CN109447980A - 实现图像质量评价控制的方法、计算机可读存储介质和处理器 - Google Patents
实现图像质量评价控制的方法、计算机可读存储介质和处理器 Download PDFInfo
- Publication number
- CN109447980A CN109447980A CN201811341123.6A CN201811341123A CN109447980A CN 109447980 A CN109447980 A CN 109447980A CN 201811341123 A CN201811341123 A CN 201811341123A CN 109447980 A CN109447980 A CN 109447980A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- quality evaluation
- following formula
- image quality
- 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
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
- G06T2207/30—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)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及一种计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,包括以下步骤:系统读入图像信息并对图像做灰阶变换并得到灰阶图像;根据所得到的灰阶图像进行图像梯度空间计算;根据所述的图像梯度空间计算高斯相似度特征;对所得到的高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。本发明还涉及一种计算机可读存储介质和处理器。采用了本技术方案,充分利用了图像场景中梯度局部特征,通过高斯相似度计算实现了关键特征点的提取,从而克服了传统方法所无法解决的问题。
Description
技术领域
本发明涉及图像处理领域,尤其涉及图像质量评价领域,具体是指一种计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法、计算机可读存储介质和处理器。
背景技术
在现实应用中,图像在获取、压缩、传输以及存储过程中会因设备故障、电磁干扰等主、客观因素的影响,而不可避免的引入失真,这些失真会造成画面质量的下降,因此有效的评价图像的质量对于图像运维、应用方面有着重大意义。在图像质量评价技术中,主流的方法有基于参考图像的统计方法和无参考的统计分析的方法,前者通过比较源图像和失真图像全局或局部的差异,并求出该差异的统计量,再将图像质量与统计量关联,但是需要严格的有参考图像的支撑,实际应用环境很难获取源图像导致该方法无法大规模推广。基于机器学习的无参考图像质量评价方法假定质量相近的图像特征具有相同的统计规律,且该统计量的概率分布可通过学习的方法获取,该方法相对于基于参考图像的统计方法对不同的图像类型和应用场景具有较好的适应性。
经过对现有技术的文献检索发现,现有技术通常依赖于图像场景的高斯分布假设。如AK Moorthy,AC Bovik在《IEEE Transactions on image processing》(IEEE图像处理期刊)第12卷,第20期,第3350-3364页发表的“Blind image quality assessment:Fromnatural scene statistics to perceptual quality”一文提出的基于频率域的自然场景统计。A Mittal,AK Moorthy和AC Bovik在《IEEE Transactions on image processing》(IEEE图像处理期刊)第12卷,第21期,第4695-4708页发表的“No-reference imagequality assessment in the spatial domain”一文提出的基于空间域自然场景统计。然而,这些方法未能考虑到图像场景中的实际特征分布,从而对于一些监控的图像质量预测不够准确。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种基于图像梯度计算、满足光照不均匀条件、适用范围较为广泛的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法、计算机可读存储介质和处理器。
为了实现上述目的,本发明的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法、计算机可读存储介质和处理器如下:
该计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其主要特点是,所述的方法包括以下步骤:
(1)系统读入图像信息并对图像做灰阶变换并得到灰阶图像;
(2)根据所得到的灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对所得到的高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
较佳地,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
较佳地,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,为水平梯度,为垂直梯度。
较佳地,所述的水平梯度根据以下公式计算:
其中,x和y均为图像像素点坐标;
所述的垂直梯度根据以下公式计算:
其中,x和y均为图像像素点坐标。
较佳地,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
较佳地,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
较佳地,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
该实现上述方法的计算机可读存储介质,其主要特点是,所述的存储介质包括:
存储的图像质量评价程序,所述的图像质量评价程序根据梯度空间特征统计进行图像质量评价控制,并在运行时控制所述的存储介质所在设备进行以下步骤处理:
(1)读入图像信息并对图像做灰阶变换;
(2)根据灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
较佳地,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
较佳地,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,为水平梯度,为垂直梯度。
较佳地,所述的水平梯度根据以下公式计算:
其中,x和y均为图像像素点坐标;
所述的垂直梯度根据以下公式计算:
其中,x和y均为图像像素点坐标。
较佳地,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
较佳地,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
较佳地,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
该实现上述方法的处理器,其主要特点是,所述的处理器用于运行根据梯度空间特征统计进行图像质量评价控制程序,所述的程序在运行时进行以下步骤处理:
(1)读入图像信息并对图像做灰阶变换;
(2)根据灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
较佳地,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
较佳地,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,为水平梯度,为垂直梯度。
较佳地,所述的水平梯度根据以下公式计算:
其中,x和y均为图像像素点坐标;
所述的垂直梯度根据以下公式计算:
其中,x和y均为图像像素点坐标。
较佳地,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
较佳地,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
较佳地,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
采用了本发明的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法、计算机可读存储介质和处理器,利用图像梯度空间变换,高斯相似度特征计算和综合统计克服了图像质量评价过程中主观判断与客观评价不一致的问题。现有的图像质量评价方法,都是基于图像自然场景统计分析假设,对于光照不均匀的情况下,图像质量评价效果往往较差,而本发明充分利用了图像场景中梯度局部特征,通过高斯相似度计算实现了关键特征点的提取,从而克服了传统方法所无法解决的问题。
附图说明
图1为本发明的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法的流程示意图。
图2为本发明的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法的实施例中图像质量评价为1.67的图像效果示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
该计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其中,所述的方法包括以下步骤:
(1)系统读入图像信息并对图像做灰阶变换并得到灰阶图像;
(2)根据所得到的灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对所得到的高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
较佳地,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
较佳地,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,为水平梯度,为垂直梯度。
较佳地,所述的水平梯度根据以下公式计算:
其中,x和y均为图像像素点坐标;
所述的垂直梯度根据以下公式计算:
其中,x和y均为图像像素点坐标。
较佳地,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
较佳地,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
较佳地,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
该实现上述方法的计算机可读存储介质,其中,所述的存储介质包括:
存储的图像质量评价程序,所述的图像质量评价程序根据梯度空间特征统计进行图像质量评价控制,并在运行时控制所述的存储介质所在设备进行以下步骤处理:
(1)读入图像信息并对图像做灰阶变换;
(2)根据灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
较佳地,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
较佳地,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,为水平梯度,为垂直梯度。
较佳地,所述的水平梯度根据以下公式计算:
其中,x和y均为图像像素点坐标;
所述的垂直梯度根据以下公式计算:
其中,x和y均为图像像素点坐标。
较佳地,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
较佳地,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
较佳地,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
该实现上述方法的处理器,其中,所述的处理器用于运行根据梯度空间特征统计进行图像质量评价控制程序,所述的程序在运行时进行以下步骤处理:
(1)读入图像信息并对图像做灰阶变换;
(2)根据灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
较佳地,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
较佳地,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,为水平梯度,为垂直梯度。
较佳地,所述的水平梯度根据以下公式计算:
其中,x和y均为图像像素点坐标;
所述的垂直梯度根据以下公式计算:
其中,x和y均为图像像素点坐标。
较佳地,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
较佳地,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
较佳地,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
本发明的具体实施方式中,包括以下步骤:图像灰阶变换;图像梯度空间计算;图像梯度空间下的高斯相似度特征计算;最后通过高斯相似度特征统计计算得到图像质量评价结果。本发明克服了图像质量评价过程自然场景统计假设模型与实际图像模型不一致的问题,有效地实现了对图像质量的评价。
一种图像质量评价方法,其特征在于,包括以下步骤:
第一步,读入当前图像信息,并对图像做灰阶变换
第二步,对当前灰阶图像计算水平和垂直梯度
第三步,在梯度空间计算高斯相似度特征
第四步,对高斯相似度特征进行从低到高的排序,并用排序前的20个高斯相似度特征值计算图像质量。
本发明针对上述现有技术的不足,提出了一种基于图像梯度计算,高斯相似度特征计算和特征统计,最后通过特征排序加权统计完成整个图像的质量评价。
本发明是通过以下技术方案实现的,具体包括如下步骤:
步骤一、对图像做灰阶变换,根据以下公式进行彩色到灰阶的转换:
I=0.299×R+0.587×G+0.114×B
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
步骤二,对图像进行梯度计算,具体公式如下
G(x,y)为梯度计算后的图像,x,y为图像像素点坐标,为水平梯度,为垂直梯度。
步骤三,在梯度空间计算高斯相似度特征
T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数,计算采用如下公式
步骤四,高斯相似度特征统计
对T(x,y)进行从低到高的排序,用排序前的20个T(x,y)值计算图像质量,采用如下公式,
其中,i为排序前的20个T(x,y)值对应的索引。
实施例
本实施例中对图像大小为1920×1080像素的图像做质量评价,算法流程如图1所示,包括如下步骤:
第一步,读入当前图像,对图像RGB空间进行灰阶变换,具体计算公式如下
I=0.299×R+0.587×G+0.114×B
第二步,以左上角的像素点为原点建立直角坐标系,对灰阶图像做梯度计算,具体计算公式如下
第三步,在梯度空间计算高斯相似度特征,采用以下公式
hx和hy在本例实施过程取值分别为0.01和0.06
第四步,对T(x,y)进行从低到高的排序,用排序前的20个T(x,y)值计算图像质量,采用如下公式,
其中,i为排序前的20个T(x,y)值对应的索引,最终获得图像质量评价score。
采用了该计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法、计算机可读存储介质和处理器,利用图像梯度空间变换,高斯相似度特征计算和综合统计克服了图像质量评价过程中主观判断与客观评价不一致的问题。现有的图像质量评价方法,都是基于图像自然场景统计分析假设,对于光照不均匀的情况下,图像质量评价效果往往较差,而本发明充分利用了图像场景中梯度局部特征,通过高斯相似度计算实现了关键特征点的提取,从而克服了传统方法所无法解决的问题。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (21)
1.一种计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其特征在于,所述的方法包括以下步骤:
(1)系统读入图像信息并对图像做灰阶变换并得到灰阶图像;
(2)根据所得到的灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对所得到的高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
2.根据权利要求1所述的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其特征在于,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
3.根据权利要求1所述的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其特征在于,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
G(x,y)=(▽xI(x,y),▽yI(x,y)),
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,▽xI(x,y)为水平梯度,▽yI(x,y)为垂直梯度。
4.根据权利要求3所述的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其特征在于,所述的水平梯度▽xI(x,y)根据以下公式计算:
▽xI(x,y)=I(x+1,y)-I(x,y),
其中,x和y均为图像像素点坐标;
所述的垂直梯度▽yI(x,y)根据以下公式计算:
▽yI(x,y)=I(x,y+1)-I(x,y),
其中,x和y均为图像像素点坐标。
5.根据权利要求1所述的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其特征在于,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
6.根据权利要求4所述的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其特征在于,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
7.根据权利要求1所述的计算机软件系统中基于梯度空间特征统计实现图像质量评价控制的方法,其特征在于,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
8.一种计算机可读存储介质,其特征在于,所述的存储介质包括
存储的图像质量评价程序,所述的图像质量评价程序根据梯度空间特征统计进行图像质量评价控制,并在运行时控制所述的存储介质所在设备进行以下步骤处理:
(1)读入图像信息并对图像做灰阶变换;
(2)根据灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
9.根据权利要求7所述的计算机可读存储介质,其特征在于,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
10.根据权利要求7所述的计算机可读存储介质,其特征在于,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
G(x,y)=(▽xI(x,y),▽yI(x,y)),
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,▽xI(x,y)为水平梯度,▽yI(x,y)为垂直梯度。
11.根据权利要求9所述的计算机可读存储介质,其特征在于,所述的水平梯度▽xI(x,y)根据以下公式计算:
▽xI(x,y)=I(x+1,y)-I(x,y),
其中,x和y均为图像像素点坐标;
所述的垂直梯度▽yI(x,y)根据以下公式计算:
▽yI(x,y)=I(x,y+1)-I(x,y),
其中,x和y均为图像像素点坐标。
12.根据权利要求7所述的计算机可读存储介质,其特征在于,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
13.根据权利要求11所述的计算机可读存储介质,其特征在于,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
14.根据权利要求7所述的计算机可读存储介质,其特征在于,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
15.一种处理器,其特征在于,所述的处理器用于运行根据梯度空间特征统计进行图像质量评价控制程序,所述的程序在运行时进行以下步骤处理:
(1)读入图像信息并对图像做灰阶变换;
(2)根据灰阶图像进行图像梯度空间计算;
(3)根据所述的图像梯度空间计算高斯相似度特征;
(4)对高斯相似度特征进行从低到高排序,并计算得到图像质量评价结果。
16.根据权利要求14所述的处理器,其特征在于,所述的步骤(1)中的对图像做灰阶变换,具体为:
根据以下公式对图像进行从彩色到灰阶的变换:
I=0.299×R+0.587×G+0.114×B,
其中,R、G、B分别为所述的图像信息中各个像素点的红色、绿色、蓝色的数值,I为灰阶转换后图像的各个像素点的数值。
17.根据权利要求14所述的处理器,其特征在于,所述的步骤(2)中的进行图像梯度空间计算,具体为:
根据以下公式进行图像梯度空间计算:
G(x,y)=(▽xI(x,y),▽yI(x,y)),
其中,G(x,y)为梯度计算后的图像,x和y均为图像像素点坐标,▽xI(x,y)为水平梯度,▽yI(x,y)为垂直梯度。
18.根据权利要求16所述的处理器,其特征在于,所述的水平梯度▽xI(x,y)根据以下公式计算:
▽xI(x,y)=I(x+1,y)-I(x,y),
其中,x和y均为图像像素点坐标;
所述的垂直梯度▽yI(x,y)根据以下公式计算:
▽yI(x,y)=I(x,y+1)-I(x,y),
其中,x和y均为图像像素点坐标。
19.根据权利要求14所述的处理器,其特征在于,所述的步骤(3)中的计算高斯相似度特征T(x,y),具体为:
根据以下公式计算高斯相似度特征T(x,y):
其中,T(x,y)为高斯相似度特征值,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数,Z为归一化参数。
20.根据权利要求18所述的处理器,其特征在于,所述的归一化参数Z根据以下公式计算:
其中,N(I(x,y))是以x,y坐标为中心的3x3的图像块中的相邻像素点,hx和hy分别为水平和垂直衰减系数。
21.根据权利要求14所述的处理器,其特征在于,所述的步骤(4)中的计算得到图像质量评价结果,具体为:
根据以下公式计算得到图像质量评价结果:
其中,i为排序前的20个T(x,y)值对应的索引。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811341123.6A CN109447980B (zh) | 2018-11-12 | 2018-11-12 | 实现图像质量评价控制的方法、计算机可读存储介质和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811341123.6A CN109447980B (zh) | 2018-11-12 | 2018-11-12 | 实现图像质量评价控制的方法、计算机可读存储介质和处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447980A true CN109447980A (zh) | 2019-03-08 |
CN109447980B CN109447980B (zh) | 2021-12-10 |
Family
ID=65551850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811341123.6A Active CN109447980B (zh) | 2018-11-12 | 2018-11-12 | 实现图像质量评价控制的方法、计算机可读存储介质和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447980B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318577A (zh) * | 2014-11-06 | 2015-01-28 | 天津大学 | 多尺度全参考型图像质量评测方法 |
CN105006001A (zh) * | 2015-08-19 | 2015-10-28 | 常州工学院 | 一种基于非线性结构相似度偏差的有参图像的质量评估方法 |
CN107240096A (zh) * | 2017-06-01 | 2017-10-10 | 陕西学前师范学院 | 一种红外与可见光图像融合质量评价方法 |
WO2018140158A1 (en) * | 2017-01-30 | 2018-08-02 | Euclid Discoveries, Llc | Video characterization for smart enconding based on perceptual quality optimization |
CN108416770A (zh) * | 2018-03-07 | 2018-08-17 | 西北工业大学 | 一种基于视觉显著性的图像质量评价方法 |
-
2018
- 2018-11-12 CN CN201811341123.6A patent/CN109447980B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318577A (zh) * | 2014-11-06 | 2015-01-28 | 天津大学 | 多尺度全参考型图像质量评测方法 |
CN105006001A (zh) * | 2015-08-19 | 2015-10-28 | 常州工学院 | 一种基于非线性结构相似度偏差的有参图像的质量评估方法 |
WO2018140158A1 (en) * | 2017-01-30 | 2018-08-02 | Euclid Discoveries, Llc | Video characterization for smart enconding based on perceptual quality optimization |
CN107240096A (zh) * | 2017-06-01 | 2017-10-10 | 陕西学前师范学院 | 一种红外与可见光图像融合质量评价方法 |
CN108416770A (zh) * | 2018-03-07 | 2018-08-17 | 西北工业大学 | 一种基于视觉显著性的图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109447980B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN108846401A (zh) | 商品检测终端、方法、系统以及计算机设备、可读介质 | |
CN111402209B (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
CN109409190A (zh) | 基于梯度直方图和Canny边缘检测器的行人检测方法 | |
CN105445277A (zh) | 一种fpc表面质量视觉智能检测方法 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN111339902B (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
CN109978854A (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
CN108470350A (zh) | 折线图中的折线分割方法及装置 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN110111347B (zh) | 图像标志提取方法、装置及存储介质 | |
CN108550146A (zh) | 一种基于roi的图像质量评价方法 | |
CN104574381A (zh) | 一种基于局部二值模式的全参考图像质量评价方法 | |
CN109241867A (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN110378893A (zh) | 图像质量评价方法、装置和电子设备 | |
CN109840905A (zh) | 电力设备锈迹检测方法及系统 | |
CN107689039A (zh) | 估计图像模糊度的方法和装置 | |
CN108257127A (zh) | 一种应用于急性中毒安全预评价的系统 | |
CN107037056A (zh) | 一种快速局部阈值分割的水果表面缺陷检测方法 | |
CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
CN111462084B (zh) | 基于随机森林的图像矢量化印刷出血点预测系统和方法 | |
CN109146834A (zh) | 车辆定损方法及装置、计算机可读存储介质、终端 |
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 |