CN110428383B - 一种基于模糊检测概率的移动巡检模糊图像质量修正方法 - Google Patents
一种基于模糊检测概率的移动巡检模糊图像质量修正方法 Download PDFInfo
- Publication number
- CN110428383B CN110428383B CN201910726253.XA CN201910726253A CN110428383B CN 110428383 B CN110428383 B CN 110428383B CN 201910726253 A CN201910726253 A CN 201910726253A CN 110428383 B CN110428383 B CN 110428383B
- Authority
- CN
- China
- Prior art keywords
- image
- fuzzy
- detection probability
- inspection
- point
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012937 correction Methods 0.000 title claims abstract description 21
- 238000013441 quality evaluation Methods 0.000 claims abstract description 23
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004438 eyesight Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
Abstract
本发明涉及一种基于模糊检测概率的移动巡检模糊图像质量修正方法,属于图像质量修正技术领域,解决了现有技术无法对移动巡检模糊图像进行有效的质量评价并修正的问题。该方法包括如下步骤:对移动巡检模糊图像进行再模糊处理,对获得的参考图像进行边缘检测,获得参考图像模糊检测概率;对移动巡检模糊图像进行显著特征提取,根据显著特征提取结果确定显著阈值,根据该显著阈值将移动巡检模糊图像二值化,对获得的二值化图像进行边缘检测,获得二值化图像模糊检测概率;建立包含参考图像模糊检测概率、二值化图像模糊检测概率二者关系的图像质量评价模型,判断移动巡检模糊图像质量是否合格,如果不合格,修正摄像头参数,重新判断,直到合格为止。
Description
技术领域
本发明涉及图像质量修正技术领域,尤其涉及一种基于模糊检测概率的移动巡检模糊图像质量修正方法。
背景技术
目前,我国的石油、天燃气、自来水、电力的线路、管道检测主要依靠人工定期巡检。
移动巡检系统具有传统人工巡检无法比拟的优越性,能够使业务处理摆脱了时间和场所局限,有效提高巡检效率,推动企业效益快速增长。但其在巡检过程中图像压缩和传输时均会产生不同程度的失真,导致工作人员对巡检结果产生错误的认知,因此,对移动巡检模糊图像进行质量评价并修正质量显得尤为重要。
图像边缘模糊是人眼对模糊图像最明显的视觉感知。图像边缘模糊会导致图像的边缘向周围扩展,造成图像边缘信息发生变化。现有图像评价方法忽略了人眼视觉特性中的重要一点,当模糊概率低于最小可见模糊概率(JNB)时,人眼将无法识别该模糊,导致最终图像清晰度偏小,并且,其将评价重点都放在了评价边缘的模糊上,忽略了人眼视觉关注的重要意义。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种基于模糊检测概率的移动巡检模糊图像质量修正方法,用以解决现有技术无法对移动巡检模糊图像进行有效的质量评价并修正的问题。
一方面,本发明实施例提供了一种基于模糊检测概率的移动巡检模糊图像质量修正方法,包括如下步骤:
对移动巡检模糊图像进行再模糊处理,对再模糊处理获得的参考图像进行边缘检测,获得参考图像模糊检测概率;
对移动巡检模糊图像进行显著特征提取,根据显著特征提取结果确定显著阈值,根据该显著阈值将移动巡检模糊图像二值化,对获得的二值化图像进行边缘检测,获得二值化图像模糊检测概率;
根据建立的包含参考图像模糊检测概率、二值化图像模糊检测概率二者关系的图像质量评价模型,判断所述移动巡检模糊图像质量是否合格,如果不合格,修正摄像头参数,重新判断,直到合格为止。
上述技术方案的有益效果如下:对移动巡检模糊图像进行了再模糊处理,能够有效排除低于最小可见模糊的干扰。将再模糊处理获得的参考图像的模糊检测概率与二值化图像的模糊检测概率相结合,作为图像质量评价模型的一环,能够使质量评价得到的结果更加贴近图像真实清晰度,从而提高算法准确性。同时,将反映人眼视觉关注特性的图像显著性引入评价算法,以此排除模糊背景对评价结果的影响,提高了算法结果与主观评价结果的一致性。根据评价结果修正摄像头参数,能够获得质量合格的移动巡检模糊图像,更加贴合用户需求,有利于提升用户体验。
基于上述方法的进一步改进,所述再模糊处理包括:对移动巡检模糊图像进行高斯滤波得到所述参考图像。
上述进一步改进方案的有益效果是:高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,对于抑制服从正态分布的噪声非常有效,非常适用于上述方案。高斯模板的中心值最大,四周逐渐减小,经大量试验证明,比现有技术常采用的均值滤波效果更好。
进一步,所述对再模糊处理获得的参考图像进行边缘检测,进一步包括如下步骤:
通过边缘梯度检测方法获得参考图像中目标边缘的位置,进而获得目标边缘点宽度ω(xi);
根据上述目标边缘点宽度ω(xi),通过下面公式计算参考图像的模糊检测概率δx
其中
式中,xi为参考图像中目标边缘点,ω(xi)为目标边缘点宽度,ωJNB(xi)为P(xi)=63%时的目标边缘点宽度,SDSP(xi)为移动巡检模糊图像中各边缘点xi的显著值,β为取值范围3.4~3.8的预设参数。
上述进一步改进方案的有益效果是:充分考虑了人眼视觉关注特性,在计算参考图像的模糊检测概率时引入了SDSP(xi),并且给定了区分阈值63%,经大量试验证明,有助于进行准确的图像质量评价,并进行准确的质量修正。
进一步,通过边缘梯度检测方法获得参考图像中目标边缘的位置,进一步包括如下步骤:
对参考图像进行分块,获得每一分块的像素值矩阵A;
通过下面卷积公式获得每一分块的横向梯度GX和纵向梯度GY
根据上述GX和GY,通过下面公式获得每一分块的总梯度G
通过上述G识别参考图像中目标边缘的位置,如果上述G大于预设阈值,判定对应分块为边缘块,将其作为参考图像中目标边缘一点。
上述进一步改进方案的有益效果是:能够准确地分析图像的梯度,并消除噪声,因此能够准确地识别图像中目标边缘的位置,相比现有技术,能够获得效果更好的图像质量评价模型,可以提升后续图像质量修正效果。
进一步,获得参考图像中目标边缘的位置后,通过下面步骤进一步获得目标边缘点宽度ω(xi):
根据参考图像中目标边缘的位置,确定对应的移动巡检模糊图像中像素点位置;
将移动巡检模糊图像转换成灰度图像,根据其灰度变化,确定该像素点位置在水平或垂直方向上两侧距离最近的像素极值;
将所述两侧距离最近的像素极值所在位置作为目标边缘的起点和终点,将所述起点和终点坐标差值作为目标边缘点宽度ω(xi)。
上述进一步改进方案的有益效果是:只统计了目标边缘点两侧距离最近的像素极值,作为边缘点起点和终点,进而计算目标边缘点宽度,经大量试验证明,使得边缘点宽度计算结果较为精准,继而能够更加准确地衡量模糊检测概率,且减少了计算量。
进一步,通过下面公式对移动巡检模糊图像进行显著特征提取
SSDSP(x)=SF(x)·SC(x)·SD(x)
式中,SSDSP(x)为移动巡检模糊图像各像素点的显著值,SF(x)为频率先验,SC(x)为色彩先验,SD(x)为位置先验,x为移动巡检模糊图像对应的的像素点矩阵。
上述进一步改进方案的有益效果是:频率先验是模拟人眼视觉系统对显著物体的检测,进行了滤波,色彩先验是模拟人眼更容易被暖色调吸引的视觉特性,位置先验是模拟人体可能更关注图像的中心区域的视觉特性。通过频率先验、色彩先验、位置先验能够更加贴合人眼识别,使得整个过程识别准确率更高。
进一步,所述根据显著特征提取结果确定显著阈值,进一步包括如下步骤:
将移动巡检模糊图像像素点显著值SSDSP(x)求均值,获得初始阈值R0;
根据初始阈值R0将所有像素点分成两类,再次计算两类像素点显著值的均值,通过如下公式获得改进阈值R1
根据改进阈值R1确定显著阈值,若R1=R0或R1-R0<0.2,则将R1判定为显著阈值;否则,将初始阈值R0重置为上述获得的R1,重新分类并计算改进阈值,直到R1=R0或R1-R0<0.2,将获得的R1作为显著阈值。
上述进一步改进方案的有益效果是:设置显著阈值的方式较现有技术更加精准,可以更有效地得到目标所在区域,能够更加准确地衡量移动训练模糊图像的模糊程度质量,进而提高图像质量评价的准确性。
进一步,通过下面公式将移动巡检模糊图像二值化
上述进一步改进方案的有益效果是:上述R的获取方式是发明人经过大量试验总结出的规律性成果,直接应用,能够有效减少设计成本,并提高模糊图像质量评价的准确性。
进一步,所述对获得的二值化图像进行边缘检测,进一步包括如下步骤:
通过边缘梯度检测方法获得二值化图像中目标边缘的位置,进而获得目标边缘点宽度ω(yi);
根据上述目标边缘点宽度ω(yi),通过下面公式计算参考图像的模糊检测概率δy
其中
式中,yi为二值化图像中的目标边缘点,ω(yi)为目标边缘点宽度,ωJNB(yi)为Q(yi)=63%时的目标边缘点宽度,β'为取值范围3.4~3.8的预设参数。
上述进一步改进方案的有益效果是:考虑到到图像的失真,设置阈值对检测概率Q(yi)进行了处理,有利于获取参考图像的准确的模糊检测概率,进而能够有效提升图像质量评价方法的准确性。
进一步,所述图像质量评价模型为
式中,Q'为当前移动巡检模糊图像评价结果,Qs为预设评价阈值,c2为事先训练获得的拟合参数。
满足上面质量评价模型中的不等式判定图像质量合格;否则,判定图像质量不合格;
所述摄像头参数包括焦距、分辨率、光圈。
上述进一步改进方案的有益效果是:上述公式是发明人经过大量试验总结出的规律性成果,直接应用,能够缩短设计时间,减少成本。并且,所述图像质量评价模型考了个多方面的特征,能够较全面地评价当前图像的质量。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例1方法步骤示意图;
图2为本发明实施例1方法流程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例,公开了一种基于模糊检测概率的移动巡检模糊图像质量修正方法,如图1和图2所示,包括如下步骤:
S1.对移动巡检模糊图像进行再模糊处理,对再模糊处理获得的参考图像进行边缘检测,获得参考图像模糊检测概率;
S2.对移动巡检模糊图像进行显著特征提取,根据显著特征提取结果确定显著阈值,根据该显著阈值将移动巡检模糊图像二值化,对获得的二值化图像进行边缘检测,获得二值化图像模糊检测概率;
S3.根据建立的包含参考图像模糊检测概率、二值化图像模糊检测概率二者关系的图像质量评价模型,判断所述移动巡检模糊图像质量是否合格,如果不合格,修正摄像头参数,重新判断,直到合格为止。
与现有技术相比,对移动巡检模糊图像进行了再模糊处理,能够有效排除低于最小可见模糊的干扰。然后,将再模糊后获得参考图像模糊检测概率与二值化图像模糊检测概率相结合,作为图像质量评价模型的一环,能够使质量评价得到的结果更加贴近图像真实清晰度,从而提高算法准确性。同时,将反映人眼视觉关注特性的图像显著性引入评价算法,以此排除模糊背景对评价结果的影响,提高了算法结果与主观评价结果的一致性。根据评价结果修正摄像头参数,能够获得质量合格的移动巡检模糊图像,更加贴合用户需求,有利于提升用户体验。
实施例2
在实施例1的基础上进行优化,步骤S1中所述再模糊处理进一步包括:
S11.对移动巡检模糊图像进行高斯滤波得到所述参考图像。
优选地,步骤S1中,所述对再模糊处理获得的参考图像进行边缘检测,进一步包括如下步骤:
S12.通过边缘梯度检测方法获得参考图像中目标边缘的位置,进而获得目标边缘点宽度ω(xi)。xi为检测获得的参考图像中第i个目标边缘点。
S13.根据上述目标边缘点宽度ω(xi),通过下面公式计算参考图像的模糊检测概率δx
其中
式中,ω(xi)为目标边缘点宽度,ωJNB(xi)为P(xi)=63%时的目标边缘点宽度,SDSP(xi)为移动巡检模糊图像中各边缘点xi的显著值,β为取值范围3.4~3.8的预设参数。优选地,β取3.6。
值得注意的是,由于参考图像像素点和移动巡检模糊图像像素点一一对应,为了简化计算,SDSP(xi)采用的是移动巡检模糊图像各边缘点xi的显著值。
优选地,上述SDSP(xi)可通过下面公式确定
SSDSP(xi)=SF(xi)·SC(xi)·SD(xi) (4)
式中,SF(xi)为频率先验,SC(xi)为色彩先验,SD(xi)为位置先验。
上述SF(xi)、SC(xi)、SD(xi)的计算方法参见后文步骤S2对移动巡检模糊图像进行显著特征提取的方法。
优选地,步骤S12中,所述通过边缘梯度检测方法获得参考图像中目标边缘的位置,进一步包括如下步骤:
S121.对参考图像进行分块,获得每一分块的像素值矩阵A。
S122.通过下面卷积公式获得每一分块的横向梯度GX和纵向梯度GY
S123.根据上述GX和GY,通过下面公式获得每一分块的总梯度G
S124.通过上述G识别参考图像中目标边缘的位置,如果上述G大于预设阈值,判定对应分块为边缘块,其作为参考图像中目标边缘一点。
优选地,步骤S12中,获得参考图像中目标边缘的位置后,通过下面步骤进一步获得目标边缘点宽度ω(xi):
S125.根据参考图像中目标边缘的位置,确定对应的移动巡检模糊图像中像素点位置。
S126.将移动巡检模糊图像转换成灰度图像,根据其灰度变化,确定该像素点位置在水平或垂直方向上两侧距离最近的像素极值。一般,只有一侧存在极值。所述像素极值为极大值或极小值,并且,两侧同取极大值或极小值。
S127.将所述两侧距离最近的像素极值所在位置作为目标边缘的起点和终点,将所述起点和终点坐标差值作为目标边缘点宽度ω(xi)。
优选地,步骤S2中,(步骤S21)通过下面公式对移动巡检模糊图像进行显著特征提取
SSDSP(x)=SF(x)·SC(x)·SD(x) (6)
式中,SSDSP(x)为移动巡检模糊图像各像素点的显著值,SF(x)为频率先验,SC(x)为色彩先验,SD(x)为位置先验,x为移动巡检模糊图像对应的的像素点矩阵。
变量SF(x)可通过如下步骤获得:
S211.对所述宏块进行Lab颜色空间转换,获得三色通道中的L通道、a通道和b通道。
S212.根据上述获得的三色通道,结合带通滤波,通过下面公式获得频率先验SF(x)
其中
g(x)=f(G(u)) (8)
式中,u=(u,v)∈R2为像素点的频域坐标,ω0为带通滤波器的中心频率,σF为控制滤波的带宽,f()为反傅里叶变换函数。
变量SC(x)可通过如下步骤获得:
S213.对a通道和b通道中各像素点的像素值分别进行归一化处理
式中,fa(x)和fb(x)分别为a通道和b通道的像素值,min a和min b分别为fa(x)和fb(x)中的最小值,max a和max b分别表示fa(x)和fb(x)中的最大值。
通过上面归一化,将所有像素点值归一化到(fan,fbn)∈[0,1]×[0,1]范围内。其中,值为(1,1)的表示色调最暖、显著性最高的像素点,同样,值为(0,0)的表示色调最冷、显著性最低的像素点。
S214.根据上述获得的fan(x)和fbn(x),通过下面公式得出色彩先验SC(x)
式中,σC为根据需求设置的一常数。
变量SD(x)可通过下面公式获得
式中,σD为根据需求设置的一常数,c为图像的中心点。
优选地,步骤S2中,所述根据显著特征提取结果确定显著阈值,进一步包括如下步骤:
S22.将移动巡检模糊图像像素点显著值SSDSP(x)求均值,获得初始阈值R0
式中,n为移动巡检模糊图像像素点个数。
S23.根据初始阈值R0将所有像素点分成两类,再次计算两类像素点显著值的均值,通过如下公式获得改进阈值R1
S24.根据改进阈值R1确定显著阈值,若R1=R0或R1-R0<0.2,则将R1判定为显著阈值;否则,将初始阈值R0重置为上述获得的R1,重新分类并计算改进阈值,直到R1=R0或R1-R0<0.2,将获得的R1作为显著阈值。
优选地,通过下面公式将移动巡检模糊图像二值化
优选地,所述对获得的二值化图像进行边缘检测,进一步包括如下步骤:
S25.通过边缘梯度检测方法获得二值化图像中目标边缘的位置,进而获得目标边缘点宽度ω(yi)。
S26.根据上述目标边缘点宽度ω(yi),通过下面公式计算参考图像的模糊检测概率δy
其中
式中,yi为二值化图像目标边缘点,ω(yi)为目标边缘点宽度,ωJNB(yi)为Q(yi)=63%时的边缘宽度,β'为取值范围3.4~3.8的预设参数。
优选地,步骤S3中,所述图像质量评价模型为
式中,Q'为当前移动巡检模糊图像评价结果,Qs为预设评价阈值,c2为事先训练获得的拟合参数。
具体地,所述事先训练可采用如下方法:采集多组图像数据,通过专家打分获得Q',通过上述方法获得δx和δx,通过上述公式可获得c2。所述Qs可根据专家经验设置。
满足上面质量评价模型中的不等式判定图像质量合格;否则,判定图像质量不合格。
所述摄像头参数包括焦距、分辨率、光圈。
与实施例1相比,本实施例提供的方法综合了视觉显著性、图像失真特征,能够更加准确地评价当前移动巡检模糊图像的质量,进而精准地修正摄像头参数,获得良好的图像拍摄效果。并且,给出了计算图像参考图像模糊检测概率、二值化图像模糊检测概率的公式,并进一步给出了包含二者关系的图像质量评价模型,直接应用能够缩减设计成本和设计周期,准确姓高、用户体验效果好。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于模糊检测概率的移动巡检模糊图像质量修正方法,其特征在于,包括如下步骤:
对移动巡检模糊图像进行再模糊处理,对再模糊处理获得的参考图像进行边缘检测,获得参考图像模糊检测概率;
对移动巡检模糊图像进行显著特征提取,根据显著特征提取结果确定显著阈值,根据该显著阈值将移动巡检模糊图像二值化,对获得的二值化图像进行边缘检测,获得二值化图像模糊检测概率;
根据建立的包含参考图像模糊检测概率、二值化图像模糊检测概率二者关系的图像质量评价模型,判断所述移动巡检模糊图像质量是否合格,如果不合格,修正摄像头参数,重新判断,直到合格为止。
2.根据权利要求1所述的基于模糊检测概率的移动巡检模糊图像质量修正方法,其特征在于,所述再模糊处理包括:对移动巡检模糊图像进行高斯滤波得到所述参考图像。
5.根据权利要求4所述的基于模糊检测概率的移动巡检模糊图像质量修正方法,其特征在于,获得参考图像中目标边缘的位置后,通过下面步骤进一步获得目标边缘点宽度ω(xi):
根据参考图像中目标边缘的位置,确定对应的移动巡检模糊图像中像素点位置;
将移动巡检模糊图像转换成灰度图像,根据其灰度变化,确定该像素点位置在水平或垂直方向上两侧距离最近的像素极值;
将所述两侧距离最近的像素极值所在位置作为目标边缘的起点和终点,将所述起点和终点坐标差值作为目标边缘点宽度ω(xi)。
6.权利要求1-5之一所述的基于模糊检测概率的移动巡检模糊图像质量修正方法,其特征在于,通过下面公式对移动巡检模糊图像进行显著特征提取
SSDSP(x)=SF(x)·SC(x)·SD(x)
式中,SSDSP(x)为移动巡检模糊图像各像素点的显著值,SF(x)为频率先验,SC(x)为色彩先验,SD(x)为位置先验,x为移动巡检模糊图像对应的的像素点矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726253.XA CN110428383B (zh) | 2019-08-07 | 2019-08-07 | 一种基于模糊检测概率的移动巡检模糊图像质量修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726253.XA CN110428383B (zh) | 2019-08-07 | 2019-08-07 | 一种基于模糊检测概率的移动巡检模糊图像质量修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428383A CN110428383A (zh) | 2019-11-08 |
CN110428383B true CN110428383B (zh) | 2021-10-08 |
Family
ID=68414623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910726253.XA Active CN110428383B (zh) | 2019-08-07 | 2019-08-07 | 一种基于模糊检测概率的移动巡检模糊图像质量修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428383B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106856002A (zh) * | 2016-11-22 | 2017-06-16 | 上海大学 | 一种无人机拍摄图像质量评价方法 |
CN107784651A (zh) * | 2017-10-31 | 2018-03-09 | 中国矿业大学 | 一种基于模糊检测加权的模糊图像质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9542736B2 (en) * | 2013-06-04 | 2017-01-10 | Paypal, Inc. | Evaluating image sharpness |
-
2019
- 2019-08-07 CN CN201910726253.XA patent/CN110428383B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106856002A (zh) * | 2016-11-22 | 2017-06-16 | 上海大学 | 一种无人机拍摄图像质量评价方法 |
CN107784651A (zh) * | 2017-10-31 | 2018-03-09 | 中国矿业大学 | 一种基于模糊检测加权的模糊图像质量评价方法 |
Non-Patent Citations (3)
Title |
---|
A No-Reference Image Blur Metric Based on the Cumulative Probability of Blur Detection (CPBD);Niranjan D. et al.;《IEEE》;20110930;第2678-2683页 * |
The blur effect: perception and estimation with a new no-reference perceptual blur metric;Crete F et al.;《Proc SPIE》;20071231;第6492页 * |
多尺度分块的自适应采样率压缩感知算法;程德强 等;《激光与光电子学进展》;20190228;第56卷(第3期);第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110428383A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN105261013B (zh) | 一种扫描图像质量综合评价方法及评价系统 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN109002823B (zh) | 一种感兴趣区域确定方法、装置、设备及可读存储介质 | |
CN108664839B (zh) | 一种图像处理方法和设备 | |
CN115272280A (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
CN103473776A (zh) | 一种比较图像清晰度的方法、系统及自动聚焦控制方法 | |
JP2013045178A (ja) | 画像処理装置、画像処理方法及びプログラム | |
EP3528205A1 (en) | Method for setting edge blur for edge modeling | |
CN109977882A (zh) | 一种半耦合字典对学习的行人重识别方法及系统 | |
CN110717482B (zh) | 虹膜图像采集方法以及装置、对焦方法以及装置 | |
CN110428383B (zh) | 一种基于模糊检测概率的移动巡检模糊图像质量修正方法 | |
CN110312124B (zh) | 一种基于显著性多特征融合的移动巡检视频质量修正方法 | |
CN108876845B (zh) | 菲涅尔纹中心的确定方法和装置 | |
CN104463812A (zh) | 修复在拍摄时受到雨滴干扰的视频图像的方法 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
CN111738984A (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 | |
CN115660990A (zh) | 基于亮度分类的内窥镜图像镜面反射检测与修复方法 | |
Sonawane et al. | Image quality assessment techniques: An overview | |
Tsai et al. | Foveation-based image quality assessment | |
WO2021189460A1 (zh) | 图像处理方法、装置及可移动平台 | |
CN113888563A (zh) | 基于紫外成像的光斑区域分割方法、系统和计算机设备 |
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 |