CN107507173A - 一种全切片图像的无参考清晰度评估方法及系统 - Google Patents

Abstract

本发明提供了一种全切片图像的无参考清晰度评估方法及系统，采用金字塔多层数据结构存储数字图像，将金字塔多层数据结构的各层图像平均分割为若干图像块；通过大津阈值分割法在图像块的梯度幅度直方图中划分出强边缘，由强边缘的梯度最大值和宽度计算得到强边缘强度，并利用背景复杂度对强边缘强度进行修正，确定单个图像块的清晰度；设定清晰度的标准值，判定当前图像块是清晰图像还是模糊图像；根据各层清晰图像块所占比例，最终确定各层图像是否为清晰图像。本发明避免了图像内容差异性导致的图像清晰度得分差异性，修正了图像背景复杂度对图像清晰度的影响，实现了对部分清晰部分模糊图像的有效鉴别。

Description

一种全切片图像的无参考清晰度评估方法及系统

技术领域

本发明涉及数字图像处理技术领域，具体地，涉及一种全切片图像的无参考清晰度评估方法及系统。

背景技术

随着信息化技术的发展，数字化全切片病理图像已在临床诊断、病理学研究领域广泛应用。由于切片制作、显微扫描过程存在各种不确定因素，容易造成病理切片的成像质量下降。图像清晰度下降不但直接影响病理切片的诊断质量，而且无法作为重要样本用于数据挖掘等智能诊断研究。因此，快速有效的数字病理图像清晰度评估方法对于数字病理的发展至关重要。

根据对参考图像的依赖程度，图像清晰度的客观评估方法可以分为全参考方法和无参考方法。全参考图像清晰度评估方法考察待测图像与参考图像的清晰度差异，其评价准确率往往高于其他客观图像清晰度评估方法，算法实现难度也相对较低，但是全参考方法的数据量和计算量也远高于其他方法。无参考图像清晰度评估方法不需要原始图像作为参考，虽然准确性较全参考方法可能有所下降，但是它的计算效率更高，应用也更加广泛。目前，数字病理图像清晰度评估方法在实际应用中普遍存在以下不足：1)、清晰度严重受图像内容影响，同等清晰度下，内容复杂的图像比内容简单的图像得分明显偏高；2)、部分清晰部分模糊的图像得分与全清晰图像非常接近。这些问题使现有的清晰度评估方法不适用普遍的清晰度评估。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种全切片图像的无参考清晰度评估方法及系统，实现高效率病理图像质量评估，以满足临床诊断、病理学研究对可靠病理数据源的迫切需求。

根据本发明提供的全切片图像的无参考清晰度评估方法，包括：采用金字塔多层数据结构存储数字图像，将金字塔多层数据结构的各层图像平均分割为若干图像块；通过大津阈值分割法在图像块的梯度幅度直方图中划分出强边缘，由强边缘的梯度最大值和宽度计算得到强边缘强度，并利用背景复杂度对强边缘强度进行修正，确定单个图像块的清晰度；设定清晰度的标准值，判定当前图像块是清晰图像还是模糊图像；根据各层清晰图像块所占比例，最终确定各层图像是否为清晰图像。

优选的，全切片图像的无参考清晰度评估方法具体包括步骤：

金字塔多层数据结构构建步骤：由高倍物镜扫描图像，将图像按金字塔多层数据结构存储，各层对应不同图像放大倍数，各层平均分割为若干长宽一致的图像块，针对某层图像，将当前图像块转换为灰度图像，并用高斯滤波器进行滤波；

清晰度初始值计算步骤：使用水平和竖直方向的索贝尔滤波器分别对当前灰度图像进行滤波，得到水平和竖直方向的梯度幅度，在此基础上计算总的梯度幅度和梯度方向；根据大津阈值分割法在梯度幅度直方图中确定边缘梯度幅度阈值，边缘梯度幅度大于阈值为强边缘；计算获得各段强边缘强度，对多段强边缘强度进行加强平均，获得当前图像块的强边缘强度，并作为当前图像块的清晰度初始值；

清晰度计算步骤：将图像块的梯度幅度中低于边缘梯度幅度阈值的区域看作背景图像，对其对应的梯度幅度做加权平均得到背景复杂度；计算获得当前图像块的所述背景复杂度修正值，乘以所述清晰度初始值，获得当前图像块的清晰度；

判断步骤：重复清晰度初始值计算步骤以及清晰度计算步骤，计算所有图像块的清晰度，设定清晰度标准值，判断当前图像块是清晰图像块还是模糊图像块，根据清晰图像块的占比确定各层图像是否为清晰图像。

优选的，所述计算获得各段强边缘强度包括：

在强边缘的梯度正方向和负方向上寻找的梯度幅度的局部最大值，作为边缘梯度最大值；以所述边缘梯度最大值所对应的像素点作为当前边缘的中心点，分别沿着梯度方向的正方向与负方向寻找两个梯度幅度的局部最小值，两个局部最小值所在像素点之间的欧氏距离为强边缘宽度；所述强边缘强度得分与所述边缘梯度最大值正相关，与所述强边缘宽度负相关，设置指数提高所述强边缘强度对所述强边缘宽度的敏感度，计算方法如下：

优选的，所述计算获得当前图像块的所述背景复杂度修正值包括：

设定所述边缘梯度幅度阈值的一半为正负影响阈值，如果所述背景复杂度高于所述正负影响阈值，则输入图像的背景负向影响当前图像的清晰度得分，如果所述背景复杂度低于所述正负影响阈值，则输入图像的背景正向影响当前图像的清晰度得分；最后，采用背景像素数量占图像块像素数量的比例进一步修正背景影响，获得背景影响修正系数：

优选的，所述当前图像块的清晰度的计算方法如下：

根据本发明提供的全切片图像的无参考清晰度评估系统，包括：采用金字塔多层数据结构存储数字图像，将金字塔多层数据结构的各层图像平均分割为若干图像块；通过大津阈值分割法在图像块的梯度幅度直方图中划分出强边缘，由强边缘的梯度最大值和宽度计算得到强边缘强度，并利用背景复杂度对强边缘强度进行修正，确定单个图像块的清晰度；设定清晰度的标准值，判定当前图像块是清晰图像还是模糊图像；根据各层清晰图像块所占比例，最终确定各层图像是否为清晰图像。

优选的，全切片图像的无参考清晰度评估系统具体包括：

金字塔多层数据结构构建模块：由高倍物镜扫描图像，将图像按金字塔多层数据结构存储，各层对应不同图像放大倍数，各层平均分割为若干长宽一致的图像块，针对某层图像，将当前图像块转换为灰度图像，并用高斯滤波器进行滤波；

清晰度初始值计算模块：使用水平和竖直方向的索贝尔滤波器分别对当前灰度图像进行滤波，得到水平和竖直方向的梯度幅度，在此基础上计算总的梯度幅度和梯度方向；根据大津阈值分割法在梯度幅度直方图中确定边缘梯度幅度阈值，边缘梯度幅度大于阈值为强边缘；计算获得各段强边缘强度，对多段强边缘强度进行加强平均，获得当前图像块的强边缘强度，并作为当前图像块的清晰度初始值；

清晰度计算模块：将图像块的梯度幅度中低于边缘梯度幅度阈值的区域看作背景图像，对其对应的梯度幅度做加权平均得到背景复杂度；计算获得当前图像块的所述背景复杂度修正值，乘以所述清晰度初始值，获得当前图像块的清晰度；

判断步骤：重复清晰度初始值计算模块以及清晰度计算模块，计算所有图像块的清晰度，设定清晰度标准值，判断当前图像块是清晰图像块还是模糊图像块，根据清晰图像块的占比确定各层图像是否为清晰图像。

优选的，所述计算获得各段强边缘强度包括：

在强边缘的梯度正方向和负方向上寻找的梯度幅度的局部最大值，作为边缘梯度最大值；以所述边缘梯度最大值所对应的像素点作为当前边缘的中心点，分别沿着梯度方向的正方向与负方向寻找两个梯度幅度的局部最小值，两个局部最小值所在像素点之间的欧氏距离为强边缘宽度；所述强边缘强度得分与所述边缘梯度最大值正相关，与所述强边缘宽度负相关，设置指数提高所述强边缘强度对所述强边缘宽度的敏感度，计算方法如下：

优选的，所述计算获得当前图像块的所述背景复杂度修正值包括：

设定所述边缘梯度幅度阈值的一半为正负影响阈值，如果所述背景复杂度高于所述正负影响阈值，则输入图像的背景负向影响当前图像的清晰度得分，如果所述背景复杂度低于所述正负影响阈值，则输入图像的背景正向影响当前图像的清晰度得分；最后，采用背景像素数量占图像块像素数量的比例进一步修正背景影响，获得背景影响修正系数：

优选的，所述当前图像块的清晰度的计算方法如下：

与现有技术相比，本发明具有如下的有益效果：

本发明避免了图像内容差异性导致的图像清晰度得分差异性，修正了图像背景复杂度对图像清晰度的影响，实现了对部分清晰部分模糊图像的有效鉴别，供用户直接评估扫描得到的图像质量，与人为质量评估相比可以提高评估效率，促进形成统一的图像质量评估机制，为科学研究提供专业且合格的图像数据库，促进数据挖掘、深度学习等研究手段在例如智能病理诊断等领域的进一步应用。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例所述的病理图像清晰度评估流程；

图2为本发明实施例所述的强边缘宽度计算示例。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，本发明提供的全切片图像的无参考清晰度评估方法包括：采用金字塔多层数据结构存储数字图像，将金字塔多层数据结构的各层图像平均分割为若干图像块；通过大津阈值分割法在图像块的梯度幅度直方图中划分出强边缘，由强边缘的梯度最大值和宽度计算得到强边缘强度，并利用背景复杂度对强边缘强度进行修正，确定单个图像块的清晰度；设定清晰度的标准值，判定当前图像块是清晰图像还是模糊图像；根据各层清晰图像块所占比例，最终确定各层图像是否为清晰图像。

具体可分为四个步骤：金字塔多层数据结构构建步骤、清晰度初始值计算步骤、清晰度计算步骤以及判断步骤。

金字塔多层数据结构构建步骤：

通常采用高倍物镜进行病理切片数字化扫描，并将数字病理图像按金字塔多层数据结构存储，各层图像按照低分辨率到高分辨率对应2×、4×、10×、20×、40×等不同图像放大倍数，各层图像平均分割为若干256×256像素的长宽一致的图像块；以20×图层病理图像为例，针对某层图像，将当前RGB图像块转换为灰度图像，并用高斯滤波器进行滤波。

清晰度初始值计算步骤：

使用水平和竖直方向的索贝尔滤波器sobel_x，sobel_y分别对当前灰度图像进行滤波，得到水平和竖直方向的梯度幅度G_x和G_y：

在此基础上计算总的梯度幅度G和梯度方向θ：

如图2所示，根据大津阈值分割法在梯度幅度直方图中确定边缘梯度幅度阈值T，边缘梯度幅度大于阈值T即为强边缘，根据θ对这些边缘对应的梯度方向以做采样。在相应的梯度正方向和负方向上寻找梯度幅度的局部最大值max，该最大值作为当前边缘的边缘梯度最大值，该最大值对应的像素点作为当前边缘的中心点(A1)。然后从中心点开始，分别沿着梯度方向的正方向与负方向寻找两个梯度幅度的局部最小值，寻找局部最小值时因消除抖动的影响，两个局部最小值所在像素点(A2，A3)之间的欧氏距离即为当前边缘的宽度w。

一般来说，边缘梯度幅度的局部最大值越大，宽度值越小，说明此边缘越清晰，但是如果当前边缘的宽度等于零，说明此边缘非常模糊。为了提高强边缘强度对边缘宽度的敏感度，在此将边缘强度最大值的二次方或更高次方除以边缘宽度，计算公式如下：

清晰度初始值计算步骤：

计算图像块清晰度初始值，将上式得到的各个强边缘的强度s加权平均，得到当前图像块的边缘强度均值，作为图像块清晰度的初始值S₀：

清晰度计算步骤：

通过背景复杂度修正图像块清晰度，主要流程如下：将梯度幅度矩阵中低于阈值T的区域均为背景图像，对其对应的梯度幅度做加权平均得到背景复杂度c，并统计背景所占像素数量M_bg，设设定所述边缘梯度幅度阈值的一半为正负影响阈值T/2，如果背景复杂度c高于正负影响阈值T/2，则认为输入图像的背景负向影响当前图像的清晰度得分，如果背景复杂度c低于正负影响阈值T/2，则认为输入图像的背景正向影响当前图像的清晰度得分，结合背景像素数量M_bg占图像块全部像素数量P的比例，获得背景影响修正系数，进一步修正图像清晰度初始值S1。背景影响修正系数k在-1到1之间取值：

将当前图像块清晰度初始值乘以其背景复杂度修正值，获得当前图像块的清晰度(强边缘强度修正值)：

S＝S₀×k

判断步骤：

重复以上清晰度初始值计算步骤、清晰度计算步骤，遍历计算所有图像块的清晰度；设定清晰度标准值S_std(B11)，用于判定当前图像块是清晰图像还是模糊图像：

根据各层清晰图像块所占比例，来确定各层病理图像是否为清晰图像：

其中H_i为单个图像块的清晰程度，图像块总数为Q。针对不同放大倍数的图层，Sharp值不同，代表不同清晰度程度，例如对于2×图层，Sharp>90％该图层为清晰图像；对于10×图层，Sharp>85％该图层为清晰图像；对于20×图层，Sharp>80％该图层为清晰图像。

根据上述方法，本发明另提供一种全切片图像的无参考清晰度评估系统，包括：采用金字塔多层数据结构存储数字图像，将金字塔多层数据结构的各层图像平均分割为若干图像块；通过大津阈值分割法在图像块的梯度幅度直方图中划分出强边缘，由强边缘的梯度最大值和宽度计算得到强边缘强度，并利用背景复杂度对强边缘强度进行修正，确定单个图像块的清晰度；设定清晰度的标准值，判定当前图像块是清晰图像还是模糊图像；根据各层清晰图像块所占比例，最终确定各层图像是否为清晰图像。

具体可分为四个模块：金字塔多层数据结构构建模块、清晰度初始值计算模块、清晰度计算模块以及判断模块。

金字塔多层数据结构构建模块：

通常采用高倍物镜进行病理切片数字化扫描，并将数字病理图像按金字塔多层数据结构存储，各层图像按照低分辨率到高分辨率对应2×、4×、10×、20×、40×等不同图像放大倍数，各层图像平均分割为若干256×256像素的长宽一致的图像块；以20×图层病理图像为例，针对某层图像，将当前RGB图像块转换为灰度图像，并用高斯滤波器进行滤波。

清晰度初始值计算模块：

使用水平和竖直方向的索贝尔滤波器sobel_x，sobel_y分别对当前灰度图像进行滤波，得到水平和竖直方向的梯度幅度G_x和G_y：

在此基础上计算总的梯度幅度G和梯度方向θ：

如图2所示，根据大津阈值分割法在梯度幅度直方图中确定边缘梯度幅度阈值T，边缘梯度幅度大于阈值T即为强边缘，根据θ对这些边缘对应的梯度方向以做采样。在相应的梯度正方向和负方向上寻找梯度幅度的局部最大值max，该最大值作为当前边缘的边缘梯度最大值，该最大值对应的像素点作为当前边缘的中心点(A1)。然后从中心点开始，分别沿着梯度方向的正方向与负方向寻找两个梯度幅度的局部最小值，寻找局部最小值时因消除抖动的影响，两个局部最小值所在像素点(A2，A3)之间的欧氏距离即为当前边缘的宽度w。

一般来说，边缘梯度幅度的局部最大值越大，宽度值越小，说明此边缘越清晰，但是如果当前边缘的宽度等于零，说明此边缘非常模糊。为了提高强边缘强度对边缘宽度的敏感度，在此将边缘强度最大值的二次方或更高次方除以边缘宽度，计算公式如下：

清晰度初始值计算模块：

计算图像块清晰度初始值，将上式得到的各个强边缘的强度s加权平均，得到当前图像块的边缘强度均值，作为图像块清晰度的初始值S₀：

清晰度计算模块：

通过背景复杂度修正图像块清晰度，主要流程如下：将梯度幅度矩阵中低于阈值T的区域均为背景图像，对其对应的梯度幅度做加权平均得到背景复杂度c，并统计背景所占像素数量M_bg，设设定所述边缘梯度幅度阈值的一半为正负影响阈值T/2，如果背景复杂度c高于正负影响阈值T/2，则认为输入图像的背景负向影响当前图像的清晰度得分，如果背景复杂度c低于正负影响阈值T/2，则认为输入图像的背景正向影响当前图像的清晰度得分，结合背景像素数量M_bg占图像块全部像素数量P的比例，获得背景影响修正系数，进一步修正图像清晰度初始值S1。背景影响修正系数k在-1到1之间取值：

将当前图像块清晰度初始值乘以其背景复杂度修正值，获得当前图像块的清晰度(强边缘强度修正值)：

S＝S₀×k

判断模块：

重复以上清晰度初始值计算、清晰度计算，遍历计算所有图像块的清晰度；设定清晰度标准值S_std(B11)，用于判定当前图像块是清晰图像还是模糊图像：

根据各层清晰图像块所占比例，来确定各层病理图像是否为清晰图像：

其中H_i为单个图像块的清晰程度，图像块总数为Q。针对不同放大倍数的图层，Sharp值不同，代表不同清晰度程度，例如对于2×图层，Sharp>90％该图层为清晰图像；对于10×图层，Sharp>85％该图层为清晰图像；对于20×图层，Sharp>80％该图层为清晰图像。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种全切片图像的无参考清晰度评估方法，其特征在于，包括：采用金字塔多层数据结构存储数字图像，将金字塔多层数据结构的各层图像平均分割为若干图像块；通过大津阈值分割法在图像块的梯度幅度直方图中划分出强边缘，由强边缘的梯度最大值和宽度计算得到强边缘强度，并利用背景复杂度对强边缘强度进行修正，确定单个图像块的清晰度；设定清晰度的标准值，判定当前图像块是清晰图像还是模糊图像；根据各层清晰图像块所占比例，最终确定各层图像是否为清晰图像。

2.根据权利要求1所述的全切片图像的无参考清晰度评估方法，其特征在于，具体包括步骤：

金字塔多层数据结构构建步骤：由高倍物镜扫描图像，将图像按金字塔多层数据结构存储，各层对应不同图像放大倍数，各层平均分割为若干长宽一致的图像块，针对某层图像，将当前图像块转换为灰度图像，并用高斯滤波器进行滤波；

清晰度初始值计算步骤：使用水平和竖直方向的索贝尔滤波器分别对当前灰度图像进行滤波，得到水平和竖直方向的梯度幅度，在此基础上计算总的梯度幅度和梯度方向；根据大津阈值分割法在梯度幅度直方图中确定边缘梯度幅度阈值，边缘梯度幅度大于阈值为强边缘；计算获得各段强边缘强度，对多段强边缘强度进行加强平均，获得当前图像块的强边缘强度，并作为当前图像块的清晰度初始值；

清晰度计算步骤：将图像块的梯度幅度中低于边缘梯度幅度阈值的区域看作背景图像，对其对应的梯度幅度做加权平均得到背景复杂度；计算获得当前图像块的所述背景复杂度修正值，乘以所述清晰度初始值，获得当前图像块的清晰度；

判断步骤：重复清晰度初始值计算步骤以及清晰度计算步骤，计算所有图像块的清晰度，设定清晰度标准值，判断当前图像块是清晰图像块还是模糊图像块，根据清晰图像块的占比确定各层图像是否为清晰图像。

3.根据权利要求2所述的全切片图像的无参考清晰度评估方法，其特征在于，所述计算获得各段强边缘强度包括：

在强边缘的梯度正方向和负方向上寻找的梯度幅度的局部最大值，作为边缘梯度最大值；以所述边缘梯度最大值所对应的像素点作为当前边缘的中心点，分别沿着梯度方向的正方向与负方向寻找两个梯度幅度的局部最小值，两个局部最小值所在像素点之间的欧氏距离为强边缘宽度；所述强边缘强度得分与所述边缘梯度最大值正相关，与所述强边缘宽度负相关，设置指数提高所述强边缘强度对所述强边缘宽度的敏感度，计算方法如下：

4.根据权利要求2所述的全切片图像的无参考清晰度评估方法，其特征在于，所述计算获得当前图像块的所述背景复杂度修正值包括：

设定所述边缘梯度幅度阈值的一半为正负影响阈值，如果所述背景复杂度高于所述正负影响阈值，则输入图像的背景负向影响当前图像的清晰度得分，如果所述背景复杂度低于所述正负影响阈值，则输入图像的背景正向影响当前图像的清晰度得分；最后，采用背景像素数量占图像块像素数量的比例进一步修正背景影响，获得背景影响修正系数：

5.根据权利要求2所述的全切片图像的无参考清晰度评估方法，其特征在于，所述当前图像块的清晰度的计算方法如下：

6.一种全切片图像的无参考清晰度评估系统，其特征在于，包括：采用金字塔多层数据结构存储数字图像，将金字塔多层数据结构的各层图像平均分割为若干图像块；通过大津阈值分割法在图像块的梯度幅度直方图中划分出强边缘，由强边缘的梯度最大值和宽度计算得到强边缘强度，并利用背景复杂度对强边缘强度进行修正，确定单个图像块的清晰度；设定清晰度的标准值，判定当前图像块是清晰图像还是模糊图像；根据各层清晰图像块所占比例，最终确定各层图像是否为清晰图像。

7.根据权利要求6所述的全切片图像的无参考清晰度评估系统，其特征在于，具体包括：

金字塔多层数据结构构建模块：由高倍物镜扫描图像，将图像按金字塔多层数据结构存储，各层对应不同图像放大倍数，各层平均分割为若干长宽一致的图像块，针对某层图像，将当前图像块转换为灰度图像，并用高斯滤波器进行滤波；

清晰度初始值计算模块：使用水平和竖直方向的索贝尔滤波器分别对当前灰度图像进行滤波，得到水平和竖直方向的梯度幅度，在此基础上计算总的梯度幅度和梯度方向；根据大津阈值分割法在梯度幅度直方图中确定边缘梯度幅度阈值，边缘梯度幅度大于阈值为强边缘；计算获得各段强边缘强度，对多段强边缘强度进行加强平均，获得当前图像块的强边缘强度，并作为当前图像块的清晰度初始值；

清晰度计算模块：将图像块的梯度幅度中低于边缘梯度幅度阈值的区域看作背景图像，对其对应的梯度幅度做加权平均得到背景复杂度；计算获得当前图像块的所述背景复杂度修正值，乘以所述清晰度初始值，获得当前图像块的清晰度；

判断步骤：重复清晰度初始值计算模块以及清晰度计算模块，计算所有图像块的清晰度，设定清晰度标准值，判断当前图像块是清晰图像块还是模糊图像块，根据清晰图像块的占比确定各层图像是否为清晰图像。

8.根据权利要求7所述的全切片图像的无参考清晰度评估系统，其特征在于，所述计算获得各段强边缘强度包括：

在强边缘的梯度正方向和负方向上寻找的梯度幅度的局部最大值，作为边缘梯度最大值；以所述边缘梯度最大值所对应的像素点作为当前边缘的中心点，分别沿着梯度方向的正方向与负方向寻找两个梯度幅度的局部最小值，两个局部最小值所在像素点之间的欧氏距离为强边缘宽度；所述强边缘强度得分与所述边缘梯度最大值正相关，与所述强边缘宽度负相关，设置指数提高所述强边缘强度对所述强边缘宽度的敏感度，计算方法如下：

9.根据权利要求7所述的全切片图像的无参考清晰度评估系统，其特征在于，所述计算获得当前图像块的所述背景复杂度修正值包括：

设定所述边缘梯度幅度阈值的一半为正负影响阈值，如果所述背景复杂度高于所述正负影响阈值，则输入图像的背景负向影响当前图像的清晰度得分，如果所述背景复杂度低于所述正负影响阈值，则输入图像的背景正向影响当前图像的清晰度得分；最后，采用背景像素数量占图像块像素数量的比例进一步修正背景影响，获得背景影响修正系数：

10.根据权利要求7所述的全切片图像的无参考清晰度评估系统，其特征在于，所述当前图像块的清晰度的计算方法如下：