一种基于兴趣区域多纹理特征融合的图像质量评价方法技术

一种基于兴趣区域多纹理特征融合的图像质量评价方法属于计算机视觉领域。本发明专利技术有针对性的关注局部花粉颗粒的纹理信息作为整张图像的质量分数。该模型的流程模块包括图像预处理模块、局部花粉颗粒提取模块、多纹理特征量化指标提取模块和质量评价最终得分模块。结果显示，我们提出的流程和解决方案关注局部花粉颗粒感兴趣区域的效果，可以更好感知花粉数据的质量。据的质量。据的质量。

【技术实现步骤摘要】
一种基于兴趣区域多纹理特征融合的图像质量评价方法


[0001]本专利技术涉及一种基于兴趣区域多纹理特征融合的图像质量评价方法，属于计算机视觉领域。

技术介绍

[0002]过敏性疾病是一个主要的公开卫生问题，花粉是致使人体过敏的诱因之一。专家往往利用人工计数的方法检测空气中花粉的浓度，以此来保证花粉过敏患者的正常生活。随着图像数字化设备的发展，如今引入了自动化识别手段。自动化识别中最重要的步骤就是利用仪器生成数字化数据。然而，由于焦平面的不同会导致样本出现成像模糊的情况，花粉数据质量随之变的各不相同，而数据的质量严重影响着分类网络的性能，人工挑选高质量数据费时费力，所以急需一种自动化的图像质量评价方法，保留高质量图像。本文提出基于兴趣区域多纹理特征融合的图像质量评价方法，以此筛选高质量数据。
[0003]程德强，邵丽蓉
[1]等人提出了一种基于显著性的无参考模糊图像质量评价方法。程姗，曾焕强
[2]等人提出一种基于特征融合的无参考屏幕图像质量评价。综上可以看出，现有图像质量评价方法大多针对一般的自然图像进行评价，并不能针对全局图像中备受关注的特定局部目标物进行质量感知。参考文献：
[0004][1]程德强,邵丽蓉,刘威龙,张剑英,游大磊.基于显著性的无参考模糊图像质量评价[J].电视技术,2018,42(07):1
‑
4.DOI:10.16280/j.videoe.2018.07.001.
[0005][2]程姗,曾焕强,陈婧,田钰,蔡灿辉.基于特征融合的无参考屏幕图像质量评价[J].信号处理,2019,35(03):419
‑
425.DOI:10.16798/j.issn.1003
‑
0530.2019.03.013.
[0006]如附图1所示，花粉数据具有以下特点：
[0007]1)花粉图像尺寸很大。其中，花粉颗粒面积占比很小，只在局部出现。
[0008]2)花粉图像的质量信息与纹理信息密不可分，纹理越清晰，质量往往越好，所以纹理信息对于花粉颗粒质量分析至关重要。
[0009]纹理信息是关注的重点内容，同时，也是一种有组织结构的区域现象，它与图像中的亮度变化相关，可以被人眼所感知，纹理特征还有比较好的表征图像质量水平的能力。针对花粉图像的特点，人们往往更关注于花粉图像感兴趣区域的特征，也就是局部花粉颗粒区域的图像质量，所以对花粉颗粒区域运用多种纹理方法融合进行纹理特征分析，以此来感知花粉图像的质量，从而提高花粉图像质量评价的准确性。

技术实现思路

[0010]现有图像质量评价方法大都只适用于一般的自然图像进行评价，然而，花粉图像尺寸大，杂质、气泡等不受关注的背景面积大，同时，重点关注花粉图像中的花粉颗粒感兴趣区域。花粉颗粒图像的质量信息与纹理信息密不可分，纹理越清晰，质量越好。本专利技术针对此问题，设计了一种基于兴趣区域多纹理特征融合的图像质量评价方法，具体而言，多张花粉图像的质量预测值由每一张花粉图像中的一个或多个局部花粉颗粒感兴趣区域的多
纹理特征组合决定。多纹理特征融合避免了单一纹理特征的局限性和偶然性。结果显示，提出的流程和解决方案关注局部花粉颗粒感兴趣区域的效果，可以更好感知花粉数据的质量。
[0011]本专利技术采用如下技术方案：有针对性的关注局部花粉颗粒的纹理信息作为整张图像的质量分数。该模型的流程模块包括图像预处理模块、局部花粉颗粒提取模块、多纹理特征量化指标提取模块和质量评价最终得分模块。
[0012]本专利技术的具体方案如附图2所示。
[0013]在图像预处理模块中，将大尺度图像进行裁剪、筛选，获取多层最优尺寸花粉图像。然后进行图像配准操作，达到多层最优尺寸花粉图片中花粉颗粒在空间位置上对准的效果。
[0014]在局部花粉颗粒提取模块中，提取最优尺寸花粉图像中所有的局部花粉颗粒感兴趣区域，首先对图像去噪，达到平滑图像的效果。其次经边缘检测操作检测到明显的边缘，然后检测圆形轮廓识别出类圆形目标物，之后利用颜色识别排除其中的类圆形气泡和杂质。最终通过计算花粉最小矩形轮廓收集到花粉颗粒图像。
[0015]在多纹理特征量化指标提取模块中，运用多种不同的纹理方法提取花粉颗粒图像的纹理特征指标。首先进行图像灰度转换，为纹理提取做准备，然后利用多种纹理方法中不同的纹理特征进行纹理提取，最后归一化纹理特征指标，消除奇异数据的不良影响。
[0016]在质量评价最终得分模块中，将归一化的纹理指标进行分权融合，将其作为单张花粉颗粒的质量分数。然后将花粉图像中所有的花粉颗粒的质量分数进行分权整合，将其作为整张花粉图像的质量分数输出。
[0017]与已有技术相比，本专利技术有益效果在于：
[0018]一、本专利技术采用的基于兴趣区域多纹理特征融合的图像质量评价方法，通过局部目标物纹理细节信息感知整体质量信息，使得质量评价模型更突出感兴趣区域。
[0019]二、本专利技术采用的基于兴趣区域多纹理特征融合的图像质量评价方法，利用多种纹理提取方法选取效果较好的纹理特征指标，以此来感知质量信息，使得质量评价模型预测的更为精准。
[0020]三、本专利技术采用的基于兴趣区域多纹理特征融合的图像质量评价方法，使用图像处理方法提取出图像中所有目标信息，对每个局部目标分别进行纹理信息收集后，采用归一化和权值均分策略感知单张花粉颗粒图像质量，再次使用权值均分策略感知整张花粉图像质量，使得该模型预测值较准确。
附图说明
[0021]图1为最优尺寸花粉图像示例图。
[0022]图2为本专利技术提出的方法的模型图。
具体实施方式
[0023]以下结合说明书附图，对本专利技术的实施实例加以详细说明：
[0024]本专利技术是一种基于兴趣区域多纹理特征融合的图像质量评价方法，该方法将局部花粉颗粒区域的纹理特征加权融合感知整张图像的质量分数。该图像质量评价具体流程
为：1.图像预处理，对多层花粉图像的空间位置进行图像配准操作。2.局部花粉颗粒提取，首先对花粉图像的边缘特征进行边缘检测，其次针对花粉颗粒的圆形或椭圆性轮廓特征进行检测并提取圆形轮廓，最后根据颜色特征排除与花粉颗粒具有类似轮廓特征的气泡和杂质，采用形态学操作等图像处理方法提取出花粉图像中所有花粉颗粒图像。3.多纹理特征量化指标提取，首先，从多种纹理方法提取的纹理特征指标中选取效果较好的指标。然后针对花粉图像中每张花粉颗粒图像，利用选取的纹理指标进行纹理特征提取，最后针对每个提取的纹理指标进行归一化操作。4.计算质量评价最终得分，首先使用加权策略求每张花粉颗粒图片的总纹理特征分数，将其作为单张花粉颗粒图像的质量分数。然后将所有花粉颗粒图像得分均权求得整张花粉图像的最终质量分数。
[0025]具体地，该方法包括以下步骤：
[0026]步骤1：图像预处理
[0027]将大尺度图像进行裁剪、筛选，获取多层最优尺寸花粉图像。之后对其进行图像配准操作，最终获得花粉颗粒在空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于兴趣区域多纹理特征融合的图像质量评价方法，其特征在于包括以下步骤：步骤1：图像预处理将大尺度图像进行裁剪、筛选，获取多层最优尺寸花粉图像；之后对其进行图像配准操作，最终获得花粉颗粒在空间位置上的对准的多层最优尺寸花粉图像；步骤2：局部花粉颗粒提取针对最优尺寸花粉图像中所有的局部花粉颗粒感兴趣区域进行提取，此步骤输入为最优尺寸花粉图像，输出结果是最优尺寸花粉图像中所有花粉颗粒图像；步骤2.1图像去噪：首先，进行平滑花粉颗粒图像的操作，目的是减少图像中的噪声点；然后去除花粉图像中背景噪声的效果；步骤2.2边缘检测：首先计算图像梯度幅度和方向，得到可能的边缘集合；其次对梯度幅度进行非极大值抑制，利用双阈值筛选的操作去除假阳性；步骤2.3检测圆形轮廓：在上一步边缘检测的基础上，利用霍夫变换调整阈值检测类圆形轮廓的方法检测花粉图像中类圆形目标物，最终获取到类圆形的花粉颗粒、气泡和杂质；步骤2.4排除气泡与杂质：将RGB颜色空间转换到HSV颜色空间，设定(0,0,100)到(180,30,255)阈值范围，筛选出花粉颗粒；步骤2.5收集花粉颗粒：首先计算包含花粉轮廓的最小矩形，然后收集花粉图像中的最小矩形，最终得到所有花粉颗粒图像；将一张花粉图片中所有局部花粉颗粒图像的总数设为L_sum；步骤3：多纹理特征量化指标提取运用多种不同的纹理方法提取纹理特征指标；此模块的输入是上一阶段得到的花粉颗粒图像，输出是花粉颗粒图像中提取的归一化后的纹理特征指标；步骤3.1图像灰度转换：首先将花粉颗粒图像灰度化，为下一步纹理特征的提取做准备；步骤3.2多纹理特征提取：由于不同纹理提取方法提取的纹理特征不同，效果也不相同；选取了更能突出纹理效果的指标作为纹理特征提取指标；这些指标包括Tamura纹理特征中粗糙度和对比度，GLRLM中的高灰度运行强调、短期高灰度强调、长期低灰度强调，基于灰度共生矩阵GLCM的二阶统计中的对比度、相异性、同质性；正相关指标包括：Tamura纹理特征中的对比度，GLRLM中的高灰度运行强调、短期高灰度强调，基于灰度共生矩阵GLCM的二阶统计中的对比度、相异性；负相关指标包括：Tamura纹理特征中粗糙度，GLRLM中的长期低灰度强调，基于灰度共生矩阵(GLCM)的二阶统计中的同质性；此外，针对GLRLM和GLCM中选取的指标取不同方向的均值；因为不同方向上提取到的纹理信息内容不相同，反映的情况也不相同，所以选取了四个不同的方向提取纹理信息，综合的反映花粉颗粒的纹理特征信息；Tamura纹理特征中粗糙度描述花粉颗粒图像的粗糙程度；基元重复次数越少，粗糙程度越大；具体计算方法如下：
式(1)中，A
k
(x,y)代表大小为2
k
x2
k
的矩形窗口中每个象素点的亮度均值，(x,y)代表所选窗口在整张图像中的位置，g(i,j)代表选定窗口中第(i,j)点的象素亮度值，k值确定象素范围；E
k,h
＝|A
k
(x+2
k
‑1,y)
‑
A
k
(x
‑2k
‑1,y)|
ꢀꢀꢀꢀ
(2)E
k,v
＝|A
k
(x,y+2
k
‑1)
‑
A
k
(x,y
‑2k
‑1)|
ꢀꢀꢀꢀ
(3)S
best
(x,y)＝2
k
ꢀꢀꢀꢀ
(4)E
k
＝E
max
＝max(E1,E2,
…
,E
h
)
ꢀꢀꢀꢀ
(5)式(2)中，E
k,h
代表像素点对应水平方向的差值；式(3)中，E
k,v
代表像素点对应垂直方向的差值；式(4)中，S
best
代表能使E值达到最大的最佳尺寸；E
k
代表任何方向都能使E达到最大值的k，如式(5)所示；式(6)中，花粉图像的粗糙度F
crs
通过计算整张图像中S
best
的平均值得到；其中，m和n为图像的长度和宽度；Tamura纹理特征中对比度描述花粉颗粒图像中明暗区域的亮度差异；象素的差异范围越大，对比度越大；具体计算方法如下：式(7)中，σ代表图像灰度值的标准方差，α4表示图像灰度值的峰态，其中，μ4为四阶矩均值，σ2为图像灰度值的方差；GLRLM中的高灰度运行强调HGRE描述花粉颗粒图像灰度值的分布情况；高灰度值分布越多，值越大；具体公式如下：式(8)中，p(i,jθ)代表灰度游程矩阵，θ这里取1、2、3、4，分别代表0
°
、45
°
、90
°
和...

【专利技术属性】
技术研发人员：李建强，刘朝磊，刘小玲，赵琳娜，刘素芹，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：