(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211139826.7 (22)申请日 2022.09.20 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 李建强　刘朝磊　刘小玲　赵琳娜　 刘素芹　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 专利代理师 刘萍 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/33(2017.01) G06T 5/50(2006.01) (54)发明名称 一种基于兴趣区域多纹理特征融合的图像 质量评价方法 (57)摘要 一种基于兴趣区域多纹理特征融合的图像 质量评价方法属于计算机视觉 领域。 本发明有针 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。 权利要求书4页 说明书6页 附图2页 CN 115511814 A 2022.12.23 CN 115511814 A 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GLC M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GLC M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(GLC M)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：权　利　要　求　书 1/4 页 2 CN 115511814 A 2式(1)中， Ak(x,y)代表大小为2kx2k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； Ek,h＝|Ak(x+2k‑1,y)‑Ak(x‑2k‑1,y)|    (2) Ek,v＝|Ak(x,y+2k‑1)‑Ak(x,y‑2k‑1)|    (3) Sbest(x,y)＝2k    (4) Ek＝Emax＝max(E1,E2,…,Eh)    (5) 式(2)中， Ek,h代表像素点对应水平方向的差值； 式(3)中， Ek,v代表像素点对应垂直方向 的差值； 式(4)中， Sbest代表能使E 值达到最 大的最佳尺寸； Ek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Fcrs通过计算整张图像中Sbest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， Ng表示图像上的灰度级数目， Nr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权　利　要　求　书 2/4 页 3 CN 115511814 A 3