CN106454328B - 影像质量等级预测方法及系统 - Google Patents
影像质量等级预测方法及系统 Download PDFInfo
- Publication number
- CN106454328B CN106454328B CN201610922151.1A CN201610922151A CN106454328B CN 106454328 B CN106454328 B CN 106454328B CN 201610922151 A CN201610922151 A CN 201610922151A CN 106454328 B CN106454328 B CN 106454328B
- Authority
- CN
- China
- Prior art keywords
- specific
- image
- values
- niirs
- iqm
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种影像质量等级预测方法和系统,其方法包括:选取多张特定影像,计算所选取的每一张特定影像的第一IQM值,并根据第一IQM值确定特定影像的特定NIIRS值;根据计算得到的第一IQM值及特定NIIRS值,按照影像质量等级预测公式进行拟合,确定影像质量等级预测公式中的系数a和b;影像质量等级预测公式为:NIIRS=a·log10*IQM+b;计算待评测影像的第二IQM值;将第二IQM值代入确定的影像质量等级预测公式中,计算获取待评测影像的NIIRS值。其通过将IQM与NIIRS相结合,并根据IQM对传统的NIIRS判据内容进行优化,有效提高了影像质量等级评价结果的准确性和一致性。
Description
技术领域
本发明涉及遥感影像质量评测技术领域,具体涉及一种影像质量等级预测方法及系统。
背景技术
影像质量评价是一个复杂的过程,传统的对影像质量评价通常是基于影像的比例尺、分辨率、信噪比和MTF(Modulation Transfer Function,调制传递函数)等参数来实现。但是,上述评价参数具有一定的局限性,其不能根据用户对于影像质量的需求进行适应性调整。基于此,国外对影像质量评价进行了深入研究,建立了基于应用的遥感影像质量分级标准NIIRS(National Image Interpretation Rating Scale,美国国家图像解译度分级标准)。
但是,上述基于应用的遥感影像质量分级标准是一种定量的主观图像质量评价标准,其将图像质量同用户任务要求联系起来,其对影像NIIRS等级的确定需要由人工主观评判来完成。即,由图像分析人员根据NIIRS判据内容确定每张待评测影像的NIIRS等级。由于图像分析人员自身经验水平的差异,这就使得直接根据NIIRS判据内容进行主观判定的方式不能有效保证判定结果的准确性和一致性。并且,目前所采用的NIIRS判据内容只有整数等级,其判据内容较为粗糙,这就很容易造成质量明显不一样的两张影像的最终NIIRS等级相同,从而进一步降低了待评测影像质量等级判定结果的准确度。
发明内容
基于上述传统的影像质量等级评价方式不能有效保证待评测影像的质量等级评价结果的准确度,本发明实施例提供一种影像质量等级预测方法和系统,以有效提高影像质量等级评价结果的准确度。
本发明提供的一种影像质量等级预测方法,其特征在于,包括:
选取多张特定影像,计算所选取的每一张所述特定影像的第一IQM值,并根据所述第一IQM值确定每一张所述特定影像的特定NIIRS值;
根据计算得到的所述第一IQM值及所述特定NIIRS值,按照影像质量等级预测公式进行拟合,确定所述影像质量等级预测公式中的系数a和b;其中,所述影像质量等级预测公式为:NIIRS=a·log10*IQM+b;
计算待评测影像的第二IQM值;
将计算得到的所述第二IQM值代入所确定的所述影像质量等级预测公式中,计算获取所述待评测影像的NIIRS值;
其中,所述特定影像为能够用以进行NIIRS主观实验的影像数据。
在其中一个实施例中,所述计算所选取的每一张所述特定影像的第一IQM值,包括如下步骤:
按照固定大小将所述特定影像进行分块,获取多个子影像;
分别计算每个所述子影像的第三IQM值;
根据公式:对每个所述子影像的第三IQM值进行加权计算,获取所述特定影像的第一IQM值IQM;
其中,Num为所述特定影像的分块总数目,IQMi为第i块子影像的第三IQM值,Li·Li为第i块子影像的大小,M·N为所述特定影像的大小。
在其中一个实施例中,所述根据所述第一IQM值确定所述特定影像的特定NIIRS值,包括如下步骤:
根据所述第一IQM值对多张所述特定影像进行排序;其中,所述特定影像的序列表明所述特定影像的质量好坏顺序;
根据所述特定影像的序列,并结合每张所述特定影像的所述第一IQM值确定每一张所述特定影像的等级;
根据国际标准NIIRS判据内容,确定多张所述特定影像中处于序列两端的第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值;
根据所述第一特定影像的特定NIIRS值和所述第二特定影像的特定NIIRS值确定处于所述第一特定影像与所述第二特定影像之间的其他特定影像的特定NIIRS值。
在其中一个实施例中,所述根据计算得到的所述第一IQM值及所述特定NIIRS值,按照影像质量等级预测公式进行拟合,确定所述影像质量等级预测公式中的系数a和b,包括:
将多张所述特定影像分为第一组特定影像和第二组特定影像;
利用所述第一组特定影像中每张特定影像的第一IQM值和特定NIIRS值,按照所述影像质量等级预测公式拟合,得到所述影像质量等级预测公式中的系数a和b。
在其中一个实施例中,所述根据计算得到的所述第一IQM值及所述特定NIIRS值,按照影像质量等级预测公式进行拟合,确定所述影像质量等级预测公式中的系数a和b,还包括:
根据所述第二组特定影像中每张特定影像的第一IQM值,按照拟合得到的所述影像等级预测公式计算获取所述第二组特定影像中每张特定影像的特定NIIRS计算值;
将所述特定NIIRS计算值与确定的所述特定NIIRS值进行比较,确定拟合得到的所述影像质量等级预测公式的可靠性。
相应的,本发明还提供了一种影像质量等级预测系统,包括IQM值计算模块、特定NIIRS值确定模块、公式系数确定模块和NIIRS值计算模块;
所述IQM值计算模块,用于计算所选取的多张特定影像中,每一张所述特定影像的第一IQM值;
所述特定NIIRS值确定模块,用于根据所述第一IQM值确定每一张所述特定影像的特定NIIRS值;
所述公式系数确定模块,用于根据计算得到的所述第一IQM值及所述特定NIIRS值,按照影像质量等级预测公式进行拟合,确定所述影像质量等级预测公式中的系数a和b;其中,所述影像质量等级预测公式为:NIIRS=a·log10*IQM+b;
所述IQM值计算模块,还用于计算待评测影像的第二IQM值;
所述NIIRS值计算模块,用于将所述第二IQM值代入所述公式系数确定模块确定的所述影像质量等级预测公式中,计算获取所述待评测影像的NIIRS值;
其中,所述特定影像为能够用以进行NIIRS主观实验的影像数据。
在其中一个实施例中,所述IQM值计算模块包括分块子模块、第三IQM值计算子模块和加权计算子模块;
所述分块子模块,用于按照固定大小将所述特定影像进行分块,获取多个子影像;
所述第三IQM值计算子模块,用于计算每个所述子影像的第三IQM值;
所述加权计算子模块,用于根据公式:对每个所述子影像的第三IQM值进行加权计算,获取所述特定影像的第一IQM值IQM;
其中,Num为所述特定影像的分块总数目,IQMi为第i块子影像的第三IQM值,Li·Li为第i块子影像的大小,M·N为所述特定影像的大小。
在其中一个实施例中,所述特定NIIRS值确定模块包括排序子模块、等级确定子模块、特定NIIRS值确定子模块;
所述排序子模块,用于根据所述第一IQM值对多张所述特定影像进行排序;其中,所述特定影像的序列表明所述特定影像的质量好坏顺序;
所述等级确定子模块,用于根据所述特定影像的序列,并结合每张所述特定影像的所述第一IQM值确定每一张所述特定影像的等级;
所述特定NIIRS值确定子模块,用于根据国际标准NIIRS判据内容,确定多张所述特定影像中处于序列两端的第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值;
所述特定NIIRS值确定子模块,还用于根据所述第一特定影像的特定NIIRS值和所述第二特定影像的特定NIIRS值确定处于所述第一特定影像与所述第二特定影像之间的其他特定影像的特定NIIRS值。
在其中一个实施例中,所述公式系数确定模块包括分组子模块和拟合子模块;
所述分组子模块,用于将多张所述特定影像分为第一组特定影像和第二组特定影像;
所述拟合子模块,用于利用所述第一组特定影像中每张特定影像的第一IQM值和特定NIIRS值,按照所述影像质量等级预测公式拟合,得到所述影像质量等级预测公式中的系数a和b。
在其中一个实施例中,所述公式系数确定模块还包括验证子模块;
所述验证子模块,用于根据所述第二组特定影像中每张特定影像的第一IQM值,按照拟合得到的所述影像等级预测公式计算获取所述第二组特定影像中每张特定影像的特定NIIRS计算值;
所述验证子模块,还用于将所述特定NIIRS计算值与确定的所述特定NIIRS值进行比较,确定拟合得到的所述影像质量等级预测公式的可靠性。
本发明的有益效果
采用上述技术方案,本发明至少可取得下述技术效果:
本发明所提供的的影像质量等级预测方法,其通过将基于信息度量的影像质量评定模型(即,IQM,Image Quality Model,影像质量模型)与定量的主观图像质量评价标准(即,NIIRS)相结合,按照拟合确定的影像质量等级预测公式进行影像质量等级的预测,有效避免了传统的主观图像质量评价标准中完全由图像分析人员根据其自身经验进行主观评判的现象,使得对影像质量等级的评判更加客观化,这也就有效提高了影像质量等级评价结果的准确性和一致性。
同时,其还根据影像质量评定模型对传统的主观图像质量评价标准中的NIIRS判据内容进行优化,使得优化后的NIIRS判据内容更加精确和细化,从而也就有效解决了传统的NIIRS判据内容较为粗糙容易导致评价结果准确度低的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是本实施例所述的影像质量等级预测方法的流程图;
图2是本实施例所述的影像质量等级预测方法中计算每一张特定影像的第一IQM值的流程图;
图3是本实施例所述的影像质量等级预测方法中确定特定影像的特定NIIRS值的流程图;
图4是本实施例所述的影像质量等级预测系统的结构示意图;
图5是本实施例所述的影像质量等级预测系统中IQM值计算模块的结构示意图;
图6是本实施例所述的影像质量等级预测系统中特定NIIRS值确定模块的结构示意图。
贯穿附图,应该注意的是,相似的标号用于描绘相同或相似的元件、特征和结构。
具体实施方式
提供以下参照附图的描述来帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。以下描述包括帮助理解的各种具体细节,但是这些细节将被视为仅是示例性的。因此,本领域普通技术人员将认识到,在不脱离本公开的范围和精神的情况下,可对本文所述的各种实施例进行各种改变和修改。另外,为了清晰和简洁,公知功能和构造的描述可被省略。
以下描述和权利要求书中所使用的术语和词汇不限于文献含义,而是仅由发明人用来使本公开能够被清晰和一致地理解。因此,对于本领域技术人员而言应该明显的是,提供以下对本公开的各种实施例的描述仅是为了示例性目的,而非限制由所附权利要求及其等同物限定的本公开的目的。
应该理解,除非上下文明确另外指示,否则单数形式也包括复数指代。因此,例如,对“组件表面”的引用包括对一个或更多个这样的表面的引用。
图1是本实施例所述的影像质量等级预测方法的流程图。
其中,需要说明的是,由于本发明提供的影像质量等级预测方法进行待评测影像的质量等级预测时,其具体是根据拟合确定的影像质量等级预测公式NIIRS=a·log10*IQM+b来进行的。因此,在进行待评测影像的质量等级预测时,首先需要确定影像质量等级预测公式。
参考图1,本实施例所述的影像质量等级预测方法中,其进行影像质量等级预测公式的拟合确定具体包括如下步骤:
步骤S100,选取多张特定影像。此处,需要说明的是,所选取的特定影像指的是能够用以进行NIIRS主观实验的影像数据。其具体可根据公布的不同载荷的NIIRS判据内容及类别来进行选取。如:根据公布的可见光NIIRS判据内容,所选定的影像必须是包含军用飞机场或军用海港或某个地区的大型建筑或雷达站或陆军训练场或导弹训练场这些内容的影像。同时,本领域技术人员可以理解的是,不同载荷的NIIRS判据内容还可为红外NIIRS判据内容等,此处不再进行一一列举。
当选取多张特定影像后,即可通过步骤S200,计算所选取的每一张特定影像的第一IQM值,并根据第一IQM值确定特定影像的特定NIIRS值。此处,需要指出的是,其计算所选取的每一张特定影像的第一IQM值采用加权计算方式来实现。这是由于传统的计算IQM方式通常是采用由美国METER实验室给出的用FORTRAN语言编写的IQM软件,而这款IQM软件只能计算较小影响的IQM值,对于目前的遥感影像,基本上不可用。因此,当待评测影像为遥感影像时,为了保证能够准确且顺利计算出待评测影像的IQM值,在本实施例中采用加权计算方法。
具体的,参见图2,采用加权计算IQM值的过程包括:首先,采用步骤S210,按照固定大小将特定影像进行分块,获取多个子影像。即,对一张遥感影像,以固定大小(L×L)对其进行分块。其中,L为2的整数次幂,且适应电脑内存大小,对边缘剩余不足L×L大小的子影像补0,使其行列大小满足2的整数次幂。
进而,再通过步骤S220,计算每个子影像的第三IQM值,记为IQMi。其中,每个子影像的第三IQM值IQMi的计算公式如下所示:
其中,是子影像中的像元数(即,子影像大小为Li*Li),S(θ)是比例系数,W(ρ)是修正维纳滤波器,A2(Tρ)是人类视觉系统(HVS)MTF的平方,P(ρ,θ)是二维的功率谱。
比例系数定义为:其中,f是焦距,D是传感器到地面的距离,q是像素宽度。S(θ1)的单位是周/地面米。
修正维纳滤波器定义为:其中,α是平均脉冲宽度的倒数,是景物方差(比特/像素),ρ是角空间频率(周/像素),为在奈奎斯特频率处调制度为20%的高斯MTF的方差,π是噪声功率谱,k1和k2是两个经验常数,对于嘈杂影像,k1和k2分别为51.2和1.5,对于一个滤除了噪声的影像,k1和k2分别为19.2和1.5。
人类视觉系统的MTF定义为:A(Tρ)=(0.2+0.45Tρ)exp(-0.18Tρ)。其中,常数T代表人类视觉系统MTF的标准峰值空间频率(归一化到影像奈奎斯特频率),ρ的量纲是周/像素宽度,Tρ的量纲是周/度张角,A(Tρ)的峰值发生在5.11周/度。为了联系影像的显示,我们将人类视觉系统MTF的峰值设定在显示奈奎斯特频率(0.5周/每像素)的20%,因此,T的值为51.1。
二维功率谱定义为:其中,P(ρ,θ)是极坐标形式的二维功率谱,μ2是影像平均灰度水平的平方(直流功率),M2是影像中的像素数,u、v是输入影像的空间频率分量。由于二维功率谱是圆对称的,将对应径向频带内的能量进行平均就可以产生一个一维的功率谱。功率集中到了1/64周/像素宽度的带宽内。
进而,再执行步骤S230,计算整幅特定影像的第一IQM值。即,特定影像最终的第一IQM值按如下加权方式计算:其中,Num为特定影像的分块总数目,IQMi为特定影像中第i块子影像的第三IQM值,Li·Li为第i块子影像的大小,M·N为特定影像的原始大小。
当通过上述步骤计算得到特定影像的第一IQM值后,由于在本实施例中进行待评测影像的NIIRS值的确定时是根据影像质量等级预测公式:NIIRS=a·log10*IQM+b来实现的。因此,还需要确定该公式中的系数a和b。其中,在本实施例中,其确定系数a和b则是通过对特定影像进行间接NIIRS主观评判来实现的。
具体的,参见图3,首先,通过执行步骤S240,根据第一IQM值对多张特定影像进行排序。其中,特定影像的序列表明特定影像的质量好坏顺序。即,IQM值越大,表明影像质量越好,反之,IQM值越小,表明影像质量越差。
当排完序后,再通过步骤S250,根据特定影像的序列,并结合每张特定影像的第一IQM值确定每一张特定影像的等级。此处,需要说明的是,在影像排序结果的基础上,结合第一IQM值对特定影像进行等级确定时,所确定的等级包括特好、好、一般、差、特差5个等级。
然后,再执行步骤S260,根据国际标准NIIRS判据内容,确定多张特定影像中处于序列两端的第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值;同时,根据第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值确定处于第一特定影像与第二特定影像之间的其他特定影像的特定NIIRS值。即,根据NIIRS判据,由若干名有丰富判图经验的图像分析人员根据判据内容共同对特好和特差影像确定NIIRS值。
其中,应当指出的是,根据第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值确定处于第一特定影像与第二特定影像之间的其他特定影像的特定NIIRS值时,优选为均匀确定。例如,特好等级影像的NIIRS值被确定为3,特差等级影像的NIIRS值被确定为2。则好等级影像的NIIRS值为2.75,一般等级影像NIIRS值为2.5,差等级影像NIIRS值为2.25。
由此,其通过采用上述步骤进行特定影像的特定NIIRS值的确定,使得最终所确定的NIIRS判据内容不仅仅具有整数级,同时还能够实现小数级的确定,从而达到了细化NIIRS判据内容的目的,有效提高了NIIRS判据内容的精确度。
参见图1,当通过主观评判确定特定影像的特定NIIRS值之后,即可通过步骤S300,根据计算得到的第一IQM值及特定NIIRS值,按照影像质量等级预测公式进行拟合,确定影像质量等级预测公式中的系数a和b。其中,根据前面所述,影像质量等级预测公式为:NIIRS=a·log10*IQM+b。
在本实施例中,其根据计算得到的第一IQM值及特定NIIRS值,确定影像质量等级预测公式中的系数a和b,具体为利用特定影像的IQM和NIIRS进行NIIRS公式预测。
具体的,将选取的特定影像分为两组,分别为第一组特定影像和第二组特定影像。相应的,多张特定影像的第一IQM值及确定的特定NIIRS值也相应分为两组。此处,需要说明的是,其对多张特定影像进行分组时,可根据特定影像的排列顺序进行划分,如:位于奇数位置处的特定影像可为第一组特定影像,位于偶数处的特定影像可为第二组特定影像。另外,也可直接将位于排列序列前半段的作为第一组特定影像,后半段的作为第二组特定影像。其中,为了保证拟合出的系数a和b的准确性,优选的,以奇数位置和偶数位置作为划分标准进行分组。
然后,利用第一组特定影像的第一IQM值和NIIRS主观评判结果(即,特定NIIRS值),进行NIIRS公式预测。优选的,当通过NIIRS公式预测获取最终的影像质量等级预测公式后,为了保证预测得到的公式的可靠性,其还利用预测的公式对第二组特定影像计算其特定NIIRS计算值,通过比较主观确定的特定NIIRS值和计算得来的特定NIIRS计算值,验证预测公式的可靠性。
更为具体的,其利用第一组特定影像的第一IQM值和NIIRS主观评判结果(即,特定NIIRS值),进行NIIRS公式预测时,可采用回归分析的方式。即,利用第一组特定影像的第一IQM值和特定NIIRS值,按照NIIRS=a·log10*IQM+b公式拟合得到系数a、b,即可得到NIIRS的预测公式。
然后,再利用预测的NIIRS公式对第二组特定影像根据第一IQM值计算特定NIIRS计算值,通过比较主观评判确定的特定NIIRS值和计算得来的特定NIIRS计算值,得到两者之间的误差,以此来验证预测公式的可靠性。
此处,需要说明的是,其在根据主观评判确定的特定NIIRS值和计算得来的特定NIIRS计算值来验证预测公式的可靠性时,具体可通过两者之间的误差来进行验证。当误差小于预设误差时,可确定预测公式为可靠性。当误差大于或等于预设误差时,则确定预测公式的可靠性较低,因此通过重新执行上述步骤S100至步骤S300,重新进行预测公式的拟合。本领域技术人员可以理解的是,预设误差的取值可根据实际情况进行自由设置。
进而,参见图1,待拟合出最终的影像质量等级预测公式,并验证其可靠性之后,即可进行待评测影像的质量等级预测。其中,在根据拟合确定的影像质量等级预测公式进行待评测影像的质量等级预测时,首先通过步骤S400,计算待评测影像的第二IQM值。此处,需要说明的是,为了提高本发明的影像质量等级预测方法的适用性,使其能够进行任意大小的影像的预测,其计算待评测影像的第二IQM值时同样采用前面所述的加权计算方法。此处不再进行赘述。
进而再通过步骤S500,将计算得到的第二IQM值代入确定的影像质量等级预测公式中,计算获取待评测影像的NIIRS值,从而最终完成对待评测影像的质量等级的预测。
相应的,基于同一发明构思,本发明还提供了一种影像质量等级预测系统。由于本发明提供的影像质量等级预测系统的工作原理与本发明提供的影像质量等级预测方法的原理相同或相似,因此重复指出不再赘述。
参见图4,作为本发明提供的影像质量等级预测系统的一具体实施例,其包括IQM值计算模块、特定NIIRS值确定模块、公式系数确定模块和NIIRS值计算模块。其中,IQM值计算模块,用于计算所选取的多张特定影像中,每一张特定影像的第一IQM值。特定NIIRS值确定模块,用于根据第一IQM值确定特定影像的特定NIIRS值。公式系数确定模块,用于根据计算得到的第一IQM值及特定NIIRS值,按照影像质量等级预测公式进行拟合,确定影像质量等级预测公式中的系数a和b;其中,影像质量等级预测公式为:NIIRS=a·log10*IQM+b。IQM值计算模块,还用于计算待评测影像的第二IQM值。NIIRS值计算模块,用于将计算得到的第二IQM值代入公式系数确定模块确定的影像质量等级预测公式中,计算获取待评测影像的NIIRS值。其中,特定影像为能够用以进行NIIRS主观实验的影像数据。
参见图5,在本发明的影像质量等级预测系统的实施例中,IQM值计算模块包括分块子模块、第三IQM值计算子模块和加权计算子模块。其中,分块子模块,用于按照固定大小将特定影像进行分块,获取多个子影像。第三IQM值计算子模块,用于计算每个子影像的第三IQM值。加权计算子模块,用于根据公式:对每个子影像的第三IQM值进行加权计算,获取特定影像的第一IQM值IQM。其中,Num为特定影像的分块总数目,IQMi为第i块子影像的第三IQM值,Li·Li为第i块子影像的大小,M·N为特定影像的大小。
进一步的,参见图6,特定NIIRS值确定模块包括排序子模块、等级确定子模块、特定NIIRS值确定子模块。其中,排序子模块,用于根据第一IQM值对多张特定影像进行排序;其中,特定影像的序列表明特定影像的质量好坏顺序。等级确定子模块,用于根据特定影像的序列,并结合每张特定影像的第一IQM值确定每一张特定影像的等级。特定NIIRS值确定子模块,用于根据国际标准NIIRS判据内容,确定多张特定影像中处于序列两端的第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值。特定NIIRS值确定子模块,还用于根据第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值确定处于第一特定影像与第二特定影像之间的其他特定影像的特定NIIRS值。
另外,还需要说明的是,公式系数确定模块包括分组子模块和拟合子模块(图中未示出)。其中,分组子模块,用于将多张特定影像分为第一组特定影像和第二组特定影像。拟合子模块,用于利用第一组特定影像中每张特定影像的第一IQM值和特定NIIRS值,按照影像质量等级预测公式拟合得到系数a和b。
优选的,公式系数确定模块还包括验证子模块。其中,验证子模块,用于根据第二组特定影像中每张特定影像的第一IQM值,按照拟合得到的影像等级预测公式计算获取第二组特定影像中每张特定影像的特定NIIRS计算值。同时,验证子模块,还用于将特定NIIRS计算值与确定的特定NIIRS值进行比较,确定拟合得到的影像质量等级预测公式的可靠性。
应该注意的是,如上所述的本公开的各种实施例通常在一定程度上涉及输入数据的处理和输出数据的生成。此输入数据处理和输出数据生成可在硬件或者与硬件结合的软件中实现。例如,可在移动装置或者相似或相关的电路中采用特定电子组件以用于实现与如上所述本公开的各种实施例关联的功能。另选地,依据所存储的指令来操作的一个或更多个处理器可实现与如上所述本公开的各种实施例关联的功能。如果是这样,则这些指令可被存储在一个或更多个非暂时性处理器可读介质上,这是在本公开的范围内。处理器可读介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光学数据存储装置。另外,用于实现本公开的功能计算机程序、指令和指令段可由本公开所属领域的程序员容易地解释。
尽管已参照本公开的各种实施例示出并描述了本公开,但是本领域技术人员将理解,在不脱离由所附权利要求及其等同物限定的本公开的精神和范围的情况下,可对其进行形式和细节上的各种改变。
Claims (8)
1.一种影像质量等级预测方法,其特征在于,包括:
选取多张特定影像,计算所选取的每一张所述特定影像的第一IQM值,并根据所述第一IQM值确定每一张所述特定影像的特定NIIRS值;
根据计算得到的所述第一IQM值及所述特定NIIRS值,按照影像质量等级预测公式进行拟合,确定所述影像质量等级预测公式中的系数a和b;其中,所述影像质量等级预测公式为:NIIRS=a·log10*IQM+b;
计算待评测影像的第二IQM值;
将计算得到的所述第二IQM值代入所确定的所述影像质量等级预测公式中,计算获取所述待评测影像的NIIRS值;
其中,所述特定影像为能够用以进行NIIRS主观实验的影像数据;
所述根据所述第一IQM值确定所述特定影像的特定NIIRS值,包括如下步骤:
根据所述第一IQM值对多张所述特定影像进行排序;其中,所述特定影像的序列表明所述特定影像的质量好坏顺序;
根据所述特定影像的序列,并结合每张所述特定影像的所述第一IQM值确定每一张所述特定影像的等级;
根据国际标准NIIRS判据内容,确定多张所述特定影像中处于序列两端的第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值;
根据所述第一特定影像的特定NIIRS值和所述第二特定影像的特定NIIRS值确定处于所述第一特定影像与所述第二特定影像之间的其他特定影像的特定NIIRS值。
2.如权利要求1所述的方法,其特征在于,所述计算所选取的每一张所述特定影像的第一IQM值,包括如下步骤:
按照固定大小将所述特定影像进行分块,获取多个子影像;
分别计算每个所述子影像的第三IQM值;
根据公式:对每个所述子影像的第三IQM值进行加权计算,获取所述特定影像的第一IQM值IQM;
其中,Num为所述特定影像的分块总数目,IQMi为第i块子影像的第三IQM值,Li·Li为第i块子影像的大小,M·N为所述特定影像的大小。
3.如权利要求1所述的方法,其特征在于,所述根据计算得到的所述第一IQM值及所述特定NIIRS值,按照影像质量等级预测公式进行拟合,确定所述影像质量等级预测公式中的系数a和b,包括:
将多张所述特定影像分为第一组特定影像和第二组特定影像;
利用所述第一组特定影像中每张特定影像的第一IQM值和特定NIIRS值,按照所述影像质量等级预测公式拟合,得到所述影像质量等级预测公式中的系数a和b。
4.如权利要求3所述的方法,其特征在于,所述根据计算得到的所述第一IQM值及所述特定NIIRS值,按照影像质量等级预测公式进行拟合,确定所述影像质量等级预测公式中的系数a和b,还包括:
根据所述第二组特定影像中每张特定影像的第一IQM值,按照拟合得到的所述影像等级预测公式计算获取所述第二组特定影像中每张特定影像的特定NIIRS计算值;
将所述特定NIIRS计算值与确定的所述特定NIIRS值进行比较,确定拟合得到的所述影像质量等级预测公式的可靠性。
5.一种影像质量等级预测系统,其特征在于,包括IQM值计算模块、特定NIIRS值确定模块、公式系数确定模块和NIIRS值计算模块;
所述IQM值计算模块,用于计算所选取的多张特定影像中,每一张所述特定影像的第一IQM值;
所述特定NIIRS值确定模块,用于根据所述第一IQM值确定每一张所述特定影像的特定NIIRS值,包括排序子模块、等级确定子模块、特定NIIRS值确定子模块,所述排序子模块用于根据所述第一IQM值对多张所述特定影像进行排序;其中,所述特定影像的序列表明所述特定影像的质量好坏顺序;所述等级确定子模块用于根据所述特定影像的序列,并结合每张所述特定影像的所述第一IQM值确定每一张所述特定影像的等级;所述特定NIIRS值确定子模块用于根据国际标准NIIRS判据内容,确定多张所述特定影像中处于序列两端的第一特定影像的特定NIIRS值和第二特定影像的特定NIIRS值,还用于根据所述第一特定影像的特定NIIRS值和所述第二特定影像的特定NIIRS值确定处于所述第一特定影像与所述第二特定影像之间的其他特定影像的特定NIIRS值;
所述公式系数确定模块,用于根据计算得到的所述第一IQM值及所述特定NIIRS值,按照影像质量等级预测公式进行拟合,确定所述影像质量等级预测公式中的系数a和b;其中,所述影像质量等级预测公式为:NIIRS=a·log10*IQM+b;
所述IQM值计算模块,还用于计算待评测影像的第二IQM值;
所述NIIRS值计算模块,用于将所述第二IQM值代入所述公式系数确定模块确定的所述影像质量等级预测公式中,计算获取所述待评测影像的NIIRS值;
其中,所述特定影像为能够用以进行NIIRS主观实验的影像数据。
6.如权利要求5所述的系统,其特征在于,所述IQM值计算模块包括分块子模块、第三IQM值计算子模块和加权计算子模块;
所述分块子模块,用于按照固定大小将所述特定影像进行分块,获取多个子影像;
所述第三IQM值计算子模块,用于计算每个所述子影像的第三IQM值;
所述加权计算子模块,用于根据公式:
对每个所述子影像的第三IQM值进行加权计算,获取所述特定影像的第一IQM值IQM;
其中,Num为所述特定影像的分块总数目,IQMi为第i块子影像的第三IQM值,Li·Li为第i块子影像的大小,M·N为所述特定影像的大小。
7.如权利要求5所述的系统,其特征在于,所述公式系数确定模块包括分组子模块和拟合子模块;
所述分组子模块,用于将多张所述特定影像分为第一组特定影像和第二组特定影像;
所述拟合子模块,用于利用所述第一组特定影像中每张特定影像的第一IQM值和特定NIIRS值,按照所述影像质量等级预测公式拟合,得到所述影像质量等级预测公式中的系数a和b。
8.如权利要求7所述的系统,其特征在于,所述公式系数确定模块还包括验证子模块;
所述验证子模块,用于根据所述第二组特定影像中每张特定影像的第一IQM值,按照拟合得到的所述影像等级预测公式计算获取所述第二组特定影像中每张特定影像的特定NIIRS计算值;
所述验证子模块,还用于将所述特定NIIRS计算值与确定的所述特定NIIRS值进行比较,确定拟合得到的所述影像质量等级预测公式的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610922151.1A CN106454328B (zh) | 2016-10-21 | 2016-10-21 | 影像质量等级预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610922151.1A CN106454328B (zh) | 2016-10-21 | 2016-10-21 | 影像质量等级预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106454328A CN106454328A (zh) | 2017-02-22 |
CN106454328B true CN106454328B (zh) | 2018-10-30 |
Family
ID=58176978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610922151.1A Active CN106454328B (zh) | 2016-10-21 | 2016-10-21 | 影像质量等级预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106454328B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064450A (zh) * | 2018-07-06 | 2018-12-21 | 航天星图科技(北京)有限公司 | 一种面向高分辨率卫星影像的niirs评判方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9396531B2 (en) * | 2013-12-23 | 2016-07-19 | Tufts University | Systems and methods for image and video signal measurement |
CN105260714B (zh) * | 2015-10-10 | 2018-09-28 | 中国资源卫星应用中心 | 一种可见光遥感图像信息提取性能变化检测方法 |
CN105787982B (zh) * | 2016-02-29 | 2018-11-09 | 腾讯科技(北京)有限公司 | 一种制作电子书的方法和装置 |
-
2016
- 2016-10-21 CN CN201610922151.1A patent/CN106454328B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106454328A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Berman et al. | Air-light estimation using haze-lines | |
Hassen et al. | Image sharpness assessment based on local phase coherence | |
US11308710B2 (en) | Polygonal region detection | |
CN104834933B (zh) | 一种图像显著性区域的检测方法和装置 | |
CN104902267B (zh) | 一种基于梯度信息的无参考图像质量评价方法 | |
Cavalcante et al. | Measuring streetscape complexity based on the statistics of local contrast and spatial frequency | |
EP2767933A2 (en) | Method and system for edge detection | |
US8396285B2 (en) | Estimating vanishing points in images | |
CN104751147A (zh) | 一种图像识别方法 | |
CN103164687B (zh) | 一种色情图像侦测的方法和系统 | |
CN104866868A (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN104657709B (zh) | 人脸图像识别方法、装置及服务器 | |
CN111091147B (zh) | 一种图像分类方法、装置及设备 | |
CN105740868B (zh) | 一种基于圆形算子的图像边缘提取方法和装置 | |
CN101326549A (zh) | 检测数字图像中的条纹的方法 | |
CN104766095A (zh) | 一种移动终端图像识别方法 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
US11222229B1 (en) | System and method for multidimensional gradient-based cross-spectral stereo matching | |
Luo et al. | Saliency-based geometry measurement for image fusion performance | |
CN106454328B (zh) | 影像质量等级预测方法及系统 | |
Varjo et al. | Image based visibility estimation during day and night | |
Zhang et al. | Crowded cluster cores: An algorithm for deblending in dark energy survey images | |
CN107316318A (zh) | 基于多子区域背景拟合的空中目标自动检测方法 | |
US20080267506A1 (en) | Interest point detection | |
CN104103063A (zh) | 一种基于自动调焦原理无参考噪声图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |