CN109448037A - 一种图像质量评价方法及装置 - Google Patents
一种图像质量评价方法及装置 Download PDFInfo
- Publication number
- CN109448037A CN109448037A CN201811353034.3A CN201811353034A CN109448037A CN 109448037 A CN109448037 A CN 109448037A CN 201811353034 A CN201811353034 A CN 201811353034A CN 109448037 A CN109448037 A CN 109448037A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- vector
- quality evaluation
- feature vector
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
Abstract
本发明提供一种图像质量评价方法及装置,对于任一待检测图像来说,对该待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像,确定每个第一图像各自对应的第一图像特征和第二图像特征;对每个第一图像各自对应的第一图像特征进行融合,得到待检测图像的第一图像质量评价特征,并基于每个第一图像各自对应的第二图像特征,得到待检测图像的第二图像质量评价特征,并基于第一图像质量评价特征和第二图像质量评价特征,对待检测图像进行图像质量评价,由此可以利用待检测图像在不同尺度空间下的差异(第一图像特征和第二图像特征)评价待检测图像的图像质量,减少参考图像和预设训练集的限制,从而可以提高图像质量评价的准确度。
Description
技术领域
本发明属于图像处理技术领域,更具体地说,尤其涉及一种图像质量评价方法及装置。
背景技术
图像在压缩、编码和存储等图像处理过程中无可避免地会造成图像质量的损坏,由此需要通过图像质量评价方法来评价待检测图像(对原始图像经过图像处理后具有一定失真的图像)的图像质量,如评价待检测图像相对于原始图像的失真程度。
目前图像质量评价方法以原始图像作为参考图像,根据获取到的参考图像的信息量包括:全参考图像质量评价(Full Reference Assessment)方法、半参考图像质量评价(Reduced Reference Assessment)方法和无参考图像质量评价(No ReferenceAssessment)方法。其中全参考图像质量评价方法可以获取到参考图像的所有信息,以根据获取到的参考图像的所有信息,将待检测图像和参考图像进行比较来评价待检测图像的图像质量;半参考图像质量评价方法可以获取到参考图像的部分信息,以根据获取到的参考图像的部分信息,将待检测图像和参考图像进行比较来评价待检测图像的图像质量;无参考图像质量评价方法通过预先建立的图像质量评价模型进行评价,图像质量评价模型通过对预设训练集中的各个图像的图像特征进行训练得到,且经由预设测试集中的各个图像的图像特征对图像质量评价模型进行测试。
从上述图像质量评价方法来看,全参考图像质量评价方法和半参考图像质量评价方法是通过比较参考图像和待检测图像中各像素点之间的像素差异性,使得图像质量评价的准确度受到一定限制,而无参考图像质量评价方法依赖于预设训练集中的各个图像,同样使得图像质量评价的准确度受到一定限制。
发明内容
有鉴于此,本发明的目的在于提供一种图像质量评价方法及装置,用于提高图像质量评价的准确度。技术方案如下:
本发明提供一种图像质量评价方法,所述方法包括:
对待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像;
确定每个第一图像各自对应的第一图像特征,并对所述每个第一图像各自对应的第一图像特征进行融合,得到所述待检测图像的第一图像质量评价特征;
确定每个第一图像各自对应的第二图像特征,并基于每个第一图像各自对应的第二图像特征,得到所述待检测图像的第二图像质量评价特征,其中所述第二图像特征不同于所述第一图像特征;
基于所述第一图像质量评价特征和所述第二图像质量评价特征,对所述待检测图像进行图像质量评价。
优选的,所述确定每个第一图像各自对应的第一图像特征包括:
分别对每个第一图像进行特征提取,得到每个第一图像各自对应的至少一种初始特征向量;
对所述每个第一图像各自对应的至少一种初始特征向量进行处理,得到所述每个第一图像各自对应的至少一种处理后的特征向量;
对每个第一图像各自对应的至少一种处理后的特征向量:将该第一图像对应的至少一种处理后的特征向量确定为该第一图像对应的第一图像特征。
优选的,所述分别对每个第一图像进行特征提取,得到每个第一图像各自对应的至少一种初始特征向量包括:对每个第一图像分别执行以下步骤:
提取该第一图像中每个像素点的灰度值,基于该第一图像中每个像素点的灰度值,得到该第一图像的初始颜色特征向量;
和/或、
基于该第一图像中每个像素点的灰度值,获得该第一图像的灰度矩阵,并基于该第一图像的灰度矩阵,得到该第一图像的共生矩阵,基于该第一图像的共生矩阵,得到该第一图像的初始纹理特征向量;
和/或、
确定该第一图像的至少一个几何不变炬,并计算所述几何不变炬的矩阵特征向量,将所述几何不变炬的矩阵特征向量确定为该第一图像的初始形状特征向量。
优选的,所述每个第一图像各自对应的第一图像特征包括:该第一图像的颜色特征向量、纹理特征向量和形状特征向量中的至少一种;
所述对所述每个第一图像各自对应的第一图像特征进行融合,得到待检测图像的第一图像质量评价特征包括:对所述每个第一图像各自对应的第一图像特征包括的任意一种特征向量:获取所有第一图像的该种特征向量的相似度之和;
在每个第一图像各自对应的第一图像特征包括一种特征向量时,将该种特征向量的相似度之和确定为所述第一图像质量评价特征;
在每个第一图像各自对应的第一图像特征包括至少两种特征向量时,对所述第一图像特征包括的所有特征向量的相似度之和进行融合,得到所述第一图像质量评价特征。
优选的,所述确定每个第一图像各自对应的第二图像特征包括:对于每个第一图像执行以下步骤:
获取该第一图像的灰度图像,并基于该第一图像的灰度图像,得到该第一图像对应的N阶曲面,其中N为大于等于2的自然数;
基于该第一图像对应的N阶曲面,确定该第一图像中在梯度方向所成夹角小于预设夹角的所有像素点;
基于在梯度方向所成夹角小于预设夹角的每个像素点的梯度,得到该第一图像的第二图像特征。
本发明还提供一种图像质量评价装置,所述装置包括:获取模块、第一图像特征确定模块、第一评价模块、第二图像特征确定模块、第二评价模块和总评价模块;
所述获取模块,用于对待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像;
所述第一图像特征确定模块,用于确定每个第一图像各自对应的第一图像特征;
所述第一评价模块,用于对所述每个第一图像各自对应的第一图像特征进行融合;得到所述待检测图像的第一图像质量评价特征;
所述第二图像特征确定模块,用于确定每个第一图像各自对应的第二图像特征;
所述第二评价模块,用于基于每个第一图像各自对应的第二图像特征,得到所述待检测图像的第二图像质量评价特征;
所述总评价模块,用于基于所述第一图像质量评价特征和所述第二图像质量评价特征,对所述待检测图像进行图像质量评价。
优选的,所述第一图像特征确定模块包括:第一获取单元、处理单元和第一确定单元;
所述第一获取单元,用于分别对每个第一图像进行特征提取,得到每个第一图像各自对应的至少一种初始特征向量;
所述处理单元,用于对所述每个第一图像各自对应的至少一种初始特征向量进行处理,得到所述每个第一图像各自对应的至少一种处理后的特征向量;
所述第一确定单元,用于对每个第一图像各自对应的至少一种处理后的特征向量:将该第一图像对应的至少一种处理后的特征向量确定为该第一图像对应的第一图像特征。
优选的,所述第一获取单元,用于对每个第一步图像行以下操作:
提取该第一图像中每个像素点的灰度值,基于该第一图像中每个像素点的灰度值,得到该第一图像的初始颜色特征向量;
和/或、
基于该第一图像中每个像素点的灰度值,获得该第一图像的灰度矩阵,并基于该第一图像的灰度矩阵,得到该第一图像的共生矩阵,基于该第一图像的共生矩阵,得到该第一图像的初始纹理特征向量;
和/或、
确定该第一图像的至少一个几何不变炬,并计算所述几何不变炬的矩阵特征向量,将所述几何不变炬的矩阵特征向量确定为该第一图像的初始形状特征向量。
优选的,所述每个第一图像各自对应的第一图像特征包括:该第一图像的颜色特征向量、纹理特征向量和形状特征向量中的至少一种;
所述第一评价模块包括:第二获取单元和评价单元;
所述第二获取单元,用于对所述每个第一图像各自对应的第一图像特征包括的任意一种特征向量:获取所有第一图像的该种特征向量的相似度之和;
所述评价单元,用于在每个第一图像各自对应的第一图像特征包括一种特征向量时,将该种特征向量的相似度之和确定为所述第一图像质量评价特征;以及用于在每个第一图像各自对应的第一图像特征包括至少两种特征向量时,对所述第一图像特征包括的所有特征向量的相似度之和进行融合,得到所述第一图像质量评价特征。
优选的,所述第二图像特征包括:第三获取单元、计算单元和第二确定单元;
所述第三获取单元,用于获取该第一图像的灰度图像,并基于该第一图像的灰度图像,得到该第一图像对应的N阶曲面,其中N为大于等于2的自然数;
所述计算单元,用于基于该第一图像对应的N阶曲面,确定该第一图像中在梯度方向所成夹角小于预设夹角的所有像素点;
所述第二确定单元,用于基于在梯度方向所成夹角小于预设夹角的每个像素点的梯度,得到该第一图像的第二图像特征。
与现有技术相比,本发明提供的上述技术方案具有如下优点:
从上述技术方案可知,对于任一待检测图像来说,对该待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像,确定每个第一图像各自对应的第一图像特征和第二图像特征;对每个第一图像各自对应的第一图像特征进行融合,得到待检测图像的第一图像质量评价特征,并基于每个第一图像各自对应的第二图像特征,得到待检测图像的第二图像质量评价特征,并基于第一图像质量评价特征和第二图像质量评价特征,对待检测图像进行图像质量评价,由此可以利用待检测图像在不同尺度空间下的差异(第一图像特征和第二图像特征)评价待检测图像的图像质量,相对于现有需要参照参考图像和依赖预设训练集的方式来说,使得图像质量评价减少参考图像和预设训练集的限制,从而可以提高图像质量评价的准确度。
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是本发明实施例提供的一种图像质量评价方法的流程图;
图2是本发明实施例提供的构建灰度矩阵的示意图;
图3是本发明实施例提供的构建共生矩阵的示意图;
图4是本法实施例提供的一种图像质量评价装置的结构图;
图5是本发明实施例提供的第一图像特征确定模块的结构图;
图6是本发明实施例提供的第一评价模块的结构图;
图7是本发明实施例提供的第二图像特征确定模块的结构图。
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做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。
请参阅图1,其示出了本发明实施例提供的一种图像质量评价方法的流程图,用于在没有参考图像和预设训练集的情况下进行图像质量评价,以此提高图像质量评价的准确度,具体的图1所示图像质量评价方法可以包括以下步骤:
S101:对待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像。可以理解的是:待检测图像是需要进行图像质量评价的一幅图像,对于待检测图像来说,可以通过尺度空间变换将待检测图像分解为多个第一图像,且每个第一图像对应不同尺度空间。
例如可以通过但不限于通过小波分解算法得到多个第一图像,或者通过滤波和降采样方式得到多个第一图像,对于具体过程本实施例不再详述。
S102:确定每个第一图像各自对应的第一图像特征,并对每个第一图像各自对应的第一图像特征进行融合,得到待检测图像的第一图像质量评价特征。也就是说,对于每个第一图像:确定该第一图像的第一图像特征和第二图像特征,对于第一图像特征来说,可以对该第一图像进行特征提取,得到该第一图像的第一图像特征,如一种可行方式是:采用现有特征提取算法,如边缘提取算法、灰度提取算法等中的至少一种,得到该第一图像的第一图像特征包括的边缘特征和灰度特征等中的至少一种。
在本实施例中,对第一图像进行特征提取的其他可行方式是:分别对每个第一图像进行特征提取,得到每个第一图像各自对应的至少一种初始特征向量,对每个第一图像各自对应的至少一种初始特征向量进行处理,得到每个第一图像各自对应的至少一种处理后的特征向量,进而对每个第一图像各自对应的至少一种处理后的特征向量:将该第一图像对应的至少一种处理后的特征向量确定为该第一图像对应的第一图像特征。
如在对每个第一图像进行特征提取时可以基于预设特征类型进行特征提取,其中预设特征类型可以包括但不限于:颜色特征、纹理特征和形状特征中的至少一种,这样对于每个第一图像来说:可以根据预设特征类型提取该第一图像的初始颜色特征向量、初始纹理特征向量和初始形状特征向量中的至少一种。在得到任一初始特征向量的情况下,可以对初始特征向量进行但不限于进行模糊化处理和锐化处理中的至少一种处理,如可以通过高斯函数对初始特征向量进行模糊化处理。
下面对如何得到初始颜色特征向量、初始纹理特征向量和初始形状特征向量进行说明,但是本实施例并不限于下述得到初始颜色特征向量、初始纹理特征向量和初始形状特征向量的可行方式:
得到初始颜色特征向量的可行方式是:提取该第一图像中每个像素点的灰度值,基于该第一图像中每个像素点的灰度值,得到该第一图像的初始颜色特征向量,例如可以由该第一图像中所有像素点的灰度值组成该第一图像的初始颜色特征向量,即将该第一图像中每个像素点的灰度值作为初始颜色特征向量中的元素,对于第一图像中每个像素点的灰度值的提取可以采用任意一种灰度值提取算法,对此本实施例不再详述。
得到初始纹理特征向量的可行方式是:基于该第一图像中每个像素点的灰度值,获得该第一图像的灰度矩阵,并基于该第一图像的灰度矩阵,得到该第一图像的共生矩阵,基于该第一图像的共生矩阵,得到该第一图像的初始纹理特征向量。
其中第一图像的灰度矩阵可以将第一图像中每个像素点的灰度值作为灰度矩阵中的元素的取值,且作为灰度矩阵的元素的灰度值在灰度矩阵中的位置与该灰度值对应的像素点在第一图像中的位置相同,也就是说第一图像中位于第i行第j列处的像素点的灰度值为灰度矩阵中元素Aij的取值,如图2所示,其示出了第一图像中的部分像素点的灰度值,位于第2行第3列处的像素点的灰度值为灰度矩阵中元素A23的取值。
在得到灰度矩阵后确定灰度矩阵对应的灰度级别,该灰度级别表示第一图像中所有像素点具有的不同的灰度值总数,进而根据灰度级别构建该第一图像的共生矩阵。仍以图2为例,确定图2所示灰度矩阵对应的灰度级别为三级,则构建一个3*3的共生矩阵,如图3所示。进一步在构建出共生矩阵后,可以对共生矩阵进行归一化处理,得到归一化共生矩阵,采用归一化共生矩阵进行纹理特征提取,得到初始纹理特征向量,对于如何采用归一化共生矩阵进行纹理特征提取,本实施例不再详述。
得到初始形状特征向量的可行方式是:确定该第一图像的至少一个几何不变炬,并计算几何不变炬的矩阵特征向量,将几何不变炬的矩阵特征向量确定为该第一图像的初始形状特征向量。例如至少一个几何不变矩可以是七个不变矩,如是Hu矩(一种几何矩)的七个不变炬,对于如何得到七个不变炬以及每个不变炬的矩阵特征向量,本实施例不再加以阐述。
上述阐述了得到初始颜色特征向量、初始纹理特征向量和初始形状特征向量的可行方式,在实际应用过程中可以根据需要选取其他可行方式来得到这三种特征向量,当然在实际应用中也可以选取这三种特征向量中的至少一种,对此本实施例不再详述。
在得到上述第一图像的至少一种初始特征向量,如上述初始颜色特征向量、初始纹理特征向量和初始形状特征向量中的至少一种时,可以对其进行模糊化处理、锐化处理等等,从而将处理后的特征向量作为第一图像的第一图像特征,如第一图像特征包括:颜色特征向量(初始颜色特征向量经处理后的特征向量)、纹理特征向量(初始纹理特征向量经处理后的特征向量)和形状特征向量(初始形状特征向量经处理后的特征向量)中的至少一种。下面以模糊化处理为例进行说明:
如可以通过但不限于高斯函数方式对初始特征向量进行模糊化处理,以此降低图像噪声以及降低第一图像的细节层次,从而提高图像质量评价的准确度。具体的对于每个对应不同尺度空间的第一图像的初始颜色特征向量来说,采用公式:
进行模糊化处理,其中xi为对应尺度空间i的第一图像的初始颜色特征向量中的任一元素,为对应尺度空间i的第一图像的初始颜色特征向量模糊化为高斯函数之后的数学期望,为对应尺度空间i的第一图像的初始颜色特征向量模糊化为高斯函数之后的方差。
对于初始纹理特征向量来说,采用公式:进行模糊化处理,其中xi为对应尺度空间i的第一图像的初始纹理特征向量中的任一元素,为对应尺度空间i的第一图像的初始纹理特征向量模糊化为高斯函数之后的数学期望,为对应尺度空间i的第一图像的初始纹理特征向量模糊化为高斯函数之后的方差。
对于初始形状特征向量来说,采用公式:进行模糊化处理,其中xi为对应尺度空间i的第一图像的初始形状特征向量中的任一元素,为对应尺度空间i的第一图像的初始形状特征向量模糊化为高斯函数之后的数学期望,为对应尺度空间i的第一图像的初始形状特征向量模糊化为高斯函数之后的方差。
在这里需要说明的一点是:七个不变炬中的高阶矩在噪声影响下会使得误差增大,因此在对初始形状特征向量进行处理时可以从这七个不变炬中选取低阶矩的矩阵特征向量进行处理,所谓低阶矩是七个不变炬中阶数相对于其他不变炬的阶数来说低的不变炬,如七个不变炬中的零阶矩、一阶矩和二阶矩。
在得到所有第一图像的第一图像特征后,融合第一图像特征得到第一图像质量评价特征的可行方式可以是:首先对每个第一图像各自对应的第一图像特征包括的任意一种特征向量:获取所有第一图像的该种特征向量的相似度之和,如可以根据公式:得到该种特征向量的相似度之和,其中n为待检测图像分解得到的第一图像的总数,μi和μi+1为对应尺度空间i和尺度空间i+1的第一图像的该种特征向量的数学期望,σi和σi+1为对应尺度空间i和尺度空间i+1的第一图像的该种特征向量的方差。
以颜色特征向量为例,经过模糊化处理后可以得到每个第一图像的颜色特征向量的数学期望和方差,如上述和则可以基于公式得到所有第一图像的颜色特征向量的相似度之和。
然后判断第一图像特征包括的特征向量的种类,若包括一种特征向量,则将第一图像特征包括的该种特征向量的相似度之和确定为第一图像质量评价特征,如在第一图像特征包括的一种特征向量为上述颜色特征向量,则可以将基于公式得到所有第一图像的颜色特征向量的相似度之和S确定为第一图像质量评价特征。
若第一图像特征包括至少两种特征向量,则需要融合各种特征向量的相似度之和来得到第一图像质量评价特征,如第一图像特征包括:颜色特征向量、纹理特征向量和形状特征向量,通过上述公式得到的颜色特征向量的相似度之和为SI、纹理特征向量的相似度之和为SG、形状特征向量的相似度之和为SM,则可以通过但不限于ωISI+ωGSG+ωMSM或者(SI+SG+SM)/3方式得到第一图像质量评价特征,其中ωI是SI的权重、ωG是SG的权重、ωM是SM的权重,对于ωI、ωG和ωM的取值,可以根据实际应用场景而定,如三个权重的取值分别是:ωI=0.3,ωG=0.45,ωM=0.25。
S103:确定每个第一图像各自对应的第二图像特征,并基于每个第一图像各自对应的第二图像特征,得到待检测图像的第二图像质量评价特征。
在本实施例中,第二图像特征不同于第一图像特征,对于第二图像特征来说可采用不同于第一图像特征的提取算法得到。其中确定待检测图像的第二图像特征的一种可行方式如下:
获取该第一图像的灰度图像,并基于该第一图像的灰度图像,得到该第一图像对应的N阶曲面,N为大于等于2的自然数,如可以利用二次多项式来构建第一图像对应的二阶曲面,之所以利用二次多项式构建是因为二次多项式构建的二阶曲面能够保持灰度图像的边缘结构。
基于该第一图像对应的N阶曲面,确定该第一图像中在梯度方向所成夹角小于预设夹角的所有像素点,其中在梯度方向所成夹角是指像素点的梯度方向与预设方向所成夹角,该预设方向可以是N阶曲面所在坐标系下的水平方向(如X轴)。对于预设夹角来说其可以根据实际应用场景而定,如预设夹角可以为45度,以防止因预设夹角过大导致选取的像素点的梯度过大,由此降低对图像质量评价的影响。
基于在梯度方向所成夹角小于预设夹角的每个像素点的梯度,得到该第一图像的第二图像特征,如将在梯度方向所成夹角小于预设夹角的每个像素点的梯度的平均值(简称梯度平均值)作为第二图像特征。
在确定每个第一图像各自对应的第二图像特征后,可以通过融合每个第一图像各自对应的第二图像特征方式得到第二图像质量评价特征,如每个第一图像各自对应的第二图像特征为:每个第一图像的梯度平均值,则第二图像质量评价特征可以是但不限于是:每个第一图像的梯度平均值的均值。
S104:基于第一图像质量评价特征和第二图像质量评价特征,对待检测图像进行图像质量评价。
如可以基于公式:P=k×S+(1-k)×d,得到待检测图像的图像质量评价指标P,由图像质量评价指标P表明待检测图像的图像质量,如图像质量评价指标P的取值越大,表明待检测图像的图像质量越高,反之表明待检测图像的图像质量越低,其中S为第一图像质量评价特征,d为第二图像质量评价特征,k为加权因子,且0<k<1,发明人经过试验发现k的取值对本实施例提供的图像质量评价方法的性能影响很小,由此说明本实施例提供的图像质量评价方法具有很好的通用性,不会受预设训练集和参考图像的影响。
从上述技术方案可知,对于任一待检测图像来说,对该待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像,确定每个第一图像各自对应的第一图像特征和第二图像特征;对每个第一图像各自对应的第一图像特征进行融合,得到待检测图像的第一图像质量评价特征,并基于每个第一图像各自对应的第二图像特征,得到待检测图像的第二图像质量评价特征,并基于第一图像质量评价特征和第二图像质量评价特征,对待检测图像进行图像质量评价,由此可以利用待检测图像在不同尺度空间下的差异(第一图像特征和第二图像特征)评价待检测图像的图像质量,相对于现有需要参照参考图像和依赖预设训练集的方式来说,使得图像质量评价减少参考图像和预设训练集的限制,从而可以提高图像质量评价的准确度。
与上述方法实施例相对应,本公开的示例性实施例还提供一种图像质量评价装置,其结构示意图如图4所示,可以包括:获取模块11、第一图像特征确定模块12、第一评价模块13、第二图像特征确定模块14、第二评价模块15和总评价模块16。
获取模块11,用于对待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像。在本实施例中,获取模块11得到对应不同尺度空间的至少两个第一图像的方式可以是,通过但不限于通过小波分解算法得到多个第一图像,或者通过滤波和降采样方式得到多个第一图像,对于具体过程本实施例不再详述。
第一图像特征确定模块12,用于确定每个第一图像各自对应的第一图像特征,如可以对该第一图像进行特征提取,得到该第一图像的第一图像特征,例如采用现有特征提取算法,如边缘提取算法、灰度提取算法等中的至少一种,得到该第一图像的第一图像特征包括的边缘特征和灰度特征等中的至少一种。
在本实施例中,第一图像特征确定模块12还可以采用其他方式确定第一图像特征,如采用图5所示结构,在图5中第一图像特征确定模块可以包括:第一获取单元121、处理单元122和第一确定单元123。
其中第一获取单元121,用于分别对每个第一图像进行特征提取,得到每个第一图像各自对应的至少一种初始特征向量;处理单元122,用于对每个第一图像各自对应的至少一种初始特征向量进行处理,得到每个第一图像各自对应的至少一种处理后的特征向量;第一确定单元123,用于对每个第一图像各自对应的至少一种处理后的特征向量:将该第一图像对应的至少一种处理后的特征向量确定为该第一图像对应的第一图像特征。
在本实施例中,第一获取单元121在对每个第一图像进行特征提取时可以基于预设特征类型进行特征提取,其中预设特征类型可以包括但不限于:颜色特征、纹理特征和形状特征中的至少一种,这样对于每个第一图像来说:可以根据预设特征类型提取该第一图像的初始颜色特征向量、初始纹理特征向量和初始形状特征向量中的至少一种。下面分别对这三种类型特征向量的获取进行说明:
第一获取单元121得到初始纹理特征向量的可行方式是:基于该第一图像中每个像素点的灰度值,获得该第一图像的灰度矩阵,并基于该第一图像的灰度矩阵,得到该第一图像的共生矩阵,基于该第一图像的共生矩阵,得到该第一图像的初始纹理特征向量,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
第一获取单元121得到初始颜色特征向量的可行方式是:提取该第一图像中每个像素点的灰度值,基于该第一图像中每个像素点的灰度值,得到该第一图像的初始颜色特征向量,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
第一获取单元121得到初始形状特征向量的可行方式是:确定该第一图像的至少一个几何不变炬,并计算几何不变炬的矩阵特征向量,将几何不变炬的矩阵特征向量确定为该第一图像的初始形状特征向量。例如至少一个几何不变矩可以是七个不变矩,如是Hu矩(一种几何矩)的七个不变炬,对于如何得到七个不变炬以及每个不变炬的矩阵特征向量,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
在得到上述三种类型特征向量后,处理单元122如何对初始特征向量进行处理可参阅上述方法实施例,对此本实施例不再阐述。
第一评价模块13,用于对每个第一图像各自对应的第一图像特征进行融合,得到待检测图像的第一图像质量评价特征,其中第一评价模块13可选结构如图6所示,可以包括:第二获取单元131和评价单元132。
第二获取单元131,用于对每个第一图像各自对应的第一图像特征包括的任意一种特征向量:获取所有第一图像的该种特征向量的相似度之和;评价单元132,用于在每个第一图像各自对应的第一图像特征包括一种特征向量时,将该种特征向量的相似度之和确定为所述第一图像质量评价特征;以及用于在每个第一图像各自对应的第一图像特征包括至少两种特征向量时,对所述第一图像特征包括的所有特征向量的相似度之和进行融合,得到所述第一图像质量评价特征,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
第二图像特征确定模块14,用于确定每个第一图像各自对应的第二图像特征,在本实施例中,第二图像特征不同于第一图像特征,由此第二图像特征确定模块14对于第二图像特征来说可采用不同于第一图像特征的提取算法得到。
例如第二图像特征确定模块14可采用图7所示结构确定第二图像特征,在图7所示中第二图像特征确定模块14可以包括:第三获取单元141、计算单元142和第二确定单元143。
第三获取单元141,用于获取该第一图像的灰度图像,并基于该第一图像的灰度图像,得到该第一图像对应的N阶曲面,N为大于等于2的自然数,如可以利用二次多项式来构建第一图像对应的二阶曲面,之所以利用二次多项式构建是因为二次多项式构建的二阶曲面能够保持灰度图像的边缘结构,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
计算单元142,用于基于该第一图像对应的N阶曲面,确定该第一图像中在梯度方向所成夹角小于预设夹角的所有像素点;其中在梯度方向所成夹角是指像素点的梯度方向与预设方向所成夹角,该预设方向可以是N阶曲面所在坐标系下的水平方向(如X轴)。对于预设夹角来说其可以根据实际应用场景而定,如预设夹角可以为45度,以防止因预设夹角过大导致选取的像素点的梯度过大,由此降低对图像质量评价的影响,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
第二确定单元143,用于基于在梯度方向所成夹角小于预设夹角的每个像素点的梯度,得到该第一图像的第二图像特征,如将在梯度方向所成夹角小于预设夹角的每个像素点的梯度的平均值(简称梯度平均值)作为第二图像特征,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
第二评价模块15,用于基于每个第一图像各自对应的第二图像特征,得到待检测图像的第二图像质量评价特征;在本实施例中,第二评价模块15得到待检测图像的第二图像质量评价特征的一种可行方式如下:第二评价模块15在确定每个第一图像各自对应的第二图像特征后,可以通过融合每个第一图像各自对应的第二图像特征方式得到第二图像质量评价特征,如每个第一图像各自对应的第二图像特征为:每个第一图像的梯度平均值,则第二图像质量评价特征可以是但不限于是:每个第一图像的梯度平均值的均值,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
总评价模块16,用于基于所述第一图像质量评价特征和所述第二图像质量评价特征,对待检测图像进行图像质量评价。如可以基于公式:P=k×S+(1-k)×d,得到待检测图像的图像质量评价指标P,由图像质量评价指标P表明待检测图像的图像质量,如图像质量评价指标P的取值越大,表明待检测图像的图像质量越高,反之表明待检测图像的图像质量越低,其中S为第一图像质量评价特征,d为第二图像质量评价特征,k为加权因子,且0<k<1,发明人经过试验发现k的取值对本实施例提供的图像质量评价方法的性能影响很小,由此说明本实施例提供的图像质量评价方法具有很好的通用性,不会受预设训练集和参考图像的影响,具体说明和过程请参阅上述方法实施例,对此本实施例不再阐述。
从上述技术方案可知,对于任一待检测图像来说,获取模块对该待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像,第一图像特征确定模块确定每个第一图像各自对应的第一图像特征和第二图像特征确定模块确定每个第一图像各自对应的第二图像特征;第一评价模块对每个第一图像各自对应的第一图像特征进行融合,得到待检测图像的第一图像质量评价特征,第二评价模块基于每个第一图像各自对应的第二图像特征,得到待检测图像的第二图像质量评价特征,总评价模块基于第一图像质量评价特征和第二图像质量评价特征,对待检测图像进行图像质量评价,由此可以通过一种图像质量评价装置的获取模块、第一图像模块、第一评价模块、第二图像模块、第二评价模块和总评价模块,使得可以提高图像质量评价的准确度。
此外,本发明实施例还提供一种存储介质,该存储介质上存储有计算机程序代码,该计算机程序代码执行时实现上述图像质量评价方法。
本发明实施例还提供一种图像质量评价设备,该图像质量评价设备包括处理器和存储器,其中处理器运行时实现上述图像质量评价方法,存储器用于存储待检测图像的图像质量评价结果。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种图像质量评价方法,其特征在于,所述方法包括:
对待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像;
确定每个第一图像各自对应的第一图像特征,并对所述每个第一图像各自对应的第一图像特征进行融合,得到所述待检测图像的第一图像质量评价特征;
确定每个第一图像各自对应的第二图像特征,并基于每个第一图像各自对应的第二图像特征,得到所述待检测图像的第二图像质量评价特征,其中所述第二图像特征不同于所述第一图像特征;
基于所述第一图像质量评价特征和所述第二图像质量评价特征,对所述待检测图像进行图像质量评价。
2.根据权利要求1所述的方法,其特征在于,所述确定每个第一图像各自对应的第一图像特征包括:
分别对每个第一图像进行特征提取,得到每个第一图像各自对应的至少一种初始特征向量;
对所述每个第一图像各自对应的至少一种初始特征向量进行处理,得到所述每个第一图像各自对应的至少一种处理后的特征向量;
对每个第一图像各自对应的至少一种处理后的特征向量:将该第一图像对应的至少一种处理后的特征向量确定为该第一图像对应的第一图像特征。
3.根据权利要求2所述的方法,其特征在于,所述分别对每个第一图像进行特征提取,得到每个第一图像各自对应的至少一种初始特征向量包括:对每个第一图像分别执行以下步骤:
提取该第一图像中每个像素点的灰度值,基于该第一图像中每个像素点的灰度值,得到该第一图像的初始颜色特征向量;
和/或、
基于该第一图像中每个像素点的灰度值,获得该第一图像的灰度矩阵,并基于该第一图像的灰度矩阵,得到该第一图像的共生矩阵,基于该第一图像的共生矩阵,得到该第一图像的初始纹理特征向量;
和/或、
确定该第一图像的至少一个几何不变炬,并计算所述几何不变炬的矩阵特征向量,将所述几何不变炬的矩阵特征向量确定为该第一图像的初始形状特征向量。
4.根据权利要求1所述的方法,其特征在于,所述每个第一图像各自对应的第一图像特征包括:该第一图像的颜色特征向量、纹理特征向量和形状特征向量中的至少一种;
所述对所述每个第一图像各自对应的第一图像特征进行融合,得到待检测图像的第一图像质量评价特征包括:对所述每个第一图像各自对应的第一图像特征包括的任意一种特征向量:获取所有第一图像的该种特征向量的相似度之和;
在每个第一图像各自对应的第一图像特征包括一种特征向量时,将该种特征向量的相似度之和确定为所述第一图像质量评价特征;
在每个第一图像各自对应的第一图像特征包括至少两种特征向量时,对所述第一图像特征包括的所有特征向量的相似度之和进行融合,得到所述第一图像质量评价特征。
5.根据权利要求1所述的方法,其特征在于,所述确定每个第一图像各自对应的第二图像特征包括:对于每个第一图像执行以下步骤:
获取该第一图像的灰度图像,并基于该第一图像的灰度图像,得到该第一图像对应的N阶曲面,其中N为大于等于2的自然数;
基于该第一图像对应的N阶曲面,确定该第一图像中在梯度方向所成夹角小于预设夹角的所有像素点;
基于在梯度方向所成夹角小于预设夹角的每个像素点的梯度,得到该第一图像的第二图像特征。
6.一种图像质量评价装置,其特征在于,所述装置包括:获取模块、第一图像特征确定模块、第一评价模块、第二图像特征确定模块、第二评价模块和总评价模块;
所述获取模块,用于对待检测图像进行尺度空间变换,得到对应不同尺度空间的至少两个第一图像;
所述第一图像特征确定模块,用于确定每个第一图像各自对应的第一图像特征;
所述第一评价模块,用于对所述每个第一图像各自对应的第一图像特征进行融合;得到所述待检测图像的第一图像质量评价特征;
所述第二图像特征确定模块,用于确定每个第一图像各自对应的第二图像特征;
所述第二评价模块,用于基于每个第一图像各自对应的第二图像特征,得到所述待检测图像的第二图像质量评价特征;
所述总评价模块,用于基于所述第一图像质量评价特征和所述第二图像质量评价特征,对所述待检测图像进行图像质量评价。
7.根据权利要求6所述的装置,其特征在于,所述第一图像特征确定模块包括:第一获取单元、处理单元和第一确定单元;
所述第一获取单元,用于分别对每个第一图像进行特征提取,得到每个第一图像各自对应的至少一种初始特征向量;
所述处理单元,用于对所述每个第一图像各自对应的至少一种初始特征向量进行处理,得到所述每个第一图像各自对应的至少一种处理后的特征向量;
所述第一确定单元,用于对每个第一图像各自对应的至少一种处理后的特征向量:将该第一图像对应的至少一种处理后的特征向量确定为该第一图像对应的第一图像特征。
8.根据权利要求7所述的装置,其特征在于,所述第一获取单元,用于对每个第一步图像行以下操作:
提取该第一图像中每个像素点的灰度值,基于该第一图像中每个像素点的灰度值,得到该第一图像的初始颜色特征向量;
和/或、
基于该第一图像中每个像素点的灰度值,获得该第一图像的灰度矩阵,并基于该第一图像的灰度矩阵,得到该第一图像的共生矩阵,基于该第一图像的共生矩阵,得到该第一图像的初始纹理特征向量;
和/或、
确定该第一图像的至少一个几何不变炬,并计算所述几何不变炬的矩阵特征向量,将所述几何不变炬的矩阵特征向量确定为该第一图像的初始形状特征向量。
9.根据权利要求6所述的装置,其特征在于,所述每个第一图像各自对应的第一图像特征包括:该第一图像的颜色特征向量、纹理特征向量和形状特征向量中的至少一种;
所述第一评价模块包括:第二获取单元和评价单元;
所述第二获取单元,用于对所述每个第一图像各自对应的第一图像特征包括的任意一种特征向量:获取所有第一图像的该种特征向量的相似度之和;
所述评价单元,用于在每个第一图像各自对应的第一图像特征包括一种特征向量时,将该种特征向量的相似度之和确定为所述第一图像质量评价特征;以及用于在每个第一图像各自对应的第一图像特征包括至少两种特征向量时,对所述第一图像特征包括的所有特征向量的相似度之和进行融合,得到所述第一图像质量评价特征。
10.根据权利要求6所述的装置,其特征在于,所述第二图像特征包括:第三获取单元、计算单元和第二确定单元;
所述第三获取单元,用于获取该第一图像的灰度图像,并基于该第一图像的灰度图像,得到该第一图像对应的N阶曲面,其中N为大于等于2的自然数;
所述计算单元,用于基于该第一图像对应的N阶曲面,确定该第一图像中在梯度方向所成夹角小于预设夹角的所有像素点;
所述第二确定单元,用于基于在梯度方向所成夹角小于预设夹角的每个像素点的梯度,得到该第一图像的第二图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353034.3A CN109448037B (zh) | 2018-11-14 | 2018-11-14 | 一种图像质量评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353034.3A CN109448037B (zh) | 2018-11-14 | 2018-11-14 | 一种图像质量评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109448037A true CN109448037A (zh) | 2019-03-08 |
CN109448037B CN109448037B (zh) | 2020-11-03 |
Family
ID=65552783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811353034.3A Active CN109448037B (zh) | 2018-11-14 | 2018-11-14 | 一种图像质量评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109448037B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428412A (zh) * | 2019-07-31 | 2019-11-08 | 北京奇艺世纪科技有限公司 | 图像质量的评价及模型生成方法、装置、设备和存储介质 |
CN110807769A (zh) * | 2019-10-30 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 图像显示控制方法及装置 |
CN111145150A (zh) * | 2019-12-20 | 2020-05-12 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7385627B2 (en) * | 2003-08-08 | 2008-06-10 | Kddi Corporation | Picture feature extraction system and picture quality evaluation system |
CN102421007A (zh) * | 2011-11-28 | 2012-04-18 | 浙江大学 | 基于多尺度结构相似度加权综合的图像质量评价方法 |
CN104008543A (zh) * | 2014-05-12 | 2014-08-27 | 河海大学 | 一种图像融合质量评价方法 |
CN105744256A (zh) * | 2016-03-31 | 2016-07-06 | 天津大学 | 基于图谱视觉显著的立体图像质量客观评价方法 |
CN106791353A (zh) * | 2015-12-16 | 2017-05-31 | 深圳市汇顶科技股份有限公司 | 自动对焦的方法、装置和系统 |
CN106886992A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于饱和度的彩色多曝光融合图像的质量评价方法 |
CN107316323A (zh) * | 2017-06-28 | 2017-11-03 | 北京工业大学 | 基于多尺度分析法建立的无参考图像质量评估方法 |
CN107610110A (zh) * | 2017-09-08 | 2018-01-19 | 北京工业大学 | 一种全局和局部特征相结合的跨尺度图像质量评价方法 |
CN108289222A (zh) * | 2018-01-26 | 2018-07-17 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
-
2018
- 2018-11-14 CN CN201811353034.3A patent/CN109448037B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7385627B2 (en) * | 2003-08-08 | 2008-06-10 | Kddi Corporation | Picture feature extraction system and picture quality evaluation system |
CN102421007A (zh) * | 2011-11-28 | 2012-04-18 | 浙江大学 | 基于多尺度结构相似度加权综合的图像质量评价方法 |
CN104008543A (zh) * | 2014-05-12 | 2014-08-27 | 河海大学 | 一种图像融合质量评价方法 |
CN106791353A (zh) * | 2015-12-16 | 2017-05-31 | 深圳市汇顶科技股份有限公司 | 自动对焦的方法、装置和系统 |
CN105744256A (zh) * | 2016-03-31 | 2016-07-06 | 天津大学 | 基于图谱视觉显著的立体图像质量客观评价方法 |
CN106886992A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于饱和度的彩色多曝光融合图像的质量评价方法 |
CN107316323A (zh) * | 2017-06-28 | 2017-11-03 | 北京工业大学 | 基于多尺度分析法建立的无参考图像质量评估方法 |
CN107610110A (zh) * | 2017-09-08 | 2018-01-19 | 北京工业大学 | 一种全局和局部特征相结合的跨尺度图像质量评价方法 |
CN108289222A (zh) * | 2018-01-26 | 2018-07-17 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
田金沙: "基于人眼视觉特性的图像质量评价方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
穆晶晶: "基于凹点检测与PCA混合降维的气液两相流气泡分割重构与流型识别研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428412A (zh) * | 2019-07-31 | 2019-11-08 | 北京奇艺世纪科技有限公司 | 图像质量的评价及模型生成方法、装置、设备和存储介质 |
CN110428412B (zh) * | 2019-07-31 | 2022-06-03 | 北京奇艺世纪科技有限公司 | 图像质量的评价及模型生成方法、装置、设备和存储介质 |
CN110807769A (zh) * | 2019-10-30 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 图像显示控制方法及装置 |
CN110807769B (zh) * | 2019-10-30 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 图像显示控制方法及装置 |
CN111145150A (zh) * | 2019-12-20 | 2020-05-12 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
CN111145150B (zh) * | 2019-12-20 | 2022-11-11 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109448037B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goshtasby | Image registration: Principles, tools and methods | |
CN109448037A (zh) | 一种图像质量评价方法及装置 | |
Sobey et al. | Measurement of optical flow by a generalized gradient scheme | |
Brunet et al. | Monocular template-based 3D surface reconstruction: Convex inextensible and nonconvex isometric methods | |
CN109902585B (zh) | 一种基于图模型的手指三模态融合识别方法 | |
Lisani et al. | On the theory of planar shape | |
CN107301643A (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
Ullman | Three-dimensional object recognition | |
US8126275B2 (en) | Interest point detection | |
Kalitzin et al. | A computational method for segmenting topological point-sets and application to image analysis | |
US11495049B2 (en) | Biometric feature reconstruction method, storage medium and neural network | |
Nordberg et al. | Representation and learning of invariance | |
Hömke et al. | Total variation based image registration | |
Cottet et al. | Nonlinear PDE operators with memory terms for image processing | |
CN111028143B (zh) | 一种对图像不同比例变换不变特征的设计方法 | |
Amimi et al. | Differential geometry for characterizing 3D shape change | |
Rosman et al. | Topologically constrained isometric embedding | |
RU2538319C1 (ru) | Устройство поиска дубликатов изображений | |
CN110619624A (zh) | 一种图像分解方法及装置 | |
Penna | The incremental approximation of nonrigid motion | |
Jin et al. | An adaptive VPDE image denoising model based on structure tensor | |
CN108364013A (zh) | 基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统 | |
Arnspang | Motion constraint equations based on constant image irradiance | |
Liu et al. | Recognition of motion blurred iris images |
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 |