述步骤S7具体包括：根据步骤S6中所提出的像素点的四个方向梯度的计算方法，得到步骤S4所分各子块内像素点的梯度情况，统计其各点与检噪阈值之间的关系，进而对各子块内的噪声污染程度进行计算；

在步骤S7中，针对噪声点的判断方法，采用对于某一像素点，判断其四个方向梯度中值为0的个数；若像素点存在两个及以上的方向梯度值不为0，则该像素点为疑似噪声点；反之，则为非噪声点；对疑似噪声点作进一步判断，若其非零方向梯度值的最小值大于步骤S6所得检噪阈值，则确定该像素点为噪声点；

在步骤S7中，针对图像块中噪声污染程度的计算方法采用的是将块内所有噪声点的非零方向梯度值的最小值与检噪阈值分别求差再求和，其结果即为该图像块的噪声污染程度，记为Gi。

8.根据权利要求7所述的一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：所述步骤S8具体包括：根据步骤S7所求各子块的噪声污染程度Gi以及步骤S5所求各子块的噪声加权值λ_i，将两者对应相乘求和再除以样本图像的总像素点数，得到整幅图像的噪声污染程度G，即：

$G=\frac{{\mathrm{\Σ\λ}}_i{G}_i}{M\×N}.$

9.根据权利要求7所述的一种针对数字全息图噪声干扰的实时客观质量评价方法，其特征在于：所述步骤S9具体包括：根据步骤S8所得整幅图像的噪声污染程度G结合样本灰度图像的灰度级数l，求出最终结果—基于掩盖效应的无参考图像信噪比NRPSNR，计算公式如下：

$NRPSNR=10{\log }_{10}\left(\frac{l\×l}{G}\right).$