CN107330891A - 一种有效的图像质量评价系统 - Google Patents
一种有效的图像质量评价系统 Download PDFInfo
- Publication number
- CN107330891A CN107330891A CN201710582739.1A CN201710582739A CN107330891A CN 107330891 A CN107330891 A CN 107330891A CN 201710582739 A CN201710582739 A CN 201710582739A CN 107330891 A CN107330891 A CN 107330891A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- gray level
- reference picture
- 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种有效的图像质量评价系统，包括图像获取模块、图像处理模块、特征提取模块和图像质量评价模块，所述图像获取模块用于获取待评价的原始图像的图像数据，所述图像处理模块用于对采集得到的原始图像进行处理，从而得到参考图像，所述特征提取模块用于提取所述灰度图像X和参考图像Y的图像特征，所述图像质量评价模块用于根据特征提取模块提取得到的图像特征进行图像质量的综合评价。本发明的有益效果为：通过对采集得到的原始图像进行低通滤波处理得到一个模糊副本作为参考图像，并通过提取原始图像和参考图像之间的图像特征进行图像质量的评价，计算过程比较简单并且得到了较好的评价结果。
Description
技术领域
本发明创造涉及图像处理领域，具体涉及一种有效的图像质量评价系统。
背景技术
随着科学技术的进步，人类可以通过各种不同的途径获得信息，其中，最主要的信息是视觉信息，然而在图像的采集、处理、传输、存储以及显示等过程中，难免给图像带来不同程度上的失真和退化，图像中各种各样的失真会影响人们对信息的提取和理解，严重的会造成信息提取的失败，因此，为了对图像的视觉效果进行有效的控制或者优化，对图像的质量进行合理评估具有非常重要的意义，本发明提供一种有效的图像质量评价系统，通过对待评价的原始图像进行低通滤波得到一幅模糊图像作为参考图像，从而进行图像质量的评价，因此能够在不需要参考图像的情况下，实现图像质量的评价。
发明内容
针对上述问题，本发明旨在提供一种有效的图像质量评价系统。
本发明创造的目的通过以下技术方案实现：
一种有效的图像质量评价系统，包括图像获取模块、图像处理模块、特征提取模块和图像质量评价模块，所述图像获取模块用于获取待评价的原始图像，所述图像处理模块用于将所述原始图像转换为灰度图像X，并采用一种高斯模型的低通滤波器对所述灰度图像X进行滤波得到再模糊图像，并将其作为参考图像Y，所述特征提取模块用于提取所述灰度图像X和参考图像Y的局部图像特征，所述图像质量评价模块用于根据特征提取模块提取得到的局部图像特征进行图像质量的综合评价。
本发明创造的有益效果：通过对采集得到的原始图像进行低通滤波得到一个模糊副本作为参考图像，并通过比较原始图像和参考图像之间的图像特征的变化情况进行图像质量的评价，有效的简化了图像评价的计算过程，并且得到了较好的评价结果。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
图2是本发明特征提取模块结构示意图。
附图标记：
图像获取模块1；图像处理模块2；特征提取模块3；图像质量评价模块4；第一特征单元31；第二特征单元32。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1和图2，本实施例的一种有效的图像质量评价系统，包括图像获取模块1、图像处理模块2、特征提取模块3和图像质量评价模块4，所述图像获取模块1用于获取待评价的原始图像，所述图像处理模块2用于将所述原始图像转换为灰度图像X，并采用一种高斯模型的低通滤波器对所述灰度图像X进行滤波得到再模糊图像，并将其作为参考图像Y，所述特征提取模块3用于提取所述灰度图像X和参考图像Y的局部图像特征，所述图像质量评价模块4用于根据特征提取模块3提取得到的局部图像特征进行图像质量的综合评价。
本优选实施例通过对采集得到的原始图像进行低通滤波得到一个模糊副本作为参考图像，并通过比较原始图像和参考图像之间的图像特征的变化情况进行图像质量的评价，有效的简化了图像评价的计算过程，并且得到了较好的评价结果。
优选地，所述特征提取模块3用于提取所述灰度图像X和参考图像Y的局部图像特征，包括第一特征单元31和第二特征单元32，所述第一特征单元31用于计算所述灰度图像X和参考图像Y的标准差的变化情况，所述第二特征单元32用于计算所述灰度图像X和参考图像Y的梯度幅值的变化情况，从而进行图像质量的评价。
优选地，所述第一特征单元31通过计算所述灰度图像X和参考图像Y的标准差的变化情况，从而对图像质量进行评价，具体为：
a.将灰度图像X和参考图像Y分别分为a×b大小的块，将灰度图像X的图像块分别记为Xk(k＝1,2…,v)，将参考图像Y对应的图像块记为Yk(k＝1,2…,v),其中v为图像块总数，计算灰度图像X的局部标准差，定义图像块Xk的窗口的重心为(m,n)，则图像块Xk的局部标准差的计算公式为：
式中，是图像块Xk点(i,j)处像素的灰度值，是图像块Xk邻域内所有像素的平均灰度值，是图像块Xk处的局部方差，是图像块Xk处的局部标准差；
同理可计算得到参考图像Y对应的图像块Yk的局部标准差
b.根据上述计算所得的灰度图像X和参考图像Y的局部标准差计算局部标准差变化情况，定义图像块Xk和图像块Yk的局部标准差变化因子为B(Xk,Yk)，则B(Xk,Yk)的计算公式为：
式中，B(Xk,Yk)是灰度图像X和参考图像Y中图像块Xk和图像块Yk的局部标准差变化因子，是灰度图像X的图像块Xk的局部标准差，是参考图像Y对应图像块Yk处的局部标准差。
本优选实施例通过计算所述原始图像和参考图像之间的局部标准差因子对图像的模糊程度进行评价，局部方差的引入不仅表示了像素与其邻域像素之间的关系，还较好的反应了区域内像素灰度变化的剧烈程度，通过计算所述原始图像和参考图像的标准差变化情况，能够有效的对待评价图像的模糊程度进行评价。
优选地，所述第二特征单元32用于根据所述灰度图像X和参考图像Y的梯度幅值的变化情况进行图像质量评价，具体包括：
a.计算图像(i,j)处的梯度幅值G(i,j)，则梯度幅值G(i,j)的计算公式如下：
式中，和分别是使用水平边缘算子和垂直边缘算子计算得到的梯度分量；
b.根据上述给出的图像梯度幅值的计算方法计算所述灰度图像X和参考图像Y对应的局部梯度幅值，定义图像块Xk和图像块Yk的局部梯度幅值变化因子为V(Xk,Yk)，则局部梯度幅值变化因子V(Xk,Yk)的计算公式为：
式中，是灰度图像X的图像块Xk的点(m,n)处的梯度幅值，是参考图像Y的图像块Yk的点(m,n)处的梯度幅值。
本优选实施例引入图像的梯度幅值变化因子，通过计算所述原始图像和参考图像之间的梯度幅值的变化情况对图像的模糊情况进行判断，从而对所述原始图像的质量进行评价，具有较好的评价性能且计算复杂度较低的优点。
优选地，所述图像质量评价模块4用于根据上述所得的局部标准差变化因子和局部梯度幅值变化因子进行图像质量的综合评价，具体包括：
a.采用傅里叶变化相位谱法计算灰度图像X的图像块Xk的视觉显著图，定义灰度图像为X(m,n)，则灰度图像X(m,n)的图像块Xk的显著图计算公式如下：
f(u,v)＝F(X(m,n))
p(u,v)＝P(f(u,v))
式中，F代表傅里叶变换，F-1代表反傅里叶变化，P(·)可以得到相位谱，g(m,n)是高斯函数，代表灰度图像X的图像块Xk的显著图，*代表卷积运算；
b.定义图像模糊程度评价因子ρ，则评价因子ρ的计算公式为：
式中，B(Xk,Yk)是灰度图像X和参考图像Y中图像块Xk和图像块Yk的局部标准差变化因子，V(Xk,Yk)是图像块Xk和图像块Yk的局部梯度幅值变化因子，γ和ε是反应两个特征变化因子的重要程度的权重，且γ+ε＝1，v是图像块总数，是灰度图像X的图像块Xk的局部显著图；
c.定义图像清晰阈值j,则当ρ<j时，则判断所述原始图像为重度模糊图像，当j<ρ≤1.2j,则断定所述原始图像为中度模糊图像，当1.2j<ρ≤1.6j时，则判定所述原始图像为轻度模糊图像，当ρ>1.6j时，则判定所述原始图像为清晰图像。
本优选实施例利用图像的局部标准差变化情况和梯度幅值的变化情况对图像的质量进行综合评价，有效的提高了图像质量评价的准确性，并在计算过程中引进了待评价图像的局部显著图的大小决定局部图像质量评价的权重大小的计算方法，有效的加大了视觉显著性较高的图像领域在图像模糊程度的评价中所占的比重，增加了评价结果的准确性。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种有效的图像质量评价系统，其特征是，包括图像获取模块、图像处理模块、特征提取模块和图像质量评价模块，所述图像获取模块用于获取待评价的原始图像，所述图像处理模块用于将所述原始图像转换为灰度图像X，并采用一种高斯模型的低通滤波器对所述灰度图像X进行滤波得到再模糊图像，并将其作为参考图像Y，所述特征提取模块用于提取所述灰度图像X和参考图像Y的局部图像特征，所述图像质量评价模块用于根据特征提取模块提取得到的局部图像特征进行图像质量的综合评价。
2.根据权利要求1所述的一种有效的图像质量评价系统，其特征是，所述特征提取模块用于提取所述灰度图像X和参考图像Y的局部图像特征，包括第一特征单元和第二特征单元，所述第一特征单元用于计算所述灰度图像X和参考图像Y的标准差的变化情况，所述第二特征单元用于计算所述灰度图像X和参考图像Y的显著图的变化情况，从而进行图像质量的评价。
3.根据权利要求2所述的一种有效的图像质量评价系统，其特征是，所述第一特征单元通过计算所述灰度图像X和参考图像Y的标准差的变化情况，从而对图像质量进行评价，具体为：
a.将灰度图像X和参考图像Y分别分为a×b大小的块，将灰度图像X的图像块分别记为Xk(k＝1,2…,v)，将参考图像Y对应的图像块记为Yk(k＝1,2…,v),其中v为图像块总数，计算灰度图像X的局部标准差，定义图像块Xk的窗口的重心为(m,n)，则图像块Xk的局部标准差的计算公式为：
<mrow>
<msup>
<msub>
<mi>&delta;</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>4</mn>
<mrow>
<mi>a</mi>
<mo>&times;</mo>
<mi>b</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>b</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>a</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mover>
<msub>
<mi>d</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mover>
<msub>
<mi>d</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>4</mn>
<mrow>
<mi>a</mi>
<mo>&times;</mo>
<mi>b</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>b</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>a</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>d</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>E</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>&delta;</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
式中，是图像块Xk点(i,j)处像素的灰度值，是图像块Xk邻域内所有像素的平均灰度值，是图像块Xk处的局部方差，是图像块Xk处的局部标准差；
同理可计算得到参考图像Y对应的图像块Yk的局部标准差
b.根据上述计算所得的灰度图像X和参考图像Y的局部标准差计算局部标准差变化情况，定义图像块Xk和图像块Yk的局部标准差变化因子为B(Xk,Yk)，则B(Xk,Yk)的计算公式为：
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>E</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>E</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>E</mi>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>E</mi>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
</msub>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
式中，B(Xk,Yk)是灰度图像X和参考图像Y中图像块Xk和图像块Yk的局部标准差变化因子，是灰度图像X的图像块Xk的局部标准差，是参考图像Y对应图像块Yk处的局部标准差。
4.根据权利要求2所述的一种有效的图像质量评价系统，其特征是，所述第二特征单元用于根据所述灰度图像X和参考图像Y的梯度幅值的变化情况进行图像质量评价，具体包括：
a.计算图像(i,j)处的梯度幅值G(i,j)，则梯度幅值G(i,j)的计算公式如下：
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mo>&part;</mo>
<mi>i</mi>
</msub>
</mfrac>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mo>&part;</mo>
<mi>j</mi>
</msub>
</mfrac>
<mo>|</mo>
</mrow>
式中，和分别是使用水平边缘算子和垂直边缘算子计算得到的梯度分量；
b.根据上述给出的图像梯度幅值的计算方法计算所述灰度图像X和参考图像Y对应的局部梯度幅值，定义图像块Xk和图像块Yk的局部梯度幅值变化因子为V(Xk,Yk)，则局部梯度幅值变化因子V(Xk,Yk)的计算公式为：
<mrow>
<mi>V</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>G</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mn>1</mn>
</mrow>
<msqrt>
<mrow>
<msup>
<msub>
<mi>G</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msqrt>
</mfrac>
</mrow>
式中，是灰度图像X的图像块Xk的点(,n)处的梯度幅值，是参考图像Y的图像块Yk的点(m，n)处的梯度幅值。
5.根据权利要求2所述的一种有效的图像质量评价系统，其特征是，所述图像质量评价模块用于根据上述所得的局部标准差变化因子和局部梯度幅值变化因子进行图像质量的综合评价，具体包括：
a.采用傅里叶变化相位谱法计算灰度图像X的图像块Xk的视觉显著图，定义灰度图像为X(m,n)，则灰度图像X(m,n)的图像块Xk的显著图计算公式如下：
f(u,v)＝F(X(m,n))
p(u,v)＝P(f(u,v))
<mrow>
<msub>
<mi>Z</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>F</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>{</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>}</mo>
<mo>|</mo>
<mo>|</mo>
</mrow>
式中，F代表傅里叶变换，F-1代表反傅里叶变化，P(·)可以得到相位谱，g(m,n)是高斯函数，代表灰度图像X的图像块Xk的显著图，*代表卷积运算；
b.定义图像模糊程度评价因子ρ，则评价因子ρ的计算公式为：
<mrow>
<mi>&rho;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>v</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&gamma;</mi>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>B</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
<mi>V</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>&times;</mo>
<msub>
<mi>Z</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>v</mi>
</msubsup>
<msub>
<mi>Z</mi>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中，B(Xk,Yk)是灰度图像X和参考图像Y中图像块Xk和图像块Yk的局部标准差变化因子，V(Xk,Yk)是图像块Xk和图像块Yk的局部梯度幅值变化因子，γ和ε是反应两个特征变化因子的重要程度的权重，且γ+ε＝1，v是图像块总数，是灰度图像X的图像块Xk的局部显著图；
c.定义图像清晰阈值j,则当ρ<j时，则判断所述原始图像为重度模糊图像，当j<ρ≤1.2j,则断定所述原始图像为中度模糊图像，当1.2j<ρ≤1.6j时，则判定所述原始图像为轻度模糊图像，当ρ>1.6j时，则判定所述原始图像为清晰图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710582739.1A CN107330891B (zh) | 2017-07-17 | 2017-07-17 | 一种有效的图像质量评价系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710582739.1A CN107330891B (zh) | 2017-07-17 | 2017-07-17 | 一种有效的图像质量评价系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107330891A true CN107330891A (zh) | 2017-11-07 |
| CN107330891B CN107330891B (zh) | 2021-02-19 |
Family
ID=60227256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710582739.1A Active CN107330891B (zh) | 2017-07-17 | 2017-07-17 | 一种有效的图像质量评价系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330891B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108682005A (zh) * | 2018-04-25 | 2018-10-19 | 西北工业大学 | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 |
| CN109996063A (zh) * | 2019-04-04 | 2019-07-09 | 广东省安心加科技有限公司 | 视频图像花屏检测方法、装置、计算机设备和存储介质 |
| CN110415225A (zh) * | 2019-07-22 | 2019-11-05 | 南充折衍智能光电科技有限公司 | 一种基于多信息融合的手指静脉图像质量评价方法 |
| CN113962974A (zh) * | 2021-10-27 | 2022-01-21 | 阿波罗智联(北京)科技有限公司 | 图像处理方法、装置、电子设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7860344B1 (en) * | 2005-05-06 | 2010-12-28 | Stochastech Corporation | Tracking apparatus and methods using image processing noise reduction |
| KR101285131B1 (ko) * | 2013-04-04 | 2013-07-11 | 관동대학교산학협력단 | 퍼지 집합 이론을 이용한 지상 라이다 자료 필터링 방법 |
| CN105556540A (zh) * | 2013-06-04 | 2016-05-04 | 贝宝公司 | 评估图像清晰度 |
| CN105574823A (zh) * | 2015-12-14 | 2016-05-11 | 北京大学深圳研究生院 | 一种失焦模糊图像的去模糊方法和装置 |
| CN106651932A (zh) * | 2016-11-17 | 2017-05-10 | 天津大学 | 基于多尺度梯度差值的单幅图像散焦模糊估计算法 |
-
2017
- 2017-07-17 CN CN201710582739.1A patent/CN107330891B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7860344B1 (en) * | 2005-05-06 | 2010-12-28 | Stochastech Corporation | Tracking apparatus and methods using image processing noise reduction |
| KR101285131B1 (ko) * | 2013-04-04 | 2013-07-11 | 관동대학교산학협력단 | 퍼지 집합 이론을 이용한 지상 라이다 자료 필터링 방법 |
| CN105556540A (zh) * | 2013-06-04 | 2016-05-04 | 贝宝公司 | 评估图像清晰度 |
| CN105574823A (zh) * | 2015-12-14 | 2016-05-11 | 北京大学深圳研究生院 | 一种失焦模糊图像的去模糊方法和装置 |
| CN106651932A (zh) * | 2016-11-17 | 2017-05-10 | 天津大学 | 基于多尺度梯度差值的单幅图像散焦模糊估计算法 |
Non-Patent Citations (2)
| Title |
|---|
| 卢彦飞等: "基于局部标准差与显著图的模糊图像质量评价方法", 《吉林大学学报（工学版）》 * |
| 杨春玲等: "基于梯度的结构相似度的图像质量评价方法", 《华南理工大学学报（自然科学版）》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108682005A (zh) * | 2018-04-25 | 2018-10-19 | 西北工业大学 | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 |
| CN108682005B (zh) * | 2018-04-25 | 2021-06-18 | 西北工业大学 | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 |
| CN109996063A (zh) * | 2019-04-04 | 2019-07-09 | 广东省安心加科技有限公司 | 视频图像花屏检测方法、装置、计算机设备和存储介质 |
| CN109996063B (zh) * | 2019-04-04 | 2020-08-11 | 广东省安心加科技有限公司 | 视频图像花屏检测方法、装置、计算机设备和存储介质 |
| CN110415225A (zh) * | 2019-07-22 | 2019-11-05 | 南充折衍智能光电科技有限公司 | 一种基于多信息融合的手指静脉图像质量评价方法 |
| CN113962974A (zh) * | 2021-10-27 | 2022-01-21 | 阿波罗智联(北京)科技有限公司 | 图像处理方法、装置、电子设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107330891B (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330891A (zh) | 一种有效的图像质量评价系统 | |
| CN106886977B (zh) | 一种多图自动配准及融合拼接方法 | |
| CN107240084B (zh) | 一种单幅图像去雨方法及装置 | |
| CN106295542A (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
| CN104616274B (zh) | 一种基于显著性区域提取的多聚焦图像融合方法 | |
| CN104978715A (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
| CN101996406A (zh) | 无参考结构清晰度图像质量评价方法 | |
| US20110188749A1 (en) | Image processing method for boundary resolution enhancement | |
| CN103116875A (zh) | 自适应双边滤波图像去噪方法 | |
| CN106682678B (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
| CN104574381B (zh) | 一种基于局部二值模式的全参考图像质量评价方法 | |
| CN101853490A (zh) | 一种基于人类视觉特性的仿生图像复原方法 | |
| CN104580829A (zh) | 一种太赫兹图像增强方法及系统 | |
| CN107490356A (zh) | 一种非合作目标旋转轴和旋转角测量方法 | |
| CN109711268A (zh) | 一种人脸图像筛选方法及设备 | |
| CN105976337A (zh) | 一种基于中值引导滤波的图像去雾方法 | |
| CN107194879A (zh) | 超分辨率重建方法、装置及电子设备 | |
| Teng et al. | Adaptive morphological filtering method for structural fusion restoration of hyperspectral images | |
| CN108734668A (zh) | 图像色彩恢复方法、装置、计算机可读存储介质及终端 | |
| CN104424641A (zh) | 一种关于图像模糊篡改检测的方法 | |
| CN103295225A (zh) | 弱光照条件下的列车转向架边缘检测方法 | |
| CN105894450A (zh) | 一种图像处理方法及装置 | |
| CN105550694A (zh) | 一种度量人脸图像模糊程度的方法 | |
| CN105243647A (zh) | 一种基于线性空间滤波的图像增强方法 | |
| Wu et al. | A new sampling algorithm for high-quality image matting |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210201 Address after: Room 101, building 1, No.1 Zhennan Road, Wuzhen Town, Tongxiang City, Jiaxing City, Zhejiang Province Applicant after: Zhejiang Baorong media technology (Zhejiang) Co.,Ltd. Address before: 543100 No.9 Hekou group, Hekou village, Liubao Town, Cangwu County, Wuzhou City, Guangxi Zhuang Autonomous Region Applicant before: Chen Jiantao |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 101, building 1, No.1 Zhennan Road, Wuzhen Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee after: Zhejiang Baorong media technology (Zhejiang) Co.,Ltd. Address before: Room 101, building 1, No.1 Zhennan Road, Wuzhen Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee before: Zhejiang Baorong media technology (Zhejiang) Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 101, building 1, No.1 Zhennan Road, Wuzhen Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee after: Communication Brain Technology (Zhejiang) Co.,Ltd. Address before: Room 101, building 1, No.1 Zhennan Road, Wuzhen Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee before: Zhejiang Baorong media technology (Zhejiang) Co.,Ltd. |