量化研究工具

密度等级说明

公式理论来源与依据

本评分公式纳入了6个核心视觉指标，各指标权重基于视觉感知理论和图像复杂度研究的分配原则：

1. 边缘密度 (权重25%)
– 理论名称：Marr-Hildreth边缘检测理论
– 来源：Marr, D., & Hildreth, E. (1980). Theory of edge detection. Proceedings of the Royal Society B.
– 理论：边缘是视觉注意力的主要捕捉点，反映图像中轮廓和形状边界的密集程度 (Itti, L., et al., 1998. IEEE Transactions on Pattern Analysis and Machine Intelligence)
– 权重分配理由：边缘是人类视觉系统最先感知的基本元素，对于判断画面繁简程度具有最高权重

2. 纹理分数 (权重25%)
– 理论名称：Tamura纹理特征
– 来源：Tamura, H., Mori, S., & Yamawaki, T. (1978). Textural features corresponding to visual perception. IEEE Transactions on Systems, Man, and Cybernetics.
– 理论：纹理反映图像局部区域的灰度变化复杂度，是视觉复杂度的重要组成部分
– 权重分配理由：纹理复杂度直接反映画面细节的丰富程度，是视觉繁密度的重要指标

3. 香农熵 (权重10%)
– 理论名称：香农信息论 (Shannon Information Theory)
– 来源：Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal.
– 理论：信息熵是衡量图像信息量的核心指标，熵值越高表示图像信息越丰富 (Gonzalez, R. C. & Woods, R. E., 2018. Digital Image Processing, Pearson)
– 权重分配理由：信息熵是全局性指标，反映整体信息量，作为辅助参考指标

4. 对比度 (权重15%)
– 理论名称：视觉对比敏感度理论 (Visual Contrast Sensitivity)
– 来源：Barten, P. G. J. (1999). Contrast Sensitivity of the Human Eye. SPIE Press.
– 理论：对比度反映图像明暗差异程度，是视觉感知的基本维度之一
– 权重分配理由：对比度与边缘检测形成互补，共同反映画面细节特征

5. 方差归一化 (权重15%)
– 理论名称：统计学二阶矩分析
– 来源：Sonka, M., Hlavac, V., & Boyle, R. (2014). Image Processing, Analysis, and Machine Vision. Cengage Learning.
– 理论：方差反映图像灰度分布的离散程度，与整体对比度特征互补
– 权重分配理由：方差作为统计指标，与对比度协同反映画面整体变化程度

6. 颜色多样性 (权重10%)
– 理论名称：色彩复杂度理论
– 来源：Orchard, M. T. & Bouman, C. A. (1991). Color quantization of images. IEEE Transactions on Signal Processing.
– 理论：色彩丰富度是影响视觉感知复杂度的重要因素，色彩种类越多视觉信息越丰富
– 权重分配理由：颜色信息对于黑白图像分析贡献有限，作为辅助参考指标

⚠️ 浅色、白色区域数值偏高说明

正常情况下，单色区域的评分应低于25，但未经过预处理的单色背景（如白色、浅灰色）图像评分可能偏高，原因如下：

• 浅色背景与内容的对比边缘被识别为”丰富边缘”
• JPEG压缩产生的噪点会增加边缘检测结果
• 区域中的阴影、反光、褶皱、灰尘、纹理等细微变化被误判为细节

建议：使用选框功能分析主体区域，避免混杂的浅色背景影响结果，或将图片提前进行预处理，例如调整画面阈值、二值化处理等，以消除浅色部分的噪声。

📐

• 分析区域应包含足够多的视觉元素（建议图片大于100×100像素）
• 使用包含大面积单色区域的图片（纯白、纯黑）应确保图片已经过预处理
• 推荐分析整张图像或使用选框选中主体区域