CN108447058B - 一种图像质量评价方法及系统 - Google Patents

Abstract

本发明实施例提供一种图像质量评价方法及系统，该方法包括：根据感兴趣区域的灰度直方图和周围区域的灰度直方图的巴氏距离，获取待测图像的灰度对比度，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，根据第一纹理特征和第二纹理特征的巴氏距离，获取待测图像的纹理对比度；根据灰度对比度和纹理对比度，获取待测图像中检测到目标的概率。本发明实施例从图像的灰度特征和纹理特征出发，综合地考察细小目标特征的探测情况，同时采用灰度和纹理两方面的特征，增强了该图像评价方法的鲁棒性和适用性。

Description

一种图像质量评价方法及系统

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种图像质量评价方法及系统。

背景技术

随着光学遥感和机载成像技术的不断发展，能获取到的光学遥感图像或者机载图像也变得越来越精细。然而在获取图像的过程中，由于成像设备自身的参数、平台的抖动以及成像的天气状况等因素的影响，不可避免地会使图像的质量有所下降。通过对不同情况下的图像进行评价，可以对影响成像质量的因素进行分析，对给定参数的系统的成像性能进行一个评估。

通常图像评价有主观评价和客观评价。主观评价需要人眼参与，耗时耗力，而且稳定性不够。客观评价根据一定的算法，计算相应的参数，能得到一个量化的数值，因此也是图像质量评价方法研究的重点。客观评价方法又分为参考方法和无参考方法。前者需要参照的图像，后者无需参照图像。针对光学遥感图像和机载图像，往往不能获得参照图像，只能使用无参考方法，利用退化图像来计算图像质量评价指标。

常见无参考方法的算法有灰度平均梯度法、最大熵评价法和拉普拉斯算子和法等，算法较为简单，只是从灰度变化、图像熵等单一方面评价。尽管也有综合多个评价指标的评价方法，但适用性也十分有限。实际上对于光学遥感图像或者机载图像，图像整体质量的评价往往针对性不强。

因此，提供一种适用性强的图像质量评价方法是目前业界亟待解决的问题。

发明内容

本发明实施例提供一种图像质量评价方法及系统，用以解决现有技术中图像评价方法适用性不强，实现对光学遥感图像或机载图像有针对性的评价。

本发明实施例提供一种图像质量评价方法，包括：

S1，获取待测图像的感兴趣区域和周围区域；

S2，根据所述感兴趣区域的灰度直方图和所述周围区域的灰度直方图的巴氏距离，获取所述待测图像的灰度对比度，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，根据所述第一纹理特征和所述第二纹理特征的巴氏距离，获取所述待测图像的纹理对比度；

S3，根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率。

本发明实施例提供一种图像质量评价系统，包括：

区域模块，用于获取待测图像的感兴趣区域和周围区域；

对比度模块，用于根据所述感兴趣区域的灰度直方图和所述周围区域的灰度直方图的巴氏距离，获取所述待测图像的灰度对比度，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，根据所述第一纹理特征和所述第二纹理特征的巴氏距离，获取所述待测图像的纹理对比度；

检测模块，用于根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率。

本发明实施例还提供一种图像质量评价设备，包括：

至少一个处理器、至少一个存储器、通信接口和总线；其中，

所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述图像质量评价方法。

本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述图像评价方法。

本发明实施例提供的一种图像质量评价方法及系统，从图像的灰度特征和纹理特征出发，根据巴氏距离，由感兴趣区域和周围区域计算相应的灰度对比度和纹理对比度，最后由概率模型得到感兴趣区域的探测概率，综合地考察系统对细小目标特征的探测情况，同时采用灰度和纹理两方面的特征，增强了该图像评价方法的鲁棒性和适用性。

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一简单地介绍，显而易见地，下面描述中的附图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他的附图。

图1为本发明实施例一种图像质量评价方法的流程示意图；

图2为本发明实施例一种图像质量评价方法中感兴趣区域和周围区域的示意图；

图3为本发明实施例一种图像质量评价方法中目标和背景特征的概率分布示意图；

图4为本发明实施例一种图像质量评估方法中的灰度判读图像制作示意图；

图5为本发明实施例一种图像质量评价方法中两套灰度图集的探测概率分布图和拟合曲线；

图6为本发明实施例中一种图像质量评价方法的纹理判读图像制作示意图；

图7为本发明实施例一种图像质量评价方法中纹理图集的探测概率分布图和拟合曲线；

图8为本发明实施例一种图像质量评价方法的系统框图；

图9为本发明实施例一种图像质量评价方法中不同大气条件下探测车辆的结果示意图；

图10为本发明实施例一种图像质量评价方法中不同大气条件下探测人的结果示意图；

图11为本发明实施例中一种图像质量评价方法中不同轨道差异下人的探测结果示意图；

图12为本发明实施例中一种图像质量评价方法中超分辨率处理下人的探测结果示意图；

图13为本发明实施例一种图像评价系统的结构示意图；

图14示例了一种服务器的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

现有技术中，常见无参考方法的算法有灰度平均梯度法、最大熵评价法和拉普拉斯算子和法等，算法较为简单，只是从灰度变化、图像熵等单一方面评价。尽管也有综合多个评价指标的评价方法，但适用性也十分有限。实际上对于光学遥感图像或者机载图像，图像整体质量的评价往往针对性不强，不能反映感兴趣区域，尤其是细小目标区域的探测性能。对感兴趣区域，结合人眼的观察特性，灰度特征和纹理特征是用来区别周围区域最明显的特征。基于此，本发明实施例建立一种结合灰度和纹理特征对感兴趣区域的图像评价方法。

图1为本发明实施例一种图像质量评价方法的流程示意图，如图1所示，该方法包括：

S1，获取待测图像的感兴趣区域和周围区域；

S2，根据所述感兴趣区域的灰度直方图和所述周围区域的灰度直方图的巴氏距离，获取所述待测图像的灰度对比度，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，根据所述第一纹理特征和所述第二纹理特征的巴氏距离，获取所述待测图像的纹理对比度；

S3，根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率。

首先，获取待测图像的感兴趣区域和周围区域，感兴趣区域是指，机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。而在判读时间不受限制的情况下，影响目标获取性能最重要的因素是目标与局部背景特征的差别，因此，本发明实施例以9倍于感兴趣区域的周围区域为特征分析的区域，图2为本发明实施例一种图像质量评价方法中感兴趣区域和周围区域的示意图，如图2所示，图中的T表示目标所在的区域，也就是本发明实施例中所指的感兴趣区域，B1、B2、B3、B4、B5、B6、B7和B8表示背景图像，也就是本发明实施例中所指的周围区域。

对图像进行滤波处理后，接着根据感兴趣区域的灰度直方图和周围区域的灰度直方图的巴氏距离，计算出待测图像的灰度对比度，计算公式如下：

其中，r表示灰度值，P_o为感兴趣区域的灰度直方图，P_B为周围区域的灰度直方图。为了研究两者灰度的相关特性，L为待测图像中的灰度级总数。若D_g＝0，则两者分布完全一致，即感兴趣区域的灰度分布特征上完全融合于周围区域的灰度分布特征中，也就是说明目标灰度分布特征上完全融合于背景灰度分布特征；若D_g越大，则感兴趣区域和周围区域的灰度分别特征差别很大，也就是说明目标与背景灰度分布特征相差很大。

上面讲述了计算灰度对比度的详细过程，由于本发明实施例在图像质量评价过程中，综合考虑了灰度和纹理两个方面的特征，因此，下面还需要计算待测图像的纹理对比度。

在计算待测图像纹理对比度之前，需要先对待测图像的感兴趣区域和周围区域进行滤波处理。

分别对感兴趣区域和背景区域进行滤波处理，滤波算法有很多，但是本发明实施例优选Gabor滤波器，通过Gabor滤波器分别对感兴趣区域和背景区域进行滤波处理2-DGabor函数作为良好的纹理基元检测函数，能够从心理物理学、视觉生理学角度为纹理分析提供理论和试验上的解释。从生理学角度上，2-D Gabor函数十分近似于视皮层的带通滤波器，通过对其基本参数的控制，可以设计出具有任意形状和方向的带通滤波器，模拟视觉皮层对纹理的感知。

通过Gabor滤波器进行纹理检测的具体过程如下：

根据视觉皮层试验，设计2-D Gabor纹理检测器，取Gabor函数g(x,y)如下：

其中，(x₀,y₀)是Gauss ian函数中心位置；σ是Gauss ian函数宽度；θ是纹理检测方向；

是相位移；λ是Gauss ian纵横比，测量滤波器对称性度量。

纹理检测器参数的选取：

(a)为了顾及纹理的相位信息，令

即取相位相互正交的一对2-D Gabor纹理检测器(复数2-D Gabor函数的实部和虚部)为检测算子。

(b)为了与视觉皮层滤波器相近，令λ＝0.6，为视觉皮层试验平均值。

以g(x,y)为母小波，则通过对g(x,y)进行适当尺度变换和旋转变换，就可得到自相似的一组滤波器，即Gabor小波。

g_mn(x,y)＝a^-mg(x′,y′)，a＞1，m,n∈Z。

其中，x′＝a^-m(xcosθ+ysinθ)，y′＝a^-m(-xsinθ+ycosθ)，θ＝nπ/K，K表示总的方向数目(n∈[0,K])，a^-m(m∈[0,S])为尺度因子，在上式中用来保持其总的能量与m无关。通过改变m和n的值，便可以得到一组方向和尺度都不同的滤波器簇。

给定一幅图像I(x，y)，它的Gabor小波变换可以定义为：

这里，*代表取其共轭复数，w_mn(x,y)为滤波后图像。

滤波处理完成后，得到滤波后的感兴趣区域和滤波后的周围区域，基于此，先将滤波后感兴趣区域的平均纹理特征和滤波后感兴趣区域的极性纹理特征构成的向量作为第一纹理特征，并将滤波后周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征构成的向量作为第二纹理特征，计算第一纹理特征和第二纹理特征的巴氏距离，得到待测图像的纹理对比度。

上述过程中，平均纹理特征的计算方法如下：

其中，T_mn(x,y)表示象素点(x,y)的平均纹理特征，σ_mn表示Gabor滤波器高度的一半，W_xy表示以(x,y)为中心、和Gabor滤波器大小相同的窗口，

表示对滤波之后图像取模并归一化，N表示滤波器的个数。

极性纹理特征的计算方法如下：

其中，P(x,y)表示象素点(x,y)处的极性纹理特征，θ(a,b)为象素点(a,b)的主方向，θ表示纹理检测方向，W_xy表示以(x,y)为中心、和Gabor滤波器大小相同的窗口，若θ(a,b)与θ方向相同，则[θ(a,b)]₊为1，[θ(a,b)]_-为0，若θ(a,b)与θ方向不同，则[θ(a,b)]₊为0，[θ(a,b)]_-为1。

其中，对于感兴趣区域中一个象素，可以得到两个特征，极性纹理特征P(x,y)以及平均纹理值T(x,y)，即对于一个象素提取出了2个特征(p,T)，此向量就构成了感兴趣区域的第一纹理特征。

同理，对应周围区域中的一个象素，同样可以得到两个特征，极性纹理特征P(x,y)以及平均纹理值T(x,y)，即对于一个象素提取出了2个特征(p,T)，此向量就构成了周围区域的第二纹理特征。

对于周围区域和感兴趣区域可以分别得到纹理特征向量(P_b,T_b)和(P_o,T_o)。根据巴氏距离，得到纹理对比度为：

纹理对比度D_texture→0意味着两种纹理分布越接近。反之则说明两种纹理分布差别越大。

经过上述过程，就获得了待测图像的灰度对比度和纹理对比度，下面讲述根据灰度对比度和纹理对比度，计算待测图像中能够探测到目标的概率。

根据基本决策原理，以N维特征矢量x{x₁,x₂,...x_n}为基础，x_i代表n个特征中的一个(i＝1,2,...,n)。当目标上的特征多维分布函数与相应的背景分布具有足够的差异时，我们称为发现。对于遥感或机载图像，目标和背景的特征分布估计可以作为距离函数来预测相关的分布。

图3为本发明实施例一种图像质量评价方法中目标和背景特征的概率分布示意图，如图3所示，在发现的情况下，假设一个观察样本，分布重叠部分的微量用Γ_t表示，代表遗漏目标的错误，Γ₀作为发现极限。因此，遗漏目标的概率是P_DΓ_t，其中P_D代表随机样本是背景的先验概率。这些错误用Γ_t(也就是虚警概率)来表示，在评估一个已知的目标与背景有关的情况下是不相干的，因此发现概率P_D公式如下：

P_D＝1-P_bΓ_t，

通常，n维分布的Γ_t定义在观察矢量的n维上。

在发现的情况下，目标与距离的比值仅仅占整个视场(FOV)的一个很小的部分，因此可以近似：P_b≈1。与Γ_t相比，Γ_b可以忽略，因此Γ_t近似于整个分布的重叠部分。可以得到：

P_D＝1-exp(InΓ)，

分布的重叠部分可以近似用巴氏距离的整数部分D来表示，这样D≈-In{Γ}，在分布相同的极限条件下，很容易就可以看出D＝0，在分布完全不同的情况下，D→∞。这里的D表征为由于图像差别而引起的心理影像差别，当目标与背景的特征分布相同时，没有对判读者产生心理感知，即D＝0，在分布完全不同的情况下，由于目标与背景的特征差别引起了判读者极大的心理感知，即D→∞，从而产生了关注。该心理差别直接影响判读人员对目标的发现能力，因此目标的探测概率P_D为：

P_D＝1-exp(-D)，

其中，D为由于目标与背景的图像特征差别而引起的心理感知，这里认为探测概率是由于目标区与背景区的差别引起判读人员的注意而进一步去识别的概率。

D是个综合的心理感知差别。假设不同特征的感知量在心理量纲上是相同的，可以线性运算，因此，综合图像特征所引起的感知量是每个单特征引起量的和。

D＝D_gray+D_texture，

其中，D_gray、D_texture分别为图像灰度特征差别、纹理特征差别所引起的心理感知量。

根据史蒂文斯提出的刺激强度和感觉量之间关系的幂定律：

S＝m(I-I₀)ⁿ，

其中，S为由刺激强度I引起的感觉量，I为刺激强度，这里为图像的特征差别。I₀为绝对阈限值，m为量表单位决定的常数，n为感觉量与刺激强度决定的幂指数，分别为待测系数。

因此，可以认为图像特征差别与心理感知量是成幂次方的关系，分别设定单特征心理感知量D_gray、D_texture为：

其中：D_g为目标与背景图像的灰度特征差别尺度，即灰度对比度；D_t为目标与背景图像的纹理特征差别尺度，即纹理对比度；

则探测概率为：

带入经验数值，最终得到的探测概率公式为

P_D＝1-exp[-(D_gray+D_texture)]

＝1-exp[-(3.965(D_g+0.024)^1.333+0.464(D_t+0.002)^0.667)]。

上述经验值由实验获取，通过实验拟合得到，具体实验内容和模拟内容如下。

采用计算机处理的方法，生成了313幅人工合成图像。分别采用心理物理学中的极限法和恒定刺激法设计实施了判读实验。共组织了487名视力正常的观察者，年龄为18—25，视觉灵敏度超过1.25arc/min。30个人一组，观察者在昏暗的房间内用双眼观察测试图像。图像通过投影仪显示在宽为2米，高为1.75米的幕布上。投影仪的镜头与屏幕之间的距离约为5米。投影仪的亮度为3100流明，对比度为2500：1。

观察者坐在距离屏幕3—5米之间的位置观察图像。观察张角约为35-23度之间。图像的边缘设定一个恒定亮度的边界，该亮边界是为了减小在连续显示幻灯片之间，由于整体亮度大的变化，导致的观察者对光亮自适应强度的变化。

通过结果统计，有5个观察者的测试数据与其余数据差异非常大，没有记录在内。最终得到了482个观察者的有效数据。

本发明实施例采用灰度纹理均匀的图像作为对比图，同时具有一定的灰度分布。制作方法是对1号图像进行灰度整体调整，生成2号图像，并按照顺序合成判读图像，图4为本发明实施例一种图像质量评估方法中的灰度判读图像制作示意图，如图4所示。共50幅图，分为两套图集。每套25张。采用极限法设计判读顺序，第一套图集按对比度由小到大排列，第二套图集按对比度由大到小排列。每幅图片的判读时间为10秒钟。回答结果分为不能区分(0)、难区分(0.5)和容易区分(1)三个等级，最后将结果填写判读表中。

图5为本发明实施例一种图像质量评价方法中两套灰度图集的探测概率分布图和拟合曲线，如图5所示，由于两个图集的播放顺序分别按照对比度从小到大和从大到小的顺序进行，因此两个顺序的实验分别产生了习惯误差和期望误差。综合两个实验数据能够最大限度的抵消这两种误差，得到准确的关系变量。经过拟合得到：

P＝1-exp(-D_gray)＝1-exp[-3.965(D_g+0.024)^1.333]

纹理实验图像取自USC Texture Mosaic#1标准纹理图集和典型的地物背景纹理。首先，选取两幅不同的纹理图像，并将平均灰度调整为相等，然后，计算图像间的纹理对比度，将两幅图像拼接，并对接合处进行模糊化，形成自然过渡，减少边缘特征的影响，制成实验用图，图6为本发明实施例中一种图像质量评价方法的纹理判读图像制作示意图，如图6所示共制作了184幅图。按顺序播放。回答分三个档次：不能辨别(0)，难辨别(0.5)，容易辨别(1)。

图7为本发明实施例一种图像质量评价方法中纹理图集的探测概率分布图和拟合曲线，如图7所示，该实验的误差主要是疲劳误差，因此应将明显错误的结果删除以减少误差，通过拟合得到：P＝1-exp(-D_texture)＝1-exp[-0.464(D_t+0.002)^0.667]。

以上详细的介绍了图像质量评价方法的流程，下面对以上过程做一个简要的总结，图8为本发明实施例一种图像质量评价方法的系统框图，如图8所示，在图像质量评价方法中，对感兴趣区域及其周围区域，根据灰度分布直方图，结合巴氏距离计算灰度对比度；采用Gabor小波变换方法得到平均纹理特征和极性纹理特征，经巴氏距离转换为纹理对比度；经概率模型将灰度对比度和纹理对比度转换成探测概率，这里的探测概率就是指待测图像中能探测到目标的概率。

本发明实施例提供的一种图像质量评价系统，从图像的灰度特征和纹理特征出发，根据巴氏距离，由感兴趣区域和周围区域计算相应的灰度对比度和纹理对比度，最后由概率模型得到感兴趣区域的探测概率，综合地考察系统对细小目标特征的探测情况，同时采用灰度和纹理两方面的特征，增强了该图像评价方法的鲁棒性和适用性。

下面通过仿真模型给出上述图像质量评价方法的计算结果，图9为本发明实施例一种图像质量评价方法中不同大气条件下探测车辆的结果示意图，如图9所示，从左到右的三幅图分别是在大气好、大气中等和大气差的情况下拍摄的，每幅图像中能探测到车辆的概率如表1所示，结合图5和表1可以得出，对图中车辆的探测而言，随着大气条件的越来越差，探测概率越来越低，主要原因是灰度对比度的下降。

表1

	大气好	大气中等	大气恶劣
				车辆的探测概率	81.01％	76.70％	68.49％

图10为本发明实施例一种图像质量评价方法中不同大气条件下探测人的结果示意图，如图10所示，从左到右的三幅图分别是在大气好、大气中等和大气差的情况下拍摄的，每幅图像中能探测到车辆的概率如表2所示，结合图10和表2可以得出，主要探测区域为行人及其影子区域，在大气恶劣的情况下不论是灰度还是纹理都要差，因而探测概率要低。

表2

	大气好	大气中等	大气恶劣
				人的探测概率	46.17％	46.04％	41.76％

图11为本发明实施例中一种图像质量评价方法中不同轨道差异下人的探测结果示意图，如图11所示，从左到右图中的轨道间距依次变大，左图为0.1m，右图为0.3m，当轨道间距为0.5m时，图像分辨率不能分辨出目标无法选取区域，因此无法获取到图像。对图中人行横道上的行人而言，分辨率越高，对应的探测概率就越大。不同轨道间距情况下探测到人的概率如表3所示：

表3

	轨道间距0.1m	轨道间距0.3m	轨道间距0.5m
				人的探测概率	41.88％	19.31％	0

数据舍去，默认为零的原因是选取的区域太小，接近纹理对比度计算过程中滤波器大小，结果有误，默认为零。对无法给出计算数值的解释为：轨道差异直接带来的就是像素数目的急剧减少，因选取区域太小或者无法选定区域，无法使用滤波器计算其灰对比度或者纹理对比度，默认为零。

图12为本发明实施例中一种图像质量评价方法中超分辨率处理下人的探测结果示意图，如图12所示，线阵1(最左边的图)和线阵2(中间的图)没有经过超分结果的处理，相比经过超分结果处理的探测概率要低一点，但是不明显，经过该次超分辨处理之后探测概率并不会有显著提升，探测结果如表4所示：

表4

	线阵1	线阵1	超分结果(大于1.6倍)
				人的探测概率	52.22％	52.69％	53.01％

以上实例结果与实际符合，说明在遥感图像或者机载图像的评价中，不同条件或处理，会对图像的质量有影响，这个影响反映在灰度和纹理对比度。这里运用灰度对比度和纹理对比度来描述系统对目标区域的探测能力，灰度和纹理对比度越大，对应的探测概率也越大，以此来评价不同条件或者处理对系统的影响或者作用效果。已开展的实验仿真表明，运用基于对比度的图像特征性能评价模型能够提供一个合理的评价标准。此外，不同处理的效果带来的探测性能的提升有大有小，这对成像系统的设计有一个指导作用，以便更好地提升一些处理效果，以期获得更好的探测性能。

图13为本发明实施例一种图像评价系统的结构示意图，如图13所示，该系统包括：

区域模块1301，用于获取待测图像的感兴趣区域和周围区域；

对比度模块1302，用于根据所述感兴趣区域的灰度直方图和所述周围区域的灰度直方图的巴氏距离，获取所述待测图像的灰度对比度，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，根据所述第一纹理特征和所述第二纹理特征的巴氏距离，获取所述待测图像的纹理对比度；

检测模块1303，用于根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率。

本系统实施例的具体执行过程与上述方法实施例的具体执行过程相同，本实施例在此不再赘述，详情请参考上述方法实施例。

图14示例了一种服务器的实体结构示意图，如图14所示，该服务器可以包括：处理器(processor)1410、通信接口(Communications Interface)1420、存储器(memory)1430和总线1440，其中，处理器1410，通信接口1420，存储器1430通过总线1440完成相互间的通信。通信接口1440可以用于服务器与智能电视之间的信息传输。处理器1010可以调用存储器1430中的逻辑指令，以执行如下方法：S1，获取待测图像的感兴趣区域和周围区域；S2，根据所述感兴趣区域的灰度直方图和所述周围区域的灰度直方图的巴氏距离，获取所述待测图像的灰度对比度，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，根据所述第一纹理特征和所述第二纹理特征的巴氏距离，获取所述待测图像的纹理对比度；S3，根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率。

此外，上述的存储器1430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种图像质量评价方法，其特征在于，包括：

S1，获取待测图像的感兴趣区域和周围区域；

S2，根据所述感兴趣区域的灰度直方图和所述周围区域的灰度直方图的巴氏距离，获取所述待测图像的灰度对比度，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，根据所述第一纹理特征和所述第二纹理特征的巴氏距离，获取所述待测图像的纹理对比度；

S3，根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率；

步骤S2中，所述平均纹理特征的计算方法为：

其中，T_mn(x,y)表示像素点(x,y)的平均纹理特征，σ_mn表示Gabor滤波器高度的一半，

表示对滤波之后图像取模并归一化，N表示滤波器的个数，m和n均表示Gabor滤波器的尺寸；

步骤S3中，根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率，具体为：

其中，P_D表示所述待测图像中检测到目标的概率，D_g表示所述灰度对比度，m_g为常数，n_g为正整数，d_g为常数，D_t表示所述纹理对比度，m_t为常数，n_t为正整数，d_t为常数。

2.根据权利要求1所述方法，其特征在于，步骤S2之前，还包括：通过Gabor滤波器对所述感兴趣区域进行滤波，获取滤波后的感兴趣区域，通过Gabor滤波器对所述周围区域进行滤波，获取滤波后的周围区域。

3.根据权利要求2所述方法，其特征在于，步骤S2中，所述极性纹理特征的计算方法为：

其中，P(x,y)表示像素点(x,y)处的极性纹理特征，θ(a,b)为像素点(a,b)的主方向，θ表示纹理检测方向，W_xy表示以(x,y)为中心、和Gabor滤波器大小相同的窗口，若θ(a,b)与θ方向相同，则[θ(a,b)]₊为1，[θ(a,b)]_-为0，若θ(a,b)与θ方向不同，则[θ(a,b)]₊为0，[θ(a,b)]_-为1。

4.根据权利要求1所述方法，其特征在于，步骤S2中，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，具体为：

将滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征构成的向量作为所述第一纹理特征。

5.根据权利要求1所述方法，其特征在于，步骤S2中，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，具体为：

将滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征构成的向量作为所述第二纹理特征。

6.一种图像质量评价系统，其特征在于，包括：

区域模块，用于获取待测图像的感兴趣区域和周围区域；

对比度模块，用于根据所述感兴趣区域的灰度直方图和所述周围区域的灰度直方图的巴氏距离，获取所述待测图像的灰度对比度，根据滤波后的感兴趣区域的平均纹理特征和滤波后的感兴趣区域的极性纹理特征，获取第一纹理特征，根据滤波后的周围区域的平均纹理特征和滤波后的周围区域的极性纹理特征，获取第二纹理特征，根据所述第一纹理特征和所述第二纹理特征的巴氏距离，获取所述待测图像的纹理对比度；

检测模块，用于根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率；

所述平均纹理特征的计算方法为：

其中，T_mn(x,y)表示像素点(x,y)的平均纹理特征，σ_mn表示Gabor滤波器高度的一半，

表示对滤波之后图像取模并归一化，N表示滤波器的个数，m和n均表示Gabor滤波器的尺寸；

根据所述灰度对比度和所述纹理对比度，获取所述待测图像中检测到目标的概率，具体为：

其中，P_D表示所述待测图像中检测到目标的概率，D_g表示所述灰度对比度，m_g为常数，n_g为正整数，d_g为常数，D_t表示所述纹理对比度，m_t为常数，n_t为正整数，d_t为常数。

7.一种图像质量评价设备，其特征在于，包括：

至少一个处理器、至少一个存储器、通信接口和总线；其中，

所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述通信接口用于测试设备与显示装置的通信设备之间的信息传输；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5中任一项所述的方法。

8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使计算机执行如权利要求1至5任一项所述的方法。

Images