CN111354048B - 一种面向相机获取图片的质量评价方法和装置 - Google Patents

一种面向相机获取图片的质量评价方法和装置 Download PDF

Info

Publication number
CN111354048B
CN111354048B CN202010112925.0A CN202010112925A CN111354048B CN 111354048 B CN111354048 B CN 111354048B CN 202010112925 A CN202010112925 A CN 202010112925A CN 111354048 B CN111354048 B CN 111354048B
Authority
CN
China
Prior art keywords
image
picture
quality
extracting
estimating
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
CN202010112925.0A
Other languages
English (en)
Other versions
CN111354048A (zh
Inventor
刘玉涛
李秀
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.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua 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 Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202010112925.0A priority Critical patent/CN111354048B/zh
Publication of CN111354048A publication Critical patent/CN111354048A/zh
Application granted granted Critical
Publication of CN111354048B publication Critical patent/CN111354048B/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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种面向相机获取图片的质量评价方法和装置，该方法包括如下步骤：S1，提取亮度和色度特征，估计输入图片的亮度和色度；S2，提取图片噪声的特征，估计输入图片的噪声程度；S3，提取结构特征，估计输入图片的模糊程度；S4，提取对比度特征，估计输入图片的对比度；S5，提取图片归一化系数的统计特征，估计图片的自然度；S6，提取图片的视觉感知特征，估计图片的视觉感知的变化；S7，在训练集上利用支持向量回归方法学习一个由步骤S1‑S6提取的图像特征到图像质量的映射模型，用于预测图像的质量。本发明不需要参考原始图像，同时能够取得较高的预测性能，具有广泛的应用价值。

Description

一种面向相机获取图片的质量评价方法和装置
技术领域
本发明涉及图像处理技术领域，具体地，涉及一种面向相机获取图片的质量评价方法和装置。
背景技术
随着移动终端设备的普及，利用相机拍摄图像变得越来越便利。然而，在图像获取过程中，由于种种因素导致获取的图片质量不佳，影响到图像的后续应用。数字图像成为信息产业的重要支柱，图像质量评价技术对于信息产业具有广泛的应用价值。例如，在图像获取中，图像质量评价可以被应用于实时监测获取图像的质量，对低质量图像给出提示，剔除低质量的图像；图像质量评价可以被应用于图像压缩的过程中，一是用来衡量压缩算法的有效性，二是对压缩算法进行指导，使得压缩之后尽量减小图像质量的损失；图像质量评价还可以用来判断图像处理算法的优劣。
图像质量评价从广义上可以分为主观质量评价和客观质量评价，主观质量评价是指由观测者根据自身的经验对图像质量的好坏进行打分，客观质量评价是指通过设计客观算法来对图像的质量进行评价。好的客观质量评价方法应该与主观质量评价的结果相一致。由于在图像应用中，图像的最终接受者是人，所以主观质量评价是最可靠、最准确的评价方法，然而，主观质量评价需要耗费大量的人力、物力和时间来对图像的质量进行打分，而且图像的数量越多，主观质量评价的难度越大，甚至无法实施，因此，客观质量评价方法显得尤为重要。
在客观质量评价方面，均方误差(MSE)和峰值性噪比(PSNR)尽管有时候与测试者的主观评分不是特别符合，但由于其简单性，MSE和PSNR仍然是目前最普遍的质量评价标准。Wang,Z.等人在《IEEE Trans.Image Process》第13卷第4期第600页至第612页发表的论文“Image quality assessment:from error visibility to structural similarity”中提出的结构相似性方法(SSIM)通过比较原始图像和失真图像的结构相似性来评价失真图像的质量。Sheikh,H.R.等人在《IEEE Trans.Image Process》第15卷第2期第430页至第444页发表的论文《Image information and visual quality》中提出视觉信息保真度方法(VIF)，通过量化图像的信息损失来进行图像质量评价。Zhang,L.等人在《IEEETrans.Image Process》第20卷第8期第2378页至2386页发表的论文“FSIM:A FeatureSimilarity Index for Image Quality Assessment”中利用梯度特征和相位一致性特征来评价图像的质量。Xue,W等人在《IEEE Trans.Image Process》第23卷第2期第684页至695页发表的论文“Gradient Magnitude Similarity Deviation:AHighly EfficientPerceptual Image Quality Index”中利用梯度信息进行质量评价。Gao,X.等人在《IEEETrans.Image Process》第18卷第7期第1409页至1423页发表的论文“Image QualityAssessment Based on Multiscale Geometric Analysis”中对图像进行多尺度分解，对分解系数用人眼对比度敏感函数进行加权，之后用最小可觉差(Just NoticeableDifference，JND)模型对系数进行处理，提取直方图特征预测图像质量。Xue,W等人在《IEEETrans.Image Process》第23卷第2期第684页至695页发表的论文“Gradient MagnitudeSimilarity Deviation:A Highly Efficient Perceptual Image Quality Index”中利用梯度信息进行质量评价。Liu,H.等人在《IEEE Trans.Circuits Syst.Video Technol.》第21卷第7期第971页至第982页提出的Blind Image Quality Indices(BIQI)模型，该模型将图像失真进行分类之后再进行质量评价。
发明内容
本发明的主要目的是克服上述技术缺陷中的至少一种，提供一种面向相机获取图片的质量评价方法和装置。
为实现以上目的，本发明提供一种面向相机获取图片的质量评价方法，所述方法包括以下步骤：
S1，提取亮度和色度特征，估计输入图片的亮度和色度；
S2，提取图片噪声的特征，估计输入图片的噪声程度；
S3，提取结构特征，估计输入图片的模糊程度；
S4，提取对比度特征，估计输入图片的对比度；
S5，提取图片归一化系数的统计特征，估计图片的自然度；
S6，提取图片的视觉感知特征，估计图片的视觉感知的变化；
S7，在训练集上利用支持向量回归方法学习一个由步骤S1-S6提取的图像特征到图像质量的映射模型，以用于预测图像的质量。
优选地，所述步骤S1中，将图像从RGB空间转换到HSI空间，提取图像每个通道的均值作为图像的亮度特征和色度特征。
优选地，所述步骤S2中，利用自然图像尺度不变性原理，对干净图像和对应噪声图像的峰度之间的关系进行建模，求解图像噪声的方差。
优选地，所述步骤S3中，提取图像的结构特征，包括图像的梯度强度和相位一致性，然后融合两个特征对图像的局部结构特征进行描述，从而量化图像的模糊程度。
优选地，所述梯度强度，是指：梯度强度的计算用Sobel算子对图像进行卷积，得到水平和竖直方向的梯度图，然后取水平和竖直两个方向梯度图的平方和的算术平方根作为梯度强度图。
优选地，所述提取图像的相位一致性特征，是指：采用Kovesi的计算方法，计算图像的相位一致性特征。
优选地，所述步骤S4中，计算中心像素与其周围上下左右像素之间的差异来衡量图像的对比度，差异越大，对比度越高。
优选地，所述步骤S5中，利用图像局部的均值和方差对图像进行局部归一化，然后利用0均值的广义高斯分布对得到的归一化系数进行拟合，提取拟合参数来估计图像的自然度。
优选地，所述步骤S6中，对图像进行以块为单位的稀疏表示，然后计算图像与其稀疏表示之间的差异，求表示残差的均值、方差、峰度、偏度和信息熵。
优选地，所述步骤S7中，利用一组失真图像，对每一幅图像提取亮度、色度、噪度等特征，然后将提取的特征与图像对应的主观分数输入到支持向量回归模型中，学习出图像特征到图像质量的映射模型，利用该模型来预测图像的质量。
一种面向相机获取图片的质量评价装置，包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有可执行程序，所述可执行程序被所述处理器执行时，实现所述的面向相机获取图片的质量评价方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有可执行程序，所述可执行程序被处理器执行时，实现所述的面向相机获取图片的质量评价方法。
本发明的有益效果：
本发明提供了一种面向相机获取图片的质量评价方法和装置，提取对图像质量变化敏感的特征，表征图像质量的变化，利用支持向量回归模型学习图像特征到图像质量的映射，从而对图像的质量做出判断。本发明不需要参考原始图像，同时能够取得较高的预测性能，具有广泛的应用价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明面向相机获取图片的质量评价方法的一实施例的原理图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
相机拍摄图像的退化原因多种多样，本发明实施例抓住影响图像质量的主要因素，包括亮度、色度、对比度、噪度、模糊度等，并分别进行建模，提取相应的特征来描述影响图像质量的因素，利用支持向量回归模型学习图像特征到图像质量的映射。
图1为本发明面向相机获取图片的质量评价方法的一实施例的原理图。如图1所示，本发明实施例提供一种面向相机获取图片的质量评价方法，在该方法包括：S1，提取亮度和色度特征，估计输入图片的亮度和色度；S2，提取图片噪声的特征，估计输入图片的噪声程度；S3，提取结构特征，估计输入图片的模糊程度；S4，提取对比度特征，估计输入图片的对比度；S5，提取图片归一化系数的统计特征，估计图片的自然度；S6，提取图片的视觉感知特征，估计图片的视觉感知的变化；S7，在训练集上利用支持向量回归方法学习一个由步骤S1-S6提取的图像特征到图像质量的映射模型，以用于预测图像的质量。通过提取对图像质量变化敏感的特征，包括亮度、色度、噪度、模糊度、对比度、自然度和视觉感知统计特征来表征图像质量的变化，利用支持向量回归模型学习图像特征到图像质量的映射，从而对图像的质量做出判断。此方法不需要参考原始图像，同时能够取得较高的预测性能。
在一实施例中，上述的一种面向相机获取图片的质量评价方法具体实施过程和详细细节如下：
首先将输入的图片从RGB空间转换到HSI空间：
Figure GDA0004079550540000041
其中，I为输入图像，
Figure GDA0004079550540000042
为转换后的图像，T(·)为色度空间转换函数。然后，分别计算亮度特征和色度特征：
Figure GDA0004079550540000051
Figure GDA0004079550540000052
Figure GDA0004079550540000053
其中，F1表示亮度特征，F2和F3表示色度特征，
Figure GDA0004079550540000054
为图像的亮度通道，/>
Figure GDA0004079550540000055
和/>
Figure GDA0004079550540000056
为图像的两个色度通道，N表示图像像素的数目。
然后估计图像中噪声的方差，从而估计图像的噪声程度，假设干净无噪声的图像为x，与其对应的噪声图像为y，则y的峰度与x的峰度以及x的方差、噪声的方差的关系可以表示为：
Figure GDA0004079550540000057
其中，κy表示y的峰度，κx表示x的峰度，α是x分布的形状参数，
Figure GDA0004079550540000058
是x的方差，/>
Figure GDA0004079550540000059
是噪声的方差。那么噪声的方差和图像x峰度的估计可以通过最小化下式进行求解：
Figure GDA00040795505400000510
其中，
Figure GDA00040795505400000511
为x峰度的估计，/>
Figure GDA00040795505400000512
为噪声方差的估计，/>
Figure GDA00040795505400000513
和/>
Figure GDA00040795505400000514
为yi的方差和峰度，yi是将y用第i个DCT滤波器进行滤波得到的图像。利用/>
Figure GDA00040795505400000515
表示图像噪声程度的高低。
提取图像的结构特征，利用结构特征来估计图像的模糊程度，分别计算图像的梯度强度和相位一致性来提取图像的内部结构。梯度强度的计算过程为：利用Sobel算子对图像进行卷积，得到水平和竖直两个方向的梯度图：
Figure GDA00040795505400000516
其中，Gx表示水平方向的梯度，Gy表示竖直方向的梯度，然后计算梯度强度图：
Figure GDA00040795505400000517
其中，GM表示梯度强度图。
利用Kovesi方法提取图像的相位一致性：给定一个一维信号s，定义
Figure GDA00040795505400000518
和/>
Figure GDA00040795505400000519
分别为偶和奇对称的n尺度下的滤波器，它们形成正交的一对滤波器，这里用log-Gabor滤波器来近似，用这对滤波器对图像进行滤波，得到在j位置的响应/>
Figure GDA00040795505400000520
Figure GDA0004079550540000061
振幅定义为/>
Figure GDA0004079550540000062
令F(j)＝∑nen(j)，H(j)＝∑non(j)，则相位一致性PC计算为：
Figure GDA0004079550540000063
其中，
Figure GDA0004079550540000064
ε是一个小的正数，防止分母出现0，一维信号PC的计算推广到二维信号PC的计算，定义为：
Figure GDA0004079550540000065
其中，o代表各个方向的索引。
融合梯度强度图与相位一致性图，得到图像的局部结构图：
LS(i，j)＝max{GM(i，j)，PC(i，j)}
其中，LS表示局部结构图，(i，j)表示像素位置，max表示取最大值操作。对局部结构图进行池化，得到图像的模糊程度的估计：
Figure GDA0004079550540000066
其中，s表示图像的模糊程度，Ω为LS中前20％最大值的集合，M为Ω中元素的个数。
估计图像的对比度，逐像素计算中心像素与周围相邻像素之间的差异，差异越大，图像的对比度越高，假设当前像素值为a，与其相邻上方的像素值为a1，下方的像素值为a2，左方的像素值为a3，右方的像素值为a4，当前像素与周围像素值的差异定义为：
Figure GDA0004079550540000067
其中，d表示像素值之间的差异值。
估计图像的自然度，利用局部均值和方差对图像进行局部归一化，得到归一化图像，是指：计算图像的归一化系数，即：
Figure GDA0004079550540000068
其中，I为输入图像，(x，y)表示位置信息，
Figure GDA0004079550540000069
表示归一化系数图像，μ(x，y)，σ(x，y)为以(x，y)为中心局部的均值和方差，然后利用0均值广义高斯分布对局部归一化图像进行拟合，广义高斯分布的概率密度定义为：
Figure GDA00040795505400000610
其中，Γ(·)是gamma函数，定义为：
Figure GDA0004079550540000071
其中，α是形状参数，描述分布的形状，β表示标准差，这两个参数可以刻画分布的情况，提取这两个参数描述图像的自然程度。
提取图像的视觉感知统计特征，对于图像I，首先提取其中一个图像块进行稀疏表示，假设为
Figure GDA0004079550540000072
其大小为/>
Figure GDA0004079550540000073
该过程可以表示为：
xk＝Rk(I)
其中，Rk(·)为图像块提取算子，提取在位置k的图像块，k＝1，2，3，....，n，n表示图像块的总数。
对于图像块xk，它在字典
Figure GDA0004079550540000074
上的稀疏表示是指求一个稀疏向量
Figure GDA0004079550540000075
中大多数元素为0或者接近于0)满足：
Figure GDA0004079550540000076
其中，第一项为保真度项，第二项稀疏约束项，λ为常数，用来平衡两项的比重，p取值为0或1，如果p取值为0时，稀疏项表示系数中非0的个数，与我们要求的稀疏性一致，然而，0范数的优化问题是非凸的，求解比较困难，替代的解决方案是将p设置为1，这样，上式就变为凸优化问题的求解。利用正交匹配追踪算法(OMP)求解上式，得到图像块xk的稀疏表示系数
Figure GDA0004079550540000077
则xk可以稀疏表示为/>
Figure GDA0004079550540000078
整幅图像I的稀疏表示可以写为：
Figure GDA0004079550540000079
其中，I′表示图像I的稀疏表示。图像失真改变了大脑对图像的理解方式，或稀疏表达方式，因此利用图像与其稀疏表示方式之间的差异来描述图像质量的变化情况。首先计算输入图像与稀疏表示之间的残差：
PR(x，y)＝I(x，y)-I′(x，y)
其中，PR为表示残差，I为输入图像(或图像块)，I′为输入图像的稀疏表示。提取表示残差的统计特征来对表示残差进行池化，计算均值、方差、峰度、偏度和信息熵池化表示残差，假设ε(·)为取均值操作，那么表示的均值、方差、峰度和偏度可以计算为：
mPR＝ε(PR)
Figure GDA00040795505400000710
Figure GDA0004079550540000081
Figure GDA0004079550540000082
信息熵计算为：
Figure GDA0004079550540000083
其中，pi为第i级灰度的概率密度。
训练质量评价预测模型，利用一组失真图像，对每一幅图像提取以上特征，然后将提取的特征与对应的主观分数输入到支持向量回归模型中，训练一个质量模型，然后利用该模型来预测其他图像的质量。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (9)

1.一种面向相机获取图片的质量评价方法，其特征在于，包括如下步骤：
S1，提取亮度和色度特征，估计输入图片的亮度和色度；
S2，提取图片噪声的特征，估计输入图片的噪声程度；其中，利用自然图像尺度不变性原理，对干净图像和对应噪声图像的峰度之间的关系进行建模，求解图像噪声的方差；
S3，提取图像的结构特征，估计输入图片的模糊程度；其中，提取的图像的结构特征包括图像的梯度强度和相位一致性，然后融合梯度强度和相位一致性对图像的局部结构特征进行描述，从而量化图像的模糊程度；
S4，提取对比度特征，估计输入图片的对比度；其中，计算中心像素与其周围上下左右像素之间的差异来衡量图像的差异，差异越大，对比度越高；
S5，提取图片归一化系数的统计特征，估计图片的自然度；其中，利用图像局部的均值和方差对图像进行局部归一化，然后利用0均值的广义高斯分布对得到的归一化系数进行拟合，提取拟合参数来估计图像的自然度；
S6，提取图片的视觉感知特征，估计图片的视觉感知的变化；其中，对图像进行以块为单位的稀疏表示，然后计算图像与其稀疏表示之间的差异，求表示残差的均值、方差、峰度、偏度和信息熵；
S7，在训练集上利用支持向量回归方法学习一个由步骤S1-S6提取的图像特征到图像质量的映射模型，用于预测图像的质量。
2.根据权利要求1所述的一种面向相机获取图片的质量评价方法，其特征在于，所述步骤S1中，将输入图片从RGB空间转换到HSI空间，提取图像每个通道的均值作为图像的亮度特征和色度特征；
所述步骤S1具体包括：首先将输入的图片从RGB空间转换到HSI空间：
Figure QLYQS_1
其中，I为输入图像，
Figure QLYQS_2
为转换后的图像，T(·)为色度空间转换函数；然后，分别计算亮度特征和色度特征：
Figure QLYQS_3
Figure QLYQS_4
Figure QLYQS_5
其中，F1表示亮度特征，F2和F3表示色度特征，
Figure QLYQS_6
为图像的亮度通道，/>
Figure QLYQS_7
和/>
Figure QLYQS_8
为图像的两个色度通道，N表示图像像素的数目。
3.根据权利要求1所述的一种面向相机获取图片的质量评价方法，其特征在于，所述步骤S2具体包括：估计图像中噪声的方差，从而估计图像的噪声程度，假设干净无噪声的图像为x，与其对应的噪声图像为y，则y的峰度与x的峰度以及x的方差、噪声的方差的关系表示为：
Figure QLYQS_9
其中，κy表示y的峰度，κx表示x的峰度，α是x分布的形状参数，
Figure QLYQS_10
是x的方差，/>
Figure QLYQS_11
是噪声的方差；噪声的方差和图像x峰度的估计通过最小化下式进行求解：
Figure QLYQS_12
其中，
Figure QLYQS_13
为x峰度的估计，/>
Figure QLYQS_14
为噪声方差的估计，/>
Figure QLYQS_15
和/>
Figure QLYQS_16
为yi的方差和峰度，yi是将y用第i个DCT滤波器进行滤波得到的图像；利用/>
Figure QLYQS_17
表示图像噪声程度的高低。
4.根据权利要求1所述的一种面向相机获取图片的质量评价方法，其特征在于，
所述步骤S3具体包括：提取图像的结构特征，分别计算图像的梯度强度和相位一致性来提取图像的内部结构，利用结构特征来估计图像的模糊程度；梯度强度的计算过程为：利用Sobel算子对图像进行卷积，得到水平和竖直两个方向的梯度图：
Figure QLYQS_18
其中，I为输入图像，Gx表示水平方向的梯度，Gy表示竖直方向的梯度，然后计算梯度强度图：
Figure QLYQS_19
其中，GM表示梯度强度图；
利用Kovesi方法提取图像的相位一致性：给定一个一维信号s，定义
Figure QLYQS_20
和/>
Figure QLYQS_21
分别为偶和奇对称的n尺度下的滤波器，它们形成正交的一对滤波器，用log-Gabor滤波器来近似，用这对滤波器对图像进行滤波，得到在j位置的响应/>
Figure QLYQS_22
Figure QLYQS_23
振幅定义为/>
Figure QLYQS_24
令F(j)＝∑nen(j)，H(j)＝∑non(j)，则相位一致性PC计算为：
Figure QLYQS_25
其中，
Figure QLYQS_26
ε是一个小的正数，防止分母出现0，一维信号PC的计算推广到二维信号PC的计算，定义为：
Figure QLYQS_27
其中，o代表各个方向的索引；
融合梯度强度图与相位一致性图，得到图像的局部结构图：
LS(i，j)＝max{GM(i，j)，PC(i，j)}
其中，LS表示局部结构图，(i,j)表示像素位置，max表示取最大值操作；对局部结构图进行池化，得到图像的模糊程度的估计：
Figure QLYQS_28
其中，s表示图像的模糊程度，Ω为LS中前20％最大值的集合，M为Ω中元素的个数。
5.根据权利要求1所述的一种面向相机获取图片的质量评价方法，其特征在于，所述步骤S4具体包括：逐像素计算中心像素与周围相邻像素之间的差异，差异越大，图像的对比度越高，假设当前像素值为a，与其相邻上方的像素值为a1，下方的像素值为a2，左方的像素值为a3，右方的像素值为a4，当前像素与周围像素值的差异定义为：
Figure QLYQS_29
其中，d表示像素值之间的差异值。
6.根据权利要求1所述的一种面向相机获取图片的质量评价方法，其特征在于，所述步骤S5具体包括：利用局部均值和方差对图像进行局部归一化，得到归一化图像，是指：计算图像的归一化系数，即：
Figure QLYQS_30
其中，I为输入图像，(x,y)表示位置信息，
Figure QLYQS_31
表示归一化系数图像，μ(x,y)，σ(x,y)为以(x,y)为中心局部的均值和方差，然后利用0均值广义高斯分布对局部归一化图像进行拟合，广义高斯分布的概率密度定义为：
Figure QLYQS_32
其中，Γ(·)是gamma函数，定义为：
Figure QLYQS_33
其中，α是形状参数，描述分布的形状，β表示标准差，这两个参数可以刻画分布的情况，提取这两个参数描述图像的自然程度。
7.根据权利要求1所述的一种面向相机获取图片的质量评价方法，其特征在于，所述步骤S7中，具体包括：利用一组失真图像，对每一幅图像执行步骤S1-S6，提取相应特征，然后将提取的特征与对应的主观分数输入到支持向量回归模型中，训练出一个图像特征到图像质量的映射模型，然后利用该模型预测图像的质量。
8.一种面向相机获取图片的质量评价装置，包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有可执行程序，其特征在于，所述可执行程序被所述处理器执行时，实现如权利要求1至7任一项所述的面向相机获取图片的质量评价方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有可执行程序，其特征在于，所述可执行程序被处理器执行时，实现如权利要求1至7任一项所述的面向相机获取图片的质量评价方法。
CN202010112925.0A 2020-02-24 2020-02-24 一种面向相机获取图片的质量评价方法和装置 Active CN111354048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010112925.0A CN111354048B (zh) 2020-02-24 2020-02-24 一种面向相机获取图片的质量评价方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010112925.0A CN111354048B (zh) 2020-02-24 2020-02-24 一种面向相机获取图片的质量评价方法和装置

Publications (2)

Publication Number Publication Date
CN111354048A CN111354048A (zh) 2020-06-30
CN111354048B true CN111354048B (zh) 2023-06-20

Family

ID=71197156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010112925.0A Active CN111354048B (zh) 2020-02-24 2020-02-24 一种面向相机获取图片的质量评价方法和装置

Country Status (1)

Country Link
CN (1) CN111354048B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419300A (zh) * 2020-12-04 2021-02-26 清华大学深圳国际研究生院 一种水下图像的质量评价方法和***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750695B (zh) * 2012-06-04 2015-04-15 清华大学 一种基于机器学习的立体图像质量客观评价方法
CN105913413B (zh) * 2016-03-31 2019-02-22 宁波大学 一种基于在线流形学习的彩色图像质量客观评价方法
CN107371015A (zh) * 2017-07-21 2017-11-21 华侨大学 一种无参考对比度变化图像质量评价方法
CN109255358B (zh) * 2018-08-06 2021-03-26 浙江大学 一种基于视觉显著性和深度图的3d图像质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘玉涛.《基于视觉感知与统计的图像质量评价方法研究》.2020,全文. *

Also Published As

Publication number Publication date
CN111354048A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
Wang et al. Structural similarity based image quality assessment
Gu et al. Learning a no-reference quality assessment model of enhanced images with big data
Shen et al. Hybrid no-reference natural image quality assessment of noisy, blurry, JPEG2000, and JPEG images
Mohammadi et al. Subjective and objective quality assessment of image: A survey
Xue et al. Blind image quality assessment using joint statistics of gradient magnitude and Laplacian features
Li et al. Content-partitioned structural similarity index for image quality assessment
Ma et al. Objective quality assessment for color-to-gray image conversion
Ciancio et al. No-reference blur assessment of digital pictures based on multifeature classifiers
Ma et al. Reduced-reference image quality assessment in reorganized DCT domain
CN111932532B (zh) 胶囊内窥镜无参考图像评价方法、电子设备及介质
Fan et al. No reference image quality assessment based on multi-expert convolutional neural networks
CN109978854B (zh) 一种基于边缘与结构特征的屏幕内容图像质量评估方法
CN108830823B (zh) 基于空域结合频域分析的全参考型图像质量评价方法
CN106127234B (zh) 基于特征字典的无参考图像质量评价方法
Attar et al. Image quality assessment using edge based features
CN110910347B (zh) 一种基于图像分割的色调映射图像无参考质量评价方法
CN111105357A (zh) 一种失真图像的去失真方法、装置及电子设备
Feng et al. Low-light image enhancement algorithm based on an atmospheric physical model
Shi et al. SISRSet: Single image super-resolution subjective evaluation test and objective quality assessment
CN111354048B (zh) 一种面向相机获取图片的质量评价方法和装置
Morzelona Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model
CN108257117B (zh) 图像曝光度的评测方法及装置
CN116664462B (zh) 一种基于ms-dsc和i_cbam的红外和可见光图像融合方法
Gao et al. A content-based image quality metric
Sun et al. No-reference image quality assessment through sift intensity

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