【无参考图像模糊度评价方法】统计信息

最新推荐文章于 2023-09-11 00:45:00 发布

lqwh5354

最新推荐文章于 2023-09-11 00:45:00 发布

阅读量1.6k

点赞数 1

分类专栏：实际应用文章标签：计算机视觉 opencv python

本文链接：https://blog.csdn.net/lqwh4666/article/details/122050682

版权

实际应用专栏收录该内容

3 篇文章 1 订阅

订阅专栏

文章目录

1.背景介绍
2.评价方法
3.总结
4.参考文献

1.背景介绍

因为所做的项目中，需要对一些图像的模糊度进行评价，所以开始了一些模糊度方面的学习探索
图像模糊会造成高频信息缺损或对比度下降

图像模糊度评价属于是图像质量评价（Image Quality Assessment，IQA），一般分为三种：无参考（No Reference，NR）、全参考（Full Reference，FR）、半参考（Reduced Reference，RR）。

首先手头上有三个数据集，暂时命名为pcm2，real，pred，目前的目标是选取一个简单明了的模糊度评价函数，使得前两者与后者尽可能差距大，编写以下函数对三个数据集进行评价

import cv2,os
import numpy as np
from tqdm import trange


def fun_blur(img_gray):
    # 
    pass


def calAllBlurValue(pngPath,fun_blur):
    pnglist = os.listdir(pngPath)
    blurs = []
    for i in trange(len(pnglist)):
        img = cv2.imread(os.path.join(pngPath,pnglist[i]))
        img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
        blurs.append(fun_blur(img_gray))
    return blurs

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
funName = u"算法"
fun_blur = fun_blur
pcm2Path = r""
pcm2Blurs = np.array(calAllBlurValue(pcm2Path,fun_blur))
realPath = r""
realBlurs = np.array(calAllBlurValue(realPath,fun_blur))
predPath = r""
predBlurs = np.array(calAllBlurValue(predPath,fun_blur))
df = pd.DataFrame({'pcm2':pcm2Blurs,'real':realBlurs})
plt.figure(figsize=(8,5))
plt.subplot(1,2,1)
# plt.ylim(0, 900)
sns.boxplot(data=df,width=0.8)  #左图
plt.subplot(1,2,2)
# plt.ylim(0, 900)
sns.boxplot(data=pd.DataFrame({'pred':predBlurs}),width=0.4,color='g')  #右图
plt.suptitle(funName)
plt.savefig(r""+funName+".png",dpi=300)

在实际使用时只需要在函数部分填入即可

2.评价方法

由于场景限制以及重点不在这里，就不采用复杂度较高的算法，而只是采用一些经典且是基于图像本身的统计信息进行评价的方法，主要是参考文献[3]中2.6.2 用于“自动聚焦”领域的算法中的模糊度评价算法

2.1 灰度方差算法

$\bar{g}=\frac{1}{N_x\times N_y}\sum{f(x,y)} \\ s=\frac{1}{N_x\times N_y}\sum{(f(x,y)-\bar{g})^2}$

将图像转换为灰度图后，计算灰度图的方差，以方差值的大小评价图像模糊度，表征了图像变化的平均程度

def fun_blur1(img):
    # 1、灰度方差算法
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    # return np.power(img_gray-img_gray.mean(),2).mean()
    return img_gray.var()

绘制的箱线图如下：

在这里插入图片描述

它表征了图像灰度变化的平均程度，灰度变化的平均程度越大，图像越清晰，灰度变化平均程度越小，图像越模糊。

但是根据实际来看，从人肉眼上看清晰程度是pcm2>real>pred，再做研究

2.2 灰度差分绝对值之和算法

$s=\sum{\sum{\{|{f(x+1,y)-f(x,y)}|+|{f(x,y+1)-f(x,y)}|\}}}$

因为n×m的图像经过上述操作后会出现n-1×m的矩阵与n×m-1的矩阵做加运算（或者在每个横竖运算后都填充一行未操作的原数据），所以这里的公式我稍微修改了一下，不知道是否还能具有正确的特征

$s=\sum{\{|{f(x+1,y)-f(x,y)}|\}+\sum{\{|{f(x,y+1)-f(x,y)}|\}}}$

def fun_blur2(img):
    # 2、灰度差分绝对值之和方差算法
    # x方向，Y方向图像差分绝对值的和作为度量标准：
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    delat_y = np.abs(img_gray[1:,:]-img_gray[:-1,:])
    delat_x = np.abs(img_gray[:,1:]-img_gray[:,:-1])
    return delat_x.sum()+delat_y.sum()

在这里插入图片描述

虽然差距倒是挺大的，但是为了方便和原数据相对比，我尝试了将求和改成了求平均值，公式如下：

$s=\frac{1}{(N_x-1)\times N_y}\sum{\{|{f(x+1,y)-f(x,y)}|\}+\frac{1}{N_x\times (N_y-1)}\sum{\{|{f(x,y+1)-f(x,y)}|\}}}$

def fun_blur2(img):
    # 2、灰度差分绝对值之和方差算法
    # x方向，Y方向图像差分绝对值的和作为度量标准：
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    delat_y = np.abs(img_gray[1:,:]-img_gray[:-1,:])
    delat_x = np.abs(img_gray[:,1:]-img_gray[:,:-1])
    return delat_x.mean()+delat_y.mean()

在这里插入图片描述

2.3 灰度差分平方和算法

与2.2相比是将绝对值修改为平方项，突出大的微分项的影响

$s=\sum{\sum{\{({f(x+1,y)-f(x,y)})^2+({f(x,y+1)-f(x,y)})^2\}}}$

同样基于2.2的考虑，将公式修改为：

$s=\frac{1}{(N_x-1)\times N_y}\sum{\{({f(x+1,y)-f(x,y)})^2\}+\frac{1}{N_x\times (N_y-1)}\sum{\{({f(x,y+1)-f(x,y)})^2\}}}$

def fun_blur3(img):
    # 3、灰度差分平方和方差算法
    # x方向，Y方向图像差分平方值的和作为度量标准，突出微分值的影响，提高信噪比数值
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    delat_y = np.power(img_gray[1:,:]-img_gray[:-1,:],2)
    delat_x = np.power(img_gray[:,1:]-img_gray[:,:-1],2)
    return delat_x.mean()+delat_y.mean()

在这里插入图片描述

不知道是因为自己修改了的原因，还是因为我的数据确实不适应这种算法，数据集pred模糊程度平均值介于pcm2和real之间，暂不考虑

2.4 Brenner函数

Brenner梯度函数简单计算相邻两个像素灰度差的平方

$s=\sum\sum(f(x+2,y)-f(x,y))^2$

def fun_blur4(img):
    # 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
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    delat_x = np.power(img_gray[:,2:]-img_gray[:,:-2],2)
    return delat_x.sum()

在这里插入图片描述

2.5 Roberts梯度和

$s=\sum{\sum{\{|{f(x,y)-f(x+1,y+ 1)|}+\|{f(x+1,y)-f(x,y+1)}|\}}}$

def fun_blur5(img):
    # 5、Roberts梯度和
    # 定义为相邻四个像素对角线像素灰度值差的绝对值之和
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    delta11 = np.abs(img_gray[:-1,:-1]-img_gray[1:,1:])
    delta10 = np.abs(img_gray[1:,:-1]-img_gray[:-1,1:])
    return (delta11+delta10).sum()

在这里插入图片描述

这个比较符合预期，数据集间几乎没有相交的地方，但是还是要加个均值比较直观

2.6 拉普拉斯梯度和 1

所谓梯度和1是指用拉普拉斯模板1获得每个像素的拉普拉斯梯度，然后求和，模板1如下

$m=\left[ \begin{matrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{matrix} \right]$

$s=\sum{\sum{\{|{f(x+1,y)+f(x,y+1)+f(x-1,y)+f(x,y-1)-4f(x,y 1)}|\}}}$

def fun_blur6(img):
    #拉普拉斯模板1
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    s = img_gray[1:-1,:-2]+img_gray[1:-1,2:]+img_gray[:-2,1:-1]+img_gray[2:,1:-1]-4*img_gray[1:-1,1:-1]
    return np.abs(s).mean()

在这里插入图片描述

2.7 拉普拉斯梯度和 2

$m=\left[ \begin{matrix} 1 & 1 & 1 \\ 1 & -8 & 1 \\ 1 & 1 & 1 \end{matrix} \right]$

def fun_blur7(img):
    #拉普拉斯模板2
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    s = img_gray[1:-1,:-2]+img_gray[1:-1,2:]+img_gray[:-2,1:-1]+img_gray[2:,1:-1]+img_gray[2:,2:]+img_gray[:-2,:-2]+img_gray[2:,:-2]+img_gray[:-2,2:]-8*img_gray[1:-1,1:-1]
    return np.abs(s).mean()

在这里插入图片描述

同理差距更大了些

2.8 Tenengrad函数

定义模板算子：

$K_x=\left[ \begin{matrix} 0 & -1 & 0 \\ 0 & 2 & 0 \\ 0 & -1 & 0 \end{matrix} \right] , K_y=\left[ \begin{matrix} 0 & 0 & 0 \\ -1 & 2 & -1 \\ 0 & 0 & 0 \end{matrix} \right]$

进行卷积操作，并计算模糊度：

$f_x(x,y)=f(x,y)*K_x,\ f_y(x,y)=f(x,y)*K_y$

$\sqrt{f_x^2(x,y)+f_y^2(x,y)}$

def fun_blur8(img):
    #Tenengrad函数
    img_gray =cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    fx = np.power(img_gray[:,1:-1]*2 - img_gray[:,:-2] - img_gray[:,2:],2)
    fy = np.power(img_gray[1:-1,:]*2 - img_gray[:-2,:] - img_gray[:-2,:],2)
    return np.sqrt(fx.mean()+fy.mean())

在这里插入图片描述

3.总结

以上实现了8种经典的统计学信息的参考模糊度评价方法，其中有很多细节我为了编程实现方便进行了一定的变形，可能会导致一些致命错误，望知者指正
其中不只是基于灰度，也可以基于RGB的图片，但是这里没有一一列举，只需要简单修改一下代码即可实现
依照结果而言，我预计选择拉普拉斯梯度和 2方法进行进一步调研，去研究他评价低的图片和人肉眼的差异，并且确定他的评价是否合适，是否有更有用的变形

4.参考文献

[1] 梅嘉祥，刘展宁，张志佳，等. 图像模糊度评价及其应用综述[J]. 软件工程. 2018, 21(04): 23-26.

[2] 王志明. 无参考图像质量评价综述[J]. 自动化学报. 2015, 41(06): 1062-1079.

[3] 庞胜利. 图像模糊度评价研究[D]. 西安电子科技大学, 2010.

lqwh5354

关注

1
点赞
踩
14

收藏

觉得还不错? 一键收藏
4
评论
【无参考图像模糊度评价方法】统计信息

文章目录1.背景介绍2.评价方法2.1 灰度方差算法2.2 灰度差分绝对值之和算法2.3 灰度差分平方和算法2.4 Brenner函数2.5 Roberts梯度和2.6 拉普拉斯梯度和 12.7 拉普拉斯梯度和 22.8 Tenengrad函数3.总结4.参考文献1.背景介绍因为所做的项目中，需要对一些图像的模糊度进行评价，所以开始了一些模糊度方面的学习探索图像模糊会造成高频信息缺损或对比度下降图像模糊度评价属于是图像质量评价（Image Quality Assessment，IQA），一般分
复制链接

扫一扫