CN110415223A - 一种无参考的拼接图像质量评价方法及系统 - Google Patents

一种无参考的拼接图像质量评价方法及系统 Download PDF

Info

Publication number
CN110415223A
CN110415223A CN201910647161.2A CN201910647161A CN110415223A CN 110415223 A CN110415223 A CN 110415223A CN 201910647161 A CN201910647161 A CN 201910647161A CN 110415223 A CN110415223 A CN 110415223A
Authority
CN
China
Prior art keywords
stitching image
pixel
value
clbp
image
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
Application number
CN201910647161.2A
Other languages
English (en)
Other versions
CN110415223B (zh
Inventor
许静
马珍
吝丹
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN201910647161.2A priority Critical patent/CN110415223B/zh
Publication of CN110415223A publication Critical patent/CN110415223A/zh
Application granted granted Critical
Publication of CN110415223B publication Critical patent/CN110415223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)

Abstract

本发明公开了一种无参考的拼接图像质量评价方法及系统，属于图像处理技术领域。该评价方法包括以下步骤：先计算自适应阈值，并判断拼接图像的细节复杂程度；接着，通过拼接图像的细节复杂程度确定每个像素点的邻域中像素点的个数，并计算得到每个像素点的CLBP窗口梯度差异值；然后，通过计算得到拼接图像的平均CLBP窗口梯度差异值，便可对拼接图像的质量进行评价。本发明提供的拼接图像质量评价方法，通过利用拼接图像的平均CLBP窗口梯度差异值（MCLBP_M值）对拼接图像的质量进行客观性的评价，操作简单，且无需参考图像，就可达到与主观评价结果相一致的评价效果。

Description

一种无参考的拼接图像质量评价方法及系统
技术领域
本发明涉及图像处理技术领域，具体是一种无参考的拼接图像质量评价方法及系统。
背景技术
图像拼接技术，是一种将数张有重叠部分的图像拼成一幅无缝的全景图或高分辨率图像的技术，通过图像拼接技术可以将多张图像拼接形成拼接图像。由于受图像拼接技术的限制，拼接图像的图像质量可能会存在一定的缺陷，故往往需要对拼接图像进行质量评价，以判断拼接图像的图像质量水平。
然而，传统拼接图像的质量评价方法，是以高质量拼接图像作为参考，然后通过人为主观对拼接图像进行评价的，其不仅操作不方便、效率低下，而且不够客观，对同一拼接图像进行评价，可能会出现多种评价结果。
另外，局部二值模式(Local Binary Patterns，LBP)是计算机视觉领域里用于分类的视觉算子，其通过图像的中心像素点及其邻域的像素点，可以对图像的局部特征进行分析。其中，完整局部二值模式(Complete Local Binary Pattern，CLBP)是一种改进的局部二值模式，其通过CLBP窗口梯度差异描述子，即CLBP窗口梯度差异值(Complete LocalBinary Pattern-Magnitude,CLBP_M)可以对图像的局部特征进行更加准确的分析。
因此，目前急需一种基于CLBP窗口梯度差异值的拼接图像质量评价方法，以客观地对拼接图像的质量进行评价。
发明内容
本发明的目的在于提供一种无参考的拼接图像质量评价方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明实施例提供如下技术方案：
一种无参考的拼接图像质量评价方法，包括以下步骤：
获取拼接图像的行数、列数、总像素点个数以及各个像素点的灰度值；
根据总像素点个数和各个像素点的灰度值，计算得到自适应阈值；
根据自适应阈值判断拼接图像的细节复杂程度；
通过拼接图像的细节复杂程度确定每个像素点的邻域中像素点的个数，并根据每个像素点的邻域中像素点的个数，计算得到每个像素点的CLBP窗口梯度差异值；
根据拼接图像的行数、列数以及每个像素点的CLBP窗口梯度差异值，计算得到拼接图像的平均CLBP窗口梯度差异值；
通过拼接图像的平均CLBP窗口梯度差异值对拼接图像的质量进行评价。
本发明实施例提供的一种优选方案，所述的步骤中，自适应阈值记为c′，所述自适应阈值c′的计算公式为：
mp＝|gp-gc|；
其中，gp为邻域像素点的灰度值；gc为中心像素点的灰度值；P为邻域中像素点的个数；N为总像素点个数；所述自适应阈值c′的计算公式在计算时，P取值为9。
本发明实施例提供的另一种优选方案，所述的步骤中，若自适应阈值c′＞4.5，拼接图像为大量细节图像；若自适应阈值c′≤4.5，拼接图像为中等细节图像或少量细节图像。
本发明实施例提供的另一种优选方案，所述的步骤中，每个像素点的CLBP窗口梯度差异值记为CLBP_MP,R(gc)，所述每个像素点的CLBP窗口梯度差异值CLBP_MP,R(gc)的计算公式为：
mp＝|gp-gc|；
其中，若拼接图像为大量细节图像，P取值为9；若拼接图像为中等细节图像或少量细节图像，P取值为25。
本发明实施例提供的另一种优选方案，所述的步骤中，拼接图像的平均CLBP窗口梯度差异值记为MCLBP_M，所述拼接图像的平均CLBP窗口梯度差异值MCLBP_M的计算公式为：
其中，H为拼接图像的行数；L为拼接图像的列数。
本发明实施例还提供了一种无参考的拼接图像质量评价系统，其包括：
获取模块，用于获取拼接图像的行数、列数、总像素点个数以及各个像素点的灰度值；
第一计算模块，用于根据总像素点个数和各个像素点的灰度值，计算得到自适应阈值；
判断模块，用于根据自适应阈值判断拼接图像的细节复杂程度；
第二计算模块，用于通过拼接图像的细节复杂程度确定每个像素点的邻域中像素点的个数，并根据每个像素点的邻域中像素点的个数，计算得到每个像素点的CLBP窗口梯度差异值；
第三计算模块，用于根据拼接图像的行数、列数以及每个像素点的CLBP窗口梯度差异值，计算得到拼接图像的平均CLBP窗口梯度差异值；
评价模块，用于通过拼接图像的平均CLBP窗口梯度差异值对拼接图像的质量进行评价。
本发明实施例的提供的上述技术方案，相比于现有技术，具有以下技术效果：
本发明实施例提供的拼接图像质量评价方法，通过利用拼接图像的平均CLBP窗口梯度差异值(MCLBP_M值)对拼接图像的质量进行客观性的评价，操作简单，且无需参考图像，就可达到与主观评价结果相一致的评价效果。
附图说明
图1为拼接质量较高的拼接图像。
图2为水平错位1个像素的拼接图像(相比于图1)。
图3为水平错位2个像素的拼接图像(相比于图1)。
图4为水平错位3个像素的拼接图像(相比于图1)。
图5为水平错位4个像素的拼接图像(相比于图1)。
图6为水平错位5个像素的拼接图像(相比于图1)。
图7为水平错位6个像素的拼接图像(相比于图1)。
图8为水平错位7个像素的拼接图像(相比于图1)。
图9为水平错位8个像素的拼接图像(相比于图1)。
图10为水平错位9个像素的拼接图像(相比于图1)。
图11为水平错位10个像素的拼接图像(相比于图1)。
图12为垂直错位1个像素的拼接图像(相比于图1)。
图13为垂直错位2个像素的拼接图像(相比于图1)。
图14为垂直错位3个像素的拼接图像(相比于图1)。
图15为垂直错位4个像素的拼接图像(相比于图1)。
图16为垂直错位5个像素的拼接图像(相比于图1)。
图17为垂直错位6个像素的拼接图像(相比于图1)。
图18为垂直错位7个像素的拼接图像(相比于图1)。
图19为垂直错位8个像素的拼接图像(相比于图1)。
图20为垂直错位9个像素的拼接图像(相比于图1)。
图21为垂直错位10个像素的拼接图像(相比于图1)。
图22为亮度差异增加10％的拼接图像(相比于图1)。
图23为亮度差异增加20％的拼接图像(相比于图1)。
图24为亮度差异增加30％的拼接图像(相比于图1)。
图25为亮度差异增加40％的拼接图像(相比于图1)。
图26为亮度差异增加50％的拼接图像(相比于图1)。
图27为亮度差异增加60％的拼接图像(相比于图1)。
图28为亮度差异增加70％的拼接图像(相比于图1)。
图29为亮度差异减少10％的拼接图像(相比于图1)。
图30为亮度差异减少20％的拼接图像(相比于图1)。
图31为亮度差异减少30％的拼接图像(相比于图1)。
图32为亮度差异减少40％的拼接图像(相比于图1)。
图33为亮度差异减少50％的拼接图像(相比于图1)。
图34为亮度差异减少60％的拼接图像(相比于图1)。
图35为亮度差异减少70％的拼接图像(相比于图1)。
图36为一种无参考的拼接图像质量评价系统的结构示意图。
具体实施方式
下面的具体实施例是结合本说明书中提供的附图对本申请的技术方案作出的具体、清楚的描述。其中，说明书的附图只是为了用于将本申请的技术方案呈现得更加清楚明了，并不代表实际生产或使用中的形状或大小，以及也不能将附图的标记作为所涉及的权利要求的限制。
实施例1
该实施例提供了一种无参考的拼接图像质量评价方法，其包括以下步骤：
(1)获取待评价拼接图像的行数、列数、总像素点个数以及各个像素点的灰度值；具体的，拼接图像的行数记为H，拼接图像的列数记为L，拼接图像的总像素点个数记为N，拼接图像中各个像素点的灰度值记为g，其中，中心像素点的灰度值记为gc，邻域像素点的灰度值记为gp。
(2)根据总像素点个数和各个像素点的灰度值，计算得到自适应阈值；具体的，所述自适应阈值记为c′，其计算公式为：
mp＝|gp-gc|；
其中，gc为中心像素点的灰度值；P为邻域中像素点的个数；N为总像素点个数；该自适应阈值c′的计算公式在计算时，以每个像素点作为中心像素点，其对应的领域中像素点的个数P均取值为9，采用3×3模块进行计算。譬如，可以采用如下3×3模板进行计算：
(3)根据上述计算得到的自适应阈值判断拼接图像的细节复杂程度；具体的，若自适应阈值c′＞4.5，拼接图像为大量细节图像，即采用3×3模块对后续的CLBP窗口梯度差异值进行计算；若自适应阈值c′≤4.5，拼接图像为中等细节图像或少量细节图像，即采用5×5模块对后续的CLBP窗口梯度差异值进行计算。
(4)通过拼接图像的细节复杂程度确定每个像素点的邻域中像素点的个数，并根据上述确认的每个像素点的邻域中像素点的个数，计算得到每个像素点的CLBP窗口梯度差异值；具体的，每个像素点的CLBP窗口梯度差异值记为CLBP_MP,R(gc)，所述每个像素点的CLBP窗口梯度差异值CLBP_MP,R(gc)的计算公式为：
mp＝|gp-gc|；
其中，若拼接图像为大量细节图像，P取值为9，即采用3×3模块对后续的CLBP窗口梯度差异值进行计算；若拼接图像为中等细节图像或少量细节图像，P取值为25，即采用5×5模块对后续的CLBP窗口梯度差异值进行计算。譬如，当上述步骤(3)计算得到的c′≤4.5时，P取值为25，可采用如下5×5模块进行计算：
(5)根据拼接图像的行数、列数以及每个像素点的CLBP窗口梯度差异值，计算得到拼接图像的平均CLBP窗口梯度差异值；具体的，拼接图像的平均CLBP窗口梯度差异值记为MCLBP_M，所述拼接图像的平均CLBP窗口梯度差异值MCLBP_M的计算公式为：
其中，H为拼接图像的行数；L为拼接图像的列数。
(6)通过拼接图像的平均CLBP窗口梯度差异值对拼接图像的质量进行评价，评价时无需参考图像，针对同一场景的拼接图像，MCLBP_M越大说明拼接图像质量越差。
具体的，为了验证MCLBP_M评价方法的效果，在矩阵实验室(Matrix Laboratory，Matlab)平台下用包含少量细节的拼接图像为例进行验证。
参照附图1，图1为拼接质量较好的拼接图像，其MCLBP_M值为1.0671e+003。另外，参照附图2-11，相比于图1，图2-图11分别为不同程度水平像素错位的拼接图像，其分别对应的MCLBP_M值如下表1：
表1
待评价拼接图像 MCLBP_M值
图2 1.0682e+003
图3 1.0693e+003
图4 1.0704e+003
图5 1.0715e+003
图6 1.0726e+003
图7 1.0736e+003
图8 1.0747e+003
图9 1.0758e+003
图10 1.0769e+003
图11 1.0780e+003
从上表1可以知道，在拼接水平错位的情况下，利用MCLBP_M值对拼接图像进行评价的结果与人的主观感受相一致。
另外，参照附图12-21，相比于图1，图12-图21分别为不同程度垂直像素错位的拼接图像，其分别对应的MCLBP_M值如下表2：
表2
从上表2可以知道，在拼接垂直错位的情况下，利用MCLBP_M值对拼接图像进行评价的结果与人的主观感受相一致。
另外，参照附图22-28，相比于图1，图22-图28分别为不同程度亮度差异增加的拼接图像，其分别对应的MCLBP_M值如下表3：
表3
待评价拼接图像 MCLBP_M值
图22 1.0832e+003
图23 1.0843e+003
图24 1.0852e+003
图25 1.0885e+003
图26 1.0886e+003
图27 1.0888e+003
图28 1.0889e+003
从上表3可以知道，在亮度差异增加的情况下，利用MCLBP_M值对拼接图像进行评价的结果与人的主观感受相一致。
另外，参照附图29-35，相比于图1，图29-图35分别为不同程度亮度差异减少的拼接图像，其分别对应的MCLBP_M值如下表4：
表4
从上表4可以知道，在亮度差异减少的情况下，利用MCLBP_M值对拼接图像进行评价的结果与人的主观感受相一致。
综上所述，本发明实施例提供的拼接图像质量评价方法，通过利用拼接图像的平均CLBP窗口梯度差异值(MCLBP_M值)对拼接图像的质量进行客观性的评价，操作简单，且无需参考图像，就可达到与主观评价结果相一致的评价效果。
实施例2
参照附图36，该实施例提供了一种实现上述无参考的拼接图像质量评价方法的系统，其包括：获取模块、第一计算模块、判断模块、第二计算模块、第三计算模块和评价模块。其中，获取模块，用于获取拼接图像的行数、列数、总像素点个数以及各个像素点的灰度值；第一计算模块，用于根据总像素点个数和各个像素点的灰度值，计算得到自适应阈值；判断模块，用于根据自适应阈值判断拼接图像的细节复杂程度；第二计算模块，用于通过拼接图像的细节复杂程度确定每个像素点的邻域中像素点的个数，并根据每个像素点的邻域中像素点的个数，计算得到每个像素点的CLBP窗口梯度差异值；第三计算模块，用于根据拼接图像的行数、列数以及每个像素点的CLBP窗口梯度差异值，计算得到拼接图像的平均CLBP窗口梯度差异值；评价模块，用于通过拼接图像的平均CLBP窗口梯度差异值对拼接图像的质量进行评价。
需要说明的是，该实施例提供的评价系统的具体评价方法与上述实施例1一样，在这边就不作赘述了。
此外，上述实施例只是针对本申请的技术方案和技术特征进行具体、清楚的描述。而对于本领域技术人员而言，属于现有技术或者公知常识的方案或特征，在上面实施例中就不作详细地描述了。
当然，本申请的技术方案不只局限于上述的实施例，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，从而可以形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种无参考的拼接图像质量评价方法，其特征在于，包括以下步骤：
获取拼接图像的行数、列数、总像素点个数以及各个像素点的灰度值；
根据总像素点个数和各个像素点的灰度值，计算得到自适应阈值；
根据自适应阈值判断拼接图像的细节复杂程度；
通过拼接图像的细节复杂程度确定每个像素点的邻域中像素点的个数，并根据每个像素点的邻域中像素点的个数，计算得到每个像素点的CLBP窗口梯度差异值；
根据拼接图像的行数、列数以及每个像素点的CLBP窗口梯度差异值，计算得到拼接图像的平均CLBP窗口梯度差异值；
通过拼接图像的平均CLBP窗口梯度差异值对拼接图像的质量进行评价。
2.根据权利要求1所述的一种无参考的拼接图像质量评价方法，其特征在于，所述的步骤中，自适应阈值记为c′，所述自适应阈值c′的计算公式为：
mp＝|gp-gc|；
其中，gp为邻域像素点的灰度值；gc为中心像素点的灰度值；P为邻域中像素点的个数；N为总像素点个数；所述自适应阈值c′的计算公式在计算时，P取值为9。
3.根据权利要求2所述的一种无参考的拼接图像质量评价方法，其特征在于，所述的步骤中，若自适应阈值c′＞4.5，拼接图像为大量细节图像；若自适应阈值c′≤4.5，拼接图像为中等细节图像或少量细节图像。
4.根据权利要求3所述的一种无参考的拼接图像质量评价方法，其特征在于，所述的步骤中，每个像素点的CLBP窗口梯度差异值记为CLBP_MP,R(gc)，所述每个像素点的CLBP窗口梯度差异值CLBP_MP,R(gc)的计算公式为：
mp＝|gp-gc|；
其中，若拼接图像为大量细节图像，P取值为9；若拼接图像为中等细节图像或少量细节图像，P取值为25。
5.根据权利要求4所述的一种无参考的拼接图像质量评价方法，其特征在于，所述的步骤中，拼接图像的平均CLBP窗口梯度差异值记为MCLBP_M，所述拼接图像的平均CLBP窗口梯度差异值MCLBP_M的计算公式为：
其中，H为拼接图像的行数；L为拼接图像的列数。
6.一种无参考的拼接图像质量评价系统，其特征在于，包括：
获取模块，用于获取拼接图像的行数、列数、总像素点个数以及各个像素点的灰度值；
第一计算模块，用于根据总像素点个数和各个像素点的灰度值，计算得到自适应阈值；
判断模块，用于根据自适应阈值判断拼接图像的细节复杂程度；
第二计算模块，用于通过拼接图像的细节复杂程度确定每个像素点的邻域中像素点的个数，并根据每个像素点的邻域中像素点的个数，计算得到每个像素点的CLBP窗口梯度差异值；
第三计算模块，用于根据拼接图像的行数、列数以及每个像素点的CLBP窗口梯度差异值，计算得到拼接图像的平均CLBP窗口梯度差异值；
评价模块，用于通过拼接图像的平均CLBP窗口梯度差异值对拼接图像的质量进行评价。
7.根据权利要求6所述的一种无参考的拼接图像质量评价系统，其特征在于，所述的自适应阈值记为c′，所述自适应阈值c′的计算公式为：
mp＝|gp-gc|；
其中，gp为邻域像素点的灰度值；gc为中心像素点的灰度值；P为邻域中像素点的个数；N为总像素点个数；所述自适应阈值c′的计算公式在计算时，P取值为9。
8.根据权利要求7所述的一种无参考的拼接图像质量评价系统，其特征在于，若所述的自适应阈值c′>4.5，拼接图像为大量细节图像；若所述的自适应阈值c′≤4.5，拼接图像为中等细节图像或少量细节图像。
9.根据权利要求8所述的一种无参考的拼接图像质量评价系统，其特征在于，所述评价系统中的第二计算模块得到的每个像素点的CLBP窗口梯度差异值记为CLBP_MP,R(gc)，所述每个像素点的CLBP窗口梯度差异值CLBP_MP,R(gc)的计算公式为：
mp＝|gp-gc|；
其中，若拼接图像为大量细节图像，P取值为9；若拼接图像为中等细节图像或少量细节图像，P取值为25。
10.根据权利要求9所述的一种无参考的拼接图像质量评价系统，其特征在于，所述评价系统中的第三计算模块得到的拼接图像的平均CLBP窗口梯度差异值记为MCLBP_M，所述拼接图像的平均CLBP窗口梯度差异值MCLBP_M的计算公式为：
其中，H为拼接图像的行数；L为拼接图像的列数。
CN201910647161.2A 2019-07-17 2019-07-17 一种无参考的拼接图像质量评价方法及系统 Active CN110415223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910647161.2A CN110415223B (zh) 2019-07-17 2019-07-17 一种无参考的拼接图像质量评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910647161.2A CN110415223B (zh) 2019-07-17 2019-07-17 一种无参考的拼接图像质量评价方法及系统

Publications (2)

Publication Number Publication Date
CN110415223A true CN110415223A (zh) 2019-11-05
CN110415223B CN110415223B (zh) 2021-10-26

Family

ID=68361827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910647161.2A Active CN110415223B (zh) 2019-07-17 2019-07-17 一种无参考的拼接图像质量评价方法及系统

Country Status (1)

Country Link
CN (1) CN110415223B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968073A (zh) * 2020-07-07 2020-11-20 南昌大学 一种基于纹理信息统计的无参考图像质量评价方法
CN112508038A (zh) * 2020-12-03 2021-03-16 江苏科技大学 一种跨通道局部二值模式的彩色纹理分类方法
CN112565608A (zh) * 2020-12-07 2021-03-26 武汉理工大学 一种船舶全景图像自动拼接系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093419A (zh) * 2011-10-28 2013-05-08 浙江大华技术股份有限公司 一种检测图像清晰度的方法及装置
CN104658002A (zh) * 2015-03-10 2015-05-27 浙江科技学院 一种无参考图像客观质量评价方法
CN106920224A (zh) * 2017-03-06 2017-07-04 长沙全度影像科技有限公司 一种评估拼接图像清晰度的方法
CN107146220A (zh) * 2017-04-14 2017-09-08 西北大学 一种通用型无参考图像质量评价方法
CN107767367A (zh) * 2017-09-26 2018-03-06 天津大学 一种针对hdr图的无参考质量客观评价方法
CN108053396A (zh) * 2017-12-15 2018-05-18 中国矿业大学 一种多失真图像质量的无参考评价方法
CN108681997A (zh) * 2018-04-26 2018-10-19 天津大学 基于改进lbp特征的无参考多失真图像质量评价方法
CN108764277A (zh) * 2018-04-13 2018-11-06 天津大学 一种无参考图像模糊质量评价算法
CN109003265A (zh) * 2018-07-09 2018-12-14 嘉兴学院 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法
CN109344860A (zh) * 2018-08-19 2019-02-15 天津大学 一种基于lbp的无参考图像质量评价方法
CN109615607A (zh) * 2018-11-09 2019-04-12 福建和盛高科技产业有限公司 一种基于单张图像自定义特征的噪声检测方法
CN109801257A (zh) * 2018-12-17 2019-05-24 天津大学 无参考dibr生成图像质量评价方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093419A (zh) * 2011-10-28 2013-05-08 浙江大华技术股份有限公司 一种检测图像清晰度的方法及装置
CN104658002A (zh) * 2015-03-10 2015-05-27 浙江科技学院 一种无参考图像客观质量评价方法
CN106920224A (zh) * 2017-03-06 2017-07-04 长沙全度影像科技有限公司 一种评估拼接图像清晰度的方法
CN107146220A (zh) * 2017-04-14 2017-09-08 西北大学 一种通用型无参考图像质量评价方法
CN107767367A (zh) * 2017-09-26 2018-03-06 天津大学 一种针对hdr图的无参考质量客观评价方法
CN108053396A (zh) * 2017-12-15 2018-05-18 中国矿业大学 一种多失真图像质量的无参考评价方法
CN108764277A (zh) * 2018-04-13 2018-11-06 天津大学 一种无参考图像模糊质量评价算法
CN108681997A (zh) * 2018-04-26 2018-10-19 天津大学 基于改进lbp特征的无参考多失真图像质量评价方法
CN109003265A (zh) * 2018-07-09 2018-12-14 嘉兴学院 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法
CN109344860A (zh) * 2018-08-19 2019-02-15 天津大学 一种基于lbp的无参考图像质量评价方法
CN109615607A (zh) * 2018-11-09 2019-04-12 福建和盛高科技产业有限公司 一种基于单张图像自定义特征的噪声检测方法
CN109801257A (zh) * 2018-12-17 2019-05-24 天津大学 无参考dibr生成图像质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QINGBO WU 等: "Blind Image Quality Assessment Based on Rank-Order Regularized Regression", 《IEEE TRANSACTIONS ON MULTIMEDIA》 *
REZAIE, F. 等: "No-reference image quality assessment using local binary pattern in the wavelet domain", 《MULTIMEDIA TOOLS AND APPLICATIONS VOLUME 77》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968073A (zh) * 2020-07-07 2020-11-20 南昌大学 一种基于纹理信息统计的无参考图像质量评价方法
CN111968073B (zh) * 2020-07-07 2022-07-12 南昌大学 一种基于纹理信息统计的无参考图像质量评价方法
CN112508038A (zh) * 2020-12-03 2021-03-16 江苏科技大学 一种跨通道局部二值模式的彩色纹理分类方法
CN112508038B (zh) * 2020-12-03 2022-11-08 江苏科技大学 一种跨通道局部二值模式的彩色纹理分类方法
CN112565608A (zh) * 2020-12-07 2021-03-26 武汉理工大学 一种船舶全景图像自动拼接系统
CN112565608B (zh) * 2020-12-07 2022-09-27 武汉理工大学 一种船舶全景图像自动拼接系统

Also Published As

Publication number Publication date
CN110415223B (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN110415223A (zh) 一种无参考的拼接图像质量评价方法及系统
CN109409366B (zh) 基于角点检测的畸变图像校正方法及装置
CN105279372B (zh) 一种确定建筑物高度的方法和装置
CN104978715B (zh) 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法
CN106778676B (zh) 一种基于人脸识别及图像处理的注意力评估方法
CN108764065A (zh) 一种行人重识别特征融合辅助学习的方法
CN107543828A (zh) 一种工件表面缺陷检测方法及系统
CN101394573B (zh) 一种基于特征匹配的全景图生成方法及系统
CN110838086B (zh) 一种基于相关性模板匹配的室外图像拼接方法
CN108133216A (zh) 基于机器视觉的可实现小数点读取的数码管读数识别方法
CN107272234A (zh) 一种基于液晶屏测试画面的检测方法及系统
CN106709952B (zh) 一种显示屏幕的自动标定方法
CN104866847A (zh) 一种快速的鲁棒答题卡识别方法
CN104537627B (zh) 一种深度图像的后处理方法
CN110929562A (zh) 一种基于改进Hough变换的答题卡识别方法
CN109035377A (zh) 用于获得适用于激光雕刻的浮雕素描效果图像处理方法
CN109741273A (zh) 一种手机拍照低质图像的自动处理与评分方法
CN109165642B (zh) 一种基于深度学习的增强型答题卡智能识别方法
CN107808382A (zh) 一种基于色彩饱和度信息的pcb条码分割方法
CN110136105B (zh) 一种基于方差和平滑度的同一内容图像的清晰度评价方法
CN113486786B (zh) 一种自动作业批改系统
CN108256475A (zh) 一种票据图像倒置检测方法
CN108647697A (zh) 一种基于改进Hough变换的目标边界检测方法和装置
CN107220900B (zh) 基于中心投影的学生课堂社交网络自动构建方法
CN104112271A (zh) 移动终端外壳侧面缺陷检测方法和系统

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