本發(fā)明涉及圖像處理
技術(shù)領(lǐng)域：
，特別涉及一種圖像質(zhì)量度量方法及裝置。
背景技術(shù)：
：圖像質(zhì)量度量的過程就是對圖像的屬性進行量化和打分，這些屬性包括清晰度、圖像完整性、噪聲嚴重程度、是否存在扭曲以及是否具有美感等。一方面，它是對圖像質(zhì)量或內(nèi)容的優(yōu)劣進行評定和區(qū)分；另一方面，通過研究這些屬性與度量分數(shù)之間的關(guān)系，來建立數(shù)學(xué)模型，有利于實現(xiàn)機器的自動化打分。圖像的質(zhì)量關(guān)系到圖像的美感、圖像內(nèi)容的解讀以及臨床診斷的精度。隨著成像硬件的不斷升級，圖像處理算法的不斷更新，對采集的圖像或處理后的圖像進行評估和量化變得越來越重要。目前的圖像質(zhì)量度量方法主要分為有參考、半?yún)⒖己蜔o參考三類。有參考方法是指已經(jīng)有最優(yōu)質(zhì)量(感官評定)的圖片作為研究背景，討論跟該圖像內(nèi)容一樣的圖像的相對質(zhì)量；半?yún)⒖挤椒ㄊ侵缸顑?yōu)質(zhì)量的圖片的信息缺失，通過殘缺的信息來度量圖像的相對質(zhì)量；而無參考方法則是通過一些自然圖像的統(tǒng)計來找尋圖像質(zhì)量優(yōu)劣的評價方法。目前廣泛應(yīng)用的有參考圖像質(zhì)量度量方法包括：一、均方誤差(Meansquareerror,MSE)：均方誤差是通過統(tǒng)計目標圖像和參考圖像之間的像素灰度差異來衡量目標圖像的質(zhì)量。其缺陷在于，(1)它是對圖像灰度差異的一種總體表征，無法表達局部的或部分的圖像質(zhì)量優(yōu)劣；(2)背離了人類視覺系統(tǒng)的感知機制，很多時候會出現(xiàn)錯誤的評分；(3)在相對灰度差異不變的情況下，圖像的質(zhì)量仍然是值得肯定的。該方法目前基本被淘汰。二、信噪比(Signalnoiseratio,SNR)/峰值信噪比(Peaksignalnoiseratio,PSNR)：信噪比和峰值信噪比是建立在均方誤差的基礎(chǔ)上，因此也就繼承了均方誤差存在的一系列缺陷。目前僅將其作為一個簡單對比，是基于灰度值度量圖像質(zhì)量方法的一個代表。三、結(jié)構(gòu)相似性度量(Structuresimilarityindexmetric,SSIM)：結(jié)構(gòu)相似性度量考慮到人類視覺系統(tǒng)對圖像內(nèi)結(jié)構(gòu)的敏感性，在計算機視覺領(lǐng)域應(yīng)用廣泛。其缺陷主要在于，(1)是整幅圖像質(zhì)量的一個平均值，無法表征局部的細節(jié)差異；(2)在圖像敏銳度上可能不敏感，在于其忽視了敏銳度在圖像質(zhì)量中的重要作用。四、特征相似性度量(Featuresimilarityindexmetric,FSIM)：特征相似性度量，提升了結(jié)構(gòu)相似性度量方法，更加關(guān)注于圖像的一些低級的特征，這是由于人類更容易解析和組合這些低級特征，以對圖像的內(nèi)容進行更加充分地解釋。其主要缺陷在于，給整幅圖像打分，但卻沒有給出輔助手段來觀察局部信息的差異性。綜上所述，基于現(xiàn)有的有參考圖像質(zhì)量度量方法存在的缺陷，本發(fā)明的目的在于，簡化當前圖像度量流程的復(fù)雜度，提供一種計算簡單時效、從準確性和穩(wěn)定性上來量化圖像的相對質(zhì)量，并提供度量結(jié)果的結(jié)構(gòu)性差異分析，更加合理和可信的有參考圖像質(zhì)量度量方法。技術(shù)實現(xiàn)要素：本發(fā)明提供了一種圖像質(zhì)量度量方法及裝置，旨在至少在一定程度上解決現(xiàn)有技術(shù)中的上述技術(shù)問題之一。為了解決上述問題，本發(fā)明提供了如下技術(shù)方案：一種圖像質(zhì)量度量方法，包括：步驟a：分別提取參考圖像和目標圖像的邊界信息；步驟b：根據(jù)所述參考圖像和目標圖像的邊界信息對所述目標圖像進行質(zhì)量打分，實現(xiàn)所述目標圖像的圖像質(zhì)量度量。本發(fā)明實施例采取的技術(shù)方案還包括：在所述步驟a中，所述提取參考圖像和目標圖像的邊界信息的提取方式包括Canny邊緣檢測算子、Sobel邊緣檢測算子或Prewitt邊緣檢測算子。本發(fā)明實施例采取的技術(shù)方案還包括：在所述步驟a中，所述提取參考圖像和目標圖像的邊界信息的提取公式為：[bwRef，thr]＝edge(reference，detector)；[bwDis]＝edge(distorted，detector，thr)；在上述公式中，reference為參考圖像，distorted為目標圖像，bwRef為參考圖像的二值化邊界，thr為優(yōu)化的圖像檢測門限，bwDis為目標圖像的二值化邊界。本發(fā)明實施例采取的技術(shù)方案還包括：在所述步驟b中，所述目標圖像的質(zhì)量打分公式為：EPRa=|bwRef∩bwDis||bwRef|]]>EPRr=2|bwRef∩bwDis||bwRef|+|bwDis|]]>在上述公式中，EPRa為所述目標圖像質(zhì)量度量的準確性，EPRr為所述目標圖像質(zhì)量度量的穩(wěn)定性。本發(fā)明實施例采取的技術(shù)方案還包括：在所述步驟b后還包括：根據(jù)所述參考圖像和目標圖像的邊界信息進行圖像差異性分析；所述圖像差異性分析的分析方式為：將所述參考圖像和目標圖像的邊界信息合成為彩色圖片，通過所述合成的彩色圖片的不同顏色表征整體和局部結(jié)構(gòu)的感官性變化。本發(fā)明實施例采取的另一技術(shù)方案為：一種圖像質(zhì)量度量裝置，包括邊界提取模塊和質(zhì)量打分模塊；所述邊界提取模塊用于分別提取參考圖像和目標圖像的邊界信息；所述質(zhì)量打分模塊用于根據(jù)所述參考圖像和目標圖像的邊界信息對所述目標圖像進行質(zhì)量打分，實現(xiàn)所述目標圖像的圖像質(zhì)量度量。本發(fā)明實施例采取的技術(shù)方案還包括：所述邊界提取模塊提取參考圖像和目標圖像的邊界信息的提取方式包括Canny邊緣檢測算子、Sobel邊緣檢測算子或Prewitt邊緣檢測算子。本發(fā)明實施例采取的技術(shù)方案還包括：所述邊界提取模塊提取參考圖像和目標圖像的邊界信息的提取公式為：[bwRef，thr]＝edge(reference，detector)；[bwDis]＝edge(distorted，detector，thr)；在上述公式中，reference為參考圖像，distorted為目標圖像，bwRef為參考圖像的二值化邊界，thr為優(yōu)化的圖像檢測門限，bwDis為目標圖像的二值化邊界。本發(fā)明實施例采取的技術(shù)方案還包括：所述質(zhì)量打分模塊對目標圖像進行質(zhì)量打分的公式為：EPRa=|bwRef∩bwDis||bwRef|]]>EPRr=2|bwRef∩bwDis||bwRef|+|bwDis|]]>在上述公式中，EPRa為所述目標圖像質(zhì)量度量的準確性，EPRr為所述目標圖像質(zhì)量度量的穩(wěn)定性。本發(fā)明實施例采取的技術(shù)方案還包括：還包括差異性分析模塊，所述差異性分析模塊用于根據(jù)所述參考圖像和目標圖像的邊界信息進行圖像差異性分析；所述圖像差異性分析的分析方式為：將所述參考圖像和目標圖像的邊界信息合成為彩色圖片，通過所述合成的彩色圖片的不同顏色表征整體和局部結(jié)構(gòu)的感官性變化。相對于現(xiàn)有技術(shù)，本發(fā)明實施例產(chǎn)生的有益效果在于：本發(fā)明實施例的圖像質(zhì)量度量方法及裝置提出了圖像質(zhì)量的量化理論、計算方法以及圖像結(jié)構(gòu)差異性分析，給出了輔助可視化手段來描述圖像局部性的結(jié)構(gòu)差異，有利于使用者對圖像給出更客觀和有區(qū)別的解析，可以處理自然圖像和醫(yī)學(xué)圖像，在實際應(yīng)用中具有廣泛的應(yīng)用前景。相對于現(xiàn)有技術(shù)的結(jié)構(gòu)相似性度量(SSIM)，本發(fā)明相對更加準確，并能夠提供圖像差異性分析的手段；相對于特征相似性度量(FSIM)，本發(fā)明能夠提供圖像差異性分析的手段。本發(fā)明計算簡單時效，從準確性和穩(wěn)定性上來量化圖像的相對質(zhì)量，并提供度量結(jié)果的結(jié)構(gòu)性差異分析，更加合理和可信。附圖說明圖1是本發(fā)明實施例的圖像質(zhì)量度量方法的流程圖；圖2是本發(fā)明實施例的用于邊界信息差異性分析的合成彩色圖；圖3是本發(fā)明實施例的圖像質(zhì)量度量裝置的結(jié)構(gòu)示意圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。請參閱圖1，是本發(fā)明實施例的圖像質(zhì)量度量方法的流程圖。本發(fā)明實施例的圖像質(zhì)量度量方法包括以下步驟：步驟10：分別提取參考圖像和目標圖像的邊界信息；在步驟10中，本發(fā)明實施例提取邊界信息的提取方式為Canny邊緣檢測算子，MATLAB公式如下：[bwRef，thr]＝edge(reference，detector)；[bwDis]＝edge(distorted，detector，thr)；(1)在公式(1)中，reference為參考圖像，distorted為目標圖像，在對參考圖像進行邊界提取時，得到參考圖像的二值化邊界bwRef，以及優(yōu)化的圖像檢測門限thr。這個優(yōu)化的圖像檢測門限thr需要傳遞到目標圖像的檢測中，得到目標圖像的二值化邊界bwDis，以平衡參考圖像和目標圖像的差異性。在本發(fā)明其他實施例中，提取邊界信息的提取方式還包括Sobel邊緣檢測算子或Prewitt邊緣檢測算子等。步驟20：根據(jù)參考圖像和目標圖像的邊界信息對目標圖像進行質(zhì)量打分，實現(xiàn)目標圖像的圖像質(zhì)量度量；在步驟20中，已知參考圖像的二值化邊界bwRef，以及目標圖像的二值化邊界bwDis，目標圖像質(zhì)量打分公式如下：EPRa=|bwRef∩bwDis||bwRef|---(2)]]>EPRr=2|bwRef∩bwDis||bwRef|+|bwDis|---(3)]]>其中，公式(2)度量的是目標圖像的準確性(EPRa,Accuracy)，公式(3)度量的是目標圖像的穩(wěn)定性(EPRr,Robustness)。步驟30：根據(jù)參考圖像和目標圖像的邊界信息進行圖像差異性分析；在步驟30中，本發(fā)明實施例進行圖像差異性分析的方式具體為：提供了一種可以進行圖像差異性分析的工具，即將參考圖像和目標圖像的邊界信息合成為一種彩色圖片，通過該合成的彩色圖片的不同顏色來表征整體和局部結(jié)構(gòu)的感官性變化。具體如圖2所示，是本發(fā)明實施例的用于邊界信息差異性分析的合成彩色圖。在合成的彩色圖片的不同顏色中，紅色代表參考圖像的邊界信息，綠色是目標圖像的邊界信息，而藍色是二者邊界信息的交集。因此，在合成的彩色圖片的不同顏色中，感知到的紅色邊界為丟失的結(jié)構(gòu)信息，綠色為引入的結(jié)構(gòu)信息，而白色則為保留的邊界信息。本發(fā)明以兩個公開的常用的圖像數(shù)據(jù)庫(LIVE庫和CSIQ庫)作為對象，以研究圖像的敏銳性作為基礎(chǔ)，通過基于皮爾森線性相關(guān)參數(shù)(Pearsonlinearcorrelationcoefficient,LCC)和皮爾森排名相關(guān)性參數(shù)(Pearsonrank-ordercorrelationcoefficient,SROCC)對本發(fā)明的先進性和有效性進行探討。圖像數(shù)據(jù)庫如下表1所示：表1通用公開的圖像數(shù)據(jù)庫LCC對比結(jié)果如表2所示：表2LCC度量結(jié)果比較PSNRSSIMFSIMEPRaEPRrLIVE0.78230.95170.97080.95480.9559CSIQ0.85920.75510.88640.92230.9155由表2可以看到，在Live庫上，除FSIM以外，EPRa和EPRr都能夠有效的預(yù)測圖像的敏銳度；而在CSIQ庫上，EPRa和EPRr取得的最好的預(yù)測結(jié)果。因此，整體上，本發(fā)明提出的圖像敏銳度度量方法更加有效和準確。SROCC對比結(jié)果如表3所示：表3SROCC度量結(jié)果比較PSNRSSIMFSIMEPRaEPRrLIVE0.77520.94380.97360.95540.9533CSIQ0.87750.75170.97280.93470.9220由表3可以看到，在Live庫上，除FSIM以外，EPRa和EPRr都能夠有效的預(yù)測圖像的敏銳度；而在CSIQ庫上，除FSIM以外，EPRa和EPRr取得的最好的預(yù)測結(jié)果。因此，除FSIM以外，整體上，本發(fā)明提出的圖像敏銳度度量方法更加有效和準確。請參閱圖3，是本發(fā)明實施例的圖像質(zhì)量度量裝置的結(jié)構(gòu)示意圖。本發(fā)明實施例的圖像質(zhì)量度量裝置包括邊界提取模塊、質(zhì)量打分模塊和差異性分析模塊；邊界提取模塊用于分別提取參考圖像和目標圖像的邊界信息；其中，本發(fā)明實施例提取邊界信息的提取方式為Canny邊緣檢測算子，MATLAB代碼如下：[bwRef，thr]＝edge（reference，detector)；[bwDis]＝edge(distorted，detector，thr)；(1)在公式(1)中，reference為參考圖像，distorted為目標圖像，在對參考圖像進行邊界提取時，得到參考圖像的二值化邊界bwRef，以及優(yōu)化的圖像檢測門限thr。這個優(yōu)化的圖像檢測門限thr需要傳遞到目標圖像的檢測中，得到目標圖像的二值化邊界bwDis，以平衡參考圖像和目標圖像的差異性。在本發(fā)明其他實施例中，提取邊界信息的提取方式還包括Sobel邊緣檢測算子或Prewitt邊緣檢測算子等。質(zhì)量打分模塊用于根據(jù)參考圖像和目標圖像的邊界信息對目標圖像進行質(zhì)量打分，實現(xiàn)目標圖像的圖像質(zhì)量度量；其中，已知參考圖像的二值化邊界bwRef，以及目標圖像的二值化邊界bwDis，圖像質(zhì)量打分公式如下：EPRa=|bwRef∩bwDis||bwRef|---(2)]]>EPRr=2|bwRef∩bwDis||bwRef|+|bwDis|---(3)]]>其中，公式(2)度量的是目標圖像的準確性(EPRa,Accuracy)，公式(3)度量的是目標圖像的穩(wěn)定性(EPRr,Robustness)。差異性分析模塊用于根據(jù)參考圖像和目標圖像的邊界信息進行圖像差異性分析；其中，本發(fā)明實施例進行圖像差異性分析的方式具體為：提供了一種可以進行圖像差異性分析的工具，即將參考圖像和目標圖像的邊界信息合成為一種彩色圖片，通過該合成的彩色圖片的不同顏色來表征整體和局部結(jié)構(gòu)的感官性變化。具體如圖2所示，是本發(fā)明實施例的用于邊界信息差異性分析的合成彩色圖。在合成的彩色圖片的不同顏色中，紅色代表參考圖像的邊界信息，綠色是目標圖像的邊界信息，而藍色是二者邊界信息的交集。因此，在合成的彩色圖片的不同顏色中，感知到的紅色邊界為丟失的結(jié)構(gòu)信息，綠色為引入的結(jié)構(gòu)信息，而白色則為保留的邊界信息。本發(fā)明以兩個公開的常用的圖像數(shù)據(jù)庫(LIVE庫和CSIQ庫)作為對象，以研究圖像的敏銳性作為基礎(chǔ)，通過基于皮爾森線性相關(guān)參數(shù)(Pearsonlinearcorrelationcoefficient,LCC)和皮爾森排名相關(guān)性參數(shù)(Pearsonrank-ordercorrelationcoefficient,SROCC)對本發(fā)明的先進性和有效性進行探討。圖像數(shù)據(jù)庫如下表1所示：表1通用公開的圖像數(shù)據(jù)庫LCC對比結(jié)果如表2所示：表2LCC度量結(jié)果比較PSNRSSIMFSIMEPRaEPRrLIVE0.78230.95170.97080.95480.9559CSIQ0.85920.75510.88640.92230.9155由表2可以看到，在Live庫上，除FSIM以外，EPRa和EPRr都能夠有效的預(yù)測圖像的敏銳度；而在CSIQ庫上，EPRa和EPRr取得的最好的預(yù)測結(jié)果。因此，整體上，本發(fā)明提出的圖像敏銳度度量方法更加有效和準確。SROCC對比結(jié)果如表3所示：表3SROCC度量結(jié)果比較PSNRSSIMFSIMEPRaEPRrLIVE0.77520.94380.97360.95540.9533CSIQ0.87750.75170.97280.93470.9220由表3可以看到，在Live庫上，除FSIM以外，EPRa和EPRr都能夠有效的預(yù)測圖像的敏銳度；而在CSIQ庫上，除FSIM以外，EPRa和EPRr取得的最好的預(yù)測結(jié)果。因此，除FSIM以外，整體上，本發(fā)明提出的圖像敏銳度度量方法更加有效和準確。本發(fā)明實施例的圖像質(zhì)量度量方法及裝置提出了圖像質(zhì)量的量化理論、計算方法以及圖像結(jié)構(gòu)差異性分析，給出了輔助可視化手段來描述圖像局部性的結(jié)構(gòu)差異，有利于使用者對圖像給出更客觀和有區(qū)別的解析，可以處理自然圖像和醫(yī)學(xué)圖像(選取高端設(shè)備采集的數(shù)據(jù)為打分的參考對象)，在實際應(yīng)用中具有廣泛的應(yīng)用前景。例如，通過本發(fā)明進行不局限于自然圖像的圖像質(zhì)量度量以及在工程上的應(yīng)用、將本發(fā)明集成在系統(tǒng)或設(shè)備中，以達到自動化圖像質(zhì)量度量的要求、將本發(fā)明集成在算法中，用于一些圖像處理算法的性能提升等目的等。本發(fā)明可以進行改造或升級，應(yīng)用到醫(yī)學(xué)影像領(lǐng)域；也可以作為一個優(yōu)化的對象來提高光學(xué)設(shè)備的性能；還可以集成到一些監(jiān)測系統(tǒng)中，進行自動化的質(zhì)量度量。相對于現(xiàn)有技術(shù)的結(jié)構(gòu)相似性度量(SSIM)，本發(fā)明相對更加準確，并能夠提供圖像差異性分析的手段；相對于特征相似性度量(FSIM)，本發(fā)明能夠提供圖像差異性分析的手段。本發(fā)明計算簡單時效，從準確性和穩(wěn)定性上來量化圖像的相對質(zhì)量，并提供度量結(jié)果的結(jié)構(gòu)性差異分析，更加合理和可信。對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。當前第1頁1 2 3