CN108122231B - 监控视频下基于roi拉普拉斯算法的图像质量评价方法 - Google Patents
监控视频下基于roi拉普拉斯算法的图像质量评价方法 Download PDFInfo
- Publication number
- CN108122231B CN108122231B CN201810025535.2A CN201810025535A CN108122231B CN 108122231 B CN108122231 B CN 108122231B CN 201810025535 A CN201810025535 A CN 201810025535A CN 108122231 B CN108122231 B CN 108122231B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- area
- roi
- imagescore
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 8
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20048—Transform domain 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
一种监控视频下基于ROI拉普拉斯算法的图像质量评价方法，包括如下步骤：图像预处理、图像ROI区域获取、图像区域权值分配、图像质量分数计算以及监控视频下图像质量评价方法。由于增加图像感兴趣区域（ROI），针对人眼对于图像信息获取特点，对图像空间分布进行合理分配，并为每个区域分配权值，利用拉普拉斯算法，统计图像信息分布，并结合ROI，使之能更有效符合人眼特点。针对监控视频场景，建立评价等级，使之能够清晰判断当前摄像头采集图像质量等级。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种监控视频下基于ROI拉普拉斯算法的图像质量评价方法。
背景技术
目前,随着安防系统重要性不断提高和视频监控系统技术快速发展，一些潜在的问题逐步凸显。例如，在成千上万路实时影像中，若有一个子网视频的质量达不到监控所需要求，将影响整个系统的监控效果。在监控场景中对不同远近对象的跟踪或者云台旋转，容易产生由对焦不准确而形成图像模糊失真的现象；自然条件引起图像采样器材的抖动，也会造成图像模糊。从成像原理讲，影响视频图像质量的因素有很多，例如摄像头的分辨率、成像速度、对焦程度、图像压缩率等，这些因素均会在一定程度上影响图像清晰度。
为有效避免该种情况，有必要对监控视频进行不间断图像质量的评价。由于人眼的复杂性，目前对于如何准确的提取图像质量信息、构造图像质量评价模型还没有形成统一的标准。不同的质量评价方法在评价过程中侧重点不同，因此图像质量评价方法有很多种分类方式，一般来说图像质量评价方法可分为主观质量评价方法与客观质量评价方法。主观质量评价则是人力主观进行评价，客观质量评价方法主要有：第一，全参考型方法，需要获得参考图像进行质量评价，有峰值信噪比(peak signal to noise ratio，PSNR)、基于结构相似度方法(structural similarity，SSIM)等；第二，半参考型方法则需要参考图像的部分信息，包括混合图像质量评价方法(hybrid image quality metric，HIQM)、多尺度几何分析法(multiscale geometric analysis，MGA)等；第三，无参考图像质量评价方法，根据图像自身特征来估计图像质量。
近年来，针对图像的空域特征提取成为无参考图像质量评价领域的发展趋势。如BRISQUE、IL-NIQE等方法逐步应用。拉普拉斯算法在图像处理中应用于增强图像边缘信息，Xue等人提出一种联合统计图像局部对比度特征的无参考图像质量评价方法，该方法首先分别计算图像的梯度幅值(gradient magnitude，GM)和拉普拉斯变换图像(Laplacian ofGaussian，LOG)，对二者进行联合自适应归一化(joint adaptive normalization，JAN)；接着计算归一化后梯度特征和拉普拉斯特征的边缘分布以及去除相关性后二者的独立分布作为特征信息；最后使用支持向量回归对图像质量进行预测。
在无参考图像质量评价中，一是应用拉普拉斯算法是对全局图像进行处理，无法准确地区分图像中的真实边缘和由块效应引起的边缘；二是针对视频监控系统缺乏一个系统的图像质量评价机制。
发明内容
本发明为了克服以上技术的不足，提供了一种对图像进行区域划分，并对区域依据ROI技术进行权值分配，最后统计所有区域的拉普拉斯图像分布信息的监控视频下基于ROI拉普拉斯算法的图像质量评价方法。
本发明克服其技术问题所采用的技术方案是：
一种监控视频下基于ROI拉普拉斯算法的图像质量评价方法，包括如下步骤：
a)将摄像头采集的图像进行灰度化处理，在灰度化的图像上运用边缘算法获取图像中目标边缘，对图像进行二值化处理，获取二值化图像，在目标边缘的二值化图像中使用轮廓查找算法获取前景目标候选区域；
b)统计前景目标候选区域的面积大小，并按面积从大到小的顺序进行排序，选取面积大的2-5个前景目标候选区域作为候选感兴趣区域；
c)在候选感兴趣区域中分别计算其距离图像中心点的距离，选择距离最近的候选感兴趣区域作为感兴趣区域；
d)对采集的图像进行区域划分，将图像平均分为N个区域，并对每个区域进行编号，获取每个区域中心点坐标；
e)分别计算感兴趣区域到N个区域的距离，将距离感兴趣区域最近的区域作为感兴趣矩形区域；
f)计算感兴趣矩形区域到另外N-1个区域的距离；
g)根据公式
计算感兴趣矩形区域之外N-1个区域的各自的分配权值weighti，式中i为区域编号，ri为该区域到前景目标的距离，
为所有区域距离之和；
h)对采集的图像运用拉普拉斯算法，获取拉普拉斯图像，按步骤d)的区域划分法将拉普拉斯图像平均分为N个区域，并对每个区域进行编号；
i)将步骤g)中的图像分配权值与步骤h)中拉普拉斯图像中对应区域按公式scorei＝weighti*sumi计算区域分值scorei，式中sumi为一个区域内的像素值的和；
j)根据公式
计算图像质量得分imagescore，式中n为图形行数，m为图像列数
k)根据图像质量得分imagescore对图像质量进行评价。
进一步的，步骤k)中当imagescore小于12时，系统判定时间为夜晚，不进行评价；当imagescore大于系统历史记录中最高分数值时，系统更新最高分数，并输出图形质量为优；当imagescore小于最高分数且大于最高分数的3/4时，系统输出图形质量为优；当imagescore小于最高分数的3/4且大于最高分数的1/2时，系统输出图形质量为良；当imagescore小于最高分数的1/2时，系统输出图形质量为差。
本发明的有益效果是：由于增加图像感兴趣区域(ROI)，针对人眼对于图像信息获取特点，对图像空间分布进行合理分配，并为每个区域分配权值，利用拉普拉斯算法，统计图像信息分布，并结合ROI，使之能更有效符合人眼特点。针对监控视频场景，建立评价等级，使之能够清晰判断当前摄像头采集图像质量等级。
具体实施方式
下面结合对本发明做进一步说明。
一种监控视频下基于ROI拉普拉斯算法的图像质量评价方法，包括如下步骤：
a)将摄像头采集的图像进行灰度化处理，在灰度化的图像上运用边缘算法获取图像中目标边缘，对图像进行二值化处理，获取二值化图像，在目标边缘的二值化图像中使用轮廓查找算法获取前景目标候选区域。
b)统计前景目标候选区域的面积大小，并按面积从大到小的顺序进行排序，选取面积大的2-5个前景目标候选区域作为候选感兴趣区域；
c)在候选感兴趣区域中分别计算其距离图像中心点的距离，选择距离最近的候选感兴趣区域作为感兴趣区域。在实时监控视频中，通过轮廓查找出的区域可能存在多个目标，为此首先在图像中获取感兴趣区域，剔除其他干扰区域。由于图像中噪声和小目标的干扰，需要根据轮廓形状和面积大小进行筛选，并保留区域面积较大的2～5个区域。然后分别计算各个区域相距图像中心点的距离，最后将距离最近的区域作为ROI区域。选取原则：面积越大，距离图像中心点越近的目标区域作为感兴趣区域越佳。
d)d)对采集的图像进行区域划分，将图像平均分为N个区域，并对每个区域进行编号，获取每个区域中心点坐标。
e)分别计算感兴趣区域到N个区域的距离，将距离感兴趣区域最近的区域作为感兴趣矩形区域。
f)计算感兴趣矩形区域到另外N-1个区域的距离。
g)根据公式
计算感兴趣矩形区域之外N-1个区域的各自的分配权值weighti，式中i为区域编号，ri为该区域到前景目标的距离，
为所有区域距离之和。
h)对采集的图像运用拉普拉斯算法，获取拉普拉斯图像，按步骤d)的区域划分法将拉普拉斯图像平均分为N个区域，并对每个区域进行编号。
i)将步骤g)中的图像分配权值与步骤h)中拉普拉斯图像中对应区域按公式scorei＝weighti*sumi计算区域分值scorei，式中sumi为一个区域内的像素值的和。
j)根据公式
计算图像质量得分imagescore，式中n为图形行数，m为图像列数。
k)根据图像质量得分imagescore对图像质量进行评价。
由于增加图像感兴趣区域(ROI)，针对人眼对于图像信息获取特点，对图像空间分布进行合理分配，并为每个区域分配权值，利用拉普拉斯算法，统计图像信息分布，并结合ROI，使之能更有效符合人眼特点。针对监控视频场景，建立评价等级，使之能够清晰判断当前摄像头采集图像质量等级。
在监控视频为了更好的对摄像机采集的图像进行评价，获知当前图像质量是否存在不佳的情况，本文提出了一种相对于图像质量评价记忆的评价方法，此方法的关键是获取评价等级的阈值，为此本文对在LIVE[6]、TID2008[7]和CSIQ[8]数据库中进行测试。LIVE数据库包括29幅参考图像和779幅失真图像。TID2008数据库由25幅参考图像和17种失真对应的1 700幅图像组成。CSIQ数据库由30幅参考图像和6种失真对应的866幅失真图像组成失真种类。包括JPEG2000、JPEG、高斯模糊(Gaussianblur，GBLUR)、高斯白噪声(whiteGaussian noise，WN)和快速衰落(fast fading，FF)。在测试上述大量图片基础上，得到参考图像分数均值为20上下，图像较为清晰的大约在15左右，图像质量很差在12左右，为此，在系统中设定最小值为10，全天候监控视频中在光线较差情况下，不在评价范围内，比如夜晚等情况，只有分数大于10的图片才进行评价。步骤k)具体的图像质量的评价方法可以为：中当imagescore小于12时，系统判定时间为夜晚，不进行评价；当imagescore大于系统历史记录中最高分数值时，系统更新最高分数，并输出图形质量为优；当imagescore小于最高分数且大于最高分数的3/4时，系统输出图形质量为优；当imagescore小于最高分数的3/4且大于最高分数的1/2时，系统输出图形质量为良；当imagescore小于最高分数的1/2时，系统输出图形质量为差。
Claims (2)
1.一种监控视频下基于ROI拉普拉斯算法的图像质量评价方法，其特征在于，
包括如下步骤：
a)将摄像头采集的图像进行灰度化处理，在灰度化的图像上运用边缘算法获取图像中目标边缘，对图像进行二值化处理，获取二值化图像，在目标边缘的二值化图像中使用轮廓查找算法获取前景目标候选区域；
b)统计前景目标候选区域的面积大小，并按面积从大到小的顺序进行排序，选取面积大的2-5个前景目标候选区域作为候选感兴趣区域；
c)在候选感兴趣区域中分别计算其距离图像中心点的距离，选择距离最近的候选感兴趣区域作为感兴趣区域；
d)对采集的图像进行区域划分，将图像平均分为N个区域，并对每个区域进行编号，获取每个区域中心点坐标；
e)分别计算感兴趣区域到N个区域的距离，将距离感兴趣区域最近的区域作为感兴趣矩形区域；
f)计算感兴趣矩形区域到另外N-1个区域的距离；
g)根据公式
计算感兴趣矩形区域之外N-1个区域的各自的分配权值weighti，式中i为区域编号，ri为该区域到前景目标的距离，
为所有区域距离之和；
h)对采集的图像运用拉普拉斯算法，获取拉普拉斯图像，按步骤d)的区域划分法将拉普拉斯图像平均分为N个区域，并对每个区域进行编号；
i)将步骤g)中的图像分配权值与步骤h)中拉普拉斯图像中对应区域按公式scorei＝weighti*sumi计算区域分值scorei，式中sumi为一个区域内的像素值的和；
j)根据公式
计算图像质量得分imagescore，式中n为图形行数，m为图像列数
k)根据图像质量得分imagescore对图像质量进行评价。
2.根据权利要求1所述的监控视频下基于ROI拉普拉斯算法的图像质量评价方法，其特征在于：步骤k)中当imagescore小于12时，系统判定时间为夜晚，不进行评价；当imagescore大于系统历史记录中最高分数值时，系统更新最高分数，并输出图形质量为优；当imagescore小于最高分数且大于最高分数的3/4时，系统输出图形质量为优；当imagescore小于最高分数的3/4且大于最高分数的1/2时，系统输出图形质量为良；当imagescore小于最高分数的1/2时，系统输出图形质量为差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810025535.2A CN108122231B (zh) | 2018-01-10 | 2018-01-10 | 监控视频下基于roi拉普拉斯算法的图像质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810025535.2A CN108122231B (zh) | 2018-01-10 | 2018-01-10 | 监控视频下基于roi拉普拉斯算法的图像质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108122231A CN108122231A (zh) | 2018-06-05 |
| CN108122231B true CN108122231B (zh) | 2021-09-24 |
Family
ID=62233908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810025535.2A Active CN108122231B (zh) | 2018-01-10 | 2018-01-10 | 监控视频下基于roi拉普拉斯算法的图像质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122231B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112330585A (zh) * | 2019-07-31 | 2021-02-05 | 北京金山云网络技术有限公司 | 图像质量的检测方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101777059A (zh) * | 2009-12-16 | 2010-07-14 | 中国科学院自动化研究所 | 一种提取地标性场景摘要的方法 |
| CN101894257A (zh) * | 2010-07-02 | 2010-11-24 | 西安理工大学 | 多尺度渐进式虹膜图像质量评估方法 |
| CN103049893A (zh) * | 2011-10-14 | 2013-04-17 | 深圳信息职业技术学院 | 一种图像融合质量评价的方法及装置 |
| CN107481238A (zh) * | 2017-09-20 | 2017-12-15 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8086007B2 (en) * | 2007-10-18 | 2011-12-27 | Siemens Aktiengesellschaft | Method and system for human vision model guided medical image quality assessment |
| US10610182B2 (en) * | 2014-01-15 | 2020-04-07 | Alara Systems, Inc | Converting low-dose to higher dose 3D tomosynthesis images through machine-learning processes |
-
2018
- 2018-01-10 CN CN201810025535.2A patent/CN108122231B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101777059A (zh) * | 2009-12-16 | 2010-07-14 | 中国科学院自动化研究所 | 一种提取地标性场景摘要的方法 |
| CN101894257A (zh) * | 2010-07-02 | 2010-11-24 | 西安理工大学 | 多尺度渐进式虹膜图像质量评估方法 |
| CN103049893A (zh) * | 2011-10-14 | 2013-04-17 | 深圳信息职业技术学院 | 一种图像融合质量评价的方法及装置 |
| CN107481238A (zh) * | 2017-09-20 | 2017-12-15 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108122231A (zh) | 2018-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
| CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
| CN107169401B (zh) | 基于轨道视觉特征谱的轨道入侵物检测方法 | |
| CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
| CN110598613B (zh) | 一种高速公路团雾监测方法 | |
| CN110910365A (zh) | 一种同时对于动态场景和静态场景的多曝光融合图像的质量评价方法 | |
| CN108802729B (zh) | 时间序列InSAR最佳干涉像对选择的方法及装置 | |
| CN108122231B (zh) | 监控视频下基于roi拉普拉斯算法的图像质量评价方法 | |
| CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
| CN108830829B (zh) | 联合多种边缘检测算子的无参考质量评价算法 | |
| CN108510544B (zh) | 一种基于特征聚类的光条定位方法 | |
| CN111046871B (zh) | 一种感兴趣区域提取方法及系统 | |
| CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
| Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
| CN111161308A (zh) | 一种基于关键点匹配的双波段融合目标提取方法 | |
| Al-Zubaidy et al. | Removal of atmospheric particles in poor visibility outdoor images | |
| CN102148919A (zh) | 一种球类检测的方法及系统 | |
| CN111445435A (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
| CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
| Sonawane et al. | Image quality assessment techniques: An overview | |
| CN105184245B (zh) | 一种多特征融合的人群密度估计方法 | |
| CN111611858B (zh) | 一种基于多角度判别的倾轧轨迹面自动检测方法和装置 | |
| Alluhaidan et al. | Visibility enhancement in poor weather-tracking of vehicles | |
| Koneru et al. | Detection and enumeration of trees using cartosat2 high resolution satellite imagery | |
| CN109272498B (zh) | 一种枯叶图图卡视频的实时细节自动分析方法 |
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 | ||
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20231113 Granted publication date: 20210924 |