CN110211085B - 一种图像融合质量评价方法和*** - Google Patents

一种图像融合质量评价方法和*** Download PDF

Info

Publication number
CN110211085B
CN110211085B CN201810168825.2A CN201810168825A CN110211085B CN 110211085 B CN110211085 B CN 110211085B CN 201810168825 A CN201810168825 A CN 201810168825A CN 110211085 B CN110211085 B CN 110211085B
Authority
CN
China
Prior art keywords
energy
image
pixel point
fused image
difference
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.)
Active
Application number
CN201810168825.2A
Other languages
English (en)
Other versions
CN110211085A (zh
Inventor
胡事民
朱哲
卢嘉铭
王敏轩
张松海
拉尔夫·马丁
刘涵涛
王巨宏
郑宇飞
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
Shenzhen Tencent Computer Systems Co Ltd
Original Assignee
Tsinghua University
Shenzhen Tencent Computer Systems Co Ltd
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, Shenzhen Tencent Computer Systems Co Ltd filed Critical Tsinghua University
Priority to CN201810168825.2A priority Critical patent/CN110211085B/zh
Publication of CN110211085A publication Critical patent/CN110211085A/zh
Application granted granted Critical
Publication of CN110211085B publication Critical patent/CN110211085B/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
    • 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
    • G06T7/0002—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像融合质量评价方法和***。其中，方法包括：获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差；根据每个对应位置的像素点的灰度值之差，获取融合后的图像中每个像素点的瑕疵度；根据融合后的图像中全部像素点的瑕疵度，获取融合后的图像的融合质量评价结果。***包括：灰度差模块，用于获取融合前后每个对应像素点的灰度值之差；瑕疵获取模块，用于根据灰度值之差获取每个像素点的瑕疵度；质量评价模块，用于根据瑕疵度获取融合质量评价结果。本发明提供的一种图像融合质量评价方法和***，能够客观、定量地反映融合后的图像与预期图像融合结果之间的差异，获得接近人眼观感的图像融合质量评价结果。

Description

一种图像融合质量评价方法和***
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种图像融合质量评价方法和***。
背景技术
在互联网时代，图像成为信息的主要载体。因此，图像编辑成为一种越来越重要的技术。在图像编辑的技术里，图像融合是一种广泛被使用的技术，在对象***、图像拼接中有重要的应用。
近些年来，图像融合技术得到了广泛深入的研究，出现了许多不同的图像融合算法。这些算法在不同的场景中都有具体的应用。最近兴起的虚拟现实技术中，图像的拼接融合是其中的关键技术。融合质量的好坏直接影响到用户的观看体验。由于不同的图像融合算法适用于不同的应用场景，因此自动地对图像融合效果进行评价成为急需解决的一个问题。
在图像处理技术中，图像质量评价一直得到了深入的研究。传统的图像质量评价方法主要分为两大类：有参考的图像质量评价方法和无参考的图像质量评价方法。有参考的图像质量评价方法指的是提供了基准图像，通过生成的图像和基准图像的比较得出评价结果的图像评价方法。在图像融合中，由于无法得到融合后的基准图像，因此有参考的图像质量融合方法不适用于图像融合质量评价。无参考的图像质量评价方法指的是不需要提供基准图像的方法。然而，传统的无参考的图像质量评价方法主要考虑图像本身的噪声、细节的解析力以及结构的保持程度等细节，这些方法没有专门针对图像融合质量进行分析，因此也不适用于图像融合的评价。因此，目前需要一种专门针对图像融合质量进行评价的方法。
发明内容
为克服现有技术存在的不能评价图像融合质量的不足，本发明提供一种图像融合质量评价方法和***。
根据本发明的第一方面，提供一种图像融合质量评价方法，包括：
S1、获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差；
S2、根据所述每个对应位置的像素点的灰度值之差，获取所述融合后的图像中每个像素点的瑕疵度；
S3、根据所述融合后的图像中全部像素点的瑕疵度，获取所述融合后的图像的融合质量评价结果；
其中，所述瑕疵度为融合后的图像中的像素点与该像素点的预期图像融合结果之间的差异程度。
优选地，所述步骤S1之前还包括：
将融合后的图像和融合前的图像转换为灰度图像。
优选地，所述步骤S2进一步包括：
S21、将所述每个对应位置的像素点的灰度值之差的绝对值作为第一能量图中每个对应位置的像素点的能量值，获得第一能量图；
S22、根据所述第一能量图中每个像素点的能量值，获取所述第一能量图的平均能量；
S23、根据所述第一能量图中每个像素点的能量值和所述平均能量，确定所述融合后的图像中每个像素点的瑕疵度。
优选地，所述步骤S22具体包括：
将所述第一能量图二值化，获得第二能量图，并统计所述第二能量图中非零像素点的数量；
获取所述第一能量图中每个像素点的能量值之和，将所述能量值之和作为所述第一能量图的能量总和；
根据所述第二能量图中非零像素点的数量和所述能量总和，获取所述平均能量。
优选地，所述步骤S23具体包括：
对于所述第一能量图中每个像素点，获取该像素点的能量值与所述平均能量之间的第一差值；
当所述第一差值大于零时，将所述第一差值作为该像素点对应位置的所述融合后的图像中像素点的瑕疵度；当所述第一差值不大于零时，将零作为该像素点对应位置的所述融合后的图像中像素点的瑕疵度。
优选地，所述步骤S3具体包括：
获取所述融合后的图像中全部像素点的瑕疵度的平方和，将所述平方和作为所述融合后的图像的融合质量评价结果。
根据本发明的第二方面，提供一种图像融合质量评价***，包括：
灰度差模块，用于获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差；
瑕疵获取模块，用于根据所述每个对应位置的像素点的灰度值之差，获取所述融合后的图像中每个像素点的瑕疵度；
质量评价模块，用于根据所述融合后的图像中全部像素点的瑕疵度，获取所述融合后的图像的融合质量评价结果；
其中，所述瑕疵度为融合后的图像中的像素点与该像素点的预期图像融合结果之间的差异程度。
优选地，所述瑕疵获取模块包括：
能量图子模块，用于将所述每个对应位置的像素点的灰度值之差的绝对值作为第一能量图中每个对应位置的像素点的能量值，获得第一能量图；
平均能量子模块，用于根据所述第一能量图中每个像素点的能量值，获取所述第一能量图的平均能量；
瑕疵计算子模块，用于根据所述第一能量图中每个像素点的能量值和所述平均能量，确定所述融合后的图像中每个像素点的瑕疵度。
根据本发明的第三方面，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述方法。
根据本发明的第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述方法。
本发明提供的一种图像融合质量评价方法和***，通过获取融合后的图像的每个像素点与预期图像融合结果之间的差异程度，从而获得融合后的图像与预期图像融合结果之间的整体差异情况，根据融合后的图像与预期图像融合结果之间的整体差异情况评价图像融合质量评价结果，能够客观、定量地反映融合后的图像与预期图像融合结果之间的差异，获得接近人眼观感的图像融合质量评价结果。
附图说明
图1为本发明实施例一种图像融合质量评价方法的流程图；
图2为本发明实施例一种图像融合质量评价***的功能框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明实施例一种图像融合质量评价方法的流程图。如图1所示，一种图像融合质量评价方法包括：步骤S1、获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差；步骤S2、根据每个对应位置的像素点的灰度值之差，获取融合后的图像中每个像素点的瑕疵度；步骤S3、根据融合后的图像中全部像素点的瑕疵度，获取融合后的图像的融合质量评价结果；其中，瑕疵度为融合后的图像中的像素点与该像素点的预期图像融合结果之间的差异程度。
本发明实施例提供的图像融合质量评价方法，适用但不限于以下情况：将图像A融合到图像B中，得到融合后的图像B’；其中，图像B和图B’分别为融合前和融合后的图像。
图像融合时，预期图像融合结果为融合前的图像。融合后的图像越接近融合前的图像，说明图像融合得越好。因此，融合后的图像与融合前的图像的差异越小，图像融合质量越高；融合后的图像与融合前的图像的差异越大，图像融合质量越低。
在实际图像融合过程中，由于边界情况不够理想等原因造成融合后的图像存在模糊、溢色等非预期的融合效果，融合后的图像中这些模糊、溢色的像素点被称为瑕疵。融合后的图像中模糊、溢色等非预期的融合效果的像素点，与融合前的图像的差异非常明显。
本发明实施例提供的图像融合质量评价方法的基本思路是：通过获取实际获得的融合后的图像B’中的瑕疵，并根据瑕疵评价图像融合质量。
具体地，步骤S1，将融合后的图像与融合前的图像每个对应位置的像素点的灰度值分别相减，获得每个对应位置的像素点的灰度值之差。
图像B融合了图像A后得到图像B’，图像B’与图像B每个对应位置的像素点的灰度值之差，反映了融合后的图像与融合前的图像每个位置的差异。
图像融合效果好的位置，融合后的图像与融合前的图像中该位置的差异非常小，即该位置的像素点的灰度值之差接近零。
步骤S2，根据融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差，可以获得每个像素点与该像素点的预期图像融合结果之间的差异程度。
像素点与该像素点的预期图像融合结果之间的差异程度为该像素点的瑕疵度。
某个像素点的瑕疵度越大，说明该像素点与该像素点的预期图像融合结果之间的差异越大，该像素点处的图像融合质量越低。
步骤S3，通过步骤S2获得融合后的图像的每个像素点的瑕疵度后，根据融合后的图像的每个像素点的瑕疵度，可以获得融合后的图像中瑕疵的整体情况；根据融合后的图像中瑕疵的整体情况，可以反映融合后的图像与预期图像融合结果之间的整体差异情况，从而根据融合后的图像与预期图像融合结果之间的整体差异情况获得融合后的图像的融合质量评价结果。
本发明实施例通过获取融合后的图像的每个像素点与预期图像融合结果之间的差异程度，从而获得融合后的图像与预期图像融合结果之间的整体差异情况，根据融合后的图像与预期图像融合结果之间的整体差异情况评价图像融合质量评价结果，能够客观、定量地反映融合后的图像与预期图像融合结果之间的差异，获得接近人眼观感的图像融合质量评价结果。
基于上述实施例，作为一种可选实施例，步骤S1之前还包括：将融合后的图像和融合前的图像转换为灰度图像。
需要说明的是，图像融合包括彩色图像的融合，也包括灰度图像的融合。
在进行灰度图像融合质量评价时，通过步骤S1可以直接获得融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差。
作为一种可选实施例，在进行彩色图像融合质量评价时，需要在获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差之前，采用相同的灰度化方法将融合后的图像和融合前的图像转换为灰度图像；将融合后的图像和融合前的图像转换为灰度图像后，将转换为灰度图像后的融合后的图像与融合前的图像每个对应位置的像素点的灰度值分别相减，获得融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差。
本发明实施例通过将融合后的图像和融合前的图像转换为灰度图像，能够获得彩色融合图像质量评价结果，客观、定量地反映融合后的图像与预期图像融合结果之间的差异，获得接近人眼观感的图像融合质量评价结果。
由于彩色图像包括几种分量，最常见的是RGB分量，作为另一种可选实施例，在进行彩色图像融合质量评价时，还可以将融合后的图像与融合前的图像每个对应位置的像素点的各分量值相减后，得到融合后的图像与融合前的图像的差分图像，再对差分图像进行灰度化，从而获得融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差。
基于上述实施例，步骤S2进一步包括：步骤S21、将每个对应位置的像素点的灰度值之差的绝对值作为第一能量图中每个对应位置的像素点的能量值，获得第一能量图；步骤S22、根据第一能量图中每个像素点的能量值，获取第一能量图的平均能量；步骤S23、根据第一能量图中每个像素点的能量值和平均能量，确定融合后的图像中每个像素点的瑕疵度。
具体地，通过步骤S2获取融合后的图像中每个像素点的瑕疵度进一步包括以下步骤。
步骤S21，通过步骤S1获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差后，将每个对应位置的像素点的灰度值之差的绝对值作为第一能量图中每个对应位置的像素点的值，即第一能量图中每个对应位置的像素点的能量值，从而获得第一能量图。
第一能量图中每个像素点的能量值，反映了该像素点对应位置的融合后的图像与融合前的图像之间的差异程度。该像素点对应位置的融合后的图像与融合前的图像之间的差异越大，第一能量图中该像素点的能量值越大。理想情况下，第一能量图中每个像素点的能量值相同。
由于融合后的图像中模糊、溢色等非预期的融合效果的像素的模糊、溢色等非预期的融合效果的程度越严重，这些像素点对应位置的第一能量图中的像素点的能量值越大，因此，融合后的图像中的瑕疵对应的第一能量图中的像素点的能量值会明显高于第一能量图中其他像素点的能量值。因此，可以选择合适的能量值的阈值，用于区分第一能量图中能量值明显偏大的像素点。
步骤S22，可以将第一能量图中全部像素点的能量值确定合适的能量值的阈值，该能量值的阈值称为第一能量图的平均能量。
步骤S23，通过步骤S22获得第一能量图的平均能量后，对于第一能量图中每个像素点，根据该像素点的能量值和平均能量，确定融合后的图像中该像素点对应位置的像素点的瑕疵度。
基于上述实施例，作为一种优选实施例，步骤S22具体包括：将第一能量图二值化，获得第二能量图，并统计第二能量图中非零像素点的数量；获取第一能量图中每个像素点的能量值之和，将能量值之和作为第一能量图的能量总和；根据第二能量图中非零像素点的数量和能量总和，获取平均能量。
作为一种优选实施例，平均能量通过以下步骤确定。
将第一能量图二值化，获得第二能量图。优选地，采用最大类间方差法，即大津法对第一能量图进行二值化，得到第二能量图。通过将第一能量图二值化，可以较好地区分融合后的图像中的瑕疵和非瑕疵。
最大类间方差法是一种自适应的阈值确定的方法简称OTSU。它是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此，使用类间方差最大的分割意味着错分概率最小。
获得第二能量图后，统计第二能量图中非零像素点的数量。第二能量图中非零像素点的数量，即融合后的图像中瑕疵的数量。
将第一能量图中全部像素点的能量值相加，获得第一能量图的能量总和。
根据第一能量图的能量总和第二能量图中非零像素点的数量，获取平均能量。
优选地，平均能量为
Figure BDA0001585232500000091
其中，Ah为第二能量图中非零像素点的数量；Eh为第一能量图的能量总和；α为常数，一般取2；δ为极小的常数，一般取10-8，以避免特殊情况下上式中的分母为0。
基于上述实施例，作为一种优选实施例，步骤S23具体包括：对于第一能量图中每个像素点，获取该像素点的能量值与平均能量之间的第一差值；当第一差值大于零时，将第一差值作为该像素点对应位置的融合后的图像中像素点的瑕疵度；当第一差值不大于零时，将零作为该像素点对应位置的融合后的图像中像素点的瑕疵度。
作为一种优选实施例，根据该像素点的能量值与平均能量之差，确定融合后的图像中该像素点对应位置的像素点的瑕疵度。
融合后的图像中像素点的瑕疵度B(x)为
Figure BDA0001585232500000092
其中，x表示第一能量图中该像素点对应位置的像素点的能量值。
本发明实施例根据第一能量图的平均能量对融合后的图像中的瑕疵进行量化，能够客观、定量地反映融合后的图像与预期图像融合结果之间的差异，获得接近人眼观感的图像融合质量评价结果。
基于上述实施例，作为一种优选实施例，步骤S3具体包括：获取融合后的图像中全部像素点的瑕疵度的平方和，将平方和作为融合后的图像的融合质量评价结果。
作为一种优选实施例，获得融合后的图像中每个像素点的瑕疵度后，计算融合后的图像中全部像素点的瑕疵度的平方和，将该平方和作为融合后的图像的融合质量评价结果。
V＝∑B(x)2
其中，V表示融合后的图像的融合质量评价结果。
融合后的图像中全部像素点的瑕疵度的平方和，为第一能量图中各像素点的能量值与平均能量之差的平方的综合，属于离差平方和，反映了融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差，与融合后的图像与融合前的图像全部对应位置的像素点的灰度值之差的平均值的偏离程度，反映了融合后的图像与预期图像融合结果之间的差异程度，因此，可以作为融合后的图像的融合质量评价结果。
本发明实施例将融合后的图像中全部像素点的瑕疵度的平方和作为融合后的图像的融合质量评价结果，准确反映了融合后的图像与预期图像融合结果之间的差异程度，获得接近人眼观感的图像融合质量评价结果。
图2为本发明实施例一种图像融合质量评价***的功能框图。如图2所示，基于上述实施例，一种图像融合质量评价***包括：灰度差模块201，用于获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差；瑕疵获取模块202，用于根据每个对应位置的像素点的灰度值之差，获取融合后的图像中每个像素点的瑕疵度；质量评价模块203，用于根据融合后的图像中全部像素点的瑕疵度，获取融合后的图像的融合质量评价结果；其中，瑕疵度为融合后的图像中的像素点与该像素点的预期图像融合结果之间的差异程度。
具体地，灰度差模块201与瑕疵获取模块202电连接，传输电信号；瑕疵获取模块202与质量评价模块203电连接，传输电信号。
灰度差模块201获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差后，将获取的融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差传输至瑕疵获取模块202。
瑕疵获取模块202接收融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差后，根据每个对应位置的像素点的灰度值之差，获取融合后的图像中每个像素点的瑕疵度，并将融合后的图像中每个像素点的瑕疵度传输至质量评价模块203。
质量评价模块203根据融合后的图像中全部像素点的瑕疵度，获取融合后的图像的融合质量评价结果。
本发明提供的图像融合质量评价***用于执行本发明提供的图像融合质量评价***。图像融合质量评价***包括的各模块实现相应功能的具体方法和流程详见上述图像融合质量评价***的实施例，此处不再赘述。
本发明实施例通过获取融合后的图像的每个像素点与预期图像融合结果之间的差异程度，从而获得融合后的图像与预期图像融合结果之间的整体差异情况，根据融合后的图像与预期图像融合结果之间的整体差异情况评价图像融合质量评价结果，能够客观、定量地反映融合后的图像与预期图像融合结果之间的差异，获得接近人眼观感的图像融合质量评价结果。
基于上述实施例，瑕疵获取模块202包括：能量图子模块，用于将每个对应位置的像素点的灰度值之差的绝对值作为第一能量图中每个对应位置的像素点的能量值，获得第一能量图；平均能量子模块，用于根据第一能量图中每个像素点的能量值，获取第一能量图的平均能量；瑕疵计算子模块，用于根据第一能量图中每个像素点的能量值和平均能量，确定融合后的图像中每个像素点的瑕疵度。
具体地，能量图子模块与平均能量子模块电连接，传输电信号；平均能量子模块与瑕疵计算子模块电连接，传输电信号。
能量图子模块获得第一能量图后，将第一能量图传输至平均能量子模块。
平均能量子模块获取第一能量图的平均能量后，将平均能量传输至瑕疵计算子模块。
瑕疵计算子模块根据第一能量图中每个像素点的能量值和平均能量，确定融合后的图像中每个像素点的瑕疵度。
本发明提供的图像融合质量评价***用于执行本发明提供的图像融合质量评价***。图像融合质量评价***的瑕疵获取模块包括的各子模块实现相应功能的具体方法和流程详见上述图像融合质量评价***的实施例，此处不再赘述。
基于上述实施例，本实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述各方法实施例所提供的方法，例如包括：图像融合质量评价方法、获取瑕疵度的方法。
基于上述实施例，本实施例公开一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：图像融合质量评价方法、获取瑕疵度的方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的图像融合质量评价***等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后，本发明的上述实施例仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种图像融合质量评价方法，其特征在于，包括：
S1、获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差；
S2、根据所述每个对应位置的像素点的灰度值之差，获取所述融合后的图像中每个像素点的瑕疵度；
S3、根据所述融合后的图像中全部像素点的瑕疵度，获取所述融合后的图像的融合质量评价结果；
其中，所述瑕疵度为融合后的图像中的像素点与该像素点的预期图像融合结果之间的差异程度；
其中，所述步骤S2进一步包括：
S21、将所述每个对应位置的像素点的灰度值之差的绝对值作为第一能量图中每个对应位置的像素点的能量值，获得第一能量图；
S22、根据所述第一能量图中每个像素点的能量值，获取所述第一能量图的平均能量；
S23、根据所述第一能量图中每个像素点的能量值和所述平均能量，确定所述融合后的图像中每个像素点的瑕疵度；
所述步骤S22具体包括：
将所述第一能量图二值化，获得第二能量图，并统计所述第二能量图中非零像素点的数量；
获取所述第一能量图中每个像素点的能量值之和，将所述能量值之和作为所述第一能量图的能量总和；
根据所述第二能量图中非零像素点的数量和所述能量总和，获取所述平均能量。
2.根据权利要求1所述的图像融合质量评价方法，其特征在于，所述步骤S1之前还包括：
将融合后的图像和融合前的图像转换为灰度图像。
3.根据权利要求1所述的图像融合质量评价方法，其特征在于，所述步骤S23具体包括：
对于所述第一能量图中每个像素点，获取该像素点的能量值与所述平均能量之间的第一差值；
当所述第一差值大于零时，将所述第一差值作为该像素点对应位置的所述融合后的图像中像素点的瑕疵度；当所述第一差值不大于零时，将零作为该像素点对应位置的所述融合后的图像中像素点的瑕疵度。
4.根据权利要求1至3任一所述的图像融合质量评价方法，其特征在于，所述步骤S3具体包括：
获取所述融合后的图像中全部像素点的瑕疵度的平方和，将所述平方和作为所述融合后的图像的融合质量评价结果。
5.一种图像融合质量评价***，其特征在于，包括：
灰度差模块，用于获取融合后的图像与融合前的图像每个对应位置的像素点的灰度值之差；
瑕疵获取模块，用于根据所述每个对应位置的像素点的灰度值之差，获取所述融合后的图像中每个像素点的瑕疵度；
其中，所述获取所述融合后的图像中每个像素点的瑕疵度包括：
将所述每个对应位置的像素点的灰度值之差的绝对值作为第一能量图中每个对应位置的像素点的能量值，获得第一能量图；
根据所述第一能量图中每个像素点的能量值，获取所述第一能量图的平均能量；
根据所述第一能量图中每个像素点的能量值和所述平均能量，确定所述融合后的图像中每个像素点的瑕疵度；
质量评价模块，用于根据所述融合后的图像中全部像素点的瑕疵度，获取所述融合后的图像的融合质量评价结果；
其中，所述瑕疵度为融合后的图像中的像素点与该像素点的预期图像融合结果之间的差异程度；
所述根据所述第一能量图中每个像素点的能量值，获取所述第一能量图的平均能量具体包括：
将所述第一能量图二值化，获得第二能量图，并统计所述第二能量图中非零像素点的数量；
获取所述第一能量图中每个像素点的能量值之和，将所述能量值之和作为所述第一能量图的能量总和；
根据所述第二能量图中非零像素点的数量和所述能量总和，获取所述平均能量。
6.根据权利要求5所述的图像融合质量评价***，其特征在于，所述瑕疵获取模块包括：
能量图子模块，用于将所述每个对应位置的像素点的灰度值之差的绝对值作为第一能量图中每个对应位置的像素点的能量值，获得第一能量图；
平均能量子模块，用于根据所述第一能量图中每个像素点的能量值，获取所述第一能量图的平均能量；
瑕疵计算子模块，用于根据所述第一能量图中每个像素点的能量值和所述平均能量，确定所述融合后的图像中每个像素点的瑕疵度。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
CN201810168825.2A 2018-02-28 2018-02-28 一种图像融合质量评价方法和*** Active CN110211085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810168825.2A CN110211085B (zh) 2018-02-28 2018-02-28 一种图像融合质量评价方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810168825.2A CN110211085B (zh) 2018-02-28 2018-02-28 一种图像融合质量评价方法和***

Publications (2)

Publication Number Publication Date
CN110211085A CN110211085A (zh) 2019-09-06
CN110211085B true CN110211085B (zh) 2021-04-27

Family

ID=67778767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810168825.2A Active CN110211085B (zh) 2018-02-28 2018-02-28 一种图像融合质量评价方法和***

Country Status (1)

Country Link
CN (1) CN110211085B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674232A (zh) * 2021-08-12 2021-11-19 Oppo广东移动通信有限公司 图像噪声预估方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1604139A (zh) * 2004-10-28 2005-04-06 上海交通大学 图像融合评价***的构建方法
CN101115131A (zh) * 2006-07-28 2008-01-30 南京理工大学 基于像素空间相关性的图像融合效果实时评价方法及装置
CN101334893A (zh) * 2008-08-01 2008-12-31 天津大学 基于模糊神经网络的融合图像质量综合评价方法
CN102682439A (zh) * 2012-01-15 2012-09-19 河南科技大学 基于多向经验模式分解的医学图像融合方法
CN103854265A (zh) * 2012-12-03 2014-06-11 西安元朔科技有限公司 一种新的多聚焦图像融合技术
CN105447837A (zh) * 2016-02-04 2016-03-30 重庆邮电大学 基于自适应云模型的多模态脑部图像融合方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1604139A (zh) * 2004-10-28 2005-04-06 上海交通大学 图像融合评价***的构建方法
CN101115131A (zh) * 2006-07-28 2008-01-30 南京理工大学 基于像素空间相关性的图像融合效果实时评价方法及装置
CN101334893A (zh) * 2008-08-01 2008-12-31 天津大学 基于模糊神经网络的融合图像质量综合评价方法
CN102682439A (zh) * 2012-01-15 2012-09-19 河南科技大学 基于多向经验模式分解的医学图像融合方法
CN103854265A (zh) * 2012-12-03 2014-06-11 西安元朔科技有限公司 一种新的多聚焦图像融合技术
CN105447837A (zh) * 2016-02-04 2016-03-30 重庆邮电大学 基于自适应云模型的多模态脑部图像融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Infrared and Low-Light-Level Image Fusion Quality Evaluation Based on the Grey Correlation Analysis;Weipeng Zhang;《Research Journal of Applied Sciences, Engineering and Technology》;20130525;第2902-2907页 *
objective Image Fusion Quality Evaluation Using Structural Similarity;ZHENG Youzhi 等;《TSINGHUA SCIENCE ANDTECHNOLOGY》;20091231;第703-709页 *

Also Published As

Publication number Publication date
CN110211085A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
US10169655B2 (en) Detection of logos in a sequence of video frames
US9619897B2 (en) Correction of blotches in component images
US20200311981A1 (en) Image processing method, image processing apparatus, image processing system, and learnt model manufacturing method
KR20180109665A (ko) 객체 검출을 위한 영상 처리 방법 및 장치
KR100485594B1 (ko) 영상에서의 잡음을 제거하기 위한 잡음 처리 방법 및 그시스템
CN109284673B (zh) 对象跟踪方法及装置、电子设备及存储介质
US8934534B2 (en) Method and system for providing reliable motion vectors
CN111696064B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN101299239B (zh) 文字区域图像的获取方法及装置、文字识别***
CN110708568B (zh) 一种视频内容突变检测方法及装置
CN111031359B (zh) 视频播放方法、装置、电子设备和计算机可读存储介质
CN116189079A (zh) 一种用于监控设备的异常检测方法及设备
US8442348B2 (en) Image noise reduction for digital images using Gaussian blurring
CN113762220B (zh) 目标识别方法、电子设备、计算机可读存储介质
Liu et al. Splicing forgery exposure in digital image by detecting noise discrepancies
CN110889817A (zh) 图像融合质量评价方法及装置
CN110211085B (zh) 一种图像融合质量评价方法和***
US7646892B2 (en) Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium
CN113628192B (zh) 图像模糊检测方法、装置、设备、存储介质及程序产品
CN116612355A (zh) 人脸伪造识别模型训练方法和装置、人脸识别方法和装置
US9589331B2 (en) Method and apparatus for determining a detection of a defective object in an image sequence as a misdetection
US11570331B2 (en) Image processing apparatus, image processing method, and storage medium
CN111161211B (zh) 一种图像检测方法及装置
KR102556350B1 (ko) 병변 면적비율 산출 방법 및 그를 위한 장치
CN110942420B (zh) 一种图像字幕的消除方法及装置

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