一种基于倒谱的人脸图像清晰度评价方法
杨飞苏剑波
1 引言
人脸识别由于其非接触式、基本无须配合和操作隐蔽性强等优势，被认为是一种可广泛使用的生物特征识别技术，长期以来一直受到学术界和产业界的广泛关注[1-4]。然而，也正因为追求“无须配合”的实施效果，导致了人脸图像采集的随意性，图像之间差异较大、图像质量参差不齐的情况。采用低质量的人脸图像进行人脸识别，必然会导致识别准确率的下降[2, 4]。而长期以来，人脸识别的研究大都是基于预先准备好的图像质量一般较高的人脸库的，这与现实应用情况有很大的不同。因此尽管实验测试中的人脸识别准确率已经相当之高，然而在实际应用中的表现却并不尽如人意。为此，近年来有不少研究者开始着手于研究对各种不同质量人脸图像足够鲁棒的人脸识别技术，目前虽已取得了很大的进展，但离实用仍有一些差距。一方面，由于处理低质量图像而被引入的额外手段往往十分复杂，会大大增加人脸识别系统的复杂度，使得人脸识别耗费时间更长――这对于多数实际应用是不可接受的；另一方面，不受图像样本因素影响的人脸识别算法是难以获得的。因此，我们必须研究新的解决方法。
在基于视频流的自动人脸识别应用中，获得的人脸图像数量通常较多，如果对人脸图像样本进行质量评价，筛选较为合适的样本用于识别，这无疑会提高自动人脸识别系统的准确率；即使样本数目有限，也可以依据质量评价结果来选用相应的图像预处理方法来提高识别率。另外，根据人脸图像的质量情况来调整分类器的阈值或其它参数能有效地降低错误拒绝率(FRR)或错误接受率(FAR)，亦可提高人脸识别的实用性能。可见，在自动人脸识别系统中引入人脸图像质量评价环节是一条推动人脸识别实用化的重要途径。因此，近几年来人脸图像的质量评价逐渐引起了人们的关注，关于图像质量评价的评价框架和相关指标的研究工作也已有一些公开报道[2-4]，但关于人脸图像质量评价方法的研究目前还并不充分，人们往往是直接借用传统的图像质量评价方法。本文的研究表明，现有方法并不一定适用于自动人脸识别这个特别领域中的人脸图像质量评价，其评价结果与实际情况可能存在一定差距。本文接下来将以清晰度这一重要的人脸图像质量评价指标为例进行详细说明，并提出一种比传统评价方法更适合于自动人脸识别的清晰度评价方法。最后，通过对同一组人脸图像进行清晰度评价实验，将其与传统清晰度评价方法进行对比，以验证本文方法的准确性要高于传统方法。另外，还在真实环境下通过人脸识别实验来验证本文提出的清晰度评价方法在自动人脸识别中的作用及其适用性。
2自动人脸识别中的清晰度评价
在基于视频流的自动人脸识别应用中，自动检测采集到的人脸图像不清晰的情况时有发生。不清晰的人脸图像不但会影响人脸识别的准确率，而且还会影响对譬如人脸姿态等其它图像质量指标的评价[2,4]，故本文将清晰度选作研究对象。影响人脸图像清晰度的原因主要有图像模糊和采集噪声干扰。忽略采集噪声，摄像机对焦失准或拍摄瞬间人脸沿摄像机光轴方向快速运动会造成离焦模糊，拍摄瞬间人脸垂直于摄像机光轴方向快速运动会造成运动模糊，实际上这两种模糊经常是并存的。传统的图像质量评价往往是考察经过计算压缩、传输、增强或其他处理变换后的图像与原始图像质量上的差别，在评价时通常有“标准图像”可供参照[5]。因此，无论是具有计算简单优点而被广泛使用的均方差(MSE)和峰值信噪比(PSNR)方法，还是更符合人眼视觉系统(HVS)特性的结构相似度(SSIM)方法[6]或基于自然场景统计(NSS)的视觉信息逼真度(VIF)方法[7]，由于必须得通过将变换后的图像与标准图像进行比较来做出质量评价，故皆不适合作为自动人脸识别中的人脸图像清晰度评价方法。另一方面，无需参考图像的图像质量评价方法相对较少，且主要用于图像盲恢复参数的辨识（如对点扩散函数PSF的估计等），其中的特征提取过程较为复杂，计算耗时长，故难以满足自动人脸识别系统的时间要求。于是，研究者们提出了
通过衡量图像梯度统计信息[2]或高频部分能量[3]来评价人脸图像清晰度的方法。这两种方法虽然无需参考图像，而且简单快速，但是其实并不可靠。这是因为不同人的面部差异通常较大，再加上眼镜的佩戴，使得人脸图像的边缘信息差异更大；而且，运动模糊图像的边缘不是在所有方向都是模糊的，与运动方向垂直的方向上的边缘并没有发生退化，而且运动模糊还会产生新的锐利边缘（例如一个亮点可能在运动模糊后形成一条线），所以不能完全依据边缘信息来判断图像模糊程度。鉴于上述原因，本文提出了一种新的基于倒谱(cepstrum)域分析的清晰度评价方法。
3 人脸图像清晰度评价方法
倒谱理论自从1963年被提出后[8]，在雷达、地震波、超声波和语音信号分析等领域得到了应用，后来又作为一种盲去卷积方法被应用于图像恢复的参数辨识中[9]。如果能准确地辨识出模糊图像的点扩散函数的参数，即能评价出图像的模糊程度。但实际上，在倒谱图中很难清楚地辨识出点扩散函数的特征；而且通常情况下不能预知模糊的类型，辨识点扩散函数的参数往往需要对倒谱图进行预处理，其过程也是比较复杂并且费时的[10]。为了避免这些问题，本文提出了一种新的清晰度评价方法，不通过辨识点扩散函数的参数而是采取直接统计倒谱图中的高能量亮点的方法来估计图像清晰度。因为本文只研究人脸图像的清晰度评价，暂不考虑对模糊人脸图像进行复原，所以无须区分模糊类型或辨识出点扩散函数的参数。采用这种方法不仅避免了模糊参数难以辨识的问题，而且使算法得以大大简化，提高了清晰度评价速度，下面给出详细说明。
首先，图像的降质过程可用下面的数学模型来近似描述[10]：
g (x , y ) = f (x , y ) * h (x , y ) + n (x , y ) , (1)
其中f (x , y )为输入清晰图像，h (x ,y )为点扩散函数, n (x ,y )为加性噪声。在这个模型里，输出降质图像g (x ,y )被表示为f (x ,y )与h (x ,y )的卷积再加上n (x ,y )。忽略噪声的影响，式(1)可写为：
g (x , y ) = f (x , y ) * h (x , y ) . (2)
不失一般性，考察匀速直线运动产生的运动模糊，拍摄瞬间物体相对镜头的位移大小为d ，运动方向与水平轴的夹角为θ，则由其导致的点扩散函数为：
?????≤+==elsewhere
d y x x y d y x h 02/,tan 1),(22θ . (3) 另外，由几何光学分析可知，一个散焦半径为R 的点扩散函数可描述为：
?????≤+=elsewhere
R y x R y x h 01),(222
π . (4) 于是，通过式(2)－(4)，用一张清晰图像可分别人工模拟出其不同程度的运动模糊和离焦模糊效果。
对于一幅大小为M × N 的灰度图像g (x, y )，它的傅立叶变换为：
G (u, v ) = F {g (x, y )}， (5)
则其倒谱域变换定义为[9]：
Cep {I (x, y )} = F -1{log |G (u, v )|}, (6)
式中F {·}和F -1{·}分别表示傅立叶变换和反傅立叶变换，|?|表示求复数模。由式(2)、(6)可得
Cep {g (x, y )} = Cep {f (x, y )} + Cep {h (x, y )}. (7)
由此可见，倒谱域变换的一个重要性质是：在倒谱域内，模糊图像的倒谱可分解为清晰图像的倒谱和点
扩散函数的倒谱的性线叠加。另外，由于倒谱域变换要进行对数计算，所以在倒谱域内，信号衰减特别快。清晰的人脸图像经过倒谱域变换后，图像衰减很快，几乎只集中在中心点附近很小的区域内，经二值化处理后如图1(a)所示。而运动模糊图像和离焦模糊图像由于叠加了点扩散函数，它们的二值化倒谱图中的高能量亮点散布在整幅图中，分别如图1(b)、(c)所示。
(a) (b) (c)
图1 三幅不同质量的人脸图像及其对应的二值化倒谱图，(a)清晰图像；(b)运动模糊图像；(c)离焦模糊图像 Fig. 1 Three face images of different quality and their corresponding binary cepstrum maps (a)the clear image; (b)the motion
blurred image; (c)the defocused image
二值化倒谱域中亮点的平均能量E 可定义为：
),(),(111j i C j i W N M E M i N
j ??=∑∑==， (8)
式中权值W (i , j )定义为点(i , j )到中心点(i c , j c )的距离，C (i , j )定义为点(i , j )的二值化实倒谱值：
22)()(),(c c j j i i j i W -+-=, (9)
???<≥=T
j i Cep T j i Cep j i C ),(0),(1),(， (10) 其中，Cep (i , j )为点(i , j )的倒谱值，T 为选取的二值化阈值。对同一幅待评价图像来说，当T 值增大时，E 值减小。当T 值保持不变时，图像越模糊，E 值越大。通过预先设定好E 0值（E 0根据经验一般可取0.01左右），再采用二分法在(0,1)区间内搜索T ，使通过式(8)算得的E 满足E ＜E 0，并且规定图像清晰度评价函数为：
%100)1(?-=T Score . (11)
由此可见，本文提出的倒谱域清晰度评价方法具有算法简单，限制条件少的优点。倒谱变换中的大部分计算量由傅立叶变换和反傅立叶变换产生，采用快速傅立叶变换(FFT)方法可大大减少计算时间。如果人脸图像比较大，为了减少评价时间，可缩小评价区域，截取部分区域进行上述计算。此外，降低评价精度将减少搜索次数，也能减少清晰度评价时间。
4 实 验
为了考察上述清晰度评价方法，首先我们随机选取FERET 人脸库[11]中的1196张正面人脸图像，截取面部区域作为实验样本，并假设这些原始图像都是清晰的图像。然后，按照降质模型(2)－(4)分别用d = 5, 10, 20的水平运动模糊点扩散函数和R = 3, 6, 12的离焦模糊点扩散函数对每一张原始图像进行人工模糊，以模拟真实环境中产生的不同程度的模糊图像。原始图像及其对应的两种人工模糊后的图像示例样本如图2所示。第一列为原始图像样本，第一行从第二列到第四列分别为点扩散函数参数d = 5, 10, 20
时对应的水平运动模糊图像，第二行从第二列到第四列分别为点扩散函数参数R = 3, 6, 12时对应的离焦模糊图像，可以看出图像从左至右逐渐变模糊。
图2 FERET 人脸库中的人脸样本及其经模糊处理后的图像
Fig. 2 One face sample from the FERET face database and its blurred images
分别采用文献[2]和[3]中的两种清晰度评价方法以及本文提出的方法来评价这些图像，实验结果统计分别如图3、图4和图5所示。在图3和图4中，为了曲线区别显示清晰，只选取了清晰图像和d = 10，R = 6的模糊图像这三组数据作为代表分别给出统计曲线；横坐标为计算每幅图像所得的锐度值(sharpness)，纵坐标为锐度值落在横轴某一区间内的图像的数目。显而易见，与图5相比，图3和图4中的清晰图像和模糊图像的锐度值都较为集中，通过锐度值来评价图像清晰度不比图5中的T 值准确。图5中绝大多数清晰图像的T 值小于0.2，且当图像越模糊时，T 值越大，因此可通过求T 值来评估图像清晰度。通过此实验证明了文献[2]和[3]中的方法不如本文提出的方法准确，因此都不适合用于人脸图像的清晰度评价。除此之外，还需要验证本文提出的清晰度评价方法能满足自动人脸识别中的其它要求，下面给出了主要实验过程和实验结果。
图
3
采用文献[2]中方法计算所得锐度值分布图
Fig. 3 The distribution of the values of Sharpness computed by the method in Ref. [2]
0 0.01 0.02 0.03 0.04
0.05
0 20
40
60 80 100
The values of sharpness F r e q u e n c y Clear Motion blurred Defocused
图4采用文献[3]中方法计算所得锐度值分布图
Fig. 4 The distribution of the values of Sharpness computed by the method in Ref. [3]
图5采用本文提出的方法计算所得T值分布图
Fig. 5 The distribution of the values of T computed by our method
将本文提出的清晰度评价方法作为人脸图像预处理模块整合到自动人脸识别系统中，在现实环境下进行人脸识别实验。我们的实验平台为运行Windows XP操作系统的PC机，主要配置为：Pentium IV 1.8G 处理器，256MB DDR内存。我们使用Logitech TM QuickCam Pro9000网络摄像头在自行开发的人脸识别软件下采集人脸图像，所有实验程序都是在Visual C++ 6.0编程环境下编程实现的。为了生成自动人脸识别系统在真实应用环境下可能采集到的各种质量的人脸图像，分别通过人头的静止和晃动来获得清晰和运动模糊人脸图像，通过调节摄像头焦距来获得离焦人脸图像，图1中第一行的三张图像即为真实环境下采集到的清晰图像、运动模糊图像和离焦模糊图像。采集到的人脸图像都为正面人脸图像，由人脸识别系统中基于AdaBoost算法的人脸采集模块自动检测并截取生成。经过筛选使得到的人脸图像大小都在128×128以上，大部分人脸图像的大小分布在144×144附近。采用本文提出的清晰度评价方法对满足尺寸要求的每一幅人脸图像计算其清晰度Score值，按100% > Score≥ 80%，80% > Score≥ 60%，60% > Score ≥ 20%和20% > Score > 0这四个级别对采集到的人脸图像进行分组存放。经统计得到，本实验中对一幅人脸图像的清晰度进行评价分级的平均时间约为28ms，可见评价速度很快，对自动人脸识别系统的整体识别时间影响很小。
采用上面的方法对13个人进行人脸图像采集，一共采集到1957幅人脸图像，并保证每个人在每一个清晰度级别的图像数目至少在15幅以上。对每个人选取其中Score值最高的前5幅作为训练样本，如此也得到65个训练样本，该过程由程序自动完成。接着，从每一个级别的人脸图像中对每个人随机挑选出5幅人脸图像作为测试样本，一共得到4组测试样本，每组样本含有65幅人脸图像。接着对挑选
出来的测试样本进行人脸识别实验，人脸识别算法采用Eigenface[12]和GFC[13]这两种算法，识别结果如表1所示。由表1可见，用本文提出的清晰度评价方法对测试样本进行评价，评价中得分较高的测试样本的总体识别率要高于得分较低的测试样本，因此该清晰度评价分数对人脸样本的识别率具有一定的预测性。在自动人脸识别系统中，注册的人脸图像一般都能保证较高的图像质量，因此本实验中选取质量较高的人脸图像作为训练样本。通过此实验可间接说明，采用本文提出的清晰度评价方法对登录的人脸图像进行评价，自动选取清晰度较高的人脸图像进行登录，或者对登录过程给出反馈信息以提示登录者稍加配合，都能有效地提高自动人脸识别系统的识别率。
表1不同质量的人脸图像的识别率
Tab. 1 Recognition rates on face images of different quality
图像质量级别Eigenface识别率GFC识别率
100% > Score ≥ 80% 80% > Score ≥ 60% 60% > Score ≥ 20% 20% > Score > 0 87.7 %
81.5 %
49.2 %
16.9 %
96.9 %
92.3 %
63.1 %
23.1 %
5 结论
本文根据自动人脸识别的特点和要求，对人脸图像质量评价的意义进行了说明，并对其中的图像清晰度评价指标给出了新的定量评价方法。实验结果表明，所提出的评价方法相比传统方法更为准确，而且能有效地提高自动人脸识别系统的识别率，适合作为人脸图像质量评价手段应用于自动人脸识别中。
参考文献：
[1] WANG Guo-qiang, OU Zong-ying, WANG Hai-yan, et al. Discriminant neighborhood embedding for face
recognition[J]. Journal of Optoelectronics · Laser(光电子·激光), 2008, 19(5): 700-703 (in Chinese). [2] Gao X F, Li S Z, Liu R, et al. Standardization of face image sample quality[J]. Lecture Notes in Computer
Science, 2007, 4642: 242-251.
[3] Weber F. Some quality measures for face images and their relationship to recognition performance[EB/OL].
https://www.doczj.com/doc/5d17223678.html,/iad/894.03/quality/workshop/proc/weber_bqw.pdf: Cognitec Systems GmbH Technique Report, 2006.
[4] Hsu R V, Shah J, Martin B. Quality assessment of facial images[C]. Biometric Consortium Conference 2006
Biometrics Symposium: Special Session on Research at the, Baltimore, Maryland, United States: 2006: 1-6.
[5] Wang Z, Bovik A C, Lu L. Why is image quality assessment so difficult[C]. IEEE International Conference
on Acoustics, Speech & Signal Processing. Orlando, Florida, United States: 2002, 4(4): 3313-3316.
[6] Wang Z, Bovik A C, Sheikh H R, et al. Image quality assessment: from error visibility to structural
similarity[J]. IEEE Trans. on Image Processing, 2004, 13(4): 600-612.
[7] Sheikh H R, Bovik A C, Cormack L. No-reference quality assessment using natural scene statistics:
JPEG2000[J]. IEEE Trans. on Image Processing, 2005, 14(11): 1918-1927.
[8] Bogert B P, Healy M J R, Tukey J W. The quefrency alanysis of time series for echoes: cepstrum,
pseudo-autocovariance, cross-cepstrum, and saphe cracking[J]. Time Series Analysis, 1963, (15): 209-243.
[9] Cannon M. Blind deconvolution of spatially invariant image blurs with phase[J]. IEEE Trans. on Acoustics,
Speech, and Signal Processing, 1976, 24(1): 58-63.
[10] Tanaka M, Yoneji K, Okutomi M. Motion blur parameter identification from a linearly blurred image[C].
Digest of Technical Papers of IEEE International Conference on Consumer Electronics. 2007: 1-2.
[11] Phillips P J, Moon H, Rizvi S A, et al. The FERET evaluation methodology for face-recognition
algorithms[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2000, 22(10): 1090-1104.
[12] Turk M, Pentland A. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience, 1991, 36(1): 71-86.
[13] Liu C J, Wechsler H. Gabor feature based classification using the enhanced fisher linear discriminant
model for face recognition[J]. IEEE Trans. on Image Processing, 2002, 11(4): 467-476.
作者简介：
杨飞，博士，上海洪剑智能科技有限公司人脸识别研究室研发人员。
苏剑波，博士，上海交通大学自动化系教授，IEEE高级会员，IEEE机器人与自动化分会网络机器人技术委员会委员，IEEE Transaction on System, Man, and Cybernetics(Part B)、International Journal of Social Robotics编委，中国自动化学会理事，青年工作委员会主任委员，智能自动化专业委员会委员，机器人专业委员会委员，中国人工智能学会自然计算与数字智能城市专业委员会委员。
评价B超诊断图像质量 的指标综述 集团公司文件内部编码：（TTT-UUTT-MMYB-URTTY-ITTLTY-
评价B超诊断图像质量的指标综述 [摘要]医学超声诊断仪在临床上用于疾患和计划生育已得到了肯定，并广泛应用。正因为如此，它的图像质量问题涉及到人类的生命健康及生命繁衍。如何提高图像质量，尽可能获取真实丰富的人体信息，便成为该领域内科学研究和技术攻关的焦点。而影响图像质量的指标就是其中至关重要的环节。本文对这些技术参数进行了分析和描述。 [关键词]B超伪像图像质量分辨率探测深度盲区 1B超 B超成像的基本原理就是：向人体发射一组超声波,按一定的方向进行扫描。根据监测其回声的延迟时间,强弱就可以判断脏器的距离及性质。经过电子电路和计算机的处理,形成了我们今天的B超图像。B超的关键部件就是我们所说的超声探头(probe),其内部有一组超声换能器,是由一组具有压电效应的特殊晶体制成。这种压电晶体具有特殊的性质,就是在晶体特定方向上加上电压,晶体会发生形变,反过来当晶体发生形变时,对应方向上就会产生电压,实现了电信号与超声波的转换。 2.伪像 B超成像过程中形成的伪像包括混响伪像，声像图伪像，镜面伪像 （mirror?artifacts），旁瓣伪像，切片厚度伪像等。 2.1混响伪像：是指超声垂直照射到平整的界面如胸壁、腹壁上，超声波在探头和界面之间来回反射，所引起的多次反射。混响的形态呈等距离多条回声，回声强度依深度递减。 2.2声像图伪像：是指超声显示的断层图像与其相应的客观的解剖断面之间存在的差异。 2.3镜面伪像（mirror?artifacts）：遇到深部的界面，即声阻抗差异较大的平整大界面时，在近侧的结构同时在图像的该界面另一侧出现的伪像。当肋缘下向上扫查右肝和横膈时，声束遇到膈-肺界面而发生全反射和镜面伪像。膈下出现肝实质回声（实象），膈上
[汇集]放射科图像质量评价记录 放射科图像质量评价结果汇总 汇总季度:2011年第四季度 汇总时间:2011年1月2日 汇总人员:孙万龙 汇总结果; 本季度共抽查CR照片45张，CT照片15张。 抽查结果: 1.其中1份CR照片有异物(纽扣)，1份CR照片有遮线器边影，1份CR片颗粒粗糙。 2.1份CR照片忘记填写患者的年龄。 3.1份CT片图像良好，但照片呈线状伪影，系激光打印机激光头粘附灰尘。 4.本次抽查结果为甲级片率为91%,无废片。 整改措施: 1.所有影像科技师应该树立高度责任心和职业感，在检查前详细地核查病人的资料，务必将这些资料填写完整、准确无误。 2.影像技师要加强业务学习，严格掌握技术操作规范，掌握机器的投照条件。 3.激光打印机、阅读器应有专人定期清洁维护，保持打印机和阅读器所在房间清洁，无关人员禁止入内，减少灰尘带入。 放射科图像质量评价结果汇总汇总季度:2012年第一季度 汇总时间:2012年4月4日 汇总人员:于清山 汇总结果;
本季度共抽查CR照片45张，CT照片15张。 抽查结果: 1.其中2份CR照片有异物(分别为拉链和内衣上的胶字)。 2.1份CR照片灰雾度过大，曝光过度. 3.1份CR片有伪影，系IP板污染。 4.CT片未查出问题，本次抽查结果为甲级片率为93%,无废片。整改措施: 1.所有影像科技师应该树立高度责任心和职业感，在检查前详细地核查病人身上有无异物，并耐心地说服病人摘除异物，取得病人的配合。 2.影像技师要加强业务学习，严格掌握技术操作规范，掌握机器的投照条件。 3.IP板暗盒影轻取轻放，竖立直放，避免碰撞、震动、跌落，远离放射源，避免强光照射，IP板应定期用脱脂棉及无水乙醇清洁。 放射科图像质量评价结果汇总汇总季度:2012年第二季度 汇总时间:2012年7月3日 汇总人员:郑和永 汇总结果; 本季度共抽查CR照片45张，CT照片15张。 抽查结果: 1.其中4份CR照片有异物(分别为文胸上的金属、拉链、内衣上的胶字和身上贴的膏药)。 2.1份CR照片灰雾度过大，曝光过度. 3.1份CT片图像良好，但照片呈线状伪影，系激光打印机激光头粘附灰尘。 4.本次抽查结果为甲级片率为90%,无废片。 整改措施:
图像质量评价标准图像质量评价标准 文件编号 : 秘密等级：发出部门 : 颁发日期 : 版本号 : 发送至： 抄送： 总页数： 附件： 主题词：图像质量评价 编制 : 审核 : 批准 : 文件分发清单 分发部门/人数量签收人签收日期分发部门/人数量签收人签收日期 文件更改历史 更改日期版本号更改原因
图像质量评价标准 目录 1.目的及适用范围 (3) 2.规范性参考文件 (3) 3.术语与定义： (3) 3.1 主观评价 (3) 3.2 测试图像 (3) 4.一般要求 (3) 4.1测试样品 (3) 4.2测试环境 (3) 4.3 图片的选择 (4) 4.4测试项目 (4) 4.4.1静态图片测试项目： (4) 4.4.2 动态视频测试项目： (4) 4.5 评价方法及等级等级 (5) 4.5.1评价方法描述 (5) 4.5.2 数据处理 (6) 5.测试项目及评价方法 (6) 5.1 完整性及几何失真测试图 (6) 5.2 清晰度测试 (7) 5.3 图像层次、灰阶测试 (9) 5.4 色彩饱和度测试 (10) 5.6 抖动及噪点测试 (14) 5.7图像暗场特性 (17) 5.8图像亮场特性 (18) 5.9 图像完整性及失真测试 (19) 5.10 RGB重合性测试 (19) 5.11 移动字幕处理能力测试 (20) 5.11视频显示流畅性测试： (21) 5.12运动图像帧速度测试 (21) 5.13运动图像同步性测试 (21) 5.14运动图像更新程度测试 (21) 6.附件：评价项目及表格 (22) 第2页共22页
1.目的及适用范围 标准规定了公司显示产品图像质量测试的静态图片及动态视频。 标准的目的是给出图像质量的评价、判断标准及方法。 标准适用于公司所有显示产品（DLP、LCD、IDB等）的设计、生产、调试评价的依据。 2.规范性参考文件 GB/T 9379-1988 电视广播接收机主观试验评价方法 GY/T 228 -2007 标准清晰度数字电视主观评价 3.术语与定义： 3.1 主观评价 subjective assessment 直接利用观察者对被测系统质量的主观反应来确定被测系统性能的一种方法 3.2 测试图像 test materials 用于公司显示产品图像质量评价的、在图像内容上有特定要求的静止图像或动态视频。 4.一般要求 4.1测试样品 测试样品（以下简称“样品”）应是在逐批检查的合格产品批次中随机抽取的合格品。 4.2测试环境 本标准的测试环境应使用经过确认的标准测试设备，标准测试设备是指正常工作状态下的显示单元及显示系统（显示系统需确认颜色一致、机械位置、光学性能参数等均已达到系统要求或客户使用要求）；标准的DVD播放机；标准的信号源；标准连接线缆。
一种基于倒谱的人脸图像清晰度评价方法 杨飞苏剑波 1 引言 人脸识别由于其非接触式、基本无须配合和操作隐蔽性强等优势，被认为是一种可广泛使用的生物特征识别技术，长期以来一直受到学术界和产业界的广泛关注[1-4]。然而，也正因为追求“无须配合”的实施效果，导致了人脸图像采集的随意性，图像之间差异较大、图像质量参差不齐的情况。采用低质量的人脸图像进行人脸识别，必然会导致识别准确率的下降[2, 4]。而长期以来，人脸识别的研究大都是基于预先准备好的图像质量一般较高的人脸库的，这与现实应用情况有很大的不同。因此尽管实验测试中的人脸识别准确率已经相当之高，然而在实际应用中的表现却并不尽如人意。为此，近年来有不少研究者开始着手于研究对各种不同质量人脸图像足够鲁棒的人脸识别技术，目前虽已取得了很大的进展，但离实用仍有一些差距。一方面，由于处理低质量图像而被引入的额外手段往往十分复杂，会大大增加人脸识别系统的复杂度，使得人脸识别耗费时间更长――这对于多数实际应用是不可接受的；另一方面，不受图像样本因素影响的人脸识别算法是难以获得的。因此，我们必须研究新的解决方法。 在基于视频流的自动人脸识别应用中，获得的人脸图像数量通常较多，如果对人脸图像样本进行质量评价，筛选较为合适的样本用于识别，这无疑会提高自动人脸识别系统的准确率；即使样本数目有限，也可以依据质量评价结果来选用相应的图像预处理方法来提高识别率。另外，根据人脸图像的质量情况来调整分类器的阈值或其它参数能有效地降低错误拒绝率(FRR)或错误接受率(FAR)，亦可提高人脸识别的实用性能。可见，在自动人脸识别系统中引入人脸图像质量评价环节是一条推动人脸识别实用化的重要途径。因此，近几年来人脸图像的质量评价逐渐引起了人们的关注，关于图像质量评价的评价框架和相关指标的研究工作也已有一些公开报道[2-4]，但关于人脸图像质量评价方法的研究目前还并不充分，人们往往是直接借用传统的图像质量评价方法。本文的研究表明，现有方法并不一定适用于自动人脸识别这个特别领域中的人脸图像质量评价，其评价结果与实际情况可能存在一定差距。本文接下来将以清晰度这一重要的人脸图像质量评价指标为例进行详细说明，并提出一种比传统评价方法更适合于自动人脸识别的清晰度评价方法。最后，通过对同一组人脸图像进行清晰度评价实验，将其与传统清晰度评价方法进行对比，以验证本文方法的准确性要高于传统方法。另外，还在真实环境下通过人脸识别实验来验证本文提出的清晰度评价方法在自动人脸识别中的作用及其适用性。 2自动人脸识别中的清晰度评价 在基于视频流的自动人脸识别应用中，自动检测采集到的人脸图像不清晰的情况时有发生。不清晰的人脸图像不但会影响人脸识别的准确率，而且还会影响对譬如人脸姿态等其它图像质量指标的评价[2,4]，故本文将清晰度选作研究对象。影响人脸图像清晰度的原因主要有图像模糊和采集噪声干扰。忽略采集噪声，摄像机对焦失准或拍摄瞬间人脸沿摄像机光轴方向快速运动会造成离焦模糊，拍摄瞬间人脸垂直于摄像机光轴方向快速运动会造成运动模糊，实际上这两种模糊经常是并存的。传统的图像质量评价往往是考察经过计算压缩、传输、增强或其他处理变换后的图像与原始图像质量上的差别，在评价时通常有“标准图像”可供参照[5]。因此，无论是具有计算简单优点而被广泛使用的均方差(MSE)和峰值信噪比(PSNR)方法，还是更符合人眼视觉系统(HVS)特性的结构相似度(SSIM)方法[6]或基于自然场景统计(NSS)的视觉信息逼真度(VIF)方法[7]，由于必须得通过将变换后的图像与标准图像进行比较来做出质量评价，故皆不适合作为自动人脸识别中的人脸图像清晰度评价方法。另一方面，无需参考图像的图像质量评价方法相对较少，且主要用于图像盲恢复参数的辨识（如对点扩散函数PSF的估计等），其中的特征提取过程较为复杂，计算耗时长，故难以满足自动人脸识别系统的时间要求。于是，研究者们提出了
图像与镜头质量测试规范
目录 一、图像质量理论测试..........................................错误!未定义书签。 1、色板区域介绍..........................................错误!未定义书签。 2、解析度................................................错误!未定义书签。 3、锐度..................................................错误!未定义书签。 4、色散..................................................错误!未定义书签。 5、色彩还原性............................................错误!未定义书签。 6、肤色还原..............................................错误!未定义书签。 7、白平衡................................................错误!未定义书签。 8、低照度................................................错误!未定义书签。 9、逆光补偿..............................................错误!未定义书签。 10、灰阶、动态范围、对比度...............................错误!未定义书签。 11、镜头畸变.............................................错误!未定义书签。 12、暗角.................................................错误!未定义书签。 13、噪点.................................................错误!未定义书签。 14、散光.................................................错误!未定义书签。 15、紫边.................................................错误!未定义书签。 二、实际景物拍摄.............................................错误!未定义书签。 16、实际静景拍摄.........................................错误!未定义书签。
浅谈人脸识别在安防系统的应用 人脸识别的应用背景 经济的快速发展，带来人员在不同地域之间频繁的流动，随之而来的是对公众人员的安全管理的需求迅速增加，每年刑事案件和治安案件逐年上升，众多涉案人员在逃，此外，还有数量更为庞大的小偷惯犯难以抓捕。据不完全统计，目前公安在逃人员约50万，各地的公安需要新的技术手段对协助其案件技侦和对重点区域提供安全保障。 而另一方面，目前平安城市基本上完成了联网、高清化的建设，正在走向以实战应用、云服务等为代表的新一轮发展，现有的监控系统每天产生海量的网络高清视频数据，其中就包含大量可用的人脸信息，而当前这些人脸的信息整体的利用率不高，配套的使用工具简单，甚至是依靠人工排查的土办法。因此，为了实现在海量视频中的人员身份的快速识别，人脸识别技术无疑是最佳的选择。 人脸识别作为一种新兴的安防智能化产品，其技术源头始于20世纪60年代，上世纪90年代计算机的出现，人脸识别的才进入了真正的机器自动识别阶段。目前，在安防监控领域，人脸识别主要是基于对可见光图像的人脸识别。人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，虽然环境光线、人脸的分辨率对识别结果存在影响，但相比其它特征识别，其具有非强制性、隐蔽性、友好性、高并发性等特点，因此，对于开放的公共环境下的应用，人脸识别产品有不可比拟的优势。 目前，市场上人脸识别产品中，静态人脸识别产品的使用比较广泛且成熟，在通关、金融、电信、公证等领域需要对人和证件进行一致性验证的场景下，人脸识别系统应用表现良好。尤其是金融行业，由于银行业务对身份核实的需要及VTM的推广，客户在办理业务或自助办理业务过程中一般均要对客户的身份进行验证核实，在实际应用中，系统获取客户身份证件内的人脸照片和现场客户的图片进行人脸识别比对，完成人证一致性验证，大大提升金融的业务工作效率。 动态人脸识别的应用当前处于前期阶段，并逐步开始在交通、公安、楼宇、社区等领域推广。由于识别目标的非配合性，动态人脸识别应用上比静态人脸稍复杂，实现人脸识别的高准确率和时效性是业务应用的前提，需要专业的团队开发、部署才能取得满意使用结果。 人脸识别技术和应用模式是两翼，服务是主体 人脸识别算法技术 当前人脸识别系统是由人脸图像采集、预处理、特征提取、匹配识别这几个过程。目前，人脸识别的算法很多，业内比较推崇的是基于神经网络的人脸识别算法。神经网络算法是受到人的神经系统启发，利用大量简单处理单元互联而构成的复杂系统，模仿人的认知系统，通过学习的过程获得其它方法难以实现
【最新整理，下载后即可编辑】 放射科图像质量评价标准 （2016年修订） 一、一般要求 1、X线照片满足影像诊断要求。 2、X线照片标识，左右标志正确，检查号、检查日期、检查医院、被检者姓名、性别、年龄、图像放大比例或比例尺等信息完整。 3、图像放大比例一致：正位片与侧位片或斜位片放大比例一致。同一部位不同时间摄片放大比例一致。 4、整体画面布局美观，影像无失真变形。 二、优质图像标准 1、密度合适 2、层次分明 3、摄影体位标准： 4、照射野大小合适: 被检部位影像全部在照片上显示,但不应过多包含非检查部位，尤其是内分泌腺；重点组织界限清楚；脊柱应含相邻椎体；四肢长骨应至少包括1个邻近关节；肋骨应包括第1或第12肋骨。 5、无体外伪影。 6、无运动伪影。 7、特殊检查体位应标注。 8、胶片无污片、划片、粘片、指纹。
放射科图像质量评价内容及方法 项目评价内容和方法扣分 图像对比看电脑图片或胶片图像，对比欠佳5 图像层次看电脑图片或胶片，层次欠分明 5 投照野控制投照野过大或包括不全 5 伪影不影响诊断的伪影，如内衣扣、金属线5 有可能误认为病变的伪影 50 伪影范围较大，掩盖诊断区。50 呼吸伪影或运动伪影5~10 抽查胶片，有污片、划片、粘片 5 图像标识不完整 5 图像重要标识如左右、姓名、性别错误 50 摄影体位不标准15~20 特殊体位无标注，如腹部立位位，水平侧位10 摄影部位错误对照申请单和摄影部位是否一致50 图像放大比例抽查胶片，图像放大比例是否一致5 用片统一，尺寸合理抽查胶片 5 质量等级评价方法：结合DR影像质量要求，每份图像为100分，扣完为止。 优：≥90分良：80~89分合格：70~79分不合格：＜70分
基于空间域统计特性的图像质量评价 摘 要 煤矿井下的安全高效生产离不开清晰流畅的监控图像，针对煤矿井下拍摄图像光照不均匀的问题，对常见的几类可以改善非均匀照度图像视觉效果的增强理论进行了深入研究，并对在实际应用中遇到的问题和存在的缺点进行分析，分析了灰度图像空间域统计特性相关参数，对图像质量做出了客观评价。实验表明，直方图均衡化图像增强方法在处理低照度图像方面有不错的视觉效果，但由于它在均衡化过程中会对灰度级进行四舍五入，使得部分灰度级丢失，容易造成图像失真。 关键字：图像增强 空间域统计特性 质量评价 随着科学技术的发展，视频监控系统应用越来越广泛。例如煤矿井下，调度人员了解井下重要设备、人员及生产过程的现场状况，不仅能直观的监视和记录井下现场的安全生产情况，也能为事后分析事故提供相关第一手图像资料。由于井下摄像头采集到图像受到光照影响，导致在获取图像信息后对图像分析和决策等变得困难，因此在进行图像分析与决策前首先对图像信息进行增强，并对增强后图像进行相关参数分析，对图像质量进行客观评价，以获的人们认为较为理想的处理结果以及算法。 1 图像增强算法 基于图像处理所应用的空间不同，图像增强方法通常可以分为频域增强方法和空域增强方法两类。频域增强方法首先将图像看成一种二维信号，然后再对该信号进行基于域变换的增强。常见的空域图像增强算法有直接对比度增强、反锐化掩模增强和直方图均衡化增强。 1.1 直接对比度增强 直接对比度增强是根据特定的算法规则对图像中每一个像素点的灰度值进行逐点改变，以此达到改变图像灰度值动态范围的目标。在图像处理中，一般将输出图像的像素点灰度值与其对应的输入图像的像素点灰度值之间的对数关系称之为图像的对数变换，该种方法常常用来压缩高灰度值范围、扩展低灰度值范围，从而使低灰度值的图像细节更加清晰的目标。其一般公式为： (,)log[(,)1]g x y C f x y =+ (1) 在式(1)中，(,)g x y 表示变换后输出图像像素点灰度值，而(,)f x y 表示变换前输入图像像素点灰度值，其中log 表示以10为底。同时，上式也可选用自然对数ln 为底。 为了增加变换的动态范围，适当考虑变换的灵活性，可以加入一些调制参数，上述公式可变为： log[(,)1](,)log f x y g x y a b c +=+ (2) 式中a 、b 、c 是可以选择的变换参数，(,)1f x y +项是为了避免对零求对数而设置。当(,)0f x y =时，log[(,)1]0f x y +=，则(,)g x y a =。而a 是(,)g x y 轴上的截距，可见参数a 的大小反映确定变换曲线的起始位置的变化关系，b 、c 两个参数可以确定变换曲线的曲率[1-2]。对数变化曲线如图1所示。 (,) f x y (,) g x y
浅析人脸识别在金融行业应用方向
目录 浅析人脸识别在金融行业应用方向 (1) 1背景 (2) 2“人脸识别”自助终端 (3) 3移动金融/营销 (3) 4柜面系统 (4) 1背景 2015年年末，央行发布了《中国人民银行关于改进个人银行账户服务加强账户管理的通知》，明确提出“提供个人银行账户开立服务时，有条件的银行可探
索将生物特征识别技术和其他安全有效的技术手段作为核验开户申请人身份信息的辅助手段”。至此，这两年火遍天际的人脸识别终于得到了“正式名份”!将在银行大显身手的人脸识别到底能做什么?备受银行青睐的人脸识别真有那么“万能”吗? 目前人脸识别在银行的应用主要集中在自助终端、移动金融/营销和柜面系统三大方向。 2“人脸识别”自助终端 “人脸识别”自助终端是当前银行应用最为普遍的方向，交通银行的自助发卡机、民生银行的VTM、农业银行的超级柜台等都是将人脸识别系统引入到自助设备中，利用人脸识别技术将现场采集的照片与已存照片、身份证照片进行比对并提供人脸相似值，工作人员即可根据相似值的高低判断是否直接通过或进行人工审核。 目前，用户可以在自助终端上实现自助开卡、业务变更、密码重置等个人业务，全流程电子化不仅节约时间和成本，也更加环保。不仅如此，银行工作人员也可以通过人脸识别自助终端实现一对多服务，通过客户自助办理＋现场审核授权，原本只能服务一个客户的工作人员可以同时服务6-8人。 3移动金融/营销 银行在开展移动金融/营销时，也经常遇到一个难题：在移动端如何确认客户身份?而人脸识别则可以较好的解决虚拟世界两端“你是谁”的身份认证难题：一
方面用户可以借助于手机等移动设备的摄像头进行人脸身份核查，另一方面银行工作人员也可以通过便携性移动终端进行客户人脸身份核查，为客户办理业务。 目前包括民生银行、攀枝花商行在内的众多银行已经开始基于多模态生物识别统一身份认证平台，通过人脸识别技术平台布局移动金融和移动营销：直销银行、远程贷款、大客户上门服务等都是典型应用。与此同时，该平台还具有强大的渠道管理能力，一旦前端出现报错情况，可以迅速反查、定位并进行修复。 4柜面系统 人脸识别在柜面系统中发挥了更大的作用：内能进行风险管控，外可1S核验客户身份。银行通过人脸识别可以实现内部员工系统登录与授权管理，增强银行的风险管控能力;同时，也可以通过人脸联网核查，将现场照片与公安部已存的身份证照片进行比对、核查，更客观、科学的实现“人证合一”，降低“肉眼”观察的主观意识和失误辨认。
影像科图像质量评价标准 This model paper was revised by the Standardization Office on December 10, 2020
影像科图像质量评价标准 一、图像质量保证组织和人员职责分工 影像科建立图像质量保证工作小组，小组成员包括高年资影像诊断医师、影像科技师、影像设备维修人员相关专业工程技术人员。 影像质量保证工作小组成员中，影像设备维修人员或相关专业技术人员负责影像设备正常运行，保证影像设备运行稳定，参数准确，发生设备故障及时检修。技师负责检查扫描过程的质量控制。影像诊断医师负责诊断操作的质量控制和影像诊断质量报告的控制。 二、图像质量评价制度 影像技术质控每周一次。根据影像质量评价标准，评价影像质量，分析不合格片和差级片原因，提出改进办法。 在日常诊断读片的同时，从诊断角度，对影像质量进行评价，发现图像质量不能满足影像诊断，技师与技术人员沟通，提出改进建议。 定期进行影像诊断与手术、病理或出院诊断随访对比，统计影像诊断与临床诊断的符合率，分析误诊漏诊原因，不断总结经验，提高诊断正确性。 三、图像质量评价标准 （一）一般要求 1、被检查器官和结构在检查范围内可观察到。主要结构、解剖结构、解剖细节清晰辨认，影像能满足影像诊断要求。
2、照片中的诠释齐全、无误、左右标志、检查号、检查日期、检查医院、被检查者姓名、性别、年龄、图像放大比例或比例尺等信息完整。正确放置铅号码，以分辨前后位或前位。 3、用片统一，用片寸合理，分隔规范，照射野大小控制适当。成人胸片不小于11x14英寸，成人四肢不小于10x12英寸。 4、图像放大比例一致：正位片、侧位片或斜位片放大比例不小于65%。 5、整体画面布局美观，影像无失真变形。 6、对辐射敏感的组织和器官应尽可能的屏蔽。 7、对不同检查部位的影像质量标准参照《影像科管理与技术规范》X片影像标准。 （二）优质片标准 1、密度合适（照片中诊断密度范围控制在—之间）； 2、层次分明（不同部位要求不同）； 3、摄影体位正确：被检组织影像全部在照片上显示；重点组织界限清楚；脊柱应含相邻椎体；四肢应包括临近关节；肋骨应包括第1或第12肋骨；组织影像应符合正常的解剖投影，无失真； 4、无技术操作缺陷：无体外阴影，无污片、划片、粘片、水迹、指纹、漏光、静电等阴影 （三）良级片标准
图像质量评价标准 | 一、评价参数 ( 一) 对比度 1、客观对比度: 物体本身的差异, 由被检体的密度和厚度决定。 2、 x线对比度: 穿过人体后, x线强度上的差异。 3、图像对比度: x线照片上所表现出的密度差。 客观对比度是成像的基础, 图像对比度是图像的最基本特征。 下图很好的说明了以上三个对比度: 1、客观对比度: 骨骼、软组织、气体存在密度上的差别。 2、 X线对比度: 透过不同组织形成的X线强度上的差别。 3、图像对比度: 图像上形成的黑白差别。 对比度分辨率 是指将客观对比度转换成图像对比度的能力。 分辨率高的成像装置可将低对比的组织区分开; 分辨率低的成像装置只能将高对比的组织区分开。例如: CT与平片。 左图是普通平片, 属于分辨率低的装置( X线机) 摄取的片子; 右图是胸部CT横断片, 属于高分辨率的装置( CT机) 摄取的片子。对低对比的组织的区分能力, CT高于平片( 即分辨率高的成像装置可将低对比的组织区分开) , 而平片只能区分差别较大组织( 即分辨率低的成像装置只能将高对比的组织区分开) 。
( 二) 模糊 1、指物体的边界不清楚。 2、原因: 每个物点的像向周围有不同程度的扩展。 3、影响: 降低了图像的清晰度。 空间分辨率: 区分相互靠近的两个物体细节的能力。用LP/mm表示。是评价影像设备性能优劣的重要指标。 以下是电影《神话》的一幅海报, 表现的是图像的模糊。 下图是一幅分辨率较高的图片, 图像较清晰。 ( 三) 噪声 1、定义: 图像中可随机观察到的光密度变化。 2、表现为: 斑点、雪花、网纹等。
3、原因: x线光子的随机分布。 4、描述: 信噪比( SNR) 。 SNR越大, 图像质量越好。 ( 四) 伪影 1、定义: 指图像中出现的被检体不存在的虚假信息。 2、影响: 干扰正常结构, 造成误诊。 ( 五) 畸变 定义: 指物体的形态、大小和位置不同程度的改变。 ( 1) 因观察角度不同, 圆柱体的上面成为了椭圆。 ( 2) 射线方向不同, 产生了两种不同效果。左图垂直照射, 两个物体的形态基本不变; 右图斜射, 使两个原本分离的物体, 看起来象是一体的。
影像科图像质量评价标准 一、图像质量保证组织和人员职责分工 影像科建立图像质量保证工作小组，小组成员包括高年资影像诊断医师、影像科技师、影像设备维修人员相关专业工程技术人员。 影像质量保证工作小组成员中，影像设备维修人员或相关专业技术人员负责影像设备正常运行，保证影像设备运行稳定，参数准确，发生设备故障及时检修。技师负责检查扫描过程的质量控制。影像诊断医师负责诊断操作的质量控制和影像诊断质量报告的控制。 二、图像质量评价制度 影像技术质控每周一次。根据影像质量评价标准，评价影像质量，分析不合格片和差级片原因，提出改进办法。 在日常诊断读片的同时，从诊断角度，对影像质量进行评价，发现图像质量不能满足影像诊断，技师与技术人员沟通，提出改进建议。 定期进行影像诊断与手术、病理或出院诊断随访对比，统计影像诊断与临床诊断的符合率，分析误诊漏诊原因，不断总结经验，提高诊断正确性。 三、图像质量评价标准 （一）一般要求 1、被检查器官和结构在检查范围内可观察到。主要结构、解剖结构、解剖细节清晰辨认，影像能满足影像诊断要求。 2、照片中的诠释齐全、无误、左右标志、检查号、检查日期、检查医院、被检查者姓名、性别、年龄、图像放大比例或比例尺等信息完整。正确放置铅号码，以分辨前后位或前位。
3、用片统一，用片寸合理，分隔规范，照射野大小控制适当。成人胸片不小于11x14英寸，成人四肢不小于10x12英寸。 4、图像放大比例一致：正位片、侧位片或斜位片放大比例不小于65%。 5、整体画面布局美观，影像无失真变形。 6、对辐射敏感的组织和器官应尽可能的屏蔽。 7、对不同检查部位的影像质量标准参照《影像科管理与技术规范》X片影像标准。 （二）优质片标准 1、密度合适（照片中诊断密度范围控制在—之间）； 2、层次分明（不同部位要求不同）； 3、摄影体位正确：被检组织影像全部在照片上显示；重点组织界限清楚；脊柱应含相邻椎体；四肢应包括临近关节；肋骨应包括第1或第12肋骨；组织影像应符合正常的解剖投影，无失真； 4、无技术操作缺陷：无体外阴影，无污片、划片、粘片、水迹、指纹、漏光、静电等阴影 （三）良级片标准 优级片中有1项不足，但对影像诊断影响不大。 （四）差级片标准 优级片中有2项以上不足，尚能用于诊断。 （五）废片标准 不能用于诊断
图像与镜头质量测试规范 目录 注： 1、对比测试时需保障码流、帧率、分辨率、光圈最大等一致性。 2、若后续需要增加测试项会持续更新。 一、图像质量理论测试 1、色板区域介绍
2、解析度 用摄像机拍摄的影音信号需要在电视上播放时，需要换算成与电视画质相同的单位。而电视的画面清晰度是以水平清晰度作为单位。通俗地说，我们可以把电视上的画面以水平方向分割成很多很多“条”，分得越细，这些画面就越清楚，而水平线数的数码就越多。这个单位是“电视行（TVLine）”也称线。解析度一般与镜头、CCD、CMOS 成像有关。 解析度16:9测试样张 3、锐度 锐度，有时也叫“清晰度”，它是反映图像平面清晰度和图像边缘锐利程度的一个指标。如果将锐度调高，图像平面上的细节对比度也更高，看起来更清楚。比如，在高锐度的情况下，不但画面上人脸的皱纹、斑点更清楚，而且脸部肌肉的鼓起或凹下也可表现得栩栩如生。在另一种情况下，即垂直方向的深色或黑色线条，或黑白图像突变的地方，在较高锐度的情况下，线条或黑白图像突变的交接处，其边缘更加锐利，整体画面显得更加清楚。因此，提高锐度，实际上也就是提高了清晰度，这是人们需要的、好的一面。但是，并不是将锐度调得越高越好。如果将锐度调得过高，则会在黑线两边出现白色线条的镶边，图像看起来失真而且刺眼。这种情况如果出现在块面图像上，图像就会显得严重失真，不堪入目。
4、色散 5、色彩还原性 色彩还原指彩色CCD、CMOS 经过拍摄加工后，彩色摄影画面的色彩大体上和原景物的色彩相一致。是早期彩色电影摄影追求的目标。影响色彩还原的因素有CCD、CMOS 的性能，摄影镜头的质量，光线的色温等。 色彩还原性测试样张
I 行业智库线经验 INDUSTRY THINK TANK FRONT-LINE EXPERIENCE 浅谈人脸识别及其应用 文丨Article >海兰察 人脸识别技术正在被广泛运用，上 海市远郊的住宅小区也已经用上了，更 不用说市中心的高端商务楼，今年或许 是人脸识别在上海市民用市场被广泛运 用元年。但人脸识别技术目前在应用层面存 在三个问题：第一个是隐私保护问题； 第二个是应用费用问题；第三个是如何 利用既有包括末端摄像机在内的基础设 施问题。人脸识别技术有几个等级。最低端 的人脸识别，仅仅是将末端扫描成像中 的一定数量的关键像素点与内存数据库 里的图像关键像素点比对；更高一级的 人脸识别技术除了对比像素点更多外， 还添加红外、三维扫描等；在一些安防 等级更高的场所，人脸识别技术还要与 气味传感器、虹膜扫描、指纹和声纹比 对等技术结合起来。安全是有成本的，成本越高越安 全吗？不完全对，比如利用3D 打印技 术以及比硅胶更接近人类皮肤的复合材 料，完全可以以假乱真，初级人脸识别 技术或难以甄别，针对“面具"之类的伪装术，人脸识别就需要增加温度感知、 三维扫描、提高像素成像等措施。高等级的人脸识别技术可以被运用 在保密等级较高的场所，比如机要室、 数据中心、金库、武器库等等。人脸识别技术本质上是一种图像识 别，例如有这样一个场景：我们睁开眼 睛的时候，映入眼帘并传送到我们大脑 的信息是一些深浅不一的色块、线条或 点状物，因为我们从婴幼儿开始就被告 知并通过学习到眼睛摄入的静态或动态 的景象，以及动物、植物、建筑物等物 体，摄入眼睛的光信号转化为我们大脑 里的生物电信号，这才了解到看的是什 么、我们在哪里、环境之中有没有危险， 等等。图像识别来源于仿生技术，前端(摄 像机）像素传感器接收到光信号后，转 换为电信号，模拟量成为数字量，导入 计算机里的“算法”通过计算，得到电 信号的强度、密度和离散度，也就是说 像素越高，在同等算法下，结果越精准。算法有线程和层级，第一层算法就 是将摄入的数据与数据库里的数据进行快速比对，而后给出初步结果；第二层 算法就是对画面进行分割，再与数据库 里的分割画面进行比对，再得出结果， 这个时候还要计算第一层算法与第二层 算法的结果的逻辑合理性，合理的结果 才会输出。比如一个警察抓小偷的应用 场景，跑的速度快的移动物体不一定是 小偷。如果没有声纹录入的条件下，如 何识别画面中哪一个是小偷呢？这个时 候，比如数据库里的被冠以"小偷”符 号的人脸就是一个线程。 由此可见，在像素满足要求的条件 下，算法、线程和计算机的运算速率就 是关键要素，算法和线程也是导致人脸 识别响应速率的重要因素，这就是说， 在传输速率更高的应用场景中，电子计 算机的运算速率也必须更快，否则包括 人脸识别就是人脸撕逼了。在这种情况 下，量子计算机就呼之欲出了，加密更 安全且运算速率更高的量子计算机或将 成为继5G 之后另一个科技制高点。 有机会我们可以实测一下人脸识别 速率，技术优劣高下立判，无论是住宅 小区还是商务楼的应用场景。■050 住群房iS P
影像图像质量评价： 以每天阅片的形式对每一张图像进行评价，参加人员前一天夜班、当天 上夜班、白班、技术组人员。 日期：影像号：操作员：分数：内容备注扣分标准扣分 1. 图像对比看电脑图片或胶片图像，对比欠佳 5 2. 图像层次看电脑图片或胶片图像，层次欠分明 5 3 被检查者部位、肢位置不正、照片上下、左右边缘不对 5 体位置准确，照片上称、体位不标准 下、左右边缘对称 4. 人为伪影如未去除金属物引起的伪影10 5. 运动伪影不影响诊断5-10 6. 设备伪影不影响诊断5-10 7. 拼音错误如‘ o’拼为‘ e’等10 8. 图像标识不完整 5 9. 图像重要标识错如左右 . 姓名 . 性别错误50 误 10. 造影片造影剂造影剂显影不均匀、充盈吧不满意55 显影均匀、充盈满意 11 图像后处理方法不准确，不影响诊断10 12. 检查部位错误对照申请单和检查部位是否一致50 日期 : 影像号：操作员：分数：内容备注扣分标扣分 准 1. 图像对比看电脑图片或胶片图像，对比欠佳 5 2. 图像层次看电脑图片或胶片图像，层次欠分明 5 3 被检查者部位、肢位置不正、照片上下、左右边缘不对 5 体位置准确，照片上称 下、左右边缘对称 4. 人为伪影如未去除金属物引起的伪影10 5. 运动伪影不影响诊断5-10 6. 设备伪影不影响诊断5-10 7. 拼音错误如‘ o’拼为‘ e’等 8. 图像标识不完整 5 9. 图像重要标识错如左右 . 姓名 . 性别错误50 误 10. 造影片造影剂造影剂显影不均匀、充盈吧不满意55 显影均匀、充盈满意 11 图像后处理方法不准确，不影响诊断10 12. 检查部位错误对照申请单和检查部位是否一致50 质量等级评价方法：结合影像质量要求，每份图像为100 分，扣完为止 优：≥ 90 分良： 80~89 分差： 70~79分不合格：＜ 70 分
第一章绪论 1.1 引言 早期的图像处理是随由于通讯方面的要求而发展起来的，随着图像处理技术的发展，数字图像处理技术与理论已经成为计算机应用的一个重要领域，广泛应用于众多的科学与工程应用，如遥感、医学、气象、通信等。然而随着图像处理技术的迅速发展，如何正确有效地评价一幅图像的质量好坏变得越发重要起来。近年来，图像质量评价已经成为了图像信息工程领域内一项重要的研究课题，引起了学者的高度重视。 图像质量评价方法中客观评价方法又可以分为三类：全参考质量评价方法、部分参考质量评价方法和无参考质量评价方法。全参考质量评价方法需要原始图像的完整信息作为评价的参考：部分参考质量评价方法需要原始图像的部分特征或者统计信息作为评价参考：无参考质量评价方法则完全依赖于待评测图像本身的信息来进行质量评价，而无须原始图像的任何信息。在很多情况下，如在网络传输中，往往无法获得发送端的原始图像信息，因此研究无参考的客观质量评价方法是很有意义的。 1.2 图像质量评价 图像质量的含义主要包括两个方面：图像的逼真度和图像的可懂度。图像质量直接取决于成像装备的光学性能、图像对比度、仪器噪声等多种因素的影响，通过质量评价可以对影像的获取、处理等各环节提供监控手段。为了对图像处理的各个环节进行合理评估，图像质量评价的研究已经成为图像信息工程的基础技术之一。多少年来，人们希望能够找出图像逼真度和可懂度的定量测量方法，作为评价图像和设计图像系统的依据，但目前人们对人类视觉特性仍没有充分理解，特别是对人眼视觉的心理特性还难以找出定量的描述方法，因此图像质量评价还有待深入研究。
1.2.1 主观评价方法 国际上已有成熟的主观评价技术和国际标准，例如 ITU-T Rec. P.910规定了多媒体应用的主观评价方法]1[；ITU-R BT.500-11规定了电视图像的主观评价方法]2[，就视频质量主观评价过程中的测试序列、人员、距离以及环境做了详细规定。主观质量评分法]3[(MOS：Mean Opinion Score)是图像质量最具代表性的 主观评价方法，它通过对观察者的评分归一化来判断图像质量。而主观质量评分法又可以分为绝对评价和相对评价两种类型。 绝对评价是将图像直接按照视觉感受分级评分，表 1.1 列出了国际上规定的 5 级绝对尺度，包括质量尺度和妨碍尺度。对一般人来讲，多采用质量尺度；对专业人员来讲，则多采用妨碍尺度。 表 1.1 绝对评价尺度 质量尺度妨碍尺度 5分丝毫看不出图像质量变坏 5 非常好 4分能看出图像质量变化但不妨碍观看 4 好 3分清楚看出图像质量变坏，对观看稍有妨碍 3 一般 2分对观看有妨碍 2 差 1分非常严重的妨碍观看 1 非常差 相对评价是由观察者将一批图像从好到坏进行分类，将它们相互比较得出好坏，并给出相应的评分。相对尺度如表 1.2 所示。 表 1.2 相对评价尺度与绝对评价尺度对照 分数相对测量尺度绝对测量尺度 5分一群中最好的非常好 4分好于该群中平均水平的好 3分该群中的平均水平一般 2分差于该群中平均水平的差 1分该群中最差的非常差 评价的结果可用一定数量的观察者给出的平均分数求得。平均分数按照公式计算得到：
超声科图像质量评价评分标准细则 附表(一) 1.图像清晰度（10分）(一副图像显示不清晰扣1分） 2.图像均匀性（10分）（一副图像不均匀扣1分） 3.超声切面标准性（10分）（一副图像不标准扣1分，漏一个常规切面扣2分） 4.伪相识别（10分）（缺伪像图像相关图像扣5分） 5.彩色血流显示情况（10分）（缺规定血流图像一副扣2分）6．图像于超声报告相关性（10分）（缺报告相关性常规切面图像一副扣1分） 7.图像有无斑点、雪花细粒、网纹（10分）（一副图像有斑点、雪花细粒、网纹扣1分） 8.图像与临床疾病相关性（10分）（报告所选图像与疾病相关性无关扣5分） 9.探测深度（要占1/2以上）（10分）（一副图像未达到1/2扣1分） 10.工作频率与脏器相关性（10分）（一副图像工作频率与脏器相关性不符扣1分）
超声科图像质量评价评分标准 1.图像清晰度10分 2.图像均匀性10分 3.超声切面标准性10分 4.伪相识别10分 5.图像与报告相关性10分 6.彩色血流显示情况10分 7.图像有无斑点、雪花细粒、网文10分 8.图像与临床疾病相关性10分 9.探测深度（要占1/2以上）10分 10.工作频率与脏器相关性10分
超声科图像质量评价细则 附表（二） 按照超声科常规切面操作规范规定细则如下： 1.肝脏：正常肝脏6个切面（第一肝门，门静脉二维图像，门静脉 血流频谱图像并有测值，第二肝门图像，肝脏工字状结构图像，肝左叶图像）。 异常肝脏8个切面（第一肝门，门静脉二维图像，门静脉血流频谱图像并有测值，第二肝门图像，肝脏工字状结构图像，肝左叶图像，异常部位二维及彩色） 2.胆囊：正常1个切面（显示胆囊颈部，胆囊底部） 异常2个切面（显示胆囊颈部+胆囊底部，异常部位图像） 3.胰腺：正常2个切面（胰腺的二维+彩色血流图像，显示胰头， 胰体，胰尾，） 4.异常3个切面（胰头，胰体，胰尾，胰腺彩色血流图像） 5.脾脏：正常2个切面（脾脏全长及脾门彩色血流图像） 异常3个切面（脾脏全长切面，异常二维及彩色血流图像） 5.泌尿系统：正常双肾2个切面（肾脏纵切面二维及彩色血流图像）异常双肾4个切面（肾脏纵切面二维及彩色血流图像，异常部位二维及彩色） 6.膀胱：正常2个切面（膀胱三角，膀胱底部） 异常4个切面（膀胱三角，膀胱底部，异常部位二维及彩色）7.前列腺：正常3个切面（前列腺纵切面，前列腺横切面，前列腺彩
浅析人脸识别应用领域 2017年7月
目录 一、人脸识别崛起分析 (3) 1.1政策因素 (3) 1.2社会需求 (3) 1.3时势造就 (4) 二、人脸识别发展趋势 (4) 2.1与传统安防设备相结合 (4) 2.2逐步取代传统认证手段（以考勤为例） (4) 2.3应用领域突破 (4) 三、人脸识别应用领域 (5) 3.1通关领域 (5) 3.2考试领域 (6) 3.3在线教学领域 (6) 3.4社保领域 (7) 3.5公安黑名单布控 (7) 3.6金融行业 (8) 3.7监狱 (9) 3.8园区管理 (9) 3.9地铁 (9)
3.10其他应用领域 (9) 一、人脸识别崛起分析 其实对于整个生物识别领域来说，由于指纹识别应用时间早，价格低廉，而且使用便利，因此早早地便占据了国内的大部分市场，在顶峰时期，甚至可以达到90%左右。但是，又是什么力量，使人脸识别在短短五六年的时间里，就实现了如此迅猛的崛起？而其他的生物识别技术如虹膜识别、声纹识别未能如此大规模的应用？ 1.1政策因素 抛开技术因素，国家政策的支持可以说是人脸识别崛起的重要因素之一。尤其随着近些年来，平安城市等技术的大力推广，我国安防市场的需求也随之迅速升温，各领域安保的等级也就随之实现明显的提升。甚至在部分地区的部分领域，人脸识别已经开始被列为使用过程中的强制标准。这种情况的出现，对于人脸识别的推广无疑是一种非常有力的推动。因此，虽然政策的角色只是一种诱导的作用，但是这种诱导对于人脸识别的爆发，却又是不可或缺的。 1.2社会需求 在我国，随着城镇化的进程加快，流动人口比例大大增加，面临的突发事件和异常事件越来越复杂。因此这也就给城市的安保工作，以及视频监控带来了更大的压力。传统依靠人工来“盯”的方式难免会因疲劳或精神不集中等原因影响监视效果，难以胜任对庞大数据库的分析与理解，从而影响事后查找证据，更难以满足时代的需求，于是，人们对于具有智能分析的视频监控应用的呼声越来越高。