CN108109145A - 图像质量检测方法、装置、存储介质和电子装置 - Google Patents
图像质量检测方法、装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN108109145A CN108109145A CN201810002276.1A CN201810002276A CN108109145A CN 108109145 A CN108109145 A CN 108109145A CN 201810002276 A CN201810002276 A CN 201810002276A CN 108109145 A CN108109145 A CN 108109145A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- quality
- group
- similarity
- 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.)
- Pending
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
Abstract
本发明提供了一种图像质量检测方法、装置、存储介质和电子装置,该方法包括:对比第一图像与第二图像的图片质量,得到质量优劣对比信息,其中,该第一图像和第二图像构成一组图像;对比所述第一图像和所述第二图像的相似度,得到相似度信息;利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比结果。通过本发明,解决了相关技术中存在的无法对图像内容不完全一致的一组图像进行对比的问题,进而达到了对图像内容不完全一致的一组图像进行对比的效果。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种图像质量检测方法、装置、存储介质和电子装置。
背景技术
图像作为视觉信息的主要来源,蕴含了大量的有价值信息,然而,在图像的获取、存储、传输、显示等过程中不可避免地会引入一些干扰因素,这些损失的可见性对消费者体验有着极大的影响,因此,对图像质量的可靠评估,在接受承诺的服务质量和改善终端用户的体验质量方面扮演着重要角色。
图像质量评价可以分为主观评价方法和客观评价方法,主观评价由观察者对图像质量进行主观评分,主观评价工作量大、耗时长,使用起来很不方便。客观评价方法是由计算机根据一定算法计算得到图像的质量指标,根据评价时是否需要参考图像又可以分为全参考(Full-Reference,FR)、半参考(部分参考)(Reduced-Reference,RR)和无参考(No-Reference,NR)等三类评价方法。半参考方法也称为部分参考方法,半参考方法只能评价图片中的部分图像,不能对整体图片的质量进行评价。无参考方法也称为盲图像质量(BlindImage Quality,BIQ)评价方法,由于没有参考图像,以及图像内容的千变万化,使得无参考图像质量评价相对困难。
目前,常用于整体图像的评价方法是全参考图像质量评价(FR-IQA)。在现有的全参考图像质量评价(FR-IQA)领域常规的做法有:传统方法、基于结构相似度的方法、基于自然场景分析(NSS)的方法、基于特征相似性的方法,这些方法作为领域内较为成熟的方案都有着公开的实现代码与使用方法,它们在FR-IQA领域都有着相当的可用性与可比性,然而它们存在一些缺陷不足:1)在FR-IQA中,输入的成对图像(也可以称为一组图像)中需要已知较高质量的图像作为参考图像,另一张为需要进行质量评价(与参考图像质量对比)的目标图像;但在实际操作中,往往不知道成对图像中哪个图像为较高质量的图像,因此,通过FR-IQA的相关方法仅能得出此成对图像的质量差异,并不能对比出它们的质量高低之分。2)在FR-IQA中,输入的成对参考图像与目标图像的图像内容是完全一致的,但于成对图像的图像内容无法保证完全一致(例如图1所示的图像,其中,此成对图像质量优劣未知,图像内容并非完全一致,但均为针对同一场景同一环境的图像,即图像内容基本一致),它们的质量差异不能够通过FR-IQA方法直接得出。
针对相关技术中存在的无法对图像内容不完全一致的一组图像进行对比的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像质量检测方法、装置、存储介质和电子装置,以至少解决相关技术中存在的无法对图像内容不完全一致的一组图像进行对比的问题。
根据本发明的一个实施例,提供了一种图像质量检测方法,包括:对比第一图像与第二图像的图片质量,得到质量优劣对比信息,其中,所述第一图像和所述第二图像构成一组图像;对比所述第一图像和所述第二图像的相似度,得到相似度信息;利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比结果。
可选地,对比一组图像中的第一图像与第二图像的图片质量,得到质量优劣对比信息包括:使用第一模型对所述第一图像和所述第二图像的图片质量进行对比,得到所述质量优劣对比信息,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:一组图像中的每张图像的质量特征信息,其中,所述质量特征信息通过以下信息确定:像素值的局部归一化信息、均值减损对比归一化MSCN乘积信息、梯度信息、Log-Gabor滤波器的响应信息、色彩统计特征信息。
可选地,所述第一模型是通过如下方式训练出的:分别对训练集中的每组图像中的每一张图像进行分块,并从分块得到的图像块中选取视觉显著性VS高于预定阈值的图像块;确定选取的一组图像中的每一张图像的图像块的所述质量特征信息;以一组图像对应的质量特征信息的优劣信息为标注,训练得到一组图像质量优劣判断的模型文件。
可选地,确定选取的一组图像中的每一张图像的图像块的所述质量特征信息包括:在通过所述像素值的局部归一化信息确定所述质量特征信息时,获取对所述图像块进行局部归一化后的像素值分布,利用泛高斯GGD对所述像素值分布进行拟合,并利用拟合得到的第一参数确定所述质量特征信息;在通过所述MSCN乘积信息确定所述质量特征信息时,在对所述图像块进行局部归一化后,获取所述图像块中的每个像素点的空间相邻系数乘积分布,利用所述非对称泛高斯AGGD对所述空间相邻系数乘积分布进行拟合,并利用拟合得到的第二参数确定所述质量特征信息;在通过所述梯度信息确定所述质量特征信息时,获取所述图像块的图像像素梯度,利用所述图像像素梯度确定所述图像块的梯度模分布,利用Weibull分布对所述梯度模分布进行拟合,并利用拟合得到的第三参数确定所述质量特征信息;在通过所述Log-Gabor滤波器的响应信息确定所述质量特征信息时,利用所述Log-Gabor滤波器对所述图像块进行多尺度、多方向的滤波得到滤波结果,利用所述GGD对所述滤波结果的偏导数进行拟合,并利用拟合得到的第四参数确定所述质量特征信息;在通过所述色彩统计特征信息确定所述质量特征信息时,将所述图像块的三色素中的各颜色通道均转换到去均值的对数空间,再把转换到对数空间中的所述各颜色通道转换到对立色彩空间,利用高斯分布对所述各颜色通道在所述对立色彩空间中的预定系数进行拟合,并利用拟合得到的第五参数确定所述质量特征信息。
可选地,对比所述第一图像和所述第二图像的相似度,得到相似度信息包括:利用尺度不变特征变换SIFT描述子和随机采样一致性RANSAC提取所述第一图像和所述第二图像的公共区域;利用基于VS的VSI算法对所述公共区域进行质量水平相似度分析,得到所述相似度信息。
可选地,在利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比信息之后,所述方法还包括以下至少之一:根据所述对比信息确定所述第一图像和所述第二图像中待删除的劣质图像;根据所述对比信息确定拍摄所述第一图像的第一拍摄设备和拍摄所述第二图像的第二拍摄设备中的优质拍摄设备。
根据本发明的另一个实施例,提供了一种图像质量检测装置,包括:第一对比模块,用于对比第一图像与第二图像的图片质量,得到质量优劣对比信息,其中,所述第一图像和所述第二图像构成一组图像;第二对比模块,用于对比所述第一图像和所述第二图像的相似度,得到相似度信息;第一确定模块,用于利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比结果。
可选地,所述第一对比模块包括:对比单元,用于使用第一模型对所述第一图像和所述第二图像的图片质量进行对比,得到所述质量优劣对比信息,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:一组图像中的每张图像的质量特征信息,其中,所述质量特征信息通过以下信息确定:像素值的局部归一化信息、均值减损对比归一化MSCN乘积信息、梯度信息、Log-Gabor滤波器的响应信息、色彩统计特征信息。
可选地,所述第一模型是通过如下方式训练出的:分别对训练集中的每组图像中的每一张图像进行分块,并从分块得到的图像块中选取视觉显著性VS高于预定阈值的图像块;确定选取的一组图像中的每一张图像的图像块的所述质量特征信息;以一组图像对应的质量特征信息的优劣信息为标注,训练得到一组图像质量优劣判断的模型文件。
可选地,所述第二对比模块包括:提取单元,用于利用尺度不变特征变换SIFT描述子和随机采样一致性RANSAC提取所述第一图像和所述第二图像的公共区域;分析单元,用于利用基于VS的VSI算法对所述公共区域进行质量水平相似度分析,得到所述相似度信息。
可选地,所述装置还包括以下至少之一:第二确定模块,用于在利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比信息之后,根据所述对比信息确定所述第一图像和所述第二图像中待删除的劣质图像;第三确定模块,用于在利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比信息之后,根据所述对比信息确定拍摄所述第一图像的第一拍摄设备和拍摄所述第二图像的第二拍摄设备中的优质拍摄设备。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,所述电子装置包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,对一组图像的质量优劣和相似度都进行了对比,综合得到一组图像的质量对比信息,因此,在进行图像对比时无需事先确定参考的图像,且进行对比的图像不需要完全一致。因此,可以解决相关技术中存在的无法对图像内容不完全一致的一组图像进行对比的问题,进而达到了对图像内容不完全一致的一组图像进行对比的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的图像内容基本一致的成对图像的示例图;
图2是根据本发明实施例的图像质量检测方法的移动终端的硬件结构框图;
图3是根据本发明实施例的图像质量检测方法的流程图;
图4是根据本发明实施例的来自TID2013数据库图像的示例图;
图5是根据本发明可选实施例的偏导数的分布和梯度模的分布的示例图;
图6是根据本发明可选实施例的色彩发生变化示例图和相关系数分布图;
图7是根据本发明可选实施例的成对图像质量相似度评分算法流程图;
图8是根据本发明可选实施例的基于视觉显著性的全参考图像质量评价算法VSI的计算框架图;
图9是根据本发明可选实施例的图像质量检测装置的结构示意图。
具体实施方式
近20年,图像质量评价(Image Quality Assessment,IQA)领域研究受到了广泛的关注,希望能自动预测图像质量,与图像质量评价相关的方法在各种图像处理中都得到广泛应用,例如图像的压缩、传输、恢复、增强等等。下面介绍一下与本发明相关的现有技术。
图像质量评价可以分为主观评价方法和客观评价方法,主观评价由观察者对图像质量进行主观评分,一般采用平均主观得分(Mean OpinionScore,MOS)或平均主观得分差异(Differential Mean Opinion Score,DMOS)(即人眼对无失真图像和有失真图像评价得分的差异)表示,但主观评价工作量大、耗时长,使用起来很不方便;客观评价方法是由计算机根据一定算法计算得到图像的质量指标,根据评价时是否需要参考图像又可以分为全参考(Full-Reference,FR)、半参考(部分参考)(Reduced-Reference,RR)和无参考(No-Reference,NR)等三类评价方法。
全参考方法在评价失真图像时,需要提供一个无失真的原始图像,经过对二者的比对,得到一个对失真图像的评价结果,即全参考的图像质量评价可以看作是成对图像(也可以称为一组图像,但是并不限于两个图像的图像质量评价,后续不再赘述)质量对比的一种形式,且其中一张图像已知为高质量图像(参考图像),根据质量对比结果得到另一张图像(目标图像)的质量评价。随着研究的发展,这类方法的准确性越来越高,但其缺点是需要提供无失真的参考图像,这在实际应用中往往很难得到。
半参考方法也称为部分参考方法,它不需要将失真图像与原始图像相比较,而只需要将失真图像的某些特征与原始图像的相同特征进行比较,其相应的应用领域包括视频传输中的数字水印验证、利用副通道进行视频质量监控与码率控制等。
无参考方法也称为盲图像质量(Blind Image Quality,BIQ)评价方法,则完全无需参考图像,根据失真图像的自身特征来估计图像的质量。无参考方法最具实用价值,有着非常广泛的应用范围,但正是由于没有参考图像,以及图像内容的千变万化,使得无参考图像质量评价相对更为困难。
本发明主要涉及的技术领域为全参考图像质量评价(FR-IQA)领域,现有公开技术常规做法有:1)传统方法:对于目标图像计算其与参考图像的均方误差(MSE)或峰值信噪比(PSNR),作为目标图像的质量评价结果。MSE和PSNR的优点是计算简单,缺点是它们单纯地计算图像之间灰度值的差异,并没有考虑像素之间的结构关系。它们将图像的所有像素点对人眼提供的信息都等同对待,而事实上人眼在观察图像的时候是有感兴趣区域的,它们的计算结果不能与图像的视觉效果保持一致。2)基于结构相似度的方法:Wang等人认为结构信息反映了场景中的结构特征,同时亮度和对比度对图像的质量以及人类观察图像时提取感兴趣的区域起到很大的作用,因此提出了综合这三种信息的结构相似性指标(Structural Similarity,SSIM);使用11×11的高斯加权窗口在参考图像和失真图像中逐像素移动,每次都在11×11的局部窗口中计算两幅图像的SSIM,得到SSIM map,最后综合所有图像块对图像进行总体评价。由于考虑了人类视觉效果,相比于MSE和PSNR来说,SSIM方法具有较好的相关性,计算也比较简洁,得到了广泛应用;同时,结构相似性给出了图像质量评价研究一个很好的研究方向,人们对结构相似性方法做出了许多改进,如Wang等人提出的多尺度结构相似性(MSSIM),Chen等人提出的基于梯度的结构相似性(GSSIM)、Li等人提出的3-SSIM。3)基于自然场景分析(NSS)的方法:通常把使用高质量的捕获设备获得的视频或图像称为自然场景(natural scene),自然场景只是所有可能图像的一小部分,现实世界中大多数的退化过程都会扰乱这些统计特征,使得图像或视频信号变得“不自然”。许多学者已经研究出了一些对自然场景统计特征进行建模的方法,典型的基于NSS的方法有由Sheikh等提出的视觉信息保真度(Visual Information Fidelity,VIF)。VIF方法通过衡量两种共同信息来评价图像质量,一种信息是经由HVS通道(没有失真存在时)得到的输出图像和输入图像的共同信息,称为参考图像信息,另一种信息是失真通道的输入和输出的共同信息,称为失真图像信息,VIF即为这两种信息的比值。它的最大特点是,对于线性对比度增强的图像,计算得到的值大于1,而其他情况下VIF的值在0和1之问。这在很大程度上符合人的视觉感受,因为对比度增强的主要目的就是增强图像的视觉效果。4)基于特征相似性的方法人眼主要是根据图像中的低级特征(如阶跃边缘、零交叉边缘等)来理解图像,基于生理和心理学研究发现,人类视觉可察觉到的特征和不同频率下傅里叶级数的相位一致性是一致的,也就是说人类感觉到的图像特征总是位于相位一致性高的点上。相位一致性可以被看做是体现局部结构信息重要性的一种无量纲。Liu等人把相位一致性(PC)用于图像质量评价,特征相似性(Feature Similarity,FSIM)选取相位一致性信息作为第一个特征;考虑到相位一致性不受对比度的影响,而对比度会影响图像的质量,因此FSIM引入了图像梯度作为第二个特征。相位一致性和梯度信息共同合作,有效地提取人类感兴趣的特征点,基于特征相似性的图像质量评价方法也就取得了比较好的结果。这些常规方法作为领域内较为成熟的方案都有着公开的实现代码与使用方法,它们在FR-IQA领域都有着相当的可用性与可比性,然而它们存在着如本申请背景技术中所陈述的问题。
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例中的关键是针对相关技术中无法实现一组图像质量对比,提出一种一组图像质量对比方法,能够实现对内容不完全一致的一组图像进行质量对比。下面结合实施例对本发明进行说明:
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图2是本发明实施例的一种图像质量检测方法的移动终端的硬件结构框图。如图2所示,移动终端20可以包括一个或多个(图2中仅示出一个)处理器202(处理器202可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器204、以及用于通信功能的传输装置206。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,移动终端20还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。
存储器204可用于存储应用软件的软件程序以及模块,如本发明实施例中的图像质量检测方法对应的程序指令/模块,处理器202通过运行存储在存储器204内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器204可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器204可进一步包括相对于处理器202远程设置的存储器,这些远程存储器可以通过网络连接至移动终端20。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置206用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端20的通信供应商提供的无线网络。在一个实例中,传输装置206包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置206可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端的图像质量检测方法,图3是根据本发明实施例的图像质量检测方法的流程图,如图3所示,该流程包括如下步骤:
步骤S302,对比第一图像与第二图像的图片质量,得到质量优劣对比信息,其中,该第一图像和第二图像构成一组图像;
步骤S304,对比上述第一图像和上述第二图像的相似度,得到相似度信息;
步骤S306,利用上述质量优劣对比信息和上述相似度信息确定上述第一图像和上述第二图像的对比结果。
其中,执行上述步骤的主体可以是终端,例如可以是如图2所示的移动终端。具体地,可以由终端中的图像质量检测装置来执行。需要说明的是,上述实施例中步骤S302和步骤S304没有必然的先后顺序。
通过上述实施例,对一组图像的质量优劣和相似度都进行了对比,综合得到一组图像的质量对比信息,因此,在进行图像对比时无需事先确定参考的图像,且进行对比的图像不需要完全一致。因此,可以解决相关技术中存在的无法对图像内容不完全一致的一组图像进行对比的问题,进而达到了对图像内容不完全一致的一组图像进行对比的效果。
在一个可选实施例中,对比第一图像与第二图像的图片质量,得到质量优劣对比信息包括:使用第一模型对上述第一图像和上述第二图像的图片质量进行对比,得到所述质量优劣对比信息,其中,上述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:一组图像中的每张图像的质量特征信息,其中,所述质量特征信息通过以下信息确定:像素值的局部归一化信息、均值减损对比归一化MSCN乘积信息、梯度信息、Log-Gabor滤波器的响应信息、色彩统计特征信息。在本实施例中,一组图像的质量优劣问题可看作一个二类分类问题,即假设图像内容基本一致的图像对为I1和I2,若I1的质量高于I2,则成对图像I1和I2的类标签为1,否则为0。上述的五种特征信息能够反映图像结构、对比度、色彩等不同维度的质量信息,根据上述的五种特征信息能够分别确定对应的图像质量的特征,且确定的各图像质量的特征能够构成一组特征向量,即,可以使用一组特征向量来反映图像的质量水平。在本实施例中,可以使用训练集中的多组图像对中的多组特征向量和优劣标签作为第一模型的训练数据,得到可进行成对图像优劣判断的模型文件,在本实施例中第一模型为机器学习中的任何一种学习模型,如支持向量机模型。
在一个可选实施例中,上述第一模型可以是通过如下方式训练出的:分别对训练集中的每组图像中的每一张图像进行分块,并从分块得到的图像块中选取视觉显著性(visual saliency,VS)高于预定阈值的图像块;确定选取的一组图像中的每一张图像的图像块的所述质量特征信息;以一组图像对应的质量特征信息的优劣信息为标注,训练得到一组图像质量优劣判断的模型文件。在本实施例中,需要把训练集中的每一幅图像分割成若干p×p的图像块,并从中选取具有较高显著性的部分图像块。现有的研究表明,在一幅图像中,不同区域对人的视觉系统有着不同程度的吸引力,人对图像质量的感知主要受控于那些具有较高视觉关注度的区域,而图像的视觉关注度可以用视觉显著性VS计算模型来很好的表示。在本实施例中可以采取较为简单的方式进行具有高视觉显著性的图像块的选取,即基于图像块对比度的度量,每个像素的对比度为:
那么每个图像块的对比度就是图像块内部像素对比度之和,图像块对比度高的也就具有高视觉显著性,因此只选取对比度高于阈值的图像块进行上面提及的五种特征的提取。在本实施例中,对于成对图像质量优劣判断这一个二类分类问题,在本实施例中选择使用机器学习领域的支持向量机SVM予以解决,可以通过结合人为采集的大量(例如200对)带有可用主观质量评分的图像集合,以及当前研究领域较为可靠的图像质量数据集LIVE和CSIQ数据集作为训练集,对于成对的训练图像提取出基于视觉显著性的特征向量,训练得到SVM模型,使用该模型对成对的测试图像进行分类,即可达到质量优劣判断的目的。其中,作为2D IQA领域广泛使用的公开数据集LIVE和CSIQ,这两个数据集的基本信息如表1所示。LIVE是美国德克萨斯大学奥斯汀分校的电气与计算机工程系与心理学系联合建立,应用最为广泛,Release 2版本含29幅参考图像,779幅失真图像,其中JPEG2000失真175幅,JPEG失真169幅,白噪声失真145幅,高斯模糊失真145幅,快速瑞利衰减失真145幅,该数据库的DMOS值由161个观察者给出的约25000个数据统计得到,DMOS取值范围为[0,100];CSIQ由美国俄克拉何马州立大学的电气与计算机工程学院建立,含30幅参考图像,866幅失真图像,失真类型包括JPEG压缩、JPEG2000压缩、整体对比度缩减、加性高斯粉红噪声、加性高斯白噪声以及高斯模糊6种,该数据库的DMOS值由25个观察者给出的约5000个数据统计得到,DMOS取值范围为[0,1]。
表1:用于扩展的LIVE、CSIQ数据集的特性
在一个可选实施例中,确定选取的一组图像中的每一张图像的图像块的所述质量特征信息包括:在通过所述像素值的局部归一化信息确定所述质量特征信息时,获取对所述图像块进行局部归一化后的像素值分布,利用泛高斯GGD对所述像素值分布进行拟合,并利用拟合得到的第一参数确定所述质量特征信息;在通过所述MSCN乘积信息确定所述质量特征信息时,在对所述图像块进行局部归一化后,获取所述图像块中的每个像素点的空间相邻系数乘积分布,利用所述非对称泛高斯AGGD对所述空间相邻系数乘积分布进行拟合,并利用拟合得到的第二参数确定所述质量特征信息;在通过所述梯度信息确定所述质量特征信息时,获取所述图像块的图像像素梯度,利用所述图像像素梯度确定所述图像块的梯度模分布,利用Weibull分布对所述梯度模分布进行拟合,并利用拟合得到的第三参数确定所述质量特征信息;在通过所述Log-Gabor滤波器的响应信息确定所述质量特征信息时,利用所述Log-Gabor滤波器对所述图像块进行多尺度、多方向的滤波得到滤波结果,利用所述GGD对所述滤波结果的偏导数进行拟合,并利用拟合得到的第四参数确定所述质量特征信息;在通过所述色彩统计特征信息确定所述质量特征信息时,将所述图像块的三色素中的各颜色通道均转换到去均值的对数空间,再把转换到对数空间中的所述各颜色通道转换到对立色彩空间,利用高斯分布对所述各颜色通道在所述对立色彩空间中的预定系数进行拟合,并利用拟合得到的第五参数确定所述质量特征信息。下面对上述的五种拟合过程进行详细说明:
1)像素值的局部归一化包括:Ruderman指出对于灰度级自然图像I来说,其局部归一化后的像素值的分布服从高斯分布,这个归一化的过程可以描述如为:
其中i和j是图像的空间坐标,μ和σ分别是图像局部的均值与标准差。根据Ruderman的结论,对于质量没有遭到破坏的自然图像来说,会很好地服从高斯分布;但当图像有质量失真之后,这个性质就不再成立了,因此可以用一个泛高斯分布(generalized Gaussian distribution,GGD)来拟合的分布。GGD的密度函数为,
其中Γ(·)是伽玛函数,定义为:
拟合得到的参数α和β就被用来作为表征图像质量的特征。
2)MSCN乘积包括:根据Mittal等人的研究,自然图像在做了局部归一化之后,空间相邻的系数之积 的分布也可以反映出图像的质量水平。这四个乘积的分布可以很好地被非对称泛高斯分布(asymmetric generalized Gaussian distribution,AGGD)拟合,AGGD的密度函数为:
AGGD分布的均值为:
拟合得到的参数(γ,βl,βr,η)被用来作为表征图像质量的特征。
前面提到的两类基于的特征一般用在设计IQA模型上面。
3)梯度信息包括:由于图像的梯度能够很好的刻画图像的局部信息,因此它也可以很好的刻画图像的质量。通过初步研究发现:当一幅高质量图像发生了质量失真以后,其偏导数和梯度模的分布也会随之发生改变。
可以通过一个示例来说明这个现象:在图4中展示了5幅来自TID2013数据库的图像:(a)是一幅参考图像,其他4张图像都是它的质量失真版本,它们的主观评分分别是4.6765,2.7714,4.5714,0.8235。在这里,主观评分越高说明图像的质量越好;在图5(a)和(b)中分别给出了对应于图4的5张图像的偏导数的分布和梯度模的分布。容易看出,偏导数分布以及梯度模分布的变化与图像的质量变化之间有着密切的关系。因此,本发明提出用基于偏导数和梯度模的统计量来作为刻画图像质量的特征。
对于图像块I,首先计算其偏导数Ih和Iv。由于图像的偏导数可以用GGD来很好的拟合,则使用GGD来拟合Ih和Iv的分布,并把参数α和β(见公式(3))作为特征;图像的梯度模的分布服从Weibull分布,因此,采用Weibull分布来拟合图像梯度模的分布,其密度函数为,
拟合得到的参数(a,b)被用来作为表征图像质量的特征。
4)Log-Gabor滤波器的响应包括:由于视神经元对视刺激的响应在方向和频率上具有选择性,因此可以认为基于图像对多尺度、多方向滤波器的响应的统计量也可以生成刻画图像质量的特征。本实施例中采用log-Gabor滤波器来对图像进行多尺度、多方向的滤波,有了滤波结果以后,可以用GGD来拟合其偏导数的分布,用Weibull分布来拟合其梯度模的分布,并把相应的拟合参数作为描述质量的特征。
5)色彩统计特性包括:为了能够捕捉彩色图像的色彩统计特性,本发明利用Ruderman提出的一个NSS模型,他指出在对数尺度下描述的对立色彩空间(opponent colorspace)中,图像数据是服从高斯分布的,则给定一幅彩色图像,假设它的三个颜色通道分别是R(i,j),G(i,j)和B(i,j),首先将其转换到去均值的对数空间,
其中μR、μG和μB分别是三个通道logR(i,j)、logG(i,j)和logB(i,j)的均值。之后再通过公式(9)把(R,G,B)空间转换到对立色彩空间
而同时对于自然图像来说,系数l1,l2和l3的分布可以用高斯分布来很好的刻画,因此采用高斯分布来对系数l1,l2和l3的分布进行拟合,高斯分布的密度函数为,
对于每一组系数l1,l2和l3的都用高斯模型去拟合它的分布,并把拟合参数ζ和ρ2作为刻画图像质量的特征。
这里可以通过一个示例来说明当图像的色彩发生了变化之后,l1,l2和l3的分布也会随之发生相应的变化。在图6中,(a)是参考图像,(b)图是在彩色通道里添加了噪声,(c)图是降低了色彩的对比度;在(d),(e)和(f)中分别展示了3幅图像的l1,l2和l3系数的分布情况。容易看出,l1,l2和l3系数的分布变化与图像在色彩方面引起的失真之间有着密切的关系。
在本实施例中,对于成对图像质量对比中的每一张图像,都需进行上述五种特征的提取,并且串联成为最终的特征向量用于后续的支持向量机(Support Vector Machine,SVM)训练过程,但在实际的特征提取中,表征图像质量的特征是在图像块层次上进行提取的。
在一个可选实施例中,对比上述第一图像和上述第二图像的相似度,得到相似度信息包括:利用尺度不变特征变换SIFT描述子和随机采样一致性RANSAC提取上述第一图像和上述第二图像的公共区域;利用基于VS的VSI算法对所述公共区域进行质量水平相似度分析,得到所述相似度信息。在本实施例中,针对的成对图像质量对比包含其图像内容基本一致的前提条件,因此给出成对图像质量上的相似度评分,可以看作一个全参考的图像质量评价问题(Full-reference Image Quality Assessment,FR-IQA),即假设成对图像分别为I1、I2,在本实施例中,首先要把I1和I2配准并提取出公共区域I1'和I2',然后采用FR-IQA算法来计算I1'和I2'之间的相似性,得到成对图像质量相似度评分。整个流程如图7所示,按照图7中所示,本实施例中有两个关键问题需要解决:一是如何对两张带有重合区域的图像进行精确配准,二是如何设计符合人的视觉感知的FR-IQA算法。下面详细介绍如何解决这两个问题:
假设I1、I2是2张含有重合区域的待配准图像,首先分别从两张图像中检测特征点以及对特征点构造描述子。特征点的检测可以在多尺度LoG(Laplacian of Gaussian)空间中进行,LoG的计算可以表达为,
L=σ2(Gxx(x,y,σ)+Gyy(x,y,σ)) (11)
其中,Gxx和Gyy分别是高斯函数的二阶偏导数,σ是高斯函数的标准差。在具体实现中,可以用DoG(Difference of Gaussian)来代替LoG,这是因为DoG的计算更加简单,而且避免了二阶导数的计算。DoG的计算可以表示为,
DoG=G(x,y,kσ)-G(x,y,σ) (12)
在LoG尺度空间中,如果一个点与它的26个邻居点相比是一个极值点,这个点就被认为是特征点。特征点的信息包含了它的空间位置(x,y)和它的特征尺度σ(特征尺度会在构造特征点的描述子时用到)。当提取了特征点以后,再采用SIFT(scale invariantfeature transform)算法来构造特征点描述子。
有了特征点集合和特征描述子集合以后,就可以根据特征描述子的相似性初步确立特征点的对应关系,建立起对应点对集合。接下来需要根据点对集合估计出2幅图像之间存在的几何变换。
假设成对图像间的几何变换可以用射影变换来刻画。为了克服点对集合中“离群值(outlier)”产生的不良影响,本发明使用随机采样一致性(random sample consensus,RANSAC)框架来从点对集合中估计出两幅图像之间的射影变换参数。当变换参数确定以后,就可以把I1变换到I2所在的坐标系,进而提取出两幅图像中的公共部分I1'和I2'。那么,成对图像质量相似度评分的第一个问题,即对图像对进行精准配准的问题得到了解决,而在提取了两幅图像的公共部分后,就可以采用FR-IQA算法进行质量相似度的评分,即后续的全参考质量评价算法以I1'和I2'作为输入,得到I1和I2的质量相似度。在本实施例中,采用了基于视觉显著性的FR-IQA算法。该算法通过下述过程来计算两个给定图像f1和f2的局部相似度。用VS1和VS2来分别表示用某个具体视觉显著性(Visual Saliency,VS)计算模型计算出的f1和f2的视觉显著性图,用G1和G2表示用某个具体梯度算子计算出的f1和f2的梯度模图。VSI把f1(x)和f2(x)的相似性比较分成两个部分,即分别比较它们的VS特征和梯度模特征。VS1(x)和VS2(x)的相似性定义为:
其中,C1是一个正常数,用来提高SVS计算的稳定性。类似的,G1(x)和G2(x)的相似性可以定义为
其中,C2也是一个正常数。当得到了SVS(x)和SG(x)之后,就可以定义f1(x)和f2(x)的相似性S(x),
S(x)=SVS·(SG)ρ (15)
其中,ρ是一个常数,用于调整梯度模部分的重要性。
在得到了在每一个位置x的局部相似性之后,就可以计算出f1和f2整体的相似度。其中图像中的重要区域应该被赋予相对高的权值,而在VSI中,VS图可以被自然地用作权值函数,来刻画某个局部区域的重要性。对于一个给定的位置x,如果f1(x)或f2(x)当中任何一个具有较高的VS值,就说明这个位置在图像质量评价过程中对人的视觉系统有较高的影响力。采用
VSm(x)=max(VS1,VS2(x)) (16)
来表征S(x)在计算f1和f2整体相似性上的重要程度。这样,最终f1和f2的相似性VSI可以定义为
其中,Ω表示整个图像空间域,图8即为上述算法框架。
至此,通过提取成对图像的公共区域,采用基于视觉显著性的FR-IQA指标VSI(visual saliency based index),即获得成对图像在质量方面的相似度评分。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种图像质量检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图9是根据本发明实施例的图像质量检测装置的结构框图,如图9所示,该装置包括如下模块:
第一对比模块92,用于对比第一图像与第二图像的图片质量,得到质量优劣对比信息,其中,该第一图像和第二图像构成一组图像;第二对比模块94,用于对比所述第一图像和所述第二图像的相似度,得到相似度信息;第一确定模块96,连接至上述第一对比模块92和第二对比模块94用于利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比结果。
在一个可选的实施例中,所述第一对比模块92包括:对比单元,用于使用第一模型对所述第一图像和所述第二图像的图片质量进行对比,得到所述质量优劣对比信息,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:一组图像中的每张图像的质量特征信息,其中,所述质量特征信息通过以下信息确定:像素值的局部归一化信息、均值减损对比归一化MSCN乘积信息、梯度信息、Log-Gabor滤波器的响应信息、色彩统计特征信息。
在一个可选实施例中,所述第一模型是通过如下方式训练出的:分别对训练集中的每组图像中的每一张图像进行分块,并从分块得到的图像块中选取视觉显著性VS高于预定阈值的图像块;确定选取的一组图像中的每一张图像的图像块的所述质量特征信息;以一组图像对应的质量特征信息的优劣信息为标注,训练得到一组图像质量优劣判断的模型文件。
在一个可选实施例中,确定选取的一组图像中的每一张图像的图像块的所述质量特征信息包括:在通过所述像素值的局部归一化信息确定所述质量特征信息时,获取对所述图像块进行局部归一化后的像素值分布,利用泛高斯GGD对所述像素值分布进行拟合,并利用拟合得到的第一参数确定所述质量特征信息;在通过所述MSCN乘积信息确定所述质量特征信息时,在对所述图像块进行局部归一化后,获取所述图像块中的每个像素点的空间相邻系数乘积分布,利用所述非对称泛高斯AGGD对所述空间相邻系数乘积分布进行拟合,并利用拟合得到的第二参数确定所述质量特征信息;在通过所述梯度信息确定所述质量特征信息时,获取所述图像块的图像像素梯度,利用所述图像像素梯度确定所述图像块的梯度模分布,利用Weibull分布对所述梯度模分布进行拟合,并利用拟合得到的第三参数确定所述质量特征信息;在通过所述Log-Gabor滤波器的响应信息确定所述质量特征信息时,利用所述Log-Gabor滤波器对所述图像块进行多尺度、多方向的滤波得到滤波结果,利用所述GGD对所述滤波结果的偏导数进行拟合,并利用拟合得到的第四参数确定所述质量特征信息;在通过所述色彩统计特征信息确定所述质量特征信息时,将所述图像块的三色素中的各颜色通道均转换到去均值的对数空间,再把转换到对数空间中的所述各颜色通道转换到对立色彩空间,利用高斯分布对所述各颜色通道在所述对立色彩空间中的预定系数进行拟合,并利用拟合得到的第五参数确定所述质量特征信息。
在一个可选的实施例中,所述第二对比模块94包括:提取单元,用于利用尺度不变特征变换SIFT描述子和随机采样一致性RANSAC提取所述第一图像和所述第二图像的公共区域;分析单元,用于利用基于VS的VSI算法对所述公共区域进行质量水平相似度分析,得到所述相似度信息。
在一个可选的实施例中,所述装置还包括以下至少之一:第二确定模块,用于在利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比信息之后,根据所述对比信息确定所述第一图像和所述第二图像中待删除的劣质图像;第三确定模块,用于在利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比信息之后,根据所述对比信息确定拍摄所述第一图像的第一拍摄设备和拍摄所述第二图像的第二拍摄设备中的优质拍摄设备。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,上述计算机程序运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(RandomAccess Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的实施例还提供了一种处理器,该处理器用于运行程序,其中,该程序运行时执行上述任一项方法实施例中的步骤。
本发明的实施例还提供了一种电子装置,该电子装置包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种图像质量检测方法,其特征在于,包括:
对比第一图像与第二图像的图片质量,得到质量优劣对比信息,其中,所述第一图像和所述第二图像构成一组图像;
对比所述第一图像和所述第二图像的相似度,得到相似度信息;
利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比结果。
2.根据权利要求1所述的方法,其特征在于,对比第一图像与第二图像的图片质量,得到质量优劣对比信息包括:
使用第一模型对所述第一图像和所述第二图像的图片质量进行对比,得到所述质量优劣对比信息,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:一组图像中的每张图像的质量特征信息,其中,所述质量特征信息通过以下信息确定:像素值的局部归一化信息、均值减损对比归一化MSCN乘积信息、梯度信息、Log-Gabor滤波器的响应信息、色彩统计特征信息。
3.根据权利要求2所述的方法,其特征在于,所述第一模型是通过如下方式训练出的:
分别对训练集中的每组图像中的每一张图像进行分块,并从分块得到的图像块中选取视觉显著性VS高于预定阈值的图像块;
确定选取的一组图像中的每一张图像的图像块的所述质量特征信息;
以一组图像对应的质量特征信息的优劣信息为标注,训练得到一组图像质量优劣判断的模型文件。
4.根据权利要求3所述的方法,其特征在于,确定选取的一组图像中的每一张图像的图像块的所述质量特征信息包括:
在通过所述像素值的局部归一化信息确定所述质量特征信息时,获取对所述图像块进行局部归一化后的像素值分布,利用泛高斯GGD对所述像素值分布进行拟合,并利用拟合得到的第一参数确定所述质量特征信息;
在通过所述MSCN乘积信息确定所述质量特征信息时,在对所述图像块进行局部归一化后,获取所述图像块中的每个像素点的空间相邻系数乘积分布,利用非对称泛高斯AGGD对所述空间相邻系数乘积分布进行拟合,并利用拟合得到的第二参数确定所述质量特征信息;
在通过所述梯度信息确定所述质量特征信息时,获取所述图像块的图像像素梯度,利用所述图像像素梯度确定所述图像块的梯度模分布,利用Weibull分布对所述梯度模分布进行拟合,并利用拟合得到的第三参数确定所述质量特征信息;
在通过所述Log-Gabor滤波器的响应信息确定所述质量特征信息时,利用所述Log-Gabor滤波器对所述图像块进行多尺度、多方向的滤波得到滤波结果,利用所述GGD对所述滤波结果的偏导数进行拟合,并利用拟合得到的第四参数确定所述质量特征信息;
在通过所述色彩统计特征信息确定所述质量特征信息时,将所述图像块的三色素中的各颜色通道均转换到去均值的对数空间,再把转换到对数空间中的所述各颜色通道转换到对立色彩空间,利用高斯分布对所述各颜色通道在所述对立色彩空间中的预定系数进行拟合,并利用拟合得到的第五参数确定所述质量特征信息。
5.根据权利要求1所述的方法,其特征在于,对比所述第一图像和所述第二图像的相似度,得到相似度信息包括:
利用尺度不变特征变换SIFT描述子和随机采样一致性RANSAC提取所述第一图像和所述第二图像的公共区域;
利用基于VS的VSI算法对所述公共区域进行质量水平相似度分析,得到所述相似度信息。
6.根据权利要求1所述的方法,其特征在于,在利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比信息之后,所述方法还包括以下至少之一:
根据所述对比信息确定所述第一图像和所述第二图像中待删除的劣质图像;
根据所述对比信息确定拍摄所述第一图像的第一拍摄设备和拍摄所述第二图像的第二拍摄设备中的优质拍摄设备。
7.一种图像质量检测装置,其特征在于,包括:
第一对比模块,用于对比第一图像与第二图像的图片质量,得到质量优劣对比信息,其中,所述第一图像和所述第二图像构成一组图像;
第二对比模块,用于对比所述第一图像和所述第二图像的相似度,得到相似度信息;
第一确定模块,用于利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比结果。
8.根据权利要求7所述的装置,其特征在于,所述第一对比模块包括:
对比单元,用于使用第一模型对所述第一图像和所述第二图像的图片质量进行对比,得到所述质量优劣对比信息,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:一组图像中的每张图像的质量特征信息,其中,所述质量特征信息通过以下信息确定:像素值的局部归一化信息、均值减损对比归一化MSCN乘积信息、梯度信息、Log-Gabor滤波器的响应信息、色彩统计特征信息。
9.根据权利要求8所述的装置,其特征在于,所述第一模型是通过如下方式训练出的:
分别对训练集中的每组图像中的每一张图像进行分块,并从分块得到的图像块中选取视觉显著性VS高于预定阈值的图像块;
确定选取的一组图像中的每一张图像的图像块的所述质量特征信息;
以一组图像对应的质量特征信息的优劣信息为标注,训练得到一组图像质量优劣判断的模型文件。
10.根据权利要求7所述的装置,其特征在于,所述第二对比模块包括:
提取单元,用于利用尺度不变特征变换SIFT描述子和随机采样一致性RANSAC提取所述第一图像和所述第二图像的公共区域;
分析单元,用于利用基于VS的VSI算法对所述公共区域进行质量水平相似度分析,得到所述相似度信息。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括以下至少之一:
第二确定模块,用于在利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比信息之后,根据所述对比信息确定所述第一图像和所述第二图像中待删除的劣质图像;
第三确定模块,用于在利用所述质量优劣对比信息和所述相似度信息确定所述第一图像和所述第二图像的对比信息之后,根据所述对比信息确定拍摄所述第一图像的第一拍摄设备和拍摄所述第二图像的第二拍摄设备中的优质拍摄设备。
12.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序运行时执行上述权利要求1至6任一项中所述的方法。
13.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810002276.1A CN108109145A (zh) | 2018-01-02 | 2018-01-02 | 图像质量检测方法、装置、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810002276.1A CN108109145A (zh) | 2018-01-02 | 2018-01-02 | 图像质量检测方法、装置、存储介质和电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108109145A true CN108109145A (zh) | 2018-06-01 |
Family
ID=62218602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810002276.1A Pending CN108109145A (zh) | 2018-01-02 | 2018-01-02 | 图像质量检测方法、装置、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109145A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635142A (zh) * | 2018-11-15 | 2019-04-16 | 北京市商汤科技开发有限公司 | 图像选择方法及装置、电子设备和存储介质 |
CN109671051A (zh) * | 2018-11-15 | 2019-04-23 | 北京市商汤科技开发有限公司 | 图像质量检测模型训练方法及装置、电子设备和存储介质 |
CN110290381A (zh) * | 2019-08-01 | 2019-09-27 | 字节跳动(香港)有限公司 | 视频质量评估方法、装置、电子设备及计算机存储介质 |
CN110335252A (zh) * | 2019-06-04 | 2019-10-15 | 大连理工大学 | 基于背景特征点运动分析的图像质量检测方法 |
CN110335237A (zh) * | 2019-05-06 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
CN110634553A (zh) * | 2018-06-25 | 2019-12-31 | 青岛海信医疗设备股份有限公司 | 一种医学图像校验方法及系统 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN111768362A (zh) * | 2020-05-13 | 2020-10-13 | 上海大学 | 基于多特征融合的全参考高动态图像质量评价方法 |
US11132793B2 (en) | 2019-08-01 | 2021-09-28 | International Business Machines Corporation | Case-adaptive medical image quality assessment |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09288736A (ja) * | 1996-04-22 | 1997-11-04 | Nachi Fujikoshi Corp | 画質測定方法 |
CN101650833A (zh) * | 2009-09-10 | 2010-02-17 | 重庆医科大学 | 彩色图像质量评价方法 |
US20100303364A1 (en) * | 2006-10-19 | 2010-12-02 | Nec Corporation | Image quality evaluation method, image quality evaluation system and image quality evaluation program |
US20130094769A1 (en) * | 2009-02-11 | 2013-04-18 | Ecole De Technologie Superieure | Method and system for determining structural similarity between images |
CN103870828A (zh) * | 2012-12-17 | 2014-06-18 | 富泰华工业(深圳)有限公司 | 图像相似度判断系统及方法 |
CN104318562A (zh) * | 2014-10-22 | 2015-01-28 | 百度在线网络技术(北京)有限公司 | 一种用于确定互联网图像的质量的方法和装置 |
CN105635727A (zh) * | 2015-12-29 | 2016-06-01 | 北京大学 | 基于成对比较的图像主观质量的评价方法和装置 |
CN106575223A (zh) * | 2014-07-21 | 2017-04-19 | 宇龙计算机通信科技(深圳)有限公司 | 图像分类方法和图像分类装置 |
CN106570110A (zh) * | 2016-10-25 | 2017-04-19 | 北京小米移动软件有限公司 | 图像去重方法及装置 |
CN107330905A (zh) * | 2017-06-16 | 2017-11-07 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及存储介质 |
CN107465912A (zh) * | 2016-06-03 | 2017-12-12 | 中兴通讯股份有限公司 | 一种成像差异检测方法和装置 |
-
2018
- 2018-01-02 CN CN201810002276.1A patent/CN108109145A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09288736A (ja) * | 1996-04-22 | 1997-11-04 | Nachi Fujikoshi Corp | 画質測定方法 |
US20100303364A1 (en) * | 2006-10-19 | 2010-12-02 | Nec Corporation | Image quality evaluation method, image quality evaluation system and image quality evaluation program |
US20130094769A1 (en) * | 2009-02-11 | 2013-04-18 | Ecole De Technologie Superieure | Method and system for determining structural similarity between images |
CN101650833A (zh) * | 2009-09-10 | 2010-02-17 | 重庆医科大学 | 彩色图像质量评价方法 |
CN103870828A (zh) * | 2012-12-17 | 2014-06-18 | 富泰华工业(深圳)有限公司 | 图像相似度判断系统及方法 |
CN106575223A (zh) * | 2014-07-21 | 2017-04-19 | 宇龙计算机通信科技(深圳)有限公司 | 图像分类方法和图像分类装置 |
CN104318562A (zh) * | 2014-10-22 | 2015-01-28 | 百度在线网络技术(北京)有限公司 | 一种用于确定互联网图像的质量的方法和装置 |
CN105635727A (zh) * | 2015-12-29 | 2016-06-01 | 北京大学 | 基于成对比较的图像主观质量的评价方法和装置 |
CN107465912A (zh) * | 2016-06-03 | 2017-12-12 | 中兴通讯股份有限公司 | 一种成像差异检测方法和装置 |
CN106570110A (zh) * | 2016-10-25 | 2017-04-19 | 北京小米移动软件有限公司 | 图像去重方法及装置 |
CN107330905A (zh) * | 2017-06-16 | 2017-11-07 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及存储介质 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110634553B (zh) * | 2018-06-25 | 2023-07-18 | 青岛海信医疗设备股份有限公司 | 一种医学图像校验方法及系统 |
CN110634553A (zh) * | 2018-06-25 | 2019-12-31 | 青岛海信医疗设备股份有限公司 | 一种医学图像校验方法及系统 |
CN109671051B (zh) * | 2018-11-15 | 2021-01-26 | 北京市商汤科技开发有限公司 | 图像质量检测模型训练方法及装置、电子设备和存储介质 |
CN109671051A (zh) * | 2018-11-15 | 2019-04-23 | 北京市商汤科技开发有限公司 | 图像质量检测模型训练方法及装置、电子设备和存储介质 |
CN109635142A (zh) * | 2018-11-15 | 2019-04-16 | 北京市商汤科技开发有限公司 | 图像选择方法及装置、电子设备和存储介质 |
CN109635142B (zh) * | 2018-11-15 | 2022-05-03 | 北京市商汤科技开发有限公司 | 图像选择方法及装置、电子设备和存储介质 |
CN110335237A (zh) * | 2019-05-06 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
CN110335252A (zh) * | 2019-06-04 | 2019-10-15 | 大连理工大学 | 基于背景特征点运动分析的图像质量检测方法 |
CN110335252B (zh) * | 2019-06-04 | 2021-01-19 | 大连理工大学 | 基于背景特征点运动分析的图像质量检测方法 |
US11132793B2 (en) | 2019-08-01 | 2021-09-28 | International Business Machines Corporation | Case-adaptive medical image quality assessment |
CN110290381A (zh) * | 2019-08-01 | 2019-09-27 | 字节跳动(香港)有限公司 | 视频质量评估方法、装置、电子设备及计算机存储介质 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN111768362A (zh) * | 2020-05-13 | 2020-10-13 | 上海大学 | 基于多特征融合的全参考高动态图像质量评价方法 |
CN111768362B (zh) * | 2020-05-13 | 2023-05-23 | 上海大学 | 基于多特征融合的全参考高动态图像质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109145A (zh) | 图像质量检测方法、装置、存储介质和电子装置 | |
CN107483920B (zh) | 一种基于多层级质量因子的全景视频评估方法及系统 | |
CN106204779B (zh) | 基于多人脸数据采集策略和深度学习的课堂考勤方法 | |
CN100559880C (zh) | 一种基于自适应st区的高清视频图像质量评价方法及装置 | |
CN111079740A (zh) | 图像的质量评价方法、电子设备和计算机可读存储介质 | |
CN109978854A (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
CN109816625A (zh) | 一种视频质量评分实现方法 | |
CN101482973B (zh) | 基于早期视觉的部分参考图像质量评价方法 | |
CN101282481A (zh) | 一种基于人工神经网络的视频质量评价方法 | |
CN104134204A (zh) | 一种基于稀疏表示的图像清晰度评价方法和装置 | |
CN108573222A (zh) | 基于循环对抗生成网络的行人图像遮挡检测方法 | |
CN101605273B (zh) | 一种色饱和度质量测评的方法和子系统 | |
CN110400293A (zh) | 一种基于深度森林分类的无参考图像质量评价方法 | |
CN108257125A (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
CN109272044A (zh) | 一种图像相似度确定方法、装置、设备及存储介质 | |
CN111382672A (zh) | 在线考试的作弊监测方法和装置 | |
Katsenou et al. | BVI-SynTex: A synthetic video texture dataset for video compression and quality assessment | |
CN106960432B (zh) | 一种无参考立体图像质量评价方法 | |
CN110458789A (zh) | 一种图像清晰度评测方法、装置及电子设备 | |
CN108010023A (zh) | 基于张量域曲率分析的高动态范围图像质量评价方法 | |
Dusek et al. | Testing of new models of the human visual system for image quality evaluation | |
Seshadrinathan et al. | An information theoretic video quality metric based on motion models | |
CN108805852A (zh) | 一种图像空域噪声的评估方法及装置 | |
Ghadiyaram et al. | Scene statistics of authentically distorted images in perceptually relevant color spaces for blind image quality assessment | |
Li et al. | No-Reference Underwater Image Quality Assessment Based on Quality-Aware Features |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180601 |