CN108550140B - 一种面向图像集的置信度一致性增强质量评价方法 - Google Patents
一种面向图像集的置信度一致性增强质量评价方法 Download PDFInfo
- Publication number
- CN108550140B CN108550140B CN201810267694.3A CN201810267694A CN108550140B CN 108550140 B CN108550140 B CN 108550140B CN 201810267694 A CN201810267694 A CN 201810267694A CN 108550140 B CN108550140 B CN 108550140B
- Authority
- CN
- China
- Prior art keywords
- image
- ceqa
- quality
- enhancement
- test data
- 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
Images
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及一种面向图像集的置信度一致性增强质量评价准则,包括以下步骤:将原始图像集通过图像质量增强算法得到增强后的图像集;再使用现有的质量评价方法对原始图像集以及增强后的图像集中的全部图像进行质量评价,得到每幅图像增强前后的质量分数;算出各幅图像增强前后的质量分数差值,并求出质量分数差值的平均值U与标准差S;选取置信区间,对质量分数差值进行筛选;在筛选后的有效测试数据中求出一致性增强质量评价分数有效值,并判断该图像质量增强算法的一致性与稳定性。本发明可以在不同的质量评价方法下,为具体应用与特定参数标准找出适当的图像质量增强算法,并为所有的图像质量增强算法提供一个可靠性更高的质量评价体系。
Description
技术领域
本发明涉及一种面向图像集的置信度一致性增强质量评价方法,该方法能够代替平均值准则,以在实际应用中找到有效的图像质量增强算法,属于无参考图像质量评价技术领域。
背景技术
图像是机器模式识别和人类感知的重要信息源,其质量对所获取信息的准确性和充分性起着决定性的作用,然而在图像的采集、处理、传输及显示等过程中会产生图像降质的问题。因此,为了在视频传输、安全监控、字符识别、医学等领域找到合适的图像质量增强算法,需要提出一个有效的图像质量评价标准。目前国内的一些高校和科研机构,如复旦大学、上海交通大学、南京航空航天大学、中国空间技术研究院、微软亚洲研究院等,都在对图像质量评价算法进行研究;国外对此的研究自上世纪80年代开始,如VQEG(国际电信联盟的视频质量专家小组)、LIVE(美国得克萨斯大学奥斯丁分校图像与视频工程实验室)、美国Sarnoff公司等研究机构都有长期的研究。
图像质量评价方法可分为主观评价方法和客观评价方法,前者凭借实验人员的主观感知来评价图像的质量;后者依据模型给出的量化指标,模拟人类视觉系统感知机制衡量图像质量。相对于主观质量评价,客观质量评价具有操作简单、成本低、易于解析与效率高等优点,已经成为图像质量评价的研究重点。客观图像质量评价方法根据是否具备原始参考图像,又可以分为全参考、半参考和无参考三类评价方法。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,经过对两者的比对,得到一个对失真图像的评价结果。随着研究的发展,这类方法的准确性越来越好,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。无参考方法也称为盲图像质量评价方法,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,有些方法是面向特定失真类型的,如针对模糊、噪声、块状效应的严重程度进行评价;有些方法先进行失真原因分类,再进行定量评价;而有些方法则试图同时评价不同失真类型的图像。由于在实际应用中,大多数情况下无法获得原始清晰参考图像,因此,无参考方法的应用性最广、实用价值最高。
比较经典的无参考图像质量评价方法有:盲图像质量指数(BIQI)、DCT统计信息盲图像完整性指数(BLIINDS-II)、盲/无参考图像空域质量评价(BRISQUE)、基于失真辨识的图像真实性和完整性评价(DIIVINE)、自然图像质量评价(NIQE)和水下彩色图像质量评价(UCIQE)等。
以上图像质量评价方法均是对单幅图像进行图像质量评价的有效方法,但是随着大数据时代的到来,我们获得的图像数量庞大,通常需要以图像集为单位来处理图像,因此,我们需要一个面向图像集的图像质量评价准则。而目前对于图像集的图像质量评价,通常采用单幅图像质量分数的平均值作为评价标准,以平均值最好来说明某一质量增强算法最优。但是根据大量的实验数据得出,平均值准则所得的结果随图像集的变化存在较大波动,其稳定性差、可靠性较低,那么如果将这样选出的质量增强算法运用到实际应用中,将会产生很大的误差。
发明内容
本发明的目的是提供一种面向图像集的置信度一致性增强质量评价方法,该方法可以为具体应用与特定参数标准找出适当的图像质量增强算法,并为所有的图像质量增强算法提供一个可靠性更高的质量评价体系。
为了达到上述目的,本发明的技术方案是提供了一种面向图像集的置信度一致性增强质量评价方法,其特征在于,包括以下步骤:
步骤1、首先使用质量评价方法M对获取的原始图像集(I1,I2,...,Ii,...,In)中的全部图像进行质量评价,得出每幅原始图像的质量分数,其中,第i幅原始图像Ii的质量分数为αi,i=1,2,...,n,n为图像集中所包含图像的总数量;
步骤2、使用图像质量增强算法A对原始图像集(I1,I2,...,Ii,...,In)中的全部原始图像进行图像质量增强,得到增强图像集(I’1,I’2,...,I’i,...,I’n);
步骤3、使用质量评价方法M对增强图像集(I’1,I’2,...,I’i,...,I’n)中的每一幅增强图像做质量评价,得到每幅增强图像的质量分数,其中,第i幅增强图像I’i的质量分数为βi;
步骤4、计算得到原始测试数据CEQA1,CEQA2,...,CEQAi,...,CEQAn,其中,CEQAi=βi-αi;
步骤5、计算原始测试数据CEQA1,CEQA2,...,CEQAi,...,CEQAn的平均值U与标准差S;
步骤6、根据平均值U与标准差S设置置信区间,依据置信区间对原始测试数据值进行筛选,从n个原始测试数据中选出m个数据作为有效测试数据;
步骤7、将m个有效测试数据重新排序整理为CEQA’1,CEQA’2,...,CEQA’j,...,CEQA’m,j=1,2,...,m;
步骤8、将m个有效测试数据与0值比较,若全部有效测试数据都大于0,则说明在质量评价方法M的评价下,图像质量增强算法A为一致性增强算法;否则,图像质量增强算法A为非一致性增强算法。
优选地,在所述步骤6中,原始测试数据位于所述置信区间外的数据为可忽略误差,将其舍弃,位于所述置信区间内的数据为所述有效测试数据。
优选地,在所述步骤6中,所述置信区间为[U-ε,U+ε],式中,ε为参数ε=λ·S,λ为根据具体应用的需求设置参数。
优选地,在所述步骤8后还包括:
步骤9、分别找出有效测试数据CEQA’1,CEQA’2,...,CEQA’j,...,CEQA’m中的最大值CEQAmax与最小值CEQAmin,并计算平均值CEQAave;
步骤10、计算得到CEQA有效:
式中,μ为权重系数,0<μ<1。
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明提出了图像集复合质量的评价准则,通过设置特定参数并使用置信区间筛选数据,再比较图像增强前后的质量分数差值,来评估图像质量增强算法的一致性,并得到具体应用所需要的有效图像质量增强算法。相比于平均值准则,所提准则可靠性强、稳定性高、拓展性好,为各种图像质量增强算法提供了一个面向具体应用的评价标准。
附图说明
图1是本发明的原理图;
图2是本发明的具体流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种面向图像集的置信度一致性增强质量评价准则,如图1所示,首先对原始图像进行图像质量增强,并对增强前后的图像进行质量评价,得到质量分数差值,接下来,根据不同的需求设置参数并使用置信区间筛选数据,再通过剩余的数据判断算法的一致性,最后,计算出CEQA有效值。本发明的具体流程如图2所示,接下来,对10幅典型水下图像组成的水下图像集进行测试,该方法具体包括以下步骤:
步骤一:将水下图像集(I1,I2,...,Ii,...,I10)中的全部原始图像通过质量评价方法UCIQE得到质量评价分数:首先使用质量评价方法UCIQE对获取的水下图像集(I1,I2,...,Ii,...,I10)中的每幅水下图像进行质量评价,得出各幅水下图像的质量分数,其中,第i幅水下图像Ii的质量分数为αi,i=1,2,...,10,αi作为公式中的参数之一,也作为评价图像质量增强算法好坏的基准。
步骤二、再将水下图像集(I1,I2,...,Ii,...,I10)中的全部水下图像通过图像质量增强算法逆滤波算法得到增强水下图像集(I’1,I’2,...,I’i,...,I’10):接下来,使用逆滤波算法对水下图像集(I1,I2,...,Ii,...,I10)中的全部水下图像进行图像质量增强,得到增强后的增强水下图像集(I’1,I’2,...,I’i,...,I’10),其中,逆滤波算法为该次测试的主要增强算法。
步骤三、用质量评价方法UCIQE评价出增强后的水下图像质量分数:使用质量评价方法UCIQE对增强水下图像集(1’1,I’2,...,I’i,...,I’10)中的每幅增强水下图像做质量评价,得出各幅增强水下图像的质量分数,第i幅增强图像I’i的质量分数为βi,若βi大于与之相对应的αi,则说明在质量评价方法UCIQE的评价下,逆滤波算法增强了第i幅水下图像Ii的图像质量。
步骤四、计算得到原始测试数据CEQA1,CEQA2,...,CEQAi,...,CEQA10,其中:
CEQAi=βi-αi (1)
得到CEQAi,若该值为正,则增强后的图像质量分数βi高于基准值αi,即在质量评价方法UCIQE的评价下,逆滤波算法增强了第i幅水下图像Ii的图像质量。
步骤五、计算原始测试数据CEQA1,CEQA2,...,CEQAi,...,CEQA10的平均值U与标准差S:
步骤六、设置参数λ,得出置信区间,并筛选数据:根据具体应用的需求设置参数λ,将该参数带入公式:
ε=λ·S (4)
求出参数ε,得到置信区间[U-ε,U+ε],使用该置信区间筛选全部原始测试数据CEQA1,CEQA2,...,CEQAi,...,CEQA10,在此置信区间之外的数据被视为可忽略误差,将其舍弃,在置信区间内的数据为有效测试数据,继续进行下一步骤操作。其中,当λ=1.96时,[U-ε,U+ε]为95%的置信区间。
步骤七、通过步骤六,从10个原始测试数据中选出m个数据作为有效测试数据,m≤10,将m个有效测试数据重新排序为CEQA’1,CEQA’2,...,CEQA’j,...,CEQA’m,j=1,2,...,m。
步骤八、判断质量增强算法的一致性:将有效测试数据CEQA’1,CEQA’2,...,CEQA’j,...,CEQA’m与0值比较,若全部有效测试数据都大于0,则说明在质量评价方法UCIQE的评价下,逆滤波算法为一致性增强算法;否则,逆滤波算法为非一致性增强算法。
步骤九、分别找出有效测试数据CEQA’1,CEQA’2,...,CEQA’j,...,CEQA’m中的最大值CEQAmax与最小值CEQAmin,并计算平均值CEQAave:
CEQAmax=max{CEQA1,…,CEQAj,…,CEQAm} (5)
CEQAmin=min{CEQA1,…,CEQAj,…,CEQAm} (6)
CEQAave=ave{CEQA1,…,CEQAj,…,CEQAm} (7)
步骤十、计算得到CEQA有效:
式(8)中,μ为权重系数,0<μ<1。在本实施例中,取λ=0.5,λ=0.5,对于这一水下图像集,逆滤波算法为一致性增强算法,在质量评价方法UCIQE的评价条件下,CEQA有效=1.08。
当该准则使用同一质量评价方法对同一图像集进行应用,比较一致性增强的多个质量增强算法的优劣时,应遵循以下原则:应保证参数λ与权重系数μ不变的前提下,当不同的质量增强算法所得CEQAave值不同时,CEQA有效值越高的质量增强算法,增强强度越大,增强能力越好;而当不同的质量增强算法所得CEQAave值相同时,CEQA有效值越高的算法,稳定性越好。同理,非一致性增强的质量增强算法也可得到相同结论,但当增强一致性不同时,不同增强算法的增强能力与稳定性,不可以通过CEQA有效值的高低来比较。
不难发现,本发明可以为所有的质量增强算法提供一个评价标准,根据具体的应用设置不同的参数,得到的一致性增强算法即为适合该应用的有效算法。在面向应用时,一致性增强质量评价准则的可靠性更高。
Claims (5)
1.一种面向图像集的置信度一致性增强质量评价方法,其特征在于,包括以下步骤:
步骤1、首先使用质量评价方法M对获取的原始图像集(I1,I2,…,In)中的全部图像进行质量评价,得出每幅原始图像的质量分数,其中,第i幅原始图像Ii的质量分数为αi,i=1,2,…,n,n为图像集中所包含图像的总数量;
步骤2、使用图像质量增强算法A对原始图像集(I1,I2,…,In)中的全部原始图像进行图像质量增强,得到增强图像集(I’1,I’2,…,I’n);
步骤3、使用质量评价方法M对增强图像集(I’1,I’2,…,I’n)中的每一幅增强图像做质量评价,得到每幅增强图像的质量分数,其中,第i幅增强图像I’i的质量分数为βi;
步骤4、计算得到原始测试数据CEQA1,CEQA2,…,CEQAn,其中,CEQAi=βi-αi;
步骤5、计算原始测试数据CEQA1,CEQA2,…,CEQAn的平均值U与标准差S;
步骤6、根据平均值U与标准差S设置置信区间,依据置信区间对原始测试数据值进行筛选,从n个原始测试数据中选出m个数据作为有效测试数据;
步骤7、将m个有效测试数据重新排序整理为CEQA’1,CEQA’2,…,CEQA’m;
步骤8、将m个有效测试数据与0值比较,若全部有效测试数据都大于0,则说明在质量评价方法M的评价下,图像质量增强算法A为一致性增强算法;否则,图像质量增强算法A为非一致性增强算法。
3.如权利要求1所述的一种面向图像集的置信度一致性增强质量评价方法,其特征在于,在所述步骤6中,原始测试数据位于所述置信区间外的数据为可忽略误差,将其舍弃,位于所述置信区间内的数据为所述有效测试数据。
4.如权利要求3所述的一种面向图像集的置信度一致性增强质量评价方法,其特征在于,在所述步骤6中,所述置信区间为[U-ε,U+ε],式中,ε为参数ε=λ·S,λ为根据具体应用的需求设置参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810267694.3A CN108550140B (zh) | 2018-03-28 | 2018-03-28 | 一种面向图像集的置信度一致性增强质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810267694.3A CN108550140B (zh) | 2018-03-28 | 2018-03-28 | 一种面向图像集的置信度一致性增强质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108550140A CN108550140A (zh) | 2018-09-18 |
CN108550140B true CN108550140B (zh) | 2021-11-12 |
Family
ID=63517199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810267694.3A Active CN108550140B (zh) | 2018-03-28 | 2018-03-28 | 一种面向图像集的置信度一致性增强质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108550140B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859180A (zh) * | 2019-01-25 | 2019-06-07 | 东华大学 | 融合多种度量准则的图像集质量增强评价方法 |
CN111179238B (zh) * | 2019-12-24 | 2022-12-20 | 东华大学 | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 |
CN111275100B (zh) * | 2020-01-16 | 2022-12-09 | 东华大学 | 一种基于训练集样本低秩筛选的图像特征鉴别方法 |
CN114827567B (zh) * | 2022-03-23 | 2024-05-28 | 阿里巴巴(中国)有限公司 | 视频质量分析方法、设备和可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127835A (zh) * | 2007-09-27 | 2008-02-20 | 中兴通讯股份有限公司 | 一种提高数字摄像设备视频图像质量的前处理方法和装置 |
CN103873854A (zh) * | 2014-02-26 | 2014-06-18 | 天津大学 | 一种立体图像主观评价被试者数量及实验数据的确定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8204328B2 (en) * | 2008-04-08 | 2012-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Automated underwater image restoration via denoised deconvolution |
-
2018
- 2018-03-28 CN CN201810267694.3A patent/CN108550140B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127835A (zh) * | 2007-09-27 | 2008-02-20 | 中兴通讯股份有限公司 | 一种提高数字摄像设备视频图像质量的前处理方法和装置 |
CN103873854A (zh) * | 2014-02-26 | 2014-06-18 | 天津大学 | 一种立体图像主观评价被试者数量及实验数据的确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108550140A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108550140B (zh) | 一种面向图像集的置信度一致性增强质量评价方法 | |
CN110599439A (zh) | 用于训练神经网络的图像块的选择方法及图像质量评价方法 | |
CN109785250B (zh) | 一种基于Criminisi算法的图像修复方法 | |
CN108537787B (zh) | 一种人脸图像的质量判定方法 | |
CN107870181A (zh) | 一种复合材料脱粘缺陷的后期识别方法 | |
CN114841982B (zh) | 一种基于图像处理的空调滤芯质量监测方法 | |
CN109118442B (zh) | 一种基于Sobel算子滤波的图像增强方法 | |
Attar et al. | Image quality assessment using edge based features | |
CN116596905A (zh) | 一种集成电路芯片表面缺陷检测方法 | |
CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN111292256B (zh) | 一种基于显微高光谱成像的纹理增强算法 | |
Cao et al. | Debiased subjective assessment of real-world image enhancement | |
CN112785540B (zh) | 一种扩散加权图像的生成系统及方法 | |
CN108257117B (zh) | 图像曝光度的评测方法及装置 | |
JP3608106B2 (ja) | 画像処理を用いた鋼材表面の劣化度評価システム | |
CN109784357A (zh) | 一种基于统计模型的图像重拍检测方法 | |
CN1692369A (zh) | 视频信息中自动的自然内容检测 | |
CN116128774A (zh) | 一种胃部螺旋ct数据增强处理方法 | |
CN114205578A (zh) | 基于频域偏度和频域峰值的视频模糊异常检测方法和系统 | |
CN111669575B (zh) | 图像处理效果的测试方法、系统、电子设备、介质及终端 | |
Kipli et al. | Full reference image quality metrics and their performance | |
CN114862762A (zh) | 人体扫描图像的质量评估方法及其装置 | |
CN111028309B (zh) | 基于LoRa节点的昆虫密度图构建方法及装置 | |
CN114166850A (zh) | 一种基于差分张量分解的光激励红外热成像缺陷检测方法 | |
Zhang et al. | Reduced-reference image quality assessment based on entropy differences in DCT domain |
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 |