CN109377465A - 一种基于图像信息熵的图像质量鉴定方法 - Google Patents

一种基于图像信息熵的图像质量鉴定方法 Download PDF

Info

Publication number
CN109377465A
CN109377465A CN201811258648.3A CN201811258648A CN109377465A CN 109377465 A CN109377465 A CN 109377465A CN 201811258648 A CN201811258648 A CN 201811258648A CN 109377465 A CN109377465 A CN 109377465A
Authority
CN
China
Prior art keywords
image
entropy
target area
verification method
method based
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
Application number
CN201811258648.3A
Other languages
English (en)
Inventor
卢学裕
王安
杨大海
杨利军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Buben Intelligent Technology Co Ltd
Original Assignee
Beijing Buben Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Buben Intelligent Technology Co Ltd filed Critical Beijing Buben Intelligent Technology Co Ltd
Priority to CN201811258648.3A priority Critical patent/CN109377465A/zh
Publication of CN109377465A publication Critical patent/CN109377465A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像信息熵的图像质量鉴定方法，包括以下步骤：步骤一：对待评估图像进行目标检测，以确定目标区域；步骤二：获取目标区域的一元灰度熵H1；步骤三：获取目标区域的二元灰度熵H2；步骤四：获取目标区域的图像熵H：H＝x1H1+x2H2其中，X1和X2为权重系数；步骤五：用步骤四获取的图像熵评估图像质量。本发明的图像质量鉴定方法可以针对用户对于信息量的获得感受，而不仅仅针对清晰度进行评估；获取方法高效，同时针对不同场景可以调节算法内部参数，对于彩色图片和黑白图片均可以进行分析；更好的衡量图片的信息价值，全面分析图像的质量。

Description

一种基于图像信息熵的图像质量鉴定方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像信息熵的图像质量鉴定方法。
背景技术
现有图像质量的评估一般给予清晰度和分辨率，像素较高，则评估为质量较好。现有技术中，图像质量的客观评价方法是根据人眼的主观视觉系统建立数学模型，并通过具体的公式获取图像的质量。传统的图像质量客观评价方法主要包括均方误差(MSE，meansquared error)和峰值信噪比(PSNR，peak signal to noise rate)。均方误差法首先获取原始图像和失真像象素差值的均方值，然后通过均方值的大小来确定失真图像的失真程度。获取公式如下。
其中M、N为图像的长和宽，ijf表示原始图像的象素值，'ijf表示降质后图像的象素值。PSNR作为衡量图像质量的重要指标，基于通信理论而提出，是最大信号量与噪声强度的比值。由于数字图像都是以离散的数字表示图像的像素，因此采用图像的最大象素值来代替最大信号量。具体公式如下。
其中L为图像中像素的最大灰度值。
现有技术主要参考是图像的技术目标，不关注图像的信息量，以及针对读者的观感，而且在实际应用中往往大尺寸图片，颜色单一，或是图案单一，在实际应用不符合读者的质量感受，不能全面的评估图像的质量。
发明内容
本发明针对上述技术问题，提供一种基于图像信息熵的图像质量鉴定方法，通过用户对于信息的获取，采取新的获取方法来衡量图片的信息密度和质量。
为解决上述技术问题，本发明采用的技术方案是：一种基于图像信息熵的图像质量鉴定方法，包括以下步骤：
步骤一：对待评估图像进行目标检测，以确定目标区域；
步骤二：获取目标区域的一元灰度熵H1；
步骤三：获取目标区域的二元灰度熵H2；
步骤四：获取目标区域的图像熵H：
H＝x1H1+x2H2其中，X1和X2为权重系数；
步骤五：用步骤四获取的图像熵评估图像质量。
进一步，步骤二：通过如下公式获取目标区域的一元灰度熵:
其中，i表示目标区域灰度直方图中的灰度值，Pi表示灰度直方图中灰度值为i的像素所占的比例；
进一步，步骤三：通过如下公式获取目标区域的二元灰度熵：
其中，Pij＝f(i,j)/N2，j表示目标区域邻域灰度直方图中的灰度均值，f(i,j) 为特征二元组(i,j)出现的频率，N为目标区域图像的尺度。
进一步，步骤四中，x1+x2＝1。
进一步，步骤四中，X1的取值范围为0-1；X2的取值范围为0-1。
进一步，步骤三中，i的取值范围为0-255，j的取值范围为0-255。
信息熵：利用信息论中信息熵概念，求出任意一个离散信源的熵(平均自信息量)。自信息是一个随机变量,它是指某一信源发出某一消息所含有的信息量。一条信息的信息量和它的不确定性有着直接的关系。所发出的消息不同，它们所含有的信息量也就不同。任何一个消息的自信息量都代表不了信源所包含的平均自信息量。不能作为整个信源的信息测度，因此定义自信息量的数学期望为信源的平均自信息量：
信息熵的意义：信源的信息熵H是从整个信源的统计特性来考虑的。它是从平均意义上来表征信源的总体特性的。对于某特定的信源，其信息熵只有一个。不同的信源因统计特性不同，其熵也不同。信息熵一般用符号H表示，单位是比特。变量的不确定性越大，熵也就越大。
本发明的有益效果是：
本发明的图像质量鉴定方法，采用信息熵表征，在图像处理中为图像熵，图像熵是一种特征的统计形式，它反映了图像中平均信息量的多少。图像的一维熵即一元灰度熵，表示图像中灰度分布的聚集特征所包含的信息量。但图像中的一元灰度熵只能表示图像灰度分布的聚集特征，却不能反映图像灰度分布的空间特征，本发明中的鉴定方法中在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵，即二元灰度熵。所以该方法可以针对用户对于信息量的获得感受，而不仅仅针对清晰度进行评估；获取方法高效，同时针对不同场景可以调节算法内部参数，对于彩色图片和黑白图片均可以进行分析；更好的衡量图片的信息价值，全面分析图像的质量。
附图说明
图1是本发明的一种基础图像信息熵的图像质量鉴定方法采用的灰度直方图；
图2是一般图像处理操作步骤。
具体实施方式
在以下优选的实施例的具体描述中，将参考构成本发明一部分的所附的附图。所附的附图通过示例的方式示出了能够实现本发明的特定的实施例。示例的实施例并不旨在穷尽根据本发明的所有实施例。可以理解，在不偏离本发明的范围的前提下，可以利用其他实施例，也可以进行结构性或者逻辑性的修改。因此，以下的具体描述并非限制性的，且本发明的范围由所附的权利要求所限定。
一种基于图像信息熵的图像质量鉴定方法，包括以下步骤：
步骤一：对待评估图像进行目标检测，以确定目标区域；
步骤二：获取目标区域的一元灰度熵H1；
步骤三：获取目标区域的二元灰度熵H2；
步骤四：获取目标区域的图像熵H：
H＝x1H1+x2H2其中，X1和X2为权重系数；
步骤五：用步骤四获取的图像熵评估图像质量。
在上述技术方案中，一元灰度熵H1表示图像中灰度分布的聚集特征所包含的信息，H2 是在一元灰度熵的基础上引入了能够反映灰度分布空间特征的二元灰度熵，二元灰度熵在图像所包含信息量的前提下，突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征，并将H1和H2进行整合，配以相应的系数，来综合评估图像质量。针对用于对于信息量的获得感受，不仅仅针对清晰度进行评估，对于彩色和黑白图片均可以进行分析。其中X1和X2可以针对不同场景进行调整，对于黑白彩色图片均可以分析。
实施例1：
对图像质量进行评估时，按如下步骤进行：
步骤一：对待评估图像进行目标检测，以确定目标区域；
步骤二：获取目标区域的一元灰度熵H1；
步骤三：获取目标区域的二元灰度熵H2；
步骤四：获取目标区域的图像熵H：
H＝x1H1+x2H2其中，X1和X2为权重系数；
步骤五：用步骤6获取的图像熵评估图像质量。
其中通过如下公式获取目标区域的一元灰度熵:
其中，i表示目标区域的灰度直方图(见图1)中的灰度值，Pi表示目标区域灰度直方图中灰度值为i的像素所占的比例。
通过如下公式获取目标区域的二元灰度熵：
其中，Pij＝f(i,j)/N2，j表示目标区域邻域灰度直方图中的灰度均值，f(i,j)为特征二元组(i,j)出现的频率，N为目标区域图像的尺度。
例如：一个纯白的图像1，白色50％及黑色50％的图像2:
获取公式为：
P(0)＝8/16＝0.5
P(255)＝8/16＝0.5
H1＝abs(0.5*log 0.5+0.5*log 0.5)＝0.301
P(0，0)＝f(0，0)/16＝4/16＝0.25
P(0，85)＝f(0，85)/16＝4/16＝0.25
P(255，170)＝f(255，170)/16＝4/16＝0.25
P(255，255)＝f(255，255)/16＝4/16＝0.25
H2＝abs(0.25*log 0.25+0.25*log 0.25+0.25*log 0.25+0.25*log 0.25)＝0.60205999
x1取0.2，X1取0.8；
H＝0.2*0.301+0.8*0.60205999＝0.541854。图像熵H越高，图像质量越好。
本发明的图像质量鉴定方法，采用信息熵表征，在图像处理中为图像熵，图像熵是一种特征的统计形式，它反映了图像中平均信息量的多少。图像的一维熵即一元灰度熵，表示图像中灰度分布的聚集特征所包含的信息量。但图像中的一元灰度熵只能表示图像灰度分布的聚集特征，却不能反映图像灰度分布的空间特征，本发明中的鉴定方法中在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵，即二元灰度熵。所以该方法可以针对用户对于信息量的获得感受，而不仅仅针对清晰度进行评估；获取方法高效，同时针对不同场景可以调节算法内部参数，对于彩色图片和黑白图片均可以进行分析；更好的衡量图片的信息价值，全面分析图像的质量。

Claims (6)

1.一种基于图像信息熵的图像质量鉴定方法，其特征在于，包括以下步骤：
步骤一：对待评估图像进行目标检测，以确定目标区域；
步骤二：获取目标区域的一元灰度熵H1:
步骤三：获取目标区域的二元灰度熵H2：
步骤四：获取目标区域的图像熵H：
H＝x1H1+x2H2
其中，x1和x2为权重系数；
步骤五：用步骤四获取的图像熵评估图像质量。
2.根据权利要求书1所述的一种基于图像信息熵的图像质量鉴定方法，其特征在于，所述步骤二：通过如下公式获取目标区域的一元灰度熵:
其中，i表示目标区域灰度直方图中的灰度值，Pi表示目标区域灰度直方图中灰度值为i的像素所占的比例。
3.根据权利要求书1或2所述的一种基于图像信息熵的图像质量鉴定方法，其特征在于，所述步骤三：通过如下公式获取目标区域的二元灰度熵：
其中，Pij＝f(i,j)/N2，j表示目标区域邻域灰度直方图中的灰度均值，f(i,j)为特征二元组(i,j)出现的频率，N为目标区域图像的尺度。
4.根据权利要求书3所述的一种基于图像信息熵的图像质量鉴定方法，其特征在于，所述步骤四中，x1+x2＝1。
5.根据权利要求书4所述的一种基于图像信息熵的图像质量鉴定方法，其特征在于，所述步骤四中，x1的取值范围为0-1；x2的取值范围为0-1。
6.根据权利要求书3所述的一种基于图像信息熵的图像质量鉴定方法，其特征在于，所述步骤三中，i的取值范围为0-255，j的取值范围为0-255。
CN201811258648.3A 2018-10-26 2018-10-26 一种基于图像信息熵的图像质量鉴定方法 Pending CN109377465A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811258648.3A CN109377465A (zh) 2018-10-26 2018-10-26 一种基于图像信息熵的图像质量鉴定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811258648.3A CN109377465A (zh) 2018-10-26 2018-10-26 一种基于图像信息熵的图像质量鉴定方法

Publications (1)

Publication Number Publication Date
CN109377465A true CN109377465A (zh) 2019-02-22

Family

ID=65389699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811258648.3A Pending CN109377465A (zh) 2018-10-26 2018-10-26 一种基于图像信息熵的图像质量鉴定方法

Country Status (1)

Country Link
CN (1) CN109377465A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329522A (zh) * 2020-09-24 2021-02-05 上海品览数据科技有限公司 一种基于深度学习和图像处理的货架商品模糊检测方法
CN114219803A (zh) * 2022-02-21 2022-03-22 浙江大学 一种三阶段图像质量评估的检测方法与系统
CN114882042A (zh) * 2022-07-12 2022-08-09 江苏布罗信息技术有限公司 一种基于图像质量评估的物联网传输方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540048A (zh) * 2009-04-21 2009-09-23 北京航空航天大学 一种基于支持向量机的图像质量评价方法
CN101625759A (zh) * 2009-07-30 2010-01-13 重庆医科大学 图像质量评价方法
CN103606130A (zh) * 2013-10-22 2014-02-26 中国电子科技集团公司第二十八研究所 红外退化图像自适应复原方法
CN104599256A (zh) * 2014-12-31 2015-05-06 中国科学院深圳先进技术研究院 基于单幅图像的去除图像雨线的方法和系统
CN106651834A (zh) * 2016-10-20 2017-05-10 国网山东省电力公司电力科学研究院 无参考图像的变电设备红外热像图质量评价方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540048A (zh) * 2009-04-21 2009-09-23 北京航空航天大学 一种基于支持向量机的图像质量评价方法
CN101625759A (zh) * 2009-07-30 2010-01-13 重庆医科大学 图像质量评价方法
CN103606130A (zh) * 2013-10-22 2014-02-26 中国电子科技集团公司第二十八研究所 红外退化图像自适应复原方法
CN104599256A (zh) * 2014-12-31 2015-05-06 中国科学院深圳先进技术研究院 基于单幅图像的去除图像雨线的方法和系统
CN106651834A (zh) * 2016-10-20 2017-05-10 国网山东省电力公司电力科学研究院 无参考图像的变电设备红外热像图质量评价方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李巧月 等: "基于多尺度的扫描电镜图像无参考质量评价方法", 《激光与光电子学进展》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329522A (zh) * 2020-09-24 2021-02-05 上海品览数据科技有限公司 一种基于深度学习和图像处理的货架商品模糊检测方法
CN114219803A (zh) * 2022-02-21 2022-03-22 浙江大学 一种三阶段图像质量评估的检测方法与系统
CN114219803B (zh) * 2022-02-21 2022-07-15 浙江大学 一种三阶段图像质量评估的检测方法与系统
CN114882042A (zh) * 2022-07-12 2022-08-09 江苏布罗信息技术有限公司 一种基于图像质量评估的物联网传输方法

Similar Documents

Publication Publication Date Title
Liu et al. A no-reference metric for perceived ringing artifacts in images
Li et al. Reduced-reference image quality assessment using divisive normalization-based image representation
Narvekar et al. A no-reference image blur metric based on the cumulative probability of blur detection (CPBD)
Narwaria et al. SVD-based quality metric for image and video using machine learning
Narwaria et al. Fourier transform-based scalable image quality measure
CN106127741B (zh) 基于改良自然场景统计模型的无参考图像质量评价方法
George et al. A survey on different approaches used in image quality assessment
Liu et al. A perceptually relevant no-reference blockiness metric based on local image characteristics
CN109377465A (zh) 一种基于图像信息熵的图像质量鉴定方法
Gao et al. No reference color image quality measures
CN109754390B (zh) 一种基于混合视觉特征的无参考图像质量评价方法
Narasimhan et al. A comparison of contrast enhancement techniques in poor illuminated gray level and color images
Lahoulou et al. Full-reference image quality metrics performance evaluation over image quality databases
CN111445435B (zh) 一种基于多区块小波变换的无参考图像质量评价方法
Bohr et al. A no reference image blur detection using cumulative probability blur detection (cpbd) metric
Gao et al. A content-based image quality metric
CN111354048B (zh) 一种面向相机获取图片的质量评价方法和装置
Okarma Video quality assessment using the combined full-reference approach
Liao et al. An image quality assessment algorithm based on dual-scale edge structure similarity
Ma et al. Reduced-reference image quality assessment via intra-and inter-subband statistical characteristics in reorganized dct domain
Wang et al. A human visual system-based objective video distortion measurement system
Navas et al. A novel quality measure for information hiding in images
Jianquan et al. Research on imperceptibility index of image Information Hiding
Wazirali et al. Objective quality metrics in correlation with subjective quality metrics for steganography
Rao et al. Image quality assessment based on perceptual structural similarity

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: 20190222