CN114066857A - 红外图像质量评价方法、装置、电子设备及可读存储介质 - Google Patents
红外图像质量评价方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114066857A CN114066857A CN202111370853.0A CN202111370853A CN114066857A CN 114066857 A CN114066857 A CN 114066857A CN 202111370853 A CN202111370853 A CN 202111370853A CN 114066857 A CN114066857 A CN 114066857A
- Authority
- CN
- China
- Prior art keywords
- image
- score
- objective
- test
- infrared
- 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
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 223
- 238000011156 evaluation Methods 0.000 claims abstract description 151
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 24
- 230000035945 sensitivity Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 13
- 238000001931 thermography Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 abstract description 27
- 238000004364 calculation method Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 16
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 9
- 238000003331 infrared imaging Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000012854 evaluation process Methods 0.000 description 3
- 210000000887 face Anatomy 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 125000000484 butyl group Chemical group [H]C([*])([H])C([H])([H])C([H])([H])C([H])([H])[H] 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000016776 visual perception Effects 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种红外图像质量评价方法、装置、电子设备及可读存储介质。其中,方法包括基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集;通过利用训练集的各训练图像及其图像质量主观分数训练机器学习模型得到初始质量评价模型;通过利用无参考评价算法计算测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数;将各客观子维度评测分数输入至初始质量评价模型,得到每个测试图像的图像质量客观分数;基于初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型,从而可高效、便捷地实现与人眼主观感知高度一致的红外图像质量评测。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种红外图像质量评价方法、装置、电子设备及可读存储介质。
背景技术
众所周知,与可见光成像原理不同,红外热成像***是通过感受物体热辐射与背景热辐射的温度差异进行成像的。因其被动成像特点,红外成像设备可以在无光夜晚或者是光照环境不佳的场景或是烟尘密布的恶劣环境如:雨雾天、阴霾天等清晰地进行图像拍摄,弥补了可见光成像受制于光照条件的缺陷,已被广泛应用于军事、工业、汽车辅助驾驶、安防、医学等领域。
由于成像波长较长,红外图像普遍存在噪声大、图像对比度低、信噪比低、边缘不清晰、视觉效果模糊、灰度范围窄等退化现象,另外红外探测器设备在感知获取、存储传输以及图像后处理操作过程中,也会不可避免地引入一些噪声、模糊,甚至还会丢失一些信息,这些因素均会导致图像质量的下降或图像失真。而红外图像质量优劣直接决定了用户视觉体验以及信息量的获取,红外图像质量的评价就显得尤为重要。虽然在红外成像中存在最小可分辨温差、噪声等效温差等参数指标,但这些指标都无法客观地反映用户对图像的主观感受。因此,一种与用户主观感受高度一致的通用红外图像质量评价方法应用而生,通过该方法,用户可以准确获知待评红外图像的质量,进而用来指导红外图像采集设备和处理***的构建调整,以及优化图像处理算法和参数设定,最终将更高质量的图像呈现给用户。
在可见光领域,目前图像质量评价方法包括主观评价法和客观评价法。主观评价法是由观察者对图像进行主观评分,然后计算平均主观得分或平均主观得分差分值,具体的,又可分为绝对评价法和相对评价法。客观评价方法是由计算机根据一定的算法得到图像的质量指标,根据评价过程中是否需要引入参考图像,又分为全参考、半参考、无参考评价方法,其中无参考评价方法又称盲图像质量评价。在红外成像领域,主观评价法仍然适用,该方法优点是准确可靠,缺点是受制于观察者专业背景、心理、动机等因素影响,主观性太强,且不易用数学模型进行表达,实现复杂,耗时耗力。至于客观评价方法,全参考评价模型由于可以利用全部图像信息,往往有最好的效果,但在红外成像过程中,由于无法获取到无失真的原始图像,因此,对红外图像的客观评价只能借助无参考评价方法。无参考评价方法分为面向特定失真的评价和非特定失真类型评价,面向特定失真的评价方法较成熟,其中应用最广泛的是对图像模糊和噪声的评价,另外还有块效应、JPEG(Joint PhotographicExperts Group,联合图像专家小组)压缩失真的评价,但实际应用中红外图像往往受到多种失真破坏,因此针对特定失真的评价算法无法反映图像的整体质量水平。非特定失真类型评价更接近用户评价方式、更具使用价值,相关技术通常基于支持向量机的方法如BRISQUE(No-Reference Image Quality Assessment in the Spatial Domain,空间域非参考图像质量评价)算法,基于概率模型的方法如NIQE(Natural image qualityevaluator,自然图像质量评价)算法,另外还有基于字典的方法和基于神经网络的方法等进行图像评价,但以上方法计算过程复杂,在现实应用场景中可操作性差。
鉴于此,如何高效、便捷地实现与人眼主观感知高度一致的红外图像质量评测,是所属领域人员需要解决的技术问题。
发明内容
本申请提供了一种红外图像质量评价方法、装置、电子设备及可读存储介质,可高效、便捷地实现与人眼主观感知高度一致的红外图像质量评测。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种红外图像质量评价方法,包括:
基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集;
通过利用所述训练集中各训练图像及对应的图像质量主观分数训练机器学习模型,得到初始质量评价模型;
通过利用无参考评价算法计算所述测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数;
将各客观子维度评测分数输入至所述初始质量评价模型,得到每个测试图像的图像质量客观分数;
基于所述初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型。
可选的,所述基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集,包括:
获取多个红外热成像设备在不同光照环境下多种类型应用场景中所采集的红外图像,以构成所述原始红外图像数据集;其中,各红外热成像设备的生产厂家、封装方式和分辨率不同;
获取所述原始红外图像数据集中各红外图像的图像质量主观分数;
基于预设划分比例,将所述原始红外图像数据集中各红外图像分为多幅训练图像和多幅测试图像;
根据多幅训练图像及各训练图像对应的图像质量主观分数生成训练集;
根据多幅测试图像及各测试图像对应的图像质量主观分数生成测试集。
可选的,所述获取所述原始红外图像数据集中各红外图像的图像质量主观分数,包括:
获取多个专家对各红外图像的每个主观质量指标的主观评测分数,以得到各红外图像的主观子维度评测分数;
获取多个专家和多个普通用户对各红外图像整体的主观评测分数,按照预设的专家权重系数和用户权重系数计算各红外图像的主观整体评测分数;
根据各红外图像的主观子维度评测分数和主观整体评测分数确定各红外图像的图像质量主观分数。
可选的,所述通过利用所述训练集中各训练图像及对应的图像质量主观分数训练机器学习模型,得到初始质量评价模型,包括:
预先构建支持向量回归模型;
根据各训练图像的主观子维度评测分数构建分值特征向量;
将所述分值特征向量和各训练图像对应的主观整体评测分数输入至所述支持向量回归模型进行训练,得到所述初始质量评价模型。
可选的,所述通过利用无参考评价算法计算所述测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数,包括:
通过计算各测试图像的图像空间方差并进行归一化处理得到非均匀性客观分数;
通过计算各测试图像的局部归一化亮度系数确定图像噪声客观分数;
通过计算各测试图像与相应参考图像之间的结构相似度确定图像清晰度客观分数;
基于图像空间频率计算各测试图像的图像对比度客观分数;
基于图像最大灰度级和图像最小灰度级计算各测试图像的动态亮度范围客观分数;
对每幅测试图像,将当前测试图像的非均匀性客观分数、图像噪声客观分数、图像清晰度客观分数、图像对比度客观分数和动态亮度范围客观分数进行归一化处理,得到所述当前测试图像的客观子维度评测分数。
可选的,所述通过计算各测试图像的局部归一化亮度系数确定图像噪声客观分数,包括:
对每幅测试图像,计算当前测试图像的局部归一化亮度系数,通过广义高斯模型拟合所述局部归一化亮度系数,得到拟合参数均值和拟合参数方差;
计算所述局部归一化亮度系数在多个方向上的局部归一化亮度系数邻域系数,通过非对称广义高斯模型拟合各局部归一化亮度系数邻域系数得到多个拟合参数;
在不同尺度分别从所述拟合参数均值、所述拟合参数方差和各拟合参数中提取多维统计特征,并将多维统计特征输入至所述初始质量评价模型,得到所述当前测试图像的图像噪声客观分数。
可选的,所述通过计算各测试图像与相应参考图像之间的结构相似度确定图像清晰度客观分数,包括:
对每幅测试图像,利用高斯平滑滤波器对当前测试图像进行低通滤波得到相应的当前参考图像;
分别提取所述当前测试图像和所述当前参考图像的梯度信息和目标方向上的边缘信息;
根据所述当前测试图像的梯度信息和边缘信息生成测试梯度图像;根据所述当前参考图像的梯度信息和边缘信息生成参考梯度图像;
从所述测试梯度图像中确定满足预设梯度信息条件的多个目标图像块,并确定各目标图像块对应在所述参考梯度图像的目标参考图像块;
调用预先构建的图像结构相似度关系式计算各目标图像块与相应的目标参考图像块之间的结构相似度;其中,所述图像结构相似度关系式根据亮度比较函数、对比度比较函数和结构信息比较函数及各自的权重系数确定;
根据各目标图像块的结构相似度确定所述当前测试图像的图像清晰度客观分数。
可选的,所述基于图像空间频率计算各测试图像的图像对比度客观分数,包括:
对每幅测试图像,使用预设尺寸模板按照水平方向和垂直方向的空间频率对当前测试图像进行遍历,得到所述当前测试图像的空间频率矩阵;
基于所述空间频率矩阵,逐一对每个像素点的图像空间频率进行归一化处理,得到归一化后的图像空间频率矩阵;
根据预先构建的对比度敏感度关系式和归一化后的图像空间频率矩阵确定所述当前测试图像的对比度敏感度权值矩阵;
根据所述对比度敏感度权值矩阵、所述当前测试图像的图像尺寸、最大灰度级和最小灰度级计算所述当前测试图像的图像对比度客观分数。
可选的,所述基于所述初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型,包括:
对每幅测试图像,分别计算当前测试图像的图像质量客观分数和图像质量主观分数的性能衡量指标;其中,所述性能衡量指标包括皮尔逊线性相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数、均方根误差中的一项或多项;
若所述性能衡量指标满足预设性能条件,则将所述初始质量评价模型作为所述图像质量评价模型;
若所述性能衡量指标不满足预设性能条件,则生成优化所述初始质量评价模型指令,对所述初始质量评价模型再次进行训练直至满足所述预设性能条件。
本发明实施例另一方面还提供了一种红外图像质量评价方法,包括:
预先利用如前任一项所述红外图像质量评价方法得到图像质量评价模型;
获取待评价红外图像;
通过利用无参考评价算法计算所述待评价红外图像的每个客观质量指标的客观分数,确定所述待评价红外图像的客观子维度评测分数;
将所述客观子维度评测分数输入至所述图像质量评价模型,得到所述待评价红外图像的图像质量评价分数。
本发明实施例另一方面还提供了一种红外图像质量评价装置,包括:
数据集构造模块,用于基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集;
模型训练模块,用于通过利用所述训练集中各训练图像及对应的图像质量主观分数训练机器学习模型,得到初始质量评价模型;
子维度分数计算模块,用于通过利用无参考评价算法计算所述测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数;
客观评测模块,将各客观子维度评测分数输入至所述初始质量评价模型,得到每个测试图像的图像质量客观分数;
模型确定模块,用于基于所述初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型。
本发明实施例另一方面提供了一种红外图像质量评价装置,包括:
模型构建模块,用于预先利用如前任一项所述红外图像质量评价方法得到图像质量评价模型;
图像获取模块,用于获取待评价红外图像;
客观评分模块,用于通过利用无参考评价算法计算所述待评价红外图像的每个客观质量指标的客观分数,确定所述待评价红外图像的客观子维度评测分数;
质量评测模块,用于将所述客观子维度评测分数输入至所述图像质量评价模型,得到所述待评价红外图像的图像质量评价分数。
本发明实施例还提供了一种电子设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述红外图像质量评价方法的步骤。
本发明实施例最后还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前任一项所述红外图像质量评价方法的步骤。
本申请提供的技术方案的优点在于,利用人眼对图像的主观整体感知评测分数作为特征向量训练模型,对于待测试红外图像,选取与人眼主观感知一致度高的面向特定失真的客观评价方法进行客观评价,得到待测红外图像在各个子维度的客观评分值,将各子维度客观分值向量输入训练好的模型中,获得待测试红外图像的客观总评分,将主观评分的客观性和客观评分的有效结合,最终获取的客观红外图像质量评分和人眼主观感知高度一致,非常适用于当前红外领域成像内容复杂多样,且无法获取原始无失真图像的应用场景中。在模型训练完成之后,整个图像质量评价过程中,只需要计算待评测红外图像的客观子维度评测分数,便可得到与人眼主观感知高度一致的红外图像质量评测结果,从而高效、便捷地实现与人眼主观感知高度一致的红外图像质量评测,可操作性强,实用性更好。
此外,本发明实施例还针对红外图像质量评价方法提供了相应的实现装置、电子设备及可读存储介质,进一步使得所述方法更具有实用性,所述装置、电子设备及可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,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为本发明实施例提供的一种红外图像质量评价方法的流程示意图;
图2为本发明实施例提供的另一种红外图像质量评价方法的流程示意图;
图3为本发明实施例提供的再一种红外图像质量评价方法的流程示意图;
图4为本发明实施例提供的红外图像质量评价装置的一种具体实施方式结构图;
图5为本发明实施例提供的红外图像质量评价装置的另一种具体实施方式结构图;
图6为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种红外图像质量评价方法的流程示意图,本发明实施例可包括以下内容:
S101:基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集。
在本实施例中,原始红外图像数据集中包含多张红外图像,各红外图像是红外热成像设备采集目标场景所得,目标场景可为所属领域技术人员所指定的室内、室外、任何光照条件、任何时间段、任何外部环境下的场景。图像质量主观分数是用户基于自身对红外图像质量优劣的主观认为,是人眼的主观感知。可先对原始红外图像数据集的每张红外图像或者是指定的某部分的红外图像进行图像质量主观评分,并将所获取的图像质量主观分数作为各红外图像的标签,然后按照某一比例如8:2将原始红外图像数据集的各红外图像划分至训练集和测试集中。为了区别各数据集中的红外图像,本实施例将原始红外图像数据集中的红外图像称为红外图像,将训练集中所包含的红外图像称为训练图像,将测试集中所包含的红外图像称为测试图像。训练集和测试集各自包含的红外图像的个数可根据实际应用场景灵活选择,当然,为了扩大原始红外图像数据集,还可对原始红外图像数据集中的各红外图像进行翻转、裁剪、去噪等各种处理,将处理所得的红外图像补充至原始图像数据集中。当然,也可先按照某种比例将原始红外图像数据集划分为训练集和测试集,再对训练集中的各训练图像或指定的训练图像、测试集中的各测试图像或指定的测试图像进行图像质量主观评分,这均不影响本申请的实现。
S102:通过利用训练集中各训练图像及对应的图像质量主观分数训练机器学习模型,得到初始质量评价模型。
本实施例中的机器学习模型可为任何一种已有的机器学习模型,如支持向量机模型、支持向量回归模型、卷积神经网络模型、前向多层感知器等等,所属领域技术人员可根据实际需求灵活选择相应的机器学习模型,利用训练集中的各训练图像及其对应的图像质量主观分数作为样本数据训练机器学习模型,便可得到用于进行图像质量评价的初始质量评价模型,至于如何利用样本数据训练机器学习模型的过程,可基于所采用的机器学习模型的类型参阅相关技术中所记载的模型训练过程,此处,便不再赘述。
S103:通过利用无参考评价算法计算测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数。
本步骤对于测试集中的各测试图像,引入针对特定维度失真的无参考评价算法计算客观子维度分值。对各测试图像来说,通过其每个客观质量指标对应的客观分数确定客观子维度评测分数,客观子维度评测分数可为一个数据集或者是矩阵,各元素即为每个客观质量指标的客观分数,客观子维度评测分数也可为一个分数,该分数是将各客观质量指标对应的客观分数相加所得,也可为将各客观质量指标对应的客观分数进行加权求和所得,每个客观质量指标的权重因子可根据实际应用场景提前设定,每个测试图像对应一组客观子维度评测分数。
S104:将各客观子维度评测分数输入至初始质量评价模型,得到每个测试图像的图像质量客观分数。
在上个步骤针对特定维度失真的客观评价算法计算得到图像在各子维度的客观评分之后,将其输入至S102训练好的初始质量评价模型中,经过初始质量模型计算处理后输出进行图像质量分数,该输出结果即为测试图像的客观总评分。
S105:基于初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型。
可以理解的是,本申请要解决的技术问题是得到与人眼主观感知高度一致的红外图像质量评测结果,使得最终所得的红外图像质量评测结果更接近人的评价结果,但评价过程是不依赖人的主观因素,而该与人眼主观感知高度一致的图像质量评测结果是由质量评价模型所输出的。基于此,本申请通过判断初始质量评价模型所输出的图像质量结果是否与人眼主观感知高度一致来决定S102训练所得的初始质量评价模型的性能是否符合要求,若符合要求,则可直接使用S102的初始质量评价模型作为实际红外图像评测过程中所使用的质量评价模型,若不符合要求,则需要优化初始质量评价模型直至其满足要求。至于初始质量评价模型的性能可通过比较S101步骤中自己携带的图像质量主观分数和S104输出的图像质量客观分数的差异性来确定,二者的差异性越小,证明初始质量评价模型输出的图像质量客观分数与人眼主观感知的一致性越高,初始质量评价模型性能也就越高。
在本发明实施例提供的技术方案中,利用人眼对图像的主观整体感知评测分数作为特征向量训练模型,对于待测试红外图像,选取与人眼主观感知一致度高的面向特定失真的客观评价方法进行客观评价,得到待测红外图像在各个子维度的客观评分值,将各子维度客观分值向量输入训练好的模型中,获得待测试红外图像的客观总评分,将主观评分的客观性和客观评分的有效结合,最终获取的客观红外图像质量评分和人眼主观感知高度一致,非常适用于当前红外领域成像内容复杂多样,且无法获取原始无失真图像的应用场景中。在模型训练完成之后,整个图像质量评价过程中,只需要计算待评测红外图像的客观子维度评测分数,便可得到与人眼主观感知高度一致的红外图像质量评测结果,从而高效、便捷地实现与人眼主观感知高度一致的红外图像质量评测,可操作性强,实用性更好。
在上述实施例中,对于如何执行步骤S101并不做限定,本实施例中给出训练集和测试集的一种生成方式,也即基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集的实施过程可包括如下步骤:
A1:获取多个红外热成像设备在不同光照环境下多种类型应用场景中所采集的红外图像,以构成原始红外图像数据集;各红外热成像设备的生产厂家、封装方式和分辨率不同。
本步骤是描述红外测试场景的选取与搭建,由于当前针对红外图像并没有完备的质量评价数据库,因此为了评价红外图像质量,可建立红外图像数据库。在充分学习理解红外成像原理和特点基础上,可选取和构造25组室内场景和25组室外场景,其中包括室内典型场景:电灯、电脑、显示器、水杯、电源、空调、桌椅、绿植、人物等,室外典型场景:天空、地面以及行人、车辆、树木、建筑等各种温度的自然场景物体。考虑到不同探测器对成像效果影响很大,为提高对不同探测器的鲁棒性,进行红外图像数据采集的红外成像设备可选取不同厂家生产的、不同封装方式以及不同分辨率的多款非制冷红外热像设备,封装方式例如可为陶瓷封装、金属封装。通过该步骤可构造多组不同天气不同时间段下的室内、外场景,涵盖噪声、运动模糊、失焦与非均匀等不同失真情况的数据共约1000+张。
A2:获取原始红外图像数据集中各红外图像的图像质量主观分数。
在上个步骤搭建典型红外测试场景,并利用红外热成像设备采集图像数据构造出红外图像数据集之后,可对红外图像数据集进行主观评分,包括但并不限制于针对均匀性、噪声、清晰度、对比度、动态范围的专家子维度评分和针对整幅图像的专家与普通用户联合总评分,获得图像的主观评分结果。
A3:基于预设划分比例,将原始红外图像数据集中各红外图像分为多幅训练图像和多幅测试图像。
A4:根据多幅训练图像及各训练图像对应的图像质量主观分数生成训练集。
A5:根据多幅测试图像及各测试图像对应的图像质量主观分数生成测试集。
上述步骤的预设划分比例可根据实际需求灵活选择,例如可按8:2将原始红外图像数据集划分为训练集和测试集。举例来说,可将以上步骤中采集到的1000张包含不同程度各种失真的图像数据按照8:2的比例划分出训练集和测试集,且训练集的图像数据和测试集的图像数据之间无交集。
上述实施例对红外图像数据集进行主观评分的实施方式并不做任何限定,本申请还给出一种可选的实施方式,可包括下述内容:
获取多个专家对原始红外图像数据集中各红外图像的每个主观质量指标的主观评测分数,以得到各红外图像的主观子维度评测分数;
获取多个专家和多个普通用户对原始红外图像数据集中各红外图像整体的主观评测分数,按照预设的专家权重系数和用户权重系数计算各红外图像的主观整体评测分数;
根据各红外图像的主观子维度评测分数和主观整体评测分数确定原始红外图像数据集中各红外图像的图像质量主观分数。
在本实施例中,原始红外图像数据集的各红外图像的主观评分包括专家子维度评分、专家与普通用户联合加权总评分。其中,可结合人眼视觉感知特性以及红外成像特点,选取对红外图像质量产生影响的几项,如下:均匀性、噪声、清晰度/模糊、对比度、动态亮度范围作为主观评分子维度。相应的,主观子维度评测分数可包括非均匀性主观分数、图像噪声主观分数、图像清晰度主观分数、图像对比度主观分数和动态亮度范围主观分数,也即上述实施例的主观质量指标。如图2所示,对于训练集的各训练图像,每个训练图像的主观评分子维度可包括非均匀性主观分数、图像噪声主观分数、图像清晰度主观分数、图像对比度主观分数和动态亮度范围主观分数。一个子维度即为一个主观质量指标,主观子维度评测分数可为一个数据集或者是矩阵,各元素即为每个主观质量指标对应的主观质量分数,主观子维度评测分数也可为一个分数,该分数是将各主观质量指标对应的主观质量分数相加所得,也可为将各主观质量指标对应的主观质量分数进行加权求和所得,每个客观质量指标的权重因子可根据实际应用场景提前设定,每个测试图像对应一组主观子维度评测分数。在对原始红外图像数据集中的各红外图像进行主观子维度评分,也即确定各主观质量指标的主观评测分数可采用单刺激连续质量分级法,该方法是观测者在一定连续时间内,只观察当前待测图像,然后根据评分表连续对待测图像评分,根据评分和评分时间得到待测图像的质量评价。主观质量指标的主观评测分数采用专家评分,充分利用专家自身在红外图像处理与评价方面的专业知识来对数据集中图像各个子维度或者是说各主观质量指标的表现进行打分,方法中选取了24位专家作为打分者,并将所有打分者的打分结果进行均值归一化处理,以此得到数据集中所有图像在各个子维度的主观分数向量表如对原始红外图像数据集的红外图像进行整体主观评测的过程可为:整体主观评测分数包括专家评分分数和普通用户评分分数,例如可选取24位专家和50位普通用户,在得到所有观测者的打分结果后,进行加权均值归一化处理,专家打分权重可为0.6,普通用户打分权重可为0.4,以此得到数据集中所有图像的主观总分数表{z1,z2,z3...zn}。最终原始红外图像数据集中各红外图像的主观子维度评分结果向量和主观总评分值也即A2的图像质量主观分数可表示为
由上可知,本实施例针对当前长波红外图像评价领域无公开图像数据集可用,本实施例在充分学习理解红外成像原理和特点基础上,构造了一个带有主观评分的红外图像数据集,填补了在红外成像领域无专业测评数据集可用的空白。本实施例对红外图像数据集的主观评分分为子维度评分和总评分,子维度评分采用专家评分,充分利用专家自身在红外图像处理与评价方面的专业知识来对数据集中图像各个子维度的表现进行打分。总评分采用专家评分和普通用户联合加权评分,即利用了专家经验知识,又有效的结合了大众对图像的认知感受,使得红外图像主观评分结果全面细致、专业可靠。
基于上述实施例,本申请还针对S102提供了一种可选的实施方式,也即通过利用训练集训练机器学习模型得到初始质量评价模型的实施过程可包括:
预先构建支持向量回归模型,利用LIBSVM工具包封装的网格寻优算法计算超参数γ,同时获取用户输入的超参数ε和超参数C;
根据各训练图像的主观子维度评测分数构建分值特征向量;
将分值特征向量和各训练图像对应的主观整体评测分数输入至支持向量回归模型进行训练,得到初始质量评价模型。
在本实施例中,机器学习模型采用SVR(支持向量回归,Support VectorRegression)模型,SVR可利用核函数将低维度下的非线性不可分特征映射为高维度下的线性可分特征,能够很好的解决小样本训练问题。本实施例采用ε-不敏感的非线性回归ε-SVR完成从特征向量到质量分数的映射,具体实现可引用LIBSVM包,其中需要手动设定的超参数为C和ε,γ可利用包中封装的网格寻优算法获得。
在上述实施例中,对于如何执行步骤S103并不做限定,本实施例中给出客观子维度评测分数的一种可选的计算方式,如图2所示,也即通过利用无参考评价算法计算测试集中各测试图像的每个客观质量指标的客观分数确定各测试图像的客观子维度评测分数的实施过程可包括如下步骤:
B1:通过计算各测试图像的图像空间方差并进行归一化处理得到非均匀性客观分数。
在本实施例中,红外图像非均匀性可包括固定图形噪声、暗信号非均匀性和光响应非均匀性;固定图形噪声是指对于一个像元阵列中不同像元的特性参数是不同的;因不同像元的暗信号不同,称为暗信号非均匀性;因不同像元的灵敏度不同,称为光响应非均匀性。在概率论和统计中方差是衡量一组数据的离散程度的度量指标,对所有类型的非均匀性都可以用方差来描述。方差越大,图像就越不均匀;方差越小,图像的均匀性就更好。因此对于测试集图像,可通过计算图像空间方差并进行归一化处理所得结果来作为图像的非均匀性客观分值。对于一个M行N列的红外图像,非均匀性计算公式可为:
其中,ρ为自定义参数值,用于表示红外图像的非均匀性,yij为像元(i,j)处的像素值。
B2:通过计算各测试图像的局部归一化亮度系数确定图像噪声客观分数。
可以理解的是,红外图像的噪声可包括热噪声、散粒噪声、1/f噪声、固定图案噪声和条纹噪声。其中,热噪声、散粒噪声可看作白噪声,1/f噪声强度和频率成反比,为分形噪声,固定图案噪声和条纹噪声属于非均匀性噪声,非均匀性因素在B1步骤中已经处理过了,所以本步骤针对热噪声、散粒噪声、1/f噪声。在BRISQUE算法中,MSCN(Mean SubtractedContrast Normalized,图像局部归一化亮度)系数具有对多种退化敏感的统计特性,通过量化统计特征的改变可以预测影响图像失真的视觉质量。
可选的,图像噪声客观分数的一种可选的计算方式可包括:
对每幅测试图像,计算当前测试图像的局部归一化亮度系数,通过广义高斯模型拟合局部归一化亮度系数,得到拟合参数均值和拟合参数方差;计算局部归一化亮度系数在多个方向上的局部归一化亮度系数邻域系数,通过非对称广义高斯模型拟合各局部归一化亮度系数邻域系数得到多个拟合参数;在不同尺度分别从拟合参数均值、拟合参数方差和各拟合参数中提取多维统计特征,并将多维统计特征输入至初始质量评价模型,得到当前测试图像的图像噪声客观分数。
式中,c为常数,防止分母为0,i∈1,2....M,j∈1,2....N表示像素空间位置,I(i,j)表示中心像素的强度,μ(i,j)表示当前局部区域均值,σ(i,j)表示当前局部区域的方差。ω={wk,l|k=-K,....,K;l=-L,....,L}为二维圆对称的高斯加权函数,K=L=3表示图像分块大小。
利用现有的广义高斯模型(Generalized Gaussian Distribution,GGD)可拟合以上计算的归一化亮度信息,得到拟合参数均值z和方差φ2。另外,为了反映相邻系数的统计特征,在MSCN基础上,构造水平H、垂直V、主对角D1、次对角D2四个方向的MSCN邻域系数:
可采用现有技术中的非对称广义高斯分布模型(Asymmetric GeneralizedGaussian Distribution,AGGD)拟合四方向上的邻域MSCN系数,得到拟合参数考虑人类视觉具有多尺度性,在原尺度上和2倍下采样尺度上分别提取特征,可提取36个统计特征,之后通过初始质量评价模型建立从36个特征到图像质量分数的映射。
B3:通过计算各测试图像与相应参考图像之间的结构相似度确定图像清晰度客观分数。
可以理解的是,图像的清晰度可以使用目标图像x与参考图像y间的结构相似度来表示,图像间的结构相似度可包含亮度比较函数、对比度比较函数和结构信息比较函数。
式中,C1、C2和C3为常数,避免分母为0,μx为图像x的灰度均值,μy为图像y的灰度均值,σx为图像x的灰度标准差,σy为图像y的灰度标准差,σxy为图像x,y的协方差。
基于上述内容,本实施例的图像的结构相似度可通过关系式SSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ计算得到,α,β,γ分别控制亮度、对比度、结构信息三部分所占的权重,例如α=β=γ=1。在确定各红外图像的结构相似度之后,结构相似度越大,证明待测图像越清晰,可基于结构相似度计算得到待测图像的图像清晰度客观分数。
B4:基于图像空间频率计算各测试图像的图像对比度客观分数。
式中,M为图像的行数,N为图像的列数。
由于图像的空间频率与人眼视觉***对比度敏感特性直接相关,故可基于图像的空间频率结合实际应用场景确定图像对比度客观分数计算方式,通过该计算方式便可得到待测图像的图像对比度客观分数。
B5:基于图像最大灰度级和图像最小灰度级计算各测试图像的动态亮度范围客观分数。
红外热像仪的动态亮度范围是指对拍摄场景中景物温度变化的适应能力,具体指红外图像亮度的变化范围,即表示图像中最“亮”和最“暗”的调整范围。对于测试集图像,可使用动态范围计算公式获得图像的动态亮度范围并进行归一化操作作为动态亮度范围客观分值。动态范围计算公式可表示为:
式中,Lmax为统计得到的画面的最大灰度级,Lmin为图像的最小灰度级。
B6:对每幅测试图像,将当前测试图像的非均匀性客观分数、图像噪声客观分数、图像清晰度客观分数、图像对比度客观分数和动态亮度范围客观分数进行归一化处理,得到当前测试图像的客观子维度评测分数。
由上可知,本实施例基于人眼对图像的主观整体感知是对各个维度方面的感知综合结果,将人眼对红外图像质量的总评分看作各子维度评分的映射函数,其中各子维度评分对整体总分的贡献大小不同,也即子维度评测分数score_all(包括客观子维度评测分数和主观子维度评测分数)=function(score_nuc(包括非均匀性客观分数和非均匀性主观分数),score_noise(包括图像噪声客观分数和图像噪声主观分数),score_blur(包括图像清晰度客观分数和图像清晰度主观分数),score_contrast(图像对比度客观分数和图像对比度主观分数),score_dynamic(包括动态亮度范围客观分数和动态亮度范围主观分数))。对于待测试红外图像,选取与人眼主观感知一致度高的面向特定失真的客观评价方法进行客观评价,得到待测红外图像在各个子维度的客观评分值,将各子维度客观分值向量输入训练好的初始质量评价模型中,获得待测试红外图像的客观总评分,实现了将主观评分的客观性和客观评分的高效性有力结合。
上述实施例对如何执行通过计算各测试图像与相应参考图像之间的结构相似度确定图像清晰度客观分数的过程并不做任何限定,本实施例还给出了一种可选的实施方式,可包括:
对每幅测试图像,利用高斯平滑滤波器对当前测试图像进行低通滤波得到相应的当前参考图像;
分别提取当前测试图像和当前参考图像的梯度信息和目标方向上的边缘信息;
根据当前测试图像的梯度信息和边缘信息生成测试梯度图像;根据当前参考图像的梯度信息和边缘信息生成参考梯度图像;
从测试梯度图像中确定满足预设梯度信息条件的多个目标图像块,并确定各目标图像块对应在参考梯度图像的目标参考图像块;
调用预先构建的图像结构相似度关系式计算各目标图像块与相应的目标参考图像块之间的结构相似度;图像结构相似度关系式根据亮度比较函数、对比度比较函数和结构信息比较函数及各自的权重系数确定;
根据各目标图像块的结构相似度确定当前测试图像的图像清晰度客观分数。
在本实施例中,引入无参考图像清晰度评价指标NRSS计算图像清晰度。首先为待评价图像构造参考图像,定义待评价图像为I,诸如可采用尺寸为7×7、σ2=6的高斯平滑滤波器对对待评价图像I进行低通滤波得到待评价图像I的参考图像Ir=LPF(I)。提取图像I和Ir的梯度信息,利用人眼对水平和垂直方向的边缘信息最为敏感的特性,可使用Sobel算子分别提取水平方法和垂直方向的边缘信息,基于边缘信息和梯度信息生成梯度图像,定义I和Ir的梯度图像分别为G和Gr。
其中,满足预设梯度信息条件的多个目标图像块的确定过程可为:本实施例的预设梯度信息可为梯度信息最丰富,具体的,可以先确定一个梯度信息阈值,大于该阈值的图像块则为梯度信息最丰富的梯度块。作为一种可选的实施方式,从梯度图像G中选择梯度信息最丰富的N个图像块的过程可为:将梯度图像G按照8*8划分为多个小图像块,为了避免丢失重要的边缘,各图像块的块间步长为4,即相邻块有50%重叠。计算每个图像块的方差,方差越大说明梯度信息越丰富,找出其中方差最大的N块,记为{xi|i=1,2,...,N},对应的Gr中的对应块定义为{yi|i=1,2,...,N}。当然,也可采用其他方法从梯度图像中选择所需的目标图像块,这均不影响本申请的实现。在确定目标图像块之后,可先计算每个目标图像块xi和其对应在参考图像中的图像块yi的结构相似度SSIM(xi,yi)SSIM(xi,yi)可通过图像结构相似度关系式SSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ计算得到,在计算得到结构相似度之后,可基于下述结构清晰度NRSS计算关系式计算得到图像清晰度客观分数,结构清晰度NRSS计算关系式可表示为:
由上可知,本实施例在计算图像清晰度客观分数过程中,通过从测试图像和参考图像中选择具有代表性的若干个图像块计算结构相似度,不仅可提高整体图像质量评价效率,还可提高图像清晰度客观分数计算精准度,进而有利于提高图像质量评价准确度。
上述实施例对如何基于图像空间频率计算各测试图像的图像对比度客观分数并不做任何限定,本实施例还给出图像对比度客观分数一种可选的计算方式,可包括下述内容:
对每幅测试图像,使用预设尺寸模板按照水平方向和垂直方向的空间频率对当前测试图像进行遍历,得到当前测试图像的空间频率矩阵;
基于空间频率矩阵,逐一对每个像素点的图像空间频率进行归一化处理,得到归一化后的图像空间频率矩阵;
根据预先构建的对比度敏感度关系式和归一化后的图像空间频率矩阵确定当前测试图像的对比度敏感度权值矩阵;
根据对比度敏感度权值矩阵、当前测试图像的图像尺寸、最大灰度级和最小灰度级计算当前测试图像的图像对比度客观分数。
在本实施例中,可采用3*3模板按水平方向的空间频率fR和垂直方向的空间频率fC对图像进行遍历,得到图像空间频率矩阵f(i,j),并基于归一化计算关系式逐一对图像空间频率进行归一化,归一化计算关系式可表示为:
式中,fmin和fmax为图像空间频率f(i,j)的最小值和最大值,得到归一化后的图像空间频率矩阵fmon(i,j)之后,可将fmon(i,j)带入对比度敏感度函数得到图像的对比度敏感度权值矩阵C(i,j)。基于对比度敏感度权值矩阵,调用预先构建对比度客观分数计算关系式计算得到测试图像的图像对比度客观分数。对比度客观分数计算关系式可表示为:
其中,Lmax为统计得到的画面的最大灰度级,Lmin为图像的最小灰度级,最大灰度级和最小灰度级分别为统计的图像中的最大像素值和最小像素值所得。M为当前测试图像的行数,N为当前测试图像的列数,m为第m行,n为第n列。
由上可知,本实施例通过反映人眼敏感度的空间频率,并结合图像灰度信息计算对比度客观分数,可提高图像对比度客观分数计算精准度,进而有利于提高图像质量评价准确度。
上述实施例对如何执行S105并不做任何限定,本申请还给出基于初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型的一种实现方式,可包括:
对每幅测试图像,分别计算当前测试图像的图像质量客观分数和图像质量主观分数的性能衡量指标的具体值,性能衡量指标为皮尔逊线性相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数、均方根误差的任意一项或任意组合,相应的,即为分别计算当前测试图像的图像质量客观分数和图像质量主观分数的性能衡量指标。
若皮尔逊线性相关系数和/或斯皮尔曼秩相关系数和/或肯德尔秩相关系数和/或均方根误差满足预设性能条件,也即性能衡量指标满足预设性能条件,则将初始质量评价模型作为图像质量评价模型;
若皮尔逊线性相关系数和/或斯皮尔曼秩相关系数和/或肯德尔秩相关系数和/或均方根误差不满足预设性能条件,也即性能衡量指标不满足预设性能条件,则生成优化初始质量评价模型指令,对初始质量评价模型再次进行训练直至满足预设性能条件。
其中,可通过皮尔逊线性相关系数计算关系式计算图像质量客观分数和图像质量主观分数的皮尔逊线性相关系数PLCC,皮尔逊线性相关系数越大,则模型输出结果和人眼评分的相关性越高,表明初始质量评价模型性能越好。皮尔逊线性相关系数计算关系式可表示为:
其中,xi,i∈{1,2,....n}表示对测试集图像的图像质量客观分数数组,yi,i∈{1,2,....n}表示对测试集图像的图像质量主观分数数组,n为测试集中图像个数,和分别是{x1,x2,…,xn}和{y1,y2,…yn}的均值,σx和σy分别为其标准差。
在本实施中,可通过斯皮尔曼秩相关系数计算关系式计算图像质量客观分数和图像质量主观分数的斯皮尔曼秩相关系数SROCC,斯皮尔曼秩相关系数的值越大,则模型输出结果和人眼评分的相关性越高,表明初始质量评价模型性能越好。斯皮尔曼秩相关系数计算关系式可表示为:
其中,n为测试集中图像个数,对数组xi和数组yi分别按照组内数值从小到大排序,得到rxi和ryi分别为数组中第i个值的秩序,rxi-ryi为两组数据的秩序差。
在本实施中,可通过肯德尔秩相关系数计算关系式计算图像质量客观分数和图像质量主观分数的肯德尔秩相关系数KROCC。肯德尔秩相关系数越大,则模型输出结果和人眼评分的相关性越高,表明初始质量评价模型性能越好。对于对测试集图像的客观总评分数组xi,i∈{1,2,....n},对测试集图像的人眼主观评分数组yi,i∈{1,2,....n},定义两个数组中数据对一致(xi>xj,yi>yj或者xi<xj,yi<yj)的数据对有P个,两个数组中数据对不一致(xi>xj,yi<yj或者xi<xj,yi>yj)的数据对有Q个,肯德尔秩相关系数计算关系式可表示为:
其中,n为测试集图像个数。
在本实施中,可通过均方根误差计算关系式计算图像质量客观分数和图像质量主观分数的均方根误差。均方根误差越小,则模型输出结果和人眼评分的相关性越高,表明初始质量评价模型性能越好。均方根误差计算关系式可表示为:
其中,xi,i∈{1,2,....n}表示对测试集图像的客观总评分数组,yi,i∈{1,2,....n}表示对测试集图像的人眼主观评分数组,n为测试集图像个数。
举例来说,表1为一个示意性例子中的皮尔逊线性相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数和均方根误差的数值。
表1性能衡量指标具体数值
指标 | PLCC | SROCC | KROCC | RMSE |
一致性 | 0.9302 | 0.9123 | 0.9541 | 2.6517 |
在本实施例中,预设性能条件是指所属领域技术人员根据实际应用场景所确定的质量评价模型的精度,预设性能条件的指定与所采用的性能衡量指标即皮尔逊线性相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数和均方根误差的组合相关,若性能衡量指标为均方根误差,则预设性能条件可为均方根误差值小于2.7,若按照上述方式计算得到的均方根误差值大于2.7,则初始质量评价模型性能未达标,需要进行优化,若按照上述方式计算得到的均方根误差值小于2.7,则初始质量评价模型满足预设性能条件。若性能衡量指标为均方根误差和皮尔逊线性相关系数,则预设性能条件可为均方根误差值小于2.7且皮尔逊线性相关系数大于0.9,若按照上述方式计算得到的均方根误差值大于2.7和/或皮尔逊线性相关系数小于0.9,则初始质量评价模型性能未达标,需要进行优化,若按照上述方式计算得到的均方根误差值小于2.7且皮尔逊线性相关系数大于0.9,则初始质量评价模型满足预设性能条件。
由上可知,本实施例通过比较测试集图像主观总评分和客观总评分的Spearman秩序相关系数SROCC、Pearson线性相关系数PLCC、Kendall秩序相关系数KROCC、均方根误差RMSE,实现对红外图像质量客观评价方面与人眼主观感知一致性进行评判,实用性强。
可以理解的是,上述实施例记载了如何得到一个用于实际红外图像质量评价的模型,以使其输出与人眼主观感知高度一致性的图像质量评测结果,从而实现对红外图像的图像质量的评价,基于此,本申请还提供了另外一个实施例,本实施例用于实现对任何一种未知图像质量主观分数的红外图像进行图像质量评测,请参阅图3,可包括下述内容:
S301:预先利用如上任一个红外图像质量评价方法实施例所述步骤得到图像质量评价模型。
本步骤的图像质量评价模型即为上述实施例的S105所得的最终的图像质量评价模型。
S302:获取待评价红外图像。
待评价红外图像为任何一种需要进行图像质量评测的红外图像。
S303:通过利用无参考评价算法计算待评价红外图像的每个客观质量指标的客观分数,确定待评价红外图像的客观子维度评测分数。
S304:将客观子维度评测分数输入至图像质量评价模型,得到待评价红外图像的图像质量评价分数。
本实施例与上述实施例相同的方法或步骤可参阅上述实施例记载的内容,此处,便不再赘述。
由上可知,本实施例构建一种面向非特定失真类型的无参考红外图像质量评价方法,通过该方法可得到不同红外探测设备、不同场景下的红外图像的红外图像质量评价结果,且该结果与人眼主观感知高度一致。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1-图3只是一种示意方式,并不代表只能是这样的执行顺序。
本发明实施例还针对红外图像质量评价方法提供了相应的装置,进一步使得方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的红外图像质量评价装置进行介绍,下文描述的红外图像质量评价装置与上文描述的红外图像质量评价方法可相互对应参照。
基于功能模块的角度,参见图4,图4为本发明实施例提供的红外图像质量评价装置在一种具体实施方式下的结构图,该装置可包括:
数据集构造模块401,用于基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集;
模型训练模块402,用于通过利用训练集中各训练图像及对应的图像质量主观分数训练机器学习模型,得到初始质量评价模型;
子维度分数计算模块403,用于通过利用无参考评价算法计算测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数;
客观评测模块404,将各客观子维度评测分数输入至初始质量评价模型,得到每个测试图像的图像质量客观分数;
模型确定模块405,用于基于初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型。
可选的,在本实施例的一些实施方式中,上述数据集构造模块401可用于:获取多个红外热成像设备在不同光照环境下多种类型应用场景中所采集的红外图像,以构成原始红外图像数据集;各红外热成像设备的生产厂家、封装方式和分辨率不同;获取原始红外图像数据集中各红外图像的图像质量主观分数;基于预设划分比例,将原始红外图像数据集中各红外图像分为多幅训练图像和多幅测试图像;根据多幅训练图像及各训练图像对应的图像质量主观分数生成训练集;根据多幅测试图像及各测试图像对应的图像质量主观分数生成测试集。
作为上述实施例的一种可选的实施方式,上述数据集构造模块401还可进一步用于:获取多个专家对各红外图像的每个主观质量指标的主观评测分数,以得到各红外图像的主观子维度评测分数;获取多个专家和多个普通用户对各红外图像整体的主观评测分数,按照预设的专家权重系数和用户权重系数计算各红外图像的主观整体评测分数;根据各红外图像的主观子维度评测分数和主观整体评测分数确定各红外图像的图像质量主观分数。
作为上述实施例的另一种可选的实施方式,上述模型训练模块402还可进一步用于:预先构建支持向量回归模型;根据各训练图像的主观子维度评测分数构建分值特征向量;将分值特征向量和各训练图像对应的主观整体评测分数输入至支持向量回归模型进行训练,得到初始质量评价模型。
可选的,在本实施例的另一些实施方式中,上述子维度分数计算模块403可包括:
均匀性计算单元,用于通过计算各测试图像的图像空间方差并进行归一化处理得到非均匀性客观分数;
噪声计算单元,用于通过计算各测试图像的局部归一化亮度系数确定图像噪声客观分数;
清晰度计算单元,用于通过计算各测试图像与相应参考图像之间的结构相似度确定图像清晰度客观分数;
对比度计算单元,用于基于图像空间频率计算各测试图像的图像对比度客观分数;
动态范围计算单元,用于基于图像最大灰度级和图像最小灰度级计算各测试图像的动态亮度范围客观分数;
子维度整体分数计算单元,用于对每幅测试图像,将当前测试图像的非均匀性客观分数、图像噪声客观分数、图像清晰度客观分数、图像对比度客观分数和动态亮度范围客观分数进行归一化处理,得到当前测试图像的客观子维度评测分数。
作为上述实施例的一种可选的实施方式,上述噪声计算单元可进一步用于:对每幅测试图像,计算当前测试图像的局部归一化亮度系数,通过广义高斯模型拟合局部归一化亮度系数,得到拟合参数均值和拟合参数方差;计算局部归一化亮度系数在多个方向上的局部归一化亮度系数邻域系数,通过非对称广义高斯模型拟合各局部归一化亮度系数邻域系数得到多个拟合参数;在不同尺度分别从拟合参数均值、拟合参数方差和各拟合参数中提取多维统计特征,并将多维统计特征输入至初始质量评价模型,得到当前测试图像的图像噪声客观分数。
作为上述实施例的另一种可选的实施方式,上述清晰度计算单元还可进一步用于:对每幅测试图像,利用高斯平滑滤波器对当前测试图像进行低通滤波得到相应的当前参考图像;分别提取当前测试图像和当前参考图像的梯度信息和目标方向上的边缘信息;根据当前测试图像的梯度信息和边缘信息生成测试梯度图像;根据当前参考图像的梯度信息和边缘信息生成参考梯度图像;从测试梯度图像中确定满足预设梯度信息条件的多个目标图像块,并确定各目标图像块对应在参考梯度图像的目标参考图像块;调用预先构建的图像结构相似度关系式计算各目标图像块与相应的目标参考图像块之间的结构相似度;图像结构相似度关系式根据亮度比较函数、对比度比较函数和结构信息比较函数及各自的权重系数确定;根据各目标图像块的结构相似度确定当前测试图像的图像清晰度客观分数。
作为上述实施例的再一种可选的实施方式,上述对比度计算单元可进一步用于:对每幅测试图像,使用预设尺寸模板按照水平方向和垂直方向的空间频率对当前测试图像进行遍历,得到当前测试图像的空间频率矩阵;基于空间频率矩阵,逐一对每个像素点的图像空间频率进行归一化处理,得到归一化后的图像空间频率矩阵;根据预先构建的对比度敏感度关系式和归一化后的图像空间频率矩阵确定当前测试图像的对比度敏感度权值矩阵;根据对比度敏感度权值矩阵、当前测试图像的图像尺寸、最大灰度级和最小灰度级计算当前测试图像的图像对比度客观分数。
可选的,在本实施例的再一些实施方式中,上述模型确定模块405还可进一步用于:对每幅测试图像,分别计算当前测试图像的图像质量客观分数和图像质量主观分数的性能衡量指标;其中,性能衡量指标包括皮尔逊线性相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数、均方根误差中的一项或多项;若性能衡量指标满足预设性能条件,则将初始质量评价模型作为图像质量评价模型;若性能衡量指标不满足预设性能条件,则生成优化初始质量评价模型指令,对初始质量评价模型再次进行训练直至满足预设性能条件。
基于功能模块的角度,请参见图5,图5为本发明实施例提供的红外图像质量评价装置在另一种具体实施方式下的结构图,该装置可包括:
模型构建模块501,用于预先利用如上任一项红外图像质量评价方法得到图像质量评价模型;
图像获取模块502,用于获取待评价红外图像;
客观评分模块503,用于通过利用无参考评价算法计算待评价红外图像的每个客观质量指标的客观分数,确定待评价红外图像的客观子维度评测分数;
质量评测模块504,用于将客观子维度评测分数输入至图像质量评价模型,得到待评价红外图像的图像质量评价分数。
本发明实施例红外图像质量评价装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可高效、便捷地实现与人眼主观感知高度一致的红外图像质量评测。
上文中提到的红外图像质量评价装置是从功能模块的角度描述,进一步的,本申请还提供一种电子设备,是从硬件角度描述。图6为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图6所示,该电子设备包括存储器60,用于存储计算机程序;处理器61,用于执行计算机程序时实现如上述任一实施例提到的红外图像质量评价方法的步骤。
其中,处理器61可以包括一个或多个处理核心,比如4核心处理器、8核心处理器,处理器61还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器61可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable GateArray,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器61也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central Processing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器61可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器61还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器60可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器60还可包括高速随机存取存储器以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。存储器60在一些实施例中可以是电子设备的内部存储单元,例如服务器的硬盘。存储器60在另一些实施例中也可以是电子设备的外部存储设备,例如服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器60还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器60不仅可以用于存储安装于电子设备的应用软件及各类数据,例如:执行漏洞处理方法的程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中,存储器60至少用于存储以下计算机程序601,其中,该计算机程序被处理器61加载并执行之后,能够实现前述任一实施例公开的红外图像质量评价方法的相关步骤。另外,存储器60所存储的资源还可以包括操作***602和数据603等,存储方式可以是短暂存储或者永久存储。其中,操作***602可以包括Windows、Unix、Linux等。数据603可以包括但不限于红外图像质量评价结果对应的数据等。
在一些实施例中,上述电子设备还可包括有显示屏62、输入输出接口63、通信接口64或者称为网络接口、电源65以及通信总线66。其中,显示屏62、输入输出接口63比如键盘(Keyboard)属于用户接口,可选的用户接口还可以包括标准的有线接口、无线接口等。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口64可选的可以包括有线接口和/或无线接口,如WI-FI接口、蓝牙接口等,通常用于在电子设备与其他电子设备之间建立通信连接。通信总线66可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本领域技术人员可以理解,图6中示出的结构并不构成对该电子设备的限定,可以包括比图示更多或更少的组件,例如还可包括实现各类功能的传感器67。
本发明实施例电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可高效、便捷地实现与人眼主观感知高度一致的红外图像质量评测。
可以理解的是,如果上述实施例中的红外图像质量评价方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器(例如SD或DX存储器等)、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时如上任意一实施例所述红外图像质量评价方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种红外图像质量评价方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (14)
1.一种红外图像质量评价方法,其特征在于,包括:
基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集;
通过利用所述训练集中各训练图像及对应的图像质量主观分数训练机器学习模型,得到初始质量评价模型;
通过利用无参考评价算法计算所述测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数;
将各客观子维度评测分数输入至所述初始质量评价模型,得到每个测试图像的图像质量客观分数;
基于所述初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型。
2.根据权利要求1所述的红外图像质量评价方法,其特征在于,所述基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集,包括:
获取多个红外热成像设备在不同光照环境下多种类型应用场景中所采集的红外图像,以构成所述原始红外图像数据集;其中,各红外热成像设备的生产厂家、封装方式和分辨率不同;
获取所述原始红外图像数据集中各红外图像的图像质量主观分数;
基于预设划分比例,将所述原始红外图像数据集中各红外图像分为多幅训练图像和多幅测试图像;
根据多幅训练图像及各训练图像对应的图像质量主观分数生成训练集;
根据多幅测试图像及各测试图像对应的图像质量主观分数生成测试集。
3.根据权利要求2所述的红外图像质量评价方法,其特征在于,所述获取所述原始红外图像数据集中各红外图像的图像质量主观分数,包括:
获取多个专家对各红外图像的每个主观质量指标的主观评测分数,以得到各红外图像的主观子维度评测分数;
获取多个专家和多个普通用户对各红外图像整体的主观评测分数,按照预设的专家权重系数和用户权重系数计算各红外图像的主观整体评测分数;
根据各红外图像的主观子维度评测分数和主观整体评测分数确定各红外图像的图像质量主观分数。
4.根据权利要求3所述的红外图像质量评价方法,其特征在于,所述通过利用所述训练集中各训练图像及对应的图像质量主观分数训练机器学习模型,得到初始质量评价模型,包括:
预先构建支持向量回归模型;
根据各训练图像的主观子维度评测分数构建分值特征向量;
将所述分值特征向量和各训练图像对应的主观整体评测分数输入至所述支持向量回归模型进行训练,得到所述初始质量评价模型。
5.根据权利要求1至4任意一项所述的红外图像质量评价方法,其特征在于,所述通过利用无参考评价算法计算所述测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数,包括:
通过计算各测试图像的图像空间方差并进行归一化处理得到非均匀性客观分数;
通过计算各测试图像的局部归一化亮度系数确定图像噪声客观分数;
通过计算各测试图像与相应参考图像之间的结构相似度确定图像清晰度客观分数;
基于图像空间频率计算各测试图像的图像对比度客观分数;
基于图像最大灰度级和图像最小灰度级计算各测试图像的动态亮度范围客观分数;
对每幅测试图像,将当前测试图像的非均匀性客观分数、图像噪声客观分数、图像清晰度客观分数、图像对比度客观分数和动态亮度范围客观分数进行归一化处理,得到所述当前测试图像的客观子维度评测分数。
6.根据权利要求5所述的红外图像质量评价方法,其特征在于,所述通过计算各测试图像的局部归一化亮度系数确定图像噪声客观分数,包括:
对每幅测试图像,计算当前测试图像的局部归一化亮度系数,通过广义高斯模型拟合所述局部归一化亮度系数,得到拟合参数均值和拟合参数方差;
计算所述局部归一化亮度系数在多个方向上的局部归一化亮度系数邻域系数,通过非对称广义高斯模型拟合各局部归一化亮度系数邻域系数得到多个拟合参数;
在不同尺度分别从所述拟合参数均值、所述拟合参数方差和各拟合参数中提取多维统计特征,并将多维统计特征输入至所述初始质量评价模型,得到所述当前测试图像的图像噪声客观分数。
7.根据权利要求5所述的红外图像质量评价方法,其特征在于,所述通过计算各测试图像与相应参考图像之间的结构相似度确定图像清晰度客观分数,包括:
对每幅测试图像,利用高斯平滑滤波器对当前测试图像进行低通滤波得到相应的当前参考图像;
分别提取所述当前测试图像和所述当前参考图像的梯度信息和目标方向上的边缘信息;
根据所述当前测试图像的梯度信息和边缘信息生成测试梯度图像;根据所述当前参考图像的梯度信息和边缘信息生成参考梯度图像;
从所述测试梯度图像中确定满足预设梯度信息条件的多个目标图像块,并确定各目标图像块对应在所述参考梯度图像的目标参考图像块;
调用预先构建的图像结构相似度关系式计算各目标图像块与相应的目标参考图像块之间的结构相似度;其中,所述图像结构相似度关系式根据亮度比较函数、对比度比较函数和结构信息比较函数及各自的权重系数确定;
根据各目标图像块的结构相似度确定所述当前测试图像的图像清晰度客观分数。
8.根据权利要求5所述的红外图像质量评价方法,其特征在于,所述基于图像空间频率计算各测试图像的图像对比度客观分数,包括:
对每幅测试图像,使用预设尺寸模板按照水平方向和垂直方向的空间频率对当前测试图像进行遍历,得到所述当前测试图像的空间频率矩阵;
基于所述空间频率矩阵,逐一对每个像素点的图像空间频率进行归一化处理,得到归一化后的图像空间频率矩阵;
根据预先构建的对比度敏感度关系式和归一化后的图像空间频率矩阵确定所述当前测试图像的对比度敏感度权值矩阵;
根据所述对比度敏感度权值矩阵、所述当前测试图像的图像尺寸、最大灰度级和最小灰度级计算所述当前测试图像的图像对比度客观分数。
9.根据权利要求1至4任意一项所述的红外图像质量评价方法,其特征在于,所述基于所述初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型,包括:
对每幅测试图像,分别计算当前测试图像的图像质量客观分数和图像质量主观分数的性能衡量指标;其中,所述性能衡量指标包括皮尔逊线性相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数、均方根误差中的一项或多项;
若所述性能衡量指标满足预设性能条件,则将所述初始质量评价模型作为所述图像质量评价模型;
若所述性能衡量指标不满足预设性能条件,则生成优化所述初始质量评价模型指令,对所述初始质量评价模型再次进行训练直至满足所述预设性能条件。
10.一种红外图像质量评价方法,其特征在于,包括:
预先利用如权利要求1至9任一项所述红外图像质量评价方法得到图像质量评价模型;
获取待评价红外图像;
通过利用无参考评价算法计算所述待评价红外图像的每个客观质量指标的客观分数,确定所述待评价红外图像的客观子维度评测分数;
将所述客观子维度评测分数输入至所述图像质量评价模型,得到所述待评价红外图像的图像质量评价分数。
11.一种红外图像质量评价装置,其特征在于,包括:
数据集构造模块,用于基于原始红外图像数据集生成图像携带图像质量主观分数的训练集和测试集;
模型训练模块,用于通过利用所述训练集中各训练图像及对应的图像质量主观分数训练机器学习模型,得到初始质量评价模型;
子维度分数计算模块,用于通过利用无参考评价算法计算所述测试集中各测试图像的每个客观质量指标的客观分数,确定各测试图像的客观子维度评测分数;
客观评测模块,将各客观子维度评测分数输入至所述初始质量评价模型,得到每个测试图像的图像质量客观分数;
模型确定模块,用于基于所述初始质量评价模型,根据各测试图像的图像质量客观分数和相应的图像质量主观分数确定最终的图像质量评价模型。
12.一种红外图像质量评价装置,其特征在于,包括:
模型构建模块,用于预先利用如权利要求1至9任一项所述红外图像质量评价方法得到图像质量评价模型;
图像获取模块,用于获取待评价红外图像;
客观评分模块,用于通过利用无参考评价算法计算所述待评价红外图像的每个客观质量指标的客观分数,确定所述待评价红外图像的客观子维度评测分数;
质量评测模块,用于将所述客观子维度评测分数输入至所述图像质量评价模型,得到所述待评价红外图像的图像质量评价分数。
13.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至9任一项和/或如权利要求10所述红外图像质量评价方法的步骤。
14.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9任一项和/或如权利要求10所述红外图像质量评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111370853.0A CN114066857A (zh) | 2021-11-18 | 2021-11-18 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111370853.0A CN114066857A (zh) | 2021-11-18 | 2021-11-18 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066857A true CN114066857A (zh) | 2022-02-18 |
Family
ID=80277916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111370853.0A Pending CN114066857A (zh) | 2021-11-18 | 2021-11-18 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066857A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897885A (zh) * | 2022-06-17 | 2022-08-12 | 北京东宇宏达科技有限公司 | 一种红外图像质量综合评价***和方法 |
CN115147701A (zh) * | 2022-07-01 | 2022-10-04 | 北京东宇宏达科技有限公司 | 一种红外偏振图像质量评价方法和采集*** |
CN115760822A (zh) * | 2022-11-28 | 2023-03-07 | 深圳市捷易科技有限公司 | 一种图像质量检测模型建立方法及*** |
CN116843683A (zh) * | 2023-08-30 | 2023-10-03 | 荣耀终端有限公司 | 设备成像清晰度评估方法、***和装置 |
CN117952962A (zh) * | 2024-03-25 | 2024-04-30 | 南京科进实业有限公司 | 一种骨密度检测图像处理方法及*** |
CN117952968A (zh) * | 2024-03-26 | 2024-04-30 | 沐曦集成电路(上海)有限公司 | 一种基于深度学习的图像质量评价方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396095A (zh) * | 2017-08-28 | 2017-11-24 | 方玉明 | 一种无参考三维图像质量评价方法 |
CN107481236A (zh) * | 2017-08-28 | 2017-12-15 | 方玉明 | 一种屏幕图像的质量评价方法 |
CN108428227A (zh) * | 2018-02-27 | 2018-08-21 | 浙江科技学院 | 基于全卷积神经网络的无参考图像质量评价方法 |
CN108460756A (zh) * | 2018-01-30 | 2018-08-28 | 西安电子科技大学 | 基于统计特征的无参考红外图像质量评价方法 |
CN108615231A (zh) * | 2018-03-22 | 2018-10-02 | 浙江科技学院 | 一种基于神经网络学习融合的全参考图像质量客观评价方法 |
CN109003265A (zh) * | 2018-07-09 | 2018-12-14 | 嘉兴学院 | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 |
CN109754390A (zh) * | 2018-12-11 | 2019-05-14 | 西北大学 | 一种基于混合视觉特征的无参考图像质量评价方法 |
CN110728656A (zh) * | 2019-09-06 | 2020-01-24 | 西安电子科技大学 | 基于元学习的无参考图像质量数据处理方法、智能终端 |
CN112184672A (zh) * | 2020-09-30 | 2021-01-05 | 上海大学 | 一种无参考图像质量评价方法及*** |
-
2021
- 2021-11-18 CN CN202111370853.0A patent/CN114066857A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396095A (zh) * | 2017-08-28 | 2017-11-24 | 方玉明 | 一种无参考三维图像质量评价方法 |
CN107481236A (zh) * | 2017-08-28 | 2017-12-15 | 方玉明 | 一种屏幕图像的质量评价方法 |
CN108460756A (zh) * | 2018-01-30 | 2018-08-28 | 西安电子科技大学 | 基于统计特征的无参考红外图像质量评价方法 |
CN108428227A (zh) * | 2018-02-27 | 2018-08-21 | 浙江科技学院 | 基于全卷积神经网络的无参考图像质量评价方法 |
CN108615231A (zh) * | 2018-03-22 | 2018-10-02 | 浙江科技学院 | 一种基于神经网络学习融合的全参考图像质量客观评价方法 |
CN109003265A (zh) * | 2018-07-09 | 2018-12-14 | 嘉兴学院 | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 |
CN109754390A (zh) * | 2018-12-11 | 2019-05-14 | 西北大学 | 一种基于混合视觉特征的无参考图像质量评价方法 |
CN110728656A (zh) * | 2019-09-06 | 2020-01-24 | 西安电子科技大学 | 基于元学习的无参考图像质量数据处理方法、智能终端 |
CN112184672A (zh) * | 2020-09-30 | 2021-01-05 | 上海大学 | 一种无参考图像质量评价方法及*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897885A (zh) * | 2022-06-17 | 2022-08-12 | 北京东宇宏达科技有限公司 | 一种红外图像质量综合评价***和方法 |
CN115147701A (zh) * | 2022-07-01 | 2022-10-04 | 北京东宇宏达科技有限公司 | 一种红外偏振图像质量评价方法和采集*** |
CN115760822A (zh) * | 2022-11-28 | 2023-03-07 | 深圳市捷易科技有限公司 | 一种图像质量检测模型建立方法及*** |
CN115760822B (zh) * | 2022-11-28 | 2024-03-19 | 深圳市捷易科技有限公司 | 一种图像质量检测模型建立方法及*** |
CN116843683A (zh) * | 2023-08-30 | 2023-10-03 | 荣耀终端有限公司 | 设备成像清晰度评估方法、***和装置 |
CN116843683B (zh) * | 2023-08-30 | 2024-03-05 | 荣耀终端有限公司 | 设备成像清晰度评估方法、***和装置 |
CN117952962A (zh) * | 2024-03-25 | 2024-04-30 | 南京科进实业有限公司 | 一种骨密度检测图像处理方法及*** |
CN117952968A (zh) * | 2024-03-26 | 2024-04-30 | 沐曦集成电路(上海)有限公司 | 一种基于深度学习的图像质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
CN110930353B (zh) | 孔位保护门状态检测方法、装置、计算机设备和存储介质 | |
CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
US7936377B2 (en) | Method and system for optimizing an image for improved analysis of material and illumination image features | |
CN103198467B (zh) | 图像处理装置以及图像处理方法 | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、***、设备及介质 | |
US9679216B2 (en) | Morphological automatic triangle orientation detection | |
CN103377468A (zh) | 图像处理装置及图像处理方法 | |
CN110827269B (zh) | 农作物生长变化状况检测方法、装置、设备及介质 | |
US20130136348A1 (en) | Method and system for generating intrinsic images using a single reflectance technique | |
CN109948566A (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
Pan et al. | No-reference assessment on haze for remote-sensing images | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及*** | |
van Zwanenberg et al. | Edge detection techniques for quantifying spatial imaging system performance and image quality | |
CN108447058B (zh) | 一种图像质量评价方法及*** | |
CN112419270A (zh) | 元学习下的无参考图像质量评价方法、装置及计算机设备 | |
Fang et al. | Image quality assessment on image haze removal | |
US8913829B2 (en) | Automatic processing scale estimation for use in an image process | |
US20160180148A1 (en) | Method and system for generating intrinsic images using a single reflectance technique | |
TWI735967B (zh) | 信息處理方法及計算機程序 | |
CN112651945A (zh) | 一种基于多特征的多曝光图像感知质量评价方法 | |
CN114897885B (zh) | 一种红外图像质量综合评价***和方法 | |
US9232215B1 (en) | Measuring video acuity | |
Lecca et al. | T-Rex: a Milano Retinex implementation based on intensity thresholding | |
CN115457614A (zh) | 一种图像质量评价方法、模型训练方法及装置 |
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 |