CN112365418A - 一种图像失真评测的方法、装置及计算机设备 - Google Patents

一种图像失真评测的方法、装置及计算机设备 Download PDF

Info

Publication number
CN112365418A
CN112365418A CN202011251740.4A CN202011251740A CN112365418A CN 112365418 A CN112365418 A CN 112365418A CN 202011251740 A CN202011251740 A CN 202011251740A CN 112365418 A CN112365418 A CN 112365418A
Authority
CN
China
Prior art keywords
information
information entropy
blocks
image
enhanced image
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
CN202011251740.4A
Other languages
English (en)
Other versions
CN112365418B (zh
Inventor
肖尧
张杨
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202011251740.4A priority Critical patent/CN112365418B/zh
Publication of CN112365418A publication Critical patent/CN112365418A/zh
Priority to US18/034,631 priority patent/US20240005468A1/en
Priority to PCT/CN2021/128760 priority patent/WO2022100510A1/zh
Application granted granted Critical
Publication of CN112365418B publication Critical patent/CN112365418B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图像失真评测的方法、装置及计算机设备，该方法包括：获取原始图像和增强图像，所述增强图像是对所述原始图像进行图像增强处理生成的；针对原始图像和增强图像分别进行分块处理，得到原始图像的多个第一分块和所述增强图像的多个第二分块；获取预设的符合人眼视觉特性的比例窗口大小，根据比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和增强图像的多个第二分块各自对应的第二比例信息熵；根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度。本公开实施例可以在减少计算复杂度的前提下，实现对增强图像的视觉纹理损失的评估。

Description

一种图像失真评测的方法、装置及计算机设备
技术领域
本公开涉及图像分析领域，具体而言，涉及一种图像失真评测的方法、装置及计算机设备。
背景技术
图像增强是增强图像有用信息，改善图像视觉效果的一系列技术的统称。在进行图像增强后，一般需要对增强图像进行相对于原始图像的失真评估。
在进行图像失真评估时，一种方法是通过分析像素差异来进行评估，但这种评估方式无法反映出增强图像的视觉纹理损失，另一种方法是通过模型训练来进行损失计算，这种方式因计算复杂度很高，应用场景受限。
发明内容
本公开实施例至少提供一种图像失真评测的方法、装置及计算机设备，用以在减少计算复杂度的前提下，实现对增强图像的视觉纹理损失的评估。
第一方面，本公开实施例提供了一种图像失真评测的方法，包括：
获取原始图像和增强图像，所述增强图像是对所述原始图像进行图像增强处理生成的；
针对所述原始图像和所述增强图像分别进行分块处理，得到所述原始图像的多个第一分块和所述增强图像的多个第二分块；
获取预设的符合人眼视觉特性的比例窗口大小，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵；
根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵，包括：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述原始图像的多个第一分块分别对应的调整后灰度值分布信息；基于多个第一分块分别对应的调整后灰度值分布信息，确定多个第一分块各自对应的所述第一比例信息熵；
以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述增强图像的多个第二分块分别对应的调整后灰度值分布信息；基于多个第二分块分别对应的调整后灰度值分布信息，确定多个第二分块各自对应的所述第二比例信息熵；
其中，所述调整后灰度值分布信息中每个灰度值对应的像素数为该灰度值对应的目标比例窗口内的各个灰度值在所述初始灰度值分布信息中的像素数之和；所述目标比例窗口的窗口大小与所述符合人眼视觉特性的比例窗口大小相匹配。
一种可选的实施方式中，根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度，包括：
根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述原始图像和所述增强图像之间的第一信息熵差值；
基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，所述方法还包括：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息，确定多个第一分块各自对应的第一初始信息熵；以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息，确定多个第二分块各自对应的第二初始信息熵；
根据各个第一分块分别对应的第一初始信息熵和各个第二分块分别对应的第二初始信息熵，确定所述原始图像和所述增强图像之间的第二信息熵差值；
所述基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度，包括：
基于所述第一信息熵差值和所述第二信息熵差值，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，将所述初始灰度值分布信息和所述调整后灰度值分布信息分别作为目标灰度值分布信息，根据以下步骤确定目标信息熵，该目标信息熵为所述第一比例信息熵、或者第二比例信息熵、或者第一初始信息熵、或者第二初始信息熵：
将所述第一分块和第二分块分别作为目标分块，针对所述每个所述目标分块，基于所述目标灰度值分布信息指示的该目标分块的每个灰度值对应的像素数，以及该目标分块对应的总像素数，确定该目标分块对应的所述目标信息熵。
一种可选的实施方式中，根据以下步骤确定目标信息熵差值，该目标信息熵差值为所述第一信息熵差值，或者所述第二信息熵差值：
将所述增强图像与所述原始图像的对应分块之间的信息熵之差划分为第一分类和第二分类；第一分类中的信息熵之差大于或等于0，第二分类中的信息熵之差小于0；
将所述第一分类中的信息熵之差进行置0处理；以及计算所述第二分类中的各个信息熵之差的标准差，并基于所述标准差和所述第二分类中的任一分块对应的信息熵之差，确定与该分块对应的标准化处理后的信息熵之差；
基于所述增强图像与所述原始图像的对应分块之间的处理后的信息熵之差，确定所述目标信息熵差值。
一种可选的实施方式中，基于所述第一信息熵差值和第二信息熵差值，确定所述增强图像的视觉纹理损失程度，包括：
基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值；
将所述增强图像与所述原始图像的各个对应分块之间的联合信息熵差值的总和，作为衡量所述增强图像的纹理损失程度的值。
一种可选的实施方式中，基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值，包括：
计算所述第一信息熵差值和第二信息熵差值平方和的平方根，将该平方根的值作为所述联合信息熵差值。
第二方面，本公开实施例还提供一种图像失真评测装置，包括：
获取模块，用于获取原始图像和增强图像，所述增强图像是对所述原始图像进行图像增强处理生成的；
分块模块，用于针对所述原始图像和所述增强图像分别进行分块处理，得到所述原始图像的多个第一分块和所述增强图像的多个第二分块；
统计模块，用于获取预设的符合人眼视觉特性的比例窗口大小，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵；
确定模块，用于根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，所述统计模块，在根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵时，用于：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述原始图像的多个第一分块分别对应的调整后灰度值分布信息；基于多个第一分块分别对应的调整后灰度值分布信息，确定多个第一分块各自对应的所述第一比例信息熵；
以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述增强图像的多个第二分块分别对应的调整后灰度值分布信息；基于多个第二分块分别对应的调整后灰度值分布信息，确定多个第二分块各自对应的所述第二比例信息熵；
其中，所述调整后灰度值分布信息中每个灰度值对应的像素数为该灰度值对应的目标比例窗口内的各个灰度值在所述初始灰度值分布信息中的像素数之和；所述目标比例窗口的窗口大小与所述符合人眼视觉特性的比例窗口大小相匹配。
一种可选的实施方式中，所述确定模块，在根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度时，用于：
根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述原始图像和所述增强图像之间的第一信息熵差值；
基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，所述统计模块，还用于：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息，确定多个第一分块各自对应的第一初始信息熵；以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息，确定多个第二分块各自对应的第二初始信息熵；
根据各个第一分块分别对应的第一初始信息熵和各个第二分块分别对应的第二初始信息熵，确定所述原始图像和所述增强图像之间的第二信息熵差值；
所述基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度，包括：
基于所述第一信息熵差值和所述第二信息熵差值，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，所述统计模块，在将所述初始灰度值分布信息和所述调整后灰度值分布信息分别作为目标灰度值分布信息后，根据以下步骤确定目标信息熵，该目标信息熵为所述第一比例信息熵、或者第二比例信息熵、或者第一初始信息熵、或者第二初始信息熵：
将所述第一分块和第二分块分别作为目标分块，针对所述每个所述目标分块，基于所述目标灰度值分布信息指示的该目标分块的每个灰度值对应的像素数，以及该目标分块对应的总像素数，确定该目标分块对应的所述目标信息熵。
一种可选的实施方式中，所述确定模块，根据以下步骤确定目标信息熵差值，该目标信息熵差值为所述第一信息熵差值，或者所述第二信息熵差值：
将所述增强图像与所述原始图像的对应分块之间的信息熵之差划分为第一分类和第二分类；第一分类中的信息熵之差大于或等于0，第二分类中的信息熵之差小于0；
将所述第一分类中的信息熵之差进行置0处理；以及计算所述第二分类中的各个信息熵之差的标准差，并基于所述标准差和所述第二分类中的任一分块对应的信息熵之差，确定与该分块对应的标准化处理后的信息熵之差；
基于所述增强图像与所述原始图像的对应分块之间的处理后的信息熵之差，确定所述目标信息熵差值。
一种可选的实施方式中，所述确定模块，在基于所述第一信息熵差值和第二信息熵差值，确定所述增强图像的视觉纹理损失程度时，用于：
基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值；
将所述增强图像与所述原始图像的各个对应分块之间的联合信息熵差值的总和，作为衡量所述增强图像的纹理损失程度的值。
一种可选的实施方式中，所述确定模块，在基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值时，用于：
计算所述第一信息熵差值和第二信息熵差值平方和的平方根，将该平方根的值作为所述联合信息熵差值。
第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本公开实施例提供的图像失真评测的方法、装置及计算机设备，先获取原始图像和进行图像增强处理后的增强图像；针对所述原始图像和所述增强图像分别进行分块处理，并获取预设的符合人眼视觉特性的比例窗口大小，根据该比例窗口大小分别统计原始图像的多个第一分块各自对应的第一比例信息熵，和增强图像的多个第二分块各自对应的第二比例信息熵；根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定增强图像的视觉纹理损失程度。可见，本公开实施例通过引入比例窗口，能够得到原始图像和增强图像分别对应的更加符合人眼视觉特性的比例信息熵，可以更准确地评估增强图像的视觉纹理损失，从而在无需进行模型训练、减少计算复杂度的前提下，实现对增强图像的视觉纹理损失的评估。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的图像失真评测的方法的流程图；
图2示出了本公开实施例所提供的图像失真评测的方法中，表征初始灰度值分布信息所采用的直方图；
图3示出了本公开实施例所提供的图像失真评测的方法中，表征调整后灰度值分布信息所采用的直方图；
图4示出了本公开实施例所提供的一种图像失真评测的方法中，得到联合信息熵差值的一种完整流程示意图；
图5示出了本公开实施例所提供的图像失真评测装置的示意图；
图6示出了本公开实施例所提供的一种计算机设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开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公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
对于进行图像增强后导致的失真，如果采用直接计算像素差异的方式来进行失真评估，是无法得到增强图像的视觉纹理损失的，而通过模型训练的方式计算视觉纹理损失，复杂度较高，计算效率比较低。
基于此，本公开实施例提供了一种图像失真评测的方法，在无需进行模型训练的情况下，对图像增强处理带来的视觉纹理损失进行评测，计算复杂度低，对于某些计算资源有限的场景同样适用。
上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案，都应该是发明人在本公开过程中对本公开做出的贡献。下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种图像失真评测的方法进行详细介绍，本公开实施例所提供的图像失真评测的方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该图像失真评测的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
下面以执行主体为终端设备为例对本公开实施例提供的图像失真评测的方法加以说明。
实施例一
参见图1所示，为本公开实施例一提供的图像失真评测的方法的流程图，所述方法包括步骤S101～S104，其中：
S101：获取原始图像和增强图像，所述增强图像是对所述原始图像进行图像增强处理生成的。
在具体实施中，可以获取原始图像，并对原始图像进行图像增强，得到进行图像增强处理后的增强图像。
在具体实施中，可以采用多种不同的图像增强处理的方式，得到不同的增强图像。
S102：针对所述原始图像和所述增强图像分别进行分块处理，得到所述原始图像的多个第一分块和所述增强图像的多个第二分块。
在具体实施中，可以先将原始图像和增强图像转为灰度图像，其中，将原始图像转换为第一灰度图像，以及将增强图像转换为第二灰度图像，然后针对转换后的灰度图像进行信息熵的计算，并可以进一步计算增强图像相对于原始图像的信息熵差值。这里，信息熵反映了图像中信息量的多少，而灰度图像中包含了图像的纹理信息，因此第二灰度图像与第一灰度图像之间的信息熵差值可以一定程度上反映图像的视觉纹理损失。
为了更好地反映图像内的区域差异，在计算信息熵时，可以对第一灰度图像和第二灰度图像分别进行分块处理，分别计算每一个分块对应的信息熵。或者，也可以先对图像进行分块，再将各个分块分别转换为灰度图像。
一般地，分块尺寸过小，会使得信息熵分布过于离散，可信度降低，分块数量过多，也会造成计算复杂度较高。而如果分块尺寸过大、分块数量较少，又难以反映区域差异，会造成计算的信息熵差值变小。因此，在对图像进行分块时，可以根据图像大小和/或图像分辨率，合理选择分块的数量。
可选地，作为一种分块方式，可以设置每个分块的尺寸，可以位于32px×32px，与320px×320px之间；分块的数量可以不少于100个；这里，px为像素(Pixel)的缩写。
另外，分块的形状可以为正方形，这样，各个分块内的长和宽的像素数相等，有利于提高信息熵的计算效率。若图像本身无法等分为各个正方形分块，可以选择舍去少量边缘像素。这样做可以提高计算结果的准确率，因为当各个分块内的长度方向和宽度方向的像素数不相等时，在计算层面容易偏向一种方向的纹理。比如，当所述分块的长度方向的像素数远远大于宽度方向的像素数时，此时对于水平纹理不敏感，对垂直纹理又过度敏感。
示例性的，基于上述分块方式，对于比如1920px×1080px大小的图像有以下三种分块方案：
i.块尺寸：120px×120px；块数量：16×9＝144；
ii.块尺寸：60px×60px；块数量：32×18＝576；
iii.块尺寸：40px×40px；块数量：48×27＝1296。
S103：获取预设的符合人眼视觉特性的比例窗口大小，根据所述比例窗口大小分别统计原始图像的多个第一分块各自对应的第一比例信息熵，和增强图像的多个第二分块各自对应的第二比例信息熵。
在将上述第一灰度图像和第二灰度图像分别进行分块处理之后，可以确定第一灰度图像和第二灰度图像的每个分块分别对应的初始灰度值分布信息；所述初始灰度值分布信息中包含与每个灰度值对应的像素数；如图2所示，为采用直方图表征的初始灰度值分布信息。其中，横坐标为灰度值，范围：[0-255]；纵坐标为像素数。
由于人眼对于不同灰度的敏感程度不同，导致部分图像增强处理后，出现分块内的各个像素的灰度值仍然存在差异，但每个灰度值对应的灰度范围(也即灰度值分布)却被明显压缩的情况。比如，针对任一分块，开始该分块的灰度值分布为：[200,210,220,230,240,250]；在进行图像增强处理后，该分块的灰度值分布变为[230,235,240,245,250,255]，虽然仍然有差异，但分布较为集中，在这种情况下，人眼难以分辨其纹理，而此时的信息熵也并不能反映出这种差异，比如上述分块进行图像增强处理前后的信息熵值是相同的，因此需要根据人眼特性对灰度图像进行调整来强化其视觉纹理。
基于此，本公开实施例引入比例窗口来调整灰度值分布信息。也即，基于第一灰度图像和第二灰度图像的每个分块分别对应的初始灰度值分布信息，以及预设的符合人眼视觉特性的比例窗口大小，确定第一灰度图像和第二灰度图像的每个分块分别对应的调整后灰度值分布信息；其中，调整后灰度值分布信息中每个灰度值对应的像素数为该灰度值对应的目标比例窗口内的各个灰度值在所述初始灰度值分布信息中的像素数之和，所述目标比例窗口的窗口大小可以与所述符合人眼视觉特性的比例窗口大小相匹配，这里，目标比例窗口的窗口大小可以等于所述符合人眼视觉特性的比例窗口大小。
比如，针对某个灰度值i，将灰度值大于0.9863×i且小于1.0135×i的灰度值对应的像素数累加，得到灰度值i对应的调整后的像素数。例如：灰度值为99的像素数为1000，灰度值为100的像素数为2000，灰度值为101的像素数为3000，那么灰度值100对应的调整后的像素数为：1000+2000+3000＝6000。
如图3所示，为采用直方图表征的调整后灰度值分布信息。横坐标为灰度值，范围：[0-255]；纵坐标为像素数。
上述预设的比例窗口大小[0.9863×i，1.0135×i]可以是预先基于韦伯定律得到的。具体原理为：人眼对于光强的可察觉差为0.03×j(j为亮度)。由于常见的数字图像为伽马变换后图像，因此可以对人眼的可察觉差做相应伽马变换，默认伽马变换率gamma＝1/2.2，故(1-0.03)1/2.2≈0.9863，(1+0.03)1/2.2≈1.0135，从而得到上述比例窗口大小[0.9863×i，1.0135×i]。
在得到调整后灰度值分布信息后，基于所述第一灰度图像和第二灰度图像的每个分块分别对应的调整后灰度值分布信息，确定多个第一分块各自对应的第一比例信息熵，和多个第二分块各自对应的第二比例信息熵。
S104：根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度。
由于信息熵反映了图像中信息量的多少，通过信息熵差值可以一定程度上反映图像的视觉纹理损失。因此，在确定出各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵之后，可以确定原始图像和增强图像之间的第一信息熵差值；基于第一信息熵差值，确定增强图像的视觉纹理损失程度。
在一种实施方式中，可以将上述采用了比例窗口的第一信息熵差值，结合不采用比例窗口的第二信息熵差值，来综合确定上述视觉纹理损失程度。这里，不采用比例窗口的第二信息熵差值也即是基于各个分块的初始灰度值分布信息确定的。
具体地，根据以下步骤确定上述第二信息熵差值：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息，确定多个第一分块各自对应的第一初始信息熵；以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息，确定多个第二分块各自对应的第二初始信息熵；根据各个第一分块分别对应的第一初始信息熵和各个第二分块分别对应的第二初始信息熵，确定所述原始图像和所述增强图像之间的第二信息熵差值。
之后，就可以基于上述第一信息熵差值和第二信息熵差值，确定增强图像的视觉纹理损失程度。
上述第一比例信息熵、第二比例信息熵、第一初始信息熵、第二初始信息熵(以下称为目标信息熵)的确定方式是类似的，具体过程如下：
将所述初始灰度值分布信息和所述调整后灰度值分布信息分别作为目标灰度值分布信息，将所述第一分块和第二分块分别作为目标分块，针对所述每个所述目标分块，基于所述目标灰度值分布信息指示的该目标分块的每个灰度值对应的像素数，以及该目标分块对应的总像素数，确定该目标分块对应的所述目标信息熵。
如前面所述，在得到目标分块对应的目标信息熵之后，基于每个分块对应的目标信息熵，可以确定出增强图像与原始图像的对应分块之间的目标信息熵差值(所述第一信息熵差值或者所述第二信息熵差值)。
具体地，上述目标信息熵H的计算公式可以为：
Figure BDA0002771806720000141
其中，
Figure BDA0002771806720000145
此时，增强图像与原始图像的信息熵之差即为：
ΔHi std＝Hi 增强图像-Hi 原始图像；其中，
Figure BDA0002771806720000142
为增强图像相比原始图像的第i个分块的信息熵之差，Hi 原始图像为增强图像的第i个分块的目标信息熵，Hi 原始图像为原始图像的第i个分块的目标信息熵。
在得到增强图像与原始图像的对应分块之间的信息熵之差后，计算上述第一信息熵差值和第二信息熵差值(以下称为目标信息熵差值)，具体地，可以首先对各个对应分块的信息熵之差进行分类处理。将增强图像与原始图像的对应分块之间的信息熵之差分别划分为第一分类和第二分类。其中，第一分类中的信息熵之差大于或等于0，第二分类中的信息熵之差小于0。
基于分类后的结果，可以对上述信息熵之差进行如下标准化处理：
第一，针对第一分类：
将第一分类中的信息熵之差置为0，这里，由于本公开实施例计算的为视觉纹理损失，因此对于视觉纹理增加的区域不纳入统计。
第二，针对第二分类：
对第二分类中的信息熵之差进行标准化处理的过程可以包括：
1)计算第二分类中的各个信息熵之差的均值；
计算公式可以为：
Figure BDA0002771806720000151
其中，L为信息熵差值小于0的分块总数。
2)基于所述均值，计算第二分类中的各个信息熵之差的标准差；
计算公式可以为：
Figure BDA0002771806720000152
3)基于计算的标准差，以及第二分类中的任一分块对应的信息熵之差，确定与该分块对应的标准化处理后的信息熵之差。
具体地，基于计算的标准差，对第二分类中的每个分块对应的信息熵之差进行标准化处理，比如，
Figure BDA0002771806720000153
最后，上述第一分类和第二分类对应的处理后的信息熵之差，确定所述目标信息熵差值(第一信息熵差值或第二信息熵差值)。
由于本公开实施例计算的为视觉纹理损失，可以将所有标准化处理后的信息熵之差
Figure BDA0002771806720000154
转换为小于0的值，具体可以引入偏移量，此时，
Figure BDA0002771806720000155
在实际操作中，可以直接基于引入偏移量后的该公式来进行上述标准化处理后的信息熵之差的计算。
在得到第一信息熵差值或第二信息熵差值之后，在一种实施方式中，可以计算第一信息熵差值和第二信息熵差值平方和的平方根，将该平方根的值作为联合信息熵差值
Figure BDA0002771806720000161
计算公式为：
Figure BDA0002771806720000162
其中，
Figure BDA0002771806720000163
为第一信息熵差值。
然后，可以将所述第一灰度图像和第二灰度图像的各个对应分块之间的联合信息熵差值的总和，作为衡量所述增强图像相比所述原始图像的纹理损失程度的值，该值越大则说明视觉纹理损失越严重，计算公式为：
Figure BDA0002771806720000164
其中N为分块数量。
如图4所示，为本公开实施例所提供的一种图像失真评测的方法中，得到联合信息熵差值的一种完整流程示意图。在获取原始图像和增强图像后，将其转换为灰度图像并进行分块处理，统计每个分块中各个灰度值的像素数，计算原始图像的各个第一分块对应的第一初始信息熵和增强图像的各个第二分块对应的第二初始信息熵，进而得到两者的第一信息熵差值；同时，使用比例窗口对原始的灰度值分布信息进行调整，得到原始图像对应的第一比例信息熵和增强图像对应的第二比例信息熵，进而得到两者的第二信息熵差值。对第一信息熵差值和第二信息熵差值进行联合计算，得到各个分块的联合信息熵差值，最终使用各个分块的联合信息熵差值之和来衡量增强图像相比所述原始图像的视觉纹理损失。
可见，本公开实施例通过引入比例窗口，能够得到原始图像和增强图像分别对应的更加符合人眼视觉特性的信息熵，进而得到更加符合人眼视觉特性的第二信息熵差值，再结合原始的第一信息熵差值，可以更准确地评估增强图像的视觉纹理损失，从而在无需进行模型训练、减少计算复杂度的前提下，实现对增强图像的视觉纹理损失的评估。
另外，作为一种应用，在使用多种图像增强方式得到多个增强图像的情况下，基于本公开实施例的评测结果，可以选择视觉纹理损失最小的图像增强方式和增强图像作为最终筛选结果。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与图像失真评测的方法对应的图像失真评测装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述图像失真评测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图5所示，为本公开实施例五提供的一种图像失真评测装置500的架构示意图，所述图像失真评测装置500包括：获取模块501、分块模块502、统计模块503、确定模块504；其中，
获取模块501，用于获取原始图像和增强图像，所述增强图像是对所述原始图像进行图像增强处理生成的；
分块模块502，用于针对所述原始图像和所述增强图像分别进行分块处理，得到所述原始图像的多个第一分块和所述增强图像的多个第二分块；
统计模块503，用于获取预设的符合人眼视觉特性的比例窗口大小，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵；
确定模块504，用于根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，所述统计模块503，在根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵时，用于：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述原始图像的多个第一分块分别对应的调整后灰度值分布信息；基于多个第一分块分别对应的调整后灰度值分布信息，确定多个第一分块各自对应的所述第一比例信息熵；
以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述增强图像的多个第二分块分别对应的调整后灰度值分布信息；基于多个第二分块分别对应的调整后灰度值分布信息，确定多个第二分块各自对应的所述第二比例信息熵；
其中，所述调整后灰度值分布信息中每个灰度值对应的像素数为该灰度值对应的目标比例窗口内的各个灰度值在所述初始灰度值分布信息中的像素数之和；所述目标比例窗口的窗口大小与所述符合人眼视觉特性的比例窗口大小相匹配。
一种可选的实施方式中，所述确定模块504，在根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度时，用于：
根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述原始图像和所述增强图像之间的第一信息熵差值；
基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，所述统计模块503，还用于：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息，确定多个第一分块各自对应的第一初始信息熵；以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息，确定多个第二分块各自对应的第二初始信息熵；
根据各个第一分块分别对应的第一初始信息熵和各个第二分块分别对应的第二初始信息熵，确定所述原始图像和所述增强图像之间的第二信息熵差值；
所述确定模块504，在基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度时，用于：
基于所述第一信息熵差值和所述第二信息熵差值，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，所述统计模块503，在将所述初始灰度值分布信息和所述调整后灰度值分布信息分别作为目标灰度值分布信息后，根据以下步骤确定目标信息熵，该目标信息熵为所述第一比例信息熵、或者第二比例信息熵、或者第一初始信息熵、或者第二初始信息熵：
将所述第一分块和第二分块分别作为目标分块，针对所述每个所述目标分块，基于所述目标灰度值分布信息指示的该目标分块的每个灰度值对应的像素数，以及该目标分块对应的总像素数，确定该目标分块对应的所述目标信息熵。
一种可选的实施方式中，所述确定模块504，根据以下步骤确定目标信息熵差值，该目标信息熵差值为所述第一信息熵差值，或者所述第二信息熵差值：
将所述增强图像与所述原始图像的对应分块之间的信息熵之差划分为第一分类和第二分类；第一分类中的信息熵之差大于或等于0，第二分类中的信息熵之差小于0；
将所述第一分类中的信息熵之差进行置0处理；以及计算所述第二分类中的各个信息熵之差的标准差，并基于所述标准差和所述第二分类中的任一分块对应的信息熵之差，确定与该分块对应的标准化处理后的信息熵之差；
基于所述增强图像与所述原始图像的对应分块之间的处理后的信息熵之差，确定所述目标信息熵差值。
一种可选的实施方式中，所述确定模块504，在基于所述第一信息熵差值和第二信息熵差值，确定所述增强图像的视觉纹理损失程度时，用于：
基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值；
将所述增强图像与所述原始图像的各个对应分块之间的联合信息熵差值的总和，作为衡量所述增强图像的纹理损失程度的值。
一种可选的实施方式中，所述确定模块504，在基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值时，用于：
计算所述第一信息熵差值和第二信息熵差值平方和的平方根，将该平方根的值作为所述联合信息熵差值。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
基于同一技术构思，本公开实施例还提供了一种计算机设备。参照图6所示，为本公开实施例提供的计算机设备600的结构示意图，包括处理器601、存储器602、和总线603。其中，存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当计算机设备600运行时，处理器601与存储器602之间通过总线603通信，使得处理器601在执行以下指令：
获取原始图像和增强图像，所述增强图像是对所述原始图像进行图像增强处理生成的；
针对所述原始图像和所述增强图像分别进行分块处理，得到所述原始图像的多个第一分块和所述增强图像的多个第二分块；
获取预设的符合人眼视觉特性的比例窗口大小，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵；
根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，处理器601执行的指令中，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵，包括：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述原始图像的多个第一分块分别对应的调整后灰度值分布信息；基于多个第一分块分别对应的调整后灰度值分布信息，确定多个第一分块各自对应的所述第一比例信息熵；
以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述增强图像的多个第二分块分别对应的调整后灰度值分布信息；基于多个第二分块分别对应的调整后灰度值分布信息，确定多个第二分块各自对应的所述第二比例信息熵；
其中，所述调整后灰度值分布信息中每个灰度值对应的像素数为该灰度值对应的目标比例窗口内的各个灰度值在所述初始灰度值分布信息中的像素数之和；所述目标比例窗口的窗口大小与所述符合人眼视觉特性的比例窗口大小相匹配。
一种可选的实施方式中，处理器601执行的指令中，根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度，包括：
根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述原始图像和所述增强图像之间的第一信息熵差值；
基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，处理器601执行的指令中，还包括：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息，确定多个第一分块各自对应的第一初始信息熵；以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息，确定多个第二分块各自对应的第二初始信息熵；
根据各个第一分块分别对应的第一初始信息熵和各个第二分块分别对应的第二初始信息熵，确定所述原始图像和所述增强图像之间的第二信息熵差值；
所述基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度，包括：
基于所述第一信息熵差值和所述第二信息熵差值，确定所述增强图像的视觉纹理损失程度。
一种可选的实施方式中，处理器601执行的指令中，将所述初始灰度值分布信息和所述调整后灰度值分布信息分别作为目标灰度值分布信息，根据以下步骤确定目标信息熵，该目标信息熵为所述第一比例信息熵、或者第二比例信息熵、或者第一初始信息熵、或者第二初始信息熵：
将所述第一分块和第二分块分别作为目标分块，针对所述每个所述目标分块，基于所述目标灰度值分布信息指示的该目标分块的每个灰度值对应的像素数，以及该目标分块对应的总像素数，确定该目标分块对应的所述目标信息熵。
一种可选的实施方式中，处理器601执行的指令中，根据以下步骤确定目标信息熵差值，该目标信息熵差值为所述第一信息熵差值，或者所述第二信息熵差值：
将所述增强图像与所述原始图像的对应分块之间的信息熵之差划分为第一分类和第二分类；第一分类中的信息熵之差大于或等于0，第二分类中的信息熵之差小于0；
将所述第一分类中的信息熵之差进行置0处理；以及计算所述第二分类中的各个信息熵之差的标准差，并基于所述标准差和所述第二分类中的任一分块对应的信息熵之差，确定与该分块对应的标准化处理后的信息熵之差；
基于所述增强图像与所述原始图像的对应分块之间的处理后的信息熵之差，确定所述目标信息熵差值。
一种可选的实施方式中，处理器601执行的指令中，基于所述第一信息熵差值和第二信息熵差值，确定所述增强图像的视觉纹理损失程度，包括：
基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值；
将所述增强图像与所述原始图像的各个对应分块之间的联合信息熵差值的总和，作为衡量所述增强图像的纹理损失程度的值。
一种可选的实施方式中，处理器601执行的指令中，基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值，包括：
计算所述第一信息熵差值和第二信息熵差值平方和的平方根，将该平方根的值作为所述联合信息熵差值。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的图像失真评测的方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的图像失真评测的方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。

Claims (11)

1.一种图像失真评测的方法，其特征在于，包括：
获取原始图像和增强图像，所述增强图像是对所述原始图像进行图像增强处理生成的；
针对所述原始图像和所述增强图像分别进行分块处理，得到所述原始图像的多个第一分块和所述增强图像的多个第二分块；
获取预设的符合人眼视觉特性的比例窗口大小，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵；
根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度。
2.根据权利要求1所述的方法，其特征在于，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵，包括：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述原始图像的多个第一分块分别对应的调整后灰度值分布信息；基于多个第一分块分别对应的调整后灰度值分布信息，确定多个第一分块各自对应的所述第一比例信息熵；
以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息和所述比例窗口大小，确定所述增强图像的多个第二分块分别对应的调整后灰度值分布信息；基于多个第二分块分别对应的调整后灰度值分布信息，确定多个第二分块各自对应的所述第二比例信息熵；
其中，所述调整后灰度值分布信息中每个灰度值对应的像素数为该灰度值对应的目标比例窗口内的各个灰度值在所述初始灰度值分布信息中的像素数之和；所述目标比例窗口的窗口大小与所述符合人眼视觉特性的比例窗口大小相匹配。
3.根据权利要求1所述的方法，其特征在于，根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度，包括：
根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述原始图像和所述增强图像之间的第一信息熵差值；
基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
基于所述原始图像的多个第一分块分别对应的初始灰度值分布信息，确定多个第一分块各自对应的第一初始信息熵；以及，基于所述增强图像的多个第二分块分别对应的初始灰度值分布信息，确定多个第二分块各自对应的第二初始信息熵；
根据各个第一分块分别对应的第一初始信息熵和各个第二分块分别对应的第二初始信息熵，确定所述原始图像和所述增强图像之间的第二信息熵差值；
所述基于所述第一信息熵差值，确定所述增强图像的视觉纹理损失程度，包括：
基于所述第一信息熵差值和所述第二信息熵差值，确定所述增强图像的视觉纹理损失程度。
5.根据权利要求2或4所述的方法，其特征在于，将所述初始灰度值分布信息和所述调整后灰度值分布信息分别作为目标灰度值分布信息，根据以下步骤确定目标信息熵，该目标信息熵为所述第一比例信息熵、或者第二比例信息熵、或者第一初始信息熵、或者第二初始信息熵：
将所述第一分块和第二分块分别作为目标分块，针对所述每个所述目标分块，基于所述目标灰度值分布信息指示的该目标分块的每个灰度值对应的像素数，以及该目标分块对应的总像素数，确定该目标分块对应的所述目标信息熵。
6.根据权利要求3或4所述的方法，其特征在于，根据以下步骤确定目标信息熵差值，该目标信息熵差值为所述第一信息熵差值，或者所述第二信息熵差值：
将所述增强图像与所述原始图像的对应分块之间的信息熵之差划分为第一分类和第二分类；第一分类中的信息熵之差大于或等于0，第二分类中的信息熵之差小于0；
将所述第一分类中的信息熵之差进行置0处理；以及计算所述第二分类中的各个信息熵之差的标准差，并基于所述标准差和所述第二分类中的任一分块对应的信息熵之差，确定与该分块对应的标准化处理后的信息熵之差；
基于所述增强图像与所述原始图像的对应分块之间的处理后的信息熵之差，确定所述目标信息熵差值。
7.根据权利要求4所述的方法，其特征在于，基于所述第一信息熵差值和第二信息熵差值，确定所述增强图像的视觉纹理损失程度，包括：
基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值；
将所述增强图像与所述原始图像的各个对应分块之间的联合信息熵差值的总和，作为衡量所述增强图像的纹理损失程度的值。
8.根据权利要求7所述的方法，其特征在于，基于所述增强图像与所述原始图像的对应分块之间的第一信息熵差值，和第二信息熵差值，确定所述增强图像与所述原始图像的对应分块之间的联合信息熵差值，包括：
计算所述第一信息熵差值和第二信息熵差值平方和的平方根，将该平方根的值作为所述联合信息熵差值。
9.一种图像失真评测装置，其特征在于，包括：
获取模块，用于获取原始图像和增强图像，所述增强图像是对所述原始图像进行图像增强处理生成的；
分块模块，用于针对所述原始图像和所述增强图像分别进行分块处理，得到所述原始图像的多个第一分块和所述增强图像的多个第二分块；
统计模块，用于获取预设的符合人眼视觉特性的比例窗口大小，根据所述比例窗口大小分别统计所述原始图像的多个第一分块各自对应的第一比例信息熵，和所述增强图像的多个第二分块各自对应的第二比例信息熵；
确定模块，用于根据各个第一分块对应的第一比例信息熵和各个第二分块对应的第二比例信息熵，确定所述增强图像的视觉纹理损失程度。
10.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一项所述的图像失真评测的方法的步骤。
11.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至8任一项所述的图像失真评测的方法的步骤。
CN202011251740.4A 2020-11-11 2020-11-11 一种图像失真评测的方法、装置及计算机设备 Active CN112365418B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011251740.4A CN112365418B (zh) 2020-11-11 2020-11-11 一种图像失真评测的方法、装置及计算机设备
US18/034,631 US20240005468A1 (en) 2020-11-11 2021-11-04 Image distortion evaluation method and apparatus, and computer device
PCT/CN2021/128760 WO2022100510A1 (zh) 2020-11-11 2021-11-04 一种图像失真评测的方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011251740.4A CN112365418B (zh) 2020-11-11 2020-11-11 一种图像失真评测的方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN112365418A true CN112365418A (zh) 2021-02-12
CN112365418B CN112365418B (zh) 2024-05-03

Family

ID=74514516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011251740.4A Active CN112365418B (zh) 2020-11-11 2020-11-11 一种图像失真评测的方法、装置及计算机设备

Country Status (3)

Country Link
US (1) US20240005468A1 (zh)
CN (1) CN112365418B (zh)
WO (1) WO2022100510A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610187A (zh) * 2021-08-19 2021-11-05 江西应用技术职业学院 基于图像技术的木材纹理提取及分类方法
WO2022100510A1 (zh) * 2020-11-11 2022-05-19 北京字节跳动网络技术有限公司 一种图像失真评测的方法、装置及计算机设备
CN115019159A (zh) * 2022-08-09 2022-09-06 济宁安泰矿山设备制造有限公司 一种泵轴承故障快速识别方法
CN115115893A (zh) * 2022-07-26 2022-09-27 金乡县富通金属回收有限公司 用于废金属回收的智能分选方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294138A (zh) * 2022-10-09 2022-11-04 如皋市中如新材料科技有限公司 一种基于高速混料机的混料均匀程度评估方法
CN116740056B (zh) * 2023-08-10 2023-11-07 梁山水泊胶带股份有限公司 用于整芯高花纹输送带涂覆层的缺陷检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103945214A (zh) * 2013-01-23 2014-07-23 中兴通讯股份有限公司 终端侧时间域视频质量评价方法及装置
US20180157063A1 (en) * 2016-12-02 2018-06-07 Carl Zeiss Vision International Gmbh Method, a system and a computer readable medium for optimizing an optical system, and a method of evaluating attentional performance
CN108513132A (zh) * 2017-02-24 2018-09-07 深圳市中兴微电子技术有限公司 一种视频质量评价方法及装置
CN109120919A (zh) * 2018-09-10 2019-01-01 易诚高科（大连）科技有限公司 一种针对图像质量主观评测的自动分析系统与方法
CN110706196A (zh) * 2018-11-12 2020-01-17 浙江工商职业技术学院 基于聚类感知的无参考色调映射图像质量评价算法
CN111292323A (zh) * 2020-03-16 2020-06-16 清华大学深圳国际研究生院 部分参考的图像质量评价方法、控制装置及计算机可读存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4189358B2 (ja) * 2004-06-17 2008-12-03 株式会社東芝 画像符号化装置及び方法
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
CN103475898B (zh) * 2013-09-16 2015-05-20 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN107038699B (zh) * 2016-11-09 2019-07-23 重庆医科大学 增强图像失真率检测方法
CN110070539A (zh) * 2019-04-28 2019-07-30 重庆大学 基于信息熵的图像质量评价方法
CN112365418B (zh) * 2020-11-11 2024-05-03 抖音视界有限公司 一种图像失真评测的方法、装置及计算机设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103945214A (zh) * 2013-01-23 2014-07-23 中兴通讯股份有限公司 终端侧时间域视频质量评价方法及装置
US20180157063A1 (en) * 2016-12-02 2018-06-07 Carl Zeiss Vision International Gmbh Method, a system and a computer readable medium for optimizing an optical system, and a method of evaluating attentional performance
CN108513132A (zh) * 2017-02-24 2018-09-07 深圳市中兴微电子技术有限公司 一种视频质量评价方法及装置
CN109120919A (zh) * 2018-09-10 2019-01-01 易诚高科（大连）科技有限公司 一种针对图像质量主观评测的自动分析系统与方法
CN110706196A (zh) * 2018-11-12 2020-01-17 浙江工商职业技术学院 基于聚类感知的无参考色调映射图像质量评价算法
CN111292323A (zh) * 2020-03-16 2020-06-16 清华大学深圳国际研究生院 部分参考的图像质量评价方法、控制装置及计算机可读存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022100510A1 (zh) * 2020-11-11 2022-05-19 北京字节跳动网络技术有限公司 一种图像失真评测的方法、装置及计算机设备
CN113610187A (zh) * 2021-08-19 2021-11-05 江西应用技术职业学院 基于图像技术的木材纹理提取及分类方法
CN115115893A (zh) * 2022-07-26 2022-09-27 金乡县富通金属回收有限公司 用于废金属回收的智能分选方法
CN115019159A (zh) * 2022-08-09 2022-09-06 济宁安泰矿山设备制造有限公司 一种泵轴承故障快速识别方法
CN115019159B (zh) * 2022-08-09 2022-10-25 济宁安泰矿山设备制造有限公司 一种泵轴承故障快速识别方法

Also Published As

Publication number Publication date
WO2022100510A1 (zh) 2022-05-19
CN112365418B (zh) 2024-05-03
US20240005468A1 (en) 2024-01-04

Similar Documents

Publication Publication Date Title
CN112365418A (zh) 一种图像失真评测的方法、装置及计算机设备
Cao et al. Contrast enhancement of brightness-distorted images by improved adaptive gamma correction
CN110660066B (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
CN109118470B (zh) 一种图像质量评价方法、装置、终端和服务器
US8494283B2 (en) Image quality assessment
US8908989B2 (en) Recursive conditional means image denoising
CN107908998B (zh) 二维码解码方法、装置、终端设备及计算机可读存储介质
US20200242789A1 (en) Ultrafast, robust and efficient depth estimation for structured-light based 3d camera system
CN112836756B (zh) 图像识别模型训练方法、系统和计算机设备
CN108961260B (zh) 图像二值化方法及装置、计算机存储介质
CN113592776A (zh) 图像处理方法及装置、电子设备、存储介质
CN115131714A (zh) 视频图像智能检测分析方法及系统
CN111368587A (zh) 场景检测方法、装置、终端设备及计算机可读存储介质
CN116883336A (zh) 图像处理方法、装置、计算机设备及介质
CN110458754B (zh) 图像生成方法及终端设备
CN112541899B (zh) 证件的残缺检测方法、装置、电子设备及计算机存储介质
CN112819838B (zh) 图像增强方法、电子装置和存储介质
CN111510622B (zh) 图像处理方法、装置、终端及存储介质
CN114596374A (zh) 一种图像压缩方法及装置
CN116167926A (zh) 一种模型训练方法及对比度调整方法
CN110647898B (zh) 图像处理方法、装置、电子设备及计算机存储介质
CN114078094A (zh) 图像边缘亮度矫正方法、装置以及系统
CN117115149B (zh) 图像质量评估方法、装置、设备及存储介质
CN116681605A (zh) 图像色调映射方法、装置、电子设备及存储介质
CN117522781A (zh) 一种图像质量评估方法、装置、可读存储介质及终端设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: Tiktok vision (Beijing) Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant