CN115511814A - 一种基于兴趣区域多纹理特征融合的图像质量评价方法 - Google Patents
一种基于兴趣区域多纹理特征融合的图像质量评价方法 Download PDFInfo
- Publication number
- CN115511814A CN115511814A CN202211139826.7A CN202211139826A CN115511814A CN 115511814 A CN115511814 A CN 115511814A CN 202211139826 A CN202211139826 A CN 202211139826A CN 115511814 A CN115511814 A CN 115511814A
- Authority
- CN
- China
- Prior art keywords
- image
- pollen
- texture
- gray
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 89
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000013139 quantization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 12
- 239000012535 impurity Substances 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 239000008187 granular material Substances 0.000 claims description 2
- 230000000699 topical effect Effects 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 230000005764 inhibitory process Effects 0.000 claims 1
- 208000026935 allergic disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 208000035285 Allergic Seasonal Rhinitis Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010048908 Seasonal allergy Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 201000004338 pollen allergy Diseases 0.000 description 1
- 230000005180 public health Effects 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
- G06T7/0002—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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
一种基于兴趣区域多纹理特征融合的图像质量评价方法属于计算机视觉领域。本发明有针对性的关注局部花粉颗粒的纹理信息作为整张图像的质量分数。该模型的流程模块包括图像预处理模块、局部花粉颗粒提取模块、多纹理特征量化指标提取模块和质量评价最终得分模块。结果显示，我们提出的流程和解决方案关注局部花粉颗粒感兴趣区域的效果，可以更好感知花粉数据的质量。
Description
技术领域
本发明涉及一种基于兴趣区域多纹理特征融合的图像质量评价方法，属于计算机视觉领域。
背景技术
过敏性疾病是一个主要的公开卫生问题，花粉是致使人体过敏的诱因之一。专家往往利用人工计数的方法检测空气中花粉的浓度，以此来保证花粉过敏患者的正常生活。随着图像数字化设备的发展，如今引入了自动化识别手段。自动化识别中最重要的步骤就是利用仪器生成数字化数据。然而，由于焦平面的不同会导致样本出现成像模糊的情况，花粉数据质量随之变的各不相同，而数据的质量严重影响着分类网络的性能，人工挑选高质量数据费时费力，所以急需一种自动化的图像质量评价方法，保留高质量图像。本文提出基于兴趣区域多纹理特征融合的图像质量评价方法，以此筛选高质量数据。
程德强，邵丽蓉[1]等人提出了一种基于显著性的无参考模糊图像质量评价方法。程姗，曾焕强[2]等人提出一种基于特征融合的无参考屏幕图像质量评价。综上可以看出，现有图像质量评价方法大多针对一般的自然图像进行评价，并不能针对全局图像中备受关注的特定局部目标物进行质量感知。参考文献：
[1]程德强,邵丽蓉,刘威龙,张剑英,游大磊.基于显著性的无参考模糊图像质量评价[J].电视技术,2018,42(07):1-4.DOI:10.16280/j.videoe.2018.07.001.
[2]程姗,曾焕强,陈婧,田钰,蔡灿辉.基于特征融合的无参考屏幕图像质量评价[J].信号处理,2019,35(03):419-425.DOI:10.16798/j.issn.1003-0530.2019.03.013.
如附图1所示，花粉数据具有以下特点：
1)花粉图像尺寸很大。其中，花粉颗粒面积占比很小，只在局部出现。
2)花粉图像的质量信息与纹理信息密不可分，纹理越清晰，质量往往越好，所以纹理信息对于花粉颗粒质量分析至关重要。
纹理信息是关注的重点内容，同时，也是一种有组织结构的区域现象，它与图像中的亮度变化相关，可以被人眼所感知，纹理特征还有比较好的表征图像质量水平的能力。针对花粉图像的特点，人们往往更关注于花粉图像感兴趣区域的特征，也就是局部花粉颗粒区域的图像质量，所以对花粉颗粒区域运用多种纹理方法融合进行纹理特征分析，以此来感知花粉图像的质量，从而提高花粉图像质量评价的准确性。
发明内容
现有图像质量评价方法大都只适用于一般的自然图像进行评价，然而，花粉图像尺寸大，杂质、气泡等不受关注的背景面积大，同时，重点关注花粉图像中的花粉颗粒感兴趣区域。花粉颗粒图像的质量信息与纹理信息密不可分，纹理越清晰，质量越好。本发明针对此问题，设计了一种基于兴趣区域多纹理特征融合的图像质量评价方法，具体而言，多张花粉图像的质量预测值由每一张花粉图像中的一个或多个局部花粉颗粒感兴趣区域的多纹理特征组合决定。多纹理特征融合避免了单一纹理特征的局限性和偶然性。结果显示，提出的流程和解决方案关注局部花粉颗粒感兴趣区域的效果，可以更好感知花粉数据的质量。
本发明采用如下技术方案：有针对性的关注局部花粉颗粒的纹理信息作为整张图像的质量分数。该模型的流程模块包括图像预处理模块、局部花粉颗粒提取模块、多纹理特征量化指标提取模块和质量评价最终得分模块。
本发明的具体方案如附图2所示。
在图像预处理模块中，将大尺度图像进行裁剪、筛选，获取多层最优尺寸花粉图像。然后进行图像配准操作，达到多层最优尺寸花粉图片中花粉颗粒在空间位置上对准的效果。
在局部花粉颗粒提取模块中，提取最优尺寸花粉图像中所有的局部花粉颗粒感兴趣区域，首先对图像去噪，达到平滑图像的效果。其次经边缘检测操作检测到明显的边缘，然后检测圆形轮廓识别出类圆形目标物，之后利用颜色识别排除其中的类圆形气泡和杂质。最终通过计算花粉最小矩形轮廓收集到花粉颗粒图像。
在多纹理特征量化指标提取模块中，运用多种不同的纹理方法提取花粉颗粒图像的纹理特征指标。首先进行图像灰度转换，为纹理提取做准备，然后利用多种纹理方法中不同的纹理特征进行纹理提取，最后归一化纹理特征指标，消除奇异数据的不良影响。
在质量评价最终得分模块中，将归一化的纹理指标进行分权融合，将其作为单张花粉颗粒的质量分数。然后将花粉图像中所有的花粉颗粒的质量分数进行分权整合，将其作为整张花粉图像的质量分数输出。
与已有技术相比，本发明有益效果在于：
一、本发明采用的基于兴趣区域多纹理特征融合的图像质量评价方法，通过局部目标物纹理细节信息感知整体质量信息，使得质量评价模型更突出感兴趣区域。
二、本发明采用的基于兴趣区域多纹理特征融合的图像质量评价方法，利用多种纹理提取方法选取效果较好的纹理特征指标，以此来感知质量信息，使得质量评价模型预测的更为精准。
三、本发明采用的基于兴趣区域多纹理特征融合的图像质量评价方法，使用图像处理方法提取出图像中所有目标信息，对每个局部目标分别进行纹理信息收集后，采用归一化和权值均分策略感知单张花粉颗粒图像质量，再次使用权值均分策略感知整张花粉图像质量，使得该模型预测值较准确。
附图说明
图1为最优尺寸花粉图像示例图。
图2为本发明提出的方法的模型图。
具体实施方式
以下结合说明书附图，对本发明的实施实例加以详细说明：
本发明是一种基于兴趣区域多纹理特征融合的图像质量评价方法，该方法将局部花粉颗粒区域的纹理特征加权融合感知整张图像的质量分数。该图像质量评价具体流程为：1.图像预处理，对多层花粉图像的空间位置进行图像配准操作。2.局部花粉颗粒提取，首先对花粉图像的边缘特征进行边缘检测，其次针对花粉颗粒的圆形或椭圆性轮廓特征进行检测并提取圆形轮廓，最后根据颜色特征排除与花粉颗粒具有类似轮廓特征的气泡和杂质，采用形态学操作等图像处理方法提取出花粉图像中所有花粉颗粒图像。3.多纹理特征量化指标提取，首先，从多种纹理方法提取的纹理特征指标中选取效果较好的指标。然后针对花粉图像中每张花粉颗粒图像，利用选取的纹理指标进行纹理特征提取，最后针对每个提取的纹理指标进行归一化操作。4.计算质量评价最终得分，首先使用加权策略求每张花粉颗粒图片的总纹理特征分数，将其作为单张花粉颗粒图像的质量分数。然后将所有花粉颗粒图像得分均权求得整张花粉图像的最终质量分数。
具体地，该方法包括以下步骤：
步骤1：图像预处理
将大尺度图像进行裁剪、筛选，获取多层最优尺寸花粉图像。之后对其进行图像配准操作，最终获得花粉颗粒在空间位置上的对准的多层最优尺寸花粉图像。
步骤2：局部花粉颗粒提取
针对最优尺寸花粉图像中所有的局部花粉颗粒感兴趣区域进行提取，此步骤输入为最优尺寸花粉图像，输出结果是最优尺寸花粉图像中所有花粉颗粒图像。
步骤2.1图像去噪：首先，进行平滑花粉颗粒图像的操作，目的是减少图像中的噪声点。然后对图像进行核为11×11高斯模糊的操作，达到去除花粉图像中背景噪声的效果。
步骤2.2边缘检测：首先计算图像梯度幅度和方向，得到可能的边缘集合。其次对梯度幅度进行非极大值抑制，将非极大值所对应的灰度值置0，保留灰度变化明显的边缘。最后利用双阈值筛选的操作去除假阳性。具体来讲，将灰度值小于30的象素点认为是假边缘置0，将灰度值大于100的象素点认为是强边缘置1，介于中间的像素点需进行进一步的检查。以此保留细线条边缘并排除非边缘像素。
步骤2.3检测圆形轮廓：在上一步边缘检测的基础上，利用霍夫变换调整阈值检测类圆形轮廓的方法检测花粉图像中类圆形目标物，最终获取到类圆形的花粉颗粒、气泡和杂质。根据专家的指导，发现在最优尺寸花粉图片中，花粉颗粒的直径通常大于50象素，所以去除直径小于50象素的圆形轮廓信息，进一步减少了气泡和杂质信息。
步骤2.4排除气泡与杂质：为了排除图像中圆形轮廓中存在的气泡和杂质，根据花粉颗粒染色后呈现粉色的特征，将RGB颜色空间转换到HSV颜色空间，设定(0,0,100)到(180,30,255)阈值范围(不同颜色特征的图像有着不同阈值范围，其他颜色可查询HSV颜色表调整阈值)，筛选出花粉颗粒。
步骤2.5收集花粉颗粒：首先计算包含花粉轮廓的最小矩形，然后收集花粉图像中的最小矩形，最终得到所有花粉颗粒图像。将一张花粉图片中所有局部花粉颗粒图像的总数设为L_sum。
步骤3：多纹理特征量化指标提取
运用多种不同的纹理方法提取纹理特征指标。此模块的输入是上一阶段得到的花粉颗粒图像，输出是花粉颗粒图像中提取的归一化后的纹理特征指标。
步骤3.1图像灰度转换：首先将花粉颗粒图像灰度化，为下一步纹理特征的提取做准备。
步骤3.2多纹理特征提取：由于不同纹理提取方法提取的纹理特征不同，效果也不相同。选取了更能突出纹理效果的指标作为纹理特征提取指标。这些指标包括Tamura纹理特征中粗糙度和对比度，GLRLM中的高灰度运行强调、短期高灰度强调、长期低灰度强调，基于灰度共生矩阵(GLCM)的二阶统计中的对比度、相异性、同质性。
正相关指标包括：Tamura纹理特征中的对比度，GLRLM中的高灰度运行强调、短期高灰度强调，基于灰度共生矩阵(GLCM)的二阶统计中的对比度、相异性。
负相关指标包括：Tamura纹理特征中粗糙度，GLRLM中的长期低灰度强调，基于灰度共生矩阵(GLCM)的二阶统计中的同质性。
此外，针对GLRLM和GLCM中选取的指标取不同方向的均值。因为不同方向上提取到的纹理信息内容不相同，反映的情况也不相同，所以选取了四个不同的方向提取纹理信息，综合的反映花粉颗粒的纹理特征信息。
Tamura纹理特征中粗糙度描述花粉颗粒图像的粗糙程度。基元重复次数越少，粗糙程度越大。具体计算方法如下：
式(1)中，Ak(x,y)代表大小为2kx2k的矩形窗口中每个象素点的亮度均值，(x,y)代表所选窗口在整张图像中的位置，g(i,j)代表选定窗口中第(i,j)点的象素亮度值，k值确定象素范围。
Ek,h＝|Ak(x+2k-1,y)-Ak(x-2k-1,y)| (2)
Ek,v＝|Ak(x,y+2k-1)-Ak(x,y-2k-1)| (3)
Sbest(x,y)＝2k (4)
Ek＝Emax＝max(E1,E2,…,Eh) (5)
式(2)中，Ek,h代表像素点对应水平方向的差值。式(3)中，Ek,v代表像素点对应垂直方向的差值。式(4)中，Sbest代表能使E值达到最大的最佳尺寸。Ek代表任何方向都能使E达到最大值的k，如式(5)所示。式(6)中，花粉图像的粗糙度Fcrs通过计算整张图像中Sbest的平均值得到。其中，m和n为图像的长度和宽度。
Tamura纹理特征中对比度描述花粉颗粒图像中明暗区域的亮度差异。象素的差异范围越大，对比度越大。具体计算方法如下：
式(7)中，σ代表图像灰度值的标准方差，α4表示图像灰度值的峰态，其中，
μ4为四阶矩均值，σ2为图像灰度值的方差。
GLRLM中的高灰度运行强调(HGRE)描述花粉颗粒图像灰度值的分布情况。高灰度值分布越多，值越大。具体公式如下：
式(8)中，p(i,j|θ)代表灰度游程矩阵，θ这里取1、2、3、4，分别代表0°、45°、90°和135°。L代表不同方向的灰度游程矩阵的个数。(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，Ng表示图像上的灰度级数目，Nr表示图像上不同游程的数目。
GLRLM中的短期高灰度强调(SRHGE)描述花粉颗粒图像中灰度级和游程长度的特征。游程长度短，高灰度值分布多，SRHGE值越大。具体公式如下：
式(9)中，p(i,j|θ)代表灰度游程矩阵，θ这里取1、2、3、4，分别代表0°、45°、90°和135°。L代表不同方向的灰度游程矩阵的个数。(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，Ng表示图像上的灰度级数目，Nr表示图像上不同游程的数目。
GLRLM中的长期低灰度强调(LRLGE)描述花粉颗粒图像中灰度级和游程长度的特征。游程长度长，低灰度值分布多，SRHGE值越大。具体公式如下：
式(10)中，p(i,j|θ)代表灰度游程矩阵，θ这里取1、2、3、4，分别代表0°、45°、90°和135°。L代表不同方向的灰度游程矩阵的个数。(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，Ng表示图像上的灰度级数目，Nr表示图像上不同游程的数目。
灰度共生矩阵(GLCM)二阶统计中的对比度反映图像的清晰度和纹理的沟纹深浅。对比度越大，纹理越深，呈现的图像越清晰。
式中，P(g1,g2)h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°。H表示针对不同方向提取的共生矩阵的个数，(g1,g2)代表灰度共生矩阵的位置坐标。
灰度共生矩阵(GLCM)二阶统计中的相异性，实验表明，花粉颗粒图像的纹理越清晰，相异性的值越大，具体公式如下：
式中，P(g1,g2)h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°。H表示针对不同方向提取的共生矩阵的个数，(g1,g2)代表灰度共生矩阵的位置坐标。
灰度共生矩阵(GLCM)二阶统计中的同质性，实验表明，花粉颗粒图像的纹理越清晰，同质性的值越小。具体公式如下：
式中，P(g1,g2)h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°。H表示针对不同方向提取的共生矩阵的个数，(g1,g2)代表灰度共生矩阵的位置坐标。
步骤3.3归一化纹理指标：为了消除奇异样本数据引起的不良影响，对上一步提取到的纹理指标做sigmoid归一化处理，将各个纹理指标的数值控制在0-1之间。sigmoid函数具体公式如下所示：
式(14)中，x代表归一化前的数值，f(x)代表归一化之后的数值。
步骤4：质量评价最终得分
将上一步得到花粉颗粒的纹理特征指标进行均权整合，将其作为单张花粉颗粒的质量分数。然后，将花粉图像中所有的花粉颗粒的质量分数进行均权累加，将其作为整张花粉图像的质量分数。
步骤4.1计算单张花粉颗粒图像的质量分数：为了通过花粉颗粒的纹理信息感知其质量信息，将从不同纹理方法中挑选的纹理指标根据权值均分的原则进行合并。其中，正相关指标取正值，负相关指标取负值。将合并之后的纹理量化指标作为单张花粉颗粒图像的质量分数。
式(15)中，s_iqal代表整张图像中第l张局部花粉颗粒图像的质量分数，S_num代表纹理指标的总数。Fcon、HGRE、SRHGLE、CON、DIS代表纹理指标中的正相关指标。Fcrs、LRLGLE、Homo代表纹理指标中的负相关指标。f(Fcon)、f(Fcrs)、f(HGRE)、f(SRHGLE)、f(LRLGLE)、f(CON)、f(DIS)、f(Homo)代表归一化之后的纹理指标量化值。
步骤4.2计算质量总分：为了得到整张花粉图像中质量分数，将花粉图像中每张局部花粉颗粒图像的质量分数进行加权平均求和，最终将其作为花粉图像的质量分数。
式(16)中，iqa代表整张图像的质量分数，s_iqal代表整张图像中第l张局部花粉颗粒图像的质量分数，L_sum代表整张图像中单颗花粉颗粒图像的数量。
Claims (1)
1.一种基于兴趣区域多纹理特征融合的图像质量评价方法，其特征在于包括以下步骤：
步骤1：图像预处理
将大尺度图像进行裁剪、筛选，获取多层最优尺寸花粉图像；之后对其进行图像配准操作，最终获得花粉颗粒在空间位置上的对准的多层最优尺寸花粉图像；
步骤2：局部花粉颗粒提取
针对最优尺寸花粉图像中所有的局部花粉颗粒感兴趣区域进行提取，此步骤输入为最优尺寸花粉图像，输出结果是最优尺寸花粉图像中所有花粉颗粒图像；
步骤2.1图像去噪：首先，进行平滑花粉颗粒图像的操作，目的是减少图像中的噪声点；然后去除花粉图像中背景噪声的效果；
步骤2.2边缘检测：首先计算图像梯度幅度和方向，得到可能的边缘集合；其次对梯度幅度进行非极大值抑制，利用双阈值筛选的操作去除假阳性；
步骤2.3检测圆形轮廓：在上一步边缘检测的基础上，利用霍夫变换调整阈值检测类圆形轮廓的方法检测花粉图像中类圆形目标物，最终获取到类圆形的花粉颗粒、气泡和杂质；
步骤2.4排除气泡与杂质：将RGB颜色空间转换到HSV颜色空间，设定(0,0,100)到(180,30,255)阈值范围，筛选出花粉颗粒；
步骤2.5收集花粉颗粒：首先计算包含花粉轮廓的最小矩形，然后收集花粉图像中的最小矩形，最终得到所有花粉颗粒图像；将一张花粉图片中所有局部花粉颗粒图像的总数设为L_sum；
步骤3：多纹理特征量化指标提取
运用多种不同的纹理方法提取纹理特征指标；此模块的输入是上一阶段得到的花粉颗粒图像，输出是花粉颗粒图像中提取的归一化后的纹理特征指标；
步骤3.1图像灰度转换：首先将花粉颗粒图像灰度化，为下一步纹理特征的提取做准备；
步骤3.2多纹理特征提取：由于不同纹理提取方法提取的纹理特征不同，效果也不相同；选取了更能突出纹理效果的指标作为纹理特征提取指标；这些指标包括Tamura纹理特征中粗糙度和对比度，GLRLM中的高灰度运行强调、短期高灰度强调、长期低灰度强调，基于灰度共生矩阵GLCM的二阶统计中的对比度、相异性、同质性；
正相关指标包括：Tamura纹理特征中的对比度，GLRLM中的高灰度运行强调、短期高灰度强调，基于灰度共生矩阵GLCM的二阶统计中的对比度、相异性；
负相关指标包括：Tamura纹理特征中粗糙度，GLRLM中的长期低灰度强调，基于灰度共生矩阵(GLCM)的二阶统计中的同质性；
此外，针对GLRLM和GLCM中选取的指标取不同方向的均值；因为不同方向上提取到的纹理信息内容不相同，反映的情况也不相同，所以选取了四个不同的方向提取纹理信息，综合的反映花粉颗粒的纹理特征信息；
Tamura纹理特征中粗糙度描述花粉颗粒图像的粗糙程度；基元重复次数越少，粗糙程度越大；具体计算方法如下：
式(1)中，Ak(x,y)代表大小为2kx2k的矩形窗口中每个象素点的亮度均值，(x,y)代表所选窗口在整张图像中的位置，g(i,j)代表选定窗口中第(i,j)点的象素亮度值，k值确定象素范围；
Ek,h＝|Ak(x+2k-1,y)-Ak(x-2k-1,y)| (2)
Ek,v＝|Ak(x,y+2k-1)-Ak(x,y-2k-1)| (3)
Sbest(x,y)＝2k (4)
Ek＝Emax＝max(E1,E2,…,Eh) (5)
式(2)中，Ek,h代表像素点对应水平方向的差值；式(3)中，Ek,v代表像素点对应垂直方向的差值；式(4)中，Sbest代表能使E值达到最大的最佳尺寸；Ek代表任何方向都能使E达到最大值的k，如式(5)所示；式(6)中，花粉图像的粗糙度Fcrs通过计算整张图像中Sbest的平均值得到；其中，m和n为图像的长度和宽度；
Tamura纹理特征中对比度描述花粉颗粒图像中明暗区域的亮度差异；象素的差异范围越大，对比度越大；具体计算方法如下：
式(7)中，σ代表图像灰度值的标准方差，α4表示图像灰度值的峰态，其中，
μ4为四阶矩均值，σ2为图像灰度值的方差；
GLRLM中的高灰度运行强调HGRE描述花粉颗粒图像灰度值的分布情况；高灰度值分布越多，值越大；具体公式如下：
式(8)中，p(i,jθ)代表灰度游程矩阵，θ这里取1、2、3、4，分别代表0°、45°、90°和135°；L代表不同方向的灰度游程矩阵的个数；(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，Ng表示图像上的灰度级数目，Nr表示图像上不同游程的数目；
GLRLM中的短期高灰度强调SRHGE描述花粉颗粒图像中灰度级和游程长度的特征；游程长度短，高灰度值分布多，SRHGE值越大；具体公式如下：
式(9)中，p(i,jθ)代表灰度游程矩阵，θ这里取1、2、3、4，分别代表0°、45°、90°和135°；L代表不同方向的灰度游程矩阵的个数；(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，Ng表示图像上的灰度级数目，Nr表示图像上不同游程的数目；
GLRLM中的长期低灰度强调LRLGE描述花粉颗粒图像中灰度级和游程长度的特征；游程长度长，低灰度值分布多，LRLGE值越大；具体公式如下：
式(10)中，p(i,j|θ)代表灰度游程矩阵，θ这里取1、2、3、4，分别代表0°、45°、90°和135°；L代表不同方向的灰度游程矩阵的个数；(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，Ng表示图像上的灰度级数目，Nr表示图像上不同游程的数目；
灰度共生矩阵二阶统计中的对比度反映图像的清晰度和纹理的沟纹深浅；对比度越大，纹理越深，呈现的图像越清晰；
式中，P(g1,g2)h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°；H表示针对不同方向提取的共生矩阵的个数，(g1,g2)代表灰度共生矩阵的位置坐标；
灰度共生矩阵二阶统计中的相异性，花粉颗粒图像的纹理越清晰，相异性的值越大，具体公式如下：
式中，P(g1,g2)h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°；H表示针对不同方向提取的共生矩阵的个数，(g1,g2)代表灰度共生矩阵的位置坐标；
灰度共生矩阵二阶统计中的同质性，花粉颗粒图像的纹理越清晰，同质性的值越小；具体公式如下：
式中，P(g1,g2)h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°；H表示针对不同方向提取的共生矩阵的个数，(g1,g2)代表灰度共生矩阵的位置坐标；
步骤3.3归一化纹理指标：为了消除奇异样本数据引起的不良影响，对上一步提取到的纹理指标做sigmoid归一化处理，将各个纹理指标的数值控制在0-1之间；sigmoid函数具体公式如下所示：
式(14)中，x代表归一化前的数值，f(x)代表归一化之后的数值；
步骤4：质量评价最终得分
将上一步得到花粉颗粒的纹理特征指标进行均权整合，将其作为单张花粉颗粒的质量分数；然后，将花粉图像中所有的花粉颗粒的质量分数进行均权累加，将其作为整张花粉图像的质量分数；
步骤4.1计算单张花粉颗粒图像的质量分数：为了通过花粉颗粒的纹理信息感知其质量信息，将从不同纹理方法中挑选的纹理指标根据权值均分的原则进行合并；其中，正相关指标取正值，负相关指标取负值；将合并之后的纹理量化指标作为单张花粉颗粒图像的质量分数；
式(15)中，s_iqal代表整张图像中第l张局部花粉颗粒图像的质量分数，S_num代表纹理指标的总数；Fcon、HGRE、SRHGLE、CON、DIS代表纹理指标中的正相关指标；Fcrs、LRLGLE、Homo代表纹理指标中的负相关指标；f(Fcon)、f(Fcrs)、f(HGRE)、f(SRHGLE)、f(LRLGLE)、f(CON)、f(DIS)、f(Homo)代表归一化之后的纹理指标量化值；
步骤4.2计算质量总分：为了得到整张花粉图像中质量分数，将花粉图像中每张局部花粉颗粒图像的质量分数进行加权平均求和，最终将其作为花粉图像的质量分数；
式(16)中，iqa代表整张图像的质量分数，s_iqal代表整张图像中第l张局部花粉颗粒图像的质量分数，L_sum代表整张图像中单颗花粉颗粒图像的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211139826.7A CN115511814A (zh) | 2022-09-20 | 2022-09-20 | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211139826.7A CN115511814A (zh) | 2022-09-20 | 2022-09-20 | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511814A true CN115511814A (zh) | 2022-12-23 |
Family
ID=84504350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211139826.7A Pending CN115511814A (zh) | 2022-09-20 | 2022-09-20 | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511814A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115984267A (zh) * | 2023-03-20 | 2023-04-18 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的注塑气泡检测方法 |
-
2022
- 2022-09-20 CN CN202211139826.7A patent/CN115511814A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115984267A (zh) * | 2023-03-20 | 2023-04-18 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的注塑气泡检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
| CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
| CN114004834A (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
| CN110533626B (zh) | 一种全天候水质识别方法 | |
| CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
| CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
| CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
| CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
| CN113743421A (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
| CN116228706A (zh) | 基于深度学习的细胞自噬免疫荧光图像分析系统和方法 | |
| CN114881984A (zh) | 一种大米加工精度的检测方法、装置、电子设备及介质 |
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 |