主页（http://www.pttcn.net）：安防监控系统的图像质量检测 【中国集群通信网】随着市场的发展，技术的进步，IP Camera的性能也逐步提升，其优势是家喻户晓。如何有效的检测IP Camera的最终图像质量效果呢?目前对图像质量的检测分两类：主观评价和客观评价。 主观评价方面，大家可以参考ITU-RBT.500-7标准所定义的两种主观评价方法。 1、双刺激连续质量分级法 测试方法： ·将待评估的影像和相应的参考影像交替播放给评估者看，每个影像持续时间为10s; ·每个相同的影像片段之后有2秒的灰画面间隔，评估者可在此期间打分。当所有测试影像片段进行评测完毕后，对所得数据进行平均运算，这个平均值作为该影像的评价分。 2、单刺激连续质量评价方法 测试方法： ·将待评估的影像播放给评估者看; ·评估者评价时间约30秒，在此其间由评估者根据自己的判断给出影像的评价分。 客观评价方面，ITU-RVQEG提出了一些评价方法，其中有：峰值信噪比(PSNR)和均方差(MSE)。这些方法主要是用作图像压缩等领域中信号重建质量的测量方法以及噪音评价。如MediaOptimacy软件在此方面的评测较为齐全，它具有对影像的图像跳跃、块效应、模糊度等方面进行评价。
在色彩还原，白平衡，自动曝光收敛性能，图像均匀性，动态范围，分辨率等图像质量方面测试又该如何进行评测呢? 1、色彩还原方面 ·测试图：采用GretagMacbeth 的ColorChecker card或DNP的Color bar; ·测试方法：在标准光源箱，对测试图进行摄影; ·评价方法：在Lab表色系统里，使用色差计算公式 dE =( dL^2 + da^2 + db^2 )^(1/2) 计算出每个实际色块与标准色块的差距，以此值判断色彩的偏差。 其中， dE：表示色差，该数值越大，表明色彩偏差越大; dL：亮度差，即待测色块与标准色块之间的亮度差; da,db：色度差，既待测色块与标准色块之间在Lab表色系统里的ab坐标系统的色度差。
2、白平衡方面 ·原理：我们知道当U和V为0的时候，只有亮度信号，即不存在色偏问题。利用该原理与RGB转换YUV公式可以推导出U=V=0时，R=G=B，既R/G = B/G = 1; ·测试图：使用GretagMacbeth的ColorChecker中的灰阶色块数据或DNP光箱; ·测试方法：对准上述测试图或光箱，进行摄影; ·评价方法：依据原理中所推导出的RG = R/G 和 BG = B/G公式进行计算，RG和BG越小越表明图像色偏小，白平衡越准确。 3、自动曝光收敛性能方面 ·测试设备：使用LSB-111可变色温光源箱设备，该设备可以提供光亮度在LV3-LV16@STEP:0.1Lv。因设备的极限，我们可以在LV3的环境下增加ND filter(Neutral density filter中性滤光片)，以此获取小于LV3的光亮度; ·测试方法：首先将IP Camera放在光源设备前，然后调整光源到指定LV;接着进行摄影。再接着分析当前影像上的亮度数值，并做记录，这样我们就可以得到一个环境亮度LV与影像亮度Y的表格。最后通过以下评价方式进行评价; ·评价方法：在YUV表色系统里，我们可以根据Y= 0.3×R+0.6G+0.1B的计算公式计算出每一帧图像的亮度。由此我们就可以获取到一个由环境亮度与图像亮度结合的数据表格。利用公式std = (∑(Y0-Yi)^2/∑)^(1/2)，其中Y0为所有图像亮度的平均值;Yi表示第i环境亮度所对应的图像亮度;求得图像亮度在环境亮度变化过程中std值，这个数值越小，表明曝光收敛性能越好。 4、图像亮度均匀性方面 ·测试设备：使用DNP光箱; ·测试方法：在DNP光箱处进行影像，并分析影像数据; ·评价方法：在YUV表色系统里，分析影像中每一帧的四角和正中央区域的亮度Y数据，其公式为Uniformity = min(Y1,Y2,Y3,Y4,Y0)/Y0×100%。 其中 Y0：图像中央区域平均亮度; Y1，Y2，Y3，Y4：图像四角亮度。 Uniformity这个数值越大，说明图像均匀性越好。 5、动态范围 ·测试图：参考Kodak Q-13 chart或ISO14524; ·测试方法：在标准光源箱内对准测试图进行摄影并做分析; ·评价方法：获取每帧图像内灰阶块的RGB数据并将数据转换到YUV表色系统里，这样我们就可以得相应的灰阶块亮度Y，接着对这些数据进行拟合运算，最后我们就可以得到一条灰阶块与亮度的关系曲线。这条曲线必须是递减曲线，不能出现倒置现象或出现异常的不平滑曲线。曲线内较为平缓的位置为灰阶无法识别位置，以此判断出可识别灰阶的数量，该数量越多越好。 6、分辨率方面 ·测试图：采用ISO12233或USAF1951; ·测试方法：在标准光源箱内对测试图进行摄影 ·评价方法：对每帧图像进行二值化运算，然后使用图像识别算法找出最小可以识别位置，并标志及获取相应的分辨率数据。该分辨率数值越高说明分辨率越好; 注意：分辨率不仅与传感器的像素大小有关系，还与镜头及滤光片有关系。所以在开发或测试初期，必须根据传感器的像素大小找到合适的镜头和OLPF(光学低通滤波器)。
以上的这些图像质量测评方法不仅适合低像素的IP Camera图像质量评价，也适合目前百万像素以上的图像质量评价，尤其是分辨率部分，它在百万像素的图像质量评价上起到非常重要的作用。这些评测方法的应用比目前业界内普遍使用的比对法更为科学性和合理性。如可配合现在市场上流行的图像分析软件进行量化分析，则工作上更加方便，也提高测评软件开发速度。比如Imatest软件，它是行业的佼佼者，它涵盖了色彩还原、白平衡、动态范围、均匀性、MTF、SQF、SFR 、杂讯等测试，但目前Imatest只能对静态图像进行分析，所以需要用户使用其提供SDK进行二次开发，对影像中每一帧的数据进行分析评价。 通过以上的评价方法，我们可以得到很多主观和客观的评价数据，那么如何整合这些数据并对图像质量水平进行一个综合性评价呢?根据现在众多大学的研究和实际操作情况来看，借助模糊数学中的模糊综合评价模型，是一个非常科学的，合理的综合评价方法。该方法的引入，能够准确判断出目前图像质量水平。这个综合性评价方法也为工程师们提供了一个调试图像质量的方向，缩短了产品研究及开发周期，其产品更能赢得市场欢迎。
|
