[发明专利]一种基于兴趣区域多纹理特征融合的图像质量评价方法

权利要求书

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^kx2^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-2^k-1,y)| (2)

E_k,v＝|A_k(x,y+2^k-1)-A_k(x,y-2^k-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135°；L代表不同方向的灰度游程矩阵的个数；(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，N_g表示图像上的灰度级数目，N_r表示图像上不同游程的数目；

GLRLM中的短期高灰度强调SRHGE描述花粉颗粒图像中灰度级和游程长度的特征；游程长度短，高灰度值分布多，SRHGE值越大；具体公式如下：

式(9)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135°；L代表不同方向的灰度游程矩阵的个数；(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，N_g表示图像上的灰度级数目，N_r表示图像上不同游程的数目；

GLRLM中的长期低灰度强调LRLGE描述花粉颗粒图像中灰度级和游程长度的特征；游程长度长，低灰度值分布多，LRLGE值越大；具体公式如下：

式(10)中，p(i,j|θ)代表灰度游程矩阵，θ这里取1、2、3、4，分别代表0°、45°、90°和135°；L代表不同方向的灰度游程矩阵的个数；(i,j|θ)点代表灰度为i的像素在图像θ方向连续出现j次的计数，N_g表示图像上的灰度级数目，N_r表示图像上不同游程的数目；

灰度共生矩阵二阶统计中的对比度反映图像的清晰度和纹理的沟纹深浅；对比度越大，纹理越深，呈现的图像越清晰；

式中，P(g₁,g₂)_h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°；H表示针对不同方向提取的共生矩阵的个数，(g₁,g₂)代表灰度共生矩阵的位置坐标；

灰度共生矩阵二阶统计中的相异性，花粉颗粒图像的纹理越清晰，相异性的值越大，具体公式如下：

式中，P(g₁,g₂)_h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°；H表示针对不同方向提取的共生矩阵的个数，(g₁,g₂)代表灰度共生矩阵的位置坐标；

灰度共生矩阵二阶统计中的同质性，花粉颗粒图像的纹理越清晰，同质性的值越小；具体公式如下：

式中，P(g₁,g₂)_h表示每一个点对的灰度值，其中，h代表不同的方向，这里取1、2、3、4，分别表示0°、45°、90°、135°；H表示针对不同方向提取的共生矩阵的个数，(g₁,g₂)代表灰度共生矩阵的位置坐标；

步骤3.3归一化纹理指标：为了消除奇异样本数据引起的不良影响，对上一步提取到的纹理指标做sigmoid归一化处理，将各个纹理指标的数值控制在0-1之间；sigmoid函数具体公式如下所示：

式(14)中，x代表归一化前的数值，f(x)代表归一化之后的数值；

步骤4：质量评价最终得分

将上一步得到花粉颗粒的纹理特征指标进行均权整合，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均权累加，将其作为整张花粉图像的质量分数；

步骤4.1计算单张花粉颗粒图像的质量分数：为了通过花粉颗粒的纹理信息感知其质量信息，将从不同纹理方法中挑选的纹理指标根据权值均分的原则进行合并；其中，正相关指标取正值，负相关指标取负值；将合并之后的纹理量化指标作为单张花粉颗粒图像的质量分数；

式(15)中，s_iqa_l代表整张图像中第l张局部花粉颗粒图像的质量分数，S_num代表纹理指标的总数；F_con、HGRE、SRHGLE、CON、DIS代表纹理指标中的正相关指标；F_crs、LRLGLE、Homo代表纹理指标中的负相关指标；f(F_con)、f(F_crs)、f(HGRE)、f(SRHGLE)、f(LRLGLE)、f(CON)、f(DIS)、f(Homo)代表归一化之后的纹理指标量化值；

步骤4.2计算质量总分：为了得到整张花粉图像中质量分数，将花粉图像中每张局部花粉颗粒图像的质量分数进行加权平均求和，最终将其作为花粉图像的质量分数；

式(16)中，iqa代表整张图像的质量分数，s_iqa_l代表整张图像中第l张局部花粉颗粒图像的质量分数，L_sum代表整张图像中单颗花粉颗粒图像的数量。