CN111539913A - 一种移动设备拍照清晰度质量评价方法、系统和终端 - Google Patents

一种移动设备拍照清晰度质量评价方法、系统和终端 Download PDF

Info

Publication number
CN111539913A
CN111539913A CN202010211195.XA CN202010211195A CN111539913A CN 111539913 A CN111539913 A CN 111539913A CN 202010211195 A CN202010211195 A CN 202010211195A CN 111539913 A CN111539913 A CN 111539913A
Authority
CN
China
Prior art keywords
image
block
quality
mobile device
evaluated
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
CN202010211195.XA
Other languages
English (en)
Other versions
CN111539913B (zh
Inventor
翟广涛
孙伟
杨小康
朱文瀚
闵雄阔
陆强
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202010211195.XA priority Critical patent/CN111539913B/zh
Publication of CN111539913A publication Critical patent/CN111539913A/zh
Application granted granted Critical
Publication of CN111539913B publication Critical patent/CN111539913B/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
    • G06T7/11—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
    • G06T2207/10—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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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]
    • 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)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明提供了一种移动设备拍照清晰度质量评价方法、系统和终端，方法首先选取图像纹理最为丰富的区域作为表征待评价图像清晰度质量的块状区域，然后计算该块状区域在空间域、频域和小波域上的纹理特征，最后利用机器学习的方法把块状区域的特征向量回归到主观的清晰度质量分数。本发明只选取图像纹理最为丰富的区域作为待评价的对象，可以有效的排除图像无关位置的影响，分别从空间域、频域和小波域上提取纹理特征，可以高效的表征图像清晰度的特征信息。

Description

一种移动设备拍照清晰度质量评价方法、系统和终端
技术领域
本发明涉及的是一种图像处理技术，具体地说，涉及的是一种基于图像锐化特征的移动设备拍照清晰度质量评价方法、系统和终端。
背景技术
随着智能移动设备的快速发展，用户对于移动设备照相功能要求越来越高，越来越多的移动设备厂家推出具有优秀照相性能的相机来增加智能移动设备的竞争力。因此，对于移动设备照相性能的评价也越来越重要。目前，比较流行的评价移动设备照相性能的方法是主观质量评价方法，例如DxOMark公司。主观质量评价的方法的步骤是通过专业摄影人员在使用多个移动设备相机拍摄同一条件下(比如光照、天气等)的同一场景的照片，然后专业人员在仔细比较拍摄的图像，给出图像质量的排名。根据评价移动设备性能的维度(比如清晰度、噪声、HDR等)，会拍摄多个场景下的照片来进行评价。
尽管主观质量评价的方法可以提供符合人眼视觉的评价结果，但是主观评价质量评价方法依然存在许多问题。首先，主观质量评价需要一定的时间以及需要专业人员的参与，这增加了质量评价的成本，并且无法快速给出照片质量的相对好坏。其次，主观质量评价容易受到评价者专业程度的不同，而给不一致的结果。最后，主观质量评价方法难以受到监督，这使得难以公平公正的比较不同设备的拍摄性能。
经过对现有技术的文献检索发现，现有的客观质量评价难以适用于移动设备拍照性能的评价。例如，目前性能较好的客观质量评价方法Structural Similarity Index,SSIM(Zhou Wang等人发表于《IEEE Transaction on Image Processing》第13卷第4期的600页至612页)为全参考质量评价方法，但是移动设备相机在拍摄的过程中并没有参考图像的存在，因此无法适用。对于无参考质量评价方法，大多数都是依据模拟失真类型的图像质量评价库建立的，比如BRISQUE(Anish Mittal等人发表于《IEEE Transaction on ImageProcessing》第21卷第12期的4695页至4708页)等，这些无参考质量评价方法通常只能计算图像差异比较明显的图像，而对于评价移动设备拍摄性能的图像，它们通常具有较高的图像质量，因此，这些无参考图像质量的方法依然无法用于评价移动设备相机的图像质量评价。
发明内容
移动设备相机性能通常涉及多个维度，其中清晰度的特性最为重要，针对现有图像质量评价方法无法评价移动设备相机拍摄性能的困境，本发明提供一种基于图像纹理特征的移动设备拍照清晰度质量评价方法、系统和终端。
根据本发明的第一方面，提供一种移动设备拍照清晰度质量评价方法，包括：
选取图像纹理最为丰富的区域，作为表征待评价图像清晰度质量的块状区域；
计算所述块状区域在空间域、频域和小波域上的纹理特征；
将所述块状区域的纹理特征回归到主观的清晰度质量分数，实现图像质量评价。
可选地，所述选取图像纹理最为丰富的区域，包括：
计算待评价图像的边缘图E；
通过边缘图E，选取表征待评价图像清晰度质量的块状区域p。
可选地，所述计算待评价图像的边缘图E，包括：
使用边缘检测算子计算待评价图像的边缘图E。
可选地，所述通过边缘图E，选取表征待评价图像清晰度质量的块状区域p，包括：
使用大小为待评价图像高度的N分之一的滑窗，N为大于等于2的自然数，以一个像素为步长，计算待评价图像在滑窗内边缘图的像素和，取像素和最大的滑窗作为表征待评价图像清晰度质量的块状区域p。
可选地，计算所述块状区域在空间域上的纹理特征，包括：
将块状区域p分割成大小为MxM的图像块；
根据每个图像块中的边缘信息，将图像块分为边缘块和非边缘块；
将所有边缘块的边缘信息加在一起，作为块状区域p在空间域中的纹理特征f1。
可选地，计算所述块状区域在频域上的纹理特征，包括：
将块状区域p通过傅里叶变换变换到频域中；
计算频率大于D0的高频区域的信息作为块状区域p在频域的纹理特征f2，D0的大小根据图片由图片分辨率进行设定。
可选地，计算所述块状区域在小波域上的纹理特征，包括：
将块状区域p通过三层可分离离散小波变换变换到小波域中；
计算每个子带的对数能量值，将所有对数能量值加在一起作为块状区域p在小波域中纹理特征f3。
可选地，将所述块状区域的纹理特征回归到主观的清晰度质量分数，包括：
使用机器学习的方法将所述块状区域在空间域、频域和小波域上的纹理特征回归到图像主观分数。
根据本发明的第二方面，提供一种移动设备拍照清晰度质量评价系统，包括：
块状区域选取模块，选取图像纹理最为丰富的区域，作为表征待评价图像清晰度质量的块状区域；
纹理特征计算模块，计算所述块状区域在空间域、频域和小波域上的纹理特征；
回归模块，将所述块状区域的纹理特征回归到主观的清晰度质量分数，实现图像质量评价。
根据本发明的第二方面，提供一种移动设备拍照清晰度质量评价终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述的移动设备拍照清晰度质量评价方法。
与现有的图像质量评价技术相比，本发明具有以下的有益效果：
本发明上述方法、系统及终端，首先选取图像纹理最为丰富的区域，作为表征待评价图像清晰度质量的块状区域，分别提取块状区域在空域、频域和小波域上的纹理特征，然后将特征值回归到主观分数上。只选取图像纹理最为丰富的区域作为待评价的对象，可以有效的排除图像无关位置的影响，分别从空间域、频域和小波域上提取纹理特征，可以高效的表征图像清晰度的特征信息。
本发明上述方法、系统及终端是基于图像锐化特征，能够有效实现移动设备拍照清晰度质量评价，极大地简化现有移动设备相机性能评价的环节，可用于自动评价移动设备拍摄图像的清晰度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一较优实施例移动设备拍照清晰度质量评价方法的方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明提供的移动设备拍照清晰度质量评价方法，首先选取图像纹理最为丰富的区域作为表征待评价图像清晰度质量的块状区域，然后计算该块状区域在空间域、频域和小波域上的纹理特征，最后将块状区域的特征向量回归到主观的清晰度质量分数。具体的，图1为本发明一较优实施例移动设备拍照清晰度质量评价方法流程图，如图1所示，该较优实施例中，移动设备拍照清晰度质量评价方法可以按照以下步骤来进行：
步骤101，计算待评价图像的边缘图E；
步骤102，通过边缘图E，选取可以表征待评价图像清晰度质量的块状区域p；
步骤103，在空间域中计算块状区域p的纹理特征f1；
步骤104，在频域中计算块状区域p的纹理特征f2；
步骤105，在小波域中计算块状区域p的纹理特征f3；
步骤106，使用机器学习的方法将纹理特征f1～f3回归到图像主观分数。
本发明上述实施例通过选取图像纹理最为丰富的区域作为待评价的对象，可以有效的排除图像无关位置的影响，分别从空间域、频域和小波域上提取纹理特征，可以高效的表征图像清晰度的特征信息。
应当理解的是，上述步骤只是为了更好说明本发明的优选实施例，并不是对方法的先后限制，比如步骤103～105可以任意先后执行，也可以同时执行。
在部分优选实施例中，上述步骤101计算待评价图像的边缘图E时，图像的细节的丰富程度可以通过边缘特征来表示，该步骤使用边缘检测算子，如Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、Log/Marr算子、Canny算子、Kirsch算子、Nevitia算子等边缘检测算子中任一种来计算待评价图像的边缘图E。
在部分优选实施例中，上述步骤102，选取可以表征待评价图像清晰度质量的块状区域p。因为人眼视觉系统容易受到局部图像质量影响，当图像某个局部区域质量很差的时候，会直接使图像的质量变差。因此，该步骤寻找一张图像中纹理最为丰富的区域，以该区域的质量代替图像的整体质量。为此，取图像的宽度N分之一作为正方形块状区域的大小，使用该大小的滑窗，以一个像素为步长，计算待评价图像在滑窗内边缘图的像素和，取像素和最大的滑窗作为可以表征待评价图像清晰度质量的块状区域p。上述N可以为大于等于2的自然数，比如可以选择5，当然，也可以是其他数值。
在部分优选实施例中，上述步骤103,在空间域中计算块状区域p的纹理特征f1。将块状区域p分为MxM的图像块，然后计算每个图像块中的边缘图的像素和，当像素和大于某一个阈值T0时，该图像块为边缘块，以此为依据，将图像块分为边缘块和非边缘块。然后将所有边缘块的边缘图的像素加在一起，作为块状区域p在空间域中的纹理特征f1。该实施例中，M可为64。一般而言，T0可设置为a*S，S为图像块中像素总个数，a为大于0小于1的可调节参数。当然，在其他实施例中，也可以采用其他M、T0。
在部分优选实施例中，上述步骤104，在频域中计算块状区域p的纹理特征f2。将块状区域p通过傅里叶变换变换到频域中，然后定于频率阈值D0高于D0的为高频信息，统计频域大于D0区域的高频区域的方图作为块状区域p在频域的纹理特征f2，D0的大小根据图片由图片分辨率进行设定，一般设定为图片宽度的0.05倍。当然，在其他实施例中，也可以采用其他数值。
在部分优选实施例中，上述步骤105，在小波域中计算块状区域p的纹理特征f3。将块状区域p通过三层可分离离散小波变换到小波域中，然后计算每个子带的对数能量值，将所有对数能量值加在一起作为块状区域p在小波域中纹理特征f3。
在部分优选实施例中，上述步骤106，使用机器学习的方法f1到f3的特征回归到图像主观分数。将特征值f1到f3的特征值和在一起作为块状区域p的纹理特征向量，然后使用机器学习的方法，比如支持向量回归、随机深林回归等方法将特征向量回归到主观分数，主观分数的范围从0到100，其中主观分数为0的图像质量最差，主观分数为100的图像质量最好。
本发明上述实施例适用于各种智能手机、平板电脑、笔记本电脑、数码相机、可插拔式摄像头等可携带式、具有拍照工具的设备。
以上实施例中各较佳特征，可以在任一实施例中单独使用，在互不冲突的前提下，也可以任一组合使用。另外，实施例中没有详细说明的部分可以采用现有技术实现。
基于上述各实施例的移动设备拍照清晰度质量评价方法，在本发明另一实施例中还提供一种移动设备拍照清晰度质量评价系统，该系统包括：块状区域选取模块，选取图像纹理最为丰富的区域，作为表征待评价图像清晰度质量的块状区域；纹理特征计算模块，计算所述块状区域在空间域、频域和小波域上的纹理特征；回归模块，将所述块状区域的纹理特征回归到主观的清晰度质量分数，实现图像质量评价。移动设备拍照清晰度质量评价系统用于实现移动设备拍照清晰度质量评价方法，其中各模块的功能与上述移动设备拍照清晰度质量评价方法的步骤对应，其实现技术也对应。
基于上述实施例的移动设备拍照清晰度质量评价方法，在本发明另一实施例中还提供一种移动设备拍照清晰度质量评价终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述任一实施例的移动设备拍照清晰度质量评价方法。
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
需要说明的是，本发明提供的所述方法中的步骤，可以利用所述装置中对应的单元等予以实现，本领域技术人员可以参照所述装置的技术方案实现所述方法的步骤流程，即，所述装置中的实施例可理解为实现所述方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的装置及其各个单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上优选实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种移动设备拍照清晰度质量评价方法，其特征在于，包括：
选取图像纹理最为丰富的区域，作为表征待评价图像清晰度质量的块状区域；
计算所述块状区域在空间域、频域和小波域上的纹理特征；
将所述块状区域的纹理特征回归到主观的清晰度质量分数，实现图像质量评价。
2.根据权利要求1所述的移动设备拍照清晰度质量评价方法，其特征在于，所述选取图像纹理最为丰富的区域，包括：
计算待评价图像的边缘图E；
通过边缘图E，选取表征待评价图像清晰度质量的块状区域p。
3.根据权利要求2所述的移动设备拍照清晰度质量评价方法，其特征在于，所述计算待评价图像的边缘图E，包括：
使用边缘检测算子计算待评价图像的边缘图E。
4.根据权利要求2所述的移动设备拍照清晰度质量评价方法，其特征在于，所述通过边缘图E，选取表征待评价图像清晰度质量的块状区域p，包括：
使用大小为待评价图像高度的N分之一的滑窗，N为大于等于2的自然数，以一个像素为步长，计算待评价图像在滑窗内边缘图的像素和，取像素和最大的滑窗作为表征待评价图像清晰度质量的块状区域p。
5.根据权利要求1所述的移动设备拍照清晰度质量评价方法，其特征在于，计算所述块状区域在空间域上的纹理特征，包括：
将块状区域p分割成大小为MxM图像块；
根据每个图像块中的边缘信息，将图像块分为边缘块和非边缘块；
将所有边缘块的边缘信息加在一起，作为块状区域p在空间域中的纹理特征f1。
6.根据权利要求1所述的移动设备拍照清晰度质量评价方法，其特征在于，计算所述块状区域在频域上的纹理特征，包括：
将块状区域p通过傅里叶变换变换到频域中；
计算频率大于D0的高频区域的信息作为块状区域p在频域的纹理特征f2，D0的大小根据图片由图像分辨率进行设定。
7.根据权利要求1所述的移动设备拍照清晰度质量评价方法，其特征在于，计算所述块状区域在小波域上的纹理特征，包括：
将块状区域p通过三层可分离离散小波变换变换到小波域中；
计算每个子带的对数能量值，将所有对数能量值加在一起作为块状区域p在小波域中纹理特征f3。
8.根据权利要求1-7任一项所述的移动设备拍照清晰度质量评价方法，其特征在于，将所述块状区域的纹理特征回归到主观的清晰度质量分数，包括：
使用机器学习的方法将所述块状区域在空间域、频域和小波域上的纹理特征回归到图像主观分数。
9.一种移动设备拍照清晰度质量评价系统，其特征在于，包括：
块状区域选取模块，选取图像纹理最为丰富的区域，作为表征待评价图像清晰度质量的块状区域；
纹理特征计算模块，计算所述块状区域在空间域、频域和小波域上的纹理特征；
回归模块，将所述块状区域的纹理特征回归到主观的清晰度质量分数，实现图像质量评价。
10.一种移动设备拍照清晰度质量评价终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-8任一所述的方法。
CN202010211195.XA 2020-03-24 2020-03-24 一种移动设备拍照清晰度质量评价方法、系统和终端 Active CN111539913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010211195.XA CN111539913B (zh) 2020-03-24 2020-03-24 一种移动设备拍照清晰度质量评价方法、系统和终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010211195.XA CN111539913B (zh) 2020-03-24 2020-03-24 一种移动设备拍照清晰度质量评价方法、系统和终端

Publications (2)

Publication Number Publication Date
CN111539913A true CN111539913A (zh) 2020-08-14
CN111539913B CN111539913B (zh) 2022-12-20

Family

ID=71978740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010211195.XA Active CN111539913B (zh) 2020-03-24 2020-03-24 一种移动设备拍照清晰度质量评价方法、系统和终端

Country Status (1)

Country Link
CN (1) CN111539913B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163120A (zh) * 2020-09-04 2021-01-01 Oppo（重庆）智能科技有限公司 一种分类方法、终端及计算机存储介质
CN112598526A (zh) * 2021-03-04 2021-04-02 蚂蚁智信(杭州)信息技术有限公司 资产数据的处理方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408561A (zh) * 2016-09-10 2017-02-15 天津大学 一种基于图像纹理特征的无参考图像质量评价方法
CN106530281A (zh) * 2016-10-18 2017-03-22 国网山东省电力公司电力科学研究院 基于边缘特征的无人机图像模糊判断方法及系统
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
CN107123127A (zh) * 2017-04-27 2017-09-01 北京京东尚科信息技术有限公司 一种图像主体提取方法及装置
CN107194926A (zh) * 2017-06-13 2017-09-22 复旦大学 互补色小波域图像质量盲评价方法
CN109829905A (zh) * 2019-01-30 2019-05-31 中国矿业大学 一种面部美化感知质量的无参考评价方法
CN110046673A (zh) * 2019-04-25 2019-07-23 上海大学 基于多特征融合的无参考色调映射图像质量评价方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408561A (zh) * 2016-09-10 2017-02-15 天津大学 一种基于图像纹理特征的无参考图像质量评价方法
CN106530281A (zh) * 2016-10-18 2017-03-22 国网山东省电力公司电力科学研究院 基于边缘特征的无人机图像模糊判断方法及系统
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
CN107123127A (zh) * 2017-04-27 2017-09-01 北京京东尚科信息技术有限公司 一种图像主体提取方法及装置
CN107194926A (zh) * 2017-06-13 2017-09-22 复旦大学 互补色小波域图像质量盲评价方法
CN109829905A (zh) * 2019-01-30 2019-05-31 中国矿业大学 一种面部美化感知质量的无参考评价方法
CN110046673A (zh) * 2019-04-25 2019-07-23 上海大学 基于多特征融合的无参考色调映射图像质量评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN ET AL: "no-reference color image quality assessment from entropy to perceptual quality", 《EURASIP JOURNAL ON IMAGE AND VIDEO PROCESSING》 *
P. V. VU ET AL: "A fast wavelet-based algorithm for global and local image sharpness estimation", 《IEEE SIGNAL PROCESSING LETTERS》 *
谭伟 等: "一种新的遥感影像清晰度评价方法", 《中国空间科学技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163120A (zh) * 2020-09-04 2021-01-01 Oppo（重庆）智能科技有限公司 一种分类方法、终端及计算机存储介质
CN112598526A (zh) * 2021-03-04 2021-04-02 蚂蚁智信(杭州)信息技术有限公司 资产数据的处理方法及装置

Also Published As

Publication number Publication date
CN111539913B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN110473137B (zh) 图像处理方法和装置
US9311901B2 (en) Variable blend width compositing
US8331615B2 (en) Match, expand, and filter technique for multi-view stereopsis
US20170069059A1 (en) Non-Local Image Denoising
US8942482B2 (en) Image quality assessment
Ren et al. Face video deblurring using 3D facial priors
US20140072242A1 (en) Method for increasing image resolution
CN111539913B (zh) 一种移动设备拍照清晰度质量评价方法、系统和终端
Zhao et al. A deep cascade of neural networks for image inpainting, deblurring and denoising
Abdulla et al. An improved image quality algorithm for exemplar-based image inpainting
Huang et al. Hybrid image enhancement with progressive laplacian enhancing unit
Rota et al. Video restoration based on deep learning: a comprehensive survey
CN112801890B (zh) 一种视频处理方法、装置及设备
Yu et al. Single image blind deblurring based on salient edge-structures and elastic-net regularization
CN113362338B (zh) 铁轨分割方法、装置、计算机设备和铁轨分割处理系统
CN116208862A (zh) 一种自适应图像处理方法、系统、电子装置和存储介质
CN114445451A (zh) 平面图像追踪方法、终端以及存储介质
Dang et al. Inpainted image quality assessment
Li et al. Joint motion deblurring with blurred/noisy image pair
CN111179158A (zh) 图像处理方法、装置、电子设备及介质
CN112699826B (zh) 人脸检测方法、装置、计算机设备和存储介质
Dhanakshirur et al. Evidence based feature selection and collaborative representation towards learning based PSF estimation for motion deblurring
Kaur et al. A novel approach to no-reference image quality assessment using canny magnitude based upon neural network
Zhou et al. Prior-enlightened and motion-robust video deblurring
Funahashi et al. Image adjustment for multi-exposure images based on convolutional neural networks

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