CN111179259A - 光学清晰度测试方法和装置 - Google Patents
光学清晰度测试方法和装置 Download PDFInfo
- Publication number
- CN111179259A CN111179259A CN201911420819.2A CN201911420819A CN111179259A CN 111179259 A CN111179259 A CN 111179259A CN 201911420819 A CN201911420819 A CN 201911420819A CN 111179259 A CN111179259 A CN 111179259A
- Authority
- CN
- China
- Prior art keywords
- image
- definition
- comparison
- images
- acquiring
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 53
- 238000010998 test method Methods 0.000 title claims description 4
- 238000011156 evaluation Methods 0.000 claims abstract description 97
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 abstract description 13
- 238000003384 imaging method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012634 optical imaging Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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 using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种光学清晰度测试方法和装置，涉及光学技术领域，包括：获取原始图像和对应的参考图像；根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像；根据比较图像，获取归一化后的比较图像的图像信息熵；根据比较图像，经清晰度评价函数运算后获取清晰度预评价结果；当清晰度预评价结果与图像信息熵的差值小于预设阈值时，确定清晰度预评价结果为光学清晰度。本发明公开的技术方案，适用性广泛，结果可信度高。
Description
技术领域
本发明涉及光学技术领域，特别涉及光学清晰度测试方法和装置。
背景技术
光学成像设备成像质量的评价指标中，成像结果的光学清晰度，是其中的重要指标之一，因此对光学清晰度的测试，是评价光学设备不可或缺的步骤。
现有技术中，可以采用清晰度评价函数评价光学设备成像的清晰度，通过各种清晰度评价函数对光学系统的成像结果进行运算，计算对应的清晰度值。这种方法的主要优点是系统简单，运算量小。
然而，清晰度评价函数只能作为对比测试，不能作为绝对测量横向比较，不同的清晰度评价函数对不同成像结果存在适用性问题，且清晰度评价函数的计算结果的准确性难以保证。
发明内容
本发明实施例提供了一种光学清晰度测试方法和装置。旨在解决现有技术中光学清晰度评价方法适用范围窄，准确性低的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本发明实施例的第一方面，提供了一种光学清晰度测试方法，包括：
获取原始图像和对应的参考图像；
根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像；
根据比较图像，获取归一化后的比较图像的图像信息熵；
根据比较图像，经清晰度评价函数运算后获取清晰度预评价结果；
当清晰度预评价结果与图像信息熵的差值小于预设阈值时，确定清晰度预评价结果为光学清晰度。
可选的，根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像，包括：
对原始图像和参考图像按像素进行逻辑运算，获取原始图像和参考图像的差异；
根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像。
可选的，根据比较图像，获取归一化后的比较图像的图像信息熵，包括：
对比较图像进行傅里叶变换，获取比较图像的频域特征；
根据频域特征，获取归一化后的比较图像的图像信息熵。
可选的，还包括：
当清晰度预评价结果与图像信息熵的差值不小于预设阈值时，确定清晰度预评价结果和图像信息熵的加权平均结果为光学清晰度。
可选的，当清晰度预评价结果与图像信息熵的差值不小于预设阈值时，还包括：
获取多个原始图像和与多个原始图像对应的参考图像；
根据多个原始图像和对应的参考图像的差异，获取多个原始图像和对应的参考图像的多个比较图像；
根据多个比较图像，获取归一化后的多个比较图像的多个图像信息熵；
根据多个比较图像，经清晰度评价函数运算后获取多个清晰度预评价结果；
当多个清晰度预评价结果与多个图像信息熵的差值的平均值小于预设阈值时，确定多个清晰度预评价结果的平均值为光学清晰度。
根据本发明实施例的第二方面，提供了一种光学清晰度测试装置，包括：
获取单元，用于获取原始图像和对应的参考图像；
处理单元，用于根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像；
根据比较图像，获取归一化后的比较图像的图像信息熵；
根据比较图像，经清晰度评价函数运算后获取清晰度预评价结果；
当清晰度预评价结果与图像信息熵的差值小于预设阈值时，确定清晰度预评价结果为光学清晰度。
可选的，处理单元还用于，
对原始图像和参考图像按像素进行逻辑运算，获取原始图像和参考图像的差异；
根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像。
可选的，处理单元还用于：
对比较图像进行傅里叶变换，获取比较图像的频域特征；
根据频域特征，获取归一化后的比较图像的图像信息熵。
可选的，处理单元还用于：
当清晰度预评价结果与图像信息熵的差值不小于预设阈值时，确定清晰度预评价结果和图像信息熵的加权平均结果为光学清晰度。
可选的，
获取单元，还用于获取多个原始图像和与多个原始图像对应的参考图像；
处理单元，还用于根据多个原始图像和对应的参考图像的差异，获取多个原始图像和对应的参考图像的多个比较图像；
根据多个比较图像，获取归一化后的多个比较图像的多个图像信息熵；
根据多个比较图像，经清晰度评价函数运算后获取多个清晰度预评价结果；
当多个清晰度预评价结果与多个图像信息熵的差值的平均值小于预设阈值时，确定多个清晰度预评价结果的平均值为光学清晰度。
本发明实施例公开的技术方案，提供了一种具有反馈特性的、适用范围更广的、结果可信度更高的、处理计算量较低的光学清晰度评价测试评价方法，用于提升现有技术中清晰度评价函数测试光学设备的光学成像清晰度过程中的数据处理组件的性能，适用性更广、可信度更高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明实施例公开的一种光学清晰度测试方法的流程图；
图2是本发明实施例公开的另一种光学清晰度测试方法的流程图；
图3是本发明实施例公开的一种光学清晰度测试装置的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何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。本文中各个实施例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部分互相参见即可。对于实施例公开的结构、产品等而言，由于其与实施例公开的部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本发明实施例公开了一种光学清晰度测试方法，如图1所示，包括：
S101、获取原始图像和对应的参考图像；
S102、根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像；
S103、根据比较图像，获取归一化后的比较图像的图像信息熵；
S104、根据比较图像，经清晰度评价函数运算后获取清晰度预评价结果；
S105、当清晰度预评价结果与图像信息熵的差值小于预设阈值时，确定清晰度预评价结果为光学清晰度。
原始图像，即为从待测光学设备中获得的包含有待测光学设备清晰度信息的图像，待测光学设备可以包括相机等能够获得光学图像的设备。
图像源，作为信号源输入给待测光学设备，其生成的图像是未经过测试系统调制的标准图像。
图像源生成的图像经过按像素的缩放形成参考图像，参考图像与原始图像具有相同的像素分辨率。
在S102中，对原始图像和参考图像进行比较，提取原始图像和参考图像之间的不同的部分，即为通过测试系统后，引入的原始图像与参考图像的差异。原始图像与参考图像的差异，是光学清晰度降低的主要原因。
可选的，S102还可以包括：
S1021、对原始图像和参考图像按像素进行逻辑运算，获取原始图像和参考图像的差异；
S1022、根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像。
在S1021中，逻辑运算可以包括差运算或者或运算等。
在S102之后，比较图像可以被复制成完全相同的第一比较图像和第二比较图像，其中，第一比较图像可以用于在S103中，经过频域像素统计，如傅里叶变换等方式，获取第一比较图像的频域特征，并获取图像信息熵，特别的，图像信息熵可以为归一化后的图像信息熵；第二比较图像可以用于在S104中，经过清晰度评价函数运算，获取清晰度预评价结果。
示例性的，清晰度评价函数可以包括梯度函数、绝对方差函数、边缘检测函数、梯度向量模方函数、自相关函数、熵函数、全频段积分函数、相邻灰度差分算子绝对值函数、中值滤波—离散余弦函数、图像能量函数等。
在S105中，将清晰度预评价结果与图像信息熵进行对比，两者结果一致时，即为评价结果。一般的，本领域技术人员可以预设阈值，当清晰度预评价结果与图像信息熵的差值小于预设阈值时，即可将清晰度预评价结果作为光学清晰度结果，实际上，由于两者之间的差值较小，因而也可以将归一化后的图像信息熵作为光学清晰度结果。预设阈值可以为相对值，也可以为绝对值，当预设阈值为相对值时，示例性的，预设阈值可以被设置为，清晰度预评价结果与图像信息熵相差小于0.1％。
当清晰度预评价结果与图像信息熵的差值不小于预设阈值时，可选的，还可以包括：
S106、确定清晰度预评价结果和图像信息熵的加权平均结果为光学清晰度。
作为一种较为简单的可选方案，本方案可以用于需要快速确定待测设备的光学清晰度的场景。
当清晰度预评价结果与图像信息熵的差值不小于预设阈值时，可选的，在S104中，可以采用多个不同的清晰度评价函数，获取多个不同的清晰度预评价结果，并将多个不同的清晰度预评价结果分别与图像信息熵比较，自动选择最优的清晰度评价函数。
现有技术中，每种清晰度评价函数仅能够较好的适用某一种或几种图像源，适用性不广泛。本发明实施例公开的技术方案，能够自动化、智能化的选择合适的清晰度评价函数，减少或避免人为干预和人为选择，适用性更广泛。
当清晰度预评价结果与图像信息熵的差值不小于预设阈值时，可选的，可以对原始图像进行加权处理，示例性的，如对多帧原始图像按权值平均，主要减少测试系统噪声的影响，随着反馈次数的增加，清晰度预评价结果与图像信息熵呈现接近的趋势，在两值一致时，此时的评价结果即为清晰度测试结果。
具体的，如图2所示，
S1071、获取多个原始图像和与多个原始图像对应的参考图像；
S1072、根据多个原始图像和对应的参考图像的差异，获取多个原始图像和对应的参考图像的多个比较图像；
S1072、根据多个比较图像，获取归一化后的多个比较图像的多个图像信息熵；
S1074、根据多个比较图像，经清晰度评价函数运算后获取多个清晰度预评价结果；
S1075、当多个清晰度预评价结果与多个图像信息熵的差值的平均值小于预设阈值时，确定多个清晰度预评价结果的平均值为光学清晰度。
本发明实施例公开的技术方案，提供了一种具有反馈特性的、适用范围更广的、结果可信度更高的、处理计算量较低的光学清晰度评价测试评价方法，用于提升现有技术中清晰度评价函数测试光学设备的光学成像清晰度过程中的数据处理组件的性能，适用性更广、可信度更高。
本发明实施例公开了一种光学清晰度测试装置30，如图3所示，包括：
获取单元301，用于获取原始图像和对应的参考图像；
处理单元302，用于根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像；
根据比较图像，获取归一化后的比较图像的图像信息熵；
根据比较图像，经清晰度评价函数运算后获取清晰度预评价结果；
当清晰度预评价结果与图像信息熵的差值小于预设阈值时，确定清晰度预评价结果为光学清晰度。
可选的，处理单元302还可以用于，
对原始图像和参考图像按像素进行逻辑运算，获取原始图像和参考图像的差异；
根据原始图像和参考图像的差异，获取原始图像和参考图像的比较图像。
可选的，处理单元302还可以用于：
对比较图像进行傅里叶变换，获取比较图像的频域特征；
根据频域特征，获取归一化后的比较图像的图像信息熵。
可选的，处理单元302还可以用于：
当清晰度预评价结果与图像信息熵的差值不小于预设阈值时，确定清晰度预评价结果和图像信息熵的加权平均结果为光学清晰度。
可选的，
获取单元301，还可以用于获取多个原始图像和与多个原始图像对应的参考图像；
处理单元302，还可以用于根据多个原始图像和对应的参考图像的差异，获取多个原始图像和对应的参考图像的多个比较图像；
根据多个比较图像，获取归一化后的多个比较图像的多个图像信息熵；
根据多个比较图像，经清晰度评价函数运算后获取多个清晰度预评价结果；
当多个清晰度预评价结果与多个图像信息熵的差值的平均值小于预设阈值时，确定多个清晰度预评价结果的平均值为光学清晰度。
光学清晰度测试装置30可以用于执行如图1和如图2所示的光学清晰度测试方法，本领域技术人员可以参照前文的描述，此处不再赘述。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的流程及结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种光学清晰度测试方法，包括：
获取原始图像和对应的参考图像；
根据所述原始图像和所述参考图像的差异，获取所述原始图像和所述参考图像的比较图像；
根据所述比较图像，获取归一化后的所述比较图像的图像信息熵；
根据所述比较图像，经清晰度评价函数运算后获取清晰度预评价结果；
当所述清晰度预评价结果与所述图像信息熵的差值小于预设阈值时，确定所述清晰度预评价结果为所述光学清晰度。
2.如权利要求1所述的测试方法，其特征在于，根据所述原始图像和所述参考图像的差异，获取所述原始图像和所述参考图像的所述比较图像，包括：
对所述原始图像和所述参考图像按像素进行逻辑运算，获取所述原始图像和所述参考图像的差异；
根据所述原始图像和所述参考图像的差异，获取所述原始图像和所述参考图像的所述比较图像。
3.如权利要求1所述的测试方法，其特征在于，根据所述比较图像，获取归一化后的所述比较图像的所述图像信息熵，包括：
对所述比较图像进行傅里叶变换，获取所述比较图像的频域特征；
根据所述频域特征，获取归一化后的所述比较图像的所述图像信息熵。
4.如权利要求1所述的测试方法，其特征在于，还包括：
当所述清晰度预评价结果与所述图像信息熵的差值不小于预设阈值时，确定所述清晰度预评价结果和所述图像信息熵的加权平均结果为所述光学清晰度。
5.如权利要求1所述的测试方法，其特征在于，当所述清晰度预评价结果与所述图像信息熵的差值不小于预设阈值时，还包括：
获取多个原始图像和与所述多个原始图像对应的参考图像；
根据所述多个原始图像和对应的参考图像的差异，获取所述多个原始图像和对应的参考图像的多个比较图像；
根据所述多个比较图像，获取归一化后的所述多个比较图像的多个图像信息熵；
根据所述多个比较图像，经清晰度评价函数运算后获取多个清晰度预评价结果；
当所述多个清晰度预评价结果与所述多个图像信息熵的差值的平均值小于预设阈值时，确定所述多个清晰度预评价结果的平均值为所述光学清晰度。
6.一种光学清晰度测试装置，包括：
获取单元，用于获取原始图像和对应的参考图像；
处理单元，用于根据所述原始图像和所述参考图像的差异，获取所述原始图像和所述参考图像的比较图像；
根据所述比较图像，获取归一化后的所述比较图像的图像信息熵；
根据所述比较图像，经清晰度评价函数运算后获取清晰度预评价结果；
当所述清晰度预评价结果与所述图像信息熵的差值小于预设阈值时，确定所述清晰度预评价结果为所述光学清晰度。
7.如权利要求6所述的测试装置，其特征在于，所述处理单元还用于，
对所述原始图像和所述参考图像按像素进行逻辑运算，获取所述原始图像和所述参考图像的差异；
根据所述原始图像和所述参考图像的差异，获取所述原始图像和所述参考图像的所述比较图像。
8.如权利要求6所述的测试装置，其特征在于，所述处理单元还用于：
对所述比较图像进行傅里叶变换，获取所述比较图像的频域特征；
根据所述频域特征，获取归一化后的所述比较图像的所述图像信息熵。
9.如权利要求6所述的测试装置，其特征在于，所述处理单元还用于：
当所述清晰度预评价结果与所述图像信息熵的差值不小于预设阈值时，确定所述清晰度预评价结果和所述图像信息熵的加权平均结果为所述光学清晰度。
10.如权利要求6所述的测试装置，其特征在于，
所述获取单元，还用于获取多个原始图像和与所述多个原始图像对应的参考图像；
所述处理单元，还用于根据所述多个原始图像和对应的参考图像的差异，获取所述多个原始图像和对应的参考图像的多个比较图像；
根据所述多个比较图像，获取归一化后的所述多个比较图像的多个图像信息熵；
根据所述多个比较图像，经清晰度评价函数运算后获取多个清晰度预评价结果；
当所述多个清晰度预评价结果与所述多个图像信息熵的差值的平均值小于预设阈值时，确定所述多个清晰度预评价结果的平均值为所述光学清晰度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911420819.2A CN111179259B (zh) | 2019-12-31 | 2019-12-31 | 光学清晰度测试方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911420819.2A CN111179259B (zh) | 2019-12-31 | 2019-12-31 | 光学清晰度测试方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111179259A true CN111179259A (zh) | 2020-05-19 |
| CN111179259B CN111179259B (zh) | 2023-09-26 |
Family
ID=70650634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911420819.2A Active CN111179259B (zh) | 2019-12-31 | 2019-12-31 | 光学清晰度测试方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111179259B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001904A (zh) * | 2020-08-21 | 2020-11-27 | 珀乐(北京)信息科技有限公司 | 一种遥感图像质量清晰度综合评价模块及评价方法 |
| CN115619838A (zh) * | 2022-12-19 | 2023-01-17 | 济宁市健达医疗器械科技有限公司 | 用于医疗废弃物冷库的遗漏风险监控系统 |
| CN115797848A (zh) * | 2023-01-05 | 2023-03-14 | 山东高速股份有限公司 | 基于高速事件预防系统中视频数据的能见度检测预警方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110249910A1 (en) * | 2010-04-08 | 2011-10-13 | General Electric Company | Image quality assessment including comparison of overlapped margins |
| JP5248719B1 (ja) * | 2012-04-25 | 2013-07-31 | 楽天株式会社 | 画像評価装置、画像選択装置、画像評価方法、記録媒体、ならびに、プログラム |
| CN106934806A (zh) * | 2017-03-09 | 2017-07-07 | 东南大学 | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 |
| CN107085845A (zh) * | 2017-04-19 | 2017-08-22 | 北京数码视讯科技股份有限公司 | 图像模糊检测方法及装置 |
| CN107578412A (zh) * | 2017-09-28 | 2018-01-12 | 微梦创科网络科技（中国）有限公司 | 图像质量综合评价方法及系统 |
| CN108682024A (zh) * | 2018-04-20 | 2018-10-19 | 长沙学院 | 一种图像清晰度匹配方法和系统 |
| CN110458789A (zh) * | 2018-05-02 | 2019-11-15 | 杭州海康威视数字技术股份有限公司 | 一种图像清晰度评测方法、装置及电子设备 |
-
2019
- 2019-12-31 CN CN201911420819.2A patent/CN111179259B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110249910A1 (en) * | 2010-04-08 | 2011-10-13 | General Electric Company | Image quality assessment including comparison of overlapped margins |
| JP5248719B1 (ja) * | 2012-04-25 | 2013-07-31 | 楽天株式会社 | 画像評価装置、画像選択装置、画像評価方法、記録媒体、ならびに、プログラム |
| CN106934806A (zh) * | 2017-03-09 | 2017-07-07 | 东南大学 | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 |
| CN107085845A (zh) * | 2017-04-19 | 2017-08-22 | 北京数码视讯科技股份有限公司 | 图像模糊检测方法及装置 |
| CN107578412A (zh) * | 2017-09-28 | 2018-01-12 | 微梦创科网络科技（中国）有限公司 | 图像质量综合评价方法及系统 |
| CN108682024A (zh) * | 2018-04-20 | 2018-10-19 | 长沙学院 | 一种图像清晰度匹配方法和系统 |
| CN110458789A (zh) * | 2018-05-02 | 2019-11-15 | 杭州海康威视数字技术股份有限公司 | 一种图像清晰度评测方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| YU-HONG LIU ETC.: "No-Reference Image Quality Assessment Method Based on Visual Parameters", JOURNAL OF ELECTRONIC SCIENCE AND TECHNOLOGY * |
| 潘雪娟等: "基于熵的自动聚焦图像清晰度评价函数仿真分析", 红外技术 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001904A (zh) * | 2020-08-21 | 2020-11-27 | 珀乐(北京)信息科技有限公司 | 一种遥感图像质量清晰度综合评价模块及评价方法 |
| CN112001904B (zh) * | 2020-08-21 | 2024-04-02 | 珀乐(北京)信息科技有限公司 | 一种遥感图像质量清晰度综合评价模块及评价方法 |
| CN115619838A (zh) * | 2022-12-19 | 2023-01-17 | 济宁市健达医疗器械科技有限公司 | 用于医疗废弃物冷库的遗漏风险监控系统 |
| CN115797848A (zh) * | 2023-01-05 | 2023-03-14 | 山东高速股份有限公司 | 基于高速事件预防系统中视频数据的能见度检测预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111179259B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179259B (zh) | 光学清晰度测试方法和装置 | |
| US6285797B1 (en) | Method and apparatus for estimating digital video quality without using a reference video | |
| Chen et al. | A human perception inspired quality metric for image fusion based on regional information | |
| KR100647146B1 (ko) | 실시간 인간 시각 체계 동작 모델링 방법 | |
| US6888564B2 (en) | Method and system for estimating sharpness metrics based on local edge kurtosis | |
| JP4101132B2 (ja) | ビデオ・シーケンスのブレ評価方法 | |
| KR20090126316A (ko) | 비디오 품질 평가 방법 및 시스템 | |
| Attar et al. | Image quality assessment using edge based features | |
| Bong et al. | Blind image blur assessment by using valid reblur range and histogram shape difference | |
| JP2020042760A (ja) | 情報処理方法、情報処理装置、及びプログラム | |
| Liu et al. | Free energy adjusted peak signal to noise ratio (FEA-PSNR) for image quality assessment | |
| Nercessian et al. | An image similarity measure using enhanced human visual system characteristics | |
| Mantiuk | Practicalities of predicting quality of high dynamic range images and video | |
| Islam et al. | A novel image quality index for image quality assessment | |
| Golestaneh et al. | Reduced-reference quality assessment based on the entropy of DNT coefficients of locally weighted gradients | |
| Upadhyaya et al. | Joint approach based quality assessment scheme for compressed and distorted images | |
| Zhou et al. | Saliency-based image quality assessment metric | |
| Avadhanam et al. | Prediction and measurement of high quality in still-image coding | |
| KR101899070B1 (ko) | 랜덤신호에 대한 강건성 정량화를 통한 단독 영상 품질 평가 방법 및 장치 | |
| Tripathi et al. | A novel spatial domain image quality metric | |
| Głowacz et al. | Automated qualitative assessment of multi-modal distortions in digital images based on GLZ | |
| Ye et al. | Trained perceptual transform for quality assessment of high dynamic range images and video | |
| Deegan et al. | The influence of image capture and processing on MTF for end of line test and validation | |
| Akamine et al. | Incorporating visual attention models into video quality metrics | |
| EP4350604A1 (en) | Measurement apparatus, measurement method and apparatus for generating a data processing model |
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 |