CN112785572A - 图像质量评估方法、装置以及计算机可读存储介质 - Google Patents
图像质量评估方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112785572A CN112785572A CN202110083676.1A CN202110083676A CN112785572A CN 112785572 A CN112785572 A CN 112785572A CN 202110083676 A CN202110083676 A CN 202110083676A CN 112785572 A CN112785572 A CN 112785572A
- Authority
- CN
- China
- Prior art keywords
- image
- index value
- pixel
- image quality
- evaluation index
- 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.)
- Granted
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 334
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims description 274
- 238000004364 calculation method Methods 0.000 claims description 80
- 238000001303 quality assessment method Methods 0.000 claims description 62
- 238000013507 mapping Methods 0.000 claims description 26
- 230000001419 dependent effect Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 description 78
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及图像质量评估技术领域,具体提供了一种图像质量评估方法、装置以及计算机可读存储介质,旨在解决如何提高图像质量评估的准确性的技术问题。为此目的,根据本发明实施例的方法,可以获取待评估图像中每个像素的像素特征,根据像素特征获取待评估图像的第一图像质量评估指标值;将待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个图像块进行图像质量分析,以获取待评估图像的第二图像质量评估指标值;根据第一图像质量评估指标值与第二图像质量评估指标值,获取最终的图像质量评估指标值;根据最终的图像质量评估指标值对待评估图像进行图像质量评估。通过上述步骤,可以提高图像质量评估的准确性。
Description
技术领域
本发明涉及图像质量评估技术领域,具体涉及一种图像质量评估方法、装置以及计算机可读存储介质。
背景技术
视频结构化指的是对视频画面中的视频内容进行数据结构化处理,提取出视频内容的关键信息并进行语义描述。例如,对视频画面中的行人进行数据结构化处理时,可以提取行人的面部特征、衣着、年龄和身高等关键信息并对这些信息进行语义描述。为了准确提取视频画面中关注对象如行人的关键信息,需要对每帧视频画面进行图像质量评估,以剔除图像质量较差的视频画面。
在对图像进行清晰度评估时可以采用人工评估的方式逐一对每帧图像进行评估,但是这种方式费时费力,也很容易引入随机误差,并不适用于对大批量图像进行快速评估。对此,可以采用无参考图像质量评估方法如BIQA算法对大批量图像进行评估,例如将大批量图像同时输入到能够加载并运行BIQA算法的计算机程序的计算机设备中,该计算机设备在接收到这些图像后可以自动进行清晰度打分。在实际应用中往往会由于图像采集装置在图像采集过程中发生对焦不准等原因,导致采集到的图像产生模糊,但是利用这些模糊的图像仍然很容易获取到关注对象的关键信息如行人的衣着和身高。而目前常规的无参考图像质量评估方法在分析出图像达到一定模糊程度后就会判定其属于低质量图像,因此通常会将上述由于对焦不准等原因产生的模糊图像评估为低质量的图像,从而致使在视频结构化处理中能够有效利用的视频画面的数量降低,不利于对关注对象如行人的关键信息提取。
相应地,本领域需要一种新的图像质量评估方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决如何提高图像质量评估的准确性的技术问题的图像质量评估方法、装置以及计算机可读存储介质。
第一方面,提供一种图像质量评估方法,所述图像质量评估方法包括:
获取待评估图像中每个像素的像素特征,根据所述像素特征获取所述待评估图像的第一图像质量评估指标值;
将所述待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个所述图像块进行图像质量分析,以获取所述待评估图像的第二图像质量评估指标值;
根据所述第一图像质量评估指标值与所述第二图像质量评估指标值,获取最终的图像质量评估指标值;
根据所述最终的图像质量评估指标值对所述待评估图像进行图像质量评估。
在上述图像质量评估方法的一个技术方案中,所述像素特征包括所述待评估图像对应的灰度图像中像素的梯度值和/或像素值,“获取所述待评估图像的第一图像质量评估指标值”的步骤具体包括:
采用基于像素梯度的图像清晰度评估方法并且根据每个所述像素的梯度值,获取所述待评估图像的第一像素级评估指标值;
根据每个所述像素的像素值计算所述待评估图像的图像对比度,将所述图像对比度作为所述待评估图像的第二像素级评估指标值;
根据所述第一像素级评估指标值和/或所述第二像素级评估指标值,获取所述待评估图像的第一图像质量评估指标值。
在上述图像质量评估方法的一个技术方案中,“获取所述待评估图像的第一像素级评估指标值”的步骤具体包括:
获取每个图像样本对应的灰度图像中每个像素的梯度值;
采用所述基于像素梯度的图像清晰度评估方法并且根据每个所述图像样本中每个像素的梯度值,获取每个所述图像样本的样本像素级评估指标值;
以每个所述图像样本的图像质量标签值为因变量,以每个所述图像样本的样本像素级评估指标值为自变量进行多项式拟合,得到第一评估指标计算函数;
采用所述基于像素梯度的图像清晰度评估方法并且根据所述待评估图像中每个所述像素的梯度值,获取所述待评估图像的初始的第一像素级评估指标值;
采用所述第一评估指标计算函数并且根据所述初始的第一像素级评估指标值,计算得到所述待评估图像的最终的第一像素级评估指标值。
在上述图像质量评估方法的一个技术方案中,采用所述基于像素梯度的图像清晰度评估方法,获取所述样本像素级评估指标值或所述初始的第一像素级评估指标值,具体包括:
根据图像样本对应的灰度图像或待评估图像对应的灰度图像中每个像素的梯度值并且按照下式所示的图像清晰度评估函数,获取所述图像样本或所述待评估图像的初始指标值;
其中,所述F表示所述初始指标值,所述G(x,y)表示灰度图像中(x,y)位置处像素点的梯度值,所述n是预设的像素点数量且n≥nth,所述nth是预设的数量阈值;
按照下式所示的方法将所述初始指标值F修正为[0,1]之间的数值,并且将修正后的数值作为所述样本像素级评估指标值或所述初始的第一像素级评估指标值;
其中,所述F′表示所述修正后的数值。
在上述图像质量评估方法的一个技术方案中,所述图像样本的图像质量标签值是通过下列方式设定的:
步骤S1:分别对每个所述图像样本的样本像素级评估指标值与指标阈值进行数值比较,其中,所述指标阈值包括上限值Lup和下限值Llow;
若F′p<Llow,则将F′p映射为区间[N1,N2)内的指标数值,所述F′p表示当前图像样本的样本像素级评估指标值;
若Llow≤F′p≤Lup,则将F′p映射为区间[N2,N3]内的指标数值;
若F′p>Lup,则将F′p映射为区间(N3,N4]内的指标数值;
其中,N1<N2<<N3<N4并且N2<Llow<Lup<N3;
步骤S2:根据映射得到的指标数值设定每个所述图像样本的图像质量标签值。
在上述图像质量评估方法的一个技术方案中,“根据所述第一像素级评估指标值和/或所述第二像素级评估指标值,获取所述待评估图像的第一图像质量评估指标值”的步骤具体包括:
根据所述第一像素级评估指标值与所述第二像素级评估指标值,并且按照下式所示的方法获取所述第一图像质量评估指标值:
其中,所述scorepixel表示所述待评估图像的第一图像质量评估指标值,所述F″表示所述待评估图像的第一像素级评估指标值,所述c′表示所述待评估图像的第二像素级评估指标值,所述α和所述β表示预设的比例系数,α+β=1且α>β。
在上述图像质量评估方法的一个技术方案中,所述预设的图像质量评估模型是通过下列方式训练得到的:
将每个图像样本划分为多个图像块,获取每个所述图像块的图像块特征;
采用BIQA算法并且根据每个所述图像样本各自对应的图像块特征以及图像质量标签值,对预设的归回模型进行训练,以获取所述图像质量评估模型。
在上述图像质量评估方法的一个技术方案中,“根据所述第一图像质量评估指标值与所述第二图像质量评估指标值,获取最终的图像质量评估指标值”的步骤具体包括:
若scorehosa≤scorepixel,则直接将第一图像质量评估指标值作为所述最终的图像质量评估指标值,其中,所述scorepixel和所述scorehosa分别表示第一图像质量评估指标值与第二图像质量评估指标值;
若scorehosa>scorepixel,则判断scorepixel是否小于等于预设的第一指标阈值,根据判断结果采用相应的评估指标值计算函数对scorepixel与scorehosa进行计算,得到所述最终的图像质量评估指标值;
其中,
所述评估指标值计算函数是以每个图像样本的图像质量标签值为因变量,以每个图像样本的第三图像质量评估指标值scorepixel_sample和第四图像质量评估指标值scorehosa_sample为自变量进行多项式拟合得到的;
每个图像样本的scorepixel_sample是采用获取第一图像质量评估指标值scorepixel的方式,分别根据每个图像样本的像素特征获取到的;
每个图像样本的scorehosa_sample是采用获取第二图像质量评估指标值scorehosa的方式,分别对每个图像样本进行图像质量分析获取到的。
在上述图像质量评估方法的一个技术方案中,“根据判断结果采用相应的评估指标值计算函数对所述第一图像质量评估指标值与所述第二图像质量评估指标值进行计算”的步骤具体包括:
若scorepixel≤thresh_1,则采用下式所示的第二评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_1表示所述预设的第一指标阈值;
score=weight×scorehosa+(1-weight)×scorepixel
其中,所述weight表示权重;
所述thresh_2表示预设的第二指标阈值;
所述第二评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample≤thresh_1的图像样本得到的。
在上述图像质量评估方法的一个技术方案中,“根据判断结果采用相应的评估指标值计算函数对所述第一图像质量评估指标值与所述第二图像质量评估指标值进行计算”的步骤具体包括:
若scorepixel>thresh_1且scorehosa>thresh_3,则采用下式所示的第三评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_3表示预设的第三指标阈值;
其中,所述第三评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample>thresh_3的图像样本得到的;
并且/或者,
若scorepixel>thresh_1且scorehosa≤thresh_3,则采用下式所示的第四评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_3表示预设的第三指标阈值;
score=scorepixel+scorepixel×scorehosa
其中,所述第四评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample≤thresh_3的图像样本得到的。
第二方面,提供一种图像质量评估装置,所述图像质量评估装置包括:
第一指标值获取模块,其被配置成获取待评估图像中每个像素的像素特征,根据所述像素特征获取所述待评估图像的第一图像质量评估指标值;
第二指标值获取模块,其被配置成将所述待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个所述图像块进行图像质量分析,以获取所述待评估图像的第二图像质量评估指标值;
质量评估模块,其被配置成根据所述第一图像质量评估指标值与所述第二图像质量评估指标值,获取最终的图像质量评估指标值;根据所述最终的图像质量评估指标值对所述待评估图像进行图像质量评估。
在上述图像质量评估装置的一个技术方案中,所述像素特征包括所述待评估图像对应的灰度图像中像素的梯度值和/或像素值,所述第一指标值获取模块还被配置成执行以下操作:
采用基于像素梯度的图像清晰度评估方法并且根据每个所述像素的梯度值,获取所述待评估图像的第一像素级评估指标值;
根据每个所述像素的像素值计算所述待评估图像的图像对比度,将所述图像对比度作为所述待评估图像的第二像素级评估指标值;
根据所述第一像素级评估指标值和/或所述第二像素级评估指标值,获取所述待评估图像的第一图像质量评估指标值。
在上述图像质量评估装置的一个技术方案中,所述第一指标值获取模块还被配置成执行以下操作:
获取每个图像样本对应的灰度图像中每个像素的梯度值;
采用所述基于像素梯度的图像清晰度评估方法并且根据每个所述图像样本中每个像素的梯度值,获取每个所述图像样本的样本像素级评估指标值;
以每个所述图像样本的图像质量标签值为因变量,以每个所述图像样本的样本像素级评估指标值为自变量进行多项式拟合,得到第一评估指标计算函数;
采用所述基于像素梯度的图像清晰度评估方法并且根据所述待评估图像中每个所述像素的梯度值,获取所述待评估图像的初始的第一像素级评估指标值;
采用所述第一评估指标计算函数并且根据所述初始的第一像素级评估指标值,计算得到所述待评估图像的最终的第一像素级评估指标值。
在上述图像质量评估装置的一个技术方案中,所述第一指标值获取模块还被配置成执行以下操作:
根据图像样本对应的灰度图像或待评估图像对应的灰度图像中每个像素的梯度值并且按照下式所示的图像清晰度评估函数,获取所述图像样本或所述待评估图像的初始指标值;
其中,所述F表示所述初始指标值,所述G(x,y)表示灰度图像中(x,y)位置处像素点的梯度值,所述n是预设的像素点数量且n≥nth,所述nth是预设的数量阈值;
按照下式所示的方法将所述初始指标值F修正为[0,1]之间的数值,并且将修正后的数值作为所述样本像素级评估指标值或所述初始的第一像素级评估指标值;
其中,所述F′表示所述修正后的数值。
在上述图像质量评估装置的一个技术方案中,所述第一指标值获取模块还被配置成执行以下操作:
步骤S1:分别对每个所述图像样本的样本像素级评估指标值与指标阈值进行数值比较,其中,所述指标阈值包括上限值Lup和下限值Llow;
若F′p<Llow,则将F′p映射为区间[N1,N2)内的指标数值,所述F′p表示当前图像样本的样本像素级评估指标值;
若Llow≤F′p≤Lup,则将F′p映射为区间[N2,N3]内的指标数值;
若F′p>Lup,则将F′p映射为区间(N3,N4]内的指标数值;
其中,N1<N2<<N3<N4并且N2<Llow<Lup<N3;
步骤S2:根据映射得到的指标数值设定每个所述图像样本的图像质量标签值。
在上述图像质量评估装置的一个技术方案中,所述第一指标值获取模块还被配置成执行以下操作:
根据所述第一像素级评估指标值与所述第二像素级评估指标值,并且按照下式所示的方法获取所述第一图像质量评估指标值:
其中,所述scorepixel表示所述待评估图像的第一图像质量评估指标值,所述F″表示所述待评估图像的第一像素级评估指标值,所述c′表示所述待评估图像的第二像素级评估指标值,所述α和所述β表示预设的比例系数,α+β=1且α>β。
在上述图像质量评估装置的一个技术方案中,所述第二指标值获取模块还被配置成执行以下操作:
将每个图像样本划分为多个图像块,获取每个所述图像块的图像块特征;
采用BIQA算法并且根据每个所述图像样本各自对应的图像块特征以及图像质量标签值,对预设的归回模型进行训练,以获取所述图像质量评估模型。
在上述图像质量评估装置的一个技术方案中,所述质量评估模块还被配置成执行以下操作:
若scorehosa≤scorepixel,则直接将第一图像质量评估指标值作为所述最终的图像质量评估指标值,其中,所述scorepixel和所述scorehosa分别表示第一图像质量评估指标值与第二图像质量评估指标值;
若scorehosa>scorepixel,则判断scorepixel是否小于等于预设的第一指标阈值,根据判断结果采用相应的评估指标值计算函数对scorepixel与scorehosa进行计算,得到所述最终的图像质量评估指标值;
其中,
所述评估指标值计算函数是以每个图像样本的图像质量标签值为因变量,以每个图像样本的第三图像质量评估指标值scorepixel_sample和第四图像质量评估指标值scorehosa_sample为自变量进行多项式拟合得到的;
每个图像样本的scorepixel_sample是采用获取第一图像质量评估指标值scorepixel的方式,分别根据每个图像样本的像素特征获取到的;
每个图像样本的scorehosa_sample是采用获取第二图像质量评估指标值scorehosa的方式,分别对每个图像样本进行图像质量分析获取到的。
在上述图像质量评估装置的一个技术方案中,所述质量评估模块还被配置成执行以下操作:
若scorepixel≤thresh_1,则采用下式所示的第二评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_1表示所述预设的第一指标阈值;
score=weight×scorehosa+(1-weight)×scorepixel
其中,所述weight表示权重;
所述thresh_2表示预设的第二指标阈值;
所述第二评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample≤thresh_1的图像样本得到的。
在上述图像质量评估装置的一个技术方案中,所述质量评估模块还被配置成执行以下操作:
若scorepixel>thresh_1且scorehosa>thresh_3,则采用下式所示的第三评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_3表示预设的第三指标阈值;
其中,所述第三评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample>thresh_3的图像样本得到的;
并且/或者,
若scorepixel>thresh_1且scorehosa≤thresh_3,则采用下式所示的第四评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_3表示预设的第三指标阈值;
score=scorepixel+scorepixel×scorehosa
其中,所述第四评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample≤thresh_3的图像样本得到的。
第三方面,提供一种图像质量评估装置,该图像质量评估装置包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述任一项技术方案所述的图像质量评估方法。
第四方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的图像质量评估方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本发明的技术方案中,通过获取待评估图像中每个像素的像素特征,根据像素特征获取待评估图像的第一图像质量评估指标值;将待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个图像块进行图像质量分析,以获取待评估图像的第二图像质量评估指标值;根据第一图像质量评估指标值与第二图像质量评估指标值,获取最终的图像质量评估指标值;根据最终的图像质量评估指标值对待评估图像进行图像质量评估。基于图像的像素特征获取的第一图像质量评估指标值由于是根据图像中每个像素的特征获得的,能够很好地获取图像中待评估目标(例如人体)的细节特征(例如人体的轮廓等),并且根据每个细节特征进行评估,因此能够很好地评估不同尺寸的图像的质量,使图像质量评估结果更加准确,同时,即使是因为相机对焦不准等原因而产生模糊的图像,由于第一图像质量评估指标值可以很好地获取人体的细节特征(例如轮廓)并进行评估,因此,也不会将上述由于对焦不准等原因产生的模糊图像评估为低质量的图像;基于图像的图像块获取的第一图像质量评估指标值由于是采用预设的图像质量评估模型分别对每个图像块进行图像质量分析获得的,能够很好地获得每个图像块的整体特征,可以降低复杂、凌乱的背景对图像特征提取的影响,从而能够很好地评估模糊、失真、含有背景信息等的图像的质量,提高图像质量评估的准确性;通过将第一图像质量评估指标值与第二图像质量评估指标值进行融合得到最终的图像质量评估指标值,使得根据最终的图像质量评估指标值对待评估图像进行图像质量评估时不仅能够很好地评估不同尺寸的图像的质量,还能够很好地评估模糊、失真、含有背景信息等的图像的质量,进一步提高图像质量评估的准确性。
进一步,采用基于像素梯度的图像清晰度评估方法并且根据每个像素的梯度值获取第一像素级评估指标值,由于第一像素级评估指标值是根据每个像素的梯度值得到的,而对焦好的图像具有更尖锐的边缘,故具有更大的梯度值,梯度值越高图像越清晰,因此,可以使图像质量评估结果更加准确;由于第二像素级评估指标值是根据每个像素的像素值计算得到的(即图像对比度),而图像对比度越高,图像中待评估目标(例如人体)越容易被辨识,待评估目标的特征越明显,因此,可以使图像质量评估结果更加准确,并且使图像质量评估结果更加符合人眼的主观感受;因此,根据第一像素级评估指标值和第二像素级评估指标值获取待评估图像的第一图像质量评估指标值,使得根据第一图像质量评估指标值对待评估图像进行图像质量评估时能够很好地评估不同尺寸的图像的质量,进一步提高图像质量评估的准确性,使图像质量评估结果更加符合人眼的主观感受。
进一步,由于获取待评估图像的第一像素级评估指标值时仅利用每个图像样本中每个像素的梯度值获取到的每个图像样本的样本像素级评估指标值与图像质量标签值存在误差(即图像质量评估结果与人眼的主观感受存在差距),因此,为了消除这种误差,可以首先以每个图像样本的图像质量标签值为因变量,以每个图像样本的样本像素级评估指标值为自变量进行多项式拟合,得到第一评估指标计算函数,之后再采用第一评估指标计算函数并且根据待评估图像的初始的第一像素级评估指标值,计算得到待评估图像的最终的第一像素级评估指标值,由于每个图像样本的图像质量标签值是人对图像样本的主观评估值,因此可以进一步提高图像质量评估的准确性,使图像质量评估结果更加符合人眼的主观感受。
附图说明
下面参照附图来描述本发明的具体实施方式,附图中:
图1是根据本发明的一个实施例的图像质量评估方法的主要步骤流程示意图;
图2是根据本发明的一个实施例的图像样本的图像质量标签值与样本像素级评估指标值的对应关系图;
图3是根据本发明的一个实施例的图像样本的图像质量标签值的映射图;
图4是待质量评估的图像示意图;
图5是根据本发明的一个实施例的图像质量评估装置的主要结构框图。
附图标记列表:
11:第一指标值获取模块;12:第二指标值获取模块;13:质量评估模块。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
目前传统的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,由于人的介入其评价结果最为准确;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,通常针对视频图像的特定数据指标如噪声,人工效应导致的数据失真进行分析和对比,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。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;而客观质量评价的评价结果有时并不符合人眼感官,与主观评价的评价结果仍有差距,有些图像进行客观质量评价时得分很低,被判定为“模糊”,在进行主观质量评价时得分却很高,被判定为“清晰”,客观质量评价对于图像质量评价的准确性不高。
在本发明实施例中,可以获取待评估图像中每个像素的像素特征,根据像素特征获取待评估图像的第一图像质量评估指标值;将待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个图像块进行图像质量分析,以获取待评估图像的第二图像质量评估指标值;根据第一图像质量评估指标值与第二图像质量评估指标值,获取最终的图像质量评估指标值;根据最终的图像质量评估指标值对待评估图像进行图像质量评估。基于图像的像素特征获取的第一图像质量评估指标值能够很好地评估不同尺寸的图像的质量,并且使评估结果更加符合人眼的主观感受,使图像质量评估结果更加准确;基于图像的图像块获取的第二图像质量评估指标值能够很好地评估模糊、失真、含有背景信息的图像的质量,提高图像质量评估的准确性;完全克服了现有的图像质量评估的准确性不高,评估结果不符合人眼的主观感受的缺陷,通过将第一图像质量评估指标值与第二图像质量评估指标值进行融合得到最终的图像质量评估指标值,使得根据最终的图像质量评估指标值对待评估图像进行图像质量评估时不仅能够使图像质量评估结果符合人眼的主观感受,还能进一步提高图像质量评估的准确性。
在本发明的一个应用场景中,某单位想到对某段监控视频中出现的人员进行分析,由于该段监控视频的图像很多并且参差不齐,需要对该段监控视频的图像进行质量评估,剔除质量过差无法辨识的行人图像。具体的质量评估过程是:首先,获取该段监控视频的图像,通过视频结构化的前端抓拍模块获取该视频图像中的人体图像;然后,分别获取该人体图像的第一图像质量评估指标值和第二图像质量评估指标值,最后,根据该人体图像的第一图像质量评估指标值和第二图像质量评估指标值获取最终的图像质量评估指标值,根据最终的图像质量评估指标值对该人体图像进行质量评估。
参阅附图1,图1是根据本发明的一个实施例的图像质量评估方法的主要步骤流程示意图。如图1所示,本发明实施例中的图像质量评估方法主要包括以下步骤:
步骤S101:获取待评估图像中每个像素的像素特征,根据像素特征获取待评估图像的第一图像质量评估指标值。
一个实施方式中,像素特征包括待评估图像对应的灰度图像中像素的梯度值和/或像素值,“获取待评估图像的第一图像质量评估指标值”的步骤具体包括:
步骤1:采用基于像素梯度的图像清晰度评估方法并且根据每个像素的梯度值,获取待评估图像的第一像素级评估指标值。
步骤2:根据每个像素的像素值计算待评估图像的图像对比度,将图像对比度作为待评估图像的第二像素级评估指标值。
步骤3:根据第一像素级评估指标值和/或第二像素级评估指标值,获取待评估图像的第一图像质量评估指标值。
在本实施方式中,由于同一场景下梯度值越高,图像的轮廓越清晰;对比度越大,图像越清晰醒目,色彩也越鲜明艳丽,因此,通过上述步骤1-3分别计算得到图像基于梯度值的第一像素级评估指标值和基于对比度的第二像素级评估指标值并进行融合,得到待评估图像的第一图像质量评估指标值,使得利用第一图像质量评估指标值对图像进行质量评估时能够提高在像素维度的准确性。
一个实施方式中,步骤1中“获取待评估图像的第一像素级评估指标值”的步骤具体包括:
步骤11:获取每个图像样本对应的灰度图像中每个像素的梯度值。
步骤12:采用基于像素梯度的图像清晰度评估方法并且根据每个图像样本中每个像素的梯度值,获取每个图像样本的样本像素级评估指标值。
步骤13:以每个图像样本的图像质量标签值为因变量,以每个图像样本的样本像素级评估指标值为自变量进行多项式拟合,得到第一评估指标计算函数。在一个可能的实施方式中,如图2所示,图2表示图像样本的图像质量标签值与样本像素级评估指标值的对应关系图,图中直线表示每个图像样本的图像质量标签值与样本像素级评估指标值在理想情况下的对应关系(该种情形下利用样本像素级评估指标值可以准确地对图像进行质量评估),弧线表示每个图像样本的图像质量标签值与样本像素级评估指标值在现实情形中的对应关系,在现实情形中,仅利用每个图像样本中每个像素的梯度值获取到的每个图像样本的样本像素级评估指标值与图像质量标签值存在误差(例如,某图像样本的样本像素级评估指标值为0.25,但该图像样本的图像质量标签值却是0.1),利用样本像素级评估指标值并不能准确地对图像进行质量评估,为了消除这种误差,可以以每个图像样本的图像质量标签值为因变量,以每个图像样本的样本像素级评估指标值为自变量进行多项式拟合,得到第一评估指标计算函数,能够表示图3中弧线的函数即为第一评估指标计算函数。第一评估指标计算函数可以是三阶函数,也可以是四阶函数,还可以是五阶函数,或者是其他形式的函数,在一个可能的实施方式中,第一评估指标计算函数可以是公式(1)所示的函数:
f′=af4+df3+ef2+gf+m (1)
其中,f′表示图像样本的图像质量标签值,f表示图像样本的样本像素级评估指标值,a、d、e、g和m分别表示第一评估指标计算函数的参数,a、d、e、g和m等参数是通过上述多项式拟合得到的。
步骤14:采用基于像素梯度的图像清晰度评估方法并且根据待评估图像中每个像素的梯度值,获取待评估图像的初始的第一像素级评估指标值。
步骤15:采用第一评估指标计算函数并且根据初始的第一像素级评估指标值,计算得到待评估图像的最终的第一像素级评估指标值。
在本实施方式中,上述的每个图像样本的图像质量标签值可以是人对图像样本的主观评估值,可以是多人对同一图像样本进行评估打分后取其平均值作为每个图像样本的图像质量标签值,当然,也可以通过其他方式获得每个图像样本的图像质量标签值。
在本实施方式中,通过步骤11-13得到第一评估指标计算函数,由于第一评估指标计算函数是以每个图像样本的图像质量标签值为因变量,以每个图像样本的样本像素级评估指标值为自变量进行多项式拟合得到的,因此,在通过步骤14获取到待评估图像的初始的第一像素级评估指标值之后,可以将初始的第一像素级评估指标值代入到第一评估指标计算函数中,计算得到待评估图像的最终的第一像素级评估指标值,由于每个图像样本的图像质量标签值是人对图像样本的主观评估值,从而可以进一步提高图像质量评估在像素维度的准确性,使图像质量评估结果符合人眼的主观感受。
一个实施方式中,采用基于像素梯度的图像清晰度评估方法,获取样本像素级评估指标值或初始的第一像素级评估指标值,具体包括:
步骤21:根据图像样本对应的灰度图像或待评估图像对应的灰度图像中每个像素的梯度值并且按照公式(2)所示的图像清晰度评估函数,获取图像样本或待评估图像的初始指标值;
其中,F表示初始指标值,G(x,y)表示灰度图像中(x,y)位置处像素点的梯度值,n是预设的像素点数量且n≥nth,nth是预设的数量阈值。
步骤22:按照公式(3)所示的方法将初始指标值F修正为[0,1]之间的数值,并且将修正后的数值作为样本像素级评估指标值或初始的第一像素级评估指标值;
其中,F′表示修正后的数值。
在本实施方式中,对于图像总像素大于100000的人体图像,即使存在一定运动模糊、失焦等问题,人体细节特征也相对保存较为完整,因此,可以将预设的数量阈值nth设置为100000,当然,也可以将预设的数量阈值nth设置为其他数值,本领域技术人员可以根据需要灵活设置。G(x,y)表示灰度图像中(x,y)位置处像素点的梯度值,可以利用Sobel算子分别对灰度图像进行水平方向和垂直方向的卷积,得到灰度图像的梯度G,即可获取灰度图像中(x,y)位置处像素点的梯度值G(x,y)。
一个实施方式中,图像样本的图像质量标签值是通过下列方式设定的:
步骤S1:分别对每个图像样本的样本像素级评估指标值与指标阈值进行数值比较,其中,指标阈值包括上限值Lup和下限值Llow;
若F′p<Llow,则将F′p映射为区间[N1,N2)内的指标数值,F′p表示当前图像样本的样本像素级评估指标值;
若Llow≤F′p≤Lup,则将F′p映射为区间[N2,N3]内的指标数值;
若F′p>Lup,则将F′p映射为区间(N3,N4]内的指标数值;
其中,N1<N2<<N3<N4并且N2<Llow<Lup<N3。
步骤S2:根据映射得到的指标数值设定每个图像样本的图像质量标签值。
在本实施方式中,可以将样本像素级评估指标值大于上限值的图像分类为质量很好的图像,将样本像素级评估指标值小于下限值的图像分类为质量很差的图像,在实际应用中,我们并不需要评估质量非常差的图像质量到底有多差,也不需要评估质量非常好的图像质量到底有多好,需要进行评估的是位于二者之间的图像的质量,因此,在本实施例中可以将这三部分的数据分别进行映射,缩小大于上限值和小于下限值的样本像素级评估指标值的数值区间,同时拉大位于上限值和下限值之间的样本像素级评估指标值的数值区间,即扩大需要进行质量评估的样本像素级评估指标值的数值区间,进一步提高图像质量评估在像素维度的准确性。
在本实施方式中,N2<<N3表示N2远小于N3,该远小于指的是N3与N2的差值大于预设的阈值,举一个例子:N2是0.1,N3是0.9,而预设的阈值是0.6,由于0.9-0.1>0.6,则可判定N2远小于N3。
在一个可能的实施方式中,如图3所示,图3表示图像样本的图像质量标签值的映射图,第一层数值表示样本像素级评估指标值,第二层数值表示图像质量标签值,上限值Lup为0.75,下限值Llow为0.25,若当前图像样本的样本像素级评估指标值小于0.25(例如0.2),则将该样本像素级评估指标值(0.2)映射为[1,0.1)内的指标数值;若当前图像样本的样本像素级评估指标值大于0.75(例如0.8),则将该样本像素级评估指标值(0.8)映射为(0.9,1]内的指标数值;若当前图像样本的样本像素级评估指标值位于0.25和0.75之间(例如0.6),则将该样本像素级评估指标值(0.6)映射为[0.1,0.9]内的指标数值;每个图像样本的样本像素级评估指标值映射得到的指标数值即为每个图像样本的图像质量标签值。
在本实施方式中,本领域技术人员可以根据需要灵活设置上限值和下限值,例如,上限值可以是0.75,也可以是0.8,或者是其他数值;同样的,下限值可以是0.25,也可以是0.2,或者是其他数值。
一个实施方式中,可以利用现有的计算图像对比度的方法获取步骤2中待评估图像的图像对比度,在一个可能的实施方式中,可以利用下列方法得到待评估图像的图像对比度:
步骤S21:根据待评估图像对应的灰度图像中每个像素的像素值并且按照公式(4)所示的方法计算得到待评估图像的初始的图像对比度:
其中,c表示待评估图像的初始的图像对比度,w表示待评估图像对应的灰度图像的宽度,h表示待评估图像对应的灰度图像的高度,k表示预设的扩大参数,b表示中间值,
其中,A[i,j]表示灰度图像中(i,j)位置处像素点的像素值,i表示灰度图像中水平方向像素点的序号,j表示灰度图像中垂直方向像素点的序号。
步骤S22:按照公式(5)所示的方法将待评估图像的初始的图像对比度c修正为[0,1]之间的数值,得到待评估图像的最终的图像对比度;
其中,c′表示待评估图像的最终的图像对比度。
在本实施方式中,如图4所示,图4是待质量评估的图像示意图,由于相机对焦不准而产生模糊,采用现有的图像质量评估方法对其进行评估时会认为其属于低质量图像,但实际上图中的人体很容易与背景区分开,且人体特征依旧明显,整体的辨识度比较高,因此,可以通过计算该图像的对比度并将图像对比度作为该图像的第二像素级评估指标值,能够很好地获取该图像中人体的细节特征(例如轮廓等),并且根据每个细节特征进行评估,即使该图像比较模糊,也不会将该图像评估为低质量的图像,进一步提高图像质量评估的准确性,使图像质量评估结果更加符合人眼的主观感受。
一个实施方式中,“根据第一像素级评估指标值和/或第二像素级评估指标值,获取待评估图像的第一图像质量评估指标值(步骤3)”的步骤具体包括:
根据第一像素级评估指标值与第二像素级评估指标值,并且按照公式(6)所示的方法获取第一图像质量评估指标值:
其中,scorepixel表示待评估图像的第一图像质量评估指标值,F″表示待评估图像的第一像素级评估指标值,c′表示待评估图像的第二像素级评估指标值,α和β表示预设的比例系数,α+β=1且α>β。
在本实施方式中,通过公式(6)所示的方法将基于梯度值的第一像素级评估指标值和基于对比度的第二像素级评估指标值进行融合,得到待评估图像的第一图像质量评估指标值,进一步提高图像质量评估在像素维度的准确性,使图像质量评估结果符合人眼的主观感受。
步骤S102:将待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个图像块进行图像质量分析,以获取待评估图像的第二图像质量评估指标值。
一个实施方式中,预设的图像质量评估模型是通过下列方式训练得到的:将每个图像样本划分为多个图像块,获取每个图像块的图像块特征;采用BIQA算法并且根据每个图像样本各自对应的图像块特征以及图像质量标签值,对预设的归回模型进行训练,以获取图像质量评估模型。在本实施方式中,通过采用上述步骤训练得到预设的图像质量评估模型,并利用预设的图像质量评估模型分别对每个图像块进行图像质量分析,以获取待评估图像的第二图像质量评估指标值,使得利用第二图像质量评估指标值对图像进行质量评估时能够很好地获得每个图像块的整体特征,可以降低复杂、凌乱的背景对图像特征提取的影响,从而能够很好地评估模糊、失真、含有背景信息的图像的质量,提高图像质量评估的准确性。
在本实施方式中,可以采用BIQA算法中的HOSA算法(或者采用BIQA算法中的其他算法)并且根据每个图像样本各自对应的图像块特征以及图像质量标签值,对预设的归回模型进行训练,以获取图像质量评估模型。图像质量标签值可以是在获取第一评估指标计算函数时应用到的每个图像样本的图像质量标签值。
步骤S103:根据第一图像质量评估指标值与第二图像质量评估指标值,获取最终的图像质量评估指标值;根据最终的图像质量评估指标值对待评估图像进行图像质量评估。
在本实施例中,通过将第一图像质量评估指标值与第二图像质量评估指标值进行融合得到最终的图像质量评估指标值,使得根据最终的图像质量评估指标值对待评估图像进行图像质量评估时不仅能够很好地评估不同尺寸的图像的质量,还能够很好地评估模糊、失真、含有背景信息等的图像的质量,进一步提高图像质量评估的准确性。最终的图像质量评估指标值越大,待评估图像越清晰,图像质量越好;最终的图像质量评估指标值越小,待评估图像越模糊,图像质量越差。
一个实施方式中,步骤S103中“根据第一图像质量评估指标值与第二图像质量评估指标值,获取最终的图像质量评估指标值”的步骤具体包括:
若scorehosa≤scorepixel,则直接将第一图像质量评估指标值作为最终的图像质量评估指标值,其中,scorepixel和scorehosa分别表示第一图像质量评估指标值与第二图像质量评估指标值;
若scorehosa>scorepixel,则判断scorepixel是否小于等于预设的第一指标阈值,根据判断结果采用相应的评估指标值计算函数对scorepixel与scorehosa进行计算,得到最终的图像质量评估指标值;
其中,
评估指标值计算函数是以每个图像样本的图像质量标签值为因变量,以每个图像样本的第三图像质量评估指标值scorepixel_sample和第四图像质量评估指标值scorehosa_sample为自变量进行多项式拟合得到的;
每个图像样本的scorepixel_sample是采用获取第一图像质量评估指标值scorepixel的方式,分别根据每个图像样本的像素特征获取到的;
每个图像样本的Scorehosa_sample是采用获取第二图像质量评估指标值scorehosa的方式,分别对每个图像样本进行图像质量分析获取到的。
在本实施方式中,上述的每个图像样本的图像质量标签值可以是人对图像样本的主观评估值,可以是多人对同一图像样本进行评估打分后取其平均值作为每个图像样本的图像质量标签值,当然,也可以通过其他方式获得每个图像样本的图像质量标签值。
一个实施方式中,步骤S103中“根据判断结果采用相应的评估指标值计算函数对第一图像质量评估指标值与第二图像质量评估指标值进行计算”的步骤具体包括:
若scorepixel≤thresh_1,则采用公式(7)所示的第二评估指标值计算函数计算最终的图像质量评估指标值score,其中,thresh_1表示预设的第一指标阈值;
score=weight×scorehosa+(1-weight)×scorepixel (7)
其中,weight表示权重;
thresh_2表示预设的第二指标阈值;
第二评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample≤thresh_1的图像样本得到的。
在本实施方式中,本领域技术人员可以根据需要灵活设置预设的第一指标阈值,例如,预设的第一指标阈值可以是0.2,也可以是0.15,或者是其他数值;同样的,本领域技术人员可以根据需要灵活设置预设的第二指标阈值,例如,预设的第一指标阈值可以是0.6,也可以是0.65,或者是其他数值。
一个实施方式中,步骤S103中“根据判断结果采用相应的评估指标值计算函数对第一图像质量评估指标值与第二图像质量评估指标值进行计算”的步骤具体包括:
若scorepixel>thresh_1且scorehosa>thresh_3,则采用公式(8)所示的第三评估指标值计算函数计算最终的图像质量评估指标值score,其中,thresh_3表示预设的第三指标阈值;
其中,第三评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample>thresh_3的图像样本得到的。
在本实施方式中,预设的第三指标阈值可以与预设的第二指标阈值相同。
一个实施方式中,步骤S103中“根据判断结果采用相应的评估指标值计算函数对第一图像质量评估指标值与第二图像质量评估指标值进行计算”的步骤具体包括:
若scorepixel>thresh_1且scorehosa≤thresh_3,则采用公式(9)所示的第四评估指标值计算函数计算最终的图像质量评估指标值score,其中,thresh_3表示预设的第三指标阈值;
score=scorepixel+scorepixel×scorehosa (9)
其中,第四评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample≤thresh_3的图像样本得到的。
在本实施方式中,通过预先以每个图像样本的图像质量标签值为因变量,以每个图像样本的第三图像质量评估指标值scorepixel_sample和第四图像质量评估指标值scorehosa_sample为自变量进行多项式拟合,得到满足第三图像质量评估指标值和第四图像质量评估指标值不同关系时各自对应的评估指标值计算函数,之后再根据待评估图像的第一图像质量评估指标值与第二图像质量评估指标值之间的关系,采用对应的评估指标值计算函数进行计算,得到最终的图像质量评估指标值,进一步提高利用最终的图像质量评估指标值对图像进行质量评估时的准确性,使图像质量评估结果符合人眼的主观感受。
在本发明实施例中,通过获取待评估图像中每个像素的像素特征,根据像素特征获取待评估图像的第一图像质量评估指标值;将待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个图像块进行图像质量分析,以获取待评估图像的第二图像质量评估指标值;根据第一图像质量评估指标值与第二图像质量评估指标值,获取最终的图像质量评估指标值;根据最终的图像质量评估指标值对待评估图像进行图像质量评估。基于图像的像素特征获取的第一图像质量评估指标值由于是根据图像中每个像素的特征获得的,能够很好地获取图像中待评估目标(例如人体)的细节特征(例如人体的轮廓等),并且根据每个细节特征进行评估,因此能够很好地评估不同尺寸的图像的质量,使图像质量评估结果更加准确,同时,即使是因为相机对焦不准等原因而产生模糊的图像,由于第一图像质量评估指标值可以很好地获取人体的细节特征(例如轮廓)并进行评估,因此,也不会将上述由于对焦不准等原因产生的模糊图像评估为低质量的图像;基于图像的图像块获取的第一图像质量评估指标值由于是采用预设的图像质量评估模型分别对每个图像块进行图像质量分析获得的,能够很好地获得每个图像块的整体特征,可以降低复杂、凌乱的背景对图像特征提取的影响,从而能够很好地评估模糊、失真、含有背景信息等的图像的质量,提高图像质量评估的准确性;通过将第一图像质量评估指标值与第二图像质量评估指标值进行融合得到最终的图像质量评估指标值,使得根据最终的图像质量评估指标值对待评估图像进行图像质量评估时不仅能够很好地评估不同尺寸的图像的质量,还能够很好地评估模糊、失真、含有背景信息等的图像的质量,进一步提高图像质量评估的准确性。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
进一步,本发明还提供了一种图像质量评估装置。
参阅附图5,图5是根据本发明的一个实施例的图像质量评估装置的主要结构框图。如图5所示,本发明实施例中的图像质量评估装置主要包括第一指标值获取模块11、第二指标值获取模块12和质量评估模块13。在一些实施例中,第一指标值获取模块11、第二指标值获取模块12和质量评估模块13中的一个或多个可以合并在一起成为一个模块。在一些实施例中,第一指标值获取模块11可以被配置成获取待评估图像中每个像素的像素特征,根据像素特征获取待评估图像的第一图像质量评估指标值。第二指标值获取模块12可以被配置成将待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个图像块进行图像质量分析,以获取待评估图像的第二图像质量评估指标值。c模块13可以被配置成根据第一图像质量评估指标值与第二图像质量评估指标值,获取最终的图像质量评估指标值;根据最终的图像质量评估指标值对待评估图像进行图像质量评估。一个实施方式中,具体实现功能的描述可以参见步骤S101-S103所述。
在一个实施方式中,像素特征包括待评估图像对应的灰度图像中像素的梯度值和/或像素值,第一指标值获取模块11还被配置成执行以下操作:采用基于像素梯度的图像清晰度评估方法并且根据每个像素的梯度值,获取待评估图像的第一像素级评估指标值;根据每个像素的像素值计算待评估图像的图像对比度,将图像对比度作为待评估图像的第二像素级评估指标值;根据第一像素级评估指标值和/或第二像素级评估指标值,获取待评估图像的第一图像质量评估指标值。一个实施方式中,具体实现功能的描述可以参见步骤S101所述。
在一个实施方式中,第一指标值获取模块还被配置成执行以下操作:获取每个图像样本对应的灰度图像中每个像素的梯度值;采用基于像素梯度的图像清晰度评估方法并且根据每个图像样本中每个像素的梯度值,获取每个图像样本的样本像素级评估指标值;以每个图像样本的图像质量标签值为因变量,以每个图像样本的样本像素级评估指标值为自变量进行多项式拟合,得到第一评估指标计算函数;采用基于像素梯度的图像清晰度评估方法并且根据待评估图像中每个像素的梯度值,获取待评估图像的初始的第一像素级评估指标值;采用第一评估指标计算函数并且根据初始的第一像素级评估指标值,计算得到待评估图像的最终的第一像素级评估指标值。一个实施方式中,具体实现功能的描述可以参见步骤S101所述。
在一个实施方式中,第一指标值获取模块11还被配置成执行以下操作:根据图像样本对应的灰度图像或待评估图像对应的灰度图像中每个像素的梯度值并且按照公式(2)所示的图像清晰度评估函数,获取图像样本或待评估图像的初始指标值;按照公式(3)所示的方法将初始指标值F修正为[0,1]之间的数值,并且将修正后的数值作为样本像素级评估指标值或初始的第一像素级评估指标值。一个实施方式中,具体实现功能的描述可以参见步骤S101所述。
在一个实施方式中,第一指标值获取模块11还被配置成执行以下操作:步骤S1:分别对每个图像样本的样本像素级评估指标值与指标阈值进行数值比较,其中,指标阈值包括上限值Lup和下限值Llow;若F′p<Llow,则将F′p映射为区间[N1,N2)内的指标数值,F′p表示当前图像样本的样本像素级评估指标值;若Llow≤F′p≤Lup,则将F′p映射为区间[N2,N3]内的指标数值;若F′p>Lup,则将F′p映射为区间(N3,N4]内的指标数值;其中,N1<N2<<N3<N4并且N2<Llow<Lup<N3;步骤S2:根据映射得到的指标数值设定每个图像样本的图像质量标签值。一个实施方式中,具体实现功能的描述可以参见步骤S101所述。
在一个实施方式中,第一指标值获取模块11还被配置成执行以下操作:根据第一像素级评估指标值与第二像素级评估指标值,并且按照公式(6)所示的方法获取第一图像质量评估指标值。一个实施方式中,具体实现功能的描述可以参见步骤S101所述。
在一个实施方式中,第二指标值获取模块12还被配置成执行以下操作:将每个图像样本划分为多个图像块,获取每个图像块的图像块特征;采用BIQA算法并且根据每个图像样本各自对应的图像块特征以及图像质量标签值,对预设的归回模型进行训练,以获取图像质量评估模型。一个实施方式中,具体实现功能的描述可以参见步骤S102所述。
在一个实施方式中,质量评估模块13还被配置成执行以下操作:若scorehosa≤scorepixel,则直接将第一图像质量评估指标值作为最终的图像质量评估指标值,其中,scorepixel和scorehosa分别表示第一图像质量评估指标值与第二图像质量评估指标值;若scorehosa>scorepixel,则判断scorepixel是否小于等于预设的第一指标阈值,根据判断结果采用相应的评估指标值计算函数对scorepixel与scorehosa进行计算,得到最终的图像质量评估指标值;其中,评估指标值计算函数是以每个图像样本的图像质量标签值为因变量,以每个图像样本的第三图像质量评估指标值scorepixel_sample和第四图像质量评估指标值scorehosa_sample为自变量进行多项式拟合得到的;每个图像样本的scorepixel_sample是采用获取第一图像质量评估指标值scorepixel的方式,分别根据每个图像样本的像素特征获取到的;每个图像样本的scorehosa_sample是采用获取第二图像质量评估指标值scorehosa的方式,分别对每个图像样本进行图像质量分析获取到的。一个实施方式中,具体实现功能的描述可以参见步骤S103所述。
在一个实施方式中,质量评估模块13还被配置成执行以下操作:若scorepixel≤thresh_1,则采用公式(7)所示的第二评估指标值计算函数计算最终的图像质量评估指标值score,其中,thresh_1表示预设的第一指标阈值;第二评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample≤thresh_1的图像样本得到的。一个实施方式中,具体实现功能的描述可以参见步骤S103所述。
在一个实施方式中,质量评估模块13还被配置成执行以下操作:若scorepixel>thresh_1且scorehosa>thresh_3,则采用公式(8)所示的第三评估指标值计算函数计算最终的图像质量评估指标值score,其中,thresh_3表示预设的第三指标阈值;其中,第三评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample>thresh_3的图像样本得到的;并且/或者,若scorepixel>thresh_1且scorehosa≤thresh_3,则采用公式(9)所示的第四评估指标值计算函数计算最终的图像质量评估指标值score,其中,thresh_3表示预设的第三指标阈值;其中,第四评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample≤thresh_3的图像样本得到的。一个实施方式中,具体实现功能的描述可以参见步骤S103所述。
上述图像质量评估装置以用于执行图1所示的图像质量评估方法实施例,两者的技术原理、所解决的技术问题及产生的技术效果相似,本技术领域技术人员可以清楚地了解到,为了描述的方便和简洁,图像质量评估装置的具体工作过程及有关说明,可以参考图像质量评估方法的实施例所描述的内容,此处不再赘述。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种图像质量评估装置。在根据本发明的一个图像质量评估装置实施例中,图像质量评估装置包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的图像质量评估方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的图像质量评估方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该图像质量评估装置可以是包括各种电子设备形成的控制装置设备。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的图像质量评估方法的程序,该程序可以由处理器加载并运行以实现上述图像质量评估方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中存储是非暂时性的计算机可读存储介质。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本发明的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理,因此,拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此,已经结合附图所示的一个实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (22)
1.一种图像质量评估方法,其特征在于,所述方法包括:
获取待评估图像中每个像素的像素特征,根据所述像素特征获取所述待评估图像的第一图像质量评估指标值;
将所述待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个所述图像块进行图像质量分析,以获取所述待评估图像的第二图像质量评估指标值;
根据所述第一图像质量评估指标值与所述第二图像质量评估指标值,获取最终的图像质量评估指标值;
根据所述最终的图像质量评估指标值对所述待评估图像进行图像质量评估。
2.根据权利要求1所述的图像质量评估方法,其特征在于,所述像素特征包括所述待评估图像对应的灰度图像中像素的梯度值和/或像素值,“获取所述待评估图像的第一图像质量评估指标值”的步骤具体包括:
采用基于像素梯度的图像清晰度评估方法并且根据每个所述像素的梯度值,获取所述待评估图像的第一像素级评估指标值;
根据每个所述像素的像素值计算所述待评估图像的图像对比度,将所述图像对比度作为所述待评估图像的第二像素级评估指标值;
根据所述第一像素级评估指标值和/或所述第二像素级评估指标值,获取所述待评估图像的第一图像质量评估指标值。
3.根据权利要求2所述的图像质量评估方法,其特征在于,“获取所述待评估图像的第一像素级评估指标值”的步骤具体包括:
获取每个图像样本对应的灰度图像中每个像素的梯度值;
采用所述基于像素梯度的图像清晰度评估方法并且根据每个所述图像样本中每个像素的梯度值,获取每个所述图像样本的样本像素级评估指标值;
以每个所述图像样本的图像质量标签值为因变量,以每个所述图像样本的样本像素级评估指标值为自变量进行多项式拟合,得到第一评估指标计算函数;
采用所述基于像素梯度的图像清晰度评估方法并且根据所述待评估图像中每个所述像素的梯度值,获取所述待评估图像的初始的第一像素级评估指标值;
采用所述第一评估指标计算函数并且根据所述初始的第一像素级评估指标值,计算得到所述待评估图像的最终的第一像素级评估指标值。
4.根据权利要求3所述的图像质量评估方法,其特征在于,采用所述基于像素梯度的图像清晰度评估方法,获取所述样本像素级评估指标值或所述初始的第一像素级评估指标值,具体包括:
根据图像样本对应的灰度图像或待评估图像对应的灰度图像中每个像素的梯度值并且按照下式所示的图像清晰度评估函数,获取所述图像样本或所述待评估图像的初始指标值;
其中,所述F表示所述初始指标值,所述G(x,y)表示灰度图像中(x,y)位置处像素点的梯度值,所述n是预设的像素点数量且n≥nth,所述nth是预设的数量阈值;
按照下式所示的方法将所述初始指标值F修正为[0,1]之间的数值,并且将修正后的数值作为所述样本像素级评估指标值或所述初始的第一像素级评估指标值;
其中,所述F′表示所述修正后的数值。
5.根据权利要求3所述的图像质量评估方法,其特征在于,所述图像样本的图像质量标签值是通过下列方式设定的:
步骤S1:分别对每个所述图像样本的样本像素级评估指标值与指标阈值进行数值比较,其中,所述指标阈值包括上限值Lup和下限值Llow;
若F′p<Llow,则将F′p映射为区间[N1,N2)内的指标数值,所述F′p表示当前图像样本的样本像素级评估指标值;
若Llow≤F′p≤Lup,则将F′p映射为区间[N2,N3]内的指标数值;
若F′p>Lup,则将F′p映射为区间(N3,N4]内的指标数值;
其中,N1<N2<<N3<N4并且N2<Llow<Lup<N3;
步骤S2:根据映射得到的指标数值设定每个所述图像样本的图像质量标签值。
7.根据权利要求1所述的图像质量评估方法,其特征在于,所述预设的图像质量评估模型是通过下列方式训练得到的:
将每个图像样本划分为多个图像块,获取每个所述图像块的图像块特征;
采用BIQA算法并且根据每个所述图像样本各自对应的图像块特征以及图像质量标签值,对预设的归回模型进行训练,以获取所述图像质量评估模型。
8.根据权利要求1所述的图像质量评估方法,其特征在于,“根据所述第一图像质量评估指标值与所述第二图像质量评估指标值,获取最终的图像质量评估指标值”的步骤具体包括:
若scorehosa≤scorepixel,则直接将第一图像质量评估指标值作为所述最终的图像质量评估指标值,其中,所述scorepixel和所述scorehosa分别表示第一图像质量评估指标值与第二图像质量评估指标值;
若scorehosa>scorepixel,则判断scorepixel是否小于等于预设的第一指标阈值,根据判断结果采用相应的评估指标值计算函数对scorepixel与scorehosa进行计算,得到所述最终的图像质量评估指标值;
其中,
所述评估指标值计算函数是以每个图像样本的图像质量标签值为因变量,以每个图像样本的第三图像质量评估指标值scorepixel_sample和第四图像质量评估指标值scorehosa_sample为自变量进行多项式拟合得到的;
每个图像样本的scorepixel_sample是采用获取第一图像质量评估指标值scorepixel的方式,分别根据每个图像样本的像素特征获取到的;
每个图像样本的scorehosa_sample是采用获取第二图像质量评估指标值scorehosa的方式,分别对每个图像样本进行图像质量分析获取到的。
9.根据权利要求8所述的图像质量评估方法,其特征在于,“根据判断结果采用相应的评估指标值计算函数对所述第一图像质量评估指标值与所述第二图像质量评估指标值进行计算”的步骤具体包括:
若scorepixel≤thresh_1,则采用下式所示的第二评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_1表示所述预设的第一指标阈值;
score=weight×scorehosa+(1-weight)×scorepixel
其中,所述weight表示权重;
所述thresh_2表示预设的第二指标阈值;
所述第二评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample≤thresh_1的图像样本得到的。
10.根据权利要求8所述的图像质量评估方法,其特征在于,“根据判断结果采用相应的评估指标值计算函数对所述第一图像质量评估指标值与所述第二图像质量评估指标值进行计算”的步骤具体包括:
若scorepixel>thresh_1且scorehosa>thresh_3,则采用下式所示的第三评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_3表示预设的第三指标阈值;
其中,所述第三评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample>thresh_3的图像样本得到的;
并且/或者,
若scorepixel>thresh_1且scorehosa≤thresh_3,则采用下式所示的第四评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_3表示预设的第三指标阈值;
score=scorepixel+scorepixel×scorehosa
其中,所述第四评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample≤thresh_3的图像样本得到的。
11.一种图像质量评估装置,其特征在于,所述装置包括:
第一指标值获取模块,其被配置成获取待评估图像中每个像素的像素特征,根据所述像素特征获取所述待评估图像的第一图像质量评估指标值;
第二指标值获取模块,其被配置成将所述待评估图像划分为多个图像块,采用预设的图像质量评估模型分别对每个所述图像块进行图像质量分析,以获取所述待评估图像的第二图像质量评估指标值;
质量评估模块,其被配置成根据所述第一图像质量评估指标值与所述第二图像质量评估指标值,获取最终的图像质量评估指标值;根据所述最终的图像质量评估指标值对所述待评估图像进行图像质量评估。
12.根据权利要求11所述的图像质量评估装置,其特征在于,所述像素特征包括所述待评估图像对应的灰度图像中像素的梯度值和/或像素值,所述第一指标值获取模块还被配置成执行以下操作:
采用基于像素梯度的图像清晰度评估方法并且根据每个所述像素的梯度值,获取所述待评估图像的第一像素级评估指标值;
根据每个所述像素的像素值计算所述待评估图像的图像对比度,将所述图像对比度作为所述待评估图像的第二像素级评估指标值;
根据所述第一像素级评估指标值和/或所述第二像素级评估指标值,获取所述待评估图像的第一图像质量评估指标值。
13.根据权利要求12所述的图像质量评估装置,其特征在于,所述第一指标值获取模块还被配置成执行以下操作:
获取每个图像样本对应的灰度图像中每个像素的梯度值;
采用所述基于像素梯度的图像清晰度评估方法并且根据每个所述图像样本中每个像素的梯度值,获取每个所述图像样本的样本像素级评估指标值;
以每个所述图像样本的图像质量标签值为因变量,以每个所述图像样本的样本像素级评估指标值为自变量进行多项式拟合,得到第一评估指标计算函数;
采用所述基于像素梯度的图像清晰度评估方法并且根据所述待评估图像中每个所述像素的梯度值,获取所述待评估图像的初始的第一像素级评估指标值;
采用所述第一评估指标计算函数并且根据所述初始的第一像素级评估指标值,计算得到所述待评估图像的最终的第一像素级评估指标值。
14.根据权利要求13所述的图像质量评估装置,其特征在于,所述第一指标值获取模块还被配置成执行以下操作:
根据图像样本对应的灰度图像或待评估图像对应的灰度图像中每个像素的梯度值并且按照下式所示的图像清晰度评估函数,获取所述图像样本或所述待评估图像的初始指标值;
其中,所述F表示所述初始指标值,所述G(x,y)表示灰度图像中(x,y)位置处像素点的梯度值,所述n是预设的像素点数量且n≥nth,所述nth是预设的数量阈值;
按照下式所示的方法将所述初始指标值F修正为[0,1]之间的数值,并且将修正后的数值作为所述样本像素级评估指标值或所述初始的第一像素级评估指标值;
其中,所述F′表示所述修正后的数值。
15.根据权利要求13所述的图像质量评估装置,其特征在于,所述第一指标值获取模块还被配置成执行以下操作:
步骤S1:分别对每个所述图像样本的样本像素级评估指标值与指标阈值进行数值比较,其中,所述指标阈值包括上限值Lup和下限值Llow;
若F′p<Llow,则将F′p映射为区间[N1,N2)内的指标数值,所述F′p表示当前图像样本的样本像素级评估指标值;
若Llow≤F′p≤Lup,则将F′p映射为区间[N2,N3]内的指标数值;
若F′p>Lup,则将F′p映射为区间(N3,N4]内的指标数值;
其中,N1<N2<<N3<N4并且N2<Llow<Lup<N3;
步骤S2:根据映射得到的指标数值设定每个所述图像样本的图像质量标签值。
17.根据权利要求11所述的图像质量评估装置,其特征在于,所述第二指标值获取模块还被配置成执行以下操作:
将每个图像样本划分为多个图像块,获取每个所述图像块的图像块特征;
采用BIQA算法并且根据每个所述图像样本各自对应的图像块特征以及图像质量标签值,对预设的归回模型进行训练,以获取所述图像质量评估模型。
18.根据权利要求11所述的图像质量评估装置,其特征在于,所述质量评估模块还被配置成执行以下操作:
若scorehosa≤scorepixel,则直接将第一图像质量评估指标值作为所述最终的图像质量评估指标值,其中,所述scorepixel和所述scorehosa分别表示第一图像质量评估指标值与第二图像质量评估指标值;
若scorehosa>scorepixel,则判断scorepixel是否小于等于预设的第一指标阈值,根据判断结果采用相应的评估指标值计算函数对scorepixel与scorehosa进行计算,得到所述最终的图像质量评估指标值;
其中,
所述评估指标值计算函数是以每个图像样本的图像质量标签值为因变量,以每个图像样本的第三图像质量评估指标值scorepixel_sample和第四图像质量评估指标值scorehosa_sample为自变量进行多项式拟合得到的;
每个图像样本的scorepixel_sample是采用获取第一图像质量评估指标值scorepixel的方式,分别根据每个图像样本的像素特征获取到的;
每个图像样本的scorehosa_sample是采用获取第二图像质量评估指标值scorehosa的方式,分别对每个图像样本进行图像质量分析获取到的。
19.根据权利要求18所述的图像质量评估装置,其特征在于,所述质量评估模块还被配置成执行以下操作:
若scorepixel≤thresh_1,则采用下式所示的第二评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_1表示所述预设的第一指标阈值;
score=weight×scorehosa+(1-weight)×scorepixel
其中,所述weight表示权重;
所述thresh_2表示预设的第二指标阈值;
所述第二评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample≤thresh_1的图像样本得到的。
20.根据权利要求18所述的图像质量评估装置,其特征在于,所述质量评估模块还被配置成执行以下操作:
若scorepixel>thresh_1且scorehosa>thresh_3,则采用下式所示的第三评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_3表示预设的第三指标阈值;
其中,所述第三评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample>thresh_3的图像样本得到的;
并且/或者,
若scorepixel>thresh_1且scorehosa≤thresh_3,则采用下式所示的第四评估指标值计算函数计算最终的图像质量评估指标值score,其中,所述thresh_3表示预设的第三指标阈值;
score=scorepixel+scorepixel×scorehosa
其中,所述第四评估指标值计算函数是:根据scorehosa_sample>scorepixel_sample且scorepixel_sample>thresh_1且scorehosa_sample≤thresh_3的图像样本得到的。
21.一种图像质量评估装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至10中任一项所述的图像质量评估方法。
22.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至10中任一项所述的图像质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110083676.1A CN112785572B (zh) | 2021-01-21 | 2021-01-21 | 图像质量评估方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110083676.1A CN112785572B (zh) | 2021-01-21 | 2021-01-21 | 图像质量评估方法、装置以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785572A true CN112785572A (zh) | 2021-05-11 |
CN112785572B CN112785572B (zh) | 2023-10-24 |
Family
ID=75758371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110083676.1A Active CN112785572B (zh) | 2021-01-21 | 2021-01-21 | 图像质量评估方法、装置以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785572B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627383A (zh) * | 2021-08-25 | 2021-11-09 | 中国矿业大学 | 一种用于全景智能安防的行人徘徊重识别方法 |
CN115115624A (zh) * | 2022-08-25 | 2022-09-27 | 江苏濠玥电子科技有限公司 | 一种电缆桥架的防腐涂层滚轧损伤检测方法 |
CN116542941A (zh) * | 2023-05-10 | 2023-08-04 | 中国人民解放军61646部队 | 区域镶嵌图像质量评估方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100076884A (ko) * | 2008-12-26 | 2010-07-06 | 후아웨이 디바이스 컴퍼니 리미티드 | 화질 평가 디바이스 및 방법 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN111401324A (zh) * | 2020-04-20 | 2020-07-10 | Oppo广东移动通信有限公司 | 图像质量评估方法、装置、存储介质及电子设备 |
-
2021
- 2021-01-21 CN CN202110083676.1A patent/CN112785572B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100076884A (ko) * | 2008-12-26 | 2010-07-06 | 후아웨이 디바이스 컴퍼니 리미티드 | 화질 평가 디바이스 및 방법 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN111401324A (zh) * | 2020-04-20 | 2020-07-10 | Oppo广东移动通信有限公司 | 图像质量评估方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
QINGBO WU: "No Reference Image Quality Metric via Distortion Identification and Multi-Channel Label Transfer", 《IEEE》 * |
曹欣: "结合清晰度的无参考图像质量评价", 《计算机与数字工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627383A (zh) * | 2021-08-25 | 2021-11-09 | 中国矿业大学 | 一种用于全景智能安防的行人徘徊重识别方法 |
CN115115624A (zh) * | 2022-08-25 | 2022-09-27 | 江苏濠玥电子科技有限公司 | 一种电缆桥架的防腐涂层滚轧损伤检测方法 |
CN115115624B (zh) * | 2022-08-25 | 2022-11-22 | 江苏濠玥电子科技有限公司 | 一种电缆桥架的防腐涂层滚轧损伤检测方法 |
CN116542941A (zh) * | 2023-05-10 | 2023-08-04 | 中国人民解放军61646部队 | 区域镶嵌图像质量评估方法和装置 |
CN116542941B (zh) * | 2023-05-10 | 2023-11-28 | 中国人民解放军61646部队 | 区域镶嵌图像质量评估方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112785572B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Multi-scale optimal fusion model for single image dehazing | |
CN106920229B (zh) | 图像模糊区域自动检测方法及*** | |
CN112785572B (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
US10963993B2 (en) | Image noise intensity estimation method, image noise intensity estimation device, and image recognition device | |
CN111199524B (zh) | 一种针对可调光圈光学***的图像紫边校正方法 | |
CN108830873B (zh) | 深度图像物体边缘提取方法、装置、介质及计算机设备 | |
KR101361644B1 (ko) | 영상 처리 장치 및 영상 내의 안개 제거 방법 | |
JP2010045613A (ja) | 画像識別方法および撮像装置 | |
CN109903294B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN111292272B (zh) | 图像处理方法、装置、介质以及电子设备 | |
CN111192241B (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN103400367A (zh) | 一种无参考型模糊图像质量评价方法 | |
US11526963B2 (en) | Image processing apparatus, image processing method, and storage medium | |
CN112801536B (zh) | 图像处理方法、装置和电子设备 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN112200887B (zh) | 一种基于梯度感知的多聚焦图像融合方法 | |
JP2020076644A (ja) | 肉質等級の品質基準のデジタル化方法、それによる品質基準を利用した品質評価のテジタル処理方法、それらを利用した自動肉質評価装置、および、それに搭載されるソフトウェア | |
CN113537037A (zh) | 路面病害识别方法、***、电子设备及存储介质 | |
CN111061895A (zh) | 图像推荐的方法、装置、电子设备及存储介质 | |
CN108257117B (zh) | 图像曝光度的评测方法及装置 | |
Wang et al. | New insights into multi-focus image fusion: A fusion method based on multi-dictionary linear sparse representation and region fusion model | |
Li et al. | Deep image quality assessment driven single image deblurring | |
CN115239551A (zh) | 视频增强方法和装置 | |
CN112686851B (zh) | 一种图像检测方法、装置及存储介质 |
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 |