CN112991313A - 图像质量的评估方法及装置、电子设备和存储介质 - Google Patents

图像质量的评估方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112991313A
CN112991313A CN202110336142.5A CN202110336142A CN112991313A CN 112991313 A CN112991313 A CN 112991313A CN 202110336142 A CN202110336142 A CN 202110336142A CN 112991313 A CN112991313 A CN 112991313A
Authority
CN
China
Prior art keywords
image
gray
area
determining
feature
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
CN202110336142.5A
Other languages
English (en)
Other versions
CN112991313B (zh
Inventor
冯雪
岳孟坤
张金松
唐云龙
王锦阳
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110336142.5A priority Critical patent/CN112991313B/zh
Publication of CN112991313A publication Critical patent/CN112991313A/zh
Application granted granted Critical
Publication of CN112991313B publication Critical patent/CN112991313B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10024—Color 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像质量的评估方法及装置、电子设备和存储介质，方法包括：获取待评估的灰度图像；对灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征；根据灰度特征、离散特征、面积特征以及权重系数矩阵，确定质量参考值，质量参考值用于评估所述灰度图像的图像质量。本公开实施例的图像质量的评估方法，结合灰度特征、离散特征以及面积特征对图像质量进行评估，能够提高评估结果的精确度。

Description

图像质量的评估方法及装置、电子设备和存储介质
技术领域
本公开涉及计量技术领域，尤其涉及一种图像质量的评估方法及装置、电子设备和存储介质。
背景技术
非接触式测量方法是指基于光测力学原理，通过获取材料或试件表面的数字图像并进行处理，实现包括变形场、应变场、温度场在内的参数和物理量的测量。非接触式测量方法高度依赖于所获取图像的质量，特别是在极端复杂环境下，环境对图像的质量影响不可忽视。
相关技术中，图像质量的评估精确度较低，影响非接触式测量方法的进一步发展。
发明内容
本公开提出了一种图像质量的评估技术方案。
根据本公开的一方面，提供了一种图像质量的评估方法，方法包括：
获取待评估的灰度图像；
对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征；
根据所述灰度特征、所述离散特征、所述面积特征以及权重系数矩阵，确定质量参考值，所述质量参考值用于评估所述灰度图像的图像质量。
在一种可能的实现方式中，所述获取待评估的灰度图像，包括：
获取图像采集装置采集的数字图像；
在所述数字图像为非灰度图像时，对所述数字图像进行灰度处理，得到所述待评估的灰度图像；
在所述数字图像为灰度图像时，将所述数字图像确定为所述待评估的灰度图像。
在一种可能的实现方式中，所述对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，包括：
对于所述灰度图像中的每个像素点，分别确定沿第一方向的第一灰度梯度以及沿第二方向的第二灰度梯度，并根据所述第一灰度梯度以及所述第二灰度梯度，确定像素点对应灰度梯度的向量的模；
根据所述灰度图像中每个像素点对应灰度梯度的向量的模以及所述灰度图像的尺寸信息，确定所述灰度特征。
在一种可能的实现方式中，所述对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，包括：
确定所述灰度图像的中心点位置；
对所述灰度图像进行二值化处理，并确定二值化处理后的灰度图像的多个连通域；
确定每个连通域的重心位置，并分别确定每个连通域的重心位置到所述中心点位置的目标距离；
根据所有目标距离以及所述连通域的个数，确定平均距离；
根据所述平均距离、所有目标距离以及所述连通域的个数，确定所述离散特征。
在一种可能的实现方式中，所述对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，包括：
对所述灰度图像进行二值化处理，并确定二值化处理后的灰度图像的多个连通域；
确定所述连通域的个数、每个连通域的面积、所述连通域的总面积以及所有连通域的平均面积；
在存在有连通域的面积与所述平均面积不相等时，根据每个连通域的面积、平均面积以及连通域的个数，确定所述面积特征；
在每个连通域的面积与所述平均面积均相等时，根据所述连通域的总面积以及所述连通域的个数，确定所述面积特征。
在一种可能的实现方式中，所述权重系数矩阵包括与所述灰度特征对应的第一权重系数、与所述离散特征对应的第二权重系数以及与所述面积特征对应的第三权重系数，
其中，所述第一权重系数大于或等于0且小于或等于1，所述第二权重系数大于或等于0且小于或等于1，所述第三权重系数大于或等于-1且小于或等于0。
在一种可能的实现方式中，所述第一权重系数大于或等于所述第二权重系数，所述第一权重系数大于或等于所述第三权重系数的绝对值。
根据本公开的另一方面，提供了一种图像质量的评估装置，所述装置包括：
图像获取模块，用于获取待评估的灰度图像；
特征提取模块，用于对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征；
确定模块，用于根据所述灰度特征、所述离散特征、所述面积特征以及权重系数矩阵，确定质量参考值，所述质量参考值用于评估所述灰度图像的图像质量。
根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述图像质量的评估方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述图像质量的评估方法。
本公开实施例的图像质量的评估方法，获取待评估的灰度图像，对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，并根据所述灰度特征、所述离散特征、所述面积特征以及权重系数矩阵，确定用于评估所述灰度图像的质量参考值，通过结合多种特征对图像质量进行评估，能够提高评估结果的精确度。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的图像质量的评估方法的流程图。
图2示出根据本公开一实施例的4张灰度图像的示意图。
图3示出根据本公开一实施例的图像质量的评估装置的框图。
图4示出根据本公开一实施例的图像质量的评估装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在航空航天、燃气轮机等领域，在极端复杂环境下进行关键参数和物理量的测量，对于指导材料选择、部件设计和应用具有非常重要的意义。非接触式测量方法是指基于光测力学原理，通过获取材料/试件表面的数字图像并进行处理(多为通过图像灰度特征提取特征信息)，实现包括变形场、应变场、温度场在内的参数和物理量的测量。与接触式测量相比，非接触式测量方法具有全场、非接触、对元器件要求相对较低等优势，得到了广泛研究和应用。
但是，非接触式测量方法高度依赖于所获取的数字图像的质量，特别是在极端复杂环境下，环境对数字图像的质量影响不可忽视。以高温环境为例，其强光辐射、气流扰动等问题，都将对数字图像的成像产生重要影响，甚至导致测量失败。对于数字图像处理而言，区域特征是代表图像质量的重要标志。因此，需要提供一种数字图像质量评估方法，对数字图像质量进行先验性的评估，进而指导对材料表面进行针对性设计，例如，合理设计材料表面物理特征，从而实现对图像特征的优化。
为解决上述问题，本公开提供了一种图像质量的评估方法，根据数字图像处理的基本原理，对影响数字图像质量的敏感性因素(例如，灰度特征、离散特征、面积特征)进行定量化计算，并提供质量参考值的确定方式，质量参考值可以用于确定图像质量。本公开实施例提供的方法简洁有效，具有广泛的适用性，且解决相关技术中图像质量评估不准的问题，有效提升了数字图像质量评估的效力。本发明弥补了数字图像特别是在极端复杂环境所获取的数字图像的质量评估方法的不足，为数字图像质量评估提供了有力的技术支撑。
图1示出根据本公开一实施例的图像质量的评估方法的流程图。如图1所示，该方法包括：
在步骤S11中，获取待评估的灰度图像；
在步骤S12中，对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征；
在步骤S13中，根据所述灰度特征、所述离散特征、所述面积特征以及权重系数矩阵，确定质量参考值，所述质量参考值用于评估所述灰度图像的图像质量。
其中，质量参考值与灰度图像的图像质量正相关，质量参考值越大，则灰度图像的图像质量越高，基于灰度图像，计算得到的位移场、应变场精度越高。
本公开实施例的图像质量的评估方法，结合灰度特征、离散特征以及面积特征对图像质量进行综合评估，根据灰度特征、离散特征、面积特征以及权重系数矩阵，确定用于评估所述灰度图像的图像质量的质量参考值，能够提高评估结果的精确度。
举例来说，待评估的灰度图像可以是图像采集装置(例如，高分辨率CMOS相机)采集的被测物体表面的图像。例如，可以是图像采集装置获取被测物体表面的数字信息，并转化为的数字图像。其中，图像采集装置包括但不限于工业CCD相机、CMOS相机、各类显微成像设备及其他数据采集装置。对于非光电成像类设备，可以将所获取数据转化为灰度图像，以进行图像质量评估。
其中，被测物体(例如，镍基高温合金拉伸件)表面涂覆特征点(散斑)。例如，可以是采用包括自制散斑、高温漆喷涂等方式对被测物体的表面进行处理，得到表面涂覆特征点的被测物体。
图2示出根据本公开一实施例的4张灰度图像的示意图。如图2所示，包括4张灰度图像，其中，4张灰度图像是对具有不同特征信息的被测物体表面进行图像采集并确定的灰度图像。
在一种可能的实现方式中，获取待评估的灰度图像，可以包括：
获取图像采集装置采集的数字图像；
在所述数字图像为非灰度图像时，对所述数字图像进行灰度处理，得到所述待评估的灰度图像；
在所述数字图像为灰度图像时，将所述数字图像确定为所述待评估的灰度图像。
举例来说，图像采集装置采集的数字图像可以包括灰度图像和非灰度图像。在数字图像为灰度图像时，可以将该数字图像确定为待评估的灰度图像。在数字图像为非灰度图像时，例如，采集得到的数字图像为彩色图像时，可以对该数字图像进行灰度处理，得到待评估的灰度图像。其中，对数字图像进行灰度可以处理，可以是确定数字图像中每个像素的灰度值，从而将数字图像转换为灰度图像，本公开对确定灰度图像的方式不做限制。
通过这种方式，可以确定待评估的灰度图像，从而能够对灰度图像进行灰度特征、离散特征以及面积特征的提取，进而进行图像质量的评估。
在一些可选的实施例中，对数字图像进行灰度处理，可以包括：
对于数字图像的每个像素点，根据所述像素点每个颜色通道的灰阶值以及每个颜色通道的权重值，确定所述像素点的灰度值；
根据所述数字图像的所有像素点的灰度值，确定所述灰度图像。
举例来说，可以基于公式(1)确定每个像素点的灰度值：
I(xi,yj)＝0.3IR(xi,yj)+0.59IG(xi,yj)+0.11IB(xi,yj) (1)
其中，IR(xi,yj)，IG(xi,yj)，IB(xi,yj)分别为数字图像中第(xi,yj)个像素点对应红、绿、蓝这三个颜色通道的灰阶值。I(xi,yj)为确定的灰度图像的第(xi,yj)个像素点的灰度值。其中，0＜xi＜W,0＜yj＜H,xi∈Z，yj∈Z，其中W,H分别代表灰度图像的宽度和高度，例如，W,H分别为1200和200。其中，0.3为示例性的红色通道的权重值，0.59为示例性的绿色通道的权重值，0.11为示例性的蓝色通道的权重值。每个颜色通道的权重值可以灵活设置，所有颜色通道的权重值之和可以为1，本公开对此不做限制。
这样，能够在图像采集装置采集的数字图像为非灰度图像时，将该数字图像转为灰度图像，例如，转为8位灰度图像，灰度范围为0到255，以进行后续的特征提取，并进行图像质量评估。
其中，对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征。
其中，灰度特征、离散特征及面积特征分别为可以用于进行图像质量评估的特征。灰度特征可以包括灰度梯度、离散特征可以包括离散梯度、面积特征可以包括面积梯度，本公开对提取灰度特征、离散特征和面积特征的方式以及各类特征的表现形式均不做限制。
在一种可能的实现方式中，对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，可以包括：
对于所述灰度图像中的每个像素点，分别确定沿第一方向的第一灰度梯度以及沿第二方向的第二灰度梯度，并根据所述第一灰度梯度以及所述第二灰度梯度，确定像素点对应灰度梯度的向量的模；
根据所述灰度图像中每个像素点对应灰度梯度的向量的模以及所述灰度图像的尺寸信息，确定所述灰度特征。
在一些可选的实施例中，可以采用中心差分或二阶差分法确定每个像素点沿第一方向的第一灰度梯度以及沿第二方向的第二灰度梯度。灰度图像的尺寸信息可以包括灰度图像的宽度和高度。
举例来说，以灰度特征为灰度梯度，x方向为第一方向，y方向为第二方向为例，可以基于公式(2)采用中心差分法确定第一灰度梯度以及第二灰度梯度：
Figure BDA0002997741770000081
其中，fx(xi,yj)，fy(xi,yj)分别为像素点(xi,yj)处沿x方向的第一灰度梯度和y方向的第二灰度梯度。其中，0＜xi＜W,0＜yj＜H,xi∈Z，yj∈Z，其中W,H分别代表灰度图像的宽度和高度。f(xi,yj)为像素点(xi,yj)处的灰度值。
在一些可选的实施例中，可以基于公式(3)确定灰度图像的灰度特征：
Figure BDA0002997741770000082
其中，
Figure BDA0002997741770000083
为像素点(xi,yj)对应灰度梯度的向量的模，δMIG为灰度图像的灰度特征。
通过这种方式，可以确定灰度图像的灰度特征，以进行图像质量评估。较大的灰度特征值代表在每个像素点处有较大的灰度梯度变化，可以理解为图像具有高对比度，灰度特征值与数字图像质量正相关，灰度特征值越大，图像质量越高。本公开对确定灰度特征的方式不做限制。
在一种可能的实现方式中，对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，可以包括：
确定所述灰度图像的中心点位置；
对所述灰度图像进行二值化处理，并确定二值化处理后的灰度图像的多个连通域；
确定每个连通域的重心位置，并分别确定每个连通域的重心位置到所述中心点位置的目标距离；
根据所有目标距离以及所述连通域的个数，确定平均距离；
根据所述平均距离、所有目标距离以及所述连通域的个数，确定所述离散特征。
举例来说，离散特征可以包括离散梯度，可以根据灰度图像的尺寸信息，确定中心点位置(w，h)。其中，w可以是根据灰度图像的宽度W/2并取整确定的，h可以是根据灰度图像的宽度H/2并取整确定的。
可以将灰度图像进行二值化处理，例如，二值化后的灰度图像中，每个像素值为0或1。可以确定二值化处理后的灰度图像的N个连通域，其中，连通域可以理解为特征区域。例如，可以采用4邻域联通或8邻域联通模版，确定数字图像中的连通域。
可以确定每个连通域的重心位置，并分别确定每个连通域的重心位置到所述中心点位置的目标距离，例如，可以基于公式(4)确定第k个连通域重心位置到中心点位置的目标距离：
Figure BDA0002997741770000091
其中，dk为第k个连通域的重心位置(wk，hk)到中心点位置(w，h)。的目标距离。其中，0<k≤N，k为整数。
可以根据所有目标距离以及所述连通域的个数，确定平均距离
Figure BDA0002997741770000093
并基于公式(5)确定离散特征：
Figure BDA0002997741770000092
其中，δMDG为灰度图像的离散特征。
通过这种方式，可以确定灰度图像的离散特征，以进行图像质量评估。较大的离散特征值意味着特征区域离散程度较大，有助于更好地对局部特征进行描述。离散特征值与数字图像质量正相关，离散特征值越大，数字图像质量越高。本公开对确定离散特征的方式不做限制。
在一种可能的实现方式中，对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，可以包括：
对所述灰度图像进行二值化处理，并确定二值化处理后的灰度图像的多个连通域；
确定所述连通域的个数、每个连通域的面积、所述连通域的总面积以及所有连通域的平均面积；
在存在有连通域的面积与所述平均面积不相等时，根据每个连通域的面积、平均面积以及连通域的个数，确定所述面积特征；
在每个连通域的面积与所述平均面积均相等时，根据所述连通域的总面积以及所述连通域的个数，确定所述面积特征。
如前所述，可以对所述灰度图像进行二值化处理，并确定二值化处理后的灰度图像的多个连通域，例如N个连通域，在此不再赘述。
可以确定所述连通域的个数N、每个连通域的面积(例如，第k个连通域的面积Ak，0<k≤N)、所述连通域的总面积A以及所有连通域的平均面积
Figure BDA0002997741770000101
在存在
Figure BDA0002997741770000102
时，例如，每个连通域的面积与所述平均面积均相等时，可以根据所述连通域的总面积以及所述连通域的个数，确定所述面积特征。例如，可以将A/N确定为所述面积特征。
在存在
Figure BDA0002997741770000103
时，可以根据每个连通域的面积、平均面积以及连通域的个数，确定所述面积特征。例如，可以基于公式(6)确定面积特征。
Figure BDA0002997741770000104
其中，δMAG为灰度图像的面积特征。
通过这种方式，可以确定灰度图像的面积特征，以进行图像质量评估。较大的面积特征值意味着特征区域个数较少，且面积存在过大或过小值。面积特征值与图像质量负相关，面积特征值越大，数字图像质量越低。本公开对确定面积特征的方式不做限制。
在一种可能的实现方式中，根据所述灰度特征、所述离散特征、所述面积特征以及权重系数矩阵，确定质量参考值，所述质量参考值用于评估所述灰度图像的图像质量。
其中，所述权重系数矩阵可以包括与所述灰度特征对应的第一权重系数、与所述离散特征对应的第二权重系数以及与所述面积特征对应的第三权重系数。其中，权重系数矩阵中每个权重系数可以根据图像质量评估的应用场景、图像特征进行灵活设置，本公开对此不做限制。
举例来说，可以基于公式(7)确定质量参考值：
δ＝[c1 c2 c3]·[δMIG δMDG δMAG]T (7)
其中，c1为第一权重系数，c2为第二权重系数，c3为第三权重系数，δ为质量参考值。
通过这种方式，结合灰度特征、离散特征以及面积特征对图像质量进行综合评估，根据灰度特征、离散特征、面积特征以及权重系数矩阵，确定用于评估所述灰度图像的图像质量的质量参考值，能够提高评估结果的精确度。
在一种可能的实现方式中，所述第一权重系数大于或等于0且小于或等于1，所述第二权重系数大于或等于0且小于或等于1，所述第三权重系数大于或等于-1且小于或等于0。
如前所述，灰度特征值以及离散特征值越大，图像质量越高，面积特征值越大，图像质量越低，将权重系数矩阵中的各权重系数的取值设置为：c1,c2∈[0,1],c3∈[-1,0]，可以使得根据灰度特征、离散特征、面积特征以及权重系数矩阵，确定的质量参考值能够有效评价图像质量，质量参考值越大，图像质量越高。
在一种可能的实现方式中，所述第一权重系数大于或等于所述第二权重系数，所述第一权重系数大于或等于所述第三权重系数的绝对值。
举例来说，c1＞c2且c1＞|c3|。例如，c1为0.6，c2为0.2，c3为-0.2。灰度特征对图像质量评估的影响效力较大，可以通过设置第一权重系数大于或等于所述第二权重系数，所述第一权重系数大于或等于所述第三权重系数的绝对值，提高灰度特征对质量参考值的影响比例，从而提高质量参考值的评估效力以及普适性。
通过这种方式，合理设置灰度特征、离散特征、面积特征分别对应的权重系数，提高质量参考值的评价效力。其中，质量参考值越大，基于数字图像处理的变形场计算的随机误差越小，图像质量越优。
在一种可能的实现方式中，可以通过开展单轴拉伸实验或基于MATLAB等软件的模拟图像拉伸实验，并采用基于数字图像处理的变形场计算方法，对图像质量的评估结果及误差进行计算分析，验证本公开提供的图像质量的评估方法的有效性。
需要说明的是，本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定。
图3示出根据本公开一实施例的图像质量的评估装置的框图。如图3所示，该装置包括：
图像获取模块21，用于获取待评估的灰度图像；
特征提取模块22，用于对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征；
确定模块23，用于根据所述灰度特征、所述离散特征、所述面积特征以及权重系数矩阵，确定质量参考值，所述质量参考值用于评估所述灰度图像的图像质量。
本公开提供了一种图像质量的评估方法，根据数字图像处理的基本原理，对影响数字图像质量的敏感性因素(例如，灰度特征、离散特征、面积特征)进行定量化计算，并提供数字图像质量参考值的确定方式，质量参考值可以用于确定图像质量。本公开实施例提供的方法简洁有效，具有广泛的适用性，且解决相关技术中图像质量评估不准的问题，有效提升了数字图像质量评估的效力。本发明弥补了数字图像，特别是在极端复杂环境所获取的数字图像的质量评估方法的不足，为数字图像质量评估提供了有力的技术支撑。
图4示出根据本公开一实施例的图像质量的评估装置的框图。例如，装置1900可以被提供为一服务器。参照图4，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像质量的评估方法，其特征在于，所述方法包括：
获取待评估的灰度图像；
对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征；
根据所述灰度特征、所述离散特征、所述面积特征以及权重系数矩阵，确定质量参考值，所述质量参考值用于评估所述灰度图像的图像质量。
2.根据权利要求1所述的方法，其特征在于，所述获取待评估的灰度图像，包括：
获取图像采集装置采集的数字图像；
在所述数字图像为非灰度图像时，对所述数字图像进行灰度处理，得到所述待评估的灰度图像；
在所述数字图像为灰度图像时，将所述数字图像确定为所述待评估的灰度图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，包括：
对于所述灰度图像中的每个像素点，分别确定沿第一方向的第一灰度梯度以及沿第二方向的第二灰度梯度，并根据所述第一灰度梯度以及所述第二灰度梯度，确定像素点对应灰度梯度的向量的模；
根据所述灰度图像中每个像素点对应灰度梯度的向量的模以及所述灰度图像的尺寸信息，确定所述灰度特征。
4.根据权利要求1所述的方法，其特征在于，所述对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，包括：
确定所述灰度图像的中心点位置；
对所述灰度图像进行二值化处理，并确定二值化处理后的灰度图像的多个连通域；
确定每个连通域的重心位置，并分别确定每个连通域的重心位置到所述中心点位置的目标距离；
根据所有目标距离以及所述连通域的个数，确定平均距离；
根据所述平均距离、所有目标距离以及所述连通域的个数，确定所述离散特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征，包括：
对所述灰度图像进行二值化处理，并确定二值化处理后的灰度图像的多个连通域；
确定所述连通域的个数、每个连通域的面积、所述连通域的总面积以及所有连通域的平均面积；
在存在有连通域的面积与所述平均面积不相等时，根据每个连通域的面积、平均面积以及连通域的个数，确定所述面积特征；
在每个连通域的面积与所述平均面积均相等时，根据所述连通域的总面积以及所述连通域的个数，确定所述面积特征。
6.根据权利要求1所述的方法，其特征在于，所述权重系数矩阵包括与所述灰度特征对应的第一权重系数、与所述离散特征对应的第二权重系数以及与所述面积特征对应的第三权重系数，
其中，所述第一权重系数大于或等于0且小于或等于1，所述第二权重系数大于或等于0且小于或等于1，所述第三权重系数大于或等于-1且小于或等于0。
7.根据权利要求6所述的方法，其特征在于，所述第一权重系数大于或等于所述第二权重系数，所述第一权重系数大于或等于所述第三权重系数的绝对值。
8.一种图像质量的评估装置，其特征在于，所述装置包括：
图像获取模块，用于获取待评估的灰度图像；
特征提取模块，用于对所述灰度图像分别进行特征提取，确定所述灰度图像的灰度特征、离散特征及面积特征；
确定模块，用于根据所述灰度特征、所述离散特征、所述面积特征以及权重系数矩阵，确定质量参考值，所述质量参考值用于评估所述灰度图像的图像质量。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202110336142.5A 2021-03-29 2021-03-29 图像质量的评估方法及装置、电子设备和存储介质 Active CN112991313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110336142.5A CN112991313B (zh) 2021-03-29 2021-03-29 图像质量的评估方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110336142.5A CN112991313B (zh) 2021-03-29 2021-03-29 图像质量的评估方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112991313A true CN112991313A (zh) 2021-06-18
CN112991313B CN112991313B (zh) 2021-09-14

Family

ID=76338081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110336142.5A Active CN112991313B (zh) 2021-03-29 2021-03-29 图像质量的评估方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112991313B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742833A (zh) * 2022-06-13 2022-07-12 济宁圣城化工实验有限责任公司 一种用于磷化铝片剂生产的物料粉碎效果评估方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104864819A (zh) * 2015-01-19 2015-08-26 华中科技大学 一种基于数字散斑的高速三维应变测量方法
CN107481238A (zh) * 2017-09-20 2017-12-15 众安信息技术服务有限公司 图像质量评估方法及装置
CN110838119A (zh) * 2019-11-15 2020-02-25 珠海全志科技股份有限公司 人脸图像质量评估方法、计算机装置及计算机可读存储介质
CN111160284A (zh) * 2019-12-31 2020-05-15 苏州纳智天地智能科技有限公司 人脸照片质量评估方法、系统、设备及存储介质
US20200160403A1 (en) * 2010-11-18 2020-05-21 Ebay Inc. Image quality assessment to merchandise an item
CN111401324A (zh) * 2020-04-20 2020-07-10 Oppo广东移动通信有限公司 图像质量评估方法、装置、存储介质及电子设备
CN111598884A (zh) * 2020-05-21 2020-08-28 北京世纪好未来教育科技有限公司 图像数据处理方法、设备及计算机存储介质
CN112561878A (zh) * 2020-12-15 2021-03-26 黑龙江大学 基于加权融合的手指静脉图像质量评价方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200160403A1 (en) * 2010-11-18 2020-05-21 Ebay Inc. Image quality assessment to merchandise an item
CN104864819A (zh) * 2015-01-19 2015-08-26 华中科技大学 一种基于数字散斑的高速三维应变测量方法
CN107481238A (zh) * 2017-09-20 2017-12-15 众安信息技术服务有限公司 图像质量评估方法及装置
CN110838119A (zh) * 2019-11-15 2020-02-25 珠海全志科技股份有限公司 人脸图像质量评估方法、计算机装置及计算机可读存储介质
CN111160284A (zh) * 2019-12-31 2020-05-15 苏州纳智天地智能科技有限公司 人脸照片质量评估方法、系统、设备及存储介质
CN111401324A (zh) * 2020-04-20 2020-07-10 Oppo广东移动通信有限公司 图像质量评估方法、装置、存储介质及电子设备
CN111598884A (zh) * 2020-05-21 2020-08-28 北京世纪好未来教育科技有限公司 图像数据处理方法、设备及计算机存储介质
CN112561878A (zh) * 2020-12-15 2021-03-26 黑龙江大学 基于加权融合的手指静脉图像质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SIHAN HAO ET AL.: "A Weighted Mean Absolute Error Metric for Image Quality Assessment", 《PROCEEDINGS OF THE 2020 IEEE INTERNATIONAL CONFERENCE ON VISUAL COMMUNICATIONS AND IMAGE PROCESSING (VCIP)》 *
晁静静 等: "基于多指标融合的虹膜图像质量评估方法", 《仪表技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742833A (zh) * 2022-06-13 2022-07-12 济宁圣城化工实验有限责任公司 一种用于磷化铝片剂生产的物料粉碎效果评估方法
CN114742833B (zh) * 2022-06-13 2022-08-23 济宁圣城化工实验有限责任公司 一种用于磷化铝片剂生产的物料粉碎效果评估方法

Also Published As

Publication number Publication date
CN112991313B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
US11276158B2 (en) Method and apparatus for inspecting corrosion defect of ladle
Grediac et al. 50th anniversary article: effect of sensor noise on the resolution and spatial resolution of displacement and strain maps estimated with the grid method
CN106839976B (zh) 一种检测镜头中心的方法及装置
CN114782451B (zh) 工件缺陷检测方法、装置、电子设备及可读存储介质
CN103389310B (zh) 一种基于辐射标定的亚像素光学元件损伤在线检测方法
CN112991313B (zh) 图像质量的评估方法及装置、电子设备和存储介质
US11846498B2 (en) Displacement amount measuring device, displacement amount measuring method, and recording medium
KR102026427B1 (ko) 스마트폰을 이용한 콘크리트 균열 측정 방법
CN113532548B (zh) 一种高温环境下温度变形同步测量系统和方法
CN116433661B (zh) 多任务学习的半导体晶圆检测方法、装置、设备及介质
JP2022105442A (ja) 情報処理装置、情報処理方法およびプログラム
US8855401B2 (en) Methods and systems involving measuring complex dimensions of silicon devices
CN107862679B (zh) 图像检测区域的确定方法及装置
WO2019246212A1 (en) System and method for obtaining and analyzing flux leakage data in the inspection of oil and gas wells
JP6818263B2 (ja) 破面解析装置および破面解析方法
CN114323585A (zh) 批量计算调制传递函数的方法、电子设备及存储介质
Han Crack detection of UAV concrete surface images
CN111062920A (zh) 用于生成半导体检测报告的方法及装置
Ercan et al. Deep learning for accurate corner detection in computer vision-based inspection
CN111241614A (zh) 基于条件生成对抗网络模型的工程结构荷载反演方法
Li et al. Super-sensitivity incoherent optical methods for full-field displacement measurements
Sabouri et al. A novel approach for automatic asphalt pavement crack length estimation
Chmielińska et al. Application of matlab for automatic reading of analogue measuring instruments
Kostrin et al. Application of an Automated Optoelectronic System for Determining Position of an Object
CN112863408B (zh) 屏幕分辨率的检测方法和装置

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