CN107038699A - 增强图像失真率检测方法 - Google Patents
增强图像失真率检测方法 Download PDFInfo
- Publication number
- CN107038699A CN107038699A CN201611003790.4A CN201611003790A CN107038699A CN 107038699 A CN107038699 A CN 107038699A CN 201611003790 A CN201611003790 A CN 201611003790A CN 107038699 A CN107038699 A CN 107038699A
- Authority
- CN
- China
- Prior art keywords
- image
- enhancing
- composition
- kinds
- original image
- 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.)
- Granted
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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20072—Graph-based image processing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种增强图像失真率检测方法,通过分析原始图像和增强图像的色度谱,得到原始图像和增强图像的信息熵、组成成份和相关系数,从而计算出增强图像的信息失真率、组成成份失真率和颜色失真率,最后计算出增强图像的总失真率。采用本发明的增强图像失真率检测方法,可用以评价现有图像增强方法的优劣。
Description
技术领域
本发明涉及数字图像处理领域,特别是涉及一种增强图像的失真率检测方法。
背景技术
图像增强是一种得到广泛应用的数字图像处理技术。目前,用于图像增强的方法很多,其中有基于Retinex的方法(MSRCR方法),基于HE的方法(如HP3DHE)和Zadeh-X变换等。无论采用哪一种方法进行图像增强,都会引起增强图像相比原始图像在色度、对比度、信息量等方面的变化,造成图像失真。增强图像的失真率越低,越能反映图像的固有特征;而图像失真率越高,则有可能引入在原始图像中不存在的信息或组成成份,进而产生严重后果,例如生物医学图像中增加组织成份,会影响医生对病情的诊断等。这就是说失真率越低的图像增强方法越好。
因此,图像失真率是评价图像增强方法优劣的重要手段,但是目前为止,在各种文献报道中,均没有查到关于图像失真率检测的方法。
发明内容
为解决以上技术问题,本发明提供一种增强图像失真率检测方法,通过计算出增强图像的信息失真率、组成成份失真率及颜色失真率,来评价图像增强方法引起的总的失真。
技术方案如下:
一种增强图像失真率检测方法,其关键在于包括以下步骤:
步骤1,对原始图像和增强图像进行色度谱分析,获取原始图像中三种颜色分量的色度谱和增强图像中三种颜色分量的色度谱;
步骤2,分别计算所述增强图像的信息失真率DRIE、组成成份失真率DRCT和颜色失真率DRH;
所述增强图像的信息失真率DRIE按下式进行计算:
DRIE=(IEE-IEO)/IEO
其中,IEO为原始图像的信息熵,IEE为增强图像的信息熵;
信息失真率的意义在于能够反映图像增强方法中增加的不属于原始图像的信息的比率。
所述增强图像的组成成份失真率DRCT按下式进行计算:
DRCT=(CTE-CTO)/CTO
其中,CTo为原始图像的组成成份,CTE为增强图像的组成成份;
组成成份失真率的意义在于能够反映不属于原始图像的组成成份占原始图像组成成份的百分比。
所述增强图像的颜色失真率DRH按下式进行计算:
DRH=1-COR
其中,COR表示原始图像与增强图像的相关系数;
颜色失真率的意义在于能够反映增强图像与原始图像颜色不相关的百分率。
步骤3,计算所述增强图像的总失真率TDR,所述增强图像的总失真率TDR按下式进行:
采用上述方法,通过分析图像,得到图像的各种参数,通过这些参数计算出增强图像的颜色失真率、组成成份失真率以及信息失真率,从而计算出增强图像总的失真率。
更进一步的,步骤2中原始图像的信息熵和增强图像的信息熵均按照以下公式计算:
其中,IE表示信息熵,IE(i)表示原始图像和增强图像的第i颜色分量的信息熵,p(i,g)表示原始图像和增强图像中第i颜色分量的像素随色度g的分布的概率密度函数,i=0,1,2表示R(红)、G(绿)、B(蓝)三种颜色分量。
在实际计算中,IE分别代表IEO和IEE。采用上述方法,能得到原始图像和增强图像的信息熵,用于计算增强图像的信息失真率。
更进一步的,步骤2中通过计数色度谱中不为0的谱线数来计算原始图像的组成成份和增强图像的组成成份;
每幅图像的每一颜色分量的色度谱,都可能缺少某些色度成份,即在某些色度上没有像素数的存在。通过计算色度谱中不为0的谱线数,来计算图像的组成成份,是因为图像一旦获取,色度谱就确定了,它是对事物特性的反映,是图像的一个固有特性。
原始图像的组成成份CTO为原始图像的三种颜色分量的组成成份CTO(i)总和,按下式计算:
其中,i=0,1,2表示R、G、B三种颜色分量;
增强图像的组成成份CTE为增强图像的三种颜色分量的组成成份CTE(i)的总和,按下式计算:
i=0,1,2表示R、G、B三种颜色分量。
采用上述方法,能得到原始图像和增强图像的三种颜色分量的组成成份,用于计算增强图像的组成成份失真率。
更进一步的,步骤2中原始图像与增强图像的相关系数COR通过下式计算:
其中,ALE(i)表示增强图像色度谱中三种颜色分量的平均色度;AL0(i)表示原始图像色度谱中三种颜色分量的平均色度;i=0,1,2表示R、G、B三种颜色分量。
采用上述方法,能得到原始图像和增强图像的相关系数,相关系数用于计算增强图像的颜色失真率。
有益效果:采用本发明的增强图像失真率检测方法,填补了当前评价增强图像的失真率检测方法的空白,能准确地检测出增强图像的失真率进而为客观地评价图像增强方法的优劣提供了一种方法。
附图说明
图1为本发明失真率检测方法的原理框图;
图2为采用MSRCR方法的图像增强结果及其三种颜色分量的色度谱分析图;
图3为采用HP3DHE方法的图像增强结果及其三种颜色分量的色度谱分析图;
图4为采用Zadeh-X变换方法对图2中的原图进行图像增强结果及其三种颜色分量的色度谱分析图;
图5为采用Zadeh-X变换方法对图3中的原图进行图像增强结果及其三种颜色分量的色度谱分析图。
具体实施方式
下面结合实施例和附图对本发明作进一步说明。
如图1所示,一种增强图像失真率检测方法,包括以下步骤:
步骤1,对原始图像和增强图像进行色度谱分析,获取原始图像中三种颜色分量的色度谱和增强图像中三种颜色分量的色度谱;
步骤2,分别计算所述增强图像的信息失真率DRIE、组成成份失真率DRCT和颜色失真率DRH;
所述增强图像的信息失真率DRIE按下式进行计算:
DRIE=(IEE-IEO)/IEO
IEO为原始图像的信息熵,IEE为增强图像的信息熵。
其中原始图像的信息熵IEO和增强图像的信息熵IEE均按照以下公式计算:
其中,IE表示信息熵,IE(i)表示原始图像和增强图像的第i颜色分量的信息熵,p(i,g)表示原始图像和增强图像中第i颜色分量的像素随色度g的分布的概率密度函数,i=0,1,2表示R、G、B三种颜色分量。
所述增强图像的组成成份失真率DRCT按下式进行计算:
DRCT=(CTE-CTO)/CTO
CT0为原始图像的组成成份,CTE为增强图像的组成成份;
其中通过计数色度谱中不为0的谱线数来计算原始图像的组成成份CT0和增强图像的组成成份CTE。
原始图像的组成成份CTO为原始图像的三种颜色分量的组成成份CTO(i)总和,按下式计算:
其中,i=0,1,2表示R、G、B三种颜色分量;
增强图像的组成成份CTE为增强图像的三种颜色分量的组成成份CTE(i)的总和,按下式计算
其中,i=0,1,2表示R、G、B三种颜色分量;
所述增强图像的颜色失真率DRH按下式进行计算:
DRH=1-COR
COR表示原始图像与增强图像的相关系数;
其中原始图像与增强图像的相关系数COR通过下式计算:
其中,ALE(i)表示增强图像色度谱中三种颜色分量的平均色度;AL0(i)表示原始图像色度谱中三种颜色分量的平均色度,i=0,1,2表示R、G、B三种颜色分量。
增强图像三种颜色分量的平均色度可用RALE,GALE,BALE表示。
原始图像三种颜色分量的平均色度可用RALo,GALo,BALO表示。
步骤3,计算所述增强图像的总失真率TDR,所述增强图像的总失真率TDR按下式进行:
采用MSRCR方法产生的增强图像如图2所示,其中图2-a)为原始图像,图2-b)为MSRCR方法的图像增强结果。图2-c)至图2-h)分别展示了三种颜色分量的色度谱。
第一、采用本发明对MSRCR方法产生的增强图像的失真率进行定量计算,失真率计算结果如表1所示。其中信息失真率高达459.19%,表明增加的信息太多;组成成份失真率达2266.67%;颜色失真率为58.77%;总平均失真率达1333.64%。
这表明MSRCR方法获得的增强图像发生了严重的失真。
表1 MSRCR图像增强与Zadeh-X变换增强结果的失真测量数据
图像名 | 图2-a)原图 | 图2-b)MSRCR增强图像 | 图4-b)Zaheh-X变换增强 |
IE | 0.8429 | 4.7132 | 0.8429 |
DRIE | / | 4.5916 | 0 |
CT | 2 | 47.3333 | 2 |
DRCT | / | 22.6667 | 0 |
RAL | 77.0272 | 127.6304 | 77.0272 |
GAL | 200.6856 | 128.9363 | 200.6856 |
BAL | 176.6337 | 127.1033 | 176.6337 |
COR | / | 0.4123 | 1 |
DRH | / | 0.5877 | 0 |
TDR | / | 13.3364 | 0 |
第二、采用HP3DHE法产生的增强图像,其结果如图3所示。其中图3-a)为原始图像,图3-b)为MSRCR方法的图像增强结果。图3-c)至图3-h)分别展示了三种颜色分量的色度谱。
采用本发明计算HP3DHE方法产生的增强图像的失真率,计算结果如表2所示。表2中HP3DHE简写为HE。
表2 HP3DHE图像增强与Zaheh-X变换增强结果的失真测量数据
图像名 | 图3-a)原图 | 图3-b)HE增强图像 | 图5-b)Zaheh-X变换增强 |
IE | 6.7764 | 7.8970 | 6.7712 |
DRIE | / | 0.1654 | -7.6617×10-4 |
CT | 197.4272 | 256 | 197.5142 |
DRCT | / | 0.2964 | 4.4067×10-4 |
RAL | 146.4291 | 136.4320 | 138.1983 |
GAL | 137.8584 | 127.7262 | 126.6310 |
BAL | 131.6267 | 120.2842 | 118.2613 |
COR | / | 0.9920 | 0.999999 |
DRH | / | 0.0078 | 10-7 |
TDR | / | 0.1960 | 5.1028×10-4 |
其中信息失真率(DRIE)16.54%,表明有16.54%的信息不属于原始图像,是增强方法加入的。组成成份失真率(DRCT)29.64%,表明有29.64%的成份不属于原图像,是增强方法产生的。颜色失真率(DRH)0.78%,色彩保真性能较好。平均总失真率(TDR)为0.1960(19.60%),表明这种方法总平均失真率达到近百分之二十。
第三、采用Zadeh-X变换法(发明专利,专利号:ZL 201210233478.X)分别对图2和图3的中原始图像进行图像增强,得到的增强图像如图4和图5所示。
采用本发明计算采用Zadeh-X变换法得到的两幅增强图像的失真率,其结果分别如表1、表2的最后一列所示。
表1表明图4中增强图像几乎没有发生信息失真。从表2可以看出图5的增强图像的信息失真率为-7.6617×10-4,即-0.077%;组成成份失真率为4.4067×10-4,即0.04407%;色失真率为10-7,总的失真率为5.1028×10-4,即0.051%。该结果同样表明Zadeh-X方法对图5-a)增强的同时,保证了图像几乎没有发生失真。
上述结果和数据都表明自适应最佳化Zadeh-X变换图像增强方法,对这类图像基本不产生失真,是一个信息保真率,成份保真率和颜色保真率都高的好的图像增强方法。
最后需要说明的是,上述描述仅仅为本发明的优选实施例,本领域的普通技术人员在本发明的启示下,在不违背本发明宗旨及权利要求的前提下,可以做出多种类似的表示,这样的变换均落入本发明的保护范围之内。
Claims (4)
1.一种增强图像失真率检测方法,其特征在于包括以下步骤:
步骤1,对原始图像和增强图像进行色度谱分析,获取原始图像中三种颜色分量的色度谱和增强图像中三种颜色分量的色度谱;
步骤2,分别计算所述增强图像的信息失真率DRIE、组成成份失真率DRCT和颜色失真率DRH;
所述增强图像的信息失真率DRIE按下式进行计算:
DRIE=(IEE-IEO)/IEO
其中,IEO为原始图像的信息熵,IEE为增强图像的信息熵;
所述增强图像的组成成份失真率DRCT按下式进行计算:
DRCT=(CTE-CTO)/CTO
其中,CT0为原始图像的组成成份,CTE为增强图像的组成成份;
所述增强图像的颜色失真率DRH按下式进行计算:
DRH=1-COR
其中,COR表示原始图像与增强图像的相关系数;
步骤3,计算所述增强图像的总失真率TDR,所述增强图像的总失真率TDR按下式进行:
2.根据权利要求1所述增强图像失真率检测方法,其特征在于:步骤2中原始图像的信息熵IEO和增强图像的信息熵IEE均按照以下公式计算:
其中,IE表示信息熵,IE(i)表示原始图像和增强图像的第i颜色分量的信息熵,p(i,g)表示原始图像和增强图像中第i颜色分量的像素随色度g的分布的概率密度函数,i=0,1,2表示R、G、B三种颜色分量。
3.根据权利要求1所述增强图像失真率检测方法,其特征在于:步骤2中通过计数色度谱中不为0的谱线数来计算原始图像的组成成份和增强图像的组成成份;
原始图像的组成成份CTO为原始图像的三种颜色分量的组成成份CTO(i)总和,按下式计算:
其中,i=0,1,2表示R、G、B三种颜色分量;
增强图像的组成成份CTE为增强图像的三种颜色分量的组成成份CTE(i)的总和,按下式计算
其中,i=0,1,2表示R、G、B三种颜色分量。
4.根据权利要求1所述增强图像失真率检测方法,其特征在于:步骤2中原始图像与增强图像的相关系数COR通过下式计算:
其中,ALE(i)表示增强图像色度谱中三种颜色分量的平均色度;AL0(i)表示原始图像色度谱中三种颜色分量的平均色度,i=0,1,2表示R、G、B三种颜色分量。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2016109857315 | 2016-11-09 | ||
CN201610985731 | 2016-11-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107038699A true CN107038699A (zh) | 2017-08-11 |
CN107038699B CN107038699B (zh) | 2019-07-23 |
Family
ID=59531013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611003790.4A Active CN107038699B (zh) | 2016-11-09 | 2016-11-15 | 增强图像失真率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038699B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020186590A1 (zh) * | 2019-03-18 | 2020-09-24 | 深圳市华星光电技术有限公司 | 图像处理方法、装置及存储介质 |
WO2022100510A1 (zh) * | 2020-11-11 | 2022-05-19 | 北京字节跳动网络技术有限公司 | 一种图像失真评测的方法、装置及计算机设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445312B1 (en) * | 1999-07-20 | 2002-09-03 | Canon Kabushiki Kaisha | Method and device for compression by blocks of digital data |
CN101340511A (zh) * | 2008-08-07 | 2009-01-07 | 中兴通讯股份有限公司 | 一种基于亮度检测的自适应视频图像增强方法 |
CN101510299A (zh) * | 2009-03-04 | 2009-08-19 | 上海大学 | 基于视觉显著性的图像自适应方法 |
CN101901482A (zh) * | 2009-05-31 | 2010-12-01 | 汉王科技股份有限公司 | 判断去雾增强图像质量效果的方法 |
CN102262778A (zh) * | 2011-08-24 | 2011-11-30 | 重庆大学 | 基于改进的分数阶微分掩模的图像增强方法 |
CN103955902A (zh) * | 2014-05-08 | 2014-07-30 | 国网上海市电力公司 | 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法 |
CN104700379A (zh) * | 2014-12-29 | 2015-06-10 | 烟台大学 | 一种基于多尺度形态成分分析的遥感图像融合方法 |
CN104915626A (zh) * | 2014-03-11 | 2015-09-16 | 重庆邮电大学 | 一种人脸识别方法及装置 |
CN105654433A (zh) * | 2015-12-28 | 2016-06-08 | 桂林电子科技大学 | 基于改进多尺度Retinex的彩色图像增强方法 |
-
2016
- 2016-11-15 CN CN201611003790.4A patent/CN107038699B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445312B1 (en) * | 1999-07-20 | 2002-09-03 | Canon Kabushiki Kaisha | Method and device for compression by blocks of digital data |
CN101340511A (zh) * | 2008-08-07 | 2009-01-07 | 中兴通讯股份有限公司 | 一种基于亮度检测的自适应视频图像增强方法 |
CN101510299A (zh) * | 2009-03-04 | 2009-08-19 | 上海大学 | 基于视觉显著性的图像自适应方法 |
CN101901482A (zh) * | 2009-05-31 | 2010-12-01 | 汉王科技股份有限公司 | 判断去雾增强图像质量效果的方法 |
CN102262778A (zh) * | 2011-08-24 | 2011-11-30 | 重庆大学 | 基于改进的分数阶微分掩模的图像增强方法 |
CN104915626A (zh) * | 2014-03-11 | 2015-09-16 | 重庆邮电大学 | 一种人脸识别方法及装置 |
CN103955902A (zh) * | 2014-05-08 | 2014-07-30 | 国网上海市电力公司 | 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法 |
CN104700379A (zh) * | 2014-12-29 | 2015-06-10 | 烟台大学 | 一种基于多尺度形态成分分析的遥感图像融合方法 |
CN105654433A (zh) * | 2015-12-28 | 2016-06-08 | 桂林电子科技大学 | 基于改进多尺度Retinex的彩色图像增强方法 |
Non-Patent Citations (2)
Title |
---|
李锦等: "一种结合直方图均衡化和 MSRCR 的图像增强新算法", 《西安电子科技大学学报》 * |
穆为磊等: "考虑人眼视觉特性的射线检测数字图像质量评价方法", 《西安交通大学学报 》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020186590A1 (zh) * | 2019-03-18 | 2020-09-24 | 深圳市华星光电技术有限公司 | 图像处理方法、装置及存储介质 |
WO2022100510A1 (zh) * | 2020-11-11 | 2022-05-19 | 北京字节跳动网络技术有限公司 | 一种图像失真评测的方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107038699B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104134204B (zh) | 一种基于稀疏表示的图像清晰度评价方法和装置 | |
CN105261013B (zh) | 一种扫描图像质量综合评价方法及评价系统 | |
CN102722876B (zh) | 一种基于残差的图像超分辨率重建方法 | |
CN101650833B (zh) | 彩色图像质量评价方法 | |
CN109060842B (zh) | 基于曲面拟合校正的柑橘表面缺陷检测方法 | |
CN110335221B (zh) | 一种基于无监督学习的多曝光图像融合方法 | |
CN106934770B (zh) | 一种评价雾霾图像去雾效果的方法和装置 | |
CN107038699A (zh) | 增强图像失真率检测方法 | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
Wang et al. | Study on fruit quality inspection based on its surface color in produce logistics | |
Singh et al. | Contrast and color improvement based haze removal of underwater images using fusion technique | |
CN109685772A (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
Liang et al. | Optimal selection of representative samples for efficient digital camera‐based spectra recovery | |
CN106296591B (zh) | 基于马氏距离的非局部均匀数字图像去噪方法 | |
CN106558047B (zh) | 基于互补色小波的彩色图像质量评价方法 | |
CN108682005A (zh) | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 | |
CN108665433A (zh) | 一种结合多种特征的无参考自然图像质量评价方法 | |
Rattanapitak et al. | Comparative efficiency of color models for multi-focus color image fusion | |
CN104616310B (zh) | 一种图像质量的评估方法和装置 | |
CN109523542B (zh) | 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 | |
CN108805852A (zh) | 一种图像空域噪声的评估方法及装置 | |
CN107305685A (zh) | 图像对比增强方法及其装置 | |
Kang et al. | 3D image quality assessment based on texture information | |
Wang et al. | Study on HSI color model-based fruit quailty evaluation | |
Bao et al. | A no reference image quality measure using a distance doubling variance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |