CN111539914B - 一种手机照片质量比较评价方法、系统及终端 - Google Patents

一种手机照片质量比较评价方法、系统及终端 Download PDF

Info

Publication number
CN111539914B
CN111539914B CN202010211227.6A CN202010211227A CN111539914B CN 111539914 B CN111539914 B CN 111539914B CN 202010211227 A CN202010211227 A CN 202010211227A CN 111539914 B CN111539914 B CN 111539914B
Authority
CN
China
Prior art keywords
photos
pictures
region
definition
noise
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
CN202010211227.6A
Other languages
English (en)
Other versions
CN111539914A (zh
Inventor
翟广涛
陆强
杨小康
朱文瀚
闵雄阔
孙伟
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 CN202010211227.6A priority Critical patent/CN111539914B/zh
Publication of CN111539914A publication Critical patent/CN111539914A/zh
Application granted granted Critical
Publication of CN111539914B publication Critical patent/CN111539914B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本发明提供一种手机照片质量比较评价方法、系统及终端，方法包括：对同一场景下的两幅照片进行调整，使所述两幅照片的内容对齐；移除对齐后的所述两幅照片的画面中运动物体，减少画面内容的差异部分；将移除运动物体后的所述两幅照片分别划分为多个区域，逐一比对所述两幅照片中相对应的区域，提取出所述两幅照片中相似度最低的区域；对提取到的所述相似度最低的区域进行清晰度、噪声进行分析，得到综合评价结果。系统包括：图像调整对齐模块、运动物体移除模块、差异最大区域提取模块和综合质量评价模块。本发明可以实现照片客观质量评价，不需要主观评价者的参与，节省人力，可操作性高。

Description

一种手机照片质量比较评价方法、系统及终端
技术领域
本发明涉及图像质量评价技术领域，具体地，涉及一种基于图像相似度的手机照片质量比较评价方法、系统及终端。
背景技术
图像质量评价大抵上可以分为两类：主观质量评价和客观质量评价。主观质量评价是观察者根据主观感受对照片进行评价，这被公认为是一种可靠的方法。一组观察者按照同一标准会给每一张待测照片评上具体的分数，每一张图得到的分数取平均值作为其质量的衡量标准。尽管主观方法符合人类视觉特性，但这类方法无疑非常耗费人力物力，在具体操作方面非常耗时。因此在具体应用场景中并不实用。客观质量评价就是使用一些数学指标来描述照片的质量。这方法又可以分为三类：全参考、半参考和无参考。全参考和半参考都需要原始图像作为评价基准，图像的某些特征与原始图像的相同特征进行比较。使用比较普遍的客观质量评价方法有MSE、PSNR和SSIM。MSE和PSNR算法简单，运行速度快，但呈现的差异值与人的主观感受不成比例。SSIM衡量两幅图的结构相似性，但对图像的位移、缩放和旋转等非结构性失真描述不准确。
图像质量客观评价的基本目标是设计能精确和自动感知图像质量的计算模型，其终极目标是希望用计算机来代替人类视觉系统去观看和认知图像。在国际上，图像质量客观评价通常是通过测试多个影响影像质量的因素的表现，并通过计算模型获得图像质量量化值与人类主观观测值一致性的好坏来评估的。美国的Imatest和法国的DxO analyzer就是其中比较出名的图像质量客观评价系统。二者都是将影像质量评测拆分成多个测试项目，分别对每个项目进行测试、打分。
无论是Imatest还是DxO analyzer，两个测试系统都是通过“测试卡+光源环境+测试软件＝测试结果”的模式。通过各种各样的测试卡和光源，在实验室中模拟各种环境，再把成像结果输入软件系统，由系统自动分析，最后得出结果。这样的方法简单的将各种环境条件组合，所产生的场景十分有限，难以代表现实生活中拍照遇到的所有环境。
现阶段手机相机成像质量越来越好，传统的图像评价方法难以分出好坏。如今比较常用的方法是在同一个地方同一时间用两部或多部手机拍照，针对拍出的照片进行主观质量的评判。DXO mark是目前进行手机照片评价公信力较高的实验室。他们会选取一些比较典型的场景，多台手机拍照后对比，在细节、噪声、颜色、动态范围等项目下分别给出评分，然后汇总出总分。这种评测流程非常完善，但同时也是操作复杂，需要有经验的观察者判断出不同照片各个的指标的高低。
综上所述，目前的一些照片质量评价的方法都还存在些许问题：不能准确描述照片质量，需要测试者的主观评价，过度的量化测试环境和指标脱离实际生活。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种手机照片质量比较评价方法以及对应的评价系统、终端。
根据本发明的一个方面，提供一种手机照片质量比较评价方法，包括：
对同一场景下的两幅照片调整，使所述两幅照片的内容对齐；
移除对齐后的所述两幅照片的画面中运动物体，减少画面内容的差异部分；
将移除运动物体后的所述两幅照片分别划分为多个区域，逐一比对所述两幅照片中相对应的区域，提取出所述两幅照片中相似度最低的区域；
对提取到的所述相似度最低的区域进行清晰度、噪声进行分析，得到综合评价结果。
可选地，对同一场景下的两幅照片调整，使所述两幅照片的内容对齐，包括：
在其中一幅照片的基础上对另一幅照片进行透视变换，调整所述两幅照片的方向和位置，使两幅照片的内容对齐。
可选地，对同一场景下的两幅照片调整，使所述两幅照片的内容对齐，按照以下步骤进行：
以其中一幅照片为基准调整两幅照片的分辨率，使两幅照片物理分辨率一致；
接着对两幅照片提取特征点，将两幅照片的特征点进行匹配，计算出两组特征点的映射变换矩阵；
之后根据映射变换矩阵，变换一幅照片到另一幅照片的相应位置上，从而实现两幅照片的内容对齐。
可选地，移除对齐后的所述两幅照片的画面中运动物体，包括：
检测所述两幅照片的画面中的运动物体；
将检测到的运动物体用黑色遮罩掩盖。
可选地，检测所述两幅照片的画面中的运动物体，包括：
采用语义分割将照片分割成若干区域，并识别出每一区域的内容，对内容进行甄别，筛选出可能会发生位移的物体。
可选地，逐一比对所述两幅照片中相对应的区域，提取出所述两幅照片中相似度最低的区域，包括：
遍历两幅照片相对应的区域，并计算两幅图中每一区域的相似度；
比较每一区域的相似度，并输出相似度最低的一个区域。
可选地，对提取到的所述相似度最低的区域进行清晰度、噪声分析，包括：
对选出的相似度最低的区域进行清晰度的估计；
对选出的相似度最低的区域进行噪声的估计；
将以上清晰度、噪声的估计评价结果取加权和，最终分数越高证明图像质量越好。
进一步的，还可以对选出的相似度最低的区域进行颜色的评价，然后对以上清晰度、噪声、颜色的估计评价结果取加权和，得到最终综合评价结果。
可选地，所述对选出的相似度最低的区域进行清晰度的估计，包括：
分别计算相似度最低的区域的谱清晰度和空间清晰度；
谱清晰度和空间清晰度这两个指标的乘积，代表照片清晰度的整体估量。
可选地，所述对选出的相似度最低的区域进行噪声的估计，包括：
采用统计学的方法，利用自然图像的高峰态和尺度不变性这两种重要的特性，在特定的变换域下提出复合噪声的数学模型，进行照片实际噪声的估计。
根据本发明的第二方面，提供一种手机照片质量比较评价系统，包括：
图像调整对齐模块，对输入的同一场景下的两幅照片调整，使所述两幅照片的内容对齐；
运动物体移除模块，移除对齐后所述两幅照片的画面中可能会移动的物体，减少画面内容的差异部分；
差异最大区域提取模块，将运动物体移除后的所述两幅照片分别划分为多个区域，逐一比对所述两幅照片中相对应的区域，提取出所述两幅照片中相似度最低的区域；
综合质量评价模块，对所述差异最大区域提取模块提取到的所述相似度最低的区域进行清晰度、噪声分析，得到综合评价结果。
根据本发明的第三方面，提供一种手机照片质量比较评价终端，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所述的基于图像相似度的手机照片质量比较评价方法。
与现有技术相比，本发明具有如下至少一种的有益效果：
本发明上述方法及系统通过将两幅照片对齐、移除运动物体以及提供相似度最低的区域的清晰度、噪声分析，可以实现照片客观质量评价，不需要主观评价者的参与，节省人力，可操作性高。
本发明上述方法及系统更加符合消费者日常拍摄场景，可以准确判断出手机拍摄一些常见场景的能力；适用于实际拍照场景，也兼容实验室测试场景。实际拍照场景包括人像照、风景照、建筑照等，实验室测试场景包括各种光源下的测试卡。
本发明上述方法及系统能准确的体现照片的视觉质量，重点关注照片之间差异较大的区域，比较符合人类视觉系统的审美习惯；通过比较两幅照片的清晰度和噪声，从而选出在各个方面综合素质较好的一张。
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为本发明一实施例中手机照片质量比较评价方法流程图；
图2为本发明一较优实施例中图像调整对齐的流程图；
图3为本发明一较优实施例中运动物体移除的流程图；
图4为本发明一较优实施例中差异最大区域提取的流程图；
图5为本发明一实施例中手机照片质量比较评价系统模块框图；
图6为本发明一较优实施例中图像调整对齐模块的模块框图；
图7为本发明一较优实施例中运动物体移除模块的模块框图；
图8为本发明一较优实施例中差异最大区域提取模块的模块框图；
图9为本发明一较优实施例中综合质量评价模块的模块框图。
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。
图1为本发明一实施例中基于图像相似度的手机照片质量比较评价方法流程图。本方法是一种图像客观质量评价方法，输入是拍摄的两幅同一场景的照片，输出是两幅照片中相对质量较好的一张。
参照图1所示，该实施例的手机照片质量比较评价方法，包括如下步骤：
S100,对同一场景下的两幅照片调整，使两幅照片的内容对齐；
S200,移除S100对齐后的两幅照片的画面中运动物体，减少画面内容的差异部分；
S300,将S200移除运动物体后的两幅照片分别划分为多个区域，逐一比对两幅照片中相对应的区域，提取出两幅照片中相似度最低的区域；
S400,对S300提取到的相似度最低的区域进行清晰度、噪声进行分析，得到综合评价结果。
本发明上述实施例中，根据将同一场景下的两幅照片进行对齐配准，并将画面中的运动物体移除，以保证两幅照片的主体内容基本一致，这样照片之间的差异基本是质量之间的差异了。进一步将照片分割成若干个区域，计算两幅照片在每个区域下的相似度，选出其中相似度最低的一个区域代表全图，然后进行清晰度估计和噪声估计，得出综合质量的分数，从而评判出在当前场景下，哪一张照片的呈现更好。该实施例可以实现照片客观质量评价，不需要主观评价者的参与，节省人力，可操作性高，可以准确判断出手机拍摄一些常见场景的照片质量。
在本发明部分实施例中，S100对两幅照片调整进行对齐配准，可以在其中一幅照片的基础上对另一幅照片进行透视变换，调整两幅照片的方向和位置，使两幅照片的内容对齐。参照图2所示，在一具体优选实施例中，对同一场景下的两幅照片调整，使两幅照片的内容对齐，可以按照以下步骤进行：
S101,以其中一幅照片为基准调整两幅照片的分辨率，使两幅照片物理分辨率一致。
S102,接着对两幅照片提取特征点，将两幅照片的特征点进行匹配，计算出两组特征点的映射变换矩阵；提取特征点可以使用sift算法，当然，在其他实施例中也可以是其他的提取特征点提取方法。
S103,之后根据映射变换矩阵，变换一幅照片到另一幅照片的相应位置上，从而实现两幅照片的内容对齐，方便后续进行运动物体移除、差异最大区域提取等操作。
图3为本发明一较优实施例中运动物体移除的流程图。参照图3所示，在部分实施例中，S200移除对齐后的两幅照片的画面中运动物体，包括两大部分：
S201,检测两幅照片的画面中的运动物体；
S202,然后将检测到的运动物体用黑色遮罩掩盖。
在一具体优选实施例中，检测两幅照片的画面中的运动物体可以采用语义分割将照片分割成若干区域，并识别出每一区域的内容，对内容进行甄别，筛选出一些可能会发生位移的物体，例如汽车、行人、飞鸟等，然后将这块区域使用黑色填充。这将画面中的运动物体移除后，两幅照片的主体内容基本一致了，从而保证了后续相似度计算的结果的准确可靠。
图4为本发明一较优实施例中差异最大区域提取的流程图。参照图4所示，S300中对于两幅照片中相对应的区域逐一比对，提取出两幅照片中相似度最低的区域，包括：
S301，遍历两幅照片相对应的区域，并计算两幅图中每一区域的相似度；
S302，比较每一区域的相似度，并输出相似度最低的一个区域。
上述实施例中，计算两幅图中每一区域的相似度，其中相似度可以选取结构相似性(SSIM)作为参考标准，它是一个基于局部图案的亮度、对比度的指标，其计算公式为
Figure GDA0003921717270000061
其中x和y是两幅图，μx是x的平均值，μy是y的平均值，
Figure GDA0003921717270000062
是x的方差，
Figure GDA0003921717270000063
是y的方差，σxy是x和y的协方差。c1＝(k1L)2，c2＝(k2L)2是用来维持稳定的常数。L是像素值的动态范围。结构相似性的范围为0到1。当两张照片一模一样时，SSIM的值等于1。
当然，在其他实施例中，图像相似度也可以选取余弦相似度作为参考标准。余弦相似度通过测量两个向量内积空间的余弦值来度量它们之间的相似性，尤其适用于任何维度的向量比较中。通常来说，数字图像包含的特征码较多，而这些特征组就属于高维空间，这正是余弦相似度算法应用的范围，余弦相似度算法将每个图像的特征组转化为高维空间的向量，两个向量之间的角度之余弦值可用于确定两个向量是否大致指向相同的方向。在图像分类中应用余弦相似度算法的关键在于：计算这些代表每个图像特征的向量的内积空间的夹角余弦值，从而度量图像之间的相似性。
在本发明部分实施例中，S300对提取到的相似度最低的区域进行清晰度、噪声分析，包括：对选出的相似度最低的区域进行清晰度的估计，对选出的相似度最低的区域进行噪声的估计，对以上估计评价结果取加权和，得到综合评价结果，综合评价结果的分数越高证明图像质量越好。
在一较优实施例中，对选出的相似度最低的区域进行清晰度的估计可以采用S3(ASpectral and Spatial Measure of LocalPerceived Sharpness)算法，分别计算谱清晰度和空间清晰度，谱清晰度和空间清晰度这两个指标的乘积，代表照片清晰度的整体估量。当然，在其他实施例中，也可以采用其他的清晰度的估计方法，并不局限于S3算法。
在另一较优实施例中，对选出的相似度最低的区域进行噪声的估计可以采用统计学的方法，利用自然图像的高峰态和尺度不变性这两种重要的特性，在特定的变换域下提出复合噪声的数学模型，进行图像实际噪声的估计。特定的变换域下提出复合噪声的数学模型为现有技术。
目前的手机成像素质都非常高，人眼直观的观察很难分辨出其中的好坏。本发明上述实施例中，采用基于相似度的图像差异最大区域寻找方法可以直接找到两幅图中成像质量相差最大的区域(相似度最低的区域)，能准确地反映高品质照片之间细微的差别之处。综合质量评价主要对照片的清晰度、噪声等方面进行分析评价，在其他实施例中，也可以将颜色作为附加的优选特征，可以体现出照片的颜色准确程度。照片的颜色方面可以根据实验室色度直方图进行色偏特征的提取，在经典的等效圆特征和NNO(Near NeutralObjects)区域特征的基础上，进一步考虑了色度直方图高度方向上的分布特征，得出照片在颜色方面的评价。同样的，在分别评价完以上各个指标后，根据不同场景给以合适的权重，然后相加得到最终的总分，从而分辨出两张图中质量较好的一张。
基于上述的实施例的手机照片质量比较评价方法，在本发明另一实施例中还提供一种手机照片质量比较评价系统，该系统用于实现上述的手机照片质量比较评价方法。
图5为本发明一实施例中手机照片质量比较评价系统框图。参照图5所示，该系统包括：图像调整对齐模块、运动物体移除模块、差异最大区域提取模块和综合质量评价模块；图像调整对齐模块对输入的同一场景下的两幅照片调整，使两幅照片的内容对齐；运动物体移除模块移除对齐后两幅照片的画面中可能会移动的物体，减少画面内容的差异部分；差异最大区域提取模块将运动物体移除后的两幅照片分别划分为多个区域，逐一比对两幅照片中相对应的区域，提取出两幅照片中相似度最低的区域；综合质量评价模块对差异最大区域提取模块提取到的相似度最低的区域进行清晰度、噪声分析，得到综合评价结果。
图6为本发明一较优实施例中图像调整对齐模块的模块框图。参照图6所示，图像调整对齐模块包括照片输入模块和透视变换模块，照片输入模块用于读取两幅同一场景下的两幅照片，图像调整对齐模块的透视变换模块用于在其中一幅照片的基础上对另一幅照片进行透视变换，调整两幅照片的内容对齐。
具体实施时，上述照片输入模块采用OpenCV的照片输入模块，然后透视变换模块以其中一幅图为基准调整两幅图的分辨率，使两幅画物理分辨率一致，接着对两幅图使用sift算法提取特征点，将两幅图的特征点进行匹配，计算出两组特征点的映射变换矩阵，之后根据变换矩阵，变换一幅照片到另一幅的相应位置上，从而实现两幅照片的内容对齐。
图7为本发明一较优实施例中运动物体移除模块的模块框图。参照图7所示，运动物体移除模块包括物体识别模块和物体移除模块，物体识别模块用于检测照片中的运动物体，物体移除模块用于将检测到的运动物体用黑色遮罩掩盖。
具体实施时，物体识别模块首先采用语义分割识别出照片中每一区域的内容，然后对内容进行甄别，筛选出可能会发生位移的物体，例如汽车、行人、飞鸟等，然后运动物体移除模块的物体移除模块将这块区域使用黑色填充。
图8为本发明一较优实施例中差异最大区域提取模块的模块框图；参照图8所示，差异最大区域提取模块包括区域分割模块、相似度计算模块和差异最大区域输出模块，区域分割模块用于将照片按照内容划分为几个区域，差异最大区域提取模块的相似度计算模块用于遍历两幅图的相应区域，并计算两幅图中每一区域的相似度，差异最大区域提取模块的差异最大区域输出模块用于比较每一区域的相似度，并输出相似度最低的一个区域。
图9为本发明一较优实施例中综合质量评价模块的模块框图。参照图8所示，综合质量评价模块包括清晰度估计模块和噪声估计模块，清晰度估计模块用于对选出的区域进行清晰度的估计计算，综合质量评价模块的噪声估计模块用于对选出的区域进行噪声估计计算；对以上估计评价结果取加权和，最终分数越高证明图像质量越好。
采用上述系统实现基于图像相似度的手机照片质量比较评价时，可以按照如下步骤进行：
步骤一：通过图像调整对齐模块的照片输入模块读取两幅同一场景下的两幅照片，然后由图像调整对齐模块的透视变换模块在其中一幅照片的基础上对另一幅照片进行透视变换，调整两幅照片的内容对齐；
步骤二：通过运动物体移除模块的物体识别模块检测照片中的运动物体，然后运动物体移除模块的物体移除模块将检测到的运动物体用黑色遮罩掩盖；
步骤三：通过差异最大区域提取模块的区域分割模块将照片按照内容划分为几个区域，然后差异最大区域提取模块的相似度计算模块遍历两幅图的相应区域，并计算两幅图中每一区域的相似度，差异最大区域提取模块的差异最大区域输出模块比较每一区域的相似度，并输出相似度最低的一个区域；
步骤四：综合质量评价模块的清晰度估计模块对步骤三中选出的区域进行清晰度的估计计算，综合质量评价模块的噪声估计模块对步骤三中选出的区域进行噪声估计计算，在分别评价完清晰度和噪声指标后，最后根据不同场景给以合适的权重，得到最终的总分，从而分辨出两张图中质量较好的一张。
本发明另一实施例中，还提供一种基于图像相似度的手机照片质量比较评价终端，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项实施例中的基于图像相似度的手机照片质量比较评价方法。
经实验验证，本发明上述实施例能准确描述照片质量，无需测试者的主观评价，不会过度的量化测试环境和指标脱离实际生活。能适用于实际拍照场景，也兼容实验室测试场景，准确地反映高品质照片之间细微的差别之处。
需要说明的是，本发明提供的所述方法中的步骤，可以利用所述系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统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系统及其各个装置以外，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系统及其各个装置以逻辑门、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，本发明提供的系统及其各项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装置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装置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 (8)

1.一种手机照片质量比较评价方法，其特征在于，包括：
对同一场景下的两幅照片进行调整，使所述两幅照片的内容对齐；
移除对齐后的所述两幅照片的画面中运动物体，减少画面内容的差异部分；
将移除运动物体后的所述两幅照片分别划分为多个区域，逐一比对所述两幅照片中相对应的区域，提取出所述两幅照片中相似度最低的区域；
对提取到的所述相似度最低的区域进行清晰度、噪声进行分析，得到综合评价结果；
移除对齐后的所述两幅照片的画面中运动物体，包括：
检测所述两幅照片的画面中的运动物体；
将检测到的运动物体用黑色遮罩掩盖；
对提取到的所述相似度最低的区域进行清晰度、噪声分析，包括：
对选出的相似度最低的区域进行清晰度的估计；
对选出的相似度最低的区域进行噪声的估计；
将以上清晰度、噪声的估计评价结果取加权和，最终分数越高证明图像质量越好。
2.根据权利要求1所述的手机照片质量比较评价方法，其特征在于：对同一场景下的两幅照片调整，使所述两幅照片的内容对齐，包括：
在其中一幅照片的基础上对另一幅照片进行透视变换，调整所述两幅照片的方向和位置，使两幅照片的内容对齐。
3.根据权利要求2所述的手机照片质量比较评价方法，其特征在于：对同一场景下的两幅照片调整，使所述两幅照片的内容对齐，按照以下步骤进行：
以其中一幅照片为基准调整两幅照片的分辨率，使两幅照片物理分辨率一致；
接着对两幅照片提取特征点，将两幅照片的特征点进行匹配，计算出两组特征点的映射变换矩阵；
之后根据映射变换矩阵，变换一幅照片到另一幅照片的相应位置上，从而实现两幅照片的内容对齐。
4.根据权利要求1所述的手机照片质量比较评价方法，其特征在于：检测所述两幅照片的画面中的运动物体，包括：
采用语义分割将照片分割成若干区域，并识别出每一区域的内容，对内容进行甄别，筛选出可能会发生位移的物体。
5.根据权利要求1所述的手机照片质量比较评价方法，其特征在于：逐一比对所述两幅照片中相对应的区域，提取出所述两幅照片中相似度最低的区域，包括：
遍历两幅照片相对应的区域，并计算两幅图中每一区域的相似度；
比较每一区域的相似度，并输出相似度最低的一个区域。
6.根据权利要求1所述的手机照片质量比较评价方法，其特征在于：所述对选出的相似度最低的区域进行清晰度的估计，包括：
分别计算相似度最低的区域的谱清晰度和空间清晰度；
谱清晰度和空间清晰度这两个指标的乘积，代表照片清晰度的整体估量；
所述对选出的相似度最低的区域进行噪声的估计，包括：
采用统计学的方法，利用自然图像的高峰态和尺度不变性这两种重要的特性，在特定的变换域下提出复合噪声的数学模型，进行照片实际噪声的估计。
7.一种手机照片质量比较评价系统，其特征在于：包括：
图像调整对齐模块，对输入的同一场景下的两幅照片调整，使所述两幅照片的内容对齐；
运动物体移除模块，移除对齐后所述两幅照片的画面中可能会移动的物体，减少画面内容的差异部分；
差异最大区域提取模块，将运动物体移除后的所述两幅照片分别划分为多个区域，逐一比对所述两幅照片中相对应的区域，提取出所述两幅照片中相似度最低的区域；
综合质量评价模块，对所述差异最大区域提取模块提取到的所述相似度最低的区域进行清晰度、噪声分析，得到综合评价结果；
移除对齐后的所述两幅照片的画面中运动物体，包括：
检测所述两幅照片的画面中的运动物体；
将检测到的运动物体用黑色遮罩掩盖；
对提取到的所述相似度最低的区域进行清晰度、噪声分析，包括：
对选出的相似度最低的区域进行清晰度的估计；
对选出的相似度最低的区域进行噪声的估计；
将以上清晰度、噪声的估计评价结果取加权和，最终分数越高证明图像质量越好。
8.一种手机照片质量比较评价终端，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1-6任一所述的方法。
CN202010211227.6A 2020-03-24 2020-03-24 一种手机照片质量比较评价方法、系统及终端 Active CN111539914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010211227.6A CN111539914B (zh) 2020-03-24 2020-03-24 一种手机照片质量比较评价方法、系统及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010211227.6A CN111539914B (zh) 2020-03-24 2020-03-24 一种手机照片质量比较评价方法、系统及终端

Publications (2)

Publication Number Publication Date
CN111539914A CN111539914A (zh) 2020-08-14
CN111539914B true CN111539914B (zh) 2022-12-20

Family

ID=71975030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010211227.6A Active CN111539914B (zh) 2020-03-24 2020-03-24 一种手机照片质量比较评价方法、系统及终端

Country Status (1)

Country Link
CN (1) CN111539914B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116206215B (zh) * 2023-03-17 2023-09-29 银河航天(北京)网络技术有限公司 一种森林土地状态的监测方法、装置及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8660342B2 (en) * 2012-01-24 2014-02-25 Telefonica, S.A. Method to assess aesthetic quality of photographs
CN107589963B (zh) * 2017-09-26 2019-05-17 维沃移动通信有限公司 一种图片处理方法、移动终端及计算机可读存储介质
CN108288027B (zh) * 2017-12-28 2020-10-27 新智数字科技有限公司 一种图像质量的检测方法、装置及设备
CN108492246B (zh) * 2018-03-12 2023-01-24 维沃移动通信有限公司 一种图像处理方法、装置及移动终端
CN110059711A (zh) * 2019-01-28 2019-07-26 阿里巴巴集团控股有限公司 图像的对齐方法、装置及设备
CN110033475B (zh) * 2019-03-29 2020-12-15 北京航空航天大学 一种高分辨率纹理生成的航拍图运动物体检测与消除方法
CN110378893B (zh) * 2019-07-24 2021-11-16 北京市博汇科技股份有限公司 图像质量评价方法、装置和电子设备

Also Published As

Publication number Publication date
CN111539914A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
Kundu et al. No-reference quality assessment of tone-mapped HDR pictures
Choi et al. Referenceless prediction of perceptual fog density and perceptual image defogging
Shen et al. Hybrid no-reference natural image quality assessment of noisy, blurry, JPEG2000, and JPEG images
Li et al. Content-partitioned structural similarity index for image quality assessment
Wang et al. Structural approaches to image quality assessment
RU2479037C2 (ru) Устройство и способ обработки изображения, обучающееся устройство и способ обучения и программа
CN111401324A (zh) 图像质量评估方法、装置、存储介质及电子设备
KR20180065889A (ko) 타겟의 검측 방법 및 장치
JP2004357277A (ja) デジタル画像処理方法
CN113033519B (zh) 活体检测方法、估算网络处理方法、装置和计算机设备
EP1745438A1 (en) Method for determining image quality
CN110969202A (zh) 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统
CN111539914B (zh) 一种手机照片质量比较评价方法、系统及终端
CN108257117B (zh) 图像曝光度的评测方法及装置
CN111179245B (zh) 图像质量检测方法、装置、电子设备和存储介质
JPWO2018203514A1 (ja) 画像解析評価方法、コンピュータプログラム、画像解析評価装置
Krasula et al. Objective evaluation of naturalness, contrast, and colorfulness of tone-mapped images
CN112651945A (zh) 一种基于多特征的多曝光图像感知质量评价方法
CN106611417B (zh) 将视觉元素分类为前景或背景的方法及装置
Tade et al. Tone mapped high dynamic range image quality assessment techniques: survey and analysis
Ortiz-Jaramillo et al. Computing contrast ratio in images using local content information
Rezazadeh et al. A novel approach for computing and pooling structural similarity index in the discrete wavelet domain
CN109598737B (zh) 一种图像边缘识别方法及系统
CN111354048B (zh) 一种面向相机获取图片的质量评价方法和装置
JP7386630B2 (ja) 画像処理装置、画像処理装置の制御方法及びプログラム

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