一种场景无关的图像清晰度评价方法

合集下载

无参考图像质量评价算法（BRISQUE）：No-ReferenceImageQuality。。。

⽆参考图像质量评价算法（BRISQUE）：No-ReferenceImageQuality。

paper:No-Reference Image Quality Assessment in the Spatial Domainauthor:Anish Mittal etcdate:2012code:1.Introduction作者提出的⽅法 Blind/Referenceless Image Spatial QUality Evaluator (BRISQUE)是基于⾃然图像的统计特征(NSS,natural scene statistics)，对于失真图像，这些特征可能会改变，据此得到了⽆参考图像评价的算法。

这种⽅法是在空间域上做的(transform free)，不像之前⼀些算法要转换到⼩波域或者 DCT 域。

2.BRISQUEA.Natural Scene Statistics in the Spatial Domain对于图像I(i,j),经正则化得到mean subtracted contrast normalized(MSCN)系数\hat{I}(i,j)=\frac{I(i,j)-\mu(i,j)}{\sigma(i,j)+C}其中,i \in 1,2,\dots,M,j\in 1,2,\dots,N,M,N是图像的⾼和宽，C=1是为了数值稳定的常数。

\mu(i,j)=\sum_{k=-K}^{K}\sum_{l=-L}^{L} \omega_{k,l}I_{k,l}(i,j)\\ \sigma(i,j)=\sqrt{\sum_{k=-K}^{K}\sum_{l=-L}^{L}\omega_{k,l}(I_{k,l}(i,j)-\mu(i,j))^2}其中\omega=\{ \omega_{k,l}\vert k=-K,\dots,K,l=-L,\dots,L\}是⾼斯核。

Our hypothesis is that the MSCN coefficients have characteristic statistical properties that are changed by the presence of distortion, and that quantifying these changes will make it possible to predict the type of distortion affecting an image as well as its perceptual quality.使⽤generalized Gaussian distribution(GGD)建模MSCN系数直⽅图,f(x;\alpha,\sigma^2)=\frac{\alpha}{2\beta \Gamma(1/\alpha)}exp(-(\frac{\vert{x}\vert}{\beta})^{\alpha})其中\beta=\sigma\sqrt{\frac{\Gamma(1/\alpha)}{\Gamma(3/\alpha)}}\\ \Gamma(a)=\int_0^{\infty}t^{a-1}e^{-t}dt \quad a>0GGD(\alpha,\sigma^2)的两个参数可以使⽤moment-matching based approach计算出来(详见原论⽂)。

无参考图像质量评价方法

基于模型的方法通常利用图像处理和计算机视觉的技术，分析图像的某些特征，如边缘检测、频域分析、小波变换等，以评估图像的质量。
基于深度学习的方法则是利用深度神经网络对图像进行训练和预测，以实现对图像质量的评估。
评价流程与步骤
NR-IQA的深度学习框架如 TensorFlow、PyTorch等；
无参考图像质量评价方法
汇报人：日期:
目录
• 引言 • 无参考图像质量评价方法概述 • 基于结构相似度的无参考图像质量评价方
法 • 基于感知质量的无参考图像质量评价方法 • 无参考图像质量评价方法的应用场景与展
望 • 结论与参考文献
01
引言
研究背景与意义
随着数字图像的广泛应用，图像质量评价成为重要需求，然而参考图像缺失时，质量评价面临挑战。
该方法在评估不同压缩比下的图像质量时，与主观评价结果具有较好的一致性。
结果分析
实验结果表明，基于结构相似度的无参考图像质量评价方法可以有效地衡量图像的结构信息保真度，从而反映图像的质量。
该方法在评估图像处理和传输算法的性能时具有广泛的应用价值，可以为相关领域的研究提供有益的参考。
方法优劣与适用范围讨论
03
在某些情况下，结构相似度可能受到图像内容的影响，例如，对于具有重复结构的图像，该方法可能产生不准确的结果。
方法优劣与适用范围讨论
适用范围
基于结构相似度的无参考图像质量评价方法适用于评估图像处理和传输算法的性能，以及衡量不同压缩比下的图像质量。
该方法适用于具有相似结构和纹理的图像之间的质量比较，而对于具有显著差异的图像内容可能不太适用。
方法优劣与适用范围讨论
• 基于感知质量的无参考图像质量评价方法的优点在于其能够更准确地反映人类视觉系统对图像质量的感知，尤其适用于评估图像在经过不同处理后的质量变化。然而，该方法的缺点在于其对图像类型的适应性较差，对于某些类型的图像，如人脸图像，其准确性可能不如基于结构的无参考图像质量评价方法。此外，该方法需要大量的训练数据和计算资源，因此在实时应用中可能存在一定的挑战。

无参考图像的清晰度评价方法

无参考图像的清晰度评价方法在无参考图像的质量评价中，图像的清晰度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应，图像的清晰度不高表现出图像的模糊。

本文针对无参考图像质量评价应用，对目前几种较为常用的、具有代表性清晰度算法进行讨论分析，为实际应用中选择清晰度算法提供依据。

（1）Brenner梯度函数Brenner梯度函数是最简单的梯度评价函数，它只是简单的计算相邻两个像素灰度差的平方，该函数定义如下：其中：f(x,y)表示图像f对应像素点(x,y)的灰度值，D(f)为图像清晰度计算结果(下同)。

（2）Tenengrad梯度函数Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，基与Tenengrad梯度函数的图像清晰度定义如下：G(x,y)的形式如下：其中：T是给定的边缘检测阈值，Gx和Gy分别是像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积，建议使用以下的Sobel算子模板来检测边缘：（3）Laplacian梯度函数Laplacian梯度函数与Tenengrad梯度函数基本一致，用Laplacian算子替代Sobel算子即可，该算子定义如下：因此基于Laplacian梯度函数的图像星清晰度的定义如下：其中G(x,y)是像素点(x,y)处Laplacian算子的卷积。

（4）SMD（灰度方差）函数当完全聚焦时，图像最清晰，图像中的高频分量也最多，故可将灰度变化作为聚焦评价的依据，灰度方差法的公式如下：（5）SMD2（灰度方差乘积）函数灰度差分评价函数具有较好的计算性能，但其缺点也很明显，即在焦点附近灵敏度不高，即该函数在极值点附近过于平坦，从而导致聚焦精度难以提高。

在文章《一种快速高灵敏度聚焦评价函数》中提出了一种新的评价函数，称之为灰度方差乘积法，即对每一个像素领域两个灰度差相乘后再逐个像素累加，该函数定义如下：（6）方差函数因为清晰聚焦的图像有着比模糊图像更大的灰度差异，可以将方差函数作为评价函数：其中：为整幅图像的平均灰度值，函数对噪声比较敏感，图像画面越纯净，函数值越小。

一种针对图像模糊的无参考质量评价指标-文档资料

一种针对图像模糊的无参考质量评价指标No-reference quality index for image blurXIE Xiao-fu1,2,ZHOU Jin1,WU Qin-zhang1(1. Institute of Optics and Electronics, Chinese Academy of Sciences, Chengdu Sichuan 610209, China;2. Graduate University of Chinese Academy of Sciences, Beijing 100049, China):With the analysis of image blur based on the imaging model, a method was proposed for constructing reference images, and at the same time the Structural Similarity (SSIM) index was introduced into no-reference image quality assessment. A novel no-refernce image quality assessment index called No-Reference Structural Sharpness (NRSS) was then proposed for quality evaluation of blurred images. This method constructed a reference image by a low-pass filter, and assessed the image quality by computing the SSIM between the original image and the reference one, thus considering the mathematical model ofimaging system as well as the advantages of SSIM. The experimental results show that the new index is well in accordance with quality assessment results of both subjective evaluation and full-reference methods.With the analysis of image blur based on the imaging model, a method was proposed for constructing reference images, and at the same time the Structural Similarity (SSIM) index was introduced into no-reference image quality assessment. A novel no-reference image quality assessment index called No-Reference Structural Sharpness (NRSS) was then proposed for quality evaluation of blurred images. This method constructed a reference image by a low-pass filter, and assessed the image quality by computing the SSIM between the original image and the reference one, thus considering the mathematical model of imaging system as well as the advantages of SSIM. The experimental results show that the new index is well in accordance with quality assessment results of both subjective evaluation and full-reference methods.Image Quality Assessment (IQA); imaging model; Structural Similarity (SSIM); No-Reference Structural Sharpness (NRSS); energy function of gradient0 引言由于人是图像的最终宿主,主观图像质量评价能够给出最正确的质量评价结果。

无参考的模糊图像清晰度评价方法

无参考的模糊图像清晰度评价方法随着图像处理技术的快速发展，越来越多的图像清晰度评价方法被提出和应用。

而其中一个重要的问题是如何对于没有参考的模糊图像进行清晰度的评价。

针对这个问题，科学家们提出了许多方法来解决这个难题，其中最为流行和广泛使用的方法是基于基础上的复原质量度量方法。

基于信息熵的方法是一个被广泛使用的基于无参考模糊图像清晰度评价的技术。

信息熵是用于测量任何随机变量的分散性的一种方法。

如果高度不确定，我们可以通过增加信息熵来解决这个问题。

同样，如果图像清晰度低，则图像像素中的信息量也是低的，从而信息熵也较低。

因此，可以使用信息熵来度量模糊图像的清晰度。

该方法先计算图像的信息熵，然后通过归一化的方法将信息熵映射到0-1的范围内，以获得模糊度评分。

另一个常用的技术是基于边缘的方法。

在这种方法中，边缘是指图像中明显的图像边界。

直观地说，图像清晰度越高，边缘就会越清晰。

因此，根据边缘的细节，可以进行无参考清晰度的估计。

这个方法在图像边缘检测任务中已经被证明是有效的，并且在没有参考图像的情况下，也能够正确地评估模糊图像的清晰度。

最后，一个新兴的清晰度评价方法是基于波谷走形的方法。

当一个图像清晰度较高时，图像中的波峰和波谷之间的距离就会更加明显，因为高清晰度图像的边缘和文字等细节可以很容易地观察出来。

这个方法利用了波谷轮廓的形状，通过将波谷轮廓的几何信息取出来来进行无参考图像的清晰度评估。

总之，这些方法都是基于不同的图像特征来评估模糊图像的清晰度。

虽然基于信息熵、边缘和波谷走形的方法都是有效的方法，但是仍然存在一些局限性。

这是因为图像的清晰度是一个非常复杂的问题，在没有参考的情况下无法准确地评估图像的质量。

因此，我们需要不断探索新的方法，以便更好地评价无参考模糊图像的清晰度。

基于EMD的无参考图像清晰度评价方法

基于EMD的无参考图像清晰度评价方法基于EMD的无参考图像清晰度评价方法摘要：无参考图像清晰度评价是一个重要的问题，因为大多数的情况下我们无法获取到图像的原始信息，对于图像清晰度的评价，我们不可能仅仅凭借主观的感觉。

本文提出了一种基于EMD （Earth Mover’s Distance）的无参考图像清晰度评价方法，通过计算图像的EMD值，从而实现对图像的清晰度评价。

实验结果表明，该方法能够有效地评价图像的清晰度，与现有的评价方法相比具有更好的鲁棒性和精确性。

关键词：无参考评价；图像清晰度；EMD1.引言图像清晰度评价一直是计算机视觉领域中一个重要的课题。

在许多应用领域中，如医学图像、遥感图像、安防监控等，图像清晰度评价是必不可少的一步。

传统的图像清晰度评价方法大多基于参考图像，但在实际应用中，我们往往无法获得到参考图像，因此需要无参考图像清晰度评价方法。

目前，已经有许多无参考图像清晰度评价方法被提出，其中包括基于边缘信息的方法、基于统计分析的方法、基于二阶导数信息的方法等。

但以上方法均存在一些缺点，如鲁棒性、适用范围限制等。

本文提出了一种基于EMD的无参考图像清晰度评价方法。

EMD是一种用于计算两个直方图之间的距离度量方法。

在本文中，我们将把图像视为一个灰度值直方图，通过计算图像的EMD值，从而衡量图像的清晰度。

2.EMDEMD的计算过程是将一个直方图获得一个目标直方图，需要多次移动每个直方图中的所有质点，并计算这些质点移动的代价（或距离）。

它所获得的距离度量非常有效，因为它允许质点的重量尽可能少的进行相应移动，以达到两个直方图之间距离的最小化。

具体来说，假设有两个直方图：$H_1={\{h_{11},h_{12},...,h_{1n}}\}$和$H_2={\{h_{21},h_{22},...,h_{2n}}\}$，其中每个$h_{1i}$和$h_{2i}$表示直方图中灰度值为$i$的像素数量，$n$是灰度级的个数。

一种无参考图像清晰度评价方法研究

一种无参考图像清晰度评价方法研究一种无参考图像清晰度评价方法研究摘要：图像清晰度评价是计算机视觉和图像处理领域的核心问题之一，对于图像质量的评估具有重要的意义。

然而，在无参考图像清晰度评价中，由于缺乏对比照片或参考图像的信息，评价变得较为困难。

本文提出了一种基于边缘梯度的无参考图像清晰度评价方法，通过计算图像局部边缘的响应，结合模型建立清晰度评价的指标。

实验证明，该方法在无参考图像清晰度评价中具有较好的效果。

关键词：图像清晰度评价、无参考、边缘梯度、指标一、引言随着数字相机和智能手机的普及，人们对于图像清晰度的要求越来越高。

然而，由于环境光线、摄影师技术水平或者相机特性的限制，往往导致拍摄的图像出现模糊和失真的情况。

因此，图像清晰度评价成为了一项重要的研究课题。

目前，图像清晰度评价可以分为有参考和无参考两种方法。

有参考方法需要参考图像或对比照片，通过比较图像之间的差异来评估图像的清晰度。

然而，有参考方法要求获得参考图像，不适用于实际应用中缺乏参考图像的场景。

相反，无参考方法不依赖于参考图像，通过分析图像本身的特征来评估清晰度。

因此，无参考图像清晰度评价受到了广泛关注。

二、相关工作在无参考图像清晰度评价中，提取图像的特征是一项关键任务。

一种常用的特征是图像的边缘信息。

边缘是图像中物体交界处的亮度变化，通常包含了丰富的图像细节信息。

因此，利用边缘信息进行清晰度评价是一种有效的方法。

在本文中，我们通过计算图像边缘梯度来评估图像清晰度。

边缘梯度代表了图像中亮度变化的快慢程度，清晰的图像边缘梯度较大，而模糊的图像边缘梯度较小。

因此，可以通过分析图像的边缘梯度分布来评价图像的清晰度。

三、方法提出我们提出了一种无参考图像清晰度评价方法，基于图像的边缘梯度计算。

具体步骤如下：1. 图像预处理：将彩色图像转化为灰度图像，并进行直方图均衡化，增强图像的对比度。

2. 边缘检测：利用经典的Sobel算子对图像进行边缘检测，得到边缘图像。

图像质量评估中的无参考图像质量评估算法研究

图像质量评估中的无参考图像质量评估算法研究无参考图像质量评估算法在图像处理领域中具有广泛的应用，它可以在没有原始图像作为参考的情况下准确评估图像的质量。

本文将讨论无参考图像质量评估算法的研究现状、主要方法以及应用领域。

在图像处理中，为了评估图像的质量，通常使用主观评价和客观评价两种方法。

主观评价依赖于受试者的主观感受和主观评分，虽然可以提供较准确的评估结果，但却需要耗费大量的时间和人力资源。

相比之下，客观评价则更加高效，可以通过算法自动评估图像的质量。

无参考图像质量评估算法是一种客观评价方法，它可以在没有原始图像参考的情况下，快速、准确地评估图像的质量。

早期的无参考图像质量评估算法主要基于图像的低级特征，如对比度、锐度、亮度等，通过对这些特征的分析和统计来判断图像的质量。

近年来，随着深度学习的发展，基于深度学习的无参考图像质量评估算法逐渐成为研究的热点。

这些算法能够从大量的图像数据库中学习到图像的特征表示和质量评估模型，从而实现对图像质量的准确评估。

其中，卷积神经网络（CNN）是目前应用最广泛的深度学习模型之一。

卷积神经网络在图像质量评估中的应用主要包括两个方面：特征提取和质量预测。

特征提取是指利用卷积神经网络从图像中提取有代表性的特征，常用的网络结构包括AlexNet、VGGNet和ResNet等。

质量预测是指利用提取到的特征来预测图像的质量，通常采用回归模型进行预测。

除了卷积神经网络，还有其他一些无参考图像质量评估算法，如基于梯度的算法、基于模糊度的算法等。

这些算法通过对图像的局部特征进行分析，计算图像的模糊度、锐度和饱和度等指标，然后根据这些指标来评估图像的质量。

尽管这些算法在一定程度上可以评估图像的质量，但由于缺乏全局信息的考虑，其评估结果可能不够准确。

无参考图像质量评估算法在图像处理领域中具有广泛的应用。

首先，它可以用于图像压缩领域，通过评估压缩后图像的质量来选择最佳的压缩参数。

其次，它可用于图像增强领域，通过评估增强后图像的质量来选择最佳的增强方法。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＴＡＮＷｅｉＱＩＷｅｎｗｅｎＨＥＨｏｎｇｙａｎ
（ＢｅＵｉｎｇＩｎｓｔｉｔｕｔｅｏｆＳｐａｃｅＭｅｃｈａｎｉｃｓ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１０００９４．Ｃｈｉｎａ）
一
种场景无关的图像清晰度评价方法
谭伟齐文雯何红艳
（北京空间机电研究所，北京１０００９４）
摘要图像清晰度是遥感相机调焦技术中度量离焦状况的关键参量，调焦系统根据对比不同焦面的图像清晰度来获取最佳焦面的位置。高分辨率线阵ＣＣＤ遥感相机成像时地面场景不断变化，而常用
的图像清晰度评价方法由于依赖景物不变性而失效，因此，文章提出了一种空域和频域相结合的清晰度评价方法。该方法在空域中提取图像内的有效边缘并计算得到图像有效边缘宽度；在频域中，仅抽取图像频域特定高频成分并得到高频成分的频谱强度均值，计算得到基于边缘宽度和高频强度的图像清晰度。经试验验证，该方法适用于场景不断变化的线阵ＣＣＤ遥感相机图像清晰度的评价，相较传统方法更加准确有效。
ｓｅｎｓｉｎｇｃａｍｅｒａ．Ｔｈｅｆｏｃｕｓｉｎｇｓｙｓｔｅｍｃａｎｒｅｔｒｉｅｖｅｔｈｅｍｉｎｉｍｕｍｄｅｆｏｃｕｓｂｙｃｏｍｐａｒｉｎｇｔｈｅｉｍａｇｅｄｅｉｆｎｉｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｆｏｃａｌｐｌａｎｅ．Ｔｈｅｉｍａｇｉｎｇｓｃｅｎｅｓｏｆｈｉｇｈｒｅｓｏｌｕｔｉｏｎｌｉｎｅ－ａｒｒａｙＣＣＤｒｅｍｏｔｅｓｅｎｓｉｎｇｃａｍｅｒａｓｃｈａｎｇｅＳＯｏｆｔｅｎｔｈａｔｔｈｅｃｏｍｍｏｎｌｙｕｓｅｄａｌｇｏｒｉｔｈｍｓｆｏｒｃｏｍｐｕｔｉｎｇｉｍａｇｅｄｅｉｆｎｉｔｉｏｎｂｅｃｏｍｅｉｎｅｉｅｆｃｔｉｖｅ．Ｓｏａｎｉｍａｇｅｄｅｉｆｎｉｔｉｏｎｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇｓｐａｃｅｄｏｍａｉｎｗｉｔｈｒｅｆｑｕｅｎｃｙｄｏｍａｉｎｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｉｎｓｐａｃｅｄｏｍａｉｎ，ｔｈｅｉｍａｇｅｅｆｆｅｃｔｉｖｅｅｄｇｅｓａｒｅｄｅｔｅｃｔｅｄａｎｄｔｈｅｉｒａｖｅｒａｇｅｗｉｄｔｈｉｓｃｏｍｐｕｔｅｄ．Ｔｈｅｎ，ｉｎｒｅｆｑｕｅｎｃｙｄｏｍａｉｎ，ｔｈｅａｖｅｒａｇｅｍａｇｎｉｔｕｄｅｏｆｈｉｇｈｒｅｆｑｕｅｎｃｙｏｆｉｍａｇｅｉｓａｃｑｕｉｒｅｄｂｙｃａｌｃｕｌａｔｉｎｇｓｐｅｃｉｆｉｅｄｒｅｆｑｕｅｎｃｙ．Ｌａｓｔｌｙ，ｔｈｅｉｍａｇｅｄｅｉｎｆｉｔｉｏｎｃａｎｂｅｇｏｔｂａｓｅｄｏｎｅｆｆｅｃｔｉｖｅｅｄｇｅｗｉｄｔｈａｎｄｈｉｇｈｒｅｆｑｕｅｎｃｙｍａｇｎｉｔｕｄｅ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｎｅｗｄｅｉｎｆｉｔｉｏｎｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｐｅｒｆｏｒｍｓｍｕｃｈｂｅｔｔｅｒｔｈａｎｔｈｅｃｏｍｍｏｎｌｙｕｓｅｄｍｅｔｈｏｄｓｉｎ
ＡｂｓｔｒａｃｔＩｍａｇｅｄｅｉｎｆｉｔｉｏｎｉｓａｋｅｙｐａｒａｍｅｔｅｒｏｆｄｅｆｏｃｕｓｉｎｇｅｖａｌｕａｔｉｏｎｉｎｆｏｃｕｓｉｎｇｔｅｃｈｎｏｌｏｇｙｆｏｒｒｅｍｏｔｅ
关键词线阵电荷耦合元件图像清晰度中图分：１０．３９６９／ｊ．ｉｓｓｎ．１００９．８５ｌ８．２０１７．０１．０１４
有效边缘宽度高频强度
遥感相机
文献标志码：Ａ
文章编号：１００９．８５ｌ８（２０１７）０１．０１０７．０８
ＡＳｃｅｎｅｓＩｎｄｅｐｅｎｄｅｎｔＩｍａｇｅＤｅｉｎｆｉｔｉｏｎＥｖａｌｕａｔｉｏｎＭｅｔｈｏｄ