CN111445435A - 一种基于多区块小波变换的无参考图像质量评价方法 - Google Patents
一种基于多区块小波变换的无参考图像质量评价方法 Download PDFInfo
- Publication number
- CN111445435A CN111445435A CN201911258036.9A CN201911258036A CN111445435A CN 111445435 A CN111445435 A CN 111445435A CN 201911258036 A CN201911258036 A CN 201911258036A CN 111445435 A CN111445435 A CN 111445435A
- Authority
- CN
- China
- Prior art keywords
- image
- score
- scores
- block
- wavelet transform
- 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
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20064—Wavelet transform [DWT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于多区块小波变换的无参考图像质量评价方法,首先读取待测原始图像并将图像不同区域分割为多个不同的区块,然后将原始图像和区块图像分别进行小波变换,得到图像各频带特征下的空域图像,对每个空域图像进行计算得到此图像的各频带灰度密度图,取得此密度图的衰减系数、方差,经过构造的评分函数计算得到小波变换初始评分,将各频带的评分和它们之间的方差进行加权求和,作为单个图像的小波变换最终评分,最后将所有评分以及评分之间的方差进行加权求和,得到待测图像的清晰度评分。本发明能够正确评价模糊种类,计算所得评分更接近人眼直观感受,算法完成度高、计算效率高、通用性好,具有较大的实用价值。
Description
技术领域
本发明属于图像处理技术领域,涉及一种基于多区块小波变换的无参考图像质量评价方法。
背景技术
由于光学系统镜头设计、大气条件、探测器后端处理电路等因素的影响,都会导致图像失真,进而影响后期对图像数据的处理,因此合理有效地评价图像质量至关重要。
在无参考图像评价中,图像模糊是影响图像质量的最主要的失真类型。很多因素会造成图像的模糊,如光学系统的离焦、目标物体的运动、图像压缩等。图像模糊会导致边缘变粗,变宽,致使高频部分缺失。围绕这些特征,出现了大量相关的评价算法。
(1)边缘检测算法
Pina Marziliano等提出了一种空间域的图像模糊评价算法。由于模糊会造成图像中边缘的拓展,因此利用Sobel算子检测竖直方向边缘,通过寻找灰度值中最邻近的极大值和极小值点得到边缘宽度,将所有边缘宽度的均值作为图像整体模糊程度的估计。Ong等提出利用图像边缘的平均程度作为特征,利用图像在反梯度方向上斜率的延伸程度作为图像质量评价的衡量指标。Wang等使用大小不同的模板进行边缘检测,利用得到的检测边缘的最大强度、平均强度以及边缘比率等信息计算图像模糊程度。Wu等首先利用边缘检测算子对图像进行边缘检测,然后使用Radon变换在检测得到的边缘中寻找线性特征,最后用线扩散函数和点扩散函数来拟合计算这些特征。
边缘检测算法得到长期蓬勃的发展,但是目前此算法都不够精确,各种边缘检测算子都存在漏检或误检,影响了最后图像质量的评价结果;某些算法需要通过再模糊来构造模糊副本得提前知道模糊类型,在实际应用中大打折扣。
(2)频域变换算法
图像特征在不同的变换域中,具有其自己的特殊性,如离散余弦变换(DiscreteCosineTransform,DCT)、多尺度分解(Multiplicative Multiresolution Decomposition,MMD)、离散小波变换(Discrete Wavelet Transform,DWT)等。因此可以在频域建立相关模糊评价算法。Caviedes等提出将图像边缘轮廓分为8×8像素块,通过计算各个像素块DCT的峰度平均值进行图像模糊程度的评价;Kristan等使用均匀性分布情况对测试图像的DCT系数进行分析可以达到对图像锐利度的评估。如Tong等基于多尺度Haar小波变换系数将边缘进行不同类型的分类,利用相应的规则判断是否模糊,并统计模糊边缘的个数达到估计整个图像模糊程度的目的。Serir等提出通过对图像提取纹理、奇异点数量、轮廓、和对比度等相关特征进行MMD系数检测相关点,同时对其进行分类,并利用不同尺度下的模糊系数进行整体模糊度的估计。
在频域评价方法中,由于模糊图像在不同分辨率下的边缘展宽会发生变化,因此在模糊评价中得到广泛应用。通过结合图像频域特性和多尺度特征,建立相关评价指标的算法,在与只利用边缘检测的算法相比,准确性得到了巨大的提高,由于利用了多尺度特性,其算法的鲁棒性也得到了提高,且其本身的计算复杂度也不高。但现有的频域变换评价方法仅能对高斯模糊得到较为准确的评价结果,对于其他模糊种类,特别是图像边缘模糊、方向性模糊的评价结果则非常不准确。
发明内容
(一)发明目的
本发明的目的是:针对上述现有技术存在的问题,提出一种基于多区块小波变换的无参考图像质量评价方法,能够实现对高斯模糊、边缘模糊、方向性模糊等影响图像质量的模糊进行准确的判断。
(二)技术方案
为了解决上述技术问题,本发明提供一种基于多区块小波变换的无参考图像质量评价方法,其包括以下步骤:
S1:读取待测图像,并将待测图像不同区域分割为多个不同的区块;
S2:将待测图像和分割出的区块图像分别进行小波变换,得到每个图像各频带特征下的空域图像;其中,每个图像包括待测图像和区块图像;
S3:对每个空域图像进行计算得到此图像的各频带灰度密度图,取得此密度图的衰减系数、方差,经过构造的评价函数计算得到小波变换初始评分,将各频带的评分和它们之间的方差进行加权求和,作为单个图像的小波变换最终评分;
S4:将所有图像的评分以及评分之间的方差进行加权求和,得到待测图像的清晰度评分。
其中,所述步骤S2中,对每个图像进行小波变换时,得到图像在垂直方向的高频信息、在水平方向的高频信息和对角线上的高频信息。
其中,所述步骤S3中,垂直方向、水平方向、对角线上的高频信息的图像灰度密度分别满足广义高斯分布:
其中:
解此函数可得方差σ2和形状参数α。
其中,所述步骤S3中,构造的评价函数为:
式中a、b为敏感系数,函数求得的S值越大,则表明频带的高频信息越多,即图像越清晰。
其中,所述步骤S3中,将垂直方向、水平方向、对角线上的高频信息对应的S值代入带惩罚系数的加权平均函数:
M=A1SHL+A2SLH+A3SHH-BEHL,LH
其中,A1、A2、A3、B为权重因子;惩罚系数EHL,LH为垂直方向的高频信息和水平方向的高频信息的S值的标准差;M为图像的清晰度评分。
其中,所述步骤S4中,将待测图像和分割出的区块图像的清晰度评分联合构造一个清晰度评价函数:
其中,Mi为第i个图像的清晰度评分,wi为第i个图像的权重因子矩阵,i=1、2、...、n,n为待测图像和分割出的区块图像的总个数,C为权重系数,Etotal为所有区块的清晰度评分值的标准差;Msum为该待测原始图像清晰度的最终评分,得分越高,则表明图像越清晰。
(三)有益效果
上述技术方案所提供的基于多区块小波变换的无参考图像质量评价方法,以多区块小波变换图像质量评价算法及算法的代码实现为核心,对同一场景的图像质量进行定量评价,解决了普通小波变换评价方法对图像方向性模糊、边缘模糊等像差评价的缺陷,实现对任意图像质量得到正确评价结果的目的。
附图说明
图1是本发明的流程简图。
图2是本发明的原始待测图像。
图3是本发明的小波变换之后的各频带空域图像。
图4是本发明的区块划分示意图。
图5是本发明的高斯模糊图像评价结果。
图6是本发明的方向性模糊、边缘模糊图像评价结果。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
图1为算法流程简图,图2为待测原始图片。对原始图片进行小波变换,得到图像在不同频带和不同空间方向上的分解,如图3所示。图3中LL为图像低频信息,HL为图像在垂直方向的高频信息,LH为图像在水平方向的高频信息,HH为图像对角线上的高频信息。高频信息HL、LH、HH的图像灰度密度分别满足广义高斯分布:
其中:
解此函数可得方差σ2和形状参数α。
随着图像模糊失真加剧,方差会逐渐变小,而形状参数会逐渐变大。利用小波变换高频带的特性,构造一个频带评价函数:
式中a、b为敏感系数。函数求得的S值越大,则表明频带的高频信息越多,即图像越清晰。接着将HL、LH、HH的S值代入带惩罚系数的加权平均函数:
M=A1SHL+A2SLH+A3SHH-BEHL,LH
其中,A1、A2、A3、B为权重因子;惩罚系数EHL,LH为HL和LH的S值的标准差;M为图像的清晰度评分。接下来对原始图像划分为9个区块,参见图4。对每个区块分别进行与原始图片相同的计算,求得各区块的M。将原始图片的M与区块的M联合构造一个清晰度评价函数:
其中w为权重因子矩阵,C为权重系数,Etotal为所有区块的M值的标准差。Msum为该待测原始图像清晰度的最终评分,得分越高,则表明图像越清晰。
本发明对高斯模糊的评价结果参见图5。所得评分能够准确评价同一场景下,不同图片的清晰程度。
本发明对不同设备拍摄的带有方向性模糊、边缘模糊的评价结果参见图6。图6中上图的整体清晰度较好,各区域清晰度也比较平均。下图的中心位置清晰度比上图更好,但图像边缘区域有方向性模糊和边缘模糊,像质较差。算法评价结果为上图清晰度更高,符合人眼感受。
需要注意的是,上述待测图片及具体计算数据均为示例性的,算法中的各权重、参数不限于上述所示出的值,可以采用其他的值,都可以达到类似的技术效果。
本发明首先读取待测原始图像并将图像不同区域分割为多个不同的区块。然后将分割出的区块图像分别进行小波变换,得到图像各频带特征下的空域图像。对每个空域图像进行计算得到此图像的各频带灰度密度图,取得此密度图的衰减系数、方差,经过构造的评分函数计算得到小波变换初始评分,将各频带的评分和它们之间的方差进行加权求和,作为单个区块图像的小波变换最终评分。最后将所有区块的评分以及评分之间的方差进行加权求和,得到待测图像的清晰度评分。
本发明相比于现有技术具有如下有益效果:
本发明比采用边缘检测算法或经典小波变换算法得到的图像清晰度指标更加准确。
本发明能够正确评价除高斯模糊外的其他模糊种类,计算所得评分更接近人眼直观感受。
本发明算法完成度高、计算效率高、通用性好,具有较大的实用价值。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于多区块小波变换的无参考图像质量评价方法,其特征在于,包括以下步骤:
S1:读取待测图像,并将待测图像不同区域分割为多个不同的区块;
S2:将待测图像和分割出的区块图像分别进行小波变换,得到每个图像各频带特征下的空域图像;其中,每个图像包括待测图像和区块图像;
S3:对每个空域图像进行计算得到此图像的各频带灰度密度图,取得此密度图的衰减系数、方差,经过构造的评价函数计算得到小波变换初始评分,将各频带的评分和它们之间的方差进行加权求和,作为单个图像的小波变换最终评分;
S4:将所有图像的评分以及评分之间的方差进行加权求和,得到待测图像的清晰度评分。
2.如权利要求1所述的基于多区块小波变换的无参考图像质量评价方法,其特征在于,所述步骤S2中,对每个图像进行小波变换时,得到图像在垂直方向的高频信息、在水平方向的高频信息和对角线上的高频信息。
5.如权利要求4所述的基于多区块小波变换的无参考图像质量评价方法,其特征在于,所述步骤S3中,将垂直方向、水平方向、对角线上的高频信息对应的S值代入带惩罚系数的加权平均函数:
M=A1SHL+A2SLH+A3SHH-BEHL,LH
其中,A1、A2、A3、B为权重因子;惩罚系数EHL,LH为垂直方向的高频信息和水平方向的高频信息的S值的标准差;M为图像的清晰度评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258036.9A CN111445435B (zh) | 2019-12-10 | 2019-12-10 | 一种基于多区块小波变换的无参考图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258036.9A CN111445435B (zh) | 2019-12-10 | 2019-12-10 | 一种基于多区块小波变换的无参考图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445435A true CN111445435A (zh) | 2020-07-24 |
CN111445435B CN111445435B (zh) | 2023-08-15 |
Family
ID=71626867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911258036.9A Active CN111445435B (zh) | 2019-12-10 | 2019-12-10 | 一种基于多区块小波变换的无参考图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445435B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222985A (zh) * | 2021-06-04 | 2021-08-06 | 中国人民解放军总医院 | 一种图像处理方法、装置、计算机设备和介质 |
CN113920065A (zh) * | 2021-09-18 | 2022-01-11 | 天津大学 | 用于工业现场的视觉检测系统成像质量评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127926A (zh) * | 2007-09-14 | 2008-02-20 | 西安电子科技大学 | 基于多尺度几何分析的图像质量评测方法 |
US20110274361A1 (en) * | 2010-05-10 | 2011-11-10 | Board Of Regents, The University Of Texas System | Determining quality of an image or video using a distortion classifier |
CN102945552A (zh) * | 2012-10-22 | 2013-02-27 | 西安电子科技大学 | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 |
CN106778917A (zh) * | 2017-01-24 | 2017-05-31 | 北京理工大学 | 基于小波统计特征的无参考噪声图像质量评价方法 |
CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
-
2019
- 2019-12-10 CN CN201911258036.9A patent/CN111445435B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127926A (zh) * | 2007-09-14 | 2008-02-20 | 西安电子科技大学 | 基于多尺度几何分析的图像质量评测方法 |
US20110274361A1 (en) * | 2010-05-10 | 2011-11-10 | Board Of Regents, The University Of Texas System | Determining quality of an image or video using a distortion classifier |
CN102945552A (zh) * | 2012-10-22 | 2013-02-27 | 西安电子科技大学 | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 |
CN106778917A (zh) * | 2017-01-24 | 2017-05-31 | 北京理工大学 | 基于小波统计特征的无参考噪声图像质量评价方法 |
CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
Non-Patent Citations (4)
Title |
---|
ANUSH KRISHNA MOORTHY: "A Two-Step Framework for Constructing Blind Image Quality Indices", 《IEEE SIGNAL PROCESSING LETTERS》 * |
PHONG V.VU等: "A Fast Wavelet-Based Algorithm for Global and Local Image Sharpness Estimation", 《IEEE SIGNAL PROCESSING LETTERS》 * |
张婉怡: "基于视觉感知和自然场景统计的图像质量评价方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王志明: "无参考图像质量评价综述", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222985A (zh) * | 2021-06-04 | 2021-08-06 | 中国人民解放军总医院 | 一种图像处理方法、装置、计算机设备和介质 |
CN113920065A (zh) * | 2021-09-18 | 2022-01-11 | 天津大学 | 用于工业现场的视觉检测系统成像质量评价方法 |
CN113920065B (zh) * | 2021-09-18 | 2023-04-28 | 天津大学 | 用于工业现场的视觉检测系统成像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111445435B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Hybrid no-reference natural image quality assessment of noisy, blurry, JPEG2000, and JPEG images | |
Feichtenhofer et al. | A perceptual image sharpness metric based on local edge gradient analysis | |
Li et al. | Three-component weighted structural similarity index | |
Guan et al. | No-reference blur assessment based on edge modeling | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
KR101112139B1 (ko) | 부호화된 영상의 확대비 및 노이즈 강도 추정장치 및 방법 | |
WO2003101120A1 (en) | A method and system for estimating sharpness metrics based on local edge statistical distribution | |
EP1958158B1 (en) | Method for detecting streaks in digital images | |
US20060056731A1 (en) | Determining sharpness predictors for a digital image | |
CN105678700A (zh) | 基于预测梯度的图像插值方法及系统 | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
US20140126808A1 (en) | Recursive conditional means image denoising | |
Harb et al. | Improved image magnification algorithm based on Otsu thresholding | |
Attar et al. | Image quality assessment using edge based features | |
CN107689039B (zh) | 估计图像模糊度的方法和装置 | |
CN111445435B (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
CN110910347B (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
Bahrami et al. | Efficient image sharpness assessment based on content aware total variation | |
Bong et al. | Objective blur assessment based on contraction errors of local contrast maps | |
Chen et al. | A universal reference-free blurriness measure | |
Joy et al. | RECENT DEVELOPMENTS IN IMAGE QUALITY ASSESSMENT ALGORITHMS: A REVIEW. | |
CN108416770B (zh) | 一种基于视觉显著性的图像质量评价方法 | |
CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
Saad et al. | Natural DCT statistics approach to no-reference image quality assessment | |
KR101899070B1 (ko) | 랜덤신호에 대한 강건성 정량화를 통한 단독 영상 품질 평가 방법 및 장치 |
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 |