[发明专利]一种评估拼接图像清晰度的方法

摘要

本发明公开了一种评估拼接图像清晰度的方法，属于图像拼接和图像质量评价技术领域，涉及计算机视觉领域，包括以下步骤：S1：生成训练数据集和测试数据集。S2：生成卷积神经网络模型。S3：基于训练的卷积神经网络测试测试数据集。本发明根据卷积神经网络输出的每块的输出标签，计算每一幅待评价拼接合成图像所有块的输出标签的平均值，然后计算同一拼接算法下所有拼接合成图像输出标签的平均值作为该拼接算法效果好坏的评价等级。利用卷积神经网络，可以代替繁琐的，大量的人为统计评分，并且可以准确的判断图像拼接中融合区域清晰度的好坏，克服单因素评价指标所带来的局限性，有利于全自动自适应图像拼接系统的实现，具有非常重要的应用价值。

主权项

1.一种评估拼接图像清晰度的方法，其特征在于，包括以下步骤：S1：生成训练数据集和测试数据集；S2：生成卷积神经网络模型；S3：基于训练的卷积神经网络测试测试数据集；所述S1包括S101、S102、S103、S104；S101:获取拼接合成图像；S102：计算拼接合成图像的客观评价参数；选取了清晰度作为客观评价参数；采用多方向Sobel算子检测边缘并以其梯度幅值作为清晰度的度量；采用多方向模板S_i，对图像中每个点进行邻域卷积计算，提取图像多个方向上的边缘成分；即有：H₁＝I_mos(x，y)*S₁H₂＝I_mos(x，y)*S₂H₈＝I_mos(x，y)*S₈其中，I_mos(x，y)为图像灰度，图像中每个像素点的梯度值表示为：为降低图像噪声对实际边缘的影响，将表征图像整体噪声的标准差经过开方处理，作为边缘图像阈值，则I(x，y)＞T_N的点即认为是图像边缘像素，阈值T_N表示如下：然后，将所有大于阈值T_N的梯度值，即把被认为是图像边缘像素的梯度值相加，以边缘梯度能量和定义图像清晰度评价算子，即：所述步骤S102中还采用了峰值信噪比作为客观评价参数，计算公式为：其中，N是评价的拼接序列图像数量；s是原始拼接序列图像，作为比较的参考图像；是与s相对应的局部变换拼接结果，是拼接合成图像I的一部分；s_ij分别表示原始拼接序列图像s和拼接局部图像中各点的像素值，m和n为图像在长和高方向上的像素点数，f_max为拼接合成图像最大像素值；PSNR值越高，其拼接合成图像品质越好；S103：生成训练数据集；根据S101步得到的拼接合成图像以及S102步设置的客观评价参数，计算卷积神经网络的训练数据集；对训练样本集中所有的拼接合成图像以及相对应的原始图像序列，使用图像配准技术，将拼接合成图像与原始图像序列进行配准，得到二者的重合区域，将重合区域按行均匀分割成M块，对每一块进行处理，依据上述清晰度评价算子和峰值信噪比的计算方法，对每个块计算它们的客观评价参数，作为卷积神经网络的训练数据集X＝{CG¹，CL¹，CG²，CL²，...，CG^M，CL^M}；基于每个块都会得到一个配准误差，设置一个阈值τ，将每个块的清晰度与τ进行比较，得到对应于每个块的理想输出yⁱ，计算公式如下：将所有块的理想输出组合成训练数据集Y＝{y¹，y²，...，y^M}，{X，Y}一起构成了卷积神经网络的训练数据集合；S104：获取测试数据集；所述S2步骤包括S201、S202、S203；S201：构建卷积神经网络模型；S202：设置输入层与卷积采样层参数；S203：利用训练数据集训练卷积神经网络。