CN111429437A - 面向目标检测的图像无参考清晰度质量检测方法 - Google Patents

面向目标检测的图像无参考清晰度质量检测方法 Download PDF

Info

Publication number
CN111429437A
CN111429437A CN202010234324.7A CN202010234324A CN111429437A CN 111429437 A CN111429437 A CN 111429437A CN 202010234324 A CN202010234324 A CN 202010234324A CN 111429437 A CN111429437 A CN 111429437A
Authority
CN
China
Prior art keywords
image
gradient
standard deviation
data set
typical
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
CN202010234324.7A
Other languages
English (en)
Other versions
CN111429437B (zh
Inventor
焦良葆
石伟伟
浦东
孔小红
陈瑞
陈乐�
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.)
Jiangsu Glens Sciences And Technology Co ltd
Nanjing Institute of Technology
Original Assignee
Jiangsu Glens Sciences And Technology Co ltd
Nanjing Institute of Technology
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 Jiangsu Glens Sciences And Technology Co ltd, Nanjing Institute of Technology filed Critical Jiangsu Glens Sciences And Technology Co ltd
Priority to CN202010234324.7A priority Critical patent/CN111429437B/zh
Publication of CN111429437A publication Critical patent/CN111429437A/zh
Application granted granted Critical
Publication of CN111429437B publication Critical patent/CN111429437B/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
    • G06T5/70—
    • 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

本发明公开了一种面向目标检测的图像无参考清晰度质量检测方法，包括如下步骤：在采集的图像数据集中，任选一幅图像进行灰度化处理；均值滤波；用scharr算子求得图像在水平方向和垂直方向上的梯度图；在水平方向和垂直方向上进行梯度叠加，并求得各自若干峰值点；由峰值点分别做垂直垂线和水平垂线，以若干交点为中心得到若干典型区域，计算得到该图像典型区域的梯度均值和标准差；统计得到整体图像数据集典型区域的梯度均值和标准差并设置阈值，根据数据集中某幅图像典型区域的梯度均值是否小于该阈值，来判断该图像的清晰度。本发明能检测出图片集中模糊的图像，对于深度学习制作数据集，训练出鲁棒性强、准确度高的网络具有重要意义。

Description

面向目标检测的图像无参考清晰度质量检测方法
技术领域
本发明属于图像处理领域，尤其涉及一种面向目标检测的图像无参考清晰度质量检测方法。
背景技术
随着社会生产力的不断发展，我国的基建也越来越让世界见证中国速度，但是随着基建的建设，施工工地的工程车辆管理也越来越成为一项严峻的挑战，因此为了针对施工工地车辆不规范停放，操作等问题，对施工现场工程车辆的识别具有重要意义。
质量参差不齐的图像，尤其是模糊图像会为我们的生活以及开学研究带来诸多不便因素。而随着计算机及其相关技术的迅速发展，机器视觉技术在工业自动化生产等领域的应用越来越为广泛。工业等领域的广泛应用极大提高了工业产品生产过程中的效率和质量，给社会带来了巨大的经济效益和社会效益。
授权公告号为CN103632369B的专利文献公开了一种块平均清晰度组合无参考水下图像通用性质量检测方法，该方法对一幅水下图像I，设I的图像质量为Q，Q值越大说明图像中包含目标且更清晰，Q值越小说明水下图像中没有目标或图像模糊；若水下图像中不存在目标，则Q的值为对比度和平均亮度的加权；若图像中边缘检测的总数大于阈值Edge_threhold 1则认为图像中存在目标，若图像块P i块中的边缘像素数大于阈值Edge_threhold 2，则选定为有检测意义的图像块，则Q的值为图像块的清晰度平均值、对比度和平均亮度的加权和。该方法可以对所有的水下光视觉灰度图像给出质量检测值，但计算量大，效率不高。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种面向目标检测的图像无参考清晰度质量检测方法，提出了对图像边缘提取的方法，用找寻峰值点的方法极大的节省了人力，让计算机更好的协助人类寻找模糊图片，提高了效率。
技术方案：本发明采用如下技术方案：一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，包括如下步骤：
步骤A、在采集的图像数据集中，任选一幅图像进行灰度化处理，得到图像Y；
步骤B、对图像Y进行均值滤波，得到图像tresult；
步骤C、用scharr算子求得图像tresult在水平方向和垂直方向上的梯度图，得到图像vresult；
步骤D、对图像vresult进行水平方向和垂直方向上的梯度叠加，并各自计算水平方向和垂直方向上的若干峰值点，分别存储在数组XPeaklist和YPeaklist中；
步骤E、由数组XPeaklist和YPeaklist中的峰值点分别做垂直垂线和水平垂线，交叉得到若干交点，以交点为中心得到若干典型区域，计算得到该图像典型区域的梯度均值和标准差；
步骤F、根据所述步骤A至E得到图像数据集中所有图像典型区域的梯度均值和标准差，统计得到整体图像数据集典型区域的梯度均值和标准差并设置阈值，根据数据集中某幅图像典型区域的梯度均值是否小于该阈值，来判断该图像的清晰度。
优选的，所述步骤A中，输入W*H*3的RBG三通道图片，通过灰度化处理，输出W*H的二维图像Y。
优选的，所述步骤B中，设置了一个标准差为零的卷积核对图像Y进行均值滤波。
优选的，所述步骤D具体包括：
步骤D1、对图像vresult进行水平方向和垂直方向上的梯度叠加，得到水平方向上的数组和垂直方向上的数组；
步骤D2、设定检测范围为若干像素点，在图像vresult的上下左右各减去一个检测范围得到新的水平方向上的数组和垂直方向上的数组，通过比较函数求得数组各自的最大值即峰值点，然后在数组中减去各自的最大值及其检测范围内的值，得到新的水平方向上的数组和垂直方向上的数组，再通过比较函数求得数组各自的最大值，重复上述过程直至求得水平方向和垂直方向上的若干峰值点，将其分别存储在数组XPeaklist和YPeaklist中。
优选的，所述步骤D2中，检测范围为31个像素点。
优选的，所述步骤E具体包括：
步骤E1、由数组XPeaklist中的峰值点分别在垂直方向上做若干垂线，由数组YPeaklist中的峰值点在水平方向上做若干垂线，由上述垂线交叉得到若干区域和若干交点；
步骤E2、以上述交点为中心得到若干典型区域，通过计算典型区域各自的梯度标准差和均值得到该幅图像中典型区域的梯度均值和标准差。
优选的，所述步骤E2中，典型区域是以交点为中心，固定像素点为半径的圆。
优选的，所述步骤E2中，将若干典型区域的标准差和均值各自相加后都除以典型区域个数，得到这幅图像中典型区域的梯度均值和标准差。
优选的，所述步骤F具体包括：
步骤F1、读取整个图像数据集，根据步骤A至步骤E求得数据集中所有图像典型区域的梯度均值和标准差，通过统计得到整体图像数据集典型区域的梯度均值和标准差，根据整体图像数据集典型区域的梯度均值和标准差来确定阈值；
步骤F2、从数据集中选择某幅图像，若该图像典型区域的梯度均值小于阈值，则判断该图像为客观模糊，否则，判断该图像为客观清晰；
步骤F3、输出对图像清晰度判断的结果。
优选的，所述步骤F2中，整体图像数据集典型区域的梯度均值为GMean，标准差为GStd，则阈值为GMean-2*GStd。
有益效果：本发明具有如下有益效果：
1、本发明独创性的提出了对图像边缘提取的方法，用找寻峰值点的极大的节省了人力，让在计算机更好的协助人类寻找模糊图片，提高了效率；
2、本发明能检测出图片集中模糊的图像，对于深度学习制作数据集，训练出鲁棒性强、准确度高的网络具有重要意义。
附图说明
图1为本发明的方法流程图；
图2为本发明中水平方向上的叠加梯度图；
图3为在图2的叠加梯度图中标记出第一个峰值点；
图4为在图2的叠加梯度图中减去第一个峰值点及其检测范围内的像素点后的叠加梯度图，并标记出第二个峰值点；
图5为在图4的叠加梯度图中减去第二个峰值点及其检测范围内的像素点后的叠加梯度图，并标记出第三个峰值点。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明公开了一种面向目标检测的图像无参考清晰度质量检测方法，如图1所示，包括如下步骤：
步骤A、在采集的图像数据集中，任选一幅图像并对其进行灰度化处理。
本方法中，输入的图片是W*H*3的RBG三通道图片，通过灰度化的处理得到W*H的二维图像，将该二维图像记为Y。
步骤B、对灰度化处理后的图像Y进行均值滤波，消除环境噪声。
本方法设置了一个标准差为零的卷积核进行滤波去噪，由步骤A得到的灰度图像Y进行均值滤波，消除背景噪声，将此时图像记为tresult。
步骤C、用scharr算子求得图像tresult的梯度图。
本方法中，由scharr算子可以求得该灰度图tresult在水平方向和垂直方向上的梯度图，将得到的图像结果记为vresult。
步骤D、对图像vresult进行水平方向和垂直方向上的梯度叠加，并计算水平方向上和垂直方向上最大的峰值点，如图2至图5所示，具体步骤如下。
步骤D1、由步骤C得到的W*H的二维图像vresult，对该图像的像素点进行水平方向和垂直方向上的叠加，可以得到水平方向上一个1*H的数组，将它记为yData，垂直方向上一个W*1的数组，将它记为xData。
步骤D2、根据经验值，设置检测范围为31个像素点，首先对由步骤C中得到的进行噪声处理的图像vresult在水平方向上左和右各减去31个像素点，在垂直方向上上和下各减去31个像素点，得到水平方向上一个1*（H-31*2）的数组，将它记为yData1，垂直方向上一个（W-31*2）*1的数组，将它记为xData1，此步处理是为了减少图像边缘可能存在的物理问题的影响。
然后通过比较函数求得水平方向上梯度值最大的那个值，即数组yData1中的最大值，记为峰值点x1，然后在x1像素点周围各减去31个像素点，减少近似最大值的影响，其次，在又去除了这（1+31*2）个像素点后的1*（H-1-31*4）的数组yData2上寻找接下来的梯度值最大的那个值，得到x2，重复上一步减像素点的操作，最后在1*（H-2-31*6）的数组yData3上得到梯度最大的那个值，记为x3，总共三个峰值点，将这三个峰值点放在数组XPeaklist中。
同样的，在垂直方向的数组xData上也进行相同的操作，得到三个峰值点分别记为y1、y2和y3，将这三个峰值点放在数组YPeaklist中。
步骤E、根据XPeaklist和YPeaklist交叉得到若干块区域，计算若干块区域的均值和标准差，具体步骤如下。
步骤E1、由步骤D中得到的数组XPeaklist中的三个峰值点x1、x2和x3分别在垂直方向上做三条垂线，由数组YPeaklist中的三个峰值点y1、y2和y3分别在水平方向上做三条垂线，6条线相交，得到16个区域，其中有9个点是水平方向和垂直方向相交的点，坐标分别是（x1,y1）、(x1,y2)、(x1,y3)、(x2,y1)、(x2,y2)、(x2,y3)、(x3,y1)、(x3,y2)和(x3,y3)。
步骤E2、以上述步骤E1中得到的9个交点为中心，固定像素点为半径画圆得到9个典型区域，根据工程经验，区域半径为31个像素点，计算这九个区域的梯度标准差和均值并标准差和均值各自相加后都除以9，得到这幅图像中典型区域的梯度均值gMean和标准差gStd。
步骤F、判断某幅图像中典型区域的梯度均值是否小于阈值来判断图片是否清晰，阈值由整体图像数据集中典型区域的梯度均值和标准差确定。
步骤F1、读取整个图像数据集的图像并根据步骤A至步骤E对这些图像求典型区域梯度值下的标准差和均值，通过统计大量数据得到整体图像数据集中典型区域的梯度均值GMean和标准差GStd，阈值设置为GMean-2*GStd。
步骤F2、由步骤E得到该图像数据集中某一幅图像的9个典型区域的梯度均值gpMean，若gpMean<GMean-2*GStd，则判断该图像为客观模糊；否则，判断该图像为客观清晰。
步骤F3、输出对图像清晰度判断的结果。
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)

1.一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，包括如下步骤：
步骤A、在采集的图像数据集中，任选一幅图像进行灰度化处理，得到图像Y；
步骤B、对图像Y进行均值滤波，得到图像tresult；
步骤C、用scharr算子求得图像tresult在水平方向和垂直方向上的梯度图，得到图像vresult；
步骤D、对图像vresult进行水平方向和垂直方向上的梯度叠加，并各自计算水平方向和垂直方向上的若干峰值点，分别存储在数组XPeaklist和YPeaklist中；
步骤E、由数组XPeaklist和YPeaklist中的峰值点分别做垂直垂线和水平垂线，交叉得到若干交点，以交点为中心得到若干典型区域，计算得到该图像典型区域的梯度均值和标准差；
步骤F、根据所述步骤A至E得到图像数据集中所有图像典型区域的梯度均值和标准差，统计得到整体图像数据集典型区域的梯度均值和标准差并设置阈值，根据数据集中某幅图像典型区域的梯度均值是否小于该阈值，来判断该图像的清晰度。
2.根据权利要求1所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤A中，输入W*H*3的RBG三通道图片，通过灰度化处理，输出W*H的二维图像Y。
3.根据权利要求1所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤B中，设置了一个标准差为零的卷积核对图像Y进行均值滤波。
4.根据权利要求1所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤D具体包括：
步骤D1、对图像vresult进行水平方向和垂直方向上的梯度叠加，得到水平方向上的数组和垂直方向上的数组；
步骤D2、设定检测范围为若干像素点，在图像vresult的上下左右各减去一个检测范围得到新的水平方向上的数组和垂直方向上的数组，通过比较函数求得数组各自的最大值即峰值点，然后在数组中减去各自的最大值及其检测范围内的值，得到新的水平方向上的数组和垂直方向上的数组，再通过比较函数求得数组各自的最大值，重复上述过程直至求得水平方向和垂直方向上的若干峰值点，将其分别存储在数组XPeaklist和YPeaklist中。
5.根据权利要求4所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤D2中，检测范围为31个像素点。
6.根据权利要求1所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤E具体包括：
步骤E1、由数组XPeaklist中的峰值点分别在垂直方向上做若干垂线，由数组YPeaklist中的峰值点在水平方向上做若干垂线，由上述垂线交叉得到若干区域和若干交点；
步骤E2、以上述交点为中心得到若干典型区域，通过计算典型区域各自的梯度标准差和均值得到该幅图像中典型区域的梯度均值和标准差。
7.根据权利要求6所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤E2中，典型区域是以交点为中心，固定像素点为半径的圆。
8.根据权利要求6所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤E2中，将若干典型区域的标准差和均值各自相加后都除以典型区域个数，得到该幅图像中典型区域的梯度均值和标准差。
9.根据权利要求1所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤F具体包括：
步骤F1、读取整个图像数据集，根据步骤A至步骤E求得数据集中所有图像典型区域的梯度均值和标准差，通过统计得到整体图像数据集典型区域的梯度均值和标准差，根据整体图像数据集典型区域的梯度均值和标准差来确定阈值；
步骤F2、从数据集中选择某幅图像，若该图像典型区域的梯度均值小于阈值，则判断该图像为客观模糊，否则，判断该图像为客观清晰；
步骤F3、输出对图像清晰度判断的结果。
10.根据权利要求1所述的一种面向目标检测的图像无参考清晰度质量检测方法，其特征在于，所述步骤F2中，整体图像数据集典型区域的梯度均值为GMean，标准差为GStd，则阈值为GMean-2*GStd。
CN202010234324.7A 2020-03-30 2020-03-30 面向目标检测的图像无参考清晰度质量检测方法 Active CN111429437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010234324.7A CN111429437B (zh) 2020-03-30 2020-03-30 面向目标检测的图像无参考清晰度质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010234324.7A CN111429437B (zh) 2020-03-30 2020-03-30 面向目标检测的图像无参考清晰度质量检测方法

Publications (2)

Publication Number Publication Date
CN111429437A true CN111429437A (zh) 2020-07-17
CN111429437B CN111429437B (zh) 2023-04-25

Family

ID=71551684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010234324.7A Active CN111429437B (zh) 2020-03-30 2020-03-30 面向目标检测的图像无参考清晰度质量检测方法

Country Status (1)

Country Link
CN (1) CN111429437B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288722A (zh) * 2020-10-30 2021-01-29 浙江科技学院 一种珍珠光泽的测试方法
WO2023128966A1 (en) * 2021-12-29 2023-07-06 Arcelik Anonim Sirketi A refrigerator with camera detecting image quality

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793918A (zh) * 2014-03-07 2014-05-14 深圳市辰卓科技有限公司 一种图像清晰度检测方法及装置
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
US20160267675A1 (en) * 2014-06-23 2016-09-15 Boe Technology Group Co., Ltd. Image edge detection method and apparatus thereof, image target identification method and apparatus thereof
CN107240078A (zh) * 2017-06-06 2017-10-10 广州优创电子有限公司 镜头清晰度验算方法、装置及电子设备
CN107507173A (zh) * 2017-08-15 2017-12-22 上海交通大学 一种全切片图像的无参考清晰度评估方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793918A (zh) * 2014-03-07 2014-05-14 深圳市辰卓科技有限公司 一种图像清晰度检测方法及装置
US20160267675A1 (en) * 2014-06-23 2016-09-15 Boe Technology Group Co., Ltd. Image edge detection method and apparatus thereof, image target identification method and apparatus thereof
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
CN107240078A (zh) * 2017-06-06 2017-10-10 广州优创电子有限公司 镜头清晰度验算方法、装置及电子设备
CN107507173A (zh) * 2017-08-15 2017-12-22 上海交通大学 一种全切片图像的无参考清晰度评估方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288722A (zh) * 2020-10-30 2021-01-29 浙江科技学院 一种珍珠光泽的测试方法
CN112288722B (zh) * 2020-10-30 2022-07-01 浙江科技学院 一种珍珠光泽的测试方法
WO2023128966A1 (en) * 2021-12-29 2023-07-06 Arcelik Anonim Sirketi A refrigerator with camera detecting image quality

Also Published As

Publication number Publication date
CN111429437B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
EP3309703B1 (en) Method and system for decoding qr code based on weighted average grey method
CN104463795B (zh) 一种点阵式dm二维码图像处理方法及装置
CN105574533B (zh) 一种图像特征提取方法和装置
CN111382658B (zh) 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法
CN111429437B (zh) 面向目标检测的图像无参考清晰度质量检测方法
CN113222992B (zh) 基于多重分形谱的裂纹特征表征方法及系统
CN104966047A (zh) 一种车牌识别的方法及装置
CN114881965A (zh) 一种基于人工智能和图像处理的木板节子检测方法
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN107818583A (zh) 十字中心检测方法及装置
CN115294035B (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN100371944C (zh) 基于反射或透射光强分布特性的灰度图像分割方法
CN101702238A (zh) 基于浮雕图像的运动分割方法
CN113284158B (zh) 一种基于结构约束聚类的图像边缘提取方法及系统
CN111861997B (zh) 一种花纹板材圆孔尺寸检测方法、系统及装置
CN115019306A (zh) 一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统
CN114612333A (zh) 一种基于显微镜图像的微囊藻类细胞统计方法
CN113223098A (zh) 图像颜色分类的预处理优化方法
CN113012132A (zh) 一种图像相似度确定方法、装置及计算设备、存储介质
CN111028245A (zh) 一种多模态复合的高清高速视频背景建模方法
CN111353994B (zh) 一种面向目标检测的图像无参考亮度质量检测方法
CN114581448B (zh) 图像检测方法、装置、终端设备以及存储介质
CN115409890B (zh) 基于msr和广义霍夫变换的自定义标志检测方法及系统
CN112669339B (zh) 一种海水水下图像边缘点的判定方法
CN117557784B (zh) 目标检测方法、装置、电子设备及存储介质

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