CN113052794A - 一种基于边缘特征的图像清晰度识别方法 - Google Patents

一种基于边缘特征的图像清晰度识别方法 Download PDF

Info

Publication number
CN113052794A
CN113052794A CN202110020428.2A CN202110020428A CN113052794A CN 113052794 A CN113052794 A CN 113052794A CN 202110020428 A CN202110020428 A CN 202110020428A CN 113052794 A CN113052794 A CN 113052794A
Authority
CN
China
Prior art keywords
gray
image
edge
target image
value
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
Application number
CN202110020428.2A
Other languages
English (en)
Inventor
齐凯华
沈鹏
陈江义
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.)
Zhengzhou University
Original Assignee
Zhengzhou 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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202110020428.2A priority Critical patent/CN113052794A/zh
Publication of CN113052794A publication Critical patent/CN113052794A/zh
Pending legal-status Critical Current

Links

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
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于边缘特征的图像清晰度识别方法，涉及图像处理技术领域，对目标图像进行预处理，其中包括对目标图像进行灰度变换和去噪处理；获取处理后目标图像的灰度差值，并确定目标图像的边缘地段；对整幅图像所有的灰度边缘坡度值求和，并对灰度边缘坡度值在整幅图像上求平均值作为图像清晰度识别值。本发明具有单峰性和一致性等优点，清晰程度和评价结果满足无偏性，可以评价不同内容的模糊图像，很好的反映出图像质量的视觉效果。

Description

一种基于边缘特征的图像清晰度识别方法
技术领域
本发明涉及图像处理技术领域，具体来说，涉及一种基于边缘特征的图像清晰度识别方法。
背景技术
数字图像处理是将图像信号转换为数字信号并利用计算机对其进行处理的技术，已广泛应用于科学验机、工农业生产、航空航天等众多领域，已经成为一门引人注目、前景远大的学科口。随着图像处理的应用不断增多，对图像质量的要求也在不断提高，但是相机拍摄过程中，由于目标物体和相机之间的相对运动或周围环境等因素，使得拍摄的图像出现模糊，图像的模糊程度对后续的图像处理造成非常大影响。因此，在图像处理之前对图像清晰程度进行评价是非常必要的。
图像清晰度的评价分为主观评价和客观评价两种。主观评价为评价人员按照评价规则和评价尺度对图像模糊进行评分，但依靠人工观测容易受到个人主观因素的影响而对图像质量作出不可靠的结果，且长时间的观测极易造成视觉疲劳，导致后续的评价工作进展缓慢，无法适应现代企业高速发展的需求；客观评价则采用算法对图像清晰程度进行自动评价，但目前其计算复杂程度高，应用范围广。
检索中国发明专利CN111754491A一种图片清晰度判定方法及装置，利用目标检测模型对待判定图片所包含的物体进行检测识别，得到至少一个主物体，然后，从待判定图片中提取出各主物体的图像，即主物体图像。对各主物体图像进行边缘检测，并根据边缘检测图像计算得到该主物体图像的清晰度。最后根据各主物体图像的清晰度得到整个图片的清晰度。该方案从图片中识别并提取出主物体图像，并计算主物体图像的清晰度，避免图片中包含的模糊背景或锐利背景对整个图片清晰度的影响，因此提高了图片清晰度判定结果的准确度。但其存在计算成本高，且计算复杂程度高。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于边缘特征的图像清晰度识别方法，以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的：
一种基于边缘特征的图像清晰度识别方法，包括以下步骤：
步骤S1，对目标图像进行预处理，其中包括对目标图像进行灰度变换和去噪处理；
步骤S2，获取处理后目标图像的灰度差值，并确定目标图像的边缘地段；
步骤S3，对整幅图像所有的灰度边缘坡度值求和，并对灰度边缘坡度值在整幅图像上求平均值作为图像清晰度识别值。
进一步的，步骤所述对目标图像进行灰度变换，表示为：
gray＝0.299·R+0.587·G+0.114·B。
进一步的，步骤所述获取处理后目标图像的灰度差值，包括以下步骤：
预先分别扫描每个像素点的灰度值，相邻的灰度差值，表示为：
Δgray＝|g(i,j+1)-g(i,j)|,(0≤i≤m,0≤j≤n-1)
其中，g(i,j)表示在坐标(x,y)处的灰度值；
获取相邻两点灰度差值Δgray，其中包括Δgray≥Tgray，则表示为图像边缘地段。
进一步的，步骤所述对整幅图像所有的灰度边缘坡度值求和，包括以下步骤：
预先选取灰度差值大于灰度阈值附近三点；
分别计算三条直线的斜率；
获取三条直线的平均值，分别表示为：
Figure RE-GDA0003078135170000021
ΔGj+2＝|g(i,j+2)-g(i,j+1)|
ΔGj+1＝|g(i,j+1)-g(i,j)|
其中，G(i,j)为判定为灰度边缘后计算出的灰度边缘坡度值。
对整幅目标图像所有的灰度边缘坡度值求和，表示为：
Figure RE-GDA0003078135170000031
进一步的，还包括以下步骤：
获取目标图像垂直方向的灰度边缘坡度值的和sunH；
对灰度边缘坡度值在整幅图像上求平均值d，表示为：
Figure RE-GDA0003078135170000032
本发明的有益效果：
本发明基于边缘特征的图像清晰度识别方法，通过对目标图像进行预处理，获取处理后目标图像的灰度差值，并确定目标图像的边缘地段；对整幅图像所有的灰度边缘坡度值求和，并对灰度边缘坡度值在整幅图像上求平均值作为图像清晰度识别值。本发明具有单峰性和一致性等优点，清晰程度和评价结果满足无偏性，可以评价不同内容的模糊图像，很好的反映出图像质量的视觉效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于边缘特征的图像清晰度识别方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种基于边缘特征的图像清晰度识别方法。
如图1所示，根据本发明实施例的基于边缘特征的图像清晰度识别方法，包括以下步骤：
步骤S1，对目标图像进行预处理，其中包括对目标图像进行灰度变换和去噪处理；
步骤S2，获取处理后目标图像的灰度差值，并确定目标图像的边缘地段；
步骤S3，对整幅图像所有的灰度边缘坡度值求和，并对灰度边缘坡度值在整幅图像上求平均值作为图像清晰度识别值。
其中，步骤所述对目标图像进行灰度变换，表示为：
gray＝0.299·R+0.587·G+0.114·B。
其将图像由RGB三通道数据值降为灰度一个通道也可大大降低后续图像处理的数据量，除了对图像进行灰度处理之外，还需对图像进行去噪，避免因为噪声的干扰得出错误的结果。
其中，步骤所述获取处理后目标图像的灰度差值，包括以下步骤：
预先分别扫描每个像素点的灰度值，相邻的灰度差值，表示为：
Δgray＝|g(i,j+1)-g(i,j)|,(0≤i≤m,0≤j≤n-1)
其中，g(i,j)表示在坐标(x,y)处的灰度值；
获取相邻两点灰度差值Δgray，其中包括Δgray≥Tgray，则表示为图像边缘地段。
其中，步骤所述对整幅图像所有的灰度边缘坡度值求和，包括以下步骤：
预先选取灰度差值大于灰度阈值附近三点；
分别计算三条直线的斜率；
获取三条直线的平均值，分别表示为：
Figure RE-GDA0003078135170000041
ΔGj+2＝|g(i,j+2)-g(i,j+1)|
ΔGj+1＝|g(i,j+1)-g(i,j)|
其中，G(i,j)为判定为灰度边缘后计算出的灰度边缘坡度值。
对整幅目标图像所有的灰度边缘坡度值求和，表示为：
Figure RE-GDA0003078135170000042
其中，还包括以下步骤：
获取目标图像垂直方向的灰度边缘坡度值的和sunH；
对灰度边缘坡度值在整幅图像上求平均值d，表示为：
Figure RE-GDA0003078135170000043
借助于上述技术方案，通过对目标图像进行预处理，获取处理后目标图像的灰度差值，并确定目标图像的边缘地段；对整幅图像所有的灰度边缘坡度值求和，并对灰度边缘坡度值在整幅图像上求平均值作为图像清晰度识别值。本发明具有单峰性和一致性等优点，清晰程度和评价结果满足无偏性，可以评价不同内容的模糊图像，很好的反映出图像质量的视觉效果。
另外，根据清晰图像的边缘灰度值变化呈突变状态，而模糊图像的边缘灰度值变化为平缓状态提出一种新的坡度计算法，将各像素点对应的灰度值看做一条直线，而衡量直线的平坦与否取决于该直线的斜率，即选取灰度差值大于灰度阈值附近三点，分别计算三条直线的斜率，最后求平均值，另外当灰度边缘坡度平均值越大的时候，意味着灰度变化越陡峭，图像越清晰。反之，灰度边缘坡度平均值越小，灰度变化越平缓，图像越模糊。
综上所述，借助于本发明的上述技术方案，通过对目标图像进行预处理，获取处理后目标图像的灰度差值，并确定目标图像的边缘地段；对整幅图像所有的灰度边缘坡度值求和，并对灰度边缘坡度值在整幅图像上求平均值作为图像清晰度识别值。本发明具有单峰性和一致性等优点，清晰程度和评价结果满足无偏性，可以评价不同内容的模糊图像，很好的反映出图像质量的视觉效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (5)

1.一种基于边缘特征的图像清晰度识别方法，其特征在于，包括以下步骤：
对目标图像进行预处理，其中包括对目标图像进行灰度变换和去噪处理；
获取处理后目标图像的灰度差值，并确定目标图像的边缘地段；
对整幅图像所有的灰度边缘坡度值求和，并对灰度边缘坡度值在整幅图像上求平均值作为图像清晰度识别值。
2.根据权利要求1所述的基于边缘特征的图像清晰度识别方法，其特征在于，步骤所述对目标图像进行灰度变换，表示为：
gray＝0.299·R+0.587·G+0.114·B。
3.根据权利要求1所述的基于边缘特征的图像清晰度识别方法，其特征在于，步骤所述获取处理后目标图像的灰度差值，包括以下步骤：
预先分别扫描每个像素点的灰度值，相邻的灰度差值，表示为：
Δgray＝|g(i,j+1)-g(i,j)|,(0≤i≤m,0≤j≤n-1)
其中，g(i,j)表示在坐标(x,y)处的灰度值；
获取相邻两点灰度差值Δgray，其中包括Δgray≥Tgray，则表示为图像边缘地段。
4.根据权利要求1所述的基于边缘特征的图像清晰度识别方法，其特征在于，步骤所述对整幅图像所有的灰度边缘坡度值求和，包括以下步骤：
预先选取灰度差值大于灰度阈值附近三点；
分别计算三条直线的斜率；
获取三条直线的平均值，分别表示为：
Figure RE-FDA0003078135160000011
ΔGj+2＝|g(i,j+2)-g(i,j+1)|
ΔGj+1＝|g(i,j+1)-g(i,j)|
其中，G(i,j)为判定为灰度边缘后计算出的灰度边缘坡度值。
对整幅目标图像所有的灰度边缘坡度值求和，表示为：
Figure RE-FDA0003078135160000012
5.根据权利要求1所述的基于边缘特征的图像清晰度识别方法，其特征在于，还包括以下步骤：
获取目标图像垂直方向的灰度边缘坡度值的和sunH；
对灰度边缘坡度值在整幅图像上求平均值d，表示为：
Figure RE-FDA0003078135160000013
CN202110020428.2A 2021-01-07 2021-01-07 一种基于边缘特征的图像清晰度识别方法 Pending CN113052794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110020428.2A CN113052794A (zh) 2021-01-07 2021-01-07 一种基于边缘特征的图像清晰度识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110020428.2A CN113052794A (zh) 2021-01-07 2021-01-07 一种基于边缘特征的图像清晰度识别方法

Publications (1)

Publication Number Publication Date
CN113052794A true CN113052794A (zh) 2021-06-29

Family

ID=76508303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110020428.2A Pending CN113052794A (zh) 2021-01-07 2021-01-07 一种基于边缘特征的图像清晰度识别方法

Country Status (1)

Country Link
CN (1) CN113052794A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115734069A (zh) * 2022-11-16 2023-03-03 安徽宝信信息科技有限公司 一种自动追踪抓取图像***
CN116674134A (zh) * 2023-08-03 2023-09-01 绵阳华远同创科技有限公司 一种树脂字自动化浇铸加工方法及其***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115734069A (zh) * 2022-11-16 2023-03-03 安徽宝信信息科技有限公司 一种自动追踪抓取图像***
CN116674134A (zh) * 2023-08-03 2023-09-01 绵阳华远同创科技有限公司 一种树脂字自动化浇铸加工方法及其***
CN116674134B (zh) * 2023-08-03 2023-10-20 绵阳华远同创科技有限公司 一种树脂字自动化浇铸加工方法及其***

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与***
WO2021129569A1 (zh) 一种人体动作识别方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN105279772B (zh) 一种红外序列图像的可跟踪性判别方法
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN115294099B (zh) 一种钢板轧制过程发纹缺陷的检测方法及***
WO2017193414A1 (zh) 一种基于转弯半径的图像角点检测方法
CN115841434A (zh) 一种用于气体浓度分析的红外图像增强方法
CN113052794A (zh) 一种基于边缘特征的图像清晰度识别方法
CN112085651B (zh) 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法
CN111429372A (zh) 一种增强低对比度图像边缘检测效果的方法
CN113298769A (zh) Fpc软排线外观缺陷检测方法、***和介质
CN114332079A (zh) 基于图像处理的塑料餐盒裂缝检测方法、装置及介质
CN116051820A (zh) 基于多模板的单目标检测方法
CN109671084B (zh) 一种工件形状的测量方法
CN113781523B (zh) 一种足球检测跟踪方法及装置、电子设备、存储介质
CN112801141B (zh) 基于模板匹配和孪生神经网络优化的异源图像匹配方法
CN116935496B (zh) 一种电子烟烟雾视觉检测方法
CN110186929A (zh) 一种实时的产品瑕疵定位方法
CN114067122B (zh) 一种两级式二值化图像处理方法
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN115601301A (zh) 鱼类表型特征测量方法、***、电子设备及存储介质
CN112085683B (zh) 一种显著性检测中的深度图可信度检测方法
CN114998186A (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210629