CN116402791A - 基于小波域梯度lbp加权直方图的图像质量评价方法 - Google Patents

基于小波域梯度lbp加权直方图的图像质量评价方法 Download PDF

Info

Publication number
CN116402791A
CN116402791A CN202310367159.6A CN202310367159A CN116402791A CN 116402791 A CN116402791 A CN 116402791A CN 202310367159 A CN202310367159 A CN 202310367159A CN 116402791 A CN116402791 A CN 116402791A
Authority
CN
China
Prior art keywords
lbp
wavelet domain
domain gradient
layer
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.)
Pending
Application number
CN202310367159.6A
Other languages
English (en)
Inventor
郭亮
李姣
尹红飞
许晴
汤恒仁
赵杨
隋静
白剑
李亚超
邢孟道
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 CN202310367159.6A priority Critical patent/CN116402791A/zh
Publication of CN116402791A publication Critical patent/CN116402791A/zh
Pending legal-status Critical Current

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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于小波域梯度LBP加权直方图的图像质量评价方法，包括：对原始图像进行处理，获得原始图像的多层低频图像；对多层低频图像分别进行滤波处理，得到多层小波域梯度图；利用LBP算子对小波域梯度图进行编码处理，得到每层小波域梯度图对应的LBP编码；根据每层小波域梯度图的LBP编码获得整幅图像每个像素点一定区域范围内的小波域梯度LBP编码图；对具有相同小波域梯度LBP编码的像素的梯度幅度进行累加，获得每个小波域梯度图对应的小波域梯度LBP加权直方图；利用映射函数，将小波域梯度LBP加权直方图映射为原始图像的质量分数。本发明在梯度图上提取LBP特征，能够有效提高图像质量评价准确度。

Description

基于小波域梯度LBP加权直方图的图像质量评价方法
技术领域
本发明属于图像质量评价技术领域，具体涉及一种基于小波域梯度LBP加权直方图的图像质量评价方法。
背景技术
图像质量评估技术具有承上启下的作用，向上可以为成像系统的设计环节提供实践经验与支持，可以提供一系列的反馈信息促进系统设计上的不断改进，尤其在对干扰成像图像进行质量评估时，图像质量评估结果可为研制成像系统干扰与抗干扰技术提供可依靠的理论依据；向下可以作为图像应用的预处理部分，图像的应用效能主要取决于所获取的图像质量，比如当图像质量高的时候，在分割、配准、融合等应用中得到的结果就更为精确，反之，结果也是相对模糊的，对于图像质量低于一定阈值的情况，在自动处理系统中会将其直接删除掉，避免了时间与资源的浪费，而在分割、配准、融合等应用之后，图像质量评估技术还可以继续对处理后的图像进行质量评估，进而反映算法的优劣，这也属于一个向上反馈的过程。因此图像质量评估技术是在设计和应用两个层面上搭建了一个桥梁。
图像质量评价分为主观评价和客观评价。主观评价依赖于具有专业知识的专家，耗时耗力且无法批量进行；客观评价分为参考型、部分参考型和无参考型，在实际应用中原始参考图像很难得到，参考型和部分参考型的应用受限。无参考型有直接计算指标类方法和深度学习类方法。直接计算指标类方法与人类视觉系统相关性不高，深度学习类方法训练难度高、容易出现过拟合、训练样本不足等。深度学习类方法依据是否拥有已标注的数据集可分为两类：基于监督学习的方法和基于无监督学习的方法。虽然，基于监督学习的方法取得了较好的成果，但其依赖于带标记的数据集，成本较高。基于无监督学习的方法不需要带标签的数据集，受到生成模型的限制其性能不佳，训练过程自由度较高、定向性不足。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于小波域LBP梯度加权直方图的图像质量评价方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于小波域梯度LBP加权直方图的图像质量评价方法，包括：
对原始图像进行处理，获得所述原始图像的多层低频图像；
对所述多层低频图像分别进行滤波处理，得到多层小波域梯度图；
利用LBP算子对所述小波域梯度图进行编码处理，得到每层小波域梯度图对应的LBP编码；
根据每层小波域梯度图的LBP编码获得整幅图像上每个像素点一定区域范围内的小波域梯度LBP编码图；
对所述小波域梯度LBP编码图上具有相同LBP编码的像素的梯度幅度进行累加，获得每个小波域梯度图对应的小波域梯度LBP加权直方图；
利用映射函数，将所述小波域梯度LBP加权直方图映射为所述原始图像的质量分数。
在本发明的一个实施例中，对原始图像进行处理，获得所述原始图像的多层低频图像，包括：
将所述原始图像转化为灰度图，对所述灰度图进行多尺度小波分解，提取多层低频小波系数，并获得所述原始图像的多层低频图像。
在本发明的一个实施例中，所述小波域梯度图的表达式为：
Figure SMS_1
，
其中，
Figure SMS_3
表示第/>
Figure SMS_6
层小波域梯度图，/>
Figure SMS_9
为第/>
Figure SMS_4
层低频小波系数，/>
Figure SMS_5
为第/>
Figure SMS_8
层低频图像对应的小波域梯度图，/>
Figure SMS_10
和/>
Figure SMS_2
分别为水平方向和垂直方向的Prewitt滤波器，/>
Figure SMS_7
表示卷积，/>
Figure SMS_11
表示低频图像中的第/>
Figure SMS_12
个像素点。
在本发明的一个实施例中，利用LBP算子对所述小波域梯度图进行编码处理，得到每层小波域梯度图对应的LBP编码，包括：
在第l层小波域梯度图上，对每个像素点应用LBP算子，得到每个小波域梯度图对应的LBP编码：
Figure SMS_13
，
其中，
Figure SMS_16
表示所述小波域梯度图指定中心像素点/>
Figure SMS_18
的幅值，/>
Figure SMS_20
表示所述小波域梯度图的邻接像素点/>
Figure SMS_14
的幅值，/>
Figure SMS_17
为第/>
Figure SMS_19
层小波域梯度图上指定中心像素点/>
Figure SMS_21
的邻接像素点/>
Figure SMS_15
处的编码值。
在本发明的一个实施例中，根据每层小波域梯度图的LBP编码获得整幅图像每个像素点一定区域范围内的小波域梯度LBP编码图，包括：
根据每层小波域梯度图的LBP编码
Figure SMS_22
，得到以像素点/>
Figure SMS_23
为中心，在半径为R的范围内P个邻接位置的小波域梯度LBP编码，表达式为：
Figure SMS_24
，
其中，
Figure SMS_25
表示以像素点/>
Figure SMS_26
为中心，在半径为R的范围内邻接像素点的个数；
获得以像素点
Figure SMS_27
为中心，在半径为R的范围内P个邻接位置的具有旋转不变性的小波域梯度LBP编码值：
Figure SMS_28
，
其中，
Figure SMS_29
为均匀性度量，/>
Figure SMS_30
表示/>
Figure SMS_31
的旋转不变性，
Figure SMS_32
的计算公式为：
Figure SMS_33
，
其中，
Figure SMS_35
为第/>
Figure SMS_39
层小波域梯度图的中心像素点/>
Figure SMS_41
与其邻近的最后一个像素点计算的LBP编码值，/>
Figure SMS_36
为第/>
Figure SMS_37
层小波域梯度图的中心像素点/>
Figure SMS_42
与其邻近的第一个像素点计算的LBP编码值，/>
Figure SMS_43
为第/>
Figure SMS_34
层小波域梯度图的中心像素点/>
Figure SMS_38
的临近像素点/>
Figure SMS_40
处的LBP编码值。
在本发明的一个实施例中，所述小波域梯度LBP加权直方图的表达式为：
Figure SMS_44
，
其中，
Figure SMS_45
，/>
Figure SMS_46
表示所有不重复的小波域梯度LBP编码的值，/>
Figure SMS_47
，/>
Figure SMS_48
为当前图像的总像素点数，/>
Figure SMS_49
为像素点/>
Figure SMS_50
处的
Figure SMS_51
时所对应小波域梯度图上的幅值。
在本发明的一个实施例中，利用映射函数，将所述小波域梯度LBP加权直方图映射为所述原始图像的质量分数，包括：
采用径向基函数核的支持向量回归作为映射函数，将所述小波域梯度LBP加权直方图映射为所述原始图像的质量分数。
在本发明的一个实施例中，利用映射函数，将所述小波域梯度LBP加权直方图映射为所述原始图像的质量分数，包括：
将k对应的小波域梯度LBP加权直方图
Figure SMS_52
作为一个/>
Figure SMS_53
的向量，所述向量为第l层的特征向量；
将所有层的特征向量按照从第1层至第L层的顺序形成一个
Figure SMS_54
的特征向量，L表示所述小波域梯度LBP加权直方图的总层数；
采用径向基函数核的支持向量回归作为映射函数，将所述特征向量映射为0~100之间的一个标量作为图像质量评价分数。
与现有技术相比，本发明的有益效果有：
1、人类视觉系统(HVS)的对比敏感度函数(CSF)表示人眼对图像的中低频分量更加敏感，本方法基于小波域LBP梯度加权直方图的图像质量评价方法对图像进行小波分解后，对低频图像进行特征提取映射到质量分数，与人的感知性一致性更高。
2、梯度可以有效地描述图像的局部结构，LBP可以描述图像邻域内像素点之间的联系，本发明基于小波域LBP梯度加权直方图的图像质量评价方法，在梯度图上提取LBP特征，既能反映图像的结构信息，还能捕捉到不同失真类型结合的复杂图像退化，提高图像质量评价准确度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于小波域LBP梯度加权直方图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一种基于小波域LBP梯度加权直方图的图像质量评价方法的处理过程示意图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种基于小波域LBP梯度加权直方图的图像质量评价方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者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物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种基于小波域LBP梯度加权直方图的图像质量评价方法，请参见图1和图2，该图像质量评价方法包括：
S1：对待进行质量评价的原始图像进行处理，获得原始图像的多层低频图像。
具体地，将原始图像转化为灰度图，对灰度图进行多尺度小波分解，提取多层低频小波系数，进而获得原始图像的多层低频图像。该步骤为现有处理过程，这里不再赘述。
S2：对多层低频图像分别进行滤波处理，得到对应的多层小波域梯度图。
具体地，对原始图像的多层低频图像分别进行Prewitt滤波处理，得到对应的多个小波域梯度图，其中，小波域梯度图的表达形式为：
Figure SMS_55
，
其中，
Figure SMS_58
表示第/>
Figure SMS_60
层小波域梯度图，/>
Figure SMS_62
为第/>
Figure SMS_57
层低频小波系数，/>
Figure SMS_63
为第/>
Figure SMS_64
层低频图像对应的小波域梯度图，/>
Figure SMS_65
和/>
Figure SMS_56
分别为水平方向和垂直方向的Prewitt滤波器，/>
Figure SMS_59
表示卷积，/>
Figure SMS_61
表示低频图像中的第/>
Figure SMS_66
个像素点。
S3：利用LBP算子对小波域梯度图进行处理，得到每层小波域梯度图对应的LBP编码。
在步骤S2获得的小波域梯度图基础上，对小波域梯度图中每个像素点应用LBP算子，得到小波域梯度图对应的LBP编码。具体地，对当前像素点周围位置的邻接点进行编码，若邻接点的幅值不小于中心点的幅值，该邻接点的编码为1，否则该邻接点的编码为0，因此，获得的LBP编码的表达式为：
Figure SMS_67
，
其中，
Figure SMS_68
表示小波域梯度图指定中心像素点的幅值，/>
Figure SMS_69
表示小波域梯度图的邻接像素点/>
Figure SMS_70
的幅值，/>
Figure SMS_71
为第/>
Figure SMS_72
层小波域梯度图上指定中心像素点/>
Figure SMS_73
的邻接像素点/>
Figure SMS_74
处的编码值。
S4：根据每层小波域梯度图的LBP编码获得整幅图像每个像素点一定区域范围内的小波域梯度LBP(WGLBP，Wavelet Gradient LBP)编码图。
具体地，根据每层小波域梯度图的LBP编码
Figure SMS_75
，得到以像素点/>
Figure SMS_76
为中心，在半径为R的范围内P个邻接位置的小波域梯度LBP编码(小波域梯度局部二值模式，/>
Figure SMS_77
)编码为：
Figure SMS_78
。
其中，
Figure SMS_79
表示以像素点/>
Figure SMS_80
为中心，在半径为R的范围内邻接像素点的个数。
在本实施例中，为了实现旋转不变性，根据以上获得的编码公式以及局部旋转不变等价模式WGLBP算子，可以得到以像素点
Figure SMS_81
为中心，在半径为R的范围内P个邻接位置的具有旋转不变性的WGLBP值：
Figure SMS_82
，
其中，
Figure SMS_83
为均匀性度量，/>
Figure SMS_84
表示/>
Figure SMS_85
的旋转不变性，
Figure SMS_86
的计算公式如下：
Figure SMS_87
，
其中，
Figure SMS_90
为第/>
Figure SMS_93
层小波域梯度图的中心像素点/>
Figure SMS_95
与其邻近的最后一个像素点计算的LBP编码值，/>
Figure SMS_91
为第/>
Figure SMS_94
层小波域梯度图的中心像素点/>
Figure SMS_96
与其邻近的第一个像素点计算的LBP编码值，/>
Figure SMS_99
为第/>
Figure SMS_88
层小波域梯度图中心像素点/>
Figure SMS_92
的临近像素点/>
Figure SMS_97
处的LBP编码值。/>
Figure SMS_98
表示图像旋转前后LBP值的差。/>
Figure SMS_89
以位跃迁数计算，均匀LBP最多包含两个空间位跃迁，增强了LBP的识别能力。
S5：对所述小波域梯度LBP编码图上具有相同LBP编码的像素的梯度幅度进行累加，获得每个小波域梯度图对应的小波域梯度LBP加权直方图(加权WGLBP直方图)，该小波域梯度LBP加权直方图的表达式为：
Figure SMS_100
，
其中，
Figure SMS_103
，/>
Figure SMS_105
表示所有不重复的小波域梯度LBP编码的值，/>
Figure SMS_107
，/>
Figure SMS_101
为当前图像的总像素点数，/>
Figure SMS_104
为像素点/>
Figure SMS_106
处
Figure SMS_108
时所对应梯度图上的幅值，作为小波域梯度LBP编码的权重。/>
Figure SMS_102
为原始图像的k值与其对应的权重的集合，即小波域梯度LBP加权直方图。
S6：利用映射函数，将小波域梯度LBP加权直方图映射为原始图像的质量分数。
在本实施例中，采用径向基函数(RBF)核的支持向量回归(SVR)作为映射函数，将小波域梯度LBP加权直方图映射为原始图像的质量分数。
具体地，对进行质量评价的原始图像进行L层小波分解，第l层小波分解的小波域梯度LBP加权直方图中
Figure SMS_109
，将k对应的直方图/>
Figure SMS_110
当作一个/>
Figure SMS_111
的向量，此向量为第l层的特征向量；将所有层的特征向量按照从第1层到第L层的顺序形成一个
Figure SMS_112
的特征向量；采用径向基函数(RBF)核的支持向量回归(SVR)作为映射函数将特征向量映射为0~100之间的一个标量，作为图像质量评价分数，分数越接近100则说明图像质量越好，反之则说明图像质量越差。
需要说明的是，人类视觉系统(HVS)对低频分量更加敏感，对图像的各层小波低频系数进行特征提取映射到质量分数，与人的感知性一致性更高。
进一步地，本发明实施例通过在LIVEMD数据集上进行应用，得到的算法性能评估指标如表1，其中，GWH-GLBP表示基于局部二元模式的梯度加权直方图方法，GWH-WGLBP表示基于小波分解低频图像的局部二元模式的梯度加权直方图方法，即本发明实施例的方法。
表1 两种不同方法的性能评估指标
Figure SMS_113
图像质量评估算法的均方根误差(RSME)越小、Spearman秩相关系数(SRCC)、Pearson线性相关系数(PLCC)、Kendall秩相关系数(KRCC)越接近1，性能越好。从表1可以看出，本发明实施例提出的基于小波域LBP梯度加权直方图的图像质量评价方法得到的均方根误差(RSME)更小，PLCC和KRCC更接近1，SRCC略有降低，总体性能更好。
综上，本发明实施例基于小波域LBP梯度加权直方图的图像质量评价方法对图像进行小波分解后对低频图像进行特征提取映射到质量分数，与人的感知性一致性更高。此外，梯度可以有效地描述图像的局部结构，LBP可以描述图像邻域内像素点之间的联系，本发明实施例基于小波域梯度LBP加权直方图的图像质量评价方法，在梯度图上提取LBP特征，既能反映图像的结构信息，还能捕捉到不同类型失真结合的复杂图像退化，提高图像质量评价准确度。
在本发明所提供的几个实施例中，应该理解到，本发明所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
本发明的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中所述基于小波域梯度LBP加权直方图的图像质量评价方法的步骤。本发明的再一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述实施例所述基于小波域梯度LBP加权直方图的图像质量评价方法的步骤。具体地，上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，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。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种基于小波域梯度LBP加权直方图的图像质量评价方法，其特征在于，包括：
对原始图像进行处理，获得所述原始图像的多层低频图像；
对所述多层低频图像分别进行滤波处理，得到多层小波域梯度图；
利用LBP算子对所述小波域梯度图进行编码处理，得到每层小波域梯度图对应的LBP编码；
根据每层小波域梯度图的LBP编码获得整幅图像上每个像素点一定区域范围内的小波域梯度LBP编码图；
对所述小波域梯度LBP编码图上具有相同LBP编码的像素的梯度幅度进行累加，获得每个小波域梯度图对应的小波域梯度LBP加权直方图；
利用映射函数，将所述小波域梯度LBP加权直方图映射为所述原始图像的质量分数。
2.根据权利要求1所述的基于小波域梯度LBP加权直方图的图像质量评价方法，其特征在于，对原始图像进行处理，获得所述原始图像的多层低频图像，包括：
将所述原始图像转化为灰度图，对所述灰度图进行多尺度小波分解，提取多层低频小波系数，并获得所述原始图像的多层低频图像。
3.根据权利要求2所述的基于小波域梯度LBP加权直方图的图像质量评价方法，其特征在于，所述小波域梯度图的表达式为：
Figure QLYQS_1
，
其中，
Figure QLYQS_2
表示第/>
Figure QLYQS_8
层小波域梯度图，/>
Figure QLYQS_12
为第/>
Figure QLYQS_4
层低频小波系数，/>
Figure QLYQS_6
为第/>
Figure QLYQS_9
层低频图像对应的小波域梯度图，/>
Figure QLYQS_10
和/>
Figure QLYQS_3
分别为水平方向和垂直方向的Prewitt滤波器，/>
Figure QLYQS_5
表示卷积，/>
Figure QLYQS_7
表示低频图像中的第/>
Figure QLYQS_11
个像素点。
4.根据权利要求3所述的基于小波域梯度LBP加权直方图的图像质量评价方法，其特征在于，利用LBP算子对所述小波域梯度图进行编码处理，得到每层小波域梯度图对应的LBP编码，包括：
在第l层小波域梯度图上，对每个像素点应用LBP算子，得到每个小波域梯度图对应的LBP编码：
Figure QLYQS_13
，
其中，
Figure QLYQS_14
表示所述小波域梯度图指定中心像素点/>
Figure QLYQS_15
的幅值，/>
Figure QLYQS_16
表示所述小波域梯度图的邻接像素点/>
Figure QLYQS_17
的幅值，/>
Figure QLYQS_18
为第l层小波域梯度图上指定中心像素点/>
Figure QLYQS_19
的邻接像素点
Figure QLYQS_20
处的编码值。
5.根据权利要求4所述的基于小波域梯度LBP加权直方图的图像质量评价方法，其特征在于，根据每层小波域梯度图的LBP编码获得整幅图像每个像素点一定区域范围内的小波域梯度LBP编码图，包括：
根据每层小波域梯度图的LBP编码
Figure QLYQS_21
，得到以像素点/>
Figure QLYQS_22
为中心，在半径为R的范围内P个邻接位置的小波域梯度LBP编码，表达式为：
Figure QLYQS_23
，
其中，
Figure QLYQS_24
表示以像素点/>
Figure QLYQS_25
为中心，在半径为R的范围内邻接像素点的个数；
获得以像素点
Figure QLYQS_26
为中心，在半径为R的范围内P个邻接位置的具有旋转不变性的小波域梯度LBP编码值：
Figure QLYQS_27
，
其中，
Figure QLYQS_28
为均匀性度量，/>
Figure QLYQS_29
表示/>
Figure QLYQS_30
的旋转不变性，/>
Figure QLYQS_31
的计算公式为：
Figure QLYQS_32
，
其中，
Figure QLYQS_34
为第/>
Figure QLYQS_37
层小波域梯度图的中心像素点/>
Figure QLYQS_40
与其邻近的最后一个像素点计算的LBP编码值，/>
Figure QLYQS_35
为第/>
Figure QLYQS_36
层小波域梯度图的中心像素点/>
Figure QLYQS_41
与其邻近的第一个像素点计算的LBP编码值，/>
Figure QLYQS_42
为第/>
Figure QLYQS_33
层小波域梯度图的中心像素点/>
Figure QLYQS_38
的临近像素点/>
Figure QLYQS_39
处的LBP编码值。
6.根据权利要求5所述的基于小波域梯度LBP加权直方图的图像质量评价方法，其特征在于，所述小波域梯度LBP加权直方图的表达式为：
Figure QLYQS_43
，
其中，
Figure QLYQS_44
，/>
Figure QLYQS_45
表示所有不重复的小波域梯度LBP编码的值，/>
Figure QLYQS_46
，/>
Figure QLYQS_47
为当前图像的总像素点数，/>
Figure QLYQS_48
为像素点/>
Figure QLYQS_49
处的
Figure QLYQS_50
时所对应小波域梯度图上的幅值。
7.根据权利要求6所述的基于小波域梯度LBP加权直方图的图像质量评价方法，其特征在于，利用映射函数，将所述小波域梯度LBP加权直方图映射为所述原始图像的质量分数，包括：
采用径向基函数核的支持向量回归作为映射函数，将所述小波域梯度LBP加权直方图映射为所述原始图像的质量分数。
8.根据权利要求6所述的基于小波域梯度LBP加权直方图的图像质量评价方法，其特征在于，利用映射函数，将所述小波域梯度LBP加权直方图映射为所述原始图像的质量分数，包括：
将k对应的小波域梯度LBP加权直方图
Figure QLYQS_51
作为一个/>
Figure QLYQS_52
的向量，所述向量为第l层的特征向量；
将所有层的特征向量按照从第1层至第L层的顺序形成一个
Figure QLYQS_53
的特征向量，L表示所述小波域梯度LBP加权直方图的总层数；
采用径向基函数核的支持向量回归作为映射函数，将所述特征向量映射为0~100之间的一个标量作为图像质量评价分数。
CN202310367159.6A 2023-04-07 2023-04-07 基于小波域梯度lbp加权直方图的图像质量评价方法 Pending CN116402791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310367159.6A CN116402791A (zh) 2023-04-07 2023-04-07 基于小波域梯度lbp加权直方图的图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310367159.6A CN116402791A (zh) 2023-04-07 2023-04-07 基于小波域梯度lbp加权直方图的图像质量评价方法

Publications (1)

Publication Number Publication Date
CN116402791A true CN116402791A (zh) 2023-07-07

Family

ID=87008597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310367159.6A Pending CN116402791A (zh) 2023-04-07 2023-04-07 基于小波域梯度lbp加权直方图的图像质量评价方法

Country Status (1)

Country Link
CN (1) CN116402791A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392952A (zh) * 2017-07-19 2017-11-24 天津大学 一种无参考混合失真图像质量评价方法
CN108681997A (zh) * 2018-04-26 2018-10-19 天津大学 基于改进lbp特征的无参考多失真图像质量评价方法
CN111968073A (zh) * 2020-07-07 2020-11-20 南昌大学 一种基于纹理信息统计的无参考图像质量评价方法
US20220245792A1 (en) * 2019-10-11 2022-08-04 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for image quality detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392952A (zh) * 2017-07-19 2017-11-24 天津大学 一种无参考混合失真图像质量评价方法
CN108681997A (zh) * 2018-04-26 2018-10-19 天津大学 基于改进lbp特征的无参考多失真图像质量评价方法
US20220245792A1 (en) * 2019-10-11 2022-08-04 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for image quality detection
CN111968073A (zh) * 2020-07-07 2020-11-20 南昌大学 一种基于纹理信息统计的无参考图像质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘阳;代大海;王雪松;: "基于小波域加权结构相似度的SAR干扰效果评估", 信号处理, no. 10, pages 2 - 5 *

Similar Documents

Publication Publication Date Title
CN112330682B (zh) 一种基于深度卷积神经网络的工业ct图像分割方法
CN108764358B (zh) 一种太赫兹图像识别方法、装置、设备及可读存储介质
Sun et al. Robust retinal vessel segmentation from a data augmentation perspective
CN112419271B (zh) 一种图像分割方法、装置及计算机可读存储介质
CN111127387B (zh) 无参考图像的质量的评价方法
JP6945253B2 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
Mukherjee et al. Enhancement of image resolution by binarization
CN109615614B (zh) 基于多特征融合的眼底图像中血管的提取方法与电子设备
CN111275686A (zh) 用于人工神经网络训练的医学图像数据的生成方法及装置
Liu et al. Lung segmentation based on random forest and multi‐scale edge detection
CN114255468A (zh) 一种笔迹识别方法及其相关设备
Ebrahimnejad et al. Adaptive Removal of high-density salt-and-pepper noise (ARSPN) for robust ROI detection used in watermarking of MRI images of the brain
Velliangira et al. A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images
CN109712134B (zh) 虹膜图像质量评价方法、装置及电子设备
CN116910752A (zh) 一种基于大数据的恶意代码检测方法
CN113378609B (zh) 代理商代签名的识别方法及装置
CN112861743A (zh) 一种掌静脉图像防伪方法、装置和设备
CN116129417A (zh) 一种基于低质量图像的数字仪表读数检测方法
Li et al. A cascaded algorithm for image quality assessment and image denoising based on CNN for image security and authorization
CN116402791A (zh) 基于小波域梯度lbp加权直方图的图像质量评价方法
Sen et al. A comparative analysis of the algorithms for de-noising images contaminated with impulse noise
Zabihi et al. Vessel extraction of conjunctival images using LBPs and ANFIS
CN115358952A (zh) 一种基于元学习的图像增强方法、系统、设备和存储介质
KR20200124887A (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
Jaffar Sadiq et al. Ofs-z: Optimal features selection by z-score for malaria-infected erythrocyte detection using supervised learning

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