CN112001904A - 一种遥感图像质量清晰度综合评价模块及评价方法 - Google Patents
一种遥感图像质量清晰度综合评价模块及评价方法 Download PDFInfo
- Publication number
- CN112001904A CN112001904A CN202010849413.2A CN202010849413A CN112001904A CN 112001904 A CN112001904 A CN 112001904A CN 202010849413 A CN202010849413 A CN 202010849413A CN 112001904 A CN112001904 A CN 112001904A
- Authority
- CN
- China
- Prior art keywords
- image
- definition
- function
- normalization
- gray
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 83
- 238000010606 normalization Methods 0.000 claims abstract description 134
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000012935 Averaging Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 67
- 239000000284 extract Substances 0.000 claims description 35
- 241001156002 Anthonomus pomorum Species 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 abstract description 4
- 238000010187 selection method Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 18
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000007430 reference method Methods 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100517192 Arabidopsis thaliana NRPD1 gene Proteins 0.000 description 1
- 101150094905 SMD2 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10041—Panchromatic 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
- G06T2207/30—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)
- Image Processing (AREA)
Abstract
本发明涉及一种遥感图像质量评价模块及选择方法,对于遥感图像分别采用多种函数计算所述图像的清晰度;对多种函数计算所述图像的清晰度分别进行归一化处理;剔除归一化的清晰度数值中的最大值和最小值,取平均后输出对应得分;针对同一目标的若干成像中,选择得分超过设定阈值的图像作为有效图像输出。本发明通过比较不同影像清晰度值的大小,评价不同图像的清晰度,可以根据单个影像的清晰度值,评价单个影像的清晰度,准确区分图像的清晰度,保证了遥感载荷输出图像的质量。本发明可以实现图像不同评价指标的快速自动评价,其处理一景影像的时间小于一分钟,且不需要人工干预,适用于大量影像的快速自动处理。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种遥感图像质量清晰度综合评价模块及评价方法。
背景技术
随着数字遥感成像技术的快速发展,各应用领域对图像质量的要求也在不断提高,图像清晰度逐步成为判定图像质量水平的重要指标。然而,当前图像清晰度客观评价方法还不够成熟,开展通用的图像清晰度客观评价方法研究,实现大规模数字图像的快速评判,对处理和应用遥感图像具有十分重要的意义。
图像清晰度评价方法分为主观评价方法和客观评价方法。主观评价方法由观察者来对图像评分,一般采用平均主观得分(mean opinion score,简称MOS)或平均主观得分差异(differential mean opinion score,简称DMOS)作为失真图像的质量指标。观察者是图像视觉信息的最终接收者,因此主观评价方法是最准确的方法。但是,主观评价方法需要耗费大量人力、物力以及时间代价并且不能嵌入到实时系统,因此,它主要在建立标准数据库时使用。
客观评价方法是由相应的计算模型计算得到图像的质量指标。客观评价方法在计算机视觉和图像处理等领域中扮演着重要角色。一些图像处理和传输系统的参数需要根据图像的质量来进行调节,可以将客观评价方法嵌入到系统之中实时地优化系统的参数。图像检索系统可以根据图像的质量来排列检索的结果。图像处理算法的性能可以根据图像清晰度来评估,因此客观评价方法可以作为图像处理算法的基准。客观评价方法也可以动态监测和调节图像处理系统输出图像的质量。
客观评价方法根据所需无失真参考图像信息量的多少进一步可以分为全参考方法、部分参考方法和无参考方法。全参考方法在计算失真图像的质量指标时需要获取失真图像的整幅无失真参考图像的全部信息,通过对比计算二者的差异得到失真图像的质量指标。部分参考方法在计算失真图像的质量指标时不需要整幅无失真参考图像的全部信息,仅需从无失真参考图像中提取的某些特征信息即可。无参考方法不需要无失真参考图像的任何信息即可计算失真图像的质量指标。由于没有无失真参考图像,无参考方法是这3类方法中最困难的方法。
针对卫星影像而言,大部分影像无参考影像,针对无参考影像的图像清晰度评价方法,现有的图像清晰度评价方法有主要有两个不足。第一是图像清晰度评价的方法众多,近年来,有代表性的图像清晰度评价方法有边缘检测法、频谱函数法、熵函数法等。这些方法主要在一定程度上反映图像相对清晰度评价结果,但哪种方法更好,无明确的结论。第二是现有的方法大都是实现清晰度的相对评价,即对不同模糊程度的多景影像进行清晰度评价,分析不同图像之前的清晰度,实现多景影像的相对评价。但缺乏对图像清晰度的绝对评价,无法根据一景影像的清晰度评价结果确定图像的好坏。
如何准确评价清晰度,进而优化遥感系统,选择最清晰的图像输出是本领域亟待解决的技术问题。
发明内容
针对现有技术中存在的问题,本发明提供一种遥感图像质量清晰度综合评价模块及评价方法,准确评价图像的清晰度,满足一定评分标准的图像作为输出影像,提高了遥感载荷输出图像的质量。
为达到上述目的,本发明提供了一种遥感图像质量清晰度综合评价模块,包括:图像输入单元、多个清晰度计算单元、多个归一化处理单元、计算单元以及选择单元;
所述图像输入单元接收输出的图像;
多个清晰度计算单元分别提取图像特征参数,采用各自函数计算所述图像的清晰度;
每个归一化处理单元对应一个对清晰度计算单元,对输出的所述图像的清晰度进行归一化处理,并输出至所述计算单元;
所述计算单元,剔除归一化的清晰度数值中的最大值和最小值,取平均后输出对应得分;
所述选择单元针从对同一目标的若干成像中,选择得分超过设定阈值的图像作为有效图像输出。
进一步地,所述清晰度计算单元包括Brenner梯度函数计算单元,Tenengrad梯度函数计算单元,Laplacian梯度函数计算单元,灰度方差函数计算单元,灰度方差乘积函数计算单元,方差函数计算单元,能量梯度函数计算单元,Vollath函数计算单元,熵函数计算单元以及EAV点锐度算法函数计算单元。
进一步地,所述Brenner梯度函数计算单元提取所述图像各个像素点的灰度,计算图像中所有相邻两个像素灰度差的平方,累加后作为图像清晰度D1;
所述Tenengrad梯度函数计算单元,采用Sobel算子分别提取所述图像水平和垂直方向的梯度值,并进行累加后作为图像清晰度D2;
所述Laplacian梯度函数计算单元,采用Laplacian算子分别提取所述图像各个像素点的卷积值,并进行求和作为图像清晰度D3;
所述灰度方差函数计算单元,提取所述图像各个像素点的灰度,计算图像中所有像素点相对于两个相邻点的灰度变化值之和,累加后作为图像清晰度D4;
所述灰度方差乘积函数计算单元,提取所述图像各个像素点的灰度,计算图像中每个像素点和两个领域的灰度差相乘后,累加后作为图像清晰度D5;
所述方差函数计算单元,提取所述图像各个像素点的灰度,计算图像的平均灰度值,计算各个像素点的灰度均方差,累加后作为图像清晰度D6;
所述能量梯度函数计算单元,提取所述图像各个像素点的灰度,计算各个像素点相对于两个相邻点的能量梯度变化之和,累加后作为图像清晰度D7;
所述Vollath函数计算单元,提取所述图像各个像素点的灰度,计算图像清晰度D8:
D8=∑y∑xf(x,y)*f(x+1,y)-M*N*μ2;
其中f(x,y)为当前点(x,y)的灰度,μ为图像的平均灰度值,M和N分别为图像宽和高;
所述熵函数计算单元,提取所述图像各个像素点的灰度,计算图像的信息熵作为图像清晰度D9;
所述EAV点锐度算法函数计算单元,提取所述图像各个像素点的灰度,计算每个像素点8邻域的灰度变化进行加权平均,水平和垂直方向的权重为1,8邻域的四个角的权重为并累加后再按照所述图像的大小进行规格化处理,作为图像清晰度D10。
进一步地,所述归一化处理单元包括Brenner梯度函数归一化处理单元,Tenengrad梯度函数归一化处理单元,Laplacian梯度函数归一化处理单元,灰度方差函数归一化处理单元,灰度方差乘积函数归一化处理单元,方差函数归一化处理单元,能量梯度函数归一化处理单元,Vollath函数归一化处理单元,熵函数归一化处理单元以及EAV点锐度算法函数归一化处理单元。
进一步地,所述Brenner梯度函数归一化处理单元对图像清晰度D1,采用如下公式进行归一化处理:
D1′=-1059D1 3+575.32D1 2-240.44D1+115.15;
所述Tenengrad梯度函数归一化处理单元对图像清晰度D2,采用如下公式进行归一化处理:
D′2=-17.231D2 3+36.505D2 2-61.398D2+117.04;
所述Laplacian梯度函数归一化处理单元对图像清晰度D3,采用如下公式进行归一化处理:
D′3=-41.091D3 3+35.218D3 2-49.126D3+102.48;
所述灰度方差函数归一化处理单元对图像清晰度D4,采用如下公式进行归一化处理:
D′4=-1478.5D4 3+455.66D4 2-182.11D4+104.68;
所述灰度方差乘积函数归一化处理单元对图像清晰度D5,采用如下公式进行归一化处理:
D′5=-1456.1D5 3+501.47D5 2-194.89D5+105.98;
所述方差函数归一化处理单元对图像清晰度D6,采用如下公式进行归一化处理:
D′6=-63328D6 3+15267D6 2-1938.5D6+137.73;
所述能量梯度函数归一化处理单元对图像清晰度D7,采用如下公式进行归一化处理:
D′7=-862.17D7 3+361.42D7 2-166.55D7+106.37;
所述Vollath函数归一化处理单元对图像清晰度D8,采用如下公式进行归一化处理:
D′8=3*10-9D8 3-3*10-5D8 2+0.122D8-68.095;
所述熵函数归一化处理单元对图像清晰度D9,采用如下公式进行归一化处理:
D′9=-140.29D9 3+1463.3D9 2-5126.6D9+6119;
所述EAV点锐度算法函数归一化处理单元对图像清晰度D10,采用如下公式进行归一化处理:
D1′0=-23227D10 3+10202D10 2-2080.3D10+216.87。
本发明另一方面提供一种遥感图像质量清晰度综合评价方法,包括如下步骤:
(1)获取图像;
(2)分别采用多种函数计算所述图像的清晰度;
(3)对多种函数计算所述图像的清晰度分别进行归一化处理;
(4)剔除归一化的清晰度数值中的最大值和最小值,取平均后输出对应得分;
(5)针对同一目标的若干成像中,选择得分超过设定阈值的图像作为有效图像输出。
进一步地,采用多种函数计算所述图像的清晰度,包括Brenner梯度函数、Tenengrad梯度函数、Laplacian梯度函数、灰度方差函数、灰度方差乘积函数、方差函数、能量梯度函数、Vollath函数、熵函数以及EAV点锐度算法函数。
进一步地,采用Brenner梯度函数计算所述图像的清晰度包括:计算图像中所有相邻两个像素灰度差的平方,累加后作为图像清晰度D1;
采用Tenengrad梯度函数计算所述图像的清晰度包括:采用Sobel算子分别提取所述图像水平和垂直方向的梯度值,并进行累加后作为图像清晰度D2;
采用Laplacian梯度函数计算所述图像的清晰度包括:采用Laplacian算子分别提取所述图像各个像素点的卷积值,并进行求和作为图像清晰度D3;
采用灰度方差函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像中所有像素点相对于两个相邻点的灰度变化值之和,累加后作为图像清晰度D4;
采用灰度方差乘积函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像中每个像素点和两个领域的灰度差相乘后,累加后作为图像清晰度D5;
采用方差函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像的平均灰度值,计算各个像素点的灰度均方差,累加后作为图像清晰度D6;
采用能量梯度函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算各个像素点相对于两个相邻点的能量梯度变化之和,累加后作为图像清晰度D7;
采用Vollath函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像清晰度D8:
D8=∑y∑xf(x,y)*f(x+1,y)-M*N*μ2;
其中f(x,y)为当前点(x,y)的灰度,μ为图像的平均灰度值,M和N分别为图像宽和高;
采用熵函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像的信息熵作为图像清晰度D9;
采用EAV点锐度算法函数计算所述图像的清晰度包括:所述EAV点锐度算法函数计算单元,提取所述图像各个像素点的灰度,计算每个像素点8邻域的灰度变化进行加权平均,水平和垂直方向的权重为1,8邻域的四个角的权重为并累加后再按照所述图像的大小进行规格化处理,作为图像清晰度D10。
进一步地,对图像清晰度D1,采用如下公式进行归一化处理:
D1′=-1059D1 3+575.32D1 2-240.44D1+115.15;
对图像清晰度D2,采用如下公式进行归一化处理:
D′2=-17.231D2 3+36.505D2 2-61.398D2+117.04;
对图像清晰度D3,采用如下公式进行归一化处理:
D′3=-41.091D3 3+35.218D3 2-49.126D3+102.48;
对图像清晰度D4,采用如下公式进行归一化处理:
D′4=-1478.5D4 3+455.66D4 2-182.11D4+104.68;
对图像清晰度D5,采用如下公式进行归一化处理:
D′5=-1456.1D5 3+501.47D5 2-194.89D5+105.98;
对图像清晰度D6,采用如下公式进行归一化处理:
D′6=-63328D6 3+15267D6 2-1938.5D6+137.73;
对图像清晰度D7,采用如下公式进行归一化处理:
D′7=-862.17D7 3+361.42D7 2-166.55D7+106.37;
对图像清晰度D8,采用如下公式进行归一化处理:
D′8=3*10-9D8 3-3*10-5D8 2+0.122D8-68.095;
对图像清晰度D9,采用如下公式进行归一化处理:
D′9=-140.29D9 3+1463.3D9 2-5126.6D9+6119。
对图像清晰度D10,采用如下公式进行归一化处理:
D1′0=-23227D10 3+10202D10 2-2080.3D10+216.87。
本发明的上述技术方案具有如下有益的技术效果:
(1)本发明实现了不同评价指标的归一化,将图像的清晰度设定在0-100之间的数值,值越大,清晰度越高。用户不仅可以通过比较不同影像清晰度值的大小,评价不同图像的清晰度上,而且可以根据单个影像的清晰度值,评价单个影像的清晰度,准确区分图像的清晰度,进而能选择最为清晰的图像输出,保证了遥感载荷输出图像的质量。
(2)本发明通过综合计算10种清晰度评价指标的评价结果,并采用去掉最大最小值后取平均的方法,得到影像的清晰度综合评价结果,和传统单一评价方法相比,可以避免单个评价指标在个别影像适用性差的不足。
(3)本发明将各个不同指标的评价结果采用不同的归一化函数进行归一化处理,保证了各个指标的评价分值相当,进而获得最佳的评分结果。本发明采用无参考影像的客观评价方法,不需要提供参考影像,仅根据图像自身的信息,即可实现图像清晰度的客观评价。
(4)本发明可以实现图像不同评价指标的快速自动评价,其处理一景影像的时间小于一分钟,且不需要人工干预,适用于大量影像的快速自动处理。
(5)本发明方法及系统既适用于全色单波段影像,也适用于多光谱影像,同时也适用于高光谱卫星影像,适用性广。
(6)本发明方法及系统不仅可用于整个影像的清晰度评价,也可用于卫星影像拼接区清晰度的评价,如果拼接区经度不高,需要重新拼接,或作为无效影像去除。
附图说明
图1为遥感图质量评价模块组成示意图;
图2为评价过程流程示意图;
图3为不同图像清晰度评分数下的遥感影像,其中(a)为100分,(b)为90分,(c)为80分,(d)为70分,(e)为60分,(f)为50分,(g)为40分,(h)为30分,(i)为20分,(j)为10分;
图4为不同清晰度计算方法的归一化曲线示意图;其中(a)为Brenner梯度函数,(b)为Tenengrad梯度函数,(c)为Laplacian梯度函数,(d)为SMD(灰度方差)函数,(e)为SMD2(灰度方差乘积),(f)为方差函数,(g)为能量梯度函数,(h)为Vollath函数,(i)为熵函数,(j)为EAV点锐度算法函数;
图5为待评价多光谱遥感影像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明一方面提供一种遥感图质量评价模块,评价图像的清晰度,并根据图像的清晰度,针对同一目标,遥感载荷存在多幅不同时间的成像,选择成像质量最高的,即清晰度最高的一幅输出,提高了输出图像的质量。
结合图1,遥感图像质量清晰度综合评价模块包括:图像输入单元、多个清晰度计算单元、多个归一化处理单元、计算单元以及选择单元。
所述图像输入单元接收输出的图像。
多个清晰度计算单元分别提取图像特征参数,采用各自函数计算所述图像的清晰度。
每个归一化处理单元对应一个对清晰度计算单元,对输出的所述图像的清晰度进行归一化处理,并输出至所述计算单元。
所述计算单元,剔除归一化的清晰度数值中的最大值和最小值,取平均后输出对应得分。
所述选择单元针从对同一目标的若干成像中,选择得分超过设定阈值的图像作为有效图像输出。
所述清晰度计算单元包括Brenner梯度函数计算单元,Tenengrad梯度函数计算单元,Laplacian梯度函数计算单元,灰度方差函数计算单元,灰度方差乘积函数计算单元,方差函数计算单元,能量梯度函数计算单元,Vollath函数计算单元,熵函数计算单元以及EAV点锐度算法函数计算单元。
所述Brenner梯度函数计算单元提取所述图像各个像素点的灰度,计算图像中所有相邻两个像素灰度差的平方,累加后作为图像清晰度D1。
所述Tenengrad梯度函数计算单元,采用Sobel算子分别提取所述图像水平和垂直方向的梯度值,并进行累加后作为图像清晰度D2。
所述Laplacian梯度函数计算单元,采用Laplacian算子分别提取所述图像各个像素点的卷积值,并进行求和作为图像清晰度D3。
所述灰度方差函数计算单元,提取所述图像各个像素点的灰度,计算图像中所有像素点相对于两个相邻点的灰度变化值之和,累加后作为图像清晰度D4。
所述灰度方差乘积函数计算单元,提取所述图像各个像素点的灰度,计算图像中每个像素点和两个领域的灰度差相乘后,累加后作为图像清晰度D5。
所述方差函数计算单元,提取所述图像各个像素点的灰度,计算图像的平均灰度值,计算各个像素点的灰度均方差,累加后作为图像清晰度D6。
所述能量梯度函数计算单元,提取所述图像各个像素点的灰度,计算各个像素点相对于两个相邻点的能量梯度变化之和,累加后作为图像清晰度D7。
所述Vollath函数计算单元,提取所述图像各个像素点的灰度,计算图像清晰度D8:
D8=∑y∑xf(x,y)*f(x+1,y)-M*N*μ2;
其中f(x,y)为当前点(x,y)的灰度,μ为图像的平均灰度值,M和N分别为图像宽和高。
所述熵函数计算单元,提取所述图像各个像素点的灰度,计算图像的信息熵作为图像清晰度D9。
所述EAV点锐度算法函数计算单元,提取所述图像各个像素点的灰度,计算每个像素点8邻域的灰度变化进行加权平均,水平和垂直方向的权重为1,8邻域的四个角的权重为并累加后再按照所述图像的大小进行规格化处理作为图像清晰度D10。
所述归一化处理单元包括Brenner梯度函数归一化处理单元,Tenengrad梯度函数归一化处理单元,Laplacian梯度函数归一化处理单元,灰度方差函数归一化处理单元,灰度方差乘积函数归一化处理单元,方差函数归一化处理单元,能量梯度函数归一化处理单元,Vollath函数归一化处理单元,熵函数归一化处理单元以及EAV点锐度算法函数归一化处理单元。
所述Brenner梯度函数归一化处理单元对图像清晰度D1,采用如下公式进行归一化处理:
D1′=-1059D1 3+575.32D1 2-240.44D1+115.15。
所述Tenengrad梯度函数归一化处理单元对图像清晰度D2,采用如下公式进行归一化处理:
D′2=-17.231D2 3+36.505D2 2-61.398D2+117.04。
所述Laplacian梯度函数归一化处理单元对图像清晰度D3,采用如下公式进行归一化处理:
D′3=-41.091D3 3+35.218D3 2-49.126D3+102.48。
所述灰度方差函数归一化处理单元对图像清晰度D4,采用如下公式进行归一化处理:
D′4=-1478.5D4 3+455.66D4 2-182.11D4+104.68。
所述灰度方差乘积函数归一化处理单元对图像清晰度D5,采用如下公式进行归一化处理:
D′5=-1456.1D5 3+501.47D5 2-194.89D5+105.98。
所述方差函数归一化处理单元对图像清晰度D6,采用如下公式进行归一化处理:
D′6=-63328D6 3+15267D6 2-1938.5D6+137.73。
所述能量梯度函数归一化处理单元对图像清晰度D7,采用如下公式进行归一化处理:
D′7=-862.17D7 3+361.42D7 2-166.55D7+106.37。
所述Vollath函数归一化处理单元对图像清晰度D8,采用如下公式进行归一化处理:
D′8=3*10-9D8 3-3*10-5D8 2+0.122D8-68.095。
所述熵函数归一化处理单元对图像清晰度D9,采用如下公式进行归一化处理:
D′9=-140.29D9 3+1463.3D9 2-5126.6D9+6119。
所述EAV点锐度算法函数归一化处理单元对图像清晰度D10,采用如下公式进行归一化处理:
D1′0=-23227D10 3+10202D10 2-2080.3D10+216.87。
本发明另一方面提供一种遥感图质量清晰度综合评价方法,结合图2,包括如下步骤:
1、获取遥感载荷的成像图像。
2、分别采用多种函数计算所述图像的清晰度。包括Brenner梯度函数、Tenengrad梯度函数、Laplacian梯度函数、灰度方差函数、灰度方差乘积函数、方差函数、能量梯度函数、Vollath函数、熵函数以及EAV点锐度算法函数。
3、对多种函数计算所述图像的清晰度分别进行归一化处理。
不同的函数如何转换为统一的量级,进行叠加是本发明的需要解决的主要问题。计算图像清晰度评价结果与图像评分结果之间的转换关系。假设无噪声的影像的分数为100,随着噪声的增加,分值逐渐减小到1,以图像清晰度评价结果为横坐标,图像评分结果为纵坐标,建立两者的转换关系。包括以下步骤:
3.1选择一景清晰度高的全色或多光谱影像,通过加入不同大小的噪声,得到不同噪声下的遥感影像。
利用增加噪声的大小设定归一化后的图像清晰度数值。图像清晰度数值和噪声的关系如下所示:
D=S+N
其中,D是含噪声的影像,S是无噪声的影像,N是随机噪声。
其中,S的评分值是100,D的评分值由N的大小决定。
V(D)=100-N/mean(S)
3.2利用10种评价指标,计算不同噪声下的图像清晰度。这10种评价指标分别为1Brenner梯度函数、2Tenengrad梯度函数、3Laplacian梯度函数、4SMD(灰度方差)函数、5SMD2(灰度方差乘积)函数、6方差函数、7能量梯度函数、8Vollath函数、9熵函数、10EAV点锐度算法函数。
具体清晰度的评价指标如下:
(1)Brenner梯度函数
Brenner梯度函数通过计算相邻两个像素灰度差的平方实现,该函数定义如下:
D1=∑y∑x|f(x+2,y)-f(x,y)|2
其中:f(x,y)表示图像f对应像素点(x,y)的灰度值,D1为图像清晰度计算结果。
(2)Tenengrad梯度函数
Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值,对应的图像清晰度定义如下:
D2=∑y∑x|G(x,y)|,G(x,y)>T
G(x,y)的形式如下:
其中:T是给定的边缘检测阈值,Gx(x,y)和Gy(x,y)分别是像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积,建议使用以下的Sobel算子模板来检测边缘:
(3)Laplacian梯度函数
Laplacian梯度函数用Laplacian算子替代Sobel算子即可,Laplacian算子定义如下:
基于Laplacian梯度函数的图像清晰度的定义如下:
D3=∑y∑x|G(x,y)|,G(x,y)>T
其中G(x,y)是像素点(x,y)处Laplacian算子的卷积。
(4)灰度方差函数
当完全聚焦时,图像最清晰,图像中的高频分量也最多,故可将灰度变化作为清晰度评价的依据,灰度方差法的公式如下:
D4=∑y∑x(|f(x,y)-f(x,y-1)|+|f(x,y)-f(x+1,y)|)
(5)灰度方差乘积函数
灰度方差乘积法,对每一个像素领域两个灰度差相乘后再逐个像素累加,该函数定义如下:
D5=∑y∑x(|f(x,y)-f(x+1,y)|*|f(x,y)-f(x,y+1)|)
(6)方差函数
因为清晰聚焦的图像有着比模糊图像更大的灰度差异,可以将方差函数作为评价函数:
D6=∑y∑x|f(x,y)-μ|2
其中:μ为整幅图像的平均灰度值,该函数对噪声比较敏感,图像画面越纯净,函数值越小。
(7)能量梯度函数
能量梯度函数适合实时评价图像清晰度,该函数定义如下:
D7=∑y∑x(|f(x+1,y)-f(x,y)|2+|f(x,y+1)-f(x,y)|2)
(8)Vollath函数
Vollath函数定义如下:
D8=∑y∑xf(x,y)*f(x+1,y)-M*N*μ2
其中:μ为整幅图像的平均灰度值,M和N分别为图像宽和高。
(9)熵函数
基于统计特征的熵函数是衡量图像信息丰富程度的一个重要指标,有信息论可知,一幅图像f的信息量是由该图像的信息熵来度量:
其中:Pi是图像中灰度值为i的像素出现的概率,L为灰度级总数(通常取值256)。根据Shannon信息论,熵最大时信息量最多。将此原理应用到对焦过程,D9越大则图像越清晰。熵函数灵敏度不高,依据图像内容不同容易出现与真实情况相反的结果。
(10)EAV点锐度算法函数
基于边缘锐度的算法用于评价图像的清晰度。通过统计图像某一边缘方向的灰度变化情况来评价。计算公式如下:
其中:df/dx为边缘法向的灰度变化率,f(b)-f(a)为该方向的总体灰度变化。为实现程序运算的自动化,对上述算法进行了改进,改进如下:
a)将针对边缘的梯度计算改为逐个像素领域梯度的计算,以便算法能对图像的整体进行评价,并使算法实现自动化。
c)对计算结果按图像的大小进行规格化,以便于图像的对比。
经过以上三步改进后的点锐度算法为:
其中:M和N为图像的行数和列数。
3.3归一化清晰度指标计算公式
计算图像清晰度评价结果与图像评分结果之间的转换关系。假设无噪声的影像的分数为100,随着噪声的增加,分值逐渐减小到1,以图像清晰度评价结果为横坐标,图像评分结果为纵坐标,建立两者的转换关系。
(1)对图像清晰度D1,采用如下公式进行归一化处理:
D′1=-1059D1 3+575.32D1 2-240.44D1+115.15;
归一化后的数值与原数值的相关系数为0.9999。
(2)对图像清晰度D2,采用如下公式进行归一化处理:
D′2=-17.231D2 3+36.505D2 2-61.398D2+117.04;
(3)对图像清晰度D3,采用如下公式进行归一化处理:
D′3=-41.091D3 3+35.218D3 2-49.126D3+102.48;
归一化后的数值与原数值的相关系数为0.9998。
(4)对图像清晰度D4,采用如下公式进行归一化处理:
D′4=-1478.5D4 3+455.66D4 2-182.11D4+104.68;
归一化后的数值与原数值的相关系数为0.9999。
(5)对图像清晰度D5,采用如下公式进行归一化处理:
D′5=-1456.1D5 3+501.47D5 2-194.89D5+105.98;
归一化后的数值与原数值的相关系数为0.9999。
(6)对图像清晰度D6,采用如下公式进行归一化处理:
D′6=-63328D6 3+15267D6 2-1938.5D6+137.73;
归一化后的数值与原数值的相关系数为0.9961。
(7)对图像清晰度D7,采用如下公式进行归一化处理:
D′7=-862.17D7 3+361.42D7 2-166.55D7+106.37;
归一化后的数值与原数值的相关系数为0.9999。
(8)对图像清晰度D8,采用如下公式进行归一化处理:
D′8=3*10-9D8 3-3*10-5D8 2+0.122D8-68.095;
归一化后的数值与原数值的相关系数为0.9966。
(9)对图像清晰度D9,采用如下公式进行归一化处理:
D′9=-140.29D9 3+1463.3D9 2-5126.6D9+6119。
归一化后的数值与原数值的相关系数为0.9991。
(10)对图像清晰度D10,采用如下公式进行归一化处理:
D′10=-23227D10 3+10202D10 2-2080.3D10+216.87。
归一化后的数值与原数值的相关系数为0.9994。
将针对10种评价指标的计算结果,利用第3步得到的转换关系,得到归一化后的图像清晰度数值。
4、剔除归一化的清晰度数值中的最大值和最小值,取平均后输出对应得分。去掉归一化后图像清晰度数值中的最大值和最小值,对剩余的八组评分结果取平均,得到图像的定量评分结果。
5、针对同一目标的若干成像中,选择得分最高的图像输出。
本发明对于评价结果进行了验证,首先针对不同清晰度的参考数据集构建。构建不同清晰度的遥感影像组。选择一景清晰度高的单波段影像,假设原始影像的清晰度值为100。采用随机函数,加入不同大小的噪声,得到不同噪声下的遥感影像,如图2所示。
利用10种评价指标,计算不同噪声下的图像清晰度。这10种评价指标分别为1Brenner梯度函数、2Tenengrad梯度函数、3Laplacian梯度函数、4SMD(灰度方差)函数、5SMD2(灰度方差乘积)函数、6方差函数、7能量梯度函数、8Vollath函数、9熵函数、10EAV点锐度算法函数。
计算图像清晰度评价结果与图像评分结果之间的转换关系。假设无噪声的影像的分数为100,随着噪声的增加,分值逐渐减小到1,以图像清晰度评价结果为横坐标,图像评分结果为纵坐标,建立两者的转换关系。具体清晰度的转换关系如图3所示。
选择1景待评价多光谱影像,如图4所示,分别利用10个评价指标计算图像的清晰度。根据计算各评价指标,计算出图像的绝对清晰度值。然后利用表1的转换公式,计算得到各指标图像的归一化计算结果,如表1所示。
将计算结果去掉一个最高值和一个最低值,并将其他八个指标的评价结果取平均,作为最终的图像清晰度评价结果。结果表1所示。需要指出的是,目前的十个评价指标中,方差函数和Vollath函数易出现大于100或小于0的值,但通过综合评价法,可以有效消除异常值带来的影响,提高图像的清晰度计算精度和稳定性。
表1待评价多光谱遥感影像清晰度评价结果
综上所述,本发明涉及一种遥感图像质量评价清晰度综合模块及评价方法,对于遥感图像分别采用多种函数计算所述图像的清晰度;对多种函数计算所述图像的清晰度分别进行归一化处理;剔除归一化的清晰度数值中的最大值和最小值,取平均后输出对应得分;针对同一目标的若干成像中,选择超过设定阈值的图像作为有效图像输出。本发明通过比较不同影像清晰度值的大小,评价不同图像的清晰度,可以根据单个影像的清晰度值,评价单个影像的清晰度,准确区分图像的清晰度,保证了遥感载荷输出图像的质量。本发明可以实现图像不同评价指标的快速自动评价,其处理一景影像的时间小于一分钟,且不需要人工干预,适用于大量影像的快速自动处理。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (9)
1.一种遥感图像质量清晰度综合评价模块,其特征在于,包括:图像输入单元、多个清晰度计算单元、多个归一化处理单元、计算单元以及选择单元;
所述图像输入单元接收输出的图像;
多个清晰度计算单元分别提取图像特征参数,采用各自函数计算所述图像的清晰度;
每个归一化处理单元对应一个对清晰度计算单元,对输出的所述图像的清晰度进行归一化处理,并输出至所述计算单元;
所述计算单元,剔除归一化的清晰度数值中的最大值和最小值,取平均后输出对应得分;
所述选择单元针从对同一目标的若干成像中,选择得分超过设定阈值的图像作为有效图像输出。
2.根据权利要求1所述的遥感图像质量清晰度综合评价模块,其特征在于,所述清晰度计算单元包括Brenner梯度函数计算单元,Tenengrad梯度函数计算单元,Laplacian梯度函数计算单元,灰度方差函数计算单元,灰度方差乘积函数计算单元,方差函数计算单元,能量梯度函数计算单元,Vollath函数计算单元,熵函数计算单元以及EAV点锐度算法函数计算单元。
3.根据权利要求2所述的遥感图像质量清晰度综合评价模块,其特征在于,所述Brenner梯度函数计算单元提取所述图像各个像素点的灰度,计算图像中所有相邻两个像素灰度差的平方,累加后作为图像清晰度D1;
所述Tenengrad梯度函数计算单元,采用Sobel算子分别提取所述图像水平和垂直方向的梯度值,并进行累加后作为图像清晰度D2;
所述Laplacian梯度函数计算单元,采用Laplacian算子分别提取所述图像各个像素点的卷积值,并进行求和作为图像清晰度D3;
所述灰度方差函数计算单元,提取所述图像各个像素点的灰度,计算图像中所有像素点相对于两个相邻点的灰度变化值之和,累加后作为图像清晰度D4;
所述灰度方差乘积函数计算单元,提取所述图像各个像素点的灰度,计算图像中每个像素点和两个领域的灰度差相乘后,累加后作为图像清晰度D5;
所述方差函数计算单元,提取所述图像各个像素点的灰度,计算图像的平均灰度值,计算各个像素点的灰度均方差,累加后作为图像清晰度D6;
所述能量梯度函数计算单元,提取所述图像各个像素点的灰度,计算各个像素点相对于两个相邻点的能量梯度变化之和,累加后作为图像清晰度D7;
所述Vollath函数计算单元,提取所述图像各个像素点的灰度,计算图像清晰度D8:
D8=∑y∑xf(x,y)*f(x+1,y)-M*N*μ2;
其中f(x,y)为当前点(x,y)的灰度,μ为图像的平均灰度值,M和N分别为图像宽和高;
所述熵函数计算单元,提取所述图像各个像素点的灰度,计算图像的信息熵作为图像清晰度D9;
4.根据权利要求3所述的遥感图像质量清晰度综合评价模块,其特征在于,所述归一化处理单元包括Brenner梯度函数归一化处理单元,Tenengrad梯度函数归一化处理单元,Laplacian梯度函数归一化处理单元,灰度方差函数归一化处理单元,灰度方差乘积函数归一化处理单元,方差函数归一化处理单元,能量梯度函数归一化处理单元,Vollath函数归一化处理单元,熵函数归一化处理单元以及EAV点锐度算法函数归一化处理单元。
5.根据权利要求4所述的遥感图像质量清晰度综合评价模块,其特征在于,所述Brenner梯度函数归一化处理单元对图像清晰度D1,采用如下公式进行归一化处理:
D′1=-1059D1 3+575.32D1 2-240.44D1+115.15;
所述Tenengrad梯度函数归一化处理单元对图像清晰度D2,采用如下公式进行归一化处理:
D′2=-17.231D2 3+36.505D2 2-61.398D2+117.04;
所述Laplacian梯度函数归一化处理单元对图像清晰度D3,采用如下公式进行归一化处理:
D′3=-41.091D3 3+35.218D3 2-49.126D3+102.48;
所述灰度方差函数归一化处理单元对图像清晰度D4,采用如下公式进行归一化处理:
D′4=-1478.5D4 3+455.66D4 2-182.11D4+104.68;
所述灰度方差乘积函数归一化处理单元对图像清晰度D5,采用如下公式进行归一化处理:
D′5=-1456.1D5 3+501.47D5 2-194.89D5+105.98;
所述方差函数归一化处理单元对图像清晰度D6,采用如下公式进行归一化处理:
D′6=-63328D6 3+15267D6 2-1938.5D6+137.73;
所述能量梯度函数归一化处理单元对图像清晰度D7,采用如下公式进行归一化处理:
D′7=-862.17D7 3+361.42D7 2-166.55D7+106.37;
所述Vollath函数归一化处理单元对图像清晰度D8,采用如下公式进行归一化处理:
D′8=3*10-9D8 3-3*10-5D8 2+0.122D8-68.095;
所述熵函数归一化处理单元对图像清晰度D9,采用如下公式进行归一化处理:
D′9=-140.29D9 3+1463.3D9 2-5126.6D9+6119;
所述EAV点锐度算法函数归一化处理单元对图像清晰度D10,采用如下公式进行归一化处理:
D′10=-23227D10 3+10202D10 2-2080.3D10+216.87。
6.一种遥感图像质量清晰度综合评价方法,其特征在于,包括如下步骤:
(1)获取图像;
(2)分别采用多种函数计算所述图像的清晰度;
(3)对多种函数计算所述图像的清晰度分别进行归一化处理;
(4)剔除归一化的清晰度数值中的最大值和最小值,取平均后输出对应得分;
(5)针对同一目标的若干成像中,选择得分超过设定阈值的图像作为有效图像输出。
7.根据权利要求6所述的遥感图像质量清晰度综合评价方法,其特征在于,采用多种函数计算所述图像的清晰度,包括Brenner梯度函数、Tenengrad梯度函数、Laplacian梯度函数、灰度方差函数、灰度方差乘积函数、方差函数、能量梯度函数、Vollath函数、熵函数以及EAV点锐度算法函数。
8.根据权利要求7所述的遥感图像质量清晰度综合评价方法,其特征在于,采用Brenner梯度函数计算所述图像的清晰度包括:计算图像中所有相邻两个像素灰度差的平方,累加后作为图像清晰度D1;
采用Tenengrad梯度函数计算所述图像的清晰度包括:采用Sobel算子分别提取所述图像水平和垂直方向的梯度值,并进行累加后作为图像清晰度D2;
采用Laplacian梯度函数计算所述图像的清晰度包括:采用Laplacian算子分别提取所述图像各个像素点的卷积值,并进行求和作为图像清晰度D3;
采用灰度方差函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像中所有像素点相对于两个相邻点的灰度变化值之和,累加后作为图像清晰度D4;
采用灰度方差乘积函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像中每个像素点和两个领域的灰度差相乘后,累加后作为图像清晰度D5;
采用方差函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像的平均灰度值,计算各个像素点的灰度均方差,累加后作为图像清晰度D6;
采用能量梯度函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算各个像素点相对于两个相邻点的能量梯度变化之和,累加后作为图像清晰度D7;
采用Vollath函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像清晰度D8:
D8=∑y∑xf(x,y)*f(x+1,y)-M*N*μ2;
其中f(x,y)为当前点(x,y)的灰度,μ为图像的平均灰度值,M和N分别为图像宽和高;
采用熵函数计算所述图像的清晰度包括:提取所述图像各个像素点的灰度,计算图像的信息熵作为图像清晰度D9;
9.根据权利要求8所述的遥感图像质量清晰度综合评价方法,其特征在于,
对图像清晰度D1,采用如下公式进行归一化处理:
D′1=-1059D1 3+575.32D1 2-240.44D1+115.15;
对图像清晰度D2,采用如下公式进行归一化处理:
D′2=-17.231D2 3+36.505D2 2-61.398D2+117.04;
对图像清晰度D3,采用如下公式进行归一化处理:
D′3=-41.091D3 3+35.218D3 2-49.126D3+102.48;
对图像清晰度D4,采用如下公式进行归一化处理:
D′4=-1478.5D4 3+455.66D4 2-182.11D4+104.68;
对图像清晰度D5,采用如下公式进行归一化处理:
D′5=-1456.1D5 3+501.47D5 2-194.89D5+105.98;
对图像清晰度D6,采用如下公式进行归一化处理:
D′6=-63328D6 3+15267D6 2-1938.5D6+137.73;
对图像清晰度D7,采用如下公式进行归一化处理:
D′7=-862.17D7 3+361.42D7 2-166.55D7+106.37;
对图像清晰度D8,采用如下公式进行归一化处理:
D′8=3*10-9D8 3-3*10-5D8 2+0.122D8-68.095;
对图像清晰度D9,采用如下公式进行归一化处理:
D′9=-140.29D9 3+1463.3D9 2-5126.6D9+6119。
对图像清晰度D10,采用如下公式进行归一化处理:
D′10=-23227D10 3+10202D10 2-2080.3D10+216.87。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849413.2A CN112001904B (zh) | 2020-08-21 | 2020-08-21 | 一种遥感图像质量清晰度综合评价模块及评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849413.2A CN112001904B (zh) | 2020-08-21 | 2020-08-21 | 一种遥感图像质量清晰度综合评价模块及评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001904A true CN112001904A (zh) | 2020-11-27 |
CN112001904B CN112001904B (zh) | 2024-04-02 |
Family
ID=73472990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010849413.2A Active CN112001904B (zh) | 2020-08-21 | 2020-08-21 | 一种遥感图像质量清晰度综合评价模块及评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001904B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818737A (zh) * | 2020-12-18 | 2021-05-18 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
CN113486786A (zh) * | 2021-07-05 | 2021-10-08 | 江苏鼎峰信息技术有限公司 | 一种自动作业批改系统 |
CN113850764A (zh) * | 2021-09-09 | 2021-12-28 | 深圳新致软件有限公司 | 基于高斯模糊的理赔材料图像质量控制方法、系统以及设备 |
CN114488520A (zh) * | 2021-12-27 | 2022-05-13 | 西南技术物理研究所 | 一种基于成像清晰度的显微镜像差校正装置 |
CN114862705A (zh) * | 2022-04-25 | 2022-08-05 | 陕西西影数码传媒科技有限责任公司 | 影像色彩修复的图像质量评价方法 |
CN115170557A (zh) * | 2022-08-08 | 2022-10-11 | 中山大学中山眼科中心 | 结膜杯状细胞成像的图像融合方法及装置 |
CN116863492A (zh) * | 2023-09-04 | 2023-10-10 | 山东正禾大教育科技有限公司 | 一种移动数字出版系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968800A (zh) * | 2012-12-14 | 2013-03-13 | 宁波江丰生物信息技术有限公司 | 一种图像清晰度的评价方法 |
CN108596878A (zh) * | 2018-03-30 | 2018-09-28 | 浙江大学山东工业技术研究院 | 图像清晰度评价方法 |
CN109635800A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像对焦方法及其相关设备 |
CN109767449A (zh) * | 2018-12-03 | 2019-05-17 | 浙江工业大学 | 一种基于强边缘检测的图像清晰度评价方法 |
CN111179259A (zh) * | 2019-12-31 | 2020-05-19 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
CN111369523A (zh) * | 2020-03-02 | 2020-07-03 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
-
2020
- 2020-08-21 CN CN202010849413.2A patent/CN112001904B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968800A (zh) * | 2012-12-14 | 2013-03-13 | 宁波江丰生物信息技术有限公司 | 一种图像清晰度的评价方法 |
CN108596878A (zh) * | 2018-03-30 | 2018-09-28 | 浙江大学山东工业技术研究院 | 图像清晰度评价方法 |
CN109767449A (zh) * | 2018-12-03 | 2019-05-17 | 浙江工业大学 | 一种基于强边缘检测的图像清晰度评价方法 |
CN109635800A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像对焦方法及其相关设备 |
CN111179259A (zh) * | 2019-12-31 | 2020-05-19 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
CN111369523A (zh) * | 2020-03-02 | 2020-07-03 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818737A (zh) * | 2020-12-18 | 2021-05-18 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
CN112818737B (zh) * | 2020-12-18 | 2024-02-02 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
CN113486786A (zh) * | 2021-07-05 | 2021-10-08 | 江苏鼎峰信息技术有限公司 | 一种自动作业批改系统 |
CN113486786B (zh) * | 2021-07-05 | 2024-04-09 | 江苏鼎峰信息技术有限公司 | 一种自动作业批改系统 |
CN113850764A (zh) * | 2021-09-09 | 2021-12-28 | 深圳新致软件有限公司 | 基于高斯模糊的理赔材料图像质量控制方法、系统以及设备 |
CN114488520A (zh) * | 2021-12-27 | 2022-05-13 | 西南技术物理研究所 | 一种基于成像清晰度的显微镜像差校正装置 |
CN114488520B (zh) * | 2021-12-27 | 2024-04-23 | 西南技术物理研究所 | 一种基于成像清晰度的显微镜像差校正装置 |
CN114862705A (zh) * | 2022-04-25 | 2022-08-05 | 陕西西影数码传媒科技有限责任公司 | 影像色彩修复的图像质量评价方法 |
CN114862705B (zh) * | 2022-04-25 | 2022-11-25 | 陕西西影数码传媒科技有限责任公司 | 影像色彩修复的图像质量评价方法 |
CN115170557A (zh) * | 2022-08-08 | 2022-10-11 | 中山大学中山眼科中心 | 结膜杯状细胞成像的图像融合方法及装置 |
CN116863492A (zh) * | 2023-09-04 | 2023-10-10 | 山东正禾大教育科技有限公司 | 一种移动数字出版系统 |
CN116863492B (zh) * | 2023-09-04 | 2023-11-21 | 山东正禾大教育科技有限公司 | 一种移动数字出版系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112001904B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001904B (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
CN105825500B (zh) | 一种对相机图像质量的评价方法与装置 | |
CN111932532B (zh) | 胶囊内窥镜无参考图像评价方法、电子设备及介质 | |
CN108732172A (zh) | 中药材质量评定方法、设备及介质 | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN104637046B (zh) | 图像检测方法和装置 | |
CN103366378B (zh) | 基于条件直方图形状一致性的无参考型图像质量评价方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
CN110782413B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN105007488A (zh) | 基于变换域和空间域的通用无参考图像质量评价方法 | |
van Zwanenberg et al. | Edge detection techniques for quantifying spatial imaging system performance and image quality | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
CN115100068A (zh) | 一种红外图像校正方法 | |
CN111062954A (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
Bahrami et al. | Efficient image sharpness assessment based on content aware total variation | |
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 | |
Jindal et al. | Bio-medical image enhancement based on spatial domain technique | |
CN116343051A (zh) | 一种基于遥感影像的地质环境监测方法及系统 | |
Yang et al. | Blind image quality assessment on authentically distorted images with perceptual features | |
Ji et al. | No-reference image quality assessment for dehazed images | |
CN106875383B (zh) | 基于威布尔统计特征的内容不敏感模糊图像质量评价方法 | |
CN115272184A (zh) | 基于优化工业图像质量的缺陷识别方法 | |
Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information |
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 |