CN106997585A - 成像***及图像质量评价方法 - Google Patents
成像***及图像质量评价方法 Download PDFInfo
- Publication number
- CN106997585A CN106997585A CN201610044544.7A CN201610044544A CN106997585A CN 106997585 A CN106997585 A CN 106997585A CN 201610044544 A CN201610044544 A CN 201610044544A CN 106997585 A CN106997585 A CN 106997585A
- Authority
- CN
- China
- Prior art keywords
- image
- dictionary
- imaging system
- obtains
- redundancy
- 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 43
- 238000003384 imaging method Methods 0.000 title claims abstract description 32
- 238000013441 quality evaluation Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 2
- 238000002594 fluoroscopy Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007850 degeneration Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
- G06F18/21347—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using domain transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/10—Selection of transformation methods according to the characteristics of the input images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G06T2207/10004—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
- G06T2207/10116—X-ray 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20052—Discrete cosine transform [DCT]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
公开了一种用于评价成像***的图像质量的方法及成像***。在该方法中,获取成像***所产生的待评价的图像,从图像中提取多个图像子块,基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示,得到表示稀疏程度的系数向量。对所述系数向量进行线性变换得到图像质量评价值。仅需要少量高质量透视图像学习稀疏词典,之后根据利用这一词典表示待评价图像的稀疏程度估计噪声图像质量,实现快速有效的无参考图像的质量评价。
Description
技术领域
本申请的实施例涉及辐射图像的质量评价,具体而言涉及透视图像的质量评价方法和相应的成像***。
背景技术
在透视成像***中,图像质量经常会出现退化。如X射线源或探测器的不稳定性会引入噪声,对图像视觉效果和检查人员观察图像内容及发现图像中的可疑区域造成一定的影响。成像***的图像噪声严重程度可以通过一定的评价算法进行估计,从而及时监控成像***的稳定性。
考虑到实际应用是无法得到未退化的参考图像,无参考图像质量评价方法更具实用价值。无参考图像质量评价方法主要包括基于规则的方法、基于机器学习的方法、基于概率模型的方法等等。各种方法的本质都是试图找到高质量图像和退化图像在统计特征上的差异。对于基于规则的方法,由于退化因素的复杂多样性,很难设计一些规则来根据特征区分图像质量。对于基于机器学习的方法,需要有人眼标记的不同质量图像进行学习,人工标记的工作量很大,不同人的标记也存在一些差异。对于基于概率模型的方法,只需要利用一些高质量的图像来建立图像特征的统计概率模型,评价时根据当前图像在概率模型上的计算得到图像质量。但基于概率模型的方法需要选择一定的概率数学模型,当模型复杂时参数估计困验,当模型简单时无法有效描述图像内容的***。另外,模型参数的学习需要大量数据,学习过程中的迭代也使得速度较慢。
发明内容
鉴于现有技术中的一个或多个问题,提出了一种成像***及图像 质量评价方法。
在本发明的一个方面,提出了一种用于评价成像***的图像质量的方法,包括步骤:获取成像***所产生的待评价的图像;从所述图像中提取多个图像子块;基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示,得到表示稀疏程度的系数向量;以及对所述系数向量进行线性变换得到图像质量评价值。
根据一些实施例,所述冗余稀疏表示词典是通过如下步骤创建的:从所述成像***产生的多幅图像建立图像数据集;从所述图像数据集的透射图像中提取多个图像子块;利用字典学习算法对所述多个图像子块进行学习,得到所述冗余稀疏表示词典。
根据一些实施例,利用字典学习算法对所述多个图像子块进行学习的步骤包括:对所述多个图像子块进行余弦变换生成初始词典,然后利用词典学习算法对初始词典进行优化,得到冗余稀疏表示词典。
根据一些实施例,将待评价图像的每个图像子块投影到冗余稀疏表示词典上,得到系数向量,计算所述系数向量中每个系数的L1范数,并且将各个图像子块的L1范数求平均,得到平均稀疏度,基于所述平均稀疏度得到图像评价值。
根据一些实施例,所述的方法还包括步骤:对待评价的透射图像进行局部去均值和对比度归一化处理。
根据一些实施例,所述的方法还包括步骤:在所述图像评价值未满足预定条件的情况下,向用户提示。
在本发明的另一方面,提出了一种成像***,包括:扫描设备,对被检查物体进行扫描,得到扫描数据;数据处理单元,基于扫描数据重建得到被检查物体的图像,从所述图像中提取多个图像子块,基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示,得到表示稀疏程度的系数向量,并且对所述系数向量进行线性变换得到图像质量评价值。
根据一些实施例,所述数据处理单元将待评价图像的每个图像子块投影到冗余稀疏表示词典上,得到系数向量,计算所述系数向量中每个系数的L1范数,并且将各个图像子块的L1范数求平均,得到平均稀疏度,基于所述平均稀疏度得到图像评价值。
根据一些实施例,所述数据处理单元对待评价的透射图像进行局部去均值和对比度归一化处理。
根据一些实施例,所述数据处理单元在所述图像评价值未满足预定条件的情况下,向用户提示。
利用上述方案,能够对检查过程中产生的图像自动快速的评价,保证了成像***稳定运行。
附图说明
为了更好的理解本发明,将根据以下附图对本发明的实施例进行描述:
图1A和图1B是根据本发明一个实施方式的成像***的结构示意图;
图2是描述根据本发明实施例的图像质量评价方法的示意性流程图;
图3示出了根据本发明一个实施方式中的集装箱扫描透视图像的例子;
图4是根据本发明一个实施例的归一化图像子块示例;
图5是根据本发明一个实施例的稀疏词典示例;
图6是根据本发明一个实施例的无噪声图像的例子(评分为8.78);
图7是根据本发明一个实施例的含噪声图像的例子(评分为71.35)。
附图没有对实施例的所有电路或结构进行显示。贯穿所有附图相同的附图标记表示相同或相似的部件或特征。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路、材料或 方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
针对现有技术中的问题,本发明的实施例给出一种基于图像稀疏表示的无参考噪声图像质量评价方法,其中使用少量高质量透视图像学***稳运行提供技术支持。
根据本发明的一些实施例,根据一些高质量的X射线图像,针对特定成像***提取此类图像的内在关键特征,建立一个图像分块稀疏表示模型。基于噪声图像在这一模型上的稀疏程度,对包含噪声失真的实际图像进行快速、准确地总体质量评价。
图1A和图1B是根据本发明一个实施方式的成像***的结构示意图。图1A示出了成像***的俯视示意图,图1B示出了成像***的正视示意图。如图1A和图1B所示,射线源110产生X射线,经过准直器120准直后,对移动的集装箱卡车140进行安全检查,由探测器150接收穿透卡车140的射线,转换为数字信号,然后在诸如计算机之类的数据处理装置160得到透射图像。根据本发明的实施例,在通过扫描得到集装箱卡车140的透射图像后,在数据处理装置160利用预先创建的冗余稀疏表示词典评价图像的质量。
图2是描述根据本发明实施例的图像质量评价方法的示意性流程图。
如图2所示,在步骤S21,数据处理装置160获取成像***所产生的待评价的图像。例如,针对某种选定应用,搜集一些高质量的图像数据组成一个数据集。比如,图3为两个集装箱检查***的透图像,图像尺寸从800*2000到2000*8000不等,总的图像数据集中包含30幅图像,累积像素。
在步骤S22,数据处理装置160从图像中提取多个图像子块。例如,对每个图像进行局部去均值和对度比归一化处理,从中随机提取2,000个8*8图像子块,如图4所示为部分归一化的图像子块数据。
在步骤S23,数据处理装置160基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示,得到表示稀疏程度的系数向量。例如,利用OMP算法(OMP:Orthogonal Matching Pursuit)或其他类似算法将系数向量投影到预先创建的冗余稀疏表示词典上,得到一个256维的系数向量。例如,设定词典词条数为256,利用冗余余弦变换生成初始词典,再利用K-SVD算法进行词典优化学习,最终得到的稀疏词典如图4所示。
在步骤S24,数据处理装置160对系数向量进行线性变换得到图像质量评价值。例如,计算这一向量的L1范数(即所有系数的绝对值和)x,对所有块的结果求平均得到平均稀疏度m。利用以下公式计算图像质量得分y:
y=k(m-1)+b (1)
其中k、b为常数,仅影响质量评价结果的取值范围,并不影响结果的变化趋势,可根据需要的质量取值范围进行设定。数值越大,图像质量越差。比如对于图像子块为8*8大小,字典条数为256时,典型的取值为:k=3,b=-50。本领域的技术人员可以预料到,在其他的实施例中也可以给常数k和b取其他的数值。
图6是根据本发明一个实施例的无噪声图像的例子(评分为8.78)。图7是根据本发明一个实施例的含噪声图像的例子(评分为71.35)。虽然在上述的实施例中以具体的图像尺寸、子块大小和子块数目作为例 子描述了本公开,但是本领域的技术人员应该想到在实际引用中可是采用其他数值的图像尺寸、子块大小和子块数目。
本发明的实施例中,基于多个高质量的X射线图像建立稀疏表示模型,进行根据这一模型估计其他噪声图像质量。整个建模和估计过程自动、快速地完成,无需人眼对图像进行质量标注,也不需要人工设定根据图像特征区分图像质量的评价规则。例如,针对某一成像***,搜集一定量的高质量的无噪声图像数据,建立一个典型图像数据集。一般来说不少于30幅分辨率不低于500*1000像素的图像数据,当图像分辨率较低时可通过增加图像数据弥补。然后,对获得的图像,进行局部去均值和对度比归一化(MSCN:Mean Subtracted Contrast Normalised)处理后,随机提取大量8*8的图像子块,总的图像子块数不少于100,000个。利用K-SVD算法(或其他类似算法)学习得到一个冗余稀疏表示词典(即词典的词条数大于词典的维度),对8*8子块,典型的图像词典大小为256。利用这样建立的冗余稀疏表示词典就可以在后续的检查过程中对图像的质量进行评价。
上述实施例的图像质量评价方法同现有各种无参考图像质量评价方法相比,具有以下几个优势:
(1)自动化程度高、使用方便。例如,在人工搜集一些典型的高质量X射线图像数据,无需人眼对每个图像给出具体的质量评分,也无需搜集含有不同程度噪声的失真图像,或通过人工添加方法生成不同质量的图像数据。在整个词典学习过程中,除设定少量参数外,算法自动完成词典的初始化、优化过程;在评价过程中,算法自动进行最优分解并计算稀疏程度,并得到最终质量评价;
(2)通用性强。稀疏词典抽象了图像子块的基本结构特点,不针对某一种或几种特定的噪声类型。任何因素造成的各种图像噪声失真都会使得图像子块偏离本来的稀疏性,从而造成图像稀疏程度的下降,因此本发明所提出的方法适合于不同因素所产生噪声对图像质量影响的定量评价。
(3)执行速度快。由于所采用输入为归一化的图像子块,无需特征提取过程,处理速度得到了明显的提高。
根据本发明的实施例,针对特定的成像***得到冗余稀疏表示词典后就可以在运行中对大量的图像进行质量评价,并且在评价过程中计算量较小,可实现方便、快速的无参考噪声图像质量评价。例如,当发现有质量不符合规定值(例如预定的阈值)的图像时,向用户提示,以降低漏检率。
以上的详细描述通过使用示意图、流程图和/或示例,已经阐述了成像***和图像质量评价方法的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下,本领域技术人员应理解,这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中,本发明的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而,本领域技术人员应认识到,这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中,实现为在一台或多台计算机上运行的一个或多个计算机程序(例如,实现为在一台或多台计算机***上运行的一个或多个程序),实现为在一个或多个处理器上运行的一个或多个程序(例如,实现为在一个或多个微处理器上运行的一个或多个程序),实现为固件,或者实质上实现为上述方式的任意组合,并且本领域技术人员根据本公开,将具备设计电路和/或写入软件和/或固件代码的能力。此外,本领域技术人员将认识到,本公开所述主题的机制能够作为多种形式的程序产品进行分发,并且无论实际用来执行分发的信号承载介质的具体类型如何,本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于:可记录型介质,如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等;以及传输型介质,如数字和/或模拟通信介质(例如,光纤光缆、波导、有线通信链路、无线通信链路等)。
虽然已参照几个典型实施例描述了本发明,但应当理解,所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质,所以应当理解,上述实施例不限于任何前述的细节,而应在随附权利要求所限定的精神和范围内。
Claims (10)
1.一种用于评价成像***的图像质量的方法,包括步骤:
获取成像***所产生的待评价的图像;
从所述图像中提取多个图像子块;
基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示,得到表示稀疏程度的系数向量;以及
对所述系数向量进行线性变换得到图像质量评价值。
2.如权利要求1所述的方法,其中所述冗余稀疏表示词典是通过如下步骤创建的:
从所述成像***产生的多幅图像建立图像数据集;
从所述图像数据集的透射图像中提取多个图像子块;
利用字典学习算法对所述多个图像子块进行学习,得到所述冗余稀疏表示词典。
3.如权利要求2所述的方法,其中利用字典学习算法对所述多个图像子块进行学习的步骤包括:
对所述多个图像子块进行余弦变换生成初始词典,然后利用词典学习算法对初始词典进行优化,得到冗余稀疏表示词典。
4.如权利要求1所述的方法,其中将待评价图像的每个图像子块投影到冗余稀疏表示词典上,得到系数向量,计算所述系数向量中每个系数的L1范数,并且将各个图像子块的L1范数求平均,得到平均稀疏度,基于所述平均稀疏度得到图像评价值。
5.如权利要求1所述的方法,还包括步骤:
对待评价的透射图像进行局部去均值和对比度归一化处理。
6.如权利要求1所述的方法,还包括步骤:
在所述图像评价值未满足预定条件的情况下,向用户提示。
7.一种成像***,包括:
扫描设备,对被检查物体进行扫描,得到扫描数据;
数据处理单元,基于扫描数据重建得到被检查物体的图像,从所述图像中提取多个图像子块,基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示,得到表示稀疏程度的系数向量,并且对所述系数向量进行线性变换得到图像质量评价值。
8.如权利要求1所述的成像***,其中所述数据处理单元将待评价图像的每个图像子块投影到冗余稀疏表示词典上,得到系数向量,计算所述系数向量中每个系数的L1范数,并且将各个图像子块的L1范数求平均,得到平均稀疏度,基于所述平均稀疏度得到图像评价值。
9.如权利要求1所述的成像***,其中所述数据处理单元对待评价的透射图像进行局部去均值和对比度归一化处理。
10.如权利要求1所述的成像***,其中所述数据处理单元在所述图像评价值未满足预定条件的情况下,向用户提示。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610044544.7A CN106997585A (zh) | 2016-01-22 | 2016-01-22 | 成像***及图像质量评价方法 |
US15/409,738 US10217204B2 (en) | 2016-01-22 | 2017-01-19 | Imaging system and method of evaluating an image quality for the imaging system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610044544.7A CN106997585A (zh) | 2016-01-22 | 2016-01-22 | 成像***及图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106997585A true CN106997585A (zh) | 2017-08-01 |
Family
ID=59359488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610044544.7A Pending CN106997585A (zh) | 2016-01-22 | 2016-01-22 | 成像***及图像质量评价方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10217204B2 (zh) |
CN (1) | CN106997585A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389275A (zh) * | 2017-08-08 | 2019-02-26 | 北京图森未来科技有限公司 | 一种图像标注方法和装置 |
WO2020038254A1 (zh) * | 2018-08-23 | 2020-02-27 | 杭州海康威视数字技术股份有限公司 | 一种用于目标识别的图像处理方法及装置 |
CN111275682A (zh) * | 2020-01-19 | 2020-06-12 | 上海箱云物流科技有限公司 | 集装箱检测方法、装置及计算机可读存储介质 |
CN113128325A (zh) * | 2020-01-16 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 一种人脸识别方法和装置 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9858656B2 (en) * | 2013-03-13 | 2018-01-02 | Raytheon Company | Video interpretability and quality estimation |
FR3077908B1 (fr) * | 2018-02-09 | 2021-03-19 | Trixell | Procede d'estimation parametrique d'un objet a estimer dans une image numerique, et procede de suppression de l'objet dans l'image numerique |
US11189020B2 (en) * | 2019-02-06 | 2021-11-30 | Thanh Phuoc Hong | Systems and methods for keypoint detection |
CN110575146B (zh) * | 2019-09-20 | 2022-03-15 | 福建工程学院 | 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 |
CN113450319B (zh) * | 2021-06-15 | 2022-07-15 | 宁波大学 | 一种基于klt技术的超分辨率重建图像质量评价方法 |
CN114067006B (zh) * | 2022-01-17 | 2022-04-08 | 湖南工商大学 | 一种基于离散余弦变换的屏幕内容图像质量评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140328535A1 (en) * | 2013-05-06 | 2014-11-06 | Disney Enterprises, Inc. | Sparse light field representation |
CN104361574A (zh) * | 2014-10-14 | 2015-02-18 | 南京信息工程大学 | 一种基于稀疏表示的无参考彩色图像质量评价方法 |
CN104376565A (zh) * | 2014-11-26 | 2015-02-25 | 西安电子科技大学 | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225222B (zh) * | 2014-06-26 | 2021-06-15 | 西门子公司 | 对不同图像集的感知视觉质量的自动评估 |
CN104091343B (zh) * | 2014-07-22 | 2017-01-18 | 西北工业大学 | 基于稀疏结构的图像质量评价方法 |
US9396409B2 (en) * | 2014-09-29 | 2016-07-19 | At&T Intellectual Property I, L.P. | Object based image processing |
CN105005990B (zh) * | 2015-07-02 | 2017-11-28 | 东南大学 | 一种基于区别性稀疏表示的盲图像质量评价方法 |
US9824468B2 (en) * | 2015-09-29 | 2017-11-21 | General Electric Company | Dictionary learning based image reconstruction |
-
2016
- 2016-01-22 CN CN201610044544.7A patent/CN106997585A/zh active Pending
-
2017
- 2017-01-19 US US15/409,738 patent/US10217204B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140328535A1 (en) * | 2013-05-06 | 2014-11-06 | Disney Enterprises, Inc. | Sparse light field representation |
CN104361574A (zh) * | 2014-10-14 | 2015-02-18 | 南京信息工程大学 | 一种基于稀疏表示的无参考彩色图像质量评价方法 |
CN104376565A (zh) * | 2014-11-26 | 2015-02-25 | 西安电子科技大学 | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 |
Non-Patent Citations (4)
Title |
---|
WANGMENG ZUO ET AL.: "Gradient Histogram Estimation and Preservation for Texture Enhanced Image Denoising", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
张晓阳 等: "基于K-SVD和残差比的低信噪比图像稀疏表示去噪算法", 《光学技术》 * |
张涛: "无参考图像模糊度评价方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
桑庆兵 等: "稀疏表示的无参考图像质量评价方法(网络出版)", 《计算机科学与探索》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389275A (zh) * | 2017-08-08 | 2019-02-26 | 北京图森未来科技有限公司 | 一种图像标注方法和装置 |
WO2020038254A1 (zh) * | 2018-08-23 | 2020-02-27 | 杭州海康威视数字技术股份有限公司 | 一种用于目标识别的图像处理方法及装置 |
US11487966B2 (en) | 2018-08-23 | 2022-11-01 | Hangzhou Hikvision Digital Technology Co., Ltd. | Image processing method and apparatus for target recognition |
CN113128325A (zh) * | 2020-01-16 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 一种人脸识别方法和装置 |
CN111275682A (zh) * | 2020-01-19 | 2020-06-12 | 上海箱云物流科技有限公司 | 集装箱检测方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US10217204B2 (en) | 2019-02-26 |
US20170213331A1 (en) | 2017-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106997585A (zh) | 成像***及图像质量评价方法 | |
Leuschner et al. | LoDoPaB-CT, a benchmark dataset for low-dose computed tomography reconstruction | |
Tan et al. | Compressive imaging via approximate message passing with image denoising | |
Wilson et al. | A new metric for grey-scale image comparison | |
Giannatou et al. | Deep learning denoising of SEM images towards noise-reduced LER measurements | |
Xu et al. | Efficient low‐dose CT artifact mitigation using an artifact‐matched prior scan | |
CN102324089A (zh) | 基于广义熵与mr先验的pet图像最大后验重建方法 | |
CN113095402B (zh) | 一种基于编码输入的生成对抗网络故障检测方法及*** | |
US20200020506A1 (en) | System and method of analyzing a crystal defect | |
Siswantoro et al. | Monte Carlo method with heuristic adjustment for irregularly shaped food product volume measurement | |
Prasath | Quantum noise removal in X-ray images with adaptive total variation regularization | |
Li et al. | Multiplicative noise removal via adaptive learned dictionaries and TV regularization | |
Ji et al. | Image recovery via geometrically structured approximation | |
Chen et al. | Multidirectional edge detection based on gradient ghost imaging | |
Lei et al. | Adaptive convolution confidence sieve learning for surface defect detection under process uncertainty | |
Afkham et al. | Uncertainty quantification of inclusion boundaries in the context of x-ray tomography | |
Gouasnouane et al. | A nonlinear fractional partial differential equation for image inpainting | |
Vidal et al. | Use of fast realistic simulations on GPU to extract CAD models from microtomographic data in the presence of strong CT artefacts | |
Jalilian et al. | Deep learning based automated Vickers hardness measurement | |
Jerez et al. | Adaptive coded aperture design for compressive computed tomography | |
CN115359049A (zh) | 基于非线性扩散模型的有限角ct图像重建方法及装置 | |
Persson et al. | Bias–variance tradeoff in anticorrelated noise reduction for spectral CT | |
Mendhurwar et al. | Edge‐Detection in Noisy Images Using Independent Component Analysis | |
Kaur et al. | Performance Evaluation of various thresholding methods using canny edge detector | |
Yang et al. | Iterative excitation with noise rejection techniques for X-ray computed tomography of hollow turbine blades |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170801 |