CN112712550A - 一种图像质量评价方法及装置 - Google Patents
一种图像质量评价方法及装置 Download PDFInfo
- Publication number
- CN112712550A CN112712550A CN201911018248.XA CN201911018248A CN112712550A CN 112712550 A CN112712550 A CN 112712550A CN 201911018248 A CN201911018248 A CN 201911018248A CN 112712550 A CN112712550 A CN 112712550A
- Authority
- CN
- China
- Prior art keywords
- image
- quality
- quality evaluation
- feature
- variance
- 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
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- 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)
- Image Analysis (AREA)
Abstract
本发明提供一种图像质量评价方法及装置，该方法包括：对第一图像进行梯度滤波，得到第二图像；对所述第二图像进行纹理特征提取，得到特征图像；计算所述特征图像的方差；根据所述特征图像的方差对所述第一图像进行质量评价。通过本发明提供的图像质量评价方法，不仅可以减少图像质量评价的局限性，还可以较为准确的反应图像的质量情况。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种图像质量评价方法及装置。
背景技术
近年来，图像在各个领域中的应用越来越广泛，例如，铁路交通工具的乘坐、银行开户、贷款、公安机关单位相关审核、在线短视频、直播等过程中均涉及图像的应用。目前，很多图像应用的技术都与图像质量的好坏关联十分紧密，例如，人脸识别、身份证识别等。而图像质量受到光线、模糊、噪音等因素的影响，快速的对图像的质量进行判断，能够避免其他技术介入之前的时间上及资源上的消耗。
然而，现有的图像质量评价方法要么是通过比较待检测图像和参考图像之间的差异性以对待检测图像进行质量评价，这种方式由于需要依赖于参考图像，使得图像质量评价具有局限性；要么是基于训练集训练用于图像质量评价的分类器，这种方式不仅过于依赖训练集，而且在待测试图像和训练集差异较大的情况下分类结果的准确性较低。
可见，现有的图像质量评价方法在图像质量评价时的局限性较大。
发明内容
本发明实施例提供一种图像质量评价方法及装置，以解决现有的图像质量评价方法在图像质量评价时的局限性较大的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种图像质量评价方法。该方法包括：
对第一图像进行梯度滤波，得到第二图像；
对所述第二图像进行纹理特征提取，得到特征图像；
计算所述特征图像的方差；
根据所述特征图像的方差对所述第一图像进行质量评价。
第二方面，本发明实施例还提供一种图像质量评价装置。该图像质量评价装置包括：
过滤模块，用于对第一图像进行梯度滤波，得到第二图像；
特征提取模块，用于对所述第二图像进行纹理特征提取，得到特征图像；
计算模块，用于计算所述特征图像的方差；
评价模块，用于根据所述特征图像的方差对所述第一图像进行质量评价。
第三方面，本发明实施例还提供一种图像质量评价装置，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的图像质量评价方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像质量评价方法的步骤。
本发明实施例中，对第一图像进行梯度滤波，得到第二图像；对所述第二图像进行纹理特征提取，得到特征图像；计算所述特征图像的方差；根据所述特征图像的方差对所述第一图像进行质量评价。由于无需依赖于参考图像或者训练集进行图像质量评价，可以减少图像质量评价的局限性，此外，通过对图像进行梯度滤波、纹理特征提取以及方差计算，可以较为准确的反应图像的质量情况。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，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质量评价方法的流程图；
图2是本发明实施例提供的小波变换后得到的第二图像的示意图；
图3是本发明又一实施例提供的图像质量评价方法的流程图；
图4是本发明实施例提供的图像质量评价装置的结构图；
图5是本发明又一实施例提供的图像质量评价装置的结构图。
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。
本发明实施例提供一种图像质量评价方法。参见图1，图1是本发明实施例提供的图像质量评价方法的流程图，如图1所示，包括以下步骤：
步骤101、对第一图像进行梯度滤波，得到第二图像。
本实施例中，上述第一图像可以是输入图像，也可以是由输入图像转换得到的灰度图像。上述梯度滤波可以用于提取第一图像的细节信息，其中，用于上述梯度滤波的梯度算子可以包括但不限于包括小波算子、拉普拉斯算子、Sobel算子、LOG算子等。
步骤102、对所述第二图像进行纹理特征提取，得到特征图像。
本实施例中，可以基于LBP(Local Binary Pattern，局部二值模式)算子、LAB(Local Assembled Binary，局部编码二值)算子、灰度共生矩阵等提取第二图像的纹理特征，得到特征图像。
步骤103、计算所述特征图像的方差。
步骤104、根据所述特征图像的方差对所述第一图像进行质量评价。
本实施例中，可以直接基于特征图像的方差评价图像质量，例如，特征图像的方差越小，图像质量越差；或者可以基于特征图像的方差计算质量评估值，基于质量评估值评价图像质量，等等。
本发明实施例提供的图像质量评价方法，对第一图像进行梯度滤波，得到第二图像；对所述第二图像进行纹理特征提取，得到特征图像；计算所述特征图像的方差；根据所述特征图像的方差对所述第一图像进行质量评价。由于无需依赖于参考图像或者训练集进行图像质量评价，实现了不依赖数据集的限制，减少图像质量评价的局限性，此外，通过对图像进行梯度滤波、纹理特征提取以及方差计算，减少了质量评价结果的噪音干扰，可以较为准确的反应图像的质量情况。
可选的，上述步骤101，也即所述对第一图像进行梯度滤波，得到第二图像，可以包括：
对第一图像进行N个尺度的小波变换，得到第二图像；其中，N为大于1的整数；
上述步骤102，也即所述对所述第二图像进行纹理特征提取，得到特征图像，可以包括：
提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像。
本实施例中，上述N可以根据实际情况进行合理设置，例如，2、4、6等。可选的，为了综合特征提取速度和特征提取效果，上述N可以为4。
需要说明的是，上述对第一图像进行N个尺度的小波变换，可以理解为对第一图像进行N层(或N级)小波变换，也即将第一层或第一尺度的小波变换的结果作为第二层或第二尺度的小波变换的输入，将第二层或第二尺度的小波变换的输出结果作为第三层或第三尺度等小波变换的输入，以此类推，直至完成第N层或第N尺度的小波变换。
此外，在每次小波变换之后，可以得到包括反映水平方向的细节信息(也即水平特征)的图像部分、反映垂直方向的细节信息(也即垂直特征)的图像部分、反映对角线方向的细节信息(也即对角线特征)的图像部分以及反映图像低频信息的图像部分。本实施例通过提取N个尺度中最大尺度的对角线特征，也即最后一层或最后一尺度的小波变换输出的对角线特征，可以减少光照影响。
本发明实施例通过对第一图像进行N个尺度的小波变换，得到第二图像，提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像，并基于特征图像的方差进行图像质量评价，不但实现较为简单、快速，而且对光线变化、模糊、噪声等具有较强的鲁棒性，进而可以提高图像质量评价结果的准确性。
可选的，所述提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像，可以包括：
按照如下计算公式提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像D；
其中，D(x,y)表示所述特征图像中像素点(x，y)的像素值，H(x,y)表示所述第二图像中像素点(x，y)的像素值，w表示所述第二图像的宽度，h表示所述第二图像的长度。
实际应用中，小波变换后输出的第二图像通常如图2所示，本实施例按照如上计算公式提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征部分，可以提高小波变换后对角线特征提取的便捷性。
可选的，上述步骤101，也即所述对第一图像进行梯度滤波，得到第二图像，可以包括：
对所述第一图像进行拉普拉斯变换或Sobel变换，得到第二图像；
上述步骤102，也即所述对所述第二图像进行纹理特征提取，得到特征图像，可以包括：
基于局部二值模式LBP算子或者局部编码二值LAB算子，对所述第二图像进行纹理特征提取，得到特征图像。
本实施例中，上述对所述第一图像进行拉普拉斯变换或Sobel变换，也即基于拉普拉斯算子或Sobel算子进行滤波。
本发明实施例通过对所述第一图像进行拉普拉斯变换或Sobel变换，得到第二图像，基于LBP算子或者LAB算子，对所述第二图像进行纹理特征提取，得到特征图像，并基于特征图像的方差进行图像质量评价，不但实现较为简单、快速，而且对光线变化具有较强的鲁棒性，进而可以提高图像质量评价结果的准确性。
可选的，上述步骤102，也即所述对所述第二图像进行纹理特征提取，得到特征图像，可以包括：
基于预先训练的分类器对所述第二图像进行纹理特征提取，得到特征图像；其中，所述分类器为标注质量合格的图像样本集和标注质量不合格的图像样本集训练得到的分类器，且所述分类器包括纹理特征提取层。
本实施例中，上述分类器可以是基于支持向量机(Support Vector Machine,SVM)、随机森林、神经网络等训练得到的分类器。其中，上述分类器为包括纹理特征提取层的分类器，也即该分类器可以用于提取输入图像的纹理特征，并基于所提取的纹理特征进行图像分类，例如，将输入图像分为质量合格和质量不合格两类。
具体的，可以利用标注了质量合格的图像样本集和标注了质量不合格的图像样本集对构建的训练器(例如，SVM训练器、神经网络训练器等)进行训练，并可每训练预设数量(例如，100)个图像样本迭代测试一次，直至对测试集的分类准确率达到预设准确率或是不再上升。
本实施例基于预先训练的分类器对所述第二图像进行纹理特征提取，不仅速度较快，而且提取的纹理特征可以较为准确的反映图像质量情况。
可选的，上述步骤104，也即所述根据所述特征图像的方差对所述第一图像进行质量评价，可以包括：
按照公式s＝1-e-σ，计算质量评估值；其中，s表示所述质量评估值，σ表示所述特征图像的方差；
根据所述质量评估值评价所述第一图像的质量。
本实施例中，质量评估值越大，表示图像质量越高，质量评估值越小，表示图像质量越差。此外，由于质量评估值的取值范围为[0,1]，波动范围较小，方便进行图像质量是否合格的评估。
可选的，所述根据所述质量评估值评价所述第一图像的质量，可以包括：
若所述质量评估值大于或等于阈值，则确定所述第一图像为质量合格的图像；
若所述质量评估值小于所述阈值，则确定所述第一图像为质量不合格的图像。
本实施例中，上述阈值可以根据实际情况进行合理设置，例如，0.6、0.7等。
需要说明的是，上述各个实施方式可以根据实际需求进行合理组合，本实施例对此不做限定。
例如，所述对所述第二图像进行纹理特征提取，得到特征图像，可以包括：
基于预先训练的分类器对所述第二图像进行纹理特征提取，得到特征图像；其中，所述分类器为标注质量合格的图像样本集和标注质量不合格的图像样本集训练得到的分类器，且所述分类器包括纹理特征提取层；
所述根据所述质量评估值评价所述第一图像的质量，可以包括：
若所述质量评估值大于或等于阈值，则确定所述第一图像为质量合格的图像；
若所述质量评估值小于所述阈值，则确定所述第一图像为质量不合格的图像。
实际应用中，不同的图像集的数据分布通常有差异，本实施例通过包括纹理特征提取层的分类器进行纹理特征提取，可以减少不同图像集的数据分布的波动范围，进而可以使得阈值的设定可以贴合不同图像集的数据分布，进而提高图像质量评价结果的准确性。
以下结合示例对本发明实施例进行说明：
步骤301、将输入图像转换为灰度图像G。
步骤302、对上述灰度图像G进行Haar小波变换(即Haar WaveletTransform)，得到图像H。
步骤303、提取图像H中的对角线特征，得到对角线图像D(即DiagonalImage)。
该步骤中，上述对角线图像也即图像H中对角线特征对应的图像部分，如图2所示的对角线图像部分。
步骤304、计算质量分数s，其中，质量分数s∈[0,1]。
该步骤中，可以基于s＝1-e-σ，计算质量分数(也即上述的质量评估值)，其中，s表示质量分数，σ表示对角线图像D(也即上述的特征图像)的方差。
步骤305、判断质量分数s是否大于或等于阈值。
该步骤中，如果质量分数大于或等于阈值，则确定图像质量合格，如果质量分数小于阈值，则确定图像质量不合格。
步骤306、确定输入图像质量合格。
步骤307、确定输入图像质量不合格。
综上可知，本实施例提供的图像质量评价方法，可在任意数据分布上都有可适性，而且只需单次预测即可达成目标，大大降低了计算复杂度。此外，不依赖参照图像，待测图像本身即可完成质量评估，且对光线、模糊、噪声具有相同的鲁棒性。
参见图4，图4是本发明实施例提供的图像质量评价装置的结构图。如图4所示，图像质量评价装置400包括：
过滤模块401，用于对第一图像进行梯度滤波，得到第二图像；
特征提取模块402，用于对所述第二图像进行纹理特征提取，得到特征图像；
计算模块403，用于计算所述特征图像的方差；
评价模块404，用于根据所述特征图像的方差对所述第一图像进行质量评价。
可选的，所述过滤模块具体用于：
对第一图像进行N个尺度的小波变换，得到第二图像；其中，N为大于1的整数；
所述特征提取模块具体用于：
提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像。
可选的，所述特征提取模块具体用于：
按照如下计算公式提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像D；
其中，D(x,y)表示所述特征图像中像素点(x，y)的像素值，H(x,y)表示所述第二图像中像素点(x，y)的像素值，w表示所述第二图像的宽度，h表示所述第二图像的长度。
可选的，所述过滤模块具体用于：
对所述第一图像进行拉普拉斯变换或Sobel变换，得到第二图像；
所述特征提取模块具体用于：
基于局部二值模式LBP算子或者局部编码二值LAB算子，对所述第二图像进行纹理特征提取，得到特征图像。
可选的，所述特征提取模块具体用于：
基于预先训练的分类器对所述第二图像进行纹理特征提取，得到特征图像；其中，所述分类器为标注质量合格的图像样本集和标注质量不合格的图像样本集训练得到的分类器，且所述分类器包括纹理特征提取层。
可选的，所述评价模块，包括：
计算单元，用于按照公式s＝1-e-σ，计算质量评估值；其中，s表示所述质量评估值，σ表示所述特征图像的方差；
评价单元，用于根据所述质量评估值评价所述第一图像的质量。
可选的，所述评价单元具体用于：
若所述质量评估值大于或等于阈值，则确定所述第一图像为质量合格的图像；
若所述质量评估值小于所述阈值，则确定所述第一图像为质量不合格的图像。
可选的，所述特征提取模块具体用于：
基于预先训练的分类器对所述第二图像进行纹理特征提取，得到特征图像；其中，所述分类器为了标注了质量合格的图像样本集和标注了质量不合格的图像样本集训练得到的分类器，且所述分类器包括纹理特征提取层；
相应的，所述评价单元具体用于：
若所述质量评估值大于或等于阈值，则确定所述第一图像为质量合格的图像；
若所述质量评估值小于所述阈值，则确定所述第一图像为质量不合格的图像。
可选的，所述第一图像为灰度图像。
本发明实施例提供的图像质量评价装置400能够实现上述方法实施例中的各个过程，为避免重复，这里不再赘述。
本发明实施例的图像质量评价装置400，过滤模块401，用于对第一图像进行梯度滤波，得到第二图像；特征提取模块402，用于对所述第二图像进行纹理特征提取，得到特征图像；计算模块403，用于计算所述特征图像的方差；评价模块404，用于根据所述特征图像的方差对所述第一图像进行质量评价。由于无需依赖于参考图像或者训练集进行图像质量评价，可以减少图像质量评价的局限性，此外，通过对图像进行梯度滤波、纹理特征提取以及方差计算，可以较为准确的反应图像的质量情况。
参见图5，图5是本发明又一实施提供的图像质量评价装置的结构图，如图5所示，图像质量评价装置500包括：处理器501、存储器502及存储在所述存储器502上并可在所述处理器上运行的计算机程序，数据发送装置500中的各个组件通过总线接口503耦合在一起，所述计算机程序被所述处理器501执行时实现如下步骤：
对第一图像进行梯度滤波，得到第二图像；
对所述第二图像进行纹理特征提取，得到特征图像；
计算所述特征图像的方差；
根据所述特征图像的方差对所述第一图像进行质量评价。
可选的，所述计算机程序被所述处理器501执行时还用于：
对第一图像进行N个尺度的小波变换，得到第二图像；其中，N为大于1的整数；
相应的，所述计算机程序被所述处理器501执行时还用于：
提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像。
可选的，所述计算机程序被所述处理器501执行时还用于：
按照如下计算公式提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像D；
其中，D(x,y)表示所述特征图像中像素点(x，y)的像素值，H(x,y)表示所述第二图像中像素点(x，y)的像素值，w表示所述第二图像的宽度，h表示所述第二图像的长度。
可选的，所述计算机程序被所述处理器501执行时还用于：
对所述第一图像进行拉普拉斯变换或Sobel变换，得到第二图像；
相应的，所述计算机程序被所述处理器501执行时还用于：
基于局部二值模式LBP算子或者局部编码二值LAB算子，对所述第二图像进行纹理特征提取，得到特征图像。
可选的，所述计算机程序被所述处理器501执行时还用于：
基于预先训练的分类器对所述第二图像进行纹理特征提取，得到特征图像；其中，所述分类器为标注质量合格的图像样本集和标注质量不合格的图像样本集训练得到的分类器，且所述分类器包括纹理特征提取层。
可选的，所述计算机程序被所述处理器501执行时还用于：
按照公式s＝1-e-σ，计算质量评估值；其中，s表示所述质量评估值，σ表示所述特征图像的方差；
根据所述质量评估值评价所述第一图像的质量。
可选的，所述计算机程序被所述处理器501执行时还用于：
若所述质量评估值大于或等于阈值，则确定所述第一图像为质量合格的图像；
若所述质量评估值小于所述阈值，则确定所述第一图像为质量不合格的图像。
可选的，所述计算机程序被所述处理器501执行时还用于：
基于预先训练的分类器对所述第二图像进行纹理特征提取，得到特征图像；其中，所述分类器为了标注了质量合格的图像样本集和标注了质量不合格的图像样本集训练得到的分类器，且所述分类器包括纹理特征提取层；
相应的，所述计算机程序被所述处理器501执行时还用于：
若所述质量评估值大于或等于阈值，则确定所述第一图像为质量合格的图像；
若所述质量评估值小于所述阈值，则确定所述第一图像为质量不合格的图像。
可选的，所述第一图像为灰度图像。
本发明实施例还提供一种图像质量评价装置，包括处理器，存储器，存储在存储器上并可在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述图像质量评价方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，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执行时实现上述图像质量评价方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
Claims (11)
1.一种图像质量评价方法，其特征在于，包括：
对第一图像进行梯度滤波，得到第二图像；
对所述第二图像进行纹理特征提取，得到特征图像；
计算所述特征图像的方差；
根据所述特征图像的方差对所述第一图像进行质量评价。
2.根据权利要求1所述的方法，其特征在于，所述对第一图像进行梯度滤波，得到第二图像，包括：
对第一图像进行N个尺度的小波变换，得到第二图像；其中，N为大于1的整数；
所述对所述第二图像进行纹理特征提取，得到特征图像，包括：
提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像。
3.根据权利要求2所述方法，其特征在于，所述提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像，包括：
按照如下计算公式提取所述第二图像中对应于所述N个尺度中最大尺度的对角线特征，得到所述特征图像D；
其中，D(x,y)表示所述特征图像中像素点(x，y)的像素值，H(x,y)表示所述第二图像中像素点(x，y)的像素值，w表示所述第二图像的宽度，h表示所述第二图像的长度。
4.根据权利要求1所述的方法，其特征在于，所述对第一图像进行梯度滤波，得到第二图像，包括：
对所述第一图像进行拉普拉斯变换或Sobel变换，得到第二图像；
所述对所述第二图像进行纹理特征提取，得到特征图像，包括：
基于局部二值模式LBP算子或者局部编码二值LAB算子，对所述第二图像进行纹理特征提取，得到特征图像。
5.根据权利要求1所述的方法，其特征在于，所述对所述第二图像进行纹理特征提取，得到特征图像，包括：
基于预先训练的分类器对所述第二图像进行纹理特征提取，得到特征图像；其中，所述分类器为标注质量合格的图像样本集和标注质量不合格的图像样本集训练得到的分类器，且所述分类器包括纹理特征提取层。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述特征图像的方差对所述第一图像进行质量评价，包括：
按照公式s＝1-e-σ，计算质量评估值；其中，s表示所述质量评估值，σ表示所述特征图像的方差；
根据所述质量评估值评价所述第一图像的质量。
7.根据权利要求6所述的方法，其特征在于，所述根据所述质量评估值评价所述第一图像的质量，包括：
若所述质量评估值大于或等于阈值，则确定所述第一图像为质量合格的图像；
若所述质量评估值小于所述阈值，则确定所述第一图像为质量不合格的图像。
8.根据权利要求1至5中任一项所述的方法，其特征在于，所述第一图像为灰度图像。
9.一种图像质量评价装置，其特征在于，包括：
过滤模块，用于对第一图像进行梯度滤波，得到第二图像；
特征提取模块，用于对所述第二图像进行纹理特征提取，得到特征图像；
计算模块，用于计算所述特征图像的方差；
评价模块，用于根据所述特征图像的方差对所述第一图像进行质量评价。
10.一种图像质量评价装置，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的图像质量评价方法的步骤。
11.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的图像质量评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911018248.XA CN112712550A (zh) | 2019-10-24 | 2019-10-24 | 一种图像质量评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911018248.XA CN112712550A (zh) | 2019-10-24 | 2019-10-24 | 一种图像质量评价方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112712550A true CN112712550A (zh) | 2021-04-27 |
Family
ID=75541483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911018248.XA Pending CN112712550A (zh) | 2019-10-24 | 2019-10-24 | 一种图像质量评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112712550A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387652A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 图像识别方法、识别模型的训练方法、装置和电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101241550A (zh) * | 2008-01-19 | 2008-08-13 | 电子科技大学中山学院 | 一种虹膜图像质量判断方法 |
| JP2009086926A (ja) * | 2007-09-28 | 2009-04-23 | Kddi Corp | 画像認識方法および装置 |
| CN104036485A (zh) * | 2013-08-21 | 2014-09-10 | 江南大学 | 一种关于图像重采样篡改检测的方法 |
| CN104268590A (zh) * | 2014-09-17 | 2015-01-07 | 电子科技大学 | 基于互补性组合特征与多相回归的盲图像质量评价方法 |
| CN104361583A (zh) * | 2014-10-27 | 2015-02-18 | 浙江科技学院 | 一种非对称失真立体图像客观质量评价方法 |
| CN104902267A (zh) * | 2015-06-08 | 2015-09-09 | 浙江科技学院 | 一种基于梯度信息的无参考图像质量评价方法 |
| CN106651834A (zh) * | 2016-10-20 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 无参考图像的变电设备红外热像图质量评价方法及装置 |
| CN109522960A (zh) * | 2018-11-21 | 2019-03-26 | 泰康保险集团股份有限公司 | 图像评估方法、装置、电子设备及计算机可读介质 |
-
2019
- 2019-10-24 CN CN201911018248.XA patent/CN112712550A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009086926A (ja) * | 2007-09-28 | 2009-04-23 | Kddi Corp | 画像認識方法および装置 |
| CN101241550A (zh) * | 2008-01-19 | 2008-08-13 | 电子科技大学中山学院 | 一种虹膜图像质量判断方法 |
| CN104036485A (zh) * | 2013-08-21 | 2014-09-10 | 江南大学 | 一种关于图像重采样篡改检测的方法 |
| CN104268590A (zh) * | 2014-09-17 | 2015-01-07 | 电子科技大学 | 基于互补性组合特征与多相回归的盲图像质量评价方法 |
| CN104361583A (zh) * | 2014-10-27 | 2015-02-18 | 浙江科技学院 | 一种非对称失真立体图像客观质量评价方法 |
| CN104902267A (zh) * | 2015-06-08 | 2015-09-09 | 浙江科技学院 | 一种基于梯度信息的无参考图像质量评价方法 |
| CN106651834A (zh) * | 2016-10-20 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 无参考图像的变电设备红外热像图质量评价方法及装置 |
| CN109522960A (zh) * | 2018-11-21 | 2019-03-26 | 泰康保险集团股份有限公司 | 图像评估方法、装置、电子设备及计算机可读介质 |
Non-Patent Citations (7)
| Title |
|---|
| 付燕: "一种失真模糊图像的无参考质量评价方法", 《科学技术与工程》, vol. 14, no. 5, pages 261 - 265 * |
| 刘康;陈小林;刘岩俊;梁浩;: "基于Gabor和灰度共生矩阵混合特征叶片泵装配质量检测", 液晶与显示, no. 11, pages 35 - 41 * |
| 张涛;梁德群;王新年;张晓娜;: "基于纹理特征的无参考图像模糊度评价方法", 计算机工程与应用, no. 26, pages 189 - 195 * |
| 梁晋 等: "《3D反求技术》", 31 January 2019, 华中科技大学出版社, pages: 50 * |
| 王文峰 等: "《MATLAB计算机视觉与机器认知》", 31 August 2017, 北京航空航天大学出版社, pages: 132 * |
| 王昆翔: "《智能理论与警用智能技术》", 28 February 1998, 警官教育出版社, pages: 392 * |
| 袁成清: "《机械系统磨损测试与评价》", 31 July 2012, 武汉理工大学出版社, pages: 70 - 71 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387652A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 图像识别方法、识别模型的训练方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109299716B (zh) | 神经网络的训练方法、图像分割方法、装置、设备及介质 | |
| CN111563422B (zh) | 基于双模态情绪识别网络的服务评价获取方法及其装置 | |
| CN110909784B (zh) | 一种图像识别模型的训练方法、装置及电子设备 | |
| CN101140625A (zh) | 一种多分辨率退化字符自适应识别系统及方法 | |
| CN111160110A (zh) | 基于人脸特征和声纹特征识别主播的方法及装置 | |
| CN114444565B (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
| CN113222043B (zh) | 一种图像分类方法、装置、设备及存储介质 | |
| CN109858570A (zh) | 图像分类方法及系统、计算机设备及介质 | |
| CN112001362A (zh) | 一种图像分析方法、图像分析装置及图像分析系统 | |
| CN112884147A (zh) | 神经网络训练方法、图像处理方法、装置及电子设备 | |
| CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| CN113011246A (zh) | 票据分类方法、装置、设备及存储介质 | |
| CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
| CN112712550A (zh) | 一种图像质量评价方法及装置 | |
| CN110941824B (zh) | 一种基于对抗样本增强模型抗攻击能力的方法和系统 | |
| CN112818840A (zh) | 无人机在线检测系统和方法 | |
| CN111160353A (zh) | 车牌识别方法、装置及设备 | |
| CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
| CN116958615A (zh) | 图片识别方法、装置、设备和介质 | |
| EP4105825A1 (en) | Generalised anomaly detection | |
| CN111738012B (zh) | 提取语义对齐特征的方法、装置、计算机设备和存储介质 | |
| CN114694209A (zh) | 视频处理方法、装置、电子设备及计算机存储介质 | |
| CN115424250A (zh) | 一种车牌识别方法及装置 | |
| Janiszewski et al. | Achieving statistical dependence of the CNN response on the input data distortion for OCR problem | |
| CN114897901B (zh) | 基于样本扩充的电池质量检测方法、装置和电子设备 |
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 |