图像增强技术的研究毕业论文.docx
《图像增强技术的研究毕业论文.docx》由会员分享，可在线阅读，更多相关《图像增强技术的研究毕业论文.docx（27页珍藏版）》请在冰豆网上搜索。
图像增强技术的研究毕业论文
---文档均为word文档，下载后可直接编辑使用亦可打印---
摘要
本文系统地研究了图像自动增强系统中图像质量评价、图像增强算法和基于图形处理器（GPU）的图像处理等核心技术，论文的主要工作和研究成果有：
图像质量评价算法的设计。
提出了基于锐度函数的质量评价算法。
该质量评价算法结合了基于点锐度函数和边缘锐度函数的图像质量评价方法的优点，能够准确的反映图像的局部反差和边缘信息，并且具有与内容无关性的特点，对图像类型的判断具有较强的指导性。
图像增强算法的研究。
针对不同类型的降质图像，分别设计了不同的图像增强算法。
首先对基于全局信息的图像增强方法进行改进，提高了算法的效果和实时性。
其次提出了一种新的多尺度对数Lee图像增强算法，并将其与局部受限的直方图均衡化结合形成了改进的图像去雾算法。
最后针对图像增强中的噪声问题，设计实现了基于偏微分方程的图像滤波算法。
在增强算法上确保能够改善降质图像的质量，达到较好的图像增强效果。
特点，很难实现对采集到的图像进行实时的增强处理。
我们对图像质量评价算法和图像增强算法进行了并行算法设计，并利用GPU实现。
【关键词】图像增强；技术；研究
ABSTRACT
【Keywords】
绪论
研究背景
图像增强技术广泛应用于各种监控系统中，如档案室、文件室等机要部门的监控、交通领域的交通违章监控，以及军事领域的监控等。
视频设备在通常情况下可以达到较好的监控效果。
但是，视频设备的通用性限制了视频设备对环境的适应性，视频设备的参数一旦设置，不能自动的适应环境变化去调整参数，并且一些特殊的场合会超出视频设备的使用范围，以致拍摄到的图像根本无法观察和辨认。
长期安装在交通路口的摄像机，在一天时间内就要经历各种不同亮度，不同方向的光照，甚至下雨，大雾等天气的变化。
这些不确定因素都将会影响摄像机拍摄的效果。
为了使摄像机对这种不确定因素具有一定的适应性，我们在原有硬件设备的基础上，在软件层次上对监控系统进行改进，从而在不大幅度增加原系统成本的前提下，提高摄像机拍摄质量，提高监控系统的效能。
由于图像增强算法具有较强的针对性，一种图像增强算法不可能对所有图像产生较好的增强效果，有时甚至会恶化图像的质量。
因此，对于不同类型的降质图像，我们需要设计不同的图像增强算法。
我们设计的方法从摄像机拍摄到的图像出发，通过一定的图像质量评价算法，自动的选择增强效果好的增强算法，实现对不同环境下图像进行图像增强质量改善。
这一技术同样可以应用于军事领域，当战场环境的复杂时，拍摄到的图像质量很差，以致不能清楚地发现目标，使用图像自动增强技术，可以改善图像质量，使得处理后的图像便于人们观察，也可以作为跟踪目标的预处理。
该课题的研究任务就是构建图像自动增强系统，实现对不同类型图像自动增强。
这一课题完成，将在工程应用领域起到广泛的作用。
图像自动增强系统作为原有系统的前端处理，能够在不增加硬件成本的基础上提高原有系统的发现目标、定位跟踪目标的能力，同时增加了原有系统对环境的适应能力，使得原有系统的适用范围变得更广，节约了系统的成本，提高了系统的可靠性。
图像增强技术的技术难点
本文重点研究了图像质量评价与自动增强算法选择问题、图像增强算法设计和增强算法的实时性问题。
研究工作中遇到的技术难点有：
1、图像质量的评价与自动增强算法选择问题。
目前，还没有建立图像评价的统一标准，尺度不同，划分的界线就不同，同样的数据集就会出现不同的分类。
这将直接影响我们选择图像增强的算法，处于分类界线模糊的区域的数据集，不同的评价尺度对于其增强后效果的影响较大。
2、图像增强算法的设计问题。
图像增强往往是一个矛盾的问题，增强目标的同时加剧了噪声，如何在增强目标时尽可能抑制噪声。
图像去雾问题，仅从单幅图像中恢复图像细节信息也是一个较为棘手的问题。
3、图像增强算法的实时性问题。
图像处理一直有数据量大的问题，随着图像质量评价算法和图像增强算法的复杂度增加，普通的图像处理系统很难达到实时性要求，使得系统的功能受到了很大的局限性。
优化算法，采用并行处理技术来提高算法效率，尽量使系统满足实时性要求。
图像增强技术的研究现状
图像的自动增强是指系统能够根据摄像机所采集到的图像，通过一定的评价准则来判断图像质量和降质类型，从而采取相应的增强算法对其进行质量改善。
图像质量评价是一个经典的研究课题，在许多图像应用领域中，图像质量评价都具有重要的意义。
I.E.Abdou认为，图像质量评价&主要包括两个方面：
图像的逼真度和图像的可理解度。
图像的逼真度是描述被评价图像与标准图像的偏离程度，图像的可理解度则是表示图像能向人或计算机提供信息的能力。
目前主要的图像质量评价方法可分为两大类：
主观评价和客观评价。
主观评价是通过人眼对图像进行评价，依赖主观的直觉去判断图像的清晰度、对比度、以及图像细节信息等等。
人眼对图像质量的评价具有较高的准确性，但是其主观随意性较大，无法用数学模型对其进行描述，不易定量测量。
客观评价是建立能够自动评价图像质量的客观评价模型，这些模型一般通过提取一个或者多个图像质量量度指标来衡量图像质量好坏。
客观评价模型可以用数学公式加以描述，计算起来比较方便。
相对于主观的质量评价，客观的图像质量评价具有更强的实用性，客观图像质量评价的目标0就是设计能够自动预测图像和视频的感知质量的指标。
因此客观的图像的质量评价吸引了大量学者的研究，目前己经有大量的客观图像质量评价方法，主要有三类：
一类是全参考的质量评价，即图像的保真度通常这类方法需要有无失真的参考图像。
一般使用均方误差（MSE）、信噪比（SNR）等来表示失真图像与参考图像的差距。
另一类是半参考的图像质量评价，这类算法主要是计算图像的某些特征，并将这些特征与参考图像的特征进行比对。
在实际中经常需要使用的一类是无参考的图像质量评价，它不需要使用参考图像，主要是通过估计图像中的噪声、模糊，块效应等程度来评介图像质量。
在我们的图像自动增强系统中，我们需要设计客观无参考的图像质量评价标准，并且在客观的评价模型中注重与人的视觉感知一致，寻求建立具有人眼视觉感受特性的客观的图像质量评价模型，为系统采集到的图像质量和降质类型的判定提供客观指导。
在图像增强领域，人们提出了很多种算法。
最为通常的方法是直方图均衡化，通过直方图均衡化来实现自动的对比度增强，直方图上灰度分布较密的部分被拉伸，灰度分布稀疏的部分被压缩，从而使一幅图像的对比度在总体上得到增强。
但是，在原图像直方图中有一个很大分量情况下，增强的图像会出现“退色”和“散斑”效应，使得增强的图像在视觉效果上较差。
为了解决这个问题，人们提出了局部直方图均衡化将直方图均衡化运算压缩到图像的局部区域，然后遍历所有的局部区域，这种方法要遍历图像的所有像素，所以它的时间复杂度很高，不利于实时处理。
如果使用不重叠的局部直方图均衡化，会造成区域边界过渡的失真。
Lee提出的图像增强方法_的优点是处理后的图像比较清晰，对比度高，并且基本上保持图像原来的灰度范围，缺点是实验参数较多，而且实验结果强烈地依赖于参数的选取，因此带有较强的实验性和不好操作性，Deng等人―提出了一种基于LIP模型的Lee图像增强的新方法，并且在其中使用了非线性变换，提高了图像增强的能力，也减弱了对参数的过分依赖性。
像素的分布适当地拉伸和压缩直方图，达到很好的调节图像动态范围的效果，同时保持了原直方图的形状，对于这种方法，在变换程度上主要取决于构建二叉树的层数，构建的层数越高，其时间复杂度越高。
彩色图像比灰度图像具有更丰富的信息，将一幅灰度图像变换成彩色图像可以提高图像的质量，同一灰度级可以对应上百种的颜色，将某一灰度等级映射为何种颜色是一个很难解决的问题。
目前最主要的方法有：
基于灰度等级的伪彩色变换，基于色彩空间模型的
伪彩色变换和频域的伪彩色变换。
基于灰度等级的伪彩色变换是建立灰度级，梯度或者其它灰度特征与不同颜色的映射关系，这类方法没有考虑图像的内容信息。
基于颜色空间模型的伪彩色变换不仅仅依赖于灰度级，而且考虑到饱和度，亮度和其它彩色空间中的特征，不足之处是很难区别图像的特征。
频域的伪彩色变换是将图像经过傅立叶变换，然后建立频率与色彩的映射。
然而，采集到的图像的类型各有不同，建立的映射关系不可能同时适应不同类型的图像，在表现效果上会时好时坏。
彩色图像增强主要是对其亮度、色彩等信息进行调整，使得增强后的图像更加生动、细节更加明显、色彩更加鲜艳，同时又要保证图像的色彩没有失真和偏移。
目前的彩色图像增强算法主要有三类：
基于RGB颜色空间的增强算法、基于变换空间的彩色图像增强算法和基于颜色恒常理论的彩色图像增强算法。
基于RGB颜色空间的彩色图像增强算法主要有RGB单色通道二维直方图均衡、直方图规定以及三维直方图均衡―。
在RGB颜色空间进行直方图均衡可以增强图像亮度，但是容易导致颜色的失真，这主要是因为这类算法是单独地作用于R、G、B各个分量，而没有考虑彩色图像R、G、B各个分量之间的相关性，改变像素的任一分量都会改变R、G、B三个分量的比例，使得图像产生颜色的失真或偏移。
基于变换空间的彩色图像增强算法主要有保持图像色调不变的彩色图像增强该算法主要是通过选择一个合理的彩色空间模型，将RGB空间映射到其它的空间上。
例如HSV，YCrCb和Lab等，主要目的是降低分量之间的相关性，使得能够对其中的某一分量进行处理，而不至于改变整个图像的色调。
恶劣天气条件下的退化图像往往对比度大幅度下降，模糊不清，如雾天图像。
由于雾对图像的影响随图像的深度变化而变化，所以去雾算法具有很强的挑战性。
研究者提出了很多基于多幅图像和附加信息的去雾算法。
Narasimhan等人提出的基于大气模型的去雾算法需要利用同一场景下多幅不同的天气条件的图像。
他们的另一个思路是利用交互的方法得到场景的深度信息胃。
这些方法在处理效果上确实能够对图像的质量进行改善，但是对于我们的应用来说，这些方法过多的依赖先验信息或者多幅图像信息，在我们应用中很难得到满足，并且不利于图像的实时处理。
近来，基于单幅图像的去雾算法获得了很大的进步。
这类方法成功的相似之处在于它们在分析雾的成因后在算法中作出了一些强制性的假设。
Tan—等人通过观察，提出了没有雾的图像一定比有雾图像具有更强的对比度，并且通过最大化局部对比度来复原图像。
这种方法能够明显的增强对比度，但是使图像变得不自然。
Fattal等人假定介质的传导率和表面的光照变化的不相关性，通过估计场景的反射率推断介质的传导率。
该方法在物理上较为合理并且具有很好的复原效果，但是这种方法不能很好适应图像中雾较浓的情
KaimingHe等人提出了一种优先暗通道的单幅图像去雾算法。
优先暗通道是一种雾图的数据统计。
这种方法基于一种重要的观察，大多数雾图的局部块中在某个色彩通道具有较小的强度。
使用这种假设和雾图模型结合，能够直接估计雾的浓度和恢复雾图的图像质量。
考虑增强图像对比度的同时，一个重要的问题不能忽视，那就是图像中噪声也随之增强，本来不明显的噪声在增强后凸现出来，影响整个图像质量。
所以，我们在考虑增强图像的同时就要考虑抑制图像的噪声，常用的抑制噪声的方法有滤波方法，如中值滤波器、匹配滤波器、最小均方差滤波器和低通滤波器等。
然而，考虑在增强处理之前对图像进行滤波处理，会造成图像边缘信息的损失以及小目标的丢失，使增强的效果降低。
在增强处理后对图像进行滤波，这时由于噪声在增强时变得显著，一般的滤波算法又不足以将其消除。
近年来，偏微分方程,在图像处理领域表现出色，不仅具有严谨的数学基础，而且将其与传统的图像处理技术结合起来，具有很好的发展前景。
在图像去噪上，能很好的保持边缘细节的同时取得较好的平滑效果。
廉价的并行方案。
这一功能主要是通过多个渲染管道和RGBA四个颜色通道同时计算来体现的，另外在一个时钟周期内可以同时获取2个或者更多幅纹理。
并且具有多组的顶点流水线和像素流水线。
高密集度的运算。
由于图形卡内部的内存接口位宽大于CPU上的位宽，如GeForce9800GT的内存位宽256位，显然高于CPU上32位的位宽，这样整个计算的带宽大大提高。
作为处理器缓存，512M的显存容量也远远大于CPU上2M的一级缓存。
高带宽。
GPU与显存之间的带宽达到了57.6GB/S，和CPU之间通过PCI-E传输数据,这些优势使得GPU比CPU更适合于流处理计算，可以用于处理大规模数据集，使得应用得到加速。
另外，实时绘制语言的出现更加快了GPU在通用计算上的应用，如Cg1、HLSL1^以及计算统一设备架构（CUDA）1^1等，使得人们更容易编程实现这些运算。
在视觉模拟方面，Li等人采用LBM来模拟流体和烟的效果。
通过将粒子包合成纹理，将Boltzmann方程组映射到光栅化和帧缓冲操作上。
Kruger等人利用GPU进行共轭梯度求解，对Navier-Stokes流体动力学进行模拟，并且成功的实现了交互式的2D水面波动模拟。
在机器视觉方面，特征点检测和匹配一直是最关键和最耗时的部分。
Heymann等人M在GPU上实现Sift特征检测，大大缩减了Sift特征检测的时间消耗。
近来，Cornelis等人m又成功的应用GPU实现了Surf特征点检测。
Sugita等人利用GPU实现图像滤波和立体匹配。
Zach等人利用GPU加速KLT特征点跟踪。
GPU在特征点检测和特征点匹配上都表现优越。
近年来，利用GPU做图像处理方面的计算成为研究者研究的热点，Moreland等人—利用GPU实现了快速傅立叶变换，大大提高了傅立叶变换的效率。
王剑清等人在GPU上实现了完整的小波变换。
Colanton等人—利用GPU图像滤波及色彩变换。
彭韬等人利用GPU求解泊松方程，实现图像高动态范围压缩_。
GPU在图像处理领域的潜力渐渐表现出来。
论文概述
本文主要研究了图像自动增强系统，改进了基于锐度函数的图像质量评价算法、提出了多尺度的对数图像增强算法以及改进了图像去雾算法，并且设计了基于GPU的并行图像质量评价和图像增强算法，利用GPU的并行计算能力，实现了自动选择增强算法的实时图像增强系统。
主要研究工作和成果如下：
研究了具有人眼视觉特性的客观无参考图像质量评价准则问题，考虑人眼主要对图像的局部反差和图像的边缘信息较为敏感的特点，改进了点锐度和边缘锐度评价准则，提出了基于点锐度和边缘锐度函数的质量评价算法，该质量评价算法结合了基于点锐度函数和改进的基于边缘锐度函数的图像质量评价方法的优点，能够准确的反映图像的局部反差信息和边缘信息，并且具有与内容无关性的特点，对图像类型的判断具有较强的指导性。
本文改进了基于全局信息的图像增强算法，提高了算法的效果和实时性；提出了一种新的多尺度对数Lee图像增强算法，该算法能够实现自适应图像动态范围调整、增加图像对比度和提高图像视觉质量；在此基础上，我们将该算法与局部受限的直方图均衡化结合形成了改进的图像去雾算法，使得增强算法对图像中的小目标增强效果更加明显。
研究并实现了基于GPU的图像增强并行算法，利用GPU的向量处理、并行处理特性，使用渲染到纹理等技术，设计、实现了基于GPU的图像质量评价和图像增强并行算法。
本文提出的多尺度Lee图像增强算法，在GPU上计算的效率可以达到CPU处理的3倍。
对于PAL制式的视频数据，我们设计的图像自动增强系统能够对其进行实时的自动增强处理，保证了系统的实时性。
第一章，绪论。
主要阐述了课题背景及意义，综述图像增强技术发展现状和存在技术难点，并简要介绍了本文的主要研究工作和成果以及本文的结构。
第二章，图像质量评价。
分析了常规的质量评价方法，同时改进了基于点锐度和边缘锐度的图像质量评价方法。
第三章，图像增强算法。
介绍了通常的图像增强方法，提出了多尺度对数Lee增强算法，以及结合自适应受限直方图均衡和多尺度对数Lee算法的增强方法，并且设计、并实现了适合GPU处理的偏微分方程滤波算法。
第四章，并行计算研究。
介绍了GPU的结构和编程模型，重点研究了图像并行处理特点和GPU并行处理特点的结合，分析了图像处理算法对GPU并行处理的需求。
第五章，基于GPU的图像并行质量评价和图像增强算法。
介绍了GPU的并行计算流水线，构建了基于GPU的图像处理框架，利用GPU的并行处理特点设计、并实现了图像质量评价和图像增强的并行算法，实现了实时的图像自动增强系统。
图像质量评价
图像自动增强系统的目的是对降质的图像进行质量改善，以适合人眼观察或者机器识别系统处理。
在实际应用中，我们采集到的图像随环境和场景变化而变化，图像的质量既有可能很好也有可能很差。
对于质量较好的图像，无需对其做任何增强处理，而对于降质图像，由于降质原因的不同，我们需要有针对性地选择合适的图像增强算法对其进行增强处理，如何自动判别图像质量好坏、图像降质类型具有重要意义。
本章重点研究了客观无参考图像质量评价方法。
提出了基于点锐度和边缘锐度函数的质量评价算法，该算法能够很好地降低了噪声对图像质量评价的影响，准确地反映图像局部反差信息和边缘信息，图像质量评价结果准确度更高，鲁棒性更强。
客观无参考图像质量评价
针对我们的实际应用背景，我们需要对采集到的序列图像进行自动图像增强，通过图像质量评价决定是否需要进行图像增强，或选择合适的增强算法，达到增强效果和算法实时性的最优化。
在实际应用中，由于场景的随意性，我们不可能建立场景的参考图像，很多情况下都无法或者较难获得参考图像进行对比，因此我们需要采用无参考的图像质量评价。
无参考图像质量评价，也称为“盲评估”,尽管实现起来非常困难，但是应用领域的需求还是吸引了众多学者的关注。
由于目前尚未能充分理解视觉心理、生理特性，因此通常的做法是先将影响图像质量的因素分解，为某类降质或应用建立模型。
建立图像质量评价指标必须满足下列准则
预测的准确性。
预测的单调性。
预测的一致性。
一个好的评价指标应该能够准确、正确地反映图像质量。
目前，国内外对图像清晰度评价函数的构造有大量的研究，常用的方法有：
灰度梯度函数、频域函数、信息学函数和统计函数^J等。
基于灰度梯度特征的图像清晰度评价方法主要利用对图像灰度的各种处理方法来表征图像清晰度。
在图像处理中，梯度函数常被用来提取图像的边缘信息，对细节程度高的图像，也即具有更尖锐的边缘的图像，应有更大的梯度函数值，常用的梯度函数有绝对方差函数、Roberts梯度函数、梯度相邻模方函数、梯度向量平方函数、Brenner函数、Lapladan函数、Tenengrad函数和Variance函数等等。
频域函数评价方法以傅立叶变换为基础。
高清晰度图像的主要特征是具有清晰的边缘和丰富的图像细节，而边缘的细节对应于图像傅立叶变换的高频分量，图像清晰度低的图像体现在高频分量的衰减。
在信息学函数评价方法中，由于熵是从信息论角度反映图像信息丰富程度的一种度量方式，因此根据香农信息论原理，熵最大时信息量最多。
信息熵具有如下特点：
①当图像中的像素在各个灰度级均匀分布，即各个灰度级出现的频率均为1/L时，熵具有最大值。
此时图像的信息论最丰富，灰度分布最均匀，层次最多。
②当图像中的所有像素只有某一灰度级，而没有其他灰度级时，熵具有最小值0，此时图像实际上无信息。
③图像中灰度级减少时，熵也减少。
从以上几类评价方法可看出，他们都是通过客观的评价指标定量地得到图像清晰度与图像像素值之间的关系，这些指标能够在一定程度上反映图像的质量，但是不足之处在于这些评价准则过多的依赖每一个像素，或者像素的梯度，没有考虑当前像素与更大的局部范围内像素之间的关系，而且忽略了人眼的视觉特性。
我们通过加强分析像素与邻域像素之间的相互关系以及结合人眼的视觉特性，对基于点锐度和边缘锐度的图像质量评价算法进行改进，使得图像质量的评价更为准确，更符合基于锐度函数的客观无参考图像质量评价
人眼观察图像时，往往对边缘、反差、噪点较为敏感，因此我们在设计评价准则时要对图像中的这些特征特别关注。
点锐度质量评价算法注重像素点与邻域中像素的反差，能够很好的反映图像中的局部细节程度，但是该算法中噪点对评价准则影响大，特别是对含有类似椒盐噪声的图像质量评估失真较大。
为此，我们先对图像进行中值滤波，减小噪声对图像质量评价结果的影响。
边缘锐度质量评价算法注重边缘的变化率，对图像中的边缘信息评估较为准确，但是该算法通过统计图像某一边缘法向方向的灰度变化情况来进行评价，我们通过寻找边缘梯度下降边界来对其改进，使得该算法对边缘的变化率计算具有更强的抗干扰性。
最后我们采取基于点锐度和边缘锐度的相结合的评价准则，充分的利用局部反差、边缘信息来表征图像的质量，增强评价算法的准确性，同时提高算法的抗干扰性。
点锐度函数是通过图像的梯度特征信息而定量得出图像质量与图像像素值之间的关系。
对于细节程度高的图像，图像的梯度大，因此点锐度增大，图像质量评价的分数高。
但是，在实际应用中，图像往往会存在噪声干扰，基于梯度特征的点锐度函数受椒盐噪声等影响剧烈，带有噪声的图像往往具有较高的图像质量评价分数。
事实上，带有噪声的图像属于质量较差的图像。
为了降低点锐度函数的噪声敏感性，我们对图像先进行中值滤波预处理，对滤波后的图像进行基于点锐度的图像质量评价。
该方法能够保留点锐度函数准确描述细节信息的特点，同时很好地降低噪声对图像质量评价的影响，使我们的评价准则更具有准确性。
由图像和评价结果可以看出，基于点锐度函数的图像质量评价结果确实能够准确的反映图像的细节程度，基本上能够判定图像是否降质，由大量数据统计观察，我们基本上可以认为基于点锐度函数的图像质量评价分数低于30的图像基本上存在降质。
但是对于图像中存在部分平坦的区域，这种评价准则就会存在失真。
此外，仅仅根据基于点锐度函数的图像质量评价很难确定图像的降质属于哪种类型的降质，因此，我们有必要对基于点锐度函数的图像质量评价进行补充。
图像中的细节信息一方面表现在图像的局部反差上，另一方面就表现在图像中的边缘上。
基于点锐度的图像质量评价能够很好地根据图像中的细节信息来评价图像的质量，但是，该算法对于图像中的雨雾噪声非常敏感，以致评估标准鲁棒性不高。
图像的边缘往往受噪声影响较小，而且不受图像的内容影响。
文献中采用寻找梯度下降的极值作为边缘扩散的端点，并且使用图像中最大的边缘锐度来表征图像质量。
这种方法首先在计算极值时容易陷入局部的极值，而不是真正意义上的极值点，如果边缘扩展的方向上，图像的灰度具有曲折的变化，那么，该算法将会产生较大偏差。
此外，使用图像中的边缘锐度最大值作为图像质量评价指标会因图像中某个尖锐边缘使评价失真。
为了克服这一问题，我们通过以下方法对其改进。
（1）边缘扩散端点的计算。
我们计算边缘处图像的梯度值，并且计算边缘法向方向上的梯度值，在法向方向上寻找梯度下降到边缘处梯度的90%的像素点，作为边缘扩散的
端点。
这样就可以避免寻找到法向方向上梯度值大于边缘处梯度值10%的像素点的局部最小值。
从而提高了边缘扩散端点计算的准确性。
如图2.6所示。
（2）边缘锐度的统计。
扩散对图像中的所有边缘进行计算，我们选择所有边缘处的尖锐度的均值作为图像质量的评价指标。
对于图像中的噪声，一般边缘尖锐程度不大，而我们通过统计所有边缘处尖锐程度的均值这一方法使得噪声的存在会降低整个图像边缘锐度，所以该算法对噪声具有很强的鲁棒性。
改进后的评价算法能够准确的评估图像的边缘尖锐程度，该算法不依赖于图像的内容，对于图像中有大面积背景区域的评价比基于点锐度的评价方法准确。
此外，该算法对于每个像素处理具有极高的独立性，包括Canny边缘检测，都是可以利用GPU并行实现，算法在GPU上实现具有极高的效率。
由图像和评价结果可以看出，清晰的图像比降质的图像具有更大的边缘锐度。
由不同的图像观察比较可以看出，光照不均匀引起的图像部分区域过饱和对图像的质量影响不大，雾对于图像的质量影响就相对较大，而边缘模糊，如离焦、运动模糊对图像的边
升级会员 