文章目录
基于改进SSIM算法的图像清晰度识别1. SSIM算法流程2. SSIM算法实现3. 信息熵函数4. 图像测试流程5. 测试结果总结
基于改进SSIM算法的图像清晰度识别
转载： https://www.heywhale.com/mw/project/5f2f9ac4af3980002cb4cb87 SSIM（structural similarity） 是一种用来衡量图片相似度的指标，也可用来判断图片压缩后的质量。 SSIM由亮度对比、对比度对比、结构对比三部分组成。
在改进SSIM中，作者使用信息熵的方法来对清晰度进行计算。该算法的流程为： （1）在ssim Function函数中先对图片进行高斯处理，然后分别对原图和高斯模糊后图片进行sobel边缘提取。 （2）计算每一小块的SSIM和信息熵大小。 （3）通过对一个图像中裁剪的所有小块，按照信息熵进行片排名，然后取Top（这里取top=10）SSIM做均值。最后 1-均值 即为清晰度得分。
1. SSIM算法流程
算法流程的代码如下所示：
import numpy as np
import math
import cv2
import urllib
import matplotlib.pyplot as plt
def img_ssimRecog(img, len_s = 11):
"""
图片处理
:param img: 图片
:param len_s: 图片每个小块尺寸
:return:
"""
X_org, Y_org = img.shape
res_list = []
for i in range(0, int(X_org), int(X_org / len_s)+3):
for j in range(0, int(Y_org), int(Y_org / len_s)+3):
res_list.append(ssimFunction(img[i:i + len_s, j:j + len_s]))
res_list = np.array(res_list)
res_list_sort = res_list[np.lexsort(-res_list.T)]
res_list = res_list_sort[:, :1]
res = np.mean(res_list[:10])
if res < 0.0:
res = 0.0
return 1 - res
2. SSIM算法实现
通过图像的均值、方差等计算SSIM函数。算法函数如下： 均值、方差计算函数如下： 亮度函数如下： 对比度函数如下： 结构函数如下： SSIM算法函数：
def ssimFunction(img):
"""
ssim 算法
:param img: 图片
:return:
"""
x, y = img.shape
resEntropy = entropyFunc(img)
TR = cv2.GaussianBlur(img, (5,5),3)
G = cv2.Sobel(img,cv2.CV_16S,2,2)/5
Gr = cv2.Sobel(TR,cv2.CV_16S,2,2)/5
Ux = np.mean(G)
Uy = np.mean(Gr)
Vx = np.var(G)
Vy = np.var(Gr)
Vxy = (1 / (x * y - 1)) * np.sum((G - Ux) * (Gr - Uy))
R = 255
K1 = 0.03
K2 = 0.01
c1 = (K1 * R) ** 2
c2 = (K2 * R) ** 2
# -SSIM
A1 = 2 * Ux * Uy + c1
A2 = 2 * Vxy + c2
B1 = Ux ** 2 + Uy ** 2 + c1
B2 = Vx + Vy + c2
SSIM = (A1 * A2) / (B1 * B2)
return SSIM, resEntropy
3. 信息熵函数
代码如下：
def entropyFunc(img):
"""
熵函数
:param img: 图片
:return:
"""
res = 0
tmp = [0] * 256
img_list = []
for i in range(len(img)):
img_list.extend(map(int, img[i]))
img_list_set = set(img_list)
for i in img_list_set:
tmp[i] = float(img_list.count(i))/ 256
for i in range(len(tmp)):
if (tmp[i] == 0):
res = res
else:
res = float(res - tmp[i] * (math.log(tmp[i]) / math.log(2.0)))
return res
4. 图像测试流程
对图像进行改进SSIM算法的测试，分为三步骤： step1：先将图片预处理裁剪 裁剪图片视情况而定，主要结合业务需求将图片的大小裁剪成相同的尺寸，便于比较，因为我处理的大部分是新闻图片，因此将图片裁剪成512400,并将彩色图片处理灰度化； step2: 对图像进行分块处理 首先对图片进行分块处理，视情况而定，这里将整个图片均匀分为9块大小，每块为1111的大小，对每块图片采用ssimFunction函数处理，计算SSIM，与传统的ssim不同的是，我增加了一步利用函数entropyFunc计算信息熵的过程。 step3: 图像清晰度测试
step1、2 图像尺寸标准化处理:
def imgPreHandle(img,img_witdth,img_height,resize_width=512,resize_height=480):
"""
将图片缩放到同样的尺寸
:param img: 图片
:param img_witdth: 图片的宽度
:param img_height: 图片的宽度高度
:param resize_width: 图片裁剪的宽度
:param resize_height 图片裁剪的高度
:return:
"""
# x = img_witdth
# y = img_height
x,y,z = img.shape
new_pic = img
if ((x>=resize_height) & (y>=resize_width))|((x new_pic = img elif (x new_pic = img[:, int((y/2)-(resize_width/2)):int((y/2) + (resize_width/2))] elif (x>=resize_height) & (y new_pic = img[int((x/2)-(resize_height/2)):int((x/2) + (resize_height/2)), :] elif (x >= resize_height) & (y < resize_width): new_pic = img[int((x / 2) - (resize_height / 2)):int((x / 2) + (resize_height / 2)), :] new_picture = cv2.resize(new_pic, (resize_height, resize_width)) if len(new_picture.shape) == 3: gray = cv2.cvtColor(new_picture, cv2.COLOR_BGR2GRAY) else: gray = new_picture return gray step3 主函数，对输入图像进行清晰度测试： if __name__ == "__main__": img_path = r"./test/d.jpg" #img = cv2.imread(img_path) img = cv2.imdecode(np.fromfile(img_path, dtype=np.uint8),-1) w, h, _ = img.shape #gray = imgPreHandle(img, w, h) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) plt.figure(figsize=(20, 10)) plt.subplot(1, 2, 1) plt.imshow(gray,cmap='Greys') # add similarty score of the image start = time.time() score = img_ssimRecog(gray, len_s = 11) print('end:',time.time()-start) text = str(round(score,3)) src = gray.copy() plt.subplot(1, 2, 2) cv2.putText(src, text, (10, 50), cv2.FONT_HERSHEY_COMPLEX, 1, (10, 10, 10), 1) plt.imshow(src,cmap='Greys') plt.show() print('Score : {}'.format(score)) 5. 测试结果 注： 130x110大小图像，win10下约50ms/次。 总结 从结果看来，对于模糊检测有一定效果，结合具体场景可自行调节图像大小和图像切片大小，具体阈值根据实际应用进行测试获取。