一种图像清晰度的评价方法技术

本发明专利技术提供的一种图像清晰度的评价方法，包括以下步骤：步骤1，运用图像评价函数对图像进行数据计算；步骤2，综合各个图像评价函数数据的计算值；步骤3，通过综合计算值对图像清晰度进行评价。本发明专利技术的图像清晰度的评价方法综合了各个评价函数的数值，比单一数值更加准确；并且进一步应用了组合的TenenGrad函数和Vollath函数，简化了计算过程和计算了，为评价带来便捷。本发明专利技术便捷有效，并且符合人眼观察所得的结果。

【技术实现步骤摘要】

本专利技术涉及一种清晰度的评价方法，尤其涉及一种应用函数进行评价的图像清晰度的评价方法。
技术介绍
随着数字成象技术向自动化和智能化发展，自动对焦技术的应用范围不断扩大，在自动化、高精度、高稳定性等方面都取得了很大进展，现已广泛应用于照相机、摄像机、显微镜、扫描仪等各种精密仪器中。图像清晰度评价在图像分析和识别中具有重要的意义。数字图像评价函数是评价 数字图像清晰度的重要依据，是数字图像采集系统中实现自动聚焦的关键。聚焦性能取决于图像评价函数的准确性和实时性，即图像评价函数应具有无偏性好、单峰性强、抗噪性能好、灵敏度高以及速度快等优点。图像模糊的本质是高频分量的损失，聚焦图像比离焦图像包含更多的信息和细节，这是设计聚焦评价函数的基础。目前，图像清晰度评价函数已有较广泛的研究，常见的图像清晰度评价函数有以下几种基于频率域特征的评价函数，如频谱函数；基于统计特征的评价函数，如熵函数；基于空间域特征的评价函数，如TenenGrad函数(能量梯度函数)、Brenner函数、方差函数、平方梯度函数、Vollath函数、加窗梯度函数等梯度函数。在专利技术本专利技术之前，专利技术人发现现阶段存在的一些清晰度评价方法的局限性1，方法比较单一 ；2，对于评价的图片有条件限制。例如使用熵函数进行评价时，主要侧重的图片中点的均匀排布，如果一张图片如果拿一张只有黑白条的图片来和一张模糊，但是图上有很多黑色点的图片来对比，那么通过熵函数的评价方法得到的清晰图片就是模糊图，这显然有悖事实，得不到正确的评价结果。因此，本领域的技术人员致力于开发一种便捷有效的图像清晰度的评价方法。专利
技术实现思路
鉴于上述的现有技术中的问题，本专利技术所要解决的技术问题是现有的评价方法不够便捷和有效。本专利技术提供的，包括以下步骤 步骤1，运用图像评价函数对图像进行数据计算； 步骤2，综合各个图像评价函数数据的计算值； 步骤3，通过综合计算值对图像清晰度进行评价。在本专利技术的一个较佳实施方式中，所述步骤2中综合计算各个图像评价函数数据的加权平均数。在本专利技术的另一较佳实施方式中，所述图像评价函数包括熵函数、梯度函数和频谱函数。在本专利技术的另一较佳实施方式中，所述图像评价函数包括熵函数和梯度函数。在本专利技术的另一较佳实施方式中,所述梯度函数包括TenenGrad函数、Brenner函数、方差函数、平方梯度函数、Vollath函数、加窗梯度函数。在本专利技术的另一较佳实施方式中，所述图像评价函数包括TenenGrad函数和Vollath 函数。在本专利技术的另一较佳实施方式中，所述步骤2中的TenenGrad函数和Vollath函数的加权权重比为6 7:4 3。本专利技术的图像清晰度的评价方法综合了各个评价函数的数值，比单一数值更加准确；并且进一步应用了组合的TenenGrad函数和Vollath函数,简化了计算过程和计算了，为评价带来便捷。本专利技术便捷有效，并且符合人眼观察所得的结果。附图说明图I是本专利技术的实施例I的数据图； 图2是本专利技术的实施例2的数据 图3是本专利技术的实施例3的数据 图4是本专利技术的实施例4的数据 图5是本专利技术的实施例5的数据图。具体实施例方式以下将结合附图对本专利技术做具体阐释。本专利技术的实施例的，包括以下步骤 步骤1，运用图像评价函数对图像进行数据计算，并优选图像评价函数为TenenGrad函数和Vollath函数； 步骤2，综合各个图像评价函数数据的计算值，优选计算加权权重比为6 7:Γ3的TenenGrad函数和Vollath函数的数据值的加权平均数； 步骤3，通过综合计算值对图像清晰度进行评价。实施例I 如图I中所示，其中横坐标为图像的编号，纵坐标为各个函数计算的图像相对于清晰度100的的数值。通过选取21幅图,依次编为I至21,利用TenenGrad函数、Brenner函数、方差函数、平方梯度函数、Vollath函数、加窗梯度函数和熵函数计算清晰度。计算各个图像的各个函数的数据值的加权平均数，并计算加权权重比为7:3的TenenGrad函数和Vollath函数的数据值的加权平均数。由图中可以看出，TenenGrad函数、平方梯度函数、加窗梯度函数的数值几乎在一条曲线上；加权权重比为7:3的TenenGrad函数和Vollath函数的数据值的曲线与各个函数的数据值的加权平均数的曲线图趋于一致。并且得出的清晰度与人眼观察结果一致。实施例2 如图2中所示，其中横坐标为图像的编号，纵坐标为各个函数计算的图像相对于清晰度100的的数值。通过选取28幅图，依次编为I至28,利用TenenGrad函数、Brenner函数、方差函数、平方梯度函数、Vollath函数、加窗梯度函数和熵函数计算清晰度。计算各个图像的各个函数的数据值的加权平均数，并计算加权权重比为7:3的TenenGrad函数和Vollath函数的数据值的加权平均数。由图中可以看出，加权权重比为7:3的TenenGrad函数和Vollath函数的数据值的曲线与各个函数的数据值的加权平均数的曲线图趋于一致。并且得出的清晰度与人眼观察结果一致。实施例3 如图3中所示，其中横坐标为图像的编号，纵坐标为各个函数计算的图像相对于清晰度100的的数值。通过选取28幅图，依次编为I至28,利用TenenGrad函数、Brenner函数、方差函数、平方梯度函数、Vollath函数、加窗梯度函数和熵函数计算清晰度。计算各个图像的各个函数的数据值的加权平均数，并计算加权权重比为7:3的TenenGrad函数和Vollath 函数的数据值的加权平均数。由图中可以看出，加权权重比为7:3的TenenGrad函数和Vollath函数的数据值的曲线与各个函数的数据值的加权平均数的曲线图趋于一致。并且得出的清晰度与人眼观察结果一致。实施例4 如图4中所示，其中横坐标为图像的编号，纵坐标为各个函数计算的图像相对于清晰度100的的数值。通过选取27幅图,依次编为I至27,利用TenenGrad函数、Brenner函数、方差函数、平方梯度函数、Vollath函数、加窗梯度函数和熵函数计算清晰度。计算各个图像的各个函数的数据值的加权平均数，并计算加权权重比为7:3的TenenGrad函数和Vollath函数的数据值的加权平均数。由图中可以看出，加权权重比为7:3的TenenGrad函数和Vollath函数的数据值的曲线与各个函数的数据值的加权平均数的曲线图趋于一致。并且得出的清晰度与人眼观察结果一致。实施例5 如图5中所示，其中横坐标为图像的编号，纵坐标为各个函数计算的图像相对于清晰度100的的数值。通过选取13幅图,依次编为I至13,利用TenenGrad函数、Brenner函数、方差函数、平方梯度函数、Vollath函数、加窗梯度函数和熵函数计算清晰度。计算各个图像的各个函数的数据值的加权平均数，并计算加权权重比为7: 3的TenenGrad函数和Vollath函数的数据值的加权平均数。由图中可以看出，加权权重比为7:3的TenenGrad函数和Vollath函数的数据值的曲线与各个函数的数据值的加权平均数的曲线图趋于一致。并且得出的清晰度与人眼观察结果一致。以上对本专利技术的具体实施例进行了详细描述，但其只是作为范例，本本文档来自技高网...

【技术保护点】
一种图像清晰度的评价方法，其特征在于，包括以下步骤：步骤1，运用图像评价函数对图像进行数据计算；步骤2，综合各个图像评价函数数据的计算值；步骤3，通过综合计算值对图像清晰度进行评价。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘炳宪，谢菊元，王焱辉，王克惠，郝美蓉，
申请(专利权)人：宁波江丰生物信息技术有限公司，
类型：发明
国别省市：