CN112116568A - 一种图像质量评价方法、装置及存储介质 - Google Patents

一种图像质量评价方法、装置及存储介质 Download PDF

Info

Publication number
CN112116568A
CN112116568A CN202010950511.5A CN202010950511A CN112116568A CN 112116568 A CN112116568 A CN 112116568A CN 202010950511 A CN202010950511 A CN 202010950511A CN 112116568 A CN112116568 A CN 112116568A
Authority
CN
China
Prior art keywords
image
distorted
quality evaluation
image quality
images
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.)
Pending
Application number
CN202010950511.5A
Other languages
English (en)
Inventor
张显聪
杨珏
范旭娟
陈雁
何锦强
廖永力
朱登杰
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.)
China South Power Grid International Co ltd
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
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 China South Power Grid International Co ltd, Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202010950511.5A priority Critical patent/CN112116568A/zh
Publication of CN112116568A publication Critical patent/CN112116568A/zh
Pending legal-status Critical Current

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像质量评价方法、装置及存储介质，该方法包括：获取多张标准图像，并对标准图像施加失真处理，得到多张失真图像；采用全参考图像质量评价方法对每张失真图像进行评价，得到每张失真图像的评价分数，根据所有的失真图像的评价分数，得到评分向量空间；提取每张失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的失真图像的特征向量，得到图像特征向量空间；采用支持向量回归建立评分向量空间与图像特征向量空间的函数关系，得到图像质量评价模型；输入待评价图像，利用图像质量评价模型得到待评价图像的质量分数。本发明可以快速、准确地评价图像质量。

Description

一种图像质量评价方法、装置及存储介质
技术领域
本发明涉及图像评价技术领域，尤其涉及一种图像质量评价方法、装置及存储介质。
背景技术
图像在采集、传输等过程中不可避免的受到各种失真的影响，如压缩、散焦模糊、运动模糊、噪声、异常曝光等。失真的引入改变了像素间的相关性，在一定程度上丢失图像原始信息，将会对后期目标检测和缺陷识别准确率造成影响。为了使得检测、识别算法能更准确地对目标进行辨别，降低误差，需要对待检测图像的质量进行预判。
特别对于输电线路的巡检图像，大多使用机器人或者无人机对输电线路进行拍摄，后续由目标检测、目标识别等处理算法根据巡检图像诊断线路缺陷。如果巡检图像的失真过于严重，会大大降低线路缺陷的诊断结果。
发明内容
本发明实施例的目的是提供一种图像质量评价方法、装置及存储介质，先构建专有图像数据库，再提取图像的结构特征、纹理特征和曝光度，再通过支持向量回归得到图像质量评价模型，可以快速、准确地评价图像质量。
为实现上述目的，本发明一实施例提供了一种图像质量评价方法，包括以下步骤：
获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像；其中，m≥n≥1；
采用全参考图像质量评价方法对每张所述失真图像进行评价，得到每张所述失真图像的评价分数，根据所有的所述失真图像的评价分数，得到评分向量空间；
提取每张所述失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的所述失真图像的特征向量，得到图像特征向量空间；
采用支持向量回归建立所述评分向量空间与所述图像特征向量空间的函数关系，得到图像质量评价模型；
输入待评价图像，利用所述图像质量评价模型得到所述待评价图像的质量分数。
优选地，所述获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像，具体包括：
获取n张标准图像，对每张所述标准图像施加预设的多种不同程度的高斯噪声，对每张所述标准图像施加预设的多种不同程度的高斯模糊，对每张所述标准图像施加预设的多种不同程度的压缩处理，得到m张失真图像；其中，m＞n≥1。
优选地，所述失真图像的结构特征包括所述失真图像的梯度幅值对应于韦伯分布的形状参数和比例参数。
优选地，所述失真图像的纹理特征包括局部图像纹理特征和全局图像纹理特征；其中，所述局部图像纹理特征是通过统计所述失真图像中所有像素点的LBP值得到，所述全局图像纹理特征包括灰度共生矩阵的对比度、ASM能量和同质性。
优选地，所述灰度共生矩阵是通过以下方式得到的：
将所述失真图像的灰度范围压缩量化到L量级，得到量化矩阵；其中，所述失真图像的输入尺寸为H×W，L≥1；
统计与所述量化矩阵中像素值为i的像素的距离为d，方向为θ、且像素值为j的像素出现的次数；其中，1≤i≤L，1≤j≤L，i≠j；
遍历所述量化矩阵，得到所述灰度共生矩阵。
优选地，所述灰度共生矩阵的对比度的计算公式为
Figure BDA0002675981220000031
所述灰度共生矩阵的ASM能量的计算公式为
Figure BDA0002675981220000032
所述灰度共生矩阵的同质性的计算公式为GH＝Pd,θ(i,j)/(1+|i-j-2|)；其中，
Figure BDA0002675981220000033
GC为所述灰度共生矩阵的对比度，Pd,θ(i,j)为所述灰度共生矩阵中坐标为(i,j)的元素hd,θ(i,j)对应的概率，GE为所述灰度共生矩阵的ASM能量，GH为所述灰度共生矩阵的同质性。
优选地，所述失真图像的曝光度通过信息熵来量化。
本发明另一实施例提供了一种图像质量评价装置，所述装置包括：
图像获取模块，用于获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像；其中，m≥n≥1；
图像评价模块，用于采用全参考图像质量评价方法对每张所述失真图像进行评价，得到每张所述失真图像的评价分数，根据所有的所述失真图像的评价分数，得到评分向量空间；
特征提取模块，用于提取每张所述失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的所述失真图像的特征向量，得到图像特征向量空间；
模型构建模块，用于采用支持向量回归建立所述评分向量空间与所述图像特征向量空间的函数关系，得到图像质量评价模型；
测试模块，用于输入待评价图像，利用所述图像质量评价模型得到所述待评价图像的质量分数。
本发明另一实施例对应提供了一种使用图像质量评价方法的装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的图像质量评价方法。
本发明还有一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项所述的图像质量评价方法。
与现有技术相比，本发明实施例所提供的一种图像质量评价方法、装置及存储介质，首先建立了图像质量评价专用数据库，其次通过提取图像的结构特征、纹理特征和曝光度特征构建图像特征向量，而后利用支持向量机习得映射模型，从而可以根据映射模型得到待评价图像的质量评价分数。
附图说明
图1是本发明提供的一种图像质量评价方法的一个实施例的流程示意图；
图2是本发明提供的一种图像质量评价方法的另一个实施例的流程示意图；
图3是本发明提供的图像质量评价装置的一个实施例的结构示意图；
图4是本发明提供的使用图像质量评价方法的装置的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明提供的一种图像质量评价方法的一个实施例的流程示意图，所述方法包括步骤S1至步骤S5：
S1、获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像；其中，m≥n≥1；
S2、采用全参考图像质量评价方法对每张所述失真图像进行评价，得到每张所述失真图像的评价分数，根据所有的所述失真图像的评价分数，得到评分向量空间；
S3、提取每张所述失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的所述失真图像的特征向量，得到图像特征向量空间；
S4、采用支持向量回归建立所述评分向量空间与所述图像特征向量空间的函数关系，得到图像质量评价模型；
S5、输入待评价图像，利用所述图像质量评价模型得到所述待评价图像的质量分数。
具体地，获取n张标准图像，并对标准图像施加失真处理，得到m张失真图像；其中，m≥n≥1。标准图像指的是高清无失真的原始图像。为了建立输电线路巡检图像的标准图像库，可以从提供的大量巡检图像中人工挑选出高质量图像作为标准图像，即参考图像。图像失真包括压缩、散焦模糊、运动模糊、噪声、异常曝光等。对标准图像施加失真处理，是为了获得失真图像，并与参考图像进行对比。
采用全参考图像质量评价方法对每张失真图像进行评价，得到每张失真图像的评价分数，将该评价分数作为该失真图像的标签。根据所有的失真图像的评价分数，得到评分向量空间。
提取每张失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的失真图像的特征向量，得到图像特征向量空间。
采用支持向量回归建立评分向量空间与图像特征向量空间的函数关系，也就是将图像特征向量空间映射到评分向量空间，该映射关系需要不断调整完善，当建立好映射关系，则得到图像质量评价模型。
输入待评价图像，提取待评价图像的结构特征、纹理特征和曝光度，得到待评价图像的图像特征向量空间，利用图像质量评价模型的映射关系，得到待评价图像的质量分数。
本发明实施例1提供的一种图像质量评价方法，首先建立了图像质量评价专用数据库，其次通过提取图像的结构特征、纹理特征和曝光度特征构建图像特征向量，而后利用支持向量机习得映射模型，从而可以根据映射模型得到待评价图像的质量评价分数。
作为上述方案的改进，所述获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像，具体包括：
获取n张标准图像，对每张所述标准图像施加预设的多种不同程度的高斯噪声，对每张所述标准图像施加预设的多种不同程度的高斯模糊，对每张所述标准图像施加预设的多种不同程度的压缩处理，得到m张失真图像；其中，m＞n≥1。
具体地，获取n张标准图像，对每张标准图像施加预设的多种不同程度的高斯噪声，对每张标准图像施加预设的多种不同程度的高斯模糊，对每张标准图像施加预设的多种不同程度的压缩处理，得到m张失真图像；其中，m＞n≥1。为了在一定数目的标准图像的基础上，得到尽可能多的失真图像，可以对每张标准图像施加不同程度的失真处理，例如施加30％、50％和80％的高斯噪声，那么就可以得到三张失真图像。还可以施加不同的失真类型，在该实施例中施加的失真类型主要包括噪声、模糊、压缩，其中压缩包括JPEG2000压缩和JPEG压缩。例如，标准图像为128张，对每张标准图像施加五种程度的高斯模糊、高斯噪声、JPEG2000压缩和JPEG压缩四种失真，因此每张标准图像可以得到20张失真图像，共计2560张图像。
作为上述方案的改进，所述失真图像的结构特征包括所述失真图像的梯度幅值对应于韦伯分布的形状参数和比例参数。
具体地，失真图像的结构特征包括失真图像的梯度幅值对应于韦伯分布的形状参数和比例参数。也就是说，利用失真图像的梯度幅值对应于韦伯分布的形状参数和比例参数，表征失真图像的结构特征。
图像结构信息对物体的识别、理解起到重要作用。图像的失真改变图像像素间的相关性，影响内容的识别与理解。本发明首先提取图像结构特征来捕捉图像质量敏感特征。对于输入图像I,首先提取其梯度幅值G，其梯度幅值为
Figure BDA0002675981220000071
其中，
Figure BDA0002675981220000072
为卷积操作符，px和py分别表示水平方向和垂直方向的滤波核函数。本发明采用prewitt滤波器，有
Figure BDA0002675981220000073
高质量图像的梯度幅度满足二维韦伯分布，而失真的存在会破坏这种结构性，因此采用韦伯分布参数对图像结构失真进行量化。二维韦伯分布的概率函数可表示为
Figure BDA0002675981220000074
式中，x表示输入图像的梯度幅值，即G；α是形状参数，控制分布的峰值；λ是比例参数，决定分布的宽度。这些参数反映隐藏在韦伯分布中的相关性，因此本发明选取α和λ两个参数来量化图像的失真程度。
作为上述方案的改进，所述失真图像的纹理特征包括局部图像纹理特征和全局图像纹理特征；其中，所述局部图像纹理特征是通过统计所述失真图像中所有像素点的LBP值得到，所述全局图像纹理特征包括灰度共生矩阵的对比度、ASM能量和同质性。
具体地，失真图像的纹理特征包括局部图像纹理特征和全局图像纹理特征；其中，局部图像纹理特征是通过统计失真图像中所有像素点的LBP值得到，全局图像纹理特征包括灰度共生矩阵的对比度、ASM能量和同质性。提取图像的LBP值表示图像局部纹理信息，提取灰度共生矩阵的对比度、能量和同质性表征图像的全局纹理特征。
针对于图像的局部图像纹理特征，可以通过图像的中心像素点与相邻周边像素点之间的关系来得到。对于输入图像I，其中心像素点nc与相邻周边像素点ni之间的关系可表示为
Figure BDA0002675981220000075
其中，s(·,·)为局部二值模式(LocalBinary Patterns，LBP)阈值函数，I(nc)和I(ni)分别表示中心像素点nc与相邻周边像素点ni处的像素灰度值。本发明计算nc与其周围Q个像素点ni之间的关系，取Q＝8。当计算完成后，应用LBP进行二进制编码，得到
Figure BDA0002675981220000081
进一步对公式改进得到，
Figure BDA0002675981220000082
其中，riu2表示当均匀测量μ小于2时的旋转不变均匀模式，μ用来计算中心像素点与周围像素点之间比较关系的变化次数，其计算公式为
Figure BDA0002675981220000083
经过上述处理步骤，一个像素点与其周围Q个点的比较关系共可得到Q+2种可能。对图像中所有像素点的LBP进行统计，提取这Q+2个值来表示图像局部纹理特征。
作为上述方案的改进，所述灰度共生矩阵是通过以下方式得到的：
将所述失真图像的灰度范围压缩量化到L量级，得到量化矩阵；其中，所述失真图像的输入尺寸为H×W，L≥1；
统计与所述量化矩阵中像素值为i的像素的距离为d，方向为θ、且像素值为j的像素出现的次数；其中，1≤i≤L，1≤j≤L，i≠j；
遍历所述量化矩阵，得到所述灰度共生矩阵。
具体地，将失真图像的灰度范围压缩量化到L量级，得到量化矩阵MH×W；其中，失真图像I的输入尺寸为H×W，L≥1；H为图像高度，W为图像宽度。
统计与量化矩阵MH×W中像素值为i的像素的距离为d，方向为θ、且像素值为j的像素出现的次数；其中，1≤i≤L，1≤j≤L，i≠j；
遍历量化矩阵MH×W，得到灰度共生矩阵Hd,θ。
作为上述方案的改进，所述灰度共生矩阵的对比度的计算公式为
Figure BDA0002675981220000091
所述灰度共生矩阵的ASM能量的计算公式为
Figure BDA0002675981220000092
所述灰度共生矩阵的同质性的计算公式为GH＝Pd,θ(i,j)/(1+|i-j-2|)；其中，
Figure BDA0002675981220000093
GC为所述灰度共生矩阵的对比度，Pd,θ(i,j)为所述灰度共生矩阵中坐标为(i,j)的元素hd,θ(i,j)对应的概率，GE为所述灰度共生矩阵的ASM能量，GH为所述灰度共生矩阵的同质性。
具体地，灰度共生矩阵Hd,θ的对比度的计算公式为
Figure BDA0002675981220000094
灰度共生矩阵Hd,θ的ASM能量的计算公式为
Figure BDA0002675981220000095
灰度共生矩阵Hd,θ的同质性的计算公式为GH＝Pd,θ(i,j)/(1+|i-j-2|)；其中，
Figure BDA0002675981220000096
GC为灰度共生矩阵Hd,θ的对比度，Pd,θ(i,j)为灰度共生矩阵Hd,θ中坐标为(i,j)的元素hd,θ(i,j)对应的概率，GE为灰度共生矩阵Hd,θ的ASM能量，GH为灰度共生矩阵Hd,θ的同质性。
作为上述方案的改进，所述失真图像的曝光度通过信息熵来量化。
具体地，失真图像的曝光度通过信息熵来量化。图像曝光异常也会影响图像质量，进而影响图像理解过程。当图像曝光异常时，图像的灰度值向亮暗两端集中，并且细节信息丢失严重。为反映这一特点，本发明采用信息熵反映巡检图像中细节信息保留程度，信息熵的表达式为
Figure BDA0002675981220000097
其中，U表示失真图像中所有像素点可能的最大灰度值。对于常见的8-bit图像而言，U＝255。pμ表示像素值为μ的概率。
为了加深对图像质量评价模型的理解，本发明该实施例还对支持向量回归SVR进行说明，具体如下：
应用机器学习中的支持向量回归SVR将图像特征向量空间F映射到评分向量空间M，SVR的目标函数定义如下：
Figure BDA0002675981220000101
s.t.wTΦ(xi)-yi≤ε+ξi,
Figure BDA0002675981220000102
Figure BDA0002675981220000103
其中，xi表示第i个失真图像的特征向量，yi表示该失真图像对应的评价分数。K(xi,yi)≡φ(xi)Tφ(xi)表示采用的核函数，本发明选用径向基函数RBF函数作为核函数，即
Figure BDA0002675981220000104
当建立好改映射关系后，输入待评价图像提取相应图像特征，通过建立好的图像质量评价模型可得到相应的预测质量分数。
经过训练得到训练好的图像质量评价模型后，通过测试验证图像质量评价模型的有效性。为了检验算法性能，采用皮尔森线性相关系数PLCC、斯皮尔曼等级相关系数SRCC、肯德尔秩相关系数KRCC和均方根误差RMSE作为评估标准，PLCC、SRCC、KRCC越接近1，RMSE越接近0说明算法性能越好。本发明经过实验测试，实验结果表明，在构建的输电线路巡检图像质量评价数据库内，算法性能指标分别达到PLCC＝0.9794，SRCC＝0.9368，KRCC＝0.8133，RMSE＝0.0718，说明得到的图像质量评价模型具有良好的质量预测能力。参见图2，是本发明提供的一种图像质量评价方法的另一个实施例的流程示意图。
参见图3，是本发明提供的图像质量评价装置的一个实施例的结构示意图，所述装置包括：
图像获取模块11，用于获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像；其中，m≥n≥1；
图像评价模块12，用于采用全参考图像质量评价方法对每张所述失真图像进行评价，得到每张所述失真图像的评价分数，根据所有的所述失真图像的评价分数，得到评分向量空间；
特征提取模块13，用于提取每张所述失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的所述失真图像的特征向量，得到图像特征向量空间；
模型构建模块14，用于采用支持向量回归建立所述评分向量空间与所述图像特征向量空间的函数关系，得到图像质量评价模型；
测试模块15，用于输入待评价图像，利用所述图像质量评价模型得到所述待评价图像的质量分数。
本发明实施例所提供的一种图像质量评价装置能够实现上述任一实施例所述的图像质量评价方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的图像质量评价方法的作用以及实现的技术效果对应相同，这里不再赘述。
参见图4，是本发明提供的使用图像质量评价方法的装置的一个实施例的结构示意图，所述使用图像质量评价方法的装置包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10执行所述计算机程序时实现上述任一实施例所述的图像质量评价方法。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器20中，并由处理器10执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在一种图像质量评价方法中的执行过程。例如，计算机程序可以被分割成图像获取模块、图像评价模块、特征提取模块、模型构建模块和测试模块，各模块具体功能如下：
图像获取模块11，用于获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像；其中，m≥n≥1；
图像评价模块12，用于采用全参考图像质量评价方法对每张所述失真图像进行评价，得到每张所述失真图像的评价分数，根据所有的所述失真图像的评价分数，得到评分向量空间；
特征提取模块13，用于提取每张所述失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的所述失真图像的特征向量，得到图像特征向量空间；
模型构建模块14，用于采用支持向量回归建立所述评分向量空间与所述图像特征向量空间的函数关系，得到图像质量评价模型；
测试模块15，用于输入待评价图像，利用所述图像质量评价模型得到所述待评价图像的质量分数。
所述使用图像质量评价方法的装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述使用图像质量评价方法的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图4仅仅是一种使用图像质量评价方法的装置的示例，并不构成对所述使用图像质量评价方法的装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述使用图像质量评价方法的装置还可以包括输入输出设备、网络接入设备、总线等。
处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器10也可以是任何常规的处理器等，处理器10是所述使用图像质量评价方法的装置的控制中心，利用各种接口和线路连接整个使用图像质量评价方法的装置的各个部分。
存储器20可用于存储所述计算机程序和/或模块，处理器10通过运行或执行存储在存储器20内的计算机程序和/或模块，以及调用存储在存储器20内的数据，实现所述使用图像质量评价方法的装置的各种功能。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述使用图像质量评价方法的装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的图像质量评价方法。
综上，本发明实施例所提供的一种图像质量评价方法、装置及存储介质，首先建立了图像质量评价专用数据库，其次通过提取图像的结构特征、纹理特征和曝光度特征构建图像特征向量，而后利用支持向量机习得映射模型，从而可以根据映射模型得到待评价图像的质量评价分数。本发明可以为输电线路巡检图像的质量评价提供一种途径，从而快速、准确预测巡检图像质量，满足智能电网建设需要。
以上所述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，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种图像质量评价方法，其特征在于，包括以下步骤：
获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像；其中，m≥n≥1；
采用全参考图像质量评价方法对每张所述失真图像进行评价，得到每张所述失真图像的评价分数，根据所有的所述失真图像的评价分数，得到评分向量空间；
提取每张所述失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的所述失真图像的特征向量，得到图像特征向量空间；
采用支持向量回归建立所述评分向量空间与所述图像特征向量空间的函数关系，得到图像质量评价模型；
输入待评价图像，利用所述图像质量评价模型得到所述待评价图像的质量分数。
2.如权利要求1所述的图像质量评价方法，其特征在于，所述获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像，具体包括：
获取n张标准图像，对每张所述标准图像施加预设的多种不同程度的高斯噪声，对每张所述标准图像施加预设的多种不同程度的高斯模糊，对每张所述标准图像施加预设的多种不同程度的压缩处理，得到m张失真图像；其中，m＞n≥1。
3.如权利要求1所述的图像质量评价方法，其特征在于，所述失真图像的结构特征包括所述失真图像的梯度幅值对应于韦伯分布的形状参数和比例参数。
4.如权利要求1所述的图像质量评价方法，其特征在于，所述失真图像的纹理特征包括局部图像纹理特征和全局图像纹理特征；其中，所述局部图像纹理特征是通过统计所述失真图像中所有像素点的LBP值得到，所述全局图像纹理特征包括灰度共生矩阵的对比度、ASM能量和同质性。
5.如权利要求4所述的图像质量评价方法，其特征在于，所述灰度共生矩阵是通过以下方式得到的：
将所述失真图像的灰度范围压缩量化到L量级，得到量化矩阵；其中，所述失真图像的输入尺寸为H×W，L≥1；
统计与所述量化矩阵中像素值为i的像素的距离为d，方向为θ、且像素值为j的像素出现的次数；其中，1≤i≤L，1≤j≤L，i≠j；
遍历所述量化矩阵，得到所述灰度共生矩阵。
6.如权利要求5所述的图像质量评价方法，其特征在于，所述灰度共生矩阵的对比度的计算公式为
Figure FDA0002675981210000021
所述灰度共生矩阵的ASM能量的计算公式为
Figure FDA0002675981210000022
所述灰度共生矩阵的同质性的计算公式为GH＝Pd,θ(i,j)/(1+|i-j-2|)；其中，
Figure FDA0002675981210000023
GC为所述灰度共生矩阵的对比度，Pd,θ(i,j)为所述灰度共生矩阵中坐标为(i,j)的元素hd,θ(i,j)对应的概率，GE为所述灰度共生矩阵的ASM能量，GH为所述灰度共生矩阵的同质性。
7.如权利要求1所述的图像质量评价方法，其特征在于，所述失真图像的曝光度通过信息熵来量化。
8.一种图像质量评价装置，其特征在于，包括：
图像获取模块，用于获取n张标准图像，并对所述标准图像施加失真处理，得到m张失真图像；其中，m≥n≥1；
图像评价模块，用于采用全参考图像质量评价方法对每张所述失真图像进行评价，得到每张所述失真图像的评价分数，根据所有的所述失真图像的评价分数，得到评分向量空间；
特征提取模块，用于提取每张所述失真图像的结构特征、纹理特征和曝光度，得到每张图像的特征向量，根据所有的所述失真图像的特征向量，得到图像特征向量空间；
模型构建模块，用于采用支持向量回归建立所述评分向量空间与所述图像特征向量空间的函数关系，得到图像质量评价模型；
测试模块，用于输入待评价图像，利用所述图像质量评价模型得到所述待评价图像的质量分数。
9.一种使用图像质量评价方法的装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的图像质量评价方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的图像质量评价方法。
CN202010950511.5A 2020-09-10 2020-09-10 一种图像质量评价方法、装置及存储介质 Pending CN112116568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010950511.5A CN112116568A (zh) 2020-09-10 2020-09-10 一种图像质量评价方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010950511.5A CN112116568A (zh) 2020-09-10 2020-09-10 一种图像质量评价方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112116568A true CN112116568A (zh) 2020-12-22

Family

ID=73801999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010950511.5A Pending CN112116568A (zh) 2020-09-10 2020-09-10 一种图像质量评价方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112116568A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446879A (zh) * 2021-01-06 2021-03-05 天津科技大学 一种基于图像熵的对比度失真图像质量评价方法
CN113553708A (zh) * 2021-07-22 2021-10-26 北京环境特性研究所 一种溯源仿真模型关键影响因素的方法和装置
CN113724196A (zh) * 2021-07-16 2021-11-30 北京工业大学 图像质量评价方法、装置、设备及存储介质
CN115272303A (zh) * 2022-09-26 2022-11-01 睿贸恒诚(山东)科技发展有限责任公司 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257125A (zh) * 2018-01-24 2018-07-06 中国矿业大学 一种基于自然场景统计的深度图像质量无参考评价方法
CN108335289A (zh) * 2018-01-18 2018-07-27 天津大学 一种全参考融合的图像客观质量评价方法
CN111192258A (zh) * 2020-01-02 2020-05-22 广州大学 一种图像质量评估方法及装置
CN111311594A (zh) * 2020-03-16 2020-06-19 清华大学深圳国际研究生院 一种无参考的图像质量评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108335289A (zh) * 2018-01-18 2018-07-27 天津大学 一种全参考融合的图像客观质量评价方法
CN108257125A (zh) * 2018-01-24 2018-07-06 中国矿业大学 一种基于自然场景统计的深度图像质量无参考评价方法
CN111192258A (zh) * 2020-01-02 2020-05-22 广州大学 一种图像质量评估方法及装置
CN111311594A (zh) * 2020-03-16 2020-06-19 清华大学深圳国际研究生院 一种无参考的图像质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王超 等: "基于LBP 和GLCM 的煤岩图像特征提取 与识别方法", 煤炭安全, vol. 51, no. 4, 20 April 2020 (2020-04-20), pages 129 - 132 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446879A (zh) * 2021-01-06 2021-03-05 天津科技大学 一种基于图像熵的对比度失真图像质量评价方法
CN113724196A (zh) * 2021-07-16 2021-11-30 北京工业大学 图像质量评价方法、装置、设备及存储介质
CN113553708A (zh) * 2021-07-22 2021-10-26 北京环境特性研究所 一种溯源仿真模型关键影响因素的方法和装置
CN113553708B (zh) * 2021-07-22 2023-04-25 北京环境特性研究所 一种溯源仿真模型关键影响因素的方法和装置
CN115272303A (zh) * 2022-09-26 2022-11-01 睿贸恒诚(山东)科技发展有限责任公司 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统

Similar Documents

Publication Publication Date Title
CN112116568A (zh) 一种图像质量评价方法、装置及存储介质
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
Hadizadeh et al. Full-reference objective quality assessment of tone-mapped images
CN108489996B (zh) 一种绝缘子的缺陷检测方法、系统及终端设备
CN112116567B (zh) 一种无参考图像质量评价方法、装置及存储介质
Oszust No-reference image quality assessment using image statistics and robust feature descriptors
WO2014070273A1 (en) Recursive conditional means image denoising
Zhang et al. Dual-channel multi-task CNN for no-reference screen content image quality assessment
CN111882565B (zh) 一种图像二值化方法、装置、设备及存储介质
CN109063774B (zh) 图像追踪效果评价方法、装置、设备及可读存储介质
US12106334B2 (en) Artificial intelligence-based system and method for grading collectible trading cards
CN108681997A (zh) 基于改进lbp特征的无参考多失真图像质量评价方法
CN113269706A (zh) 激光雷达图像质量评价方法、装置、设备及存储介质
CN111144425A (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN111027564A (zh) 基于深度学习一体化的低照度成像车牌识别方法及装置
CN108681684B (zh) 一种二维条码图像无参考质量评价方法及其装置、系统
CN114529742A (zh) 图像相似度确定方法、装置、设备及计算机可读存储介质
CN109685757B (zh) 一种基于灰度差分统计的无参考图像质量评价方法及系统
Prabhakaran et al. Image quality assessment using semi-supervised representation learning
CN106846366B (zh) 使用gpu硬件的tld视频运动目标跟踪方法
Huang et al. Anti-forensics for double JPEG compression based on generative adversarial network
CN113870210A (zh) 一种图像质量评估方法、装置、设备及存储介质
Rajagopal et al. Gray level co-occurrence matrix (GLCM) and gabor features based no-reference image quality assessment for wood images
Zhang et al. No-reference image quality assessment based on multi-order gradients statistics

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