一种二维条码图像无参考质量评价方法及其装置、***
技术领域
本发明涉及图像处理技术领域,尤其是一种二维条码图像无参考质量评价方法及其装置、***。
背景技术
随着物联网技术的迅速发展,二维条码图像的应用越来越广泛。由于二维条码图像在获取、压缩、存储、传输和重建的过程中容易产生失真,且图像质量是衡量图像处理***性能的一个重要指标,因此图像质量评价对于评估和优化图像处理***至关重要。
图像质量评价方法可以分为主观评价和客观评价两大类。主观评价是观察者对图像质量进行评价,该方法较为费时费力,可操作性差,难以广泛应用。客观评价是通过建立数学模型,对图像质量进行计算,具有简单、可重复和计算效率高等优点,其中的一种客观评价方法为全参考图像质量评价方法,该类方法要求评价时必须要有原始参考图像进行比较,且参考图像须是清晰质量较好的,而在一些实际应用场景中无法获得参考图像,这就制约了该类方法的使用,并且其使用的数字图像质量评价函数一般为频域评价函数或统计学评价函数,而频域函数所带来的计算量非常大,不适用于实时***的评价应用,另一方面,由于二维条码图像容易受到光照不均等因素的影响,采用统计学函数评价时不能完全将二维条码图像特征进行正确计算评价,因此准确度较低,评价效果不稳定。
发明内容
为了解决上述问题,本发明的目的是提供一种二维条码图像无参考质量评价方法及其装置、***,无需原始参考图像,只需对待测二维条码图像进行评价,且采用空域函数进行评价,计算量相对较小,准确度更高,总体而言适用场景更广泛。
为了弥补现有技术的不足,本发明采用的技术方案是:
一种二维条码图像无参考质量评价方法,包括以下步骤:
S1、输入二维条码图像T1并对T1进行灰度变换,得到变换后的二维条码图像T2,T2的像素矩阵A表示为:
其中,1<i<M,1<j<N,N表示A的宽度,M表示A的高度,a(i,j)为T2中位置为(i,j)的像素点的像素值;
S2、计算T2的平均能量值E,表示为:
其中,p(i,j)表示a(i,j)在T2中出现的概率;
S3、将T2中所有像素点的像素值与平均能量值E进行比较,根据比较结果按权重求和获得能量清晰度值G,表示为:
同时计算T2的平均梯度平方值H,表示为:
其中,f(i,j)表示二维条码图像中位置为(i,j)的像素点的梯度值;
S4、计算T2的归一化评价值Q,以Q作为二维条码图像可否被识别的标准,表示为:Q=αG+βH,其中,α和β为评价系数。
进一步,所述步骤S4中Q的参考范围为0-255。
进一步,所述步骤S4中Q的可识别阈值为230。
一种二维条码图像无参考质量评价装置,包括:处理器和用于存储处理器可执行指令的存储器;所述处理器读取可执行指令并执行以下步骤:
输入二维条码图像T1并对T1进行灰度变换,得到变换后的二维条码图像T2,T2的像素矩阵A表示为:
其中,1<i<M,1<j<N,N表示A的宽度,M表示A的高度,a(i,j)为T2中位置为(i,j)的像素点的像素值;
计算T2的平均能量值E,表示为:
其中,p(i,j)表示a(i,j)在T2中出现的概率;
将T2中所有像素点的像素值与平均能量值E进行比较,根据比较结果按权重求和获得能量清晰度值G,表示为:
同时计算T2的平均梯度平方值H,表示为:
其中,f(i,j)表示二维条码图像中位置为(i,j)的像素点的梯度值;
计算T2的归一化评价值Q,以Q作为二维条码图像可否被识别的标准,表示为:Q=αG+βH,其中,α和β为评价系数。
进一步,所述Q的参考范围为0-255。
进一步,所述Q的可识别阈值为230。
一种二维条码图像无参考质量评价***,包括:
灰度变换模块,用于输入二维条码图像T1并对T1进行灰度变换,得到变换后的二维条码图像T2,T2的像素矩阵A表示为:
其中,1<i<M,1<j<N,N表示A的宽度,M表示A的高度,a(i,j)为T2中位置为(i,j)的像素点的像素值;
平均能量计算模块,用于计算T2的平均能量值E,表示为:
其中,p(i,j)表示a(i,j)在T2中出现的概率;
评价值分量获取模块,用于将T2中所有像素点的像素值与平均能量值E进行比较,根据比较结果按权重求和获得能量清晰度值G,表示为:
同时用于计算T2的平均梯度平方值H,表示为:
其中,f(i,j)表示二维条码图像中位置为(i,j)的像素点的梯度值;
评价标准计算模块,计算T2的归一化评价值Q,以Q作为二维条码图像可否被识别的标准,表示为:Q=αG+βH,其中,α和β为评价系数。
进一步,由所述评价标准计算模块计算所得的Q的参考范围为0-255。
进一步,由所述评价标准计算模块计算所得的Q的可识别阈值为230。
本发明的有益效果是:直接对待测二维条码图像进行评价,通过对输入的二维条码图像依次进行以下处理:灰度变换,以便获取其像素矩阵,然后计算平均能量值,以便将像素点的像素值与平均能量值进行对比,从而计算得能量清晰度值,同时再获取平方梯度平方值,从而最终得到评价二维条码图像可否被识别的标准的评价值;可见本发明所采用的评价函数都是空域函数,计算量相对较小,可以提升整体评价的准确度,一般采用计算机的简单编程即可实现,且并不涉及到二维条码图像的频域或是其大规模的统计量。因此,本发明无需原始参考图像,只需对待测二维条码图像进行评价,且采用空域函数进行评价,计算量相对较小,准确度更高,总体而言适用场景更广泛。
附图说明
下面结合附图给出本发明较佳实施例,以详细说明本发明的实施方案。
图1是本发明的评价方法的步骤流程图;
图2是作为评价样本的二维条码图像;
图3是采用本发明及其它方法评价图2中二维条码图像的对比曲线图。
具体实施方式
参照图1,一种二维条码图像无参考质量评价方法,包括以下步骤:
S1、输入二维条码图像T1并对T1进行灰度变换,得到变换后的二维条码图像T2,T2的像素矩阵A表示为:
其中,1<i<M,1<j<N,N表示A的宽度,M表示A的高度,a(i,j)为T2中位置为(i,j)的像素点的像素值;
S2、计算T2的平均能量值E,表示为:
其中,p(i,j)表示a(i,j)在T2中出现的概率;
S3、将T2中所有像素点的像素值与平均能量值E进行比较,根据比较结果按权重求和获得能量清晰度值G,表示为:
同时计算T2的平均梯度平方值H,表示为:
其中,f(i,j)表示二维条码图像中位置为(i,j)的像素点的梯度值;
S4、计算T2的归一化评价值Q,以Q作为二维条码图像可否被识别的标准,表示为:Q=αG+βH,其中,α和β为评价系数。
具体地,所述步骤S3中,根据二维条码图像的二值化特性,把像素值a(i,j)大于或等于平均能量值E的像素点认为是由原清晰二维条码图像的亮点退化形成;把像素值a(i,j)小于平均能量E的像素点认为是由原清晰二维条码图像的暗点退化形成。因此,采取不同的加权系数,将由亮点退化形成的像素点的能量清晰度值按(255-a(i,j))2取值,将由暗点退化形成的像素点的能量清晰度值按(a(i,j))2取值;
在步骤S3中,平均梯度平方值H表征二维条码图像的各像素点的像素值相较其x和y方向上的其它像素点的像素值的偏离程度,是二维条码图像模糊程度的参考指标;
在步骤S4中,根据申请人的模拟计算结果,Q的参考范围为[0,255],Q的大小表征二维条码图像的清晰程度,Q值越大时二维条码图像越模糊,因此对于不同的二维条码图像,Q可作为其可否被识别的统一标准,作为参考的可识别阈值为230,在参考阈值以下的二维条码图像不能被正确识别;其中,α和β是可变的,具体可根据H和G的权重关系进行调节,其值不做限定,在实验中可在计算机上进行设置;
本实施例直接对待测二维条码图像进行评价,通过对输入的二维条码图像依次进行以下处理:灰度变换,以便获取其像素矩阵,然后计算平均能量值,以便将像素点的像素值与平均能量值进行对比,从而计算得能量清晰度值,同时再获取平方梯度平方值,从而最终得到评价二维条码图像可否被识别的标准的评价值;可见本实施例所采用的评价函数都是空域函数,计算量相对较小,可以提升整体评价的准确度,一般采用计算机的简单编程即可实现,且并不涉及到二维条码图像的频域或是其大规模的统计量。因此,本实施例无需原始参考图像,只需对待测二维条码图像进行评价,且采用空域函数进行评价,计算量相对较小,准确度更高,总体而言适用场景更广泛。
参照图2和图3,针对不同模糊程度的二维条码图像,采用本发明中的手段计算得到的图像质量评价值,可以准确的表示出相应二维条码图像的模糊程度。通过与其他三种图像质量评价方法对比,我们发现,PSNR法与Brenner法在二维条码模糊程度评价上误差较大,不满足主观视觉特征,而本发明所采用的手段与SSIM法的一致性较好,满足图像质量评价函数的单峰性与一致性的特点,并且本发明相较于SSIM法计算量小,且不需要参考图像。因此,可以看出:本发明提出的无参考质量评价方法计算量小,时间复杂度低,符合视觉特征并且能够更为准确的对图像序列进行评价。
其中,PSNR(Peak Signal to Noise Ratio),即峰值信噪比,是一种评价图像的客观标准方法;
Brenner,又称为梯度滤波器法,是一种常见图像处理手段;
SSIM(structural similarity index),即结构相似性,是一种衡量两幅图像相似度的指标方法。
一种二维条码图像无参考质量评价装置,包括:处理器和用于存储处理器可执行指令的存储器;所述处理器读取可执行指令并执行以下步骤:
输入二维条码图像T1并对T1进行灰度变换,得到变换后的二维条码图像T2,T2的像素矩阵A表示为:
其中,1<i<M,1<j<N,N表示A的宽度,M表示A的高度,a(i,j)为T2中位置为(i,j)的像素点的像素值;
计算T2的平均能量值E,表示为:
其中,p(i,j)表示a(i,j)在T2中出现的概率;
将T2中所有像素点的像素值与平均能量值E进行比较,根据比较结果按权重求和获得能量清晰度值G,表示为:
同时计算T2的平均梯度平方值H,表示为:
其中,f(i,j)表示二维条码图像中位置为(i,j)的像素点的梯度值;
计算T2的归一化评价值Q,以Q作为二维条码图像可否被识别的标准,表示为:Q=αG+βH,其中,α和β为评价系数。
具体地,根据二维条码图像的二值化特性,把像素值a(i,j)大于或等于平均能量值E的像素点认为是由原清晰二维条码图像的亮点退化形成;把像素值a(i,j)小于平均能量E的像素点认为是由原清晰二维条码图像的暗点退化形成。因此,采取不同的加权系数,将由亮点退化形成的像素点的能量清晰度值按(255-a(i,j))2取值,将由暗点退化形成的像素点的能量清晰度值按(a(i,j))2取值;
平均梯度平方值H表征二维条码图像的各像素点的像素值相较其x和y方向上的其它像素点的像素值的偏离程度,是二维条码图像模糊程度的参考指标;
根据申请人的模拟计算结果,Q的参考范围为[0,255],Q的大小表征二维条码图像的清晰程度,Q值越大时二维条码图像越模糊,因此对于不同的二维条码图像,Q可作为其可否被识别的统一标准,作为参考的可识别阈值为230,在参考阈值以下的二维条码图像不能被正确识别;其中,α和β是可变的,具体可根据H和G的权重关系进行调节,其值不做限定,在实验中可在计算机上进行设置;
本实施例直接对待测二维条码图像进行评价,通过对输入的二维条码图像依次进行以下处理:灰度变换,以便获取其像素矩阵,然后计算平均能量值,以便将像素点的像素值与平均能量值进行对比,从而计算得能量清晰度值,同时再获取平方梯度平方值,从而最终得到评价二维条码图像可否被识别的标准的评价值;可见本实施例所采用的评价函数都是空域函数,计算量相对较小,可以提升整体评价的准确度,一般采用计算机的简单编程即可实现,且并不涉及到二维条码图像的频域或是其大规模的统计量。因此,本实施例无需原始参考图像,只需对待测二维条码图像进行评价,且采用空域函数进行评价,计算量相对较小,准确度更高,总体而言适用场景更广泛。
参照图2和图3,针对不同模糊程度的二维条码图像,采用本发明中的手段计算得到的图像质量评价值,可以准确的表示出相应二维条码图像的模糊程度。通过与其他三种图像质量评价方法对比,我们发现,PSNR法与Brenner法在二维条码模糊程度评价上误差较大,不满足主观视觉特征,而本发明所采用的手段与SSIM法的一致性较好,满足图像质量评价函数的单峰性与一致性的特点,并且本发明相较于SSIM法计算量小,且不需要参考图像。因此,可以看出:本发明提出的无参考质量评价方法计算量小,时间复杂度低,符合视觉特征并且能够更为准确的对图像序列进行评价。
一种二维条码图像无参考质量评价***,包括:
灰度变换模块,用于输入二维条码图像T1并对T1进行灰度变换,得到变换后的二维条码图像T2,T2的像素矩阵A表示为:
其中,1<i<M,1<j<N,N表示A的宽度,M表示A的高度,a(i,j)为T2中位置为(i,j)的像素点的像素值;
平均能量计算模块,用于计算T2的平均能量值E,表示为:
其中,p(i,j)表示a(i,j)在T2中出现的概率;
评价值分量获取模块,用于将T2中所有像素点的像素值与平均能量值E进行比较,根据比较结果按权重求和获得能量清晰度值G,表示为:
同时用于计算T2的平均梯度平方值H,表示为:
其中,f(i,j)表示二维条码图像中位置为(i,j)的像素点的梯度值;
评价标准计算模块,计算T2的归一化评价值Q,以Q作为二维条码图像可否被识别的标准,表示为:Q=αG+βH,其中,α和β为评价系数。
具体地,灰度变换模块、平均能量计算模块、评价值分量获取模块和评价标准计算模块依次连接,即在本实施例的***中依次执行所述模块的相应功能;
根据二维条码图像的二值化特性,把像素值a(i,j)大于或等于平均能量值E的像素点认为是由原清晰二维条码图像的亮点退化形成;把像素值a(i,j)小于平均能量E的像素点认为是由原清晰二维条码图像的暗点退化形成。因此,采取不同的加权系数,将由亮点退化形成的像素点的能量清晰度值按(255-a(i,j))2取值,将由暗点退化形成的像素点的能量清晰度值按(a(i,j))2取值;
由评价值分量获取模块计算而得的平均梯度平方值H表征二维条码图像的各像素点的像素值相较其x和y方向上的其它像素点的像素值的偏离程度,是二维条码图像模糊程度的参考指标;
根据申请人的模拟计算结果,由评价标准计算模块计算而得的Q的参考范围为[0,255],Q的大小表征二维条码图像的清晰程度,Q值越大时二维条码图像越模糊,因此对于不同的二维条码图像,Q可作为其可否被识别的统一标准,作为参考的可识别阈值为230,在参考阈值以下的二维条码图像不能被正确识别;其中,α和β是可变的,具体可根据H和G的权重关系进行调节,其值不做限定,在实验中可在计算机上进行设置;
本实施例直接对待测二维条码图像进行评价,通过对输入的二维条码图像依次进行以下处理:灰度变换,以便获取其像素矩阵,然后计算平均能量值,以便将像素点的像素值与平均能量值进行对比,从而计算得能量清晰度值,同时再获取平方梯度平方值,从而最终得到评价二维条码图像可否被识别的标准的评价值;可见本实施例所采用的评价函数都是空域函数,计算量相对较小,可以提升整体评价的准确度,一般采用计算机的简单编程即可实现,且并不涉及到二维条码图像的频域或是其大规模的统计量。因此,本实施例无需原始参考图像,只需对待测二维条码图像进行评价,且采用空域函数进行评价,计算量相对较小,准确度更高,总体而言适用场景更广泛。
参照图2和图3,针对不同模糊程度的二维条码图像,采用本发明中的手段计算得到的图像质量评价值,可以准确的表示出相应二维条码图像的模糊程度。通过与其他三种图像质量评价方法对比,我们发现,PSNR法与Brenner法在二维条码模糊程度评价上误差较大,不满足主观视觉特征,而本发明所采用的手段与SSIM法的一致性较好,满足图像质量评价函数的单峰性与一致性的特点,并且本发明相较于SSIM法计算量小,且不需要参考图像。因此,可以看出:本发明提出的无参考质量评价方法计算量小,时间复杂度低,符合视觉特征并且能够更为准确的对图像序列进行评价。
以上内容对本发明的较佳实施例和基本原理作了详细论述,但本发明并不局限于上述实施方式,熟悉本领域的技术人员应该了解在不违背本发明精神的前提下还会有各种等同变形和替换,这些等同变形和替换都落入要求保护的本发明范围内。