CN114219774B - 图像质量评估方法、装置、终端及计算机可读存储介质 - Google Patents
图像质量评估方法、装置、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114219774B CN114219774B CN202111442432.4A CN202111442432A CN114219774B CN 114219774 B CN114219774 B CN 114219774B CN 202111442432 A CN202111442432 A CN 202111442432A CN 114219774 B CN114219774 B CN 114219774B
- Authority
- CN
- China
- Prior art keywords
- image
- preprocessed
- determining
- information
- evaluated
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像质量评估方法、装置、终端及计算机可读存储介质,图像质量评估方法包括:对待评价图像进行对比度调整处理,得到图像序列,图像序列包括多张对比度不同的预处理图像;分别提取多张预处理图像的特征信息;基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值。本申请通过对待评价图像进行对比度调整处理,以得到多张对比度不同的预处理图像,通过提取多张预处理图像的特征信息,根据多张与处理图像的特征信息之间的差异,衡量图像序列的离散程度,进而对待评价图像的质量进行评分,使待评价图像的质量能够量化,进而可以达到有效区分对比度失真图像的质量的目的,同时还可以提升可适用场景的范围。
Description
技术领域
本发明涉及图像质量评估技术领域,特别是涉及一种图像质量评估方法、装置、终端及计算机可读存储介质。
背景技术
图像的对比度失真是一种极为常见的图像失真类型,它能够明显影响人眼或计算机对于对比度失真图像中有效信息的获取。同时随着现代技术的不断发展,图像数据正呈现出指数级的增长趋势,其中包含了较多的对比度失真图像。因此为了能够有效区分对比度失真图像的质量,筛选出能够有效获取信息的高质量图像,需要对比度图像质量评估方法为人眼或计算机提供有效参考。
发明内容
本发明主要解决的技术问题是提供图像质量评估方法、装置、终端及计算机可读存储介质,解决现有技术中对于对比度失真图像的质量无法有效区分的问题。
为解决上述技术问题,本发明采用的第一个技术方案是:提供一种图像质量评估方法,图像质量评估方法包括:对待评价图像进行对比度调整处理,得到图像序列,图像序列包括多张对比度不同的预处理图像;分别提取多张预处理图像的特征信息;基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值。
其中,对待评价图像进行对比度调整处理,得到图像序列,包括:通过遍历待评价图像中的所有像素,得到原始直方图信息;根据原始直方图信息确定待评价图像的像素个数范围;其中,像素个数范围为最小像素个数到最大像素个数;根据预设值在像素个数范围内提取多个像素个数,得到像素个数阈值;根据各个像素个数阈值分别预处理原始直方图信息,确定像素个数阈值对应的预处理直方图信息;对预处理直方图信息进行均衡化处理,得到预处理图像。
其中,根据各个像素个数阈值分别预处理原始直方图信息,确定像素个数阈值对应的预处理直方图信息,包括:获取像素个数阈值;将原始直方图信息中各灰度级在像素个数阈值与最大像素个数之间的像素个数分配到像素个数阈值与最小像素个数之间,得到预处理直方图信息。
其中,特征信息包括灰度动态范围、信息熵和亮度中的至少一种;分别提取多张预处理图像的特征信息,包括:统计各预处理图像的灰度级对应的像素个数,得到预处理图像对应的像素分布信息;根据像素分布信息中预处理图像的最大有效灰度级和最小有效灰度级,确定对应的预处理图像的灰度动态范围;基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值,包括:根据多张预处理图像分别对应的灰度动态范围,确定对应的待评价图像的灰度动态范围方差。
其中,分别提取多张预处理图像的特征信息,还包括:根据像素分布信息确定预处理图像中各灰度级对应的像素个数的概率密度;根据各灰度级分别对应的像素个数的概率密度,确定预处理图像的信息熵;基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值,还包括:根据多张预设图像分别对应的信息熵,确定对应的待评价图像的信息熵方差。
其中,分别提取多张预处理图像的特征信息,还包括:根据像素分布信息确定预处理图像中各灰度级、灰度级对应的像素个数以及总像素个数,确定预处理图像的亮度;基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值,还包括:根据多张预设图像分别对应的亮度,确定待评价图像的亮度方差。
其中,基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值,还包括:根据待评价图像的灰度动态范围方差、信息熵方差和亮度方差中的至少一种,确定待评价图像的质量评估值。
为解决上述技术问题,本发明采用的第二个技术方案是:提供一种图像质量评估装置,图像质量评估装置包括:对比度调节模块,用于对待评价图像进行对比度调整处理,得到图像序列,图像序列包括多张对比度不同的预处理图像;特征提取模块,用于分别提取多张预处理图像的特征信息;评估模块,用于基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值。
为解决上述技术问题,本发明采用的第三个技术方案是:提供一种终端,该终端包括存储器、处理器以及存储于存储器中并在处理器上运行的计算机程序,处理器用于执行程序数据以实现上述图像质量评估方法中的步骤。
为解决上述技术问题,本发明采用的第四个技术方案是:提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述图像质量评估方法中的步骤。
本发明的有益效果是:区别于现有技术的情况,提供的一种图像质量评估方法、装置、终端及计算机可读存储介质,图像质量评估方法包括:对待评价图像进行对比度调整处理,得到图像序列,图像序列包括多张对比度不同的预处理图像;分别提取多张预处理图像的特征信息;基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值。本申请通过对待评价图像进行对比度调整处理,以得到多张对比度不同的预处理图像,通过提取多张预处理图像的特征信息,根据多张与处理图像的特征信息之间的差异,衡量图像序列的离散程度,进而对待评价图像的质量进行评分,使待评价图像的质量能够量化,进而可以达到有效区分对比度失真图像的质量的目的,同时还可以提升可适用场景的范围。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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它的附图。
图1是本发明提供的图像质量评估方法的流程示意图;
图2是本发明提供的图像质量评估方法一具体实施例的流程示意图;
图3是本发明提供的图像质量评估装置的示意框图;
图4是本发明提供的终端一实施方式的示意框图;
图5是本发明提供的计算机可读存储介质一实施方式的示意框图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明所提供的一种图像质量评估方法做进一步详细描述。
请参阅图1,图1是本发明提供的图像质量评估方法的流程示意图。本实施例中提供一种图像质量评估方法,该图像质量评估方法包括如下步骤。
S11:对待评价图像进行对比度调整处理,得到图像序列。
具体地,通过对比度增强算法,并采用调整参数的方式,生成对比度渐变图像序列。在一实施例中,通过遍历待评价图像中的所有像素,得到原始直方图信息;根据原始直方图信息确定待评价图像的像素个数范围;其中,像素个数范围为最小像素个数到最大像素个数;根据预设值在像素个数范围内提取多个像素个数,得到像素个数阈值;根据各个像素个数阈值分别预处理原始直方图信息,确定像素个数阈值对应的预处理直方图信息;对预处理直方图信息进行均衡化处理,得到预处理图像。其中,像素个数阈值不同,会得到对比度不同的多个预处理图像,多个预处理图像组成待评价图像对应的图像序列。
在一具体实施例中,获取像素个数阈值;将原始直方图信息中各灰度级在像素个数阈值与最大像素个数之间的像素个数分配到像素个数阈值与最小像素个数之间,得到预处理直方图信息。
S12:分别提取多张预处理图像的特征信息。
具体地,特征信息包括灰度动态范围、信息熵和亮度中的至少一种。
在一实施例中,统计各预处理图像的灰度级对应的像素个数,得到预处理图像对应的像素分布信息;根据像素分布信息中预处理图像的最大有效灰度级和最小有效灰度级,确定对应的预处理图像的灰度动态范围;根据多张预处理图像分别对应的灰度动态范围,确定对应的待评价图像的灰度动态范围方差。
在一实施例中,根据像素分布信息确定预处理图像中各灰度级对应的像素个数的概率密度;根据各灰度级分别对应的像素个数的概率密度,确定预处理图像的信息熵;根据多张预设图像分别对应的信息熵,确定对应的待评价图像的信息熵方差。
在一实施例中,根据像素分布信息确定预处理图像中各灰度级、灰度级对应的像素个数以及总像素个数,确定预处理图像的亮度;根据多张预设图像分别对应的亮度,确定待评价图像的亮度方差。
S13:基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值。
具体地,根据待评价图像的灰度动态范围方差、信息熵方差和亮度方差的加和,得到待评价图像的质量评估值。
本实施例提供的图像质量评估方法包括对待评价图像进行对比度调整处理,得到图像序列,图像序列包括多张对比度不同的预处理图像;分别提取多张预处理图像的特征信息;基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值。本申请通过对待评价图像进行对比度调整处理,以得到多张对比度不同的预处理图像,通过提取多张预处理图像的特征信息,根据多张与处理图像的特征信息之间的差异,衡量图像序列的离散程度,进而对待评价图像的质量进行评分,使待评价图像的质量量化,进而可以达到有效区分对比度失真图像的质量的目的,同时还可以提升可适用场景的范围。
请参阅图2,图2是本发明提供的图像质量评估方法一具体实施例的流程示意图。本实施例中提供一种图像质量评估方法,该图像质量评估方法包括如下步骤。
S21:获取待评价图像。
具体地,获取对比度失真图像,将获取的对比度失真图像确定为待评价图像。需要对对比度失真图像的质量进行评估。
S22:通过遍历待评价图像中的所有像素,得到原始直方图信息。
具体地,提取待评价图像中的特征数据,根据提取的特征数据统计待评价图像的灰度级以及各灰度级对应的像素个数,根据灰度级以及各灰度级的像素个数构建待评价图像的原始直方图。其中,原始直方图信息反映待评价图像的灰度级以及各灰度级的像素个数。
S23:根据原始直方图信息确定待评价图像的像素个数范围。
具体地,从原始直方图信息可以确定最大像素个数和最小像素个数。从最小像素个数到最大像素个数可以作为待评价图像的像素个数范围。
S24:根据预设值在像素个数范围内提取多个像素个数,得到像素个数阈值。
具体地,预先设定预设值,根据预设值在像素个数范围内提取多个像素个数,得到多个像素个数阈值。在一具体实施例中,在最小像素个数上增加预设值,得到第一个像素个数阈值,再在第一个像素个数阈值上增加预设值,得到第二个像素个数阈值,重复上述操作,直至超出像素个数范围时停止,即可得到多个像素个数阈值。
S25:根据各个像素个数阈值分别预处理原始直方图信息,确定像素个数阈值对应的预处理直方图信息。
具体地,通过不同的像素个数阈值对原始直方图信息分别进行增强处理,以得到不同增强程度的预处理直方图信息。在一具体实施例中,为了保证总的像素个数不变,根据获取的多个像素个数阈值;将原始直方图信息中各灰度级在像素个数阈值与最大像素个数之间的像素个数分配到像素个数阈值与最小像素个数之间,得到预处理直方图信息。在一优选例中,将原始直方图从像素个数阈值处截断,将原始直方图信息中各灰度级在像素个数阈值与最大像素个数之间的所有像素个数平均分配到最小像素个数和像素个数阈值之间,以得到不同像素个数阈值对应的预处理直方图信息。
S26:对预处理直方图信息进行均衡化处理,得到预处理图像。
具体地,均衡化处理是把预处理直方图信息从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。也就是说,均衡化处理就是对预处理直方图信息进行非线性拉伸,重新分配像素值,使一定灰度范围内的像素个数大致相同。通过均衡化处理可以平衡背景和前景都太亮或者太暗的图像,进而得到预处理直方图信息对应的预处理图像。其中,预处理图像为对待评价图像进行对比度增强的图像。
由于像素个数阈值是从小到大逐渐增大的,各个像素个数阈值分别对应的预处理图像对比度不同且逐渐变化的,因此,通过多个对比度渐变的预处理图像组成待评价图像对应的图像序列。
S27:分别提取多张预处理图像的特征信息。
具体地,分别提取预处理图像中的特征数据,根据提取的特征数据统计预处理图像的灰度级以及各灰度级对应的像素个数,根据灰度级以及各灰度级的像素数目确定预处理图像的直方图。其中,直方图反映预处理图像的灰度级以及各灰度级的像素个数。根据直方图统计各预处理图像的灰度级对应的像素个数,得到预处理图像对应的像素分布信息。其中,特征信息包括灰度动态范围、信息熵和亮度中的至少一种。根据预处理图像对应的像素分布信息可以确定预处理图像的灰度动态范围、信息熵和亮度。
在一实施例中,根据像素分布信息中预处理图像的最大有效灰度级和最小有效灰度级,确定对应的预处理图像的灰度动态范围。其中,最大有效灰度级和最小有效灰度级的像素个数均不为零。具体地,计算直方图中最大有效灰度级与最小有效灰度级之间的差异,并除以图像理论最大灰度级进行归一化处理,得到预处理图像的灰度动态范围Rt。
其中,通过公式1可以计算得到灰度动态范围Rt:
Rt=(Limg_max-Limg_min)/Lmax (公式1)
式中:Rt是灰度动态范围;Limg-max是最大有效灰度级;Limg-min是最小有效灰度级;Lmax是图像理论最大灰度级。
通过公式1分别计算各预处理图像的灰度动态范围Rt。
在一具体实施例中,根据像素分布信息确定预处理图像中各灰度级对应的像素个数的概率密度;根据各灰度级分别对应的像素个数的概率密度,确定预处理图像的信息熵。在一具体实施例中,计算直方图中每个灰度级对应的像素个数的概率密度,然后采用一维图像信息熵公式进行计算。最后除以8进行归一化,得到预处理图像的信息熵Et。
其中,通过公式2可以计算得到信息熵Et:
式中:Et是信息熵;Pi是像素个数的概率密度;i是灰度级。
通过公式2分别计算各预处理图像的灰度动态范围Et。
在一具体实施例中,根据像素分布信息确定预处理图像中各灰度级、灰度级对应的像素个数以及总像素个数,确定预处理图像的亮度。在一具体实施例中,计算直方图中每个灰度级与对应的像素个数的乘积并求和,然后除以预处理图像中总的像素个数。最后除以图像理论最大灰度级进行归一化,得到预处理图像的亮度Lt。
其中,通过公式3可以计算得到亮度Lt:
式中:Lt是亮度;hi是像素个数;i是灰度级;Lmax是图像理论最大灰度级。
通过公式3分别计算各预处理图像的亮度Lt。
S28:根据待评价图像的灰度动态范围方差、信息熵方差和亮度方差的加和,得到待评价图像的质量评估值。
在一具体实施例中,根据待评价图像对应的图像序列包含的多张预处理图像分别对应的灰度动态范围Rt,计算对应的待评价图像的灰度动态范围方差Vrange,进而确定待评价图像对应的多张预处理图像的灰度动态范围的差异性。
在一具体实施例中,根据待评价图像对应的图像序列包含的多张预处理图像分别对应的信息熵,计算对应的待评价图像的信息熵方差Ventropy,进而确定待评价图像对应的多张预处理图像的信息熵的差异性。
在一具体实施例中,根据待评价图像对应的图像序列包含的多张预处理图像分别对应的亮度,计算对应的待评价图像的亮度方差Vlave,进而确定待评价图像对应的多张预处理图像的亮度的差异性。
根据待评价图像的灰度动态范围方差、信息熵方差和亮度方差的加和,得到待评价图像的质量评估值。
具体通过公式4得到待评价图像的质量评估值S。
S=Vrange+Ventropy+Vlave (公式4)
式中:S是待评价图像的质量评估值;Vrange是灰度动态范围方差;Ventropy是信息熵方差;Vlave是亮度方差。
在一具体实施例中,由于不同的特征信息对于图像质量的影响程度不同,可以对灰度动态范围方差、信息熵方差和亮度方差分别分配权重,进而得到待评价图像的质量评估值。在一优选实施例中,为灰度动态范围方差、信息熵方差和亮度方差分别分配的权重均为1/3,将灰度动态范围方差、信息熵方差和亮度方差分别乘以权重后再进行加和得到待评价图像的质量评估值。
本实施例不需要使用参考图像即可确定待评价图像的质量评估值,提升了可适用场景的范围。且通过采用灰度动态范围、信息熵、亮度三种特征信息来描述预处理图像的对比度信息,更加全面的反映了待评价图像的对比度失真现象,更便于区分待评价图像的质量。
本实施例通过对待评价图像进行对比度调整处理,以得到多张对比度不同的预处理图像,通过提取多张预处理图像的特征信息,根据多张与处理图像的特征信息之间的差异,衡量图像序列的离散程度,进而对待评价图像的质量进行评分,使待评价图像的质量能够量化,进而可以达到有效区分对比度失真图像的质量的目的,同时还可以提升可适用场景的范围。
参阅图3,图3是本发明提供的图像质量评估装置的示意框图。在本实施例中提供一种图像质量评估装置30,图像质量评估装置30包括对比度调节模块31、特征提取模块32和评估模块33。
对比度调节模块31用于对待评价图像进行对比度调整处理,得到图像序列,图像序列包括多张对比度不同的预处理图像。
特征提取模块32用于分别提取多张预处理图像的特征信息。
评估模块33用于基于多张预处理图像对应的特征信息的差异,确定待评价图像的质量评估值。
本实施例通过对待评价图像进行对比度调整处理,以得到多张对比度不同的预处理图像,通过提取多张预处理图像的特征信息,根据多张与处理图像的特征信息之间的差异,衡量图像序列的离散程度,进而对待评价图像的质量进行评分,使待评价图像的质量能够量化,进而可以达到有效区分对比度失真图像的质量的目的,同时还可以提升可适用场景的范围。
参阅图4,图4是本发明提供的终端一实施方式的示意框图。该实施方式中的终端70包括:处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序,该计算机程序被处理器71执行时实现上述图像质量评估方法中,为避免重复,此处不一一赘述。
参阅图5,图5是本发明提供的计算机可读存储介质一实施方式的示意框图。本申请的实施方式中还提供一种计算机可读存储介质90,计算机可读存储介质90存储有计算机程序901,计算机程序901中包括程序指令,处理器执行程序指令,实现本申请实施方式提供的图像质量评估方法。
其中,计算机可读存储介质90可以是前述实施方式的计算机设备的内部存储单元,例如计算机设备的硬盘或内存。计算机可读存储介质90也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上仅为本发明的实施方式,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种图像质量评估方法,其特征在于,所述图像质量评估方法包括:
对待评价图像进行对比度调整处理,得到图像序列,所述图像序列包括多张对比度不同的预处理图像;
统计各所述预处理图像的灰度级对应的像素个数,得到所述预处理图像对应的像素分布信息;
根据所述像素分布信息,确定所述预处理图像的特征信息;所述特征信息包括灰度动态范围、信息熵和亮度中的至少一种;
基于所述多张预处理图像对应的所述特征信息的差异,确定所述待评价图像的质量评估值;
其中,当所述特征信息包括所述灰度动态范围时,所述根据所述像素分布信息,确定所述预处理图像的特征信息,包括:
根据所述像素分布信息中所述预处理图像的最大有效灰度级和最小有效灰度级,确定对应的所述预处理图像的灰度动态范围;
当所述特征信息包括所述灰度动态范围时,所述基于所述多张预处理图像对应的所述特征信息的差异,确定所述待评价图像的质量评估值,包括:
根据所述多张预处理图像分别对应的所述灰度动态范围,确定对应的所述待评价图像的灰度动态范围方差。
2.根据权利要求1所述的图像质量评估方法,其特征在于,
所述对待评价图像进行对比度调整处理,得到图像序列,包括:
通过遍历待评价图像中的所有像素,得到原始直方图信息;
根据所述原始直方图信息确定所述待评价图像的像素个数范围;其中,所述像素个数范围为最小像素个数到最大像素个数;
根据预设值在所述像素个数范围内提取多个像素个数,得到像素个数阈值;
根据各个所述像素个数阈值分别预处理所述原始直方图信息,确定所述像素个数阈值对应的预处理直方图信息;
对所述预处理直方图信息进行均衡化处理,得到所述预处理图像。
3.根据权利要求2所述的图像质量评估方法,其特征在于,
所述根据各个所述像素个数阈值分别预处理所述原始直方图信息,确定所述像素个数阈值对应的预处理直方图信息,包括:
获取所述像素个数阈值;
将所述原始直方图信息中各灰度级在所述像素个数阈值与所述最大像素个数之间的所述像素个数分配到所述像素个数阈值与所述最小像素个数之间,得到所述预处理直方图信息。
4.根据权利要求1所述的图像质量评估方法,其特征在于,当所述特征信息包括所述信息熵时,
所述根据所述像素分布信息,确定所述预处理图像的特征信息,还包括:
根据所述像素分布信息确定所述预处理图像中各所述灰度级对应的所述像素个数的概率密度;
根据所述各灰度级分别对应的所述像素个数的概率密度,确定所述预处理图像的信息熵;
所述基于所述多张预处理图像对应的所述特征信息的差异,确定所述待评价图像的质量评估值,还包括:
根据所述多张预处理图像分别对应的所述信息熵,确定对应的所述待评价图像的信息熵方差。
5.根据权利要求4所述的图像质量评估方法,其特征在于,当所述特征信息包括所述亮度时,
所述根据所述像素分布信息,确定所述预处理图像的特征信息,还包括:
根据所述像素分布信息确定所述预处理图像中各所述灰度级、所述灰度级对应的所述像素个数以及总像素个数,确定所述预处理图像的亮度;
所述基于所述多张预处理图像对应的所述特征信息的差异,确定所述待评价图像的质量评估值,还包括:
根据所述多张预处理图像分别对应的所述亮度,确定所述待评价图像的亮度方差。
6.根据权利要求5所述的图像质量评估方法,其特征在于,
所述基于所述多张预处理图像对应的所述特征信息的差异,确定所述待评价图像的质量评估值,还包括:
根据所述待评价图像的所述灰度动态范围方差、所述信息熵方差和所述亮度方差中的至少一种,确定所述待评价图像的质量评估值。
7.一种图像质量评估装置,其特征在于,所述图像质量评估装置包括:
对比度调节模块,用于对待评价图像进行对比度调整处理,得到图像序列,所述图像序列包括多张对比度不同的预处理图像;
特征提取模块,用于统计各所述预处理图像的灰度级对应的像素个数,得到所述预处理图像对应的像素分布信息;根据所述像素分布信息,确定所述预处理图像的特征信息;所述特征信息包括灰度动态范围、信息熵和亮度中的至少一种;当所述特征信息包括所述灰度动态范围时,所述特征提取模块还用于根据所述像素分布信息中所述预处理图像的最大有效灰度级和最小有效灰度级,确定对应的所述预处理图像的灰度动态范围;
评估模块,用于基于所述多张预处理图像对应的所述特征信息的差异,确定所述待评价图像的质量评估值;当所述特征信息包括所述灰度动态范围时,所述评估模块还用于根据所述多张预处理图像分别对应的所述灰度动态范围,确定对应的所述待评价图像的灰度动态范围方差。
8.一种终端,其特征在于,所述终端包括存储器、处理器以及存储于所述存储器中并在所述处理器上运行的计算机程序,所述处理器用于执行程序数据以实现如权利要求1~6任一项所述的图像质量评估方法中的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机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1~6任一项所述的图像质量评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442432.4A CN114219774B (zh) | 2021-11-30 | 2021-11-30 | 图像质量评估方法、装置、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442432.4A CN114219774B (zh) | 2021-11-30 | 2021-11-30 | 图像质量评估方法、装置、终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114219774A CN114219774A (zh) | 2022-03-22 |
CN114219774B true CN114219774B (zh) | 2023-03-28 |
Family
ID=80698940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111442432.4A Active CN114219774B (zh) | 2021-11-30 | 2021-11-30 | 图像质量评估方法、装置、终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219774B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882042B (zh) * | 2022-07-12 | 2022-09-06 | 江苏布罗信息技术有限公司 | 一种基于图像质量评估的物联网传输方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101345891A (zh) * | 2008-08-25 | 2009-01-14 | 重庆医科大学 | 基于信息熵和对比度的无参考图像质量评价方法 |
CN102521813A (zh) * | 2011-11-21 | 2012-06-27 | 华中科技大学 | 基于双平台直方图的红外图像自适应增强方法 |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN109360194A (zh) * | 2018-09-27 | 2019-02-19 | 北京印刷学院 | 一种基于离散不可分离剪切波变换和人眼视觉特性的图像质量评价方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BRPI0906767A2 (pt) * | 2008-01-18 | 2015-07-14 | Thomson Licensing | Método para a avaliação da qualidade perceptual |
US8422795B2 (en) * | 2009-02-12 | 2013-04-16 | Dolby Laboratories Licensing Corporation | Quality evaluation of sequences of images |
CN102945552A (zh) * | 2012-10-22 | 2013-02-27 | 西安电子科技大学 | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 |
CN103338380B (zh) * | 2013-06-06 | 2015-03-11 | 宁波大学 | 一种自适应图像质量客观评价方法 |
CN108174185B (zh) * | 2016-12-07 | 2021-03-30 | 中兴通讯股份有限公司 | 一种拍照方法、装置及终端 |
CN107292830B (zh) * | 2016-12-28 | 2020-09-25 | 首都师范大学 | 低照度图像增强及评价方法 |
CN108109147B (zh) * | 2018-02-10 | 2022-02-18 | 北京航空航天大学 | 一种模糊图像的无参考质量评价方法 |
-
2021
- 2021-11-30 CN CN202111442432.4A patent/CN114219774B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101345891A (zh) * | 2008-08-25 | 2009-01-14 | 重庆医科大学 | 基于信息熵和对比度的无参考图像质量评价方法 |
CN102521813A (zh) * | 2011-11-21 | 2012-06-27 | 华中科技大学 | 基于双平台直方图的红外图像自适应增强方法 |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN109360194A (zh) * | 2018-09-27 | 2019-02-19 | 北京印刷学院 | 一种基于离散不可分离剪切波变换和人眼视觉特性的图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114219774A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Agrawal et al. | A novel joint histogram equalization based image contrast enhancement | |
CN106296600B (zh) | 一种基于小波变换图像分解的对比度增强方法 | |
US10963993B2 (en) | Image noise intensity estimation method, image noise intensity estimation device, and image recognition device | |
CN109325922B (zh) | 一种图像自适应增强方法、装置及图像处理设备 | |
DE112008001052T5 (de) | Bildsegmentierung und -Verbesserung | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
WO2020124873A1 (zh) | 图像处理方法 | |
CN109859257B (zh) | 一种基于纹理方向性的皮肤图像纹理评估方法及*** | |
CN109584198B (zh) | 一种人脸图像质量评价方法、装置及计算机可读存储介质 | |
CN111210395B (zh) | 基于灰度值映射的Retinex水下图像增强方法 | |
CN113592776A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN110189266B (zh) | 一种自适应的快速图像增强方法 | |
CN114219774B (zh) | 图像质量评估方法、装置、终端及计算机可读存储介质 | |
US20210090204A1 (en) | Method and system for data processing | |
CN111222446B (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
CN110136085B (zh) | 一种图像的降噪方法及装置 | |
CN112488954A (zh) | 基于图像灰度级的自适应图像增强的方法及装置 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN109636749B (zh) | 图像处理方法 | |
CN111754413A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
Zhou et al. | An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal | |
CN113160103B (zh) | 图像处理方法及装置、存储介质、终端 | |
CN110852977B (zh) | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 | |
Mittal et al. | Enhancement of historical documents by image processing techniques |
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 |