CN112508887B - 一种图像清晰度评价方法、系统、存储介质、设备及应用 - Google Patents

一种图像清晰度评价方法、系统、存储介质、设备及应用 Download PDF

Info

Publication number
CN112508887B
CN112508887B CN202011342365.4A CN202011342365A CN112508887B CN 112508887 B CN112508887 B CN 112508887B CN 202011342365 A CN202011342365 A CN 202011342365A CN 112508887 B CN112508887 B CN 112508887B
Authority
CN
China
Prior art keywords
gray
image
definition
pixel point
calculating
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
CN202011342365.4A
Other languages
English (en)
Other versions
CN112508887A (zh
Inventor
段志翔
李广鑫
张培煦
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202011342365.4A priority Critical patent/CN112508887B/zh
Publication of CN112508887A publication Critical patent/CN112508887A/zh
Application granted granted Critical
Publication of CN112508887B publication Critical patent/CN112508887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机图像处理技术领域，公开了一种图像清晰度评价方法、系统、存储介质、设备及应用。该方法包括以下步骤：获取待测评图像的灰度矩阵；计算某个像素点的灰度值与相邻八像素灰度差的平均值，用该值和八个灰度差值中最大值的乘积表示该点的局部清晰度指标；计算每个矩阵块清晰度指标的平方和，得到整个图片的清晰度评分。本发明不仅可以解决传统算法应对某些高度模糊类型图片，清晰度评价结果与人主观感受不一致的问题。而且相比传统算法，能够更加高效地评价一般图片的清晰度。

Description

一种图像清晰度评价方法、系统、存储介质、设备及应用
技术领域
本发明属于计算机图像处理技术领域，尤其涉及一种图像清晰度评价方法、系统、存储介质、设备及应用。
背景技术
目前：随着图像处理技术发展，图像清晰度评价方法成为非常重要的技术需求。一般情况下，对于一个成像系统，图像的清晰程度反映系统的聚焦状态。当聚焦状态较好时，图像呈现出更高的清晰度，并包含更丰富的细节信息。在离焦状态下，许多细节信息丢失，使得物体成像模糊。现如今通常使用图像聚焦评价函数来衡量图像的清晰度。常见的图像聚焦函数有：Brenner梯度函数，Tenengrad梯度函数，Laplacian梯度函数，SMD(灰度方差)函数，方差函数，能量梯度函数，熵函数以及基于边缘提取的边缘细化算法等。
然而，科学研究表明，在人类视觉系统中，最高视敏度受限于中央凹区域的大小，中心凹区域由一个近似64×64的图像块构成，该区域大约覆盖α＝2。的视角，上面分布着用于检测亮度和颜色的锥状细胞。在该区域，平滑块会被排除在外，原因是它们不会导致模糊感。比如在明显较高的模糊水平下，许多图像细节和边缘被抹掉了，这会影响大多数基于边缘的无参考清晰度指标的性能。这些情况表明，我们需要提供更加符合人眼视觉感知的客观评价算法。
主观质量评价的方法是通过选取多个没有图像处理经验并且具有正常或矫正视力的受试者进行实验的。受试者必须针对每对图像说明两个图像中哪个更模糊，进而判断图像的清晰程度，显示的组合顺序应具有随机性。尽管主观质量评价的方法可以提供符合人眼视觉的评价结果，但是主观评价质量评价方法依然存在评价成本高效率低等问题，因此需要一种高效的基于人主观评价的，客观无参考评价方法进行图像清晰度评价。
通过上述分析，现有技术存在的问题及缺陷为：现有清晰度评价方法，由于在应对某些高度模糊图片时错估了图像的清晰程度。
解决以上问题及缺陷的难度为：解决上述问题需要综合考虑人眼对高度模糊图片的主观感受，又要兼顾一般图片的清晰度评价指标，算法设计方面有很大的难度。
解决以上问题及缺陷的意义为：最常见的被动自动对焦技术是通过分析捕捉到的图像的清晰度来确定最佳聚焦位置的。现如今基于图像的被动式对焦技术，允许成本更低的紧凑型拍摄产品设计，已成为消费类摄像机(如广泛应用于手机和笔记本电脑中的摄像机)的常见选择。市场上长焦镜头的需求量不断增加，摄影爱好者更倾向于拍摄出可以很好地表现远处景物细节的照片。配备长焦镜头的相机能使处于杂乱环境中的被摄主体得到突出，但给精确调焦带来了一定的困难，如果在拍摄时调焦稍微不精确，就会造成主体模糊。而对于高度模糊图片对自动对焦清晰度判断的影响是不容小视的。本发明的方法在评估这些特殊图片的清晰度时有着非常显著的效果。
发明内容
针对现有技术存在的问题，本发明提供了一种图像清晰度评价方法、系统、存储介质、设备及应用。
本发明是这样实现的，一种图像清晰度评价方法，，所述图像清晰度评价方法包括：
获取待测评图像的灰度矩阵；
计算某个像素点的灰度值与相邻八像素灰度差的平均值a(x，y)，并生成灰度差的平均值矩阵，公式为：
a(x，y)＝mean(f(x，y)-f(x+1，y)，f(x，y)-f(x-1，y)，f(x，y)-f(x，y+1)，f(x，y)-f(x，y-1)，f(x，y)-f(x-1，y+1)，f(x，y)-f(x-1，y-1)，f(x，y)-f(x+1，y-1)，f(x，y)-f(x+1，y+1))；
其中，x表示像素点的横坐标，y表示像素点的纵坐标；
f(x，y)表示当前图像第x行第y列的灰度值；
a(x，y)表示当前图像第x行第y列的像素点与八领域像素点灰度差的平均值。
生成的灰度差的平均值矩阵为，维度和图片大小一致为m*n：
计算各点与八像素点灰度差值中的最大值b(x，y)，并生成灰度差最大值矩阵，公式为：
b(x，y)＝max(f(x，y)-f(x+1，y)，f(x，y)-f(x-1，y)，f(x，y)-f(x，y+1)，f(x，y)-f(x，y-1)，f(x，y)-f(x-1，y+1)，f(x，y)-f(x-1，y-1)，f(x，y)-f(x+1，y-1)，f(x，y)-f(x+1，y+1))；
其中，x表示像素点的横坐标，y表示像素点的纵坐标；
f(x，y)表示当前图像第x行第y列的灰度值；
b(x，y)表示当前图像第x行第y列的像素点与八领域像素点灰度差的最大值。
生成的灰度差的最大值矩阵为，维度和图片大小一致为n*m：
其中，xn表示x＝n时，ym表示y＝m时的值。
计算两矩阵对应的元素的乘积，得到局部清晰度矩阵：
其中，其中，xn表示x＝n时，ym表示y＝m时的值，Qi(i＝1,2,3……m*n)表示第i个像素点的局部清晰度。
计算每个像素点局部清晰度指标的平方和，计算公式为：
其中，N为像素点总数，V表示整个图片的清晰度评分。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取待测评图像的灰度矩阵；
计算某个像素点的灰度值与相邻八像素灰度差的平均值生成灰度差平均值矩阵，然后计算各点与八像素点灰度差值中的最大值生成灰度差最大值矩阵。计算两矩阵对应的元素的乘积表示该点的局部清晰度指标；
计算每个像素点局部清晰度指标的平方和，得到整个图片的清晰度评分。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
获取待测评图像的灰度矩阵；
计算某个像素点的灰度值与相邻八像素灰度差的平均值生成灰度差平均值矩阵，然后计算各点与八像素点灰度差值中的最大值生成灰度差最大值矩阵。计算两矩阵对应的元素的乘积表示该点的局部清晰度指标；
计算每个像素点局部清晰度指标的平方和，得到整个图片的清晰度评分。
本发明的另一目的在于提供一种图像信息数据处理终端，所述图像信息数据处理终端用于实现所述的图像清晰度评价方法。
本发明的另一目的在于提供一种实施所述图像清晰度评价方法的图像清晰度评价系统，所述图像清晰度评价系统包括：
灰度化模块，用于对待测图像进行灰度化，获取待测评图像的灰度矩阵；
求灰度化平均值模块模块，用于计算某个像素点的灰度值与相邻八像素灰度差的平均值生成灰度差的平均值矩阵；
单像素点局部灰度差最大值计算模块，用于计算各点与八像素点灰度差值中的最大值生成灰度差最大值矩阵；
单像素点局部清晰度计算模块，用于计算灰度差平均值矩阵和灰度差最大值矩阵对应元素的乘积表示该点的局部清晰度指标Qi；
图片各像素点局部清晰度平方求和模块，用于计算所有矩阵块清晰度指标Qi的平方和V。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明针对于边缘难以提取的高度模糊图像，现有清晰度算法不能提供有效符合人主观一致性的评价指标的问题，本发明提供了一种方法，不仅可以解决应对这些情况无参考清晰度指标与主观得分的相关性会下降的问题，提高评价质量，而且能够高效的评价一般图片，使得一般图片的清晰度评价质量得到保证。
我们选用为20张使用工业相机拍摄物距依次递增的图片，10号图片为处于焦点的最清晰图片，肉眼只有近距离观察才能看出细微差异，如图11所示。表1为我们算法对20张图片的评价结果，可以看到从1-10号图片清晰度逐渐递增，10-20号图片清晰度逐渐递减，证明我们算法对清晰度评价有极高的准确性。
表1算法对图11所示图片的评价结果
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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的附图。
图1是本发明实施例提供的图像清晰度评价方法流程图。
图2是本发明实施例提供的图像清晰度评价系统的结构示意图；
图2中：1、灰度化模块；2、求灰度差平均值模块；3、单像素局部灰度差最大值计算模块；4、单像素点局部清晰度计算模块；5、图片各点局部清晰度平方求和模块。
图3和图4是本发明实施例提供的同一物体相同物距拍摄的两张图片示意图；其中图3为自动对焦状态下拍摄的图片，图4为手动对焦情况下拍摄的全局高度模糊图片。
图5是本发明实施例提供的算法和tid2008的mos拟合结果和系数结果示意图。
图6是本发明实施例提供的方差算法和tid2008的mos拟合结果和系数结果示意图。
图7是本发明实施例提供的brisque算法和tid2008的mos拟合结果和系数结果示意图。
图8是本发明实施例提供的tenengrad算法和tid2008的mos拟合结果和系数结果示意图。
图9是本发明实施例提供的niqe算法和tid2008的mos拟合结果和系数结果示意图。
图10是本发明实施例提供的sseq算法和tid2008的mos拟合结果和系数结果示意图。
图11是本发明实施例提供的20张使用工业相机拍摄物距依次递增的图片，10号图片为最清晰图片。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种图像清晰度评价方法、系统、存储介质、设备及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的图像清晰度评价方法包括以下步骤：
S101：获取待测评图像的灰度矩阵；
S102：计算某个像素点的灰度值与相邻八像素灰度差的平均值生成灰度差平均值矩阵；
S103：用各点的灰度差平均值和八个灰度差中的最大值的乘积表示该点的局部清晰度指标q；
S104：计算每个点清晰度指标q的平方和，得到整个图片的清晰度评分。
本发明提供的图像清晰度评价方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的图像清晰度评价方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的图像清晰度评价系统包括：
灰度化模块1，用于对待测图像进行灰度化，获取待测评图像的灰度矩阵；
求灰度化平均值模块模块2，用于计算某个像素点的灰度值与相邻八像素灰度差的平均值生成灰度差的平均值矩阵；
单像素点局部灰度差最大值计算模块3，用于计算各点与八像素点灰度差值中的最大值生成灰度差最大值矩阵；
单像素点局部清晰度计算模块4，用于计算灰度差平均值矩阵和灰度差最大值矩阵对应元素的乘积表示该点的局部清晰度指标Qi；
图片各像素点局部清晰度平方求和模块5，用于计算所有矩阵块清晰度指标Qi的平方和V。
下面结合附图对本发明的技术方案作进一步的描述。
本发明实施例的图像清晰度评价方法包括以下步骤：
步骤一，获取待测评图像的灰度矩阵；
步骤二，计算某个像素点的灰度值与相邻八像素灰度差的平均值a(x，y)，并生成灰度差的平均值矩阵，公式为：
a(x，y)＝mean(f(x，y)-f(x+1，y)，f(x，y)-f(x-1，y)，f(x，y)-f(x，y+1)，f(x，y)-f(x，y-1)，f(x，y)-f(x-1，y+1)，f(x，y)-f(x-1，y-1)，f(x，y)-f(x+1，y-1)，f(x，y)-f(x+1，y+1))；
其中，x表示像素点的横坐标，y表示像素点的纵坐标；
f(x，y)表示当前图像第x行第y列的灰度值；
a(x，y)表示当前图像第x行第y列的像素点与八领域像素点灰度差的平均值。
步骤三，计算各点与八像素点灰度差值中的最大值b(x，y)，并生成灰度差最大值矩阵，公式为：
b(x，y)＝max(f(x，y)-f(x+1，y)，f(x，y)-f(x-1，y)，f(x，y)-f(x，y+1)，f(x，y)-f(x，y-1)，f(x，y)-f(x-1，y+1)，f(x，y)-f(x-1，y-1)，f(x，y)-f(x+1，y-1)，f(x，y)-f(x+1，y+1))；
其中，x表示像素点的横坐标，y表示像素点的纵坐标；
f(x，y)表示当前图像第x行第y列的灰度值；
b(x，y)表示当前图像第x行第y列的像素点与八领域像素点灰度差的最大值。
生成的灰度差的最大值矩阵为，维度和图片大小一致为n*m：
其中，xn表示x＝n时，ym表示y＝m时的值。
步骤四，计算两矩阵对应的元素的乘积，得到局部清晰度矩阵：
其中，其中，xn表示x＝n时，ym表示y＝m时的值，Qi(i＝1，2，3……m*n)表示第i个像素点的局部清晰度。
步骤五，计算每个像素点局部清晰度指标的平方和，计算公式为：
其中，N为像素点总数，V表示整个图片的清晰度评分。
本发明实施例提供的图像清晰度评价方法，其全部过程由五个模块组成，包括：灰度化模块1，求灰度化平均值模块模块2，单像素点局部灰度差最大值计算模块3，单像素点局部清晰度计算模块4，图片各像素点局部清晰度平方求和模块5。
灰度化模块1，步骤一，获取待测评图像的灰度矩阵；
求灰度化平均值模块模块2，计算某个像素点的灰度值与相邻八像素灰度差的平均值a(x，y)，并生成灰度差的平均值矩阵，公式为：
a(x，y)＝mean(f(x，y)-f(x+1，y)，f(x，y)-f(x-1，y)，f(x，y)-f(x，y+1)，f(x，y)-f(x，y-1)，f(x，y)-f(x-1，y+1)，f(x，y)-f(x-1，y-1)，f(x，y)-f(x+1，y-1)，f(x，y)-f(x+1，y+1))；
其中，x表示像素点的横坐标，y表示像素点的纵坐标；
f(x，y)表示当前图像第x行第y列的灰度值；
a(x，y)表示当前图像第x行第y列的像素点与八领域像素点灰度差的平均值。
单像素点局部灰度差最大值计算模块3，计算各点与八像素点灰度差值中的最大值b(x，y)，并生成灰度差最大值矩阵，公式为：
b(x，y)＝max(f(x，y)-f(x+1，y)，f(x，y)-f(x-1，y)，f(x，y)-f(x，y+1)，f(x，y)-f(x，y-1)，f(x，y)-f(x-1，y+1)，f(x，y)-f(x-1，y-1)，f(x，y)-f(x+1，y-1)，f(x，y)-f(x+1，y+1))；
其中，x表示像素点的横坐标，y表示像素点的纵坐标；
f(x，y)表示当前图像第x行第y列的灰度值；
b(x，y)表示当前图像第x行第y列的像素点与八领域像素点灰度差的最大值。
生成的灰度差的最大值矩阵为，维度和图片大小一致为n*m：
其中，xn表示x＝n时，ym表示y＝m时的值。
单像素点局部清晰度计算模块4，计算两矩阵对应的元素的乘积，得到局部清晰度矩阵：
其中，其中，xn表示x＝n时，ym表示y＝m时的值，Qi(i＝1,2,3……m*n)表示第i个像素点的局部清晰度。
图片各像素点局部清晰度平方求和模块5，计算每个像素点局部清晰度指标的平方和，计算公式为：
其中，N为像素点总数，V表示整个图片的清晰度评分。
为证明本发明的创造性，对传统算法与本发明所提到的算法进行了实验对比，图3和图4为两张使用300mm变焦镜头在相同物距下实际拍摄的相同大小的图片，图3为自动对焦状态下拍摄的图片，图4为手动对焦情况下拍摄的全局高度模糊图片。根据人眼主观判断，显然图3具有更高的清晰程度。我们选用常见的算法对两幅图片进行了评分，由表1可知，拉普拉斯算法和sobel算法得到了和主观评价相反的结果。为证明本算法的鲁棒性和高效性，选用图像质量评估领域比较权威的tid2008主观数据库进行测试。并对其主观测试的mos(主观评分)结果和本算法与各种算法进行非线性拟合。分别计算拟合后的皮尔森相关系数和斯皮尔曼相关系数，用以反映客观评价结果和主观mos拟合的准确性和单调性，RMSE和MAE表示算法误差的统计结果。我们提出的算法拟合结果如图5所示。图6-图10分别为方差算法，brisque算法，tenengrad算法，niqe算法，sseq算法的拟合结果。由图可见本算法在拟合曲线结果表现上明显优于当前主流算法，皮尔森相关系数和斯皮尔曼相关系数高于其它算法说明有更强的单调性和准确性。RMSE和MAE低于其它算法，说明有更小的误差。
表2各种算法对图3，图4两幅图片进行清晰度评价的结果
项目 清晰图片(图3) 模糊图片(图4)
本专利提出的算法 2.6655e+07 6.0427e+06
拉普拉斯算法 0.9181 0.9271
方差算法 54.1321 48.5709
Tenengrad算法 135.085 45.5534
Sobel算法 0.6581 0.6774
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种图像清晰度评价方法，其特征在于，所述图像清晰度评价方法包括：
获取待测评图像的灰度矩阵；
计算某个像素点的灰度值与相邻八像素灰度差的平均值生成灰度差平均值矩阵，然后计算各点与八像素点灰度差值中的最大值生成灰度差最大值矩阵；计算两矩阵对应的元素的乘积表示该点的局部清晰度指标；
计算每个像素点局部清晰度指标的平方和，得到整个图片的清晰度评分；
计算某个像素点的灰度值与相邻八像素灰度差的平均值a(x，y)，并生成灰度差的平均值矩阵，公式为：
a(x，y)＝mean(f(x，y)-f(x+1，y)，f(x，y)-f(x-1，y)，
f(x，y)-f(x，y+1)，f(x，y)-f(x，y-1)，
f(x，y)-f(x-1，y+1)，f(x，y)-f(x-1，y-1)，
f(x，y)-f(x+1，y-1)，f(x，y)-f(x+1，y+1))；
其中，x表示像素点的横坐标，y表示像素点的纵坐标；
f(x，y)表示当前图像第x行第y列的灰度值；
a(x，y)表示当前图像第x行第y列的像素点与八领域像素点灰度差的平均值；
生成的灰度差的平均值矩阵为，维度和图片大小一致为m*n：
计算各点与八像素点灰度差值中的最大值b(x，y)，并生成灰度差最大值矩阵，公式为：
b(x，y)＝max(f(x，y)-f(x+1，y)，f(x，y)-f(x-1，y)，
f(x，y)-f(x，y+1)，f(x，y)-f(x，y-1)，
f(x，y)-f(x-1，y+1)，f(x，y)-f(x-1，y-1)，
f(x，y)-f(x+1，y-1)，f(x，y)-f(x+1，y+1))；
其中，x表示像素点的横坐标，y表示像素点的纵坐标；
f(x，y)表示当前图像第x行第y列的灰度值；
b(x，y)表示当前图像第x行第y列的像素点与八领域像素点灰度差的最大值；
生成的灰度差的最大值矩阵为，维度和图片大小一致为n*m：
其中，xn表示x＝n时，ym表示y＝m时的值；
计算两矩阵对应的元素的乘积，得到局部清晰度矩阵：
其中，其中，xn表示x＝n时，ym表示y＝m时的值，Qi(i＝1，2，3……m*n)表示第i个像素点的局部清晰度；
计算每个像素点局部清晰度指标的平方和，计算公式为：
其中，N为像素点总数，V表示整个图片的清晰度评分。
2.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述的图像清晰度评价方法。
3.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1所述的图像清晰度评价方法。
4.一种图像信息数据处理终端，其特征在于，所述图像信息数据处理终端用于实现权利要求1所述的图像清晰度评价方法。
5.一种实施权利要求1所述图像清晰度评价方法的图像清晰度评价系统，其特征在于，所述图像清晰度评价系统包括：
灰度化模块，用于对待测图像进行灰度化，获取待测评图像的灰度矩阵；
求灰度化平均值模块模块，用于计算某个像素点的灰度值与相邻八像素灰度差的平均值生成灰度差的平均值矩阵；
单像素点局部灰度差最大值计算模块，用于计算各点与八像素点灰度差值中的最大值生成灰度差最大值矩阵；
单像素点局部清晰度计算模块，用于计算灰度差平均值矩阵和灰度差最大值矩阵对应元素的乘积表示该点的局部清晰度指标Qi；
图片各像素点局部清晰度平方求和模块，用于计算所有矩阵块清晰度指标Qi的平方和V。
CN202011342365.4A 2020-11-26 2020-11-26 一种图像清晰度评价方法、系统、存储介质、设备及应用 Active CN112508887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011342365.4A CN112508887B (zh) 2020-11-26 2020-11-26 一种图像清晰度评价方法、系统、存储介质、设备及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011342365.4A CN112508887B (zh) 2020-11-26 2020-11-26 一种图像清晰度评价方法、系统、存储介质、设备及应用

Publications (2)

Publication Number Publication Date
CN112508887A CN112508887A (zh) 2021-03-16
CN112508887B true CN112508887B (zh) 2024-02-02

Family

ID=74966211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011342365.4A Active CN112508887B (zh) 2020-11-26 2020-11-26 一种图像清晰度评价方法、系统、存储介质、设备及应用

Country Status (1)

Country Link
CN (1) CN112508887B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113596439B (zh) * 2021-07-16 2022-11-15 北京科技大学 基于图像模糊评价的摄像头模组局部解析力失效检测方法
CN113838023B (zh) * 2021-09-22 2023-09-15 中国计量大学 一种色差图像质量评价方法
CN114813794B (zh) * 2022-02-18 2023-10-03 成都飞机工业（集团）有限责任公司 一种获取机器人3d打印无损检测所需扫描照片的方法
CN115131352B (zh) * 2022-08-30 2022-11-18 南通佰瑞利电动工具有限公司 一种电晕机电晕效果评价方法
CN115131350B (zh) * 2022-08-30 2022-12-16 南京木木西里科技有限公司 一种大景深观测与表面形貌分析系统
CN116630220B (zh) * 2023-07-25 2023-11-21 江苏美克医学技术有限公司 一种荧光图像景深融合成像方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102404602A (zh) * 2011-09-23 2012-04-04 浙江工业大学 一种基于清晰度测试卡的摄像机清晰度检测方法
CN102800082A (zh) * 2012-06-19 2012-11-28 浙江捷尚视觉科技有限公司 一种无参考的图像清晰度检测方法
WO2017076040A1 (zh) * 2015-11-06 2017-05-11 乐视控股（北京）有限公司 应用于连拍过程中的图像处理方法和装置
CN107770434A (zh) * 2016-08-15 2018-03-06 广州康昕瑞基因健康科技有限公司 一种快速聚焦调整方法
CN108184110A (zh) * 2017-12-25 2018-06-19 南京巨鲨显示科技有限公司 一种用于医用显示器的图像清晰度测量装置及方法
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
CN110136105A (zh) * 2019-04-28 2019-08-16 西安理工大学 一种基于方差和平滑度的同一内容图像的清晰度评价方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102404602A (zh) * 2011-09-23 2012-04-04 浙江工业大学 一种基于清晰度测试卡的摄像机清晰度检测方法
CN102800082A (zh) * 2012-06-19 2012-11-28 浙江捷尚视觉科技有限公司 一种无参考的图像清晰度检测方法
WO2017076040A1 (zh) * 2015-11-06 2017-05-11 乐视控股（北京）有限公司 应用于连拍过程中的图像处理方法和装置
CN107770434A (zh) * 2016-08-15 2018-03-06 广州康昕瑞基因健康科技有限公司 一种快速聚焦调整方法
CN108184110A (zh) * 2017-12-25 2018-06-19 南京巨鲨显示科技有限公司 一种用于医用显示器的图像清晰度测量装置及方法
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
CN110136105A (zh) * 2019-04-28 2019-08-16 西安理工大学 一种基于方差和平滑度的同一内容图像的清晰度评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
余军 ; 王沛 ; .一种新的清晰度评价算法.电视技术.2013,(第11期),全文. *
徐贵力 ; 刘小霞 ; 田裕鹏 ; 程月华 ; 李鹏 ; .一种图像清晰度评价方法.红外与激光工程.2009,(第01期),全文. *
洪裕珍 ; 任国强 ; 孙健 ; .离焦模糊图像清晰度评价函数的分析与改进.光学精密工程.2014,(第12期),全文. *

Also Published As

Publication number Publication date
CN112508887A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112508887B (zh) 一种图像清晰度评价方法、系统、存储介质、设备及应用
US7868922B2 (en) Foreground/background segmentation in digital images
Thongkamwitoon et al. An image recapture detection algorithm based on learning dictionaries of edge profiles
US9087262B2 (en) Sharpness estimation in document and scene images
US8229172B2 (en) Algorithms for estimating precise and relative object distances in a scene
CN113992861B (zh) 一种图像处理方法及图像处理装置
US20130278788A1 (en) Method for determining the extent of a foreground object in an image
US20150055824A1 (en) Method of detecting a main subject in an image
US20100201880A1 (en) Shot size identifying apparatus and method, electronic apparatus, and computer program
CN107077725A (zh) 数据处理装置、成像装置和数据处理方法
CN107481186B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
EP3371741B1 (en) Focus detection
US8189942B2 (en) Method for discriminating focus quality of image pickup device
WO2019015477A1 (zh) 图像矫正方法、计算机可读存储介质和计算机设备
CN112584034B (zh) 图像处理方法、图像处理装置及应用其的电子设备
CN111311562B (zh) 虚焦图像的模糊度检测方法及装置
CN110658918B (zh) 用于视频眼镜的眼球追踪相机的定位方法、设备及介质
Salih et al. Adaptive local exposure based region determination for non-uniform illumination and low contrast images
CN111340722B (zh) 图像处理方法、处理装置、终端设备及可读存储介质
CN110933304B (zh) 待虚化区域的确定方法、装置、存储介质与终端设备
CN110689565B (zh) 一种深度图确定的方法、装置及电子设备
Zhao et al. Refocusing Metric of Light Field Image Using Region-Adaptive Multi-Scale Focus Measure
Van Vo et al. High dynamic range video synthesis using superpixel-based illuminance-invariant motion estimation
Zhu et al. Efficient perceptual-based spatially varying out-of-focus blur detection
Zhu Measuring spatially varying blur and its application in digital image restoration

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