CN107578412A - 图像质量综合评价方法及系统 - Google Patents
图像质量综合评价方法及系统 Download PDFInfo
- Publication number
- CN107578412A CN107578412A CN201710893917.2A CN201710893917A CN107578412A CN 107578412 A CN107578412 A CN 107578412A CN 201710893917 A CN201710893917 A CN 201710893917A CN 107578412 A CN107578412 A CN 107578412A
- Authority
- CN
- China
- Prior art keywords
- image quality
- quality evaluation
- single factor
- factor test
- test 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
Landscapes
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及图像评价技术领域,具体涉及图像质量综合评价方法及系统,所述方法包括:选取若干不同的单因素图像质量评价指标;对于待评价的至少一幅图像中的每幅图像,分别计算针对每个单因素图像质量评价指标,计算每幅图像的各单因素图像质量评价指标值;根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。本发明能够在全面客观的范平图像质量的真实水平。
Description
技术领域
本发明涉及图像评价技术领域,具体涉及图像质量综合评价方法及系统。
背景技术
人类与自然界是通过感知联系起来的,感知中最重要的是视觉,而视觉对应的信息源大部分来自于图像。图像是对客观对象的生动描述,相对于其他表征方法更为有效与直观。高质量的图像对于人类感知和认识外界是十分重要的,在某种程度上,图像质量决定了所获取信息的充分性与准确性。然而,在图像的采集、压缩、传输、显示等过程中,图像很容易产生降质。图像质量是比较各种图像处理算法的优劣以及优化系统参数的重要指标,因此,建立有效的图像质量评价体系具有很重要的现实意义。
近年来,随着图像处理技术的发展,图像质量评价方法的研究也吸引了一批学者和研究机构。总的来说,图像质量评价方法可以分为主观评价法和客观评价法两大类。
图像质量主观评价法中,图像质量评价的主体是人,实验人员根据自己的主观感知来评价图像,给出观测分数。这种方法受主观因素影响很大,通常工作量繁琐,且由于应用需求不同使得主观评价缺乏清晰准确的结果,因此很难应用到实际场景中。
图像质量的客观评价是目前主流的评价方法,通常利用算法实现。目前常用的客观评价方法通常基于单因素评价指标,按照评价算法理论大致可分为4类:①基于信息论的评价方法,如信息熵、交叉熵等;②基于统计特性的评价方法,如平均梯度、峰值信噪比等;③基于相关性的评价方法,如偏差指数、相关系数等;④基于人眼视觉特性的评价方法。这些单因素图像质量评价指标通常基于根据图像的某一方面特性,利用数学公式来进行计算。实验员可根据不同的应用需求,选择不同特性对应的评价指标,来对图像质量进行评价。
由于主观评价方法的局限性,目前常用的图像质量评价方法还是客观评价方法。然而,客观评价方法通常也存在一些问题,现有的单指标图像质量客观评价方法由于各个单指标评价方法的机理和分析问题视角上的差异,容易导致“多指标评价结论非一致性”现象,即不同评价指标得到的评价结果会有矛盾性;同时,由于部分指标在评价算法上的相似性,得到的评价结果也可能出现相关性。
发明内容
本发明要解决的技术问题在于,克服现有的技术的不足,提供图像质量综合评价方法及系统,其能够在全面客观的范平图像质量的真实水平。
为达到上述技术目的,一方面,本发明所述的图像质量综合评价方法,所述方法包括:
选取若干不同的单因素图像质量评价指标;
对于待评价的至少一幅图像,针对每个单因素图像质量评价指标,分别计算每幅图像的各单因素图像质量评价指标值;
根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。
另一方面,本发明所述的图像质量综合评价系统,所述系统包括:
选取单元,用于选取若干不同的单因素图像质量评价指标;
单因素评价单元,用于对于待评价的至少一幅图像,针对每个单因素图像质量评价指标,分别计算每幅图像的各单因素图像质量评价指标值;
计算差异单元,用于根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
综合评价单元,根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。
本发明综合了多种评价指标构成指标集,来综合评价图像质量。整个图像质量综合评价完全基于客观指标,无主观评价带来的不确定性;能一次性综合更多的贴近于应用需求的评价指标,保证图像质量评价在各项不同需求指标上都能有所体现,避免了单因素评价指标的局限性和差异性,能更全面客观的评价图像质量。同时,整个评价过程简单易计算,也能满足某些图像质量评估场景的实时性要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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,还可以根据这些附图获得其它的附图。
图1为本发明实施例的方法流程示意图;
图2为本发明另一实施例的方法流程示意图;
图3为本发明实施例的系统结构示意图;
图4为本发明另一实施例的系统结构示意图;
图5为本发明实施例中子向量单元的结构示意图;
图6为本发明实施例中子向量片段模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,作为本发明的一种实施例,本发明提供的图像质量综合评价方法,所述方法包括:
101、选取若干不同的单因素图像质量评价指标;
102、对于待评价的至少一幅图像,针对每个单因素图像质量评价指标,分别计算每幅图像的各单因素图像质量评价指标值;
103、根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
104、根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。
如图2所示,作为本发明的另一种实施例,本发明提供的图像质量综合评价方法,所述方法包括:
201、选取若干不同的单因素图像质量评价指标;
202、对于待评价的至少一幅图像中的每幅图像,针对每个单因素图像质量评价指标,分别计算每幅图像的各单因素图像质量评价指标值;
203、将各单因素图像质量评价指标划分为收益性指标和成本性指标;分别对每幅图像的收益性指标对应的单因素图像质量评价指标值和成本性指标对应单因素图像质量评价指标值的进行无纲量化处理;
204、根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
205、根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。
在上述技术方案中,所述若干不同的单因素图像质量评价指标包括但不限于:标准差、平均梯度、相关系数、偏差指数、信息熵、互信息、信噪比和峰值信噪比。
作为优选技术方案,所述根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数,具体包括:
根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值,计算各单因素图像质量评价指标的熵;
根据各单因素图像质量评价指标的熵,得到每个单因素图像质量评价指标的差异系数。
作为优选技术方案,所述根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值,具体包括:
根据每个单因素图像质量评价指标的差异系数,计算得到各单因素图像质量评价指标的熵权;所述各单因素图像质量评价指标的熵权是指基于各单因素图像质量评价指标的熵计算得到的各单因素图像质量评价指标的权重。
根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值和各单因素图像质量评价指标的熵权,计算得到每幅图像的综合质量评价值。
如图3所示,作为本发明的一种实施例,本发明提供的图像质量综合评价系统,所述系统包括:
选取单元11,用于选取若干不同的单因素图像质量评价指标;
单因素评价单元12,用于对于待评价的至少一幅图像,针对每个单因素图像质量评价指标,分别计算每幅图像的各单因素图像质量评价指标值;
计算差异单元13,用于根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
综合评价单元14,根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值;
如图4所示,作为本发明的另一种实施例,本发明提供的图像质量综合评价系统,所述系统包括:
选取单元11,用于选取若干不同的单因素图像质量评价指标;
单因素评价单元12,用于对于待评价的至少一幅图像,针对每个单因素图像质量评价指标,分别计算每幅图像的各单因素图像质量评价指标值;
归一化单元21,用于将各单因素图像质量评价指标划分为收益性指标和成本性指标;并分别对每幅图像的收益性指标对应的单因素图像质量评价指标值和成本性指标对应单因素图像质量评价指标值的进行无纲量化处理;
计算差异单元13,用于根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
综合评价单元14,根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。
在上述技术方案中,所述若干不同的单因素图像质量评价指标包括但不限于:标准差、平均梯度、相关系数、偏差指数、信息熵、互信息、信噪比和峰值信噪比。
如图5所示,作为一种可能结构,所述计算差异单元13包括:
计算熵模块131,用于根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值,计算各单因素图像质量评价指标的熵;
计算差异系数模块132,用于根据各单因素图像质量评价指标的熵,得到每个单因素图像质量评价指标的差异系数。
如图6所示,作为一种可能结构,所述综合评价单元14包括:
计算熵权模块141,用于根据每个单因素图像质量评价指标的差异系数,计算得到各单因素图像质量评价指标的熵权;
综合计算模块142,用于根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值和各单因素图像质量评价指标的熵权,计算得到每幅图像的综合质量评价值。
下面结合实例,对本发明进行详细说明:
步骤一、获取待评价的m幅图像,记为I1,I2,…,Im;m≥1;
步骤二、选取n个(n≥1)不同的单因素图像质量评价指标;根据评价结果的应用需求,选取n个合适的单因素图像质量评价指标,构成评价指标集B={B1,B2,…,Bn},其中Bj代表每个评价指标,j=1,2,…,n。常用的单因素图像评价指标包括但不限于:
1、标准差STD:由图像像素均值间接求得的,反映图像当前的像素值与整体像素均值的离散程度。一般来说,其取值越大则图像的整体像素灰度级分布越分散,视觉效果越好。
其中,图像大小为M×N,单位为像素,F(i,j)表示图像在坐标(i,j)处的像素值。
2、平均梯度比较图像清晰度的一个至关重要的指标,其取值能够反映出图像中微小细节反差的变化程度。图像中某一方向的灰度级变化率越大或层次越多,平均梯度值就越大,即图像的清晰度越好。
其中,图像大小为M×N,单位为像素,F(i,j)表示图像在坐标(i,j)处的像素值。
3、相关系数Ck:能够反映图像F与参考图像A之间的相关程度。两幅图像的相关系数越接近于1,表示图像的接近度越好。
其中,图像大小为M×N,单位为像素,k表示图像的某一通道,Fk(i,j)表示图像F第k个通道中坐标(i,j)处的像素值,Ak(i,j)表示图像A第k个通道中坐标(i,j)处的像素值。
4、偏差指数利用图像F与参考图像A之间的信息差异来计算其相对偏差程度的一个重要参考指标,其取值大小能够体现待评价图像与参考图像像素范围值的相对差异。
其中,图像大小为M×N,单位为像素,k表示图像的某一通道,Fk(i,j)表示图像F第k个通道中坐标(i,j)处的像素值,Ak(i,j)表示图像A第k个通道中坐标(i,j)处的像素值。
5、信息熵Hn:含义为图像的平均信息量。对于一幅独立的图像,可认为其每个元素的灰度值是相互独立的,定义图像F的灰度分布为p={p1,p2,…,pn},pi为灰度值等于i的像素值与图像总像素数之比,L为灰度级总数,则信息熵Hn定义为:
其中,
一般情况下,信息熵值越大表明图像信息保留的程度越好,其携带信息量的能力越强。
6、互信息MIA,B,F:也称为相关熵,可用来衡量图像从原始参考图像中继承信息的多少,其定义为:
其中,PAB(i,j)为图像A、B的归一化联合直方图,而PAB,F(i,j,k)为图像A、B、F的归一化联合直方图,PF(k)指的是图像F的直方图。一般来说,互信息的取值越大表明图像与原始参考图像的联系越紧密,信息量保留的能力越强。
7、信噪比SNR:考虑噪声对图像的影响,可将待评价图像与参考图像的差异当作噪声。信噪比越大,图像质量越好。
其中,图像大小为M×N,单位为像素,F(i,j)表示待评价图像F中坐标(i,j)处的像素值,R(i,j)表示参考图像R中坐标(i,j)处的像素值。
8、峰值信噪比PSNR:用于衡量图像有效信息与噪音之间的比率。峰值信噪比越大,图像质量越好。
其中,图像大小为M×N,单位为像素,F(i,j)表示待评价图像F中坐标(i,j)处的像素值,R(i,j)表示参考图像R中坐标(i,j)处的像素值。
步骤三、对于待评价的m幅图像中的每幅图像,分别计算针对每个单因素图像质量评价指标,计算每幅图像的各单因素图像质量评价指标值;
对每幅图像I1,I2,…,Im,按照步骤二中选取的n个单因素图像质量评价指标,分别计算对应评价指标值,然后将每幅图像的各单因素图像质量评价指标值,构成原始评价矩阵R:
其中,rij代表了图像Ii在第j个各单因素图像质量评价指标对应的评价指标值。
步骤四、将各单因素图像质量评价指标划分为收益性指标和成本性指标;分别对每幅图像的收益性指标对应的单因素图像质量评价指标值和成本性指标对应单因素图像质量评价指标值的进行无纲量化处理;
收益性指标是指指标值越大越好,成本性指标是指指标值越小越好,结果记为矩阵S=(sij)m×n。
对S进行归一化处理(即:无纲量化处理),记为:
这样得到且数据间的比例关系也不会被破坏。最终得到的图像质量综合评价矩阵为
步骤五、根据各单因素图像质量评价指标的熵,得到每个单因素图像质量评价指标的差异系数:
根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值,计算各单因素图像质量评价指标的熵;
对步骤二中的指标集B,计算B中每个单因素图像质量评价指标的熵Hj;定义第j个单因素图像质量评价指标的熵为:
其中,
当时,熵值Hj最大,即(Hj)max=k·lnm,因此令这样使得0≤Hj≤1,方便后续处理。
根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
定义第j个单因素图像质量评价指标的差异系数cj为:
cj=1-Hj(j=1,2,…,n) 式5.3
步骤六、根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。
根据每个单因素图像质量评价指标的差异系数,计算得到各单因素图像质量评价指标的熵权;
计算每个单因素图像质量评价指标的熵权wj,即每个单因素图像质量评价指标权重;
定义第j个单因素图像质量评价指标权重的值为:
其中,定义的熵权满足0≤wj≤1且
熵权值有以下特点:
(1)若各被评价对象在指标j上的值相差较小,则熵值Hj近似于1,熵权wj较小或接近0,这意味着该指标向综合评价系统提供有用信息较少,该指标意义不大;
(2)若各被评价对象在指标j上的值相差较大,则熵值Hj较小,熵权wj较大,这意味着各对象在该指标上有明显差异,该指标向综合评价模型提供了较多的有用信息,具有比较重要的意义。
由上述讨论可看出,计算熵权可以通过同一指标在不同被评价对象观测值之间的差异程度来反映其重要程度,从而突出局部差异来计算指标权重。指标权重越大,则代表对应指标在综合评价系统中起到的作用越大。
根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值和各单因素图像质量评价指标的熵权,计算得到每幅图像的综合质量评价值;
每幅图像的综合质量评价值为:
xi即为各待评价图像在本发明方法下的综合评价值。根据xi的大小评价各图像质量。xi越大,表明第i幅图像的质量越好。
本发明实施例提供了提供的图像质量综合评价系统,可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
与传统的单因素图像质量评价系统相比,本发明综合了多种评价指标构成指标集,利用熵权法分析各指标对图像质量评价提供的信息量大小,并赋予各指标相应的权重,从而得到最终的图像质量综合评价值。整个图像质量综合评价方法及系统完全基于客观指标,无主观评价带来的不确定性,能一次性综合更多的贴近于应用需求的评价指标,保证图像质量评价在各项不同需求指标上都能有所体现,避免了单因素评价指标的局限性和差异性,能更全面客观的评价图像质量。同时,计算过程简单易实现,也能满足某些图像质量评估场景的实时性要求。
本发明分析不同单因素评价指标对综合评价系统的贡献大小,赋予对应的权值,进一步实现了图像质量的综合评价。本发明摒弃了传统主观评价的局限性以及繁重的工作量,也克服了现有单因素客观评价指标之间的相关性和差异性。因此,本发明具有简便性、客观性和合理性,满足实时性较高的图像评价评价场景,在实际应用中具有重要意义。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像质量综合评价方法,其特征在于,所述方法包括:
选取若干不同的单因素图像质量评价指标;
对于待评价的至少一幅图像,针对每个单因素图像质量评价指标,分别计算每幅图像的各单因素图像质量评价指标值;
根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。
2.根据权利要求1所述的图像质量综合评价方法,其特征在于,所述若干不同的单因素图像质量评价指标包括但不限于:标准差、平均梯度、相关系数、偏差指数、信息熵、互信息、信噪比和峰值信噪比。
3.根据权利要求1或2所述的图像质量综合评价方法,其特征在于,所述分别计算每幅图像的各单因素图像质量评价指标值之后,还包括:
将各单因素图像质量评价指标划分为收益性指标和成本性指标;
分别对每幅图像的收益性指标对应的单因素图像质量评价指标值和成本性指标对应的单因素图像质量评价指标值,进行无纲量化处理。
4.根据权利要求3所述的图像质量综合评价方法,其特征在于,所述根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数,具体包括:
根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值,计算各单因素图像质量评价指标的熵;
根据各单因素图像质量评价指标的熵,得到每个单因素图像质量评价指标的差异系数。
5.根据权利要求4所述的图像质量综合评价方法,其特征在于,所述根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值,具体包括:
根据每个单因素图像质量评价指标的差异系数,计算得到各单因素图像质量评价指标的熵权;
根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值和各单因素图像质量评价指标的熵权,计算得到每幅图像的综合质量评价值。
6.一种图像质量综合评价系统,其特征在于,所述系统包括:
选取单元,用于选取若干不同的单因素图像质量评价指标;
单因素评价单元,用于对于待评价的至少一幅图像,针对每个单因素图像质量评价指标,分别计算每幅图像的各单因素图像质量评价指标值;
计算差异单元,用于根据每幅图像的各单因素图像质量评价指标值,计算每个单因素图像质量评价指标的差异系数;
综合评价单元,根据每个单因素图像质量评价指标的差异系数和每幅图像的各单因素图像质量评价指标值,计算得到每幅图像的综合质量评价值。
7.根据权利要求6所述的图像质量综合评价系统,其特征在于,所述若干不同的单因素图像质量评价指标包括但不限于:标准差、平均梯度、相关系数、偏差指数、信息熵、互信息、信噪比和峰值信噪比。
8.根据权利要求6或7所述的图像质量综合评价系统,其特征在于,所述系统还包括:
归一化单元,用于将各单因素图像质量评价指标划分为收益性指标和成本性指标;并分别对每幅图像的收益性指标对应的单因素图像质量评价指标值和成本性指标对应的单因素图像质量评价指标值,进行无纲量化处理。
9.根据权利要求8所述的图像质量综合评价系统,其特征在于,所述计算差异单元包括:
计算熵模块,用于根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值,计算各单因素图像质量评价指标的熵;
计算差异系数模块,用于根据各单因素图像质量评价指标的熵,得到每个单因素图像质量评价指标的差异系数。
10.根据权利要求9所述的图像质量综合评价系统,其特征在于,所述综合评价单元包括:
计算熵权模块,用于根据每个单因素图像质量评价指标的差异系数,计算得到各单因素图像质量评价指标的熵权;
综合计算模块,用于根据无纲量化处理后的每幅图像的各单因素图像质量评价指标值和各单因素图像质量评价指标的熵权,计算得到每幅图像的综合质量评价值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710893917.2A CN107578412B (zh) | 2017-09-28 | 2017-09-28 | 图像质量综合评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710893917.2A CN107578412B (zh) | 2017-09-28 | 2017-09-28 | 图像质量综合评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107578412A true CN107578412A (zh) | 2018-01-12 |
CN107578412B CN107578412B (zh) | 2021-03-02 |
Family
ID=61039325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710893917.2A Active CN107578412B (zh) | 2017-09-28 | 2017-09-28 | 图像质量综合评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578412B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147824A (zh) * | 2019-04-18 | 2019-08-20 | 微梦创科网络科技(中国)有限公司 | 一种图像的自动分类方法及装置 |
JP2020008446A (ja) * | 2018-07-10 | 2020-01-16 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
CN111091532A (zh) * | 2019-10-30 | 2020-05-01 | 中国资源卫星应用中心 | 一种基于多层感知机的遥感影像色彩评价方法和系统 |
CN111179259A (zh) * | 2019-12-31 | 2020-05-19 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
CN112364414A (zh) * | 2020-10-26 | 2021-02-12 | 中国能源建设集团安徽电力建设第一工程有限公司 | 一种基于bim技术的三维施工场地布置方法 |
CN113222979A (zh) * | 2021-06-01 | 2021-08-06 | 长春理工大学 | 一种基于多图谱的颅底卵圆孔自动分割方法 |
CN114897885A (zh) * | 2022-06-17 | 2022-08-12 | 北京东宇宏达科技有限公司 | 一种红外图像质量综合评价系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567996A (zh) * | 2012-01-05 | 2012-07-11 | 中国地质大学(武汉) | 一种遥感卫星图像质量评价的方法 |
CN103810689A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 一种新的图像融合效果评价算法 |
CN105261013A (zh) * | 2015-09-25 | 2016-01-20 | 孙高磊 | 一种扫描图像质量综合评价方法及评价系统 |
CN105956159A (zh) * | 2016-05-13 | 2016-09-21 | 浙江科技学院 | 一种评价图像质量客观方法综合效率的算法 |
CN106296669A (zh) * | 2016-08-01 | 2017-01-04 | 微梦创科网络科技(中国)有限公司 | 一种图像质量评价方法和装置 |
-
2017
- 2017-09-28 CN CN201710893917.2A patent/CN107578412B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567996A (zh) * | 2012-01-05 | 2012-07-11 | 中国地质大学(武汉) | 一种遥感卫星图像质量评价的方法 |
CN103810689A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 一种新的图像融合效果评价算法 |
CN105261013A (zh) * | 2015-09-25 | 2016-01-20 | 孙高磊 | 一种扫描图像质量综合评价方法及评价系统 |
CN105956159A (zh) * | 2016-05-13 | 2016-09-21 | 浙江科技学院 | 一种评价图像质量客观方法综合效率的算法 |
CN106296669A (zh) * | 2016-08-01 | 2017-01-04 | 微梦创科网络科技(中国)有限公司 | 一种图像质量评价方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020008446A (ja) * | 2018-07-10 | 2020-01-16 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
JP7155681B2 (ja) | 2018-07-10 | 2022-10-19 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
US11631242B2 (en) | 2018-07-10 | 2023-04-18 | Sony Group Corporation | Information processing apparatus, information processing method, and program |
CN110147824A (zh) * | 2019-04-18 | 2019-08-20 | 微梦创科网络科技(中国)有限公司 | 一种图像的自动分类方法及装置 |
CN111091532A (zh) * | 2019-10-30 | 2020-05-01 | 中国资源卫星应用中心 | 一种基于多层感知机的遥感影像色彩评价方法和系统 |
CN111179259A (zh) * | 2019-12-31 | 2020-05-19 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
CN111179259B (zh) * | 2019-12-31 | 2023-09-26 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
CN112364414A (zh) * | 2020-10-26 | 2021-02-12 | 中国能源建设集团安徽电力建设第一工程有限公司 | 一种基于bim技术的三维施工场地布置方法 |
CN112364414B (zh) * | 2020-10-26 | 2023-12-22 | 中能建建筑集团有限公司 | 一种基于bim技术的三维施工场地布置方法 |
CN113222979A (zh) * | 2021-06-01 | 2021-08-06 | 长春理工大学 | 一种基于多图谱的颅底卵圆孔自动分割方法 |
CN114897885A (zh) * | 2022-06-17 | 2022-08-12 | 北京东宇宏达科技有限公司 | 一种红外图像质量综合评价系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107578412B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578412A (zh) | 图像质量综合评价方法及系统 | |
CN109167996B (zh) | 一种基于卷积神经网络的无参考立体图像质量评价方法 | |
CN106469302B (zh) | 一种基于人工神经网络的人脸肤质检测方法 | |
Wang et al. | A fast roughness-based approach to the assessment of 3D mesh visual quality | |
Xiao et al. | Looking against the light: How perception of translucency depends on lighting direction | |
Interrante et al. | Elucidating factors that can facilitate veridical spatial perception in immersive virtual environments | |
CN108389192A (zh) | 基于卷积神经网络的立体图像舒适度评价方法 | |
Heitz et al. | Importance sampling microfacet‐based BSDFs using the distribution of visible normals | |
Pan et al. | Quality metric for approximating subjective evaluation of 3-D objects | |
CN109559276B (zh) | 一种基于质量评价和特征统计的图像超分辨率重建方法 | |
Sheikh et al. | A statistical evaluation of recent full reference image quality assessment algorithms | |
CN108875935A (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
CN110136056A (zh) | 图像超分辨率重建的方法和装置 | |
CN108335289A (zh) | 一种全参考融合的图像客观质量评价方法 | |
CN104361593A (zh) | 一种基于hvs和四元数的彩色图像质量评价方法 | |
CN101923607A (zh) | 一种血管计算机辅助影像学评估系统 | |
CN108629291A (zh) | 一种抗网格效应的人脸深度预测方法 | |
CN108932705A (zh) | 一种基于矩阵变量变分自编码器的图像处理方法 | |
CN110516716A (zh) | 基于多分支相似度网络的无参考图像质量评价方法 | |
Gifford | A visual‐search model observer for multislice‐multiview SPECT images | |
CN105205504B (zh) | 一种基于数据驱动的图像关注区域质量评价指标学习方法 | |
CN110335666A (zh) | 医学影像评估方法、装置、计算机设备及存储介质 | |
CN110286938A (zh) | 用于输出针对用户的评价信息的方法和装置 | |
CN106127234A (zh) | 基于特征字典的无参考图像质量评价方法 | |
CN110232680A (zh) | 一种图像模糊度评价方法及装置 |
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 |