CN108269277A - 用于对辐射图像进行质量评价的方法和系统 - Google Patents
用于对辐射图像进行质量评价的方法和系统 Download PDFInfo
- Publication number
- CN108269277A CN108269277A CN201611270685.7A CN201611270685A CN108269277A CN 108269277 A CN108269277 A CN 108269277A CN 201611270685 A CN201611270685 A CN 201611270685A CN 108269277 A CN108269277 A CN 108269277A
- Authority
- CN
- China
- Prior art keywords
- radiation image
- reference radiation
- contrast
- multiple reference
- characteristic parameter
- 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)
- Image Processing (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种用于对辐射图像进行质量评价的方法,包括:选择多个基准辐射图像,并且针对所述多个基准辐射图像中的每一个基准辐射图像的特定区域进行以下处理:计算归一化的灰度共生矩阵;以及根据所述归一化的灰度共生矩阵,计算特征参数;根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数;计算待评价辐射图像的特定区域的归一化的灰度共生矩阵;根据所述待评价辐射图像的归一化的灰度共生矩阵计算所述待评价辐射图像的特征参数;以及根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算偏差,所述偏差用于表征所述待评价辐射图像的质量。
Description
技术领域
本公开大体上涉及辐射成像领域,更具体地,涉及用于对辐射图像进行质量评价的方法和系统。
背景技术
目前,辐射图像的质量主要依靠操作人员进行主观评价,这种评价方式不仅需要操作人员掌握一定的专业技能、耗费人力,还需要花费时间、达不到实时的效果,且不同的操作人员对同一辐射图像的评价也不尽相同,严重制约了辐射图像质量的实际应用。
辐射图像中被扫描物体的细小差异可能会造成视觉效果的极大不同,因此辐射图像质量评价中要尽量避免被扫描物体的差异,集中关注被扫描内容相对稳定的区域;为了符合人眼视觉显著性的要求,需要关注纹理较多、方向性较强的区域。因此,本发明分析了图像中内容相对稳定、具有较高视觉显著性的区域来进行辐射图像质量的评价。
辐射图像的灰度比较集中,对比度的大小、包含的细节信息的多少决定了辐射图像视觉效果的好坏。对比度是图像清晰性的反映;角二阶矩是图像灰度分布均匀性的度量,代表了图像的纹理性,纹理越粗角二阶矩越大;边缘信号能量通过对图像灰度变化剧烈程度的度量反映了图像的信息多少,图像灰度变化越剧烈说明图像的纹理越多、图像越复杂即图像的边缘信号能量越大。因此,本发明集中考虑图像的角二阶矩、对比度、边缘信号能量三个特征参数。
对大量基准辐射图像的分析发现,图像中内容相对稳定且显著性较强的区域的诸如角二阶矩、对比度、边缘信号能量等的特征参数往往呈正态分布,而不同程度的失真在不同程度上影响了图像特征的分布,因而本发明将待评价辐射图像的特征参数与基准辐射图像的统计特征参数(例如,对于正态分布而言,特征参数的均值和标准差)的偏差来度量待评价辐射图像的质量。
发明内容
鉴于此,本发明提出了用于对辐射图像进行质量评价的方法和系统。
在本发明的一个方面,提供了一种用于对辐射图像进行质量评价的方法,包括:
选择多个基准辐射图像,并且针对所述多个基准辐射图像中的每一个基准辐射图像的特定区域进行以下处理:
计算归一化的灰度共生矩阵;以及
根据所述归一化的灰度共生矩阵,计算特征参数;
根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数;
计算待评价辐射图像的特定区域的归一化的灰度共生矩阵;
根据所述待评价辐射图像的归一化的灰度共生矩阵计算所述待评价辐射图像的特征参数;以及
根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算偏差,所述偏差用于表征所述待评价辐射图像的质量。
优选地,当所述多个基准辐射图像的特征参数服从正态分布时,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数包括:根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值和标准差。
优选地,所述特征参数包括角二阶距、对比度和边缘信号能量。
优选地,根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算偏差包括:根据下式计算所述偏差:
其中,d是所述偏差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmcov,contrastcov和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,以及asmd,contrastd,和ed分别是所述待评价辐射图像的角二阶距、对比度和边缘信号能量。
优选地,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值包括:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值:
其中,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1…N,N是基准辐射图像的总数。
优选地,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的标准差包括:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差:
其中,asmcov,contrastcov,和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1…N,N是基准辐射图像的总数。
优选地,所述特定区域是内容稳定且视觉显著性高的区域。
在本发明的的另一方面,提供了一种用于对辐射图像进行质量评价的系统,包括:
处理器,被配置为执行程序指令以进行以下操作:
选择多个基准辐射图像,并且针对所述多个基准辐射图像中的每一个基准辐射图像的特定区域进行以下处理:
计算归一化的灰度共生矩阵;以及
根据所述归一化的灰度共生矩阵,计算特征参数;
根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数;
计算待评价辐射图像的特定区域的归一化的灰度共生矩阵;
根据所述待评价辐射图像的归一化的灰度共生矩阵计算所述待评价辐射图像的特征参数;以及
根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算偏差,所述偏差用于表征所述待评价辐射图像的质量;以及
存储器,被配置为存储所述程序指令。
优选地,当所述多个基准辐射图像的特征参数服从正态分布时,所述处理器还被配置为:根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值和标准差。
优选地,所述特征参数包括角二阶距、对比度和边缘信号能量。
优选地,所述处理器还被配置为:根据下式计算所述偏差:
其中,d是所述偏差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmcov,contrastcov和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,以及asmd,contrastd,和ed分别是所述待评价辐射图像的角二阶距、对比度和边缘信号能量。
优选地,所述处理器还被配置为:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值:
其中,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1…N,N是基准辐射图像的总数。
优选地,所述处理器还被配置为:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差:
其中,asmcov,contrastcov,和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1…N,N是基准辐射图像的总数。
优选地,所述特定区域是内容稳定且视觉显著性高的区域。
在本发明的的又一方面,提供了一种计算机可读介质,包括在由处理器执行时执行包括以下各项的操作的指令:
选择多个基准辐射图像,并且针对所述多个基准辐射图像中的每一个基准辐射图像的特定区域进行以下处理:
计算归一化的灰度共生矩阵;以及
根据所述归一化的灰度共生矩阵,计算特征参数;
根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数;
计算待评价辐射图像的特定区域的归一化的灰度共生矩阵;
根据所述待评价辐射图像的归一化的灰度共生矩阵计算所述待评价辐射图像的特征参数;以及
根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算偏差,所述偏差用于表征所述待评价辐射图像的质量。
优选地,当所述多个基准辐射图像的特征参数服从正态分布时,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数包括:根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值和标准差。
优选地,所述特征参数包括角二阶距、对比度和边缘信号能量。
优选地,根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算所述偏差包括:根据下式计算所述偏差:
其中,d是所述偏差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmcov,contrastcov和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,以及asmd,contrastd,和ed分别是所述待评价辐射图像的角二阶距、对比度和边缘信号能量。
优选地,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值包括:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值:
其中,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1…N,N是基准辐射图像的总数。
优选地,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的标准差包括:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差:
其中,asmcov,contrastcov,和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1…N,N是基准辐射图像的总数。
优选地,所述特定区域是内容稳定且视觉显著性高的区域。
本发明提出了一种客观、便捷的辐射图像质量评价方法和系统。该方法进行了图像有效区域的选取,针对辐射图像选取了有效的图像特征参数,计算了待评价辐射图像的特征参数与基准图像的统计特征参数的偏差,以此偏差来反映图像的质量。本发明提出的评价方法能快速完成辐射图像质量的评价,克服了现有方法的主观性强、实时性弱的缺点;通过有效区域的选取避免了被扫描物体的细小差异对图像质量的影响;本方法不受失真类型的限制,对不同类型的图像失真都具有敏感性,具有很强的适用性,可用于大规模辐射图像的质量评价。
附图说明
根据结合示例性附图对示例性实施例的以下描述,本公开的其他细节、方面和优点将变得显而易见,在附图中:
图1示出了根据本发明的实施例的角二阶矩的正态性检验的示意图;
图2示出了根据本发明的实施例的对比度的正态性检验的示意图;
图3示出了根据本发明的实施例的边缘信号能量的正态性检验的示意图;
图4示出了根据本发明的实施例的用于对辐射图像进行质量评价的方法的流程图;
图5示出了根据本发明的另一实施例的用于对辐射图像进行质量评价的方法的流程图;
图6示出了根据本发明的实施例的大型集装箱辐射图像和底盘的示意图;
图7a和图7b示出了根据本发明的实施例的算法性能验证的示意图;以及
图8示出了根据本发明的实施例的用于对辐射图像进行质量评价的系统的示意图。
附图没有对实施例的所有电路或结构进行显示。贯穿所有附图相同的附图标记表示相同或相似的部件或特征。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
本发明选取了大量基准辐射图像,分别提取了内容相对稳定、具有较高视觉显著性的区域,得到该区域的归一化的灰度共生矩阵。基于归一化的灰度共生矩阵分别计算每幅基准辐射图像的诸如角二阶矩、对比度、边缘信号能量等的特征参数。诸如角二阶矩、对比度、边缘信号能量等的特征参数可能服从任意分布。在一个实施例中,通过统计发现基准辐射图像的上述三个特征参数均近似服从正态分布,如图1至图3所示。图1的横坐标表示角二阶矩x1,纵坐标表示当角二阶矩小于或等于x1时的累积概率,“+”字线表示针对大量基准辐射图像获得的对应于相应的角二阶矩的累积概率的仿真结果,直线表示当角二阶矩服从正态分布时对应于相应的角二阶矩的累积概率图。类似地,图2的横坐标表示对比度x2,纵坐标表示当对比度小于或等于x2时的累积概率,“+”字线表示针对大量基准辐射图像获得的对应于相应的对比度的累积概率的仿真结果,直线表示当对比度服从正态分布时对应于相应的对比度的累积概率图;图3的横坐标表示边缘信号能量x3,纵坐标表示当边缘信号能量小于或等于x3时的累积概率,“+”字线表示针对大量基准辐射图像获得的对应于相应的边缘信号能量的累积概率的仿真结果,直线表示当边缘信号能量服从正态分布时对应于相应的边缘信号能量的累积概率图。然后,获得角二阶矩、对比度、边缘信号能量的统计特征参数。例如,在上述三个特征服从正态分布的情况下,获得基准辐射图像的角二阶矩、对比度、边缘信号能量的均值和标准差作为统计特征参数。该统计特征参数可以用于表征统计特征分布。不同的失真在不同程度上影响待评价辐射图像的角二阶矩、对比度、边缘信号能量的分布,因而可以将待评价辐射图像的角二阶矩、对比度、边缘信号能量这三个特征参数与基准辐射图像的相应统计特征参数的偏差作为待评价辐射图像的质量度量,偏差越大则图像质量越差。应当注意的是,在评价待评价辐射图像质量时,采用了相同的方法来获得待评价辐射图像的角二阶矩、对比度、边缘信号能量,然后计算待评价辐射图像的特征参数与基准辐射图像的统计特征参数的偏差,即获得了待评价辐射图像质量的客观评价。
根据本公开的用于对辐射图像进行质量评价的方法主要包括:a)计算基准辐射图像的统计特征参数、b)计算待评价辐射图像的特征参数、以及c)利用基准辐射图像的统计特征参数和待评价辐射图像的特征参数来评价待评价辐射图像的质量。下面,将参照图4对用于对辐射图像进行质量评价的方法进行具体描述。
a)、计算基准辐射图像的统计特征参数:
在步骤S410,选择多个基准辐射图像,并且针对多个基准辐射图像中的每一个基准辐射图像进行以下处理:提取所述基准辐射图像的内容相对稳定且具有较高视觉显著性的区域,计算该提取区域的归一化的灰度共生矩阵;以及根据所述归一化的灰度共生矩阵,计算特征参数。在计算归一化的灰度共生矩阵之前,应当对该区域灰度化。
内容相对稳定是指所选择的区域中包括的对象属于相同或相似的类型,例如,拉杆箱的拉杆区域。在统计过程中,需要选择大量的基准图像,如果可以找到这些基准图像中共有的图像区域,基于该区域进行基准图像与待评价图像特征差异的比较,能更好的待评价图像的质量;例如,进行大型集装箱图像评价时,基准图像也选取大型集装箱图像,就可以找到基准图像、待测图像中共有的区域,在共有的区域比较他们的特征差异。为保证辐射图像质量客观评价结果与主观评价结果的一致性,本发明选取了图像中具有较高视觉显著性的区域,如纹理较多、方向性较强的区域。特征参数可以包括角二阶距、对比度和边缘信号能量。所选区域的灰度共生矩阵是以固定灰度级计算的,并且通过图像灰度的相关性分析图像的纹理、信息量。此外,灰度共生矩阵是经过归一化处理的,从而消除不同图像灰度级的差异造成的影响。基于归一化的灰度共生矩阵计算所选择的区域的角二阶距,即,计算该区域的纹理特性。基于归一化的灰度共生矩阵计算所选择的区域的对比度,从而获得该区域的图像清晰度。基于归一化的灰度共生矩阵计算所选择的区域的边缘信号能量,从而分析该区域的图像复杂度。
在步骤S420,根据多个基准辐射图像的特征参数,计算多个基准辐射图像的特征参数的统计特征参数,即,对所选择的基准辐射图像的特征参数(例如,角二阶矩、对比度和边缘信号能量)进行分布规律统计,获得基准辐射图像的特征分布情况。当多个基准辐射图像的特征参数服从正态分布时,根据多个基准辐射图像的特征参数,计算多个基准辐射图像的特征参数的统计特征参数包括:根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值和标准差。
b)、计算待评价辐射图像的特征参数:
在步骤S430,提取待评价辐射图像内容相对稳定且具有较高视觉显著性的区域,计算待评价辐射图像的提取区域的归一化的灰度共生矩阵,并且根据待评价辐射图像的归一化的灰度共生矩阵计算待评价辐射图像的特征参数。应当注意的是,步骤S430中的提取原则与步骤S410中的提取原则相同。
c)、利用基准辐射图像的统计特征参数和待评价辐射图像的特征参数来评价待评价辐射图像的质量:
在步骤S440,根据多个基准辐射图像的特征参数的统计特征参数以及待评价辐射图像的特征参数计算偏差,所述偏差用于表征待评价辐射图像的质量。
本发明提供了一种辐射图像的客观质量评价方法,实现了辐射图像质量的客观、实时评价,有效避免了被扫描物的微小差异对图像质量的影响,对不同类型的图像失真都具有敏感性,方法操作便捷易行,可用于大规模的辐射图像质量评价,具有较强的市场应用性。
在下文中,将以大型集装箱辐射图像的质量评价并且多个基准辐射图像的角二阶距、对比度和边缘信号能量服从正态分布为例,描述根据本公开的用于对辐射图像进行质量评价的方法,如图5所示。
在步骤S510,选择多个基准大型集装箱辐射图像,分别提取图像中内容相对稳定且具有较高视觉显著性的区域,进行所选区域的灰度化。在本实施例中,选择了集装箱的底盘作为所述区域。
以下步骤S520至S530以单幅基准图像为例,计算底盘区域的角二阶距、对比度、边缘信号能量,在此将灰度化的底盘区域记为I,如图6所示。图6的左部示出了整个集装箱的辐射图像,图6的右部示出了底盘区域。
在步骤S520,在固定灰度级l=256上,计算提取区域的灰度共生矩阵。在0度、45度、90度、135度4个方向分别计算底盘I的灰度共生矩阵,分别记为D0,D1,D2,D3,将Dk的元素记为pk(i,j),k=0,1,2,3,采用加权的方法得到底盘的灰度共生矩阵D4,此处采用均值加权的方法计算,将D4的元素记为p4(i,j),p4(i,j)=((p0(i,j)+p1(i,j)+p2(i,j)+p3(i,j))/4,(i、j=1,2,3…l),l=256。对灰度共生矩阵D4进行归一化处理,得到归一化的灰度共生矩阵D,将D的元素记为p(i,j)。遍历矩阵D4找到最大元素M,则(i、j=1,2,3…l),l=256。应当注意的是,计算灰度共生矩阵时所使用的方向不限于上述4个方向,并且方向的数量也不限于4个。
在步骤S530,基于归一化的灰度共生矩阵D,分别计算底盘区域的图像角二阶距l=256;基于归一化的灰度共生矩阵D,计算底盘区域的图像对比度 |i-j|=n,l=256;基于归一化的灰度共生矩阵D,计算底盘区域的边缘信号能量e。具体地,沿例如45度、135度两个方向分别用归一化边缘算子E1,E2与步骤S520中求出的归一化的灰度共生矩阵进行卷积得到F1和F2,其中 将F1的元素记为f1(i,j),并且将F2的元素记为f2(i,j),则l=256。
在步骤S540,对所选择的多个基准辐射图像的底盘的角二阶矩、对比度、边缘信号能量的正态性分布进行lillietest检验。当角二阶矩、对比度、边缘信号能量近似服从正态分布时,计算所选择的多个基准辐射图像的底盘的角二阶矩、对比度、边缘信号能量的均值asmmu,contrastmu,emu,如下式(1)所示:
其中,asmn,contrastn,和en分别是所选择的多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1…N,N是基准辐射图像的总数。
计算所选择的多个基准辐射图像的底盘的角二阶矩、对比度、边缘信号能量的标准差asmcov,contrastcov,ecov,如下式(2)所示:
其中,asmmu,contrastmu,和emu分别是多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1…N,N是基准辐射图像的总数。
在步骤S550,提取待评价辐射图像内容相对稳定且显著性较高的区域,并将所选区域灰度化。
在步骤S560,计算所选区域的归一化的灰度共生矩阵。
在步骤S570,计算待评价辐射图像的角二阶矩、对比度、边缘信号能量,分别记为asmd,contrastd,ed。
在步骤S580,计算待评价辐射图像的特征参数与标准辐射图像的统计特征参数的偏差d:
其中,asmmu,contrastmu,和emu分别是多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmcov,contrastcov和ecov分别是多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,以及asmd,contrastd,和ed分别是待评价辐射图像的角二阶距、对比度和边缘信号能量。
在本发明提出的评价辐射图像质量的方法中,选取了图像中内容相对稳定、具有较高视觉显著性的区域,进行了基准辐射图像的角二阶矩、对比度、边缘信号能量分布规律的统计,采用同样的方法求取了待评价辐射图像的角二阶矩、对比度、边缘信号能量,得到了待评价辐射图像的特征参数与基准辐射图像的统计特征参数的偏差,并用该偏差度量待评价辐射图像的质量。本发明提出的辐射图像质量评价方法克服了目前辐射图像评价的主观性强、实时性差的缺点,实现了辐射图像质量的客观、实时、快速评价;避免了被扫描物体的差异对图像质量的影响,对不同类型的图像失真都具有敏感性,方法便捷易操作,具有较强的适用性,可用于大规模辐射图像质量的评价。
为了证明本公开的评价方法的可靠性,可以分别对同一待评价辐射图像(例如,大型集装箱辐射图像)加入不同强度的噪声、进行不同程度的模糊化处理,并采用本发明提供的方法进行了图像质量评价。通过仿真发现,失真越严重,待评价辐射图像的特征参数与基准辐射图像的统计特征参数的偏差越大,证明了算法的可靠性,如图7a和图7b所示。
图8示意性地示出了根据本发明的实施例用于对辐射图像进行质量评价的系统800的示意图。系统800包括处理器810,例如,数字信号处理器(DSP)。处理器810可以是用于执行本文所描述的过程的不同动作的单个装置或多个装置。系统800还可以包括输入/输出(I/O)装置830,用于从其他实体接收信号或者向其他实体发送信号。
此外,系统800包括存储器820,该存储器820可以具有以下形式:非易失性或易失性存储器,例如,电可擦除可编程只读存储器(EEPROM)、闪存等。存储器820存储计算机可读指令,当处理器810执行该计算机可读指令时,该计算机可读指令使处理器执行本文所述的动作。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此,本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统(例如,一个或多个处理器)使用或者结合指令执行系统使用。在本公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
以上的详细描述通过使用示意图、流程图和/或示例,已经阐述了用于利用多能谱X射线成像系统识别物品的方法和多能谱X射线成像系统的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下,本领域技术人员应理解,这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中,本公开的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而,本领域技术人员应认识到,这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中,实现为在一台或多台计算机上运行的一个或多个计算机程序(例如,实现为在一台或多台计算机系统上运行的一个或多个程序),实现为在一个或多个处理器上运行的一个或多个程序(例如,实现为在一个或多个微处理器上运行的一个或多个程序),实现为固件,或者实质上实现为上述方式的任意组合,并且本领域技术人员根据本公开,将具备设计电路和/或写入软件和/或固件代码的能力。此外,本领域技术人员将认识到,本公开所述主题的机制能够作为多种形式的程序产品进行分发,并且无论实际用来执行分发的信号承载介质的具体类型如何,本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于:可记录型介质,如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等;以及传输型介质,如数字和/或模拟通信介质(例如,光纤光缆、波导、有线通信链路、无线通信链路等)。
Claims (21)
1.一种用于对辐射图像进行质量评价的方法,包括:
选择多个基准辐射图像,并且针对所述多个基准辐射图像中的每一个基准辐射图像的特定区域进行以下处理:
计算归一化的灰度共生矩阵;以及
根据所述归一化的灰度共生矩阵,计算特征参数;
根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数;
计算待评价辐射图像的特定区域的归一化的灰度共生矩阵;
根据所述待评价辐射图像的归一化的灰度共生矩阵计算所述待评价辐射图像的特征参数;以及
根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算偏差,所述偏差用于表征所述待评价辐射图像的质量。
2.根据权利要求1所述的方法,其中,当所述多个基准辐射图像的特征参数服从正态分布时,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数包括:根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值和标准差。
3.根据权利要求2所述的方法,其中,所述特征参数包括角二阶距、对比度和边缘信号能量。
4.根据权利要求3所述的方法,其中,根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算所述偏差包括:根据下式计算所述偏差:
其中,d是所述偏差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmcov,contrastcov和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,以及asmd,contrastd,和ed分别是所述待评价辐射图像的角二阶距、对比度和边缘信号能量。
5.根据权利要求3或4所述的方法,其中,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值包括:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值:
其中,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1...N,N是基准辐射图像的总数。
6.根据权利要求3或4所述的方法,其中,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的标准差包括:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差:
其中,asmcov,contrastcov,和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1...N,N是基准辐射图像的总数。
7.根据权利要求1所述的方法,其中,所述特定区域是内容稳定且视觉显著性高的区域。
8.一种用于对辐射图像进行质量评价的系统,包括:
处理器,被配置为执行程序指令以进行以下操作:
选择多个基准辐射图像,并且针对所述多个基准辐射图像中的每一个基准辐射图像的特定区域进行以下处理:
计算归一化的灰度共生矩阵;以及
根据所述归一化的灰度共生矩阵,计算特征参数;
根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数;
计算待评价辐射图像的特定区域的归一化的灰度共生矩阵;
根据所述待评价辐射图像的归一化的灰度共生矩阵计算所述待评价辐射图像的特征参数;以及
根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算偏差,所述偏差用于表征所述待评价辐射图像的质量;以及
存储器,被配置为存储所述程序指令。
9.根据权利要求8所述的系统,其中,当所述多个基准辐射图像的特征参数服从正态分布时,所述处理器还被配置为:根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值和标准差。
10.根据权利要求9所述的系统,其中,所述特征参数包括角二阶距、对比度和边缘信号能量。
11.根据权利要求10所述的系统,其中,所述处理器还被配置为:根据下式计算所述偏差:
其中,d是所述偏差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmcov,contrastcov和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,以及asmd,contrastd,和ed分别是所述待评价辐射图像的角二阶距、对比度和边缘信号能量。
12.根据权利要求10或11所述的系统,其中,所述处理器还被配置为:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值:
其中,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1...N,N是基准辐射图像的总数。
13.根据权利要求10或11所述的系统,其中,所述处理器还被配置为:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差:
其中,asmcov,contrastcov,和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1...N,N是基准辐射图像的总数。
14.根据权利要求8所述的系统,其中,所述特定区域是内容稳定且视觉显著性高的区域。
15.一种计算机可读介质,包括在由处理器执行时执行包括以下各项的操作的指令:
选择多个基准辐射图像,并且针对所述多个基准辐射图像中的每一个基准辐射图像的特定区域进行以下处理:
计算归一化的灰度共生矩阵;以及
根据所述归一化的灰度共生矩阵,计算特征参数;
根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数;
计算待评价辐射图像的特定区域的归一化的灰度共生矩阵;
根据所述待评价辐射图像的归一化的灰度共生矩阵计算所述待评价辐射图像的特征参数;以及
根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算偏差,所述偏差用于表征所述待评价辐射图像的质量。
16.根据权利要求15所述的计算机可读介质,其中,当所述多个基准辐射图像的特征参数服从正态分布时,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的统计特征参数包括:根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值和标准差。
17.根据权利要求16所述的计算机可读介质,其中,所述特征参数包括角二阶距、对比度和边缘信号能量。
18.根据权利要求17所述的计算机可读介质,其中,根据所述多个基准辐射图像的特征参数的统计特征参数以及所述待评价辐射图像的特征参数计算所述偏差包括:根据下式计算所述偏差:
其中,d是所述偏差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmcov,contrastcov和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,以及asmd,contrastd,和ed分别是所述待评价辐射图像的角二阶距、对比度和边缘信号能量。
19.根据权利要求17或18所述的计算机可读介质,其中,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的均值包括:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值:
其中,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1...N,N是基准辐射图像的总数。
20.根据权利要求17或18所述的计算机可读介质,其中,根据所述多个基准辐射图像的特征参数,计算所述多个基准辐射图像的特征参数的标准差包括:根据下式计算所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差:
其中,asmcov,contrastcov,和ecov分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的标准差,asmmu,contrastmu,和emu分别是所述多个基准辐射图像的角二阶距、对比度和边缘信号能量的均值,asmn,contrastn,和en分别是所述多个基准辐射图像中的基准辐射图像n的角二阶距、对比度和边缘信号能量,n=1...N,N是基准辐射图像的总数。
21.根据权利要求15所述的计算机可读介质,其中,所述特定区域是内容稳定且视觉显著性高的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270685.7A CN108269277B (zh) | 2016-12-30 | 2016-12-30 | 用于对辐射图像进行质量评价的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270685.7A CN108269277B (zh) | 2016-12-30 | 2016-12-30 | 用于对辐射图像进行质量评价的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108269277A true CN108269277A (zh) | 2018-07-10 |
CN108269277B CN108269277B (zh) | 2022-03-08 |
Family
ID=62770530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611270685.7A Active CN108269277B (zh) | 2016-12-30 | 2016-12-30 | 用于对辐射图像进行质量评价的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108269277B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101115131A (zh) * | 2006-07-28 | 2008-01-30 | 南京理工大学 | 基于像素空间相关性的图像融合效果实时评价方法及装置 |
CN101478697A (zh) * | 2009-01-20 | 2009-07-08 | 中国测绘科学研究院 | 影像有损压缩质量评价方法 |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN102289671A (zh) * | 2011-09-02 | 2011-12-21 | 北京新媒传信科技有限公司 | 提取图像纹理特征的方法和装置 |
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 |
CN104104943A (zh) * | 2013-04-10 | 2014-10-15 | 江南大学 | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 |
CN104851098A (zh) * | 2015-05-22 | 2015-08-19 | 天津大学 | 基于改进结构相似度的立体图像质量客观评价方法 |
CN104881867A (zh) * | 2015-05-13 | 2015-09-02 | 华中科技大学 | 一种基于特征分布的遥感图像质量评价方法 |
CN105931257A (zh) * | 2016-06-12 | 2016-09-07 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
CN108292366A (zh) * | 2015-09-10 | 2018-07-17 | 美基蒂克艾尔有限公司 | 在内窥镜手术中检测可疑组织区域的系统和方法 |
-
2016
- 2016-12-30 CN CN201611270685.7A patent/CN108269277B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101115131A (zh) * | 2006-07-28 | 2008-01-30 | 南京理工大学 | 基于像素空间相关性的图像融合效果实时评价方法及装置 |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101478697A (zh) * | 2009-01-20 | 2009-07-08 | 中国测绘科学研究院 | 影像有损压缩质量评价方法 |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN102289671A (zh) * | 2011-09-02 | 2011-12-21 | 北京新媒传信科技有限公司 | 提取图像纹理特征的方法和装置 |
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 |
CN104104943A (zh) * | 2013-04-10 | 2014-10-15 | 江南大学 | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 |
CN104881867A (zh) * | 2015-05-13 | 2015-09-02 | 华中科技大学 | 一种基于特征分布的遥感图像质量评价方法 |
CN104851098A (zh) * | 2015-05-22 | 2015-08-19 | 天津大学 | 基于改进结构相似度的立体图像质量客观评价方法 |
CN108292366A (zh) * | 2015-09-10 | 2018-07-17 | 美基蒂克艾尔有限公司 | 在内窥镜手术中检测可疑组织区域的系统和方法 |
CN105931257A (zh) * | 2016-06-12 | 2016-09-07 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
Non-Patent Citations (8)
Title |
---|
EKESHWARI SAHU等: "Assessment of Image Quality Technics: A Comparative Study", 《INTERNATIONAL JOURNAL OF ENGINEERING RESEARCH AND GENERAL SCIENCE》 * |
SHUHONG JIAO等: "SAR Image Quality Assessment Based on SSIM Using Textural Feature", 《 2013 SEVENTH INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 * |
何宇华等: "ALOS卫星遥感数据影像特征分析及应用精度评价", 《地理与地理信息科学》 * |
刘明珠: "基于纹理特征的SAR图像质量评估", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
孟凡晓等: "基于全参考"高分二号"卫星图像融合质量评价", 《航天返回与遥感》 * |
巫兆聪: "基于同步观测的高分一号卫星影像辐射质量评价", 《测绘与空间地理信息》 * |
王洪姣: "图像质量评价方法的研究及实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
胡学岭等: "基于多纹理特征和 PCA 的地基云图识别研究", 《科学技术与工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108269277B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104658002B (zh) | 一种无参考图像客观质量评价方法 | |
CN108229526A (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN102743181B (zh) | 图像处理装置及图像处理方法 | |
Padilla et al. | Evaluating the impact of binning 2d scalar fields | |
CN109145921A (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
Eck et al. | Computational and human observer image quality evaluation of low dose, knowledge‐based CT iterative reconstruction | |
US11720818B2 (en) | System and method to improve accuracy of regression models trained with imbalanced data | |
Yeganeh et al. | Objective assessment of tone mapping algorithms | |
Mahbub et al. | Ordering of spin-12 excitations of the nucleon in lattice QCD | |
CN105225222A (zh) | 对不同图像集的感知视觉质量的自动评估 | |
Molloy et al. | What’s in a response time?: On the importance of response time measures in constraining models of context effects. | |
Tariq et al. | Why are deep representations good perceptual quality features? | |
Kesner et al. | Data‐driven optimal binning for respiratory motion management in PET | |
Geurts et al. | Visual comparison of 3D medical image segmentation algorithms based on statistical shape models | |
CN108269277A (zh) | 用于对辐射图像进行质量评价的方法和系统 | |
Gao et al. | Automated parameter tuning for tone mapping using visual saliency | |
Zhong et al. | Kernel-based adaptive sampling for image reconstruction and meshing | |
Berardi et al. | A note on the representative adaptive learning algorithm | |
Ekmekci et al. | Quantifying Generative Model Uncertainty in Posterior Sampling Methods for Computational Imaging | |
Chung et al. | Competitive Impacts of IT Innovation: An Empirical Analysis of Software Patents in the IT Industry. | |
Lecca et al. | T-Rex: a Milano Retinex implementation based on intensity thresholding | |
Zhang et al. | Investigating the feasibility of using partial least squares as a method of extracting salient information for the evaluation of digital breast tomosynthesis | |
Rego et al. | Non-Gaussian stochastic volatility model with jumps via Gibbs sampler | |
Faraji | Full‐reference tone‐mapped images quality assessment | |
Homa et al. | Application of diagram methods and hierarchical agglomerative procedures to assess the risk of investment funds on the Warsaw Stock Exchange |
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 |