CN110443783B - 一种图像质量评估方法及装置 - Google Patents

一种图像质量评估方法及装置 Download PDF

Info

Publication number
CN110443783B
CN110443783B CN201910610977.8A CN201910610977A CN110443783B CN 110443783 B CN110443783 B CN 110443783B CN 201910610977 A CN201910610977 A CN 201910610977A CN 110443783 B CN110443783 B CN 110443783B
Authority
CN
China
Prior art keywords
anchor frame
value
image
preset
area
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
Application number
CN201910610977.8A
Other languages
English (en)
Other versions
CN110443783A (zh
Inventor
孙尚勇
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.)
New H3C Security Technologies Co Ltd
Original Assignee
New H3C Security Technologies 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 New H3C Security Technologies Co Ltd filed Critical New H3C Security Technologies Co Ltd
Priority to CN201910610977.8A priority Critical patent/CN110443783B/zh
Publication of CN110443783A publication Critical patent/CN110443783A/zh
Application granted granted Critical
Publication of CN110443783B publication Critical patent/CN110443783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供了一种图像质量评估方法及装置。方案包括：将待检测图像转换为灰度图像；将灰度图像划分为多个分析区域；以多个分析区域的交汇点为中心点，在灰度图像中确定多个锚框区域；计算每一锚框区域中所有像素点的散度的均值和标准差；对于每一锚框区域，若该锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则确定该锚框区域为模糊区域，并根据该锚框区域中所有像素点的散度的均值和散度的标准差，以及预设均值阈值和预设标准差阈值，确定该锚框区域的评分值。应用本申请实施例提供的技术方案，实现了对图像局部区域模糊程度的检测。

Description

一种图像质量评估方法及装置
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像质量评估方法及装置。
背景技术
随着视频监控技术的发展，道路、停车场等公共场所安装的监控摄像机的数量在不断增加，监控摄像机将采集到的图像传输到监控设备。监控设备接收到监控摄像机采集的图像后，对该图像进行处理、分析和理解，以对监控场景中的变化进行定位、识别和跟踪。在上述视频监控的基础上，监控设备分析和判断图像中目标区域或目标对象的变化，在异常情况发生时及时发出警报或提供有用信息，协助安全人员处理安全事件。
为保证监控设备对图像进行有效地处理、分析和理解，要求输入图像的质量要达到一定的清晰度。因此图像的质量分析给监控系统的维护工作带来了新的挑战。
目前，图像的质量分析主要采用以下方式：对待评价图像进行边缘检测，得到边缘像素点；将上述图像划分为边缘块和平滑块；利用上述边缘块中各边缘像素点的局部标准差和权值，得到整个图像的质量分数。采用该方式进行图像质量评估，只能对整个图像的质量进行评估，检测全局模糊的程度，不能检测局部模糊的程度。
发明内容
本申请实施例的目的在于提供一种图像质量评估方法及装置，以实现对图像局部区域模糊程度的检测。具体技术方案如下：
第一方面，本申请实施例提供了一种图像质量评估方法，所述方法包括：
将待检测图像转换为灰度图像；
将所述灰度图像划分为多个分析区域；
以多个分析区域的交汇点为中心点，在所述灰度图像中确定多个锚框区域；
计算每一锚框区域中所有像素点的散度的均值和标准差；
对于每一锚框区域，若该锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则确定该锚框区域为模糊区域，并根据该锚框区域中所有像素点的散度的均值与所述预设均值阈值的比值、以及该锚框区域中所有像素点的散度与所述预设标准差阈值的比值，确定该锚框区域的评分值。
第二方面，本申请实施例提供了一种图像质量评估装置，所述装置包括：
转换单元，用于将待检测图像转换为灰度图像；
第一确定单元，用于将所述灰度图像划分为多个分析区域；
第二确定单元，用于以多个分析区域的交汇点为中心点，在所述灰度图像中确定多个锚框区域；
第一计算单元，用于计算每一锚框区域中所有像素点的散度的均值和标准差；
评估单元，用于对于每一锚框区域，若该锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则确定该锚框区域为模糊区域，并根据该锚框区域中所有像素点的散度的均值与所述预设均值阈值的比值、以及该锚框区域中所有像素点的散度与所述预设标准差阈值的比值，确定该锚框区域的评分值。
第三方面，本申请实施例提供了一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现上述任一所述的方法步骤。
第四方面，本申请实施例提供了一种机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现上述任一所述的方法步骤。
本申请实施例提供的一种图像质量评估方法及装置中，电子设备将灰度图像划分多个分析区域，以多个分析区域的交汇点为中心点，在灰度图像中确定多个锚框区域。若一锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则电子设备可确定该锚框区域为待检测图像中的模糊区域。进而电子设备根据该锚框区域中所有像素点的散度的均值与预设均值阈值的比值、以及该锚框区域中所有像素点的散度与预设标准差阈值的比值，确定该锚框区域的评分值。这实现了对图像局部区域模糊程度的检测。
当然，实施本申请的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的图像质量评估方法的一种流程示意图；
图2a为本申请实施例提供的灰度图像的示意图；
图2b为基于图2a所示灰度图像的分析区域的一种示意图；
图3为基于图2b所示分析区域的锚框区域的一种示意图；
图4为本申请实施例提供的图像质量评估装置的一种结构示意图；
图5为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，图像质量检测方法，只能对整个图像的质量进行评估，检测全局模糊的程度，不能检测局部模糊的程度。
为实现对图像局部区域模糊程度的检测，本申请实施例提供了一种图像质量评估方法。该方法中，电子设备将灰度图像划分多个分析区域，以多个分析区域的交汇点为中心点，在灰度图像中确定多个锚框区域。若一锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则电子设备可确定该锚框区域为待检测图像中的模糊区域。进而电子设备根据该锚框区域中所有像素点的散度的均值与预设均值阈值的比值、以及该锚框区域中所有像素点的散度与预设标准差阈值的比值，确定该锚框区域的评分值。这实现了对图像局部区域模糊程度的检测。
下面通过具体实施例，对本申请实施例提供的图像质量评估方法进行说明。
参考图1，图1为本申请实施例提供的图像质量评估方法的一种流程示意图。该方法可以应用于与监控摄像机连接的电子设备。为便于描述，下面以电子设备为执行主体进行说明。该方法包括如下步骤。
步骤101，将待检测图像转换为灰度图像。
本申请实施例中，待检测图像可以为监控摄像机采集的一张独立的图像，也可以为监控摄像机采集的视频中的一帧图像。当需要对图像进行质量评估时，监控摄像机将采集的图像发送给电子设备。电子设备接收监控摄像机发送的图像作为待检测图像，将待检测图像转换为灰度图像。
任何颜色都由R(Red，红)、G(Green，绿)、B(Blue，蓝)三原色组成，假如，某像素点的颜色为RGB(R，G，B)，电子设备可采用预设转换算法进行Gray(灰度)转换，将该像素点的颜色RGB(R，G，B)转换为新的颜色RGB(Gray，Gray，Gray)。其中，预设转换算法可以包括但不限于：浮点算法、整数算法、移位算法、平均值算法和取绿色方法等。
若预设转换算法为浮点算法，电子设备可确定Gray＝R*0.3+G*0.59+B*0.11。
若预设转换算法为整数算法，电子设备可确定Gray＝(R*30+G*59+B*11)/100。
若预设转换算法为移位算法，电子设备可确定Gray＝R*76+G*151+B*28)>>8。
若预设转换算法为平均值算法，电子设备可确定Gray＝(R+G+B)/3。
若预设转换算法为取绿色方法，电子设备可确定Gray＝G。
步骤102，将灰度图像划分为多个分析区域。
电子设备在获得灰度图像后，将灰度图像划分为多个分析区域。例如，电子设备获取到图2a所示的灰度图像后，将该灰度图像划分为多个分析区域，如图2b所示。图2b中，每一利用白线划分的矩形区域为一个分析区域。
一个可选的实施例中，电子设备中预设有分析区域的高度和宽度，即预设高度和预设宽度。电子设备在获得灰度图像后，基于预设高度和预设宽度，将定灰度图像划分为多个分析区域。
另一个可选的实施例中，为便于分析确定模糊区域，电子设备可采用如下步骤确定灰度图像的多个分析区域。
步骤1021，对灰度图像进行锐化处理，得到锐化图像。
在获得灰度图像后，电子设备可利用预设核函数，对灰度图像进行锐化处理，得到锐化图像。
例如，预设核函数为：
Figure BDA0002122359240000051
基于该预设核函数，电子设备对灰度图像进行锐化处理，该灰度图像中每一像素点进行锐化处理后像素值p0'为：p0'＝5*p0-p1-p2-p3-p4。其中，p0为该像素点的原始像素值，p1为该像素点的左侧的像素点的原始像素值，p2为该像素点的右侧的像素点的原始像素值，p3为该像素点的上侧的像素点的原始像素值，p4为该像素点的下侧的像素点的原始像素值。基于每一像素点进行锐化处理后像素值，电子设备可得到灰度图像的锐化图像。
上述预设核函数可以根据实际需要进行设定。本申请实施例对此不做具体限定。
步骤1022，计算灰度图像的边缘信息与锐化图像的边缘信息的绝对差值，得到差值矩阵。
电子设备提取灰度图像的边缘信息，并提取锐化图像的边缘信息。电子设备计算灰度图像的边缘信息与锐化图像的边缘信息的绝对差值，得到差值矩阵。
步骤1023，计算差值矩阵中所有元素的值的均值，得到矩阵均值。
步骤1024，根据差值矩阵中大于矩阵均值的第一元素值，将所述灰度图像划分为多个分析区域。
可以理解的，模糊区域进行锐化处理后，模糊区域的边缘信息提升较大，也就是，灰度图像中模糊区域的边缘信息与锐化图像中模糊区域的边缘信息的绝对差值较大；正常区域(非模糊区域)进行锐化处理后，正常区域的边缘信息提升较小，灰度图像中正常区域的边缘信息与锐化图像中正常区域的边缘信息的绝对差值较小。因此，差值矩阵中大于矩阵均值的第一元素值的元素所占区域，就可以理解为初步估计的模糊区域。电子设备根据差值矩阵中的第一元素值，确定在灰度图像的高度方向上的划分策略以及在灰度图像的宽度方向上的划分策略，从而将灰度图像划分为多个分析区域。
一个可选的实施例中，电子设备遍历差值矩阵中的所有元素的值，确定差值矩阵中元素值连续为第一元素值的元素的最大高度和元素值连续为第一元素值的元素的最大宽度。电子设备根据最大高度确定灰度图像在高度方向的第一分析区域数量，并根据最大宽度确定灰度图像在宽度方向的第二分析区域数量。在确定第一分析区域数量和第二分析区域数量后，电子设备根据第一分析区域数量和第二分析区域数量，将灰度图像划分为多个分析区域。
一个示例中，电子设备可利用如下公式(1)和(2)，确定第一分析区域数量S1和第二分析区域数量S2。
S1＝ht/hmax (1)
S2＝wt/wmax (2)
公式(1)和(2)中，ht为灰度图像的高度，hmax为元素值连续为第一元素值的元素的最大高度。wt为灰度图像的宽度，wmax为元素值连续为第一元素值的元素的最大宽度。
例如，灰度图像的宽度wt为1960像素，灰度图像的高度ht为980像素。若检测到hmax为245像素，wmax为490像素，则电子设备确定第一分析区域数量S1＝980/245＝4，确定第二分析区域数量S2＝1960/490＝4。进而，电子设备根据S1＝4和S2＝4，从灰度图像中确定多个分析区域。具体的，在高度方向上，每一列包括4个分析区域，即在灰度图像的高度方向上的划分策略为：将该灰度图像的高度四等分，将该灰度图像在高度方向上划分成4个分析区域，等分后的每一分析区域高度为hmax：245像素；在宽度方向上，每一行包括4个分析区域，即在灰度图像的宽度方向上的划分策略为：将该灰度图像的宽度四等分，将该灰度图像在宽度方向上划分成4个分析区域，等分后的每一分析区域宽度为wmax：490像素。经过高度及宽度方向上的区域划分，最终将该灰度图像划分为16个分析区域。
一个可选的实施例中，为便于确定最大高度和最大宽度，电子设备以矩阵均值为阈值，将差值矩阵中大于矩阵均值的第一元素值设置为第一预设值。电子设备遍历差值矩阵每一列，确定差值矩阵中元素值连续为第一预设值的元素的最大高度，并遍历差值矩阵每一行，确定差值矩阵中元素值连续为第一预设值的元素的最大宽度。
电子设备将差值矩阵中大于矩阵均值的元素值的元素均设置为第一预设值。在确定最大高度和最大宽度时，电子设备只需查找第一预设值即可，有效提高了效率。
一个实施例中，为便于确定最大高度和最大宽度，电子设备以矩阵均值为阈值，将差值矩阵中大于矩阵均值的第一元素值设置为第一预设值，将差值矩阵中不大于矩阵均值的第一元素值设置为第二预设值。
在一个示例中，第一预设值可以采用二进制数值，如0或1。例如，第一预设值为1。电子设备以矩阵均值为阈值，将差值矩阵中大于矩阵均值的第一元素值设置为1，将差值矩阵中小于等于矩阵均值的第二元素值设置为0。电子设备遍历差值矩阵每一列，确定差值矩阵中元素值连续为1的元素的最大高度，并遍历差值矩阵每一行，确定差值矩阵中元素值连续为1的元素的最大宽度。
计算机运算基础采用二进制。电子设备将差值矩阵中元素值设置为0或1，便于确定最大高度和最大宽度。
本申请实施例中，电子设备将灰度图像划分为多个分析区域，基于分析区域检测灰度图像中的模糊区域，避免出现漏检的像素点的问题。
步骤103，以多个分析区域的交汇点为中心点，在灰度图像中确定多个锚框区域。
电子设备在确定分析区域后，以多个分析区域的交汇点为中心点，在灰度图像中确定多个锚框区域。灰度图像中交汇点会有多个，如图2b中，黑色的实心圆点为交汇点。以每一交汇点为中心点，电子设备在灰度图像中可确定一个或多个锚框区域。锚框区域为电子设备最终用于分析图像中模糊区域的图像区域。以图2b所示的左上角的交汇点为例，电子设备确定锚框区域，如图3所示。图3中，每个黑色矩形框表示一个锚框区域，电子设备确定了4个锚框区域。
一个可选的实施例中，针对多个分析区域的交汇点中的每一交汇点，电子设备可利用以下公式(3)和(4)，以该交汇点为中心点，在灰度图像中确定锚框区域。其中公式(3)用于计算wm，公式(4)用于计算hm。
Figure BDA0002122359240000081
Figure BDA0002122359240000082
公式(3)和(4)中，hm为锚框区域的高度，wm为锚框区域的宽度，hf为分析区域的高度，wf为分析区域的宽度，s和r为预设参数，0<s≤1，r>0。
本申请实施例中，s可以取多个值，r可以取多个值。电子设备分别取不同的s和r，结合公式(3)和(4)，可确定多个hm和wm。进而，电子设备基于多个hm和wm，以该交汇点为中心点，在灰度图像中确定多个锚框区域。
例如，s＝[0.75，0.5，0.25]，r＝[1，2，0.5]。电子设备基于s＝[0.75，0.5，0.25]和r＝[1，2，0.5]，任一组合不同的s和r，以一交汇点为中心点，在灰度图像中确定9个锚框区域。
一个可选的实施例中，为节约电子设备的计算资源，固定使用一个r，并分别结合不同的s，以一交汇点为中心点，电子设备在灰度图像中确定多个锚框区域。之后，固定使用一个s，并分别结合不同的r，以一交汇点为中心点，电子设备在灰度图像中确定多个锚框区域。
例如，s＝[0.75，0.5，0.25]，r＝[1，2，0.5]。电子设备固定使用一个r，例如r＝1，分别结合不同的s＝[0.75，0.5，0.25]，在灰度图像中确定3个锚框区域。电子设备固定使用一个s，例如s＝0.75，分别结合不同的r＝[1，2，0.5]，在灰度图像中确定3个锚框区域。其中，电子设备固定使用r＝1时确定了一个s＝0.75和r＝1个锚框区域，电子设备固定使用s＝0.75时确定了一个s＝0.75和r＝1个锚框区域。也就是，电子设备基于s＝0.75和r＝1，两次确定了同一个锚框区域。因此，电子设备总共确定了3+3-1＝5个锚框区域。
步骤104，计算每一锚框区域中所有像素点的散度的均值和标准差。
对于每一锚框区域，电子设备检测计算该锚框区域中每一像素点的散度，计算该锚框区域中所有像素点的散度的均值，并计算该锚框区域中所有像素点的散度的标准差。
一个实施例中，电子设备可以利用laplacian算子，计算锚框区域中每一像素点的散度。
例如，laplacian算子如下所示。
Figure BDA0002122359240000091
针对锚框区域中的每一像素点，电子设备基于上述laplacian算子，利用如下公式(5)，计算该像素点的散度Div。
Div＝p1+p2+p3+p4-4*p0 (5)
公式(5)中，p0为该像素点的原始像素值，p1为该像素点的左侧的像素点的原始像素值，p2为该像素点的右侧的像素点的原始像素值，p3为该像素点的上侧的像素点的原始像素值，p4为该像素点的下侧的像素点的原始像素值。
本申请实施例中，电子设备可以利用公式(6)，计算锚框区域中所有像素点的散度的标准差σ。
Figure BDA0002122359240000092
公式(6)中，N表示锚框区域中像素点的总数目，xi表示第i个像素点的散度，μ表示锚框区域中所有像素点的散度的均值。
步骤105，对于每一锚框区域，若该锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则确定该锚框区域为模糊区域，并根据该锚框区域中所有像素点的散度的均值与预设均值阈值的比值、以及该锚框区域中所有像素点的散度与预设标准差阈值的比值，确定该锚框区域的评分值。
上述预设均值阈值和预设标准差阈值可以为用户根据经验值进行设定。评分值用于评估锚框区域模糊程度的值。一锚框区域的评分值越低，该锚框区域的模糊程度越严重。
一般情况下，模糊区域中所有像素点的散度的均值和标准差都较小。若一锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则电子设备可确定该锚框区域为模糊区域，并根据该锚框区域中所有像素点的散度的均值和散度的标准差，以及预设均值阈值和预设标准差阈值，确定该锚框区域的评分值。
一个可选的实施例中，若一锚框区域中所有像素点的散度的均值不小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差不小于预设标准差阈值，则电子设备可确定该锚框区域为正常区域。
一个示例中，电子设备可利用如下公式(7)，确定锚框区域的评分值score。
score＝μ/μ_thres+σ/σ_thres (7)
公式(7)中，μ为该锚框区域中所有像素点的散度的均值，μ_thres为预设均值阈值，σ为该锚框区域中所有像素点的散度的标准差，σ_thres为预设标准差阈值。
电子设备在确定出模糊区域后，输出该模糊区域以及该模糊区域的评分值。一个实施例中，电子设备在输出模糊区域时，可以输出模糊区域的中心位置坐标，也可以在待检测图像中标识出模糊区域，输出标识有模糊区域的待检测图像。
一个图像中可能存在一个或多个模糊区域。电子设备基于上述步骤101-105可得到若干个判定为模糊区域的锚框区域(即第一锚框区域)，这些锚框区域中可能存在重叠。一个可选的实施例中，为了去除重叠区域，电子设备从多个第一锚框区域中，选择评分值最低的第二锚框区域和评分值最高的第三锚框区域。电子设备确定第二锚框区域和第三锚框区域的重叠面积，并确定第二锚框区域和第三锚框区域的合并后的面积，即合并面积。电子设备计算重叠面积占合并面积的比例值，为方便描述，以下比例值为第二锚框区域和第三锚框区域的重叠面积与第二锚框区域和第三锚框区域的合并面积的比值。若比例值大于第一预设比例阈值，则电子设备删除第二锚框区域。
之后，电子设备继续从删除第二锚框区域后的多个第一锚框区域中，选择评分值最低的锚框区域，作为第二锚框区域，从多个第一锚框区域中，选择评分值最高的锚框区域，作为第三锚框区域，并判定比例值是否大于第一预设比例阈值，直至比例值不大于第一预设比例阈值。
一个可选的实施例中，若比例值小于等于第一预设比例阈值，则电子设备输出剩余的第一锚框区域，以及剩余的第一锚框区域的评分值。
另一个可选的实施例中，若比例值小于等于第一预设比例阈值，则电子设备检测比例值是否大于第二预设比例阈值。若比例值小于等于第一预设比例阈值，且比例值大于第二预设比例阈值，则电子设备可确定第二锚框区域和第三锚框区域实际为一个模糊区域，合并第二锚框区域和第三锚框区域，得到合并区域，并计算合并区域的评分值。电子设备输出剩余的第一锚框区域以及合并区域的评分值。
在本实施例中，合并区域的评分值的计算方式参考前述锚框区域的评分值的计算方式，具体的，可以计算合并区域中所有像素点的散度的均值和所有像素点的散度的标准差，并依据公式(7)计算合并区域的评分值。
本申请实施例提供了一种图像质量评估方法中，电子设备将灰度图像划分多个分析区域，以多个分析区域的交汇点为中心点，在灰度图像中确定多个锚框区域。若一锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则电子设备可确定该锚框区域为待检测图像中的模糊区域。进而电子设备根据该锚框区域中所有像素点的散度的均值与所述预设均值阈值的比值和该锚框区域中所有像素点的散度与所述预设标准差阈值的比值，确定该锚框区域的评分值。这实现了对图像局部区域模糊程度的检测。
与上述图像质量评估方法对应，本申请实施例提供了一种图像质量评估装置。参考图4，图4为本申请实施例提供的图像质量评估装置的一种结构示意图，该装置包括。
转换单元401，用于将待检测图像转换为灰度图像；
第一确定单元402，用于将灰度图像划分为多个分析区域；
第二确定单元403，用于以多个分析区域的交汇点为中心点，在灰度图像中确定多个锚框区域；
第一计算单元404，用于计算每一锚框区域中所有像素点的散度的均值和标准差；
评估单元405，用于对于每一锚框区域，若该锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则确定该锚框区域为模糊区域，并根据该锚框区域中所有像素点的散度的均值与预设均值阈值的比值、以及该锚框区域中所有像素点的散度与预设标准差阈值的比值，确定该锚框区域的评分值。
一个可选的实施例中，第一确定单元402，具体可以用于：
对灰度图像进行锐化处理，得到锐化图像；
计算灰度图像的边缘信息与锐化图像的边缘信息的绝对差值，得到差值矩阵；
计算差值矩阵中所有元素值的均值，得到矩阵均值；
根据差值矩阵中大于矩阵均值的第一元素值，将灰度图像划分为多个分析区域。
一个可选的实施例中，第一确定单元402，具体可以用于：
确定差值矩阵中元素值连续为第一元素值的元素的最大高度和元素值连续为第一元素值的元素的最大宽度；第一元素值为大于矩阵均值的值；
根据最大高度确定灰度图像在高度方向的第一分析区域数量，并根据最大宽度确定灰度图像在宽度方向的第二分析区域数量；
根据第一分析区域数量和第二分析区域数量，将灰度图像划分为多个分析区域。
一个可选的实施例中，第一确定单元402，具体可以用于：
将差值矩阵中大于矩阵均值的第一元素值设置为第一预设值；
确定差值矩阵中元素值连续为第一预设值的元素的最大高度和元素值连续为第一预设值的元素的最大宽度。
一个可选的实施例中，第二确定单元403，具体可以用于：
针对多个分析区域的交汇点中的每一交汇点，利用以下公式，以该交汇点为中心点，在灰度图像中确定锚框区域：
Figure BDA0002122359240000131
Figure BDA0002122359240000132
其中，hm为锚框区域的高度，wm为锚框区域的宽度，hf为分析区域的高度，wf为分析区域的宽度，s和r为预设参数，0<s≤1，r>0。
一个可选的实施例中，上述图像质量评估装置还可以包括：
选择单元，用于若多个锚框区域中存在多个第一锚框区域被判定为模糊区域，则从多个第一锚框区域中，选择评分值最低的第二锚框区域和评分值最高的第三锚框区域；
第二计算单元，用于计算第二锚框区域和第三锚框区域的重叠面积占第二锚框区域和第三锚框区域的合并面积的比例值；
处理单元，用于若比例值大于第一预设比例阈值，则删除第二锚框区域。
一个可选的实施例中，处理单元，还可以用于若比例值小于等于第一预设比例阈值，且比例值大于第二预设比例阈值，则合并第二锚框区域和第三锚框区域，得到合并区域，并计算合并区域的评分值。
本申请实施例提供了一种图像质量评估装置中，电子设备将灰度图像划分多个分析区域，以多个分析区域的交汇点为中心点，在灰度图像中确定多个锚框区域。若一锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则电子设备可确定该锚框区域为待检测图像中的模糊区域。进而电子设备根据该锚框区域中所有像素点的散度的均值与所述预设均值阈值的比值和该锚框区域中所有像素点的散度与所述预设标准差阈值的比值，确定该锚框区域的评分值。这实现了对图像局部区域模糊程度的检测。
与上述图像质量评估方法对应，本申请实施例还提供了一种电子设备，如图5所示，包括处理器501和机器可读存储介质502，机器可读存储介质502存储有能够被处理器501执行的机器可执行指令。处理器501被机器可执行指令促使实现上述图1-图3所示的任一步骤。
一个可选的实施例中，如图5所示，电子设备还可以包括：通信接口503和通信总线504；其中，处理器501、机器可读存储介质502、通信接口503通过通信总线504完成相互间的通信，通信接口503用于上述电子设备与其他设备之间的通信。
与上述图像质量评估方法对应，本申请实施例还提供了一种机器可读存储介质，机器可读存储介质存储有能够被处理器执行的机器可执行指令。处理器被机器可执行指令促使实现上述图1-图3所示的任一步骤。
上述通信总线可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
上述机器可读存储介质可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。另外，机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图像质量评估装置、电子设备、机器可读存储介质实施例而言，由于其图像质量评估方法实施例，所以描述的比较简单，相关之处参见图像质量评估方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (16)

1.一种图像质量评估方法，其特征在于，所述方法包括：
将待检测图像转换为灰度图像；
将所述灰度图像划分为多个分析区域；
以多个分析区域的交汇点为中心点，在所述灰度图像中确定多个锚框区域；
计算每一锚框区域中所有像素点的散度的均值和标准差；
对于每一锚框区域，若该锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则确定该锚框区域为模糊区域，并根据该锚框区域中所有像素点的散度的均值与所述预设均值阈值的比值、以及该锚框区域中所有像素点的散度与所述预设标准差阈值的比值，确定该锚框区域的评分值。
2.根据权利要求1所述的方法，其特征在于，所述将所述灰度图像划分为多个分析区域的步骤，包括：
对所述灰度图像进行锐化处理，得到锐化图像；
计算所述灰度图像的边缘信息与所述锐化图像的边缘信息的绝对差值，得到差值矩阵；
计算所述差值矩阵中所有元素值的均值，得到矩阵均值；
根据所述差值矩阵中大于所述矩阵均值的第一元素值，将所述灰度图像划分为多个分析区域。
3.根据权利要求2所述的方法，其特征在于，所述根据所述差值矩阵中大于所述矩阵均值的第一元素值，将所述灰度图像划分为多个分析区域的步骤，包括：
确定所述差值矩阵中元素值连续为第一元素值的元素的最大高度和元素值连续为第一元素值的元素的最大宽度；所述第一元素值为大于所述矩阵均值的值；
根据所述最大高度确定所述灰度图像在高度方向的第一分析区域数量，并根据所述最大宽度确定所述灰度图像在宽度方向的第二分析区域数量；
根据所述第一分析区域数量和所述第二分析区域数量，将所述灰度图像划分为多个分析区域。
4.根据权利要求3所述的方法，其特征在于，所述确定所述差值矩阵中元素值连续为第一元素值的元素的最大高度和元素值连续为第一元素值的元素的最大宽度的步骤，包括：
将所述差值矩阵中大于所述矩阵均值的第一元素值设置为第一预设值；
确定所述差值矩阵中元素值连续为所述第一预设值的元素的最大高度和元素值连续为所述第一预设值的元素的最大宽度。
5.根据权利要求1所述的方法，其特征在于，所述以多个分析区域的交汇点为中心点，在所述灰度图像中确定多个锚框区域的步骤，包括：
针对多个分析区域的交汇点中的每一交汇点，利用以下公式，以该交汇点为中心点，在所述灰度图像中确定锚框区域：
Figure FDA0003238123320000022
Figure FDA0003238123320000021
其中，hm为锚框区域的高度，wm为锚框区域的宽度，hf为分析区域的高度，wf为分析区域的宽度，s和r为预设参数，0<s≤1，r>0。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述多个锚框区域中存在多个第一锚框区域被判定为模糊区域，则从所述多个第一锚框区域中，选择评分值最低的第二锚框区域和评分值最高的第三锚框区域；
计算所述第二锚框区域和所述第三锚框区域的重叠面积占所述第二锚框区域和所述第三锚框区域的合并面积的比例值；
若所述比例值大于第一预设比例阈值，则删除所述第二锚框区域。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
若所述比例值小于等于所述第一预设比例阈值，且所述比例值大于第二预设比例阈值，则合并所述第二锚框区域和所述第三锚框区域，得到合并区域，并计算所述合并区域的评分值。
8.一种图像质量评估装置，其特征在于，所述装置包括：
转换单元，用于将待检测图像转换为灰度图像；
第一确定单元，用于将所述灰度图像划分为多个分析区域；
第二确定单元，用于以多个分析区域的交汇点为中心点，在所述灰度图像中确定多个锚框区域；
第一计算单元，用于计算每一锚框区域中所有像素点的散度的均值和标准差；
评估单元，用于对于每一锚框区域，若该锚框区域中所有像素点的散度的均值小于预设均值阈值，且该锚框区域中所有像素点的散度的标准差小于预设标准差阈值，则确定该锚框区域为模糊区域，并根据该锚框区域中所有像素点的散度的均值与所述预设均值阈值的比值、以及该锚框区域中所有像素点的散度与所述预设标准差阈值的比值，确定该锚框区域的评分值。
9.根据权利要求8所述的装置，其特征在于，所述第一确定单元，具体用于：
对所述灰度图像进行锐化处理，得到锐化图像；
计算所述灰度图像的边缘信息与所述锐化图像的边缘信息的绝对差值，得到差值矩阵；
计算所述差值矩阵中所有元素值的均值，得到矩阵均值；
根据所述差值矩阵中大于所述矩阵均值的第一元素值，将所述灰度图像划分为多个分析区域。
10.根据权利要求9所述的装置，其特征在于，所述第一确定单元，具体用于：
确定所述差值矩阵中元素值连续为第一元素值的元素的最大高度和元素值连续为第一元素值的元素的最大宽度；所述第一元素值为大于所述矩阵均值的值；
根据所述最大高度确定所述灰度图像在高度方向的第一分析区域数量，并根据所述最大宽度确定所述灰度图像在宽度方向的第二分析区域数量；
根据所述第一分析区域数量和所述第二分析区域数量，将所述灰度图像划分为多个分析区域。
11.根据权利要求10所述的装置，其特征在于，所述第一确定单元，具体用于：
将所述差值矩阵中大于所述矩阵均值的第一元素值设置为第一预设值；
确定所述差值矩阵中元素值连续为所述第一预设值的元素的最大高度和元素值连续为所述第一预设值的元素的最大宽度。
12.根据权利要求8所述的装置，其特征在于，所述第二确定单元，具体用于：
针对多个分析区域的交汇点中的每一交汇点，利用以下公式，以该交汇点为中心点，在所述灰度图像中确定锚框区域：
Figure FDA0003238123320000042
Figure FDA0003238123320000041
其中，hm为锚框区域的高度，wm为锚框区域的宽度，hf为分析区域的高度，wf为分析区域的宽度，s和r为预设参数，0<s≤1，r>0。
13.根据权利要求8所述的装置，其特征在于，所述装置还包括：
选择单元，用于若所述多个锚框区域中存在多个第一锚框区域被判定为模糊区域，则从所述多个第一锚框区域中，选择评分值最低的第二锚框区域和评分值最高的第三锚框区域；
第二计算单元，用于计算所述第二锚框区域和所述第三锚框区域的重叠面积占所述第二锚框区域和所述第三锚框区域的合并面积的比例值；
处理单元，用于若所述比例值大于第一预设比例阈值，则删除所述第二锚框区域。
14.根据权利要求13所述的装置，其特征在于，所述处理单元，还用于若所述比例值小于等于所述第一预设比例阈值，且所述比例值大于第二预设比例阈值，则合并所述第二锚框区域和所述第三锚框区域，得到合并区域，并计算所述合并区域的评分值。
15.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现权利要求1-7任一所述的方法步骤。
16.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有能够被处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现权利要求1-7任一所述的方法步骤。
CN201910610977.8A 2019-07-08 2019-07-08 一种图像质量评估方法及装置 Active CN110443783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910610977.8A CN110443783B (zh) 2019-07-08 2019-07-08 一种图像质量评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910610977.8A CN110443783B (zh) 2019-07-08 2019-07-08 一种图像质量评估方法及装置

Publications (2)

Publication Number Publication Date
CN110443783A CN110443783A (zh) 2019-11-12
CN110443783B true CN110443783B (zh) 2021-10-15

Family

ID=68429819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910610977.8A Active CN110443783B (zh) 2019-07-08 2019-07-08 一种图像质量评估方法及装置

Country Status (1)

Country Link
CN (1) CN110443783B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866503B (zh) * 2019-11-19 2024-01-05 圣点世纪科技股份有限公司 指静脉设备的异常检测方法及系统
CN111955528B (zh) * 2020-08-12 2021-09-10 中国农业机械化科学研究院 一种五辊式对虾剥壳机参数检测与调控方法及装置
CN112419275B (zh) * 2020-11-25 2023-03-10 苏宁金融科技(南京)有限公司 图像质量确定方法、装置及系统
CN114007013B (zh) * 2021-10-29 2024-03-19 上海艾为电子技术股份有限公司 模糊区确定和防抖性能检测方法、系统、防抖性能检测设备
CN114329475B (zh) * 2022-03-15 2022-08-02 北京华云安信息技术有限公司 恶意代码检测模型的训练方法、装置以及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745466A (zh) * 2014-01-06 2014-04-23 北京工业大学 一种基于独立成分分析的图像质量评价方法
CN105654436A (zh) * 2015-12-24 2016-06-08 广东迅通科技股份有限公司 一种基于前景背景分离的背光图像增强去噪方法
CN109214995A (zh) * 2018-08-20 2019-01-15 阿里巴巴集团控股有限公司 图片质量的确定方法、装置和服务器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2529446A (en) * 2014-07-17 2016-02-24 British Academy Of Film And Television Arts The Measurement of video quality

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745466A (zh) * 2014-01-06 2014-04-23 北京工业大学 一种基于独立成分分析的图像质量评价方法
CN105654436A (zh) * 2015-12-24 2016-06-08 广东迅通科技股份有限公司 一种基于前景背景分离的背光图像增强去噪方法
CN109214995A (zh) * 2018-08-20 2019-01-15 阿里巴巴集团控股有限公司 图片质量的确定方法、装置和服务器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Reduced reference image quality assessment based on statistics in empirical mode decomposition domain;Abdelkaher Ait Abdelouahad et al.;《Signal, Image and Video Processing》;20121206;第1663-1680页 *
一种利用像素局部相关性的图像质量评价方法;路文 等;《西安电子科技大学学报》;20160531;第94-99页 *

Also Published As

Publication number Publication date
CN110443783A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110443783B (zh) 一种图像质量评估方法及装置
CN108229307B (zh) 用于物体检测的方法、装置和设备
Bahrami et al. A fast approach for no-reference image sharpness assessment based on maximum local variation
US9230148B2 (en) Method and system for binarization of two dimensional code image
Liang et al. No-reference perceptual image quality metric using gradient profiles for JPEG2000
CN109741356B (zh) 一种亚像素边缘检测方法及系统
CN108961260B (zh) 图像二值化方法及装置、计算机存储介质
CN111612741B (zh) 一种基于失真识别的精确无参考图像质量评价方法
US11145032B2 (en) Image processing apparatus, method and storage medium for reducing color noise and false color
CN110827269B (zh) 农作物生长变化状况检测方法、装置、设备及介质
CN108629254B (zh) 一种运动目标的检测方法及装置
US20090274368A1 (en) Image correction method and apparatus
US20190164258A1 (en) Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
Agrawal et al. Dense haze removal by nonlinear transformation
CN108961209B (zh) 行人图像质量评价方法、电子设备及计算机可读介质
CN110288560B (zh) 一种图像模糊检测方法及装置
CN111539238A (zh) 二维码图像修复方法、装置、计算机设备和存储介质
CN114820334A (zh) 图像修复方法、装置、终端设备和可读存储介质
CN112651953A (zh) 图片相似度计算方法、装置、计算机设备及存储介质
WO2019123554A1 (ja) 画像処理装置、画像処理方法、及び、記録媒体
JP2020007760A (ja) ひび割れ検出装置、ひび割れ検出方法およびひび割れ検出プログラム
Bohr et al. A no reference image blur detection using cumulative probability blur detection (cpbd) metric
JP6894361B2 (ja) コンクリート表面上のひび割れ方向特定方法、ひび割れ方向特定装置、ひび割れ方向特定システム及びプログラム
CN112017163A (zh) 图像模糊度检测的方法、装置、电子设备及存储介质
JPWO2014102876A1 (ja) 画像処理装置、および、画像処理方法

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