CN102087652A - 图像筛选方法及其系统 - Google Patents
图像筛选方法及其系统 Download PDFInfo
- Publication number
- CN102087652A CN102087652A CN2009102502270A CN200910250227A CN102087652A CN 102087652 A CN102087652 A CN 102087652A CN 2009102502270 A CN2009102502270 A CN 2009102502270A CN 200910250227 A CN200910250227 A CN 200910250227A CN 102087652 A CN102087652 A CN 102087652A
- Authority
- CN
- China
- Prior art keywords
- image
- mosaic
- straight line
- module
- graphic pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种无马赛克或少马赛克图像的筛选方法及系统,清晰图片的筛选方法及其系统,以及图像筛选方法及系统。视频图像的筛选方法包括:将视频图像转换为灰度图后,过滤单色图像;采用无马赛克或少马赛克图像的筛选方法筛选出无马赛克或少马赛克的图像;计算筛选出的图像的信息熵以筛选出信息量多的图像;对筛选出的图像划分黄金视觉区域,用以计算各区域的边缘密度,得到图像的边缘密度比值;对筛选出的图像分别计算归一化的边缘梯度值;计算边缘密度比值和边缘梯度值的加权之和,筛选加权之和最大的视频图像。本发明方便快捷地筛选出符合要求的视频图像,提高了筛选效率,有利于对视频文件的检索与筛选,也提高了用户访问网站的忠诚度。
Description
技术领域
本发明涉及视频图像处理领域,尤其涉及一种图像筛选方法及其系统。
背景技术
视频分享是指由网友或网站工作人员向分享网站上传视频文件,由共享网站工作人员对视频文件进行必要的技术处理后再提供给用户分享的一种服务。当前,较为知名的视频分享网站包括国外的youtube、国内的优酷、土豆网等,都是普通网友经常访问的视频分享网站。通常来说,对视频文件进行必要的技术处理主要涉及视频转码、提取封面、剪辑、存储和黄反过滤等。
在网友访问视频分享网站、浏览视频文件时,首先看到是有关某视频文件的文字描述和一张代表该视频内容的图片,这张图片我们称之为视频封面。网友通过视频封面可以知道这个视频的主题、剧情、演员阵容和/或效果等,为网友提供了对视频内容较为直观的判断依据,同时清晰精彩的视频封面也是吸引用户的重要手段。通常我们看到的电影/电视剧封面或宣传海报虽然来自视频截图,但是所述电影封面或宣传海报是由人工进行精心挑选并辅以专项技术处理(如图像截取、合成、渲染等)。而分享网站上的视频文件的视频封面一般都是该视频中的某一帧图像,也就是说,视频封面一般是从视频中直接获取,基本上没有经过人工挑选和后续技术处理。
视频分享网站上的视频文件,在文件格式、大小、视频质量等方面都存在很大差异,尤其是网友自制的视频文件,可能会存在黑屏、绿屏、过暗、图像内容模糊、叠影、马赛克、无主体内容等缺陷(badcase)。如果简单依赖机器进行随机选取或按照简单设置的时间、片长等方式进行视频图像的采样选取,很难保证获得理想的视频封面(如能体现视频的主题,画面清晰干净,画面主体内容突出;其中主体内容突出主要是考虑到视频封面一般大小都比较小,一般长宽在100-200个像素左右,如果画面中的内容繁多时,可能用户看不清具体的内容)。
如果仅仅由计算机进行挑选,而不采用人工干预的情况下,通常可以想到的是通过图像处理技术来对视频中的图像帧进行分析得到一系列的参数,然后根据该参数选择一张合适的图片作为视频封面。但是当前并没有对该项技术进行深入研究,也没有提出过相应的解决方案。因而如果只是对视频图像进行简单而不全面的技术分析,很有可能筛选出的图像还会具有黑屏、绿屏、过暗、图像内容模糊、叠影、马赛克、无主体内容等缺陷,因此应用前景较差。
当然,网友/网站工作人员对上传视频文件也可以通过后期人工选择和技术处理手段来获得较好反映主题内容的视频封面;但是随着互联网的发展与普及,以及普通网友对于制作视频的喜好,对于视频分享网站来说每天上传的视频文件数目惊人,而且还在呈现海量增长。如果对每一个上传的视频文件都采用人工选取和加工将会耗费大量的人力成本,而且效率低下。如何能够在含有数以万计的视频帧的视频文件中方便快捷地筛选出质量较高的视频图像作为视频封面成为本领域亟待解决的技术问题。
此外,对于技术人员,尤其是视频处理技术人员和视频管理人员来说,经常要对视频文件的内容进行检索、分类和审核管理;因此,如何能够在海量视频文件中快速检索出自己关心关注的视频来,也对视频图像的筛选技术提出了更高要求。
发明内容
本发明的目的是提供一种无马赛克或少马赛克图像的筛选方法及系统,用以对视频图像进行马赛克过滤从而获取无马赛克或少马赛克图像;本发明另一方面提供一种清晰图像的筛选方法及系统,用以计算边缘梯度值(清晰度)从而获取较为清晰的视频图像;本发明又一方面提供了一种视频图像的筛选方法及其系统;通过对视频图像进行马赛克过滤、清晰度计算,并结合边缘密度比值执行加权清晰度计算,从而从视频帧中筛选出画面清晰、主体突出且贴切反映视频主题的图像。本发明提供如下技术方案:
本发明的一个方面提供了一种无马赛克或少马赛克图像的筛选方法,该方法包括:将原始图像转换为灰度图后进行马赛克图案的边缘检测,以获取图案的边缘;在图案的边缘上确定边缘点,并根据边缘点选取候选点;对候选点进行水平和垂直方向的直线生长;对水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤;对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点;根据所述马赛克图案的边界,确定并输出马赛克图案的块数;以及根据马赛克图案的块数筛选出无马赛克或少马赛克图像。
本发明提供的无马赛克或少马赛克图像的筛选方法的一个实施例中,根据边缘点选取候选点进一步包括:选取边缘点附近预设像素个数内的像素点为候选点。
本发明提供的无马赛克或少马赛克图像的筛选方法的一个实施例中,对候选点进行水平和垂直方向的直线生长进一步包括:沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与候选点的相应颜色通道的颜色差值不超过预设的阈值,并且在与水平或垂直方向的直线垂直的方向上,沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与其相邻的像素点的相应颜色通道的颜色差值大于预设的另一阈值。
本发明提供的无马赛克或少马赛克图像的筛选方法的一个实施例中,对水平和垂直方向的直线分别进行合并进一步包括:直线在同一水平或者垂直方向上,并且在同一水平或者垂直方向上直线两两相距不超过预设的像素个数。
本发明提供的无马赛克或少马赛克图像的筛选方法的一个实施例中,对合并后的直线进行过滤进一步包括:按照长度低于预设的像素个数的直线被过滤的规则对合并后的直线进行过滤。
本发明提供的无马赛克或少马赛克图像的筛选方法的一个实施例中,对过滤后的直线进行边界延伸进一步包括:对直线的边界延伸预设的像素个数。
本发明提供的无马赛克或少马赛克图像的筛选方法的一个实施例中,该方法进一步包括:找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析合并,去掉相对离群的交叉点。
本发明提供的无马赛克或少马赛克图像的筛选方法的一个实施例中,该方法进一步包括:在确定马赛克图案的边界后,输出马赛克图案的块数之前,对马赛克图案进行误伤检测以降低对马赛克图案的误判。
本发明另一个方面提供了一种无马赛克或少马赛克图像的筛选系统,该系统包括:边缘检测模块,用于将原始图像转换为灰度图后进行马赛克图案的边缘检测,以获取图案的边缘;边缘区域生长模块,用于在图案的边缘上确定边缘点,根据边缘点选取候选点,并对候选点进行水平和垂直方向的直线生长;直线合并模块,用于对水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤;边界确定模块,对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点,以及根据直线和交叉点确定马赛克图案的边界;马赛克输出模块,用于根据确定的马赛克图案的边界输出马赛克图案的块数;以及图像判断模块,用于根据输出马赛克图案的块数以筛选出无马赛克或少马赛克图像。
本发明提供的无马赛克或少马赛克图像的筛选系统的一个实施例中,该系统进一步包括:图像加载模块,用于输入多个视频原始图像;以及图像转换模块,用于将原始图像转换为对应的灰度图像。
本发明提供的无马赛克或少马赛克图像的筛选系统的一个实施例中,该系统进一步包括:误伤检测模块,用于在确定马赛克图案的边界后,输出马赛克图案的块数之前,对马赛克图案进行误伤检测以降低对马赛克图案的误判。
本发明另一个方面提供了一种清晰图像的筛选方法,该方法包括:将原始图像转换为灰度图后进行滤波降噪处理;对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;将每个像素点的8个邻域内的边缘梯度进行加权求和,从而计算出每个像素点的边缘梯度和;累加每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度;根据归一化后获得的边缘梯度值筛选出清晰的图像。
本发明提供的清晰图像的筛选方法的一个实施例中,滤波降噪处理包括:通过中值滤波或均值滤波的方式对灰度图进行去噪处理。
本发明提供的清晰图像的筛选方法的一个实施例中,该方法进一步包括:在计算每个像素点的8个邻域内的边缘梯度之后,计算每个像素点的8个邻域的边缘梯度的权值。
本发明另一个方面提供了一种清晰图像的筛选系统,该系统包括:滤波降噪模块,用于将原始图像转换为灰度图后进行滤波降噪处理;边缘梯度计算模块,对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;将每个像素点的8个邻域内的边缘梯度进行加权求和,从而计算出每个像素点的边缘梯度和;归一化模块,用于累加每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度;图像筛选模块,用于根据归一化后获得的边缘梯度值筛选出清晰的图像。
本发明另一个方面提供了一种视频图像的筛选方法,该方法包括:将视频图像转换为灰度图后,过滤单色图像;采用无马赛克或少马赛克图像的筛选方法筛选出无马赛克或少马赛克的图像;计算筛选出的图像的信息熵用以筛选出信息量多的图像;对筛选出的图像划分黄金视觉区域,用以计算各个区域的边缘密度,得到图像的边缘密度比值;对筛选出的图像分别计算其归一化的边缘梯度值;计算边缘密度比值和边缘梯度值的加权之和,筛选加权之和最大的视频图像。
本发明提供的视频图像的筛选方法的一个实施例中,过滤单色图像进一步包括:通过计算归一化直方图来统计灰度分布以过滤单色图像。
本发明提供的视频图像的筛选方法的一个实施例中,该方法进一步包括:在计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
本发明提供的视频图像的筛选方法的一个实施例中,边缘密度比值是黄金视觉区域的中间区域的边缘密度与黄金视觉区域的边缘区域的比值。
本发明提供的视频图像的筛选方法的一个实施例中,对筛选出的图像分别计算其归一化的边缘梯度值具体包括:对筛选出的图像进行滤波降噪处理;对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;将每个像素点的8个邻域内的边缘梯度进行加权求和,从而计算出每个像素点的边缘梯度和;以及累加每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度。
本发明提供的视频图像的筛选方法的一个实施例中,滤波降噪处理包括:通过中值滤波或均值滤波的方式对灰度图进行去噪处理。
本发明提供的视频图像的筛选方法的一个实施例中,在计算每个像素点的8个邻域内的边缘梯度之后,计算每个像素点的8个邻域的边缘梯度的权值。
本发明另一个方面提供了一种视频图像的筛选系统,该系统包括:单色图像检测模块,用于将视频图像转换为灰度图后,通过计算归一化直方图来统计灰度分布以过滤单色图像;马赛克图案过滤平台,用于根据输出马赛克图案的块数筛选出无马赛克或少马赛克的图像;信息熵计算模块,用于计算无马赛克或少马赛克的图像的信息熵以筛选出信息量多的图像;边缘密度计算模块,用于对筛选出的图像划分黄金视觉区域,计算各个区域的边缘密度,得到图像的边缘密度比值;边缘梯度值计算平台,用于计算筛选出的图像的归一化的边缘梯度值;以及清晰度筛选模块,用于计算边缘密度比值和边缘梯度值的加权之和,并筛选出加权之和最大的视频图像。
本发明提供的视频图像的筛选系统的一个实施例中,马赛克图案过滤平台包括:边缘检测模块,用于在过滤单色图像后进行马赛克图案的边缘检测,以获取图案的边缘;边缘区域生长模块,用于在图案的边缘上确定边缘点,根据边缘点选取候选点,并对候选点进行水平和垂直方向的直线生长;直线合并模块,用于对水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤;边界确定模块,对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点,并根据直线和交叉点确定马赛克图案的边界;以及马赛克输出模块,用于根据确定的马赛克图案的边界输出马赛克图案的块数;以及图像判断模块,用于根据输出马赛克图案的块数以筛选出无马赛克或少马赛克图像。
本发明提供的视频图像的筛选系统的一个实施例中,马赛克图案过滤平台进一步包括:误伤检测模块,用于在确定马赛克图案的边界后,输出马赛克图案的块数之前,对马赛克图案进行误伤检测以降低对马赛克图案的误判。
本发明提供的视频图像的筛选系统的一个实施例中,边缘梯度值计算平台包括:滤波降噪模块,用于将原始图像转换为灰度图后进行滤波降噪处理;边缘梯度计算模块,对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;将每个像素点的8个邻域内的边缘梯度进行加权求和,从而计算出每个像素点的边缘梯度和;以及归一化模块,用于累加每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度。
本发明提供的视频图像的筛选系统的一个实施例中,该系统进一步包括:K均值过滤模块,在计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
本发明提供的视频图像的筛选系统的一个实施例中,该系统进一步包括:图像加载模块,用于输入多个视频原始图像;以及图像转换模块,用于将原始图像转换为对应的灰度图像。
本发明提供了一种无马赛克或少马赛克图像的筛选方法及其系统,有利于从视频图像中筛选出无马赛克或少马赛克图像;本发明另一方面提供的一种清晰图像的筛选方法及其系统,有利于从视频图像中筛选出图案边缘轮廓较为清晰的图像;本发明另一方面提供的一种视频图像的筛选方法,有利于从视频帧中筛选出画面清晰、主体突出且贴切反映视频主题的图像。本发明提供的方法及其系统有利于提高筛选视频封面的效率,同时提高了用户访问视频网站的忠诚度,也有利于网站运营商推广其网站和相关业务。
附图说明
图1示出根据本发明的无马赛克或少马赛克图像的筛选方法的一个实施例的流程图;
图2(a)示出通常马赛克视频图像的示意图,图2(b)示出该马赛克视频图像所确定的马赛克图案边界的示意图;
图3(a)示出通常视频图像的示意图,图3(b)示出该视频图像对应的灰度图(直方图)的示意图,图3(c)示出单色图像对应的灰度图(直方图)的示意图;
图4示出根据本发明的无马赛克或少马赛克图像的筛选方法的一个实施例的流程图;
图5示出根据本发明的无马赛克或少马赛克图像的筛选方法的一个实施例的流程图;
图6示出根据本发明的无马赛克或少马赛克图像的筛选方法的一个实施例的流程图;
图7示出根据本发明的无马赛克或少马赛克图像的筛选系统的一个实施例的结构示意图;
图8示出根据本发明的无马赛克或少马赛克图像的筛选系统的一个实施例的结构示意图;
图9示出根据本发明的无马赛克或少马赛克图像的筛选系统的一个实施例的结构示意图;
图10示出根据本发明的无马赛克或少马赛克图像的筛选系统的一个实施例的结构示意图;
图11示出根据本发明的清晰图像的筛选方法的一个实施例的流程图;
图12示出根据本发明的清晰图像的筛选系统的一个实施例的结构示意图;
图13示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图14(a)示出通常视频图像的示意图,图14(b)示出该视频图像对应的灰度图像视觉区域的划分示意图;
图15示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图16示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图17示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图18示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图19示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图20示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图21示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图22示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图23示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
图24示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图25示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图26示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图27示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图28示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图29示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图30示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图31示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图32示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图;
图33示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
具体实施方式
在介绍具体实施例之前,先简要说明一下筛选图像的基本思想。为了实现筛选的图像能够满足以下要求:体现视频主题、画面干净清晰和/或主体内容突出,需要将相应特征通过一些技术参数来进行量化,以便采用技术手段就能够自动,快捷地筛选出符合预期的视频图片,从而达到解决技术问题的需要。
体现视频主题:一个视频文件往往会描述多个内容实体(人物、情节等),有多个不同的场景,单靠一张图像来代表整个视频,要达到体现视频主题是比较困难的。所以在这一方面将重点放在过滤缺陷(casebase)的方面,而不是每个帧的语义分析上。过滤的badcase主要包括:黑屏、绿屏、整体颜色过暗或者过亮、虚镜头、叠影和马赛克等。
画面干净清晰:图像是否清晰通过边缘梯度(清晰度)来表征,图像是否干净可以用边缘密度来表征。
主题内容突出:通过视觉黄金区域的边缘密度比值和边缘梯度等加权计算来表征。
下面参照附图对本发明进行更全面的描述,其中说明本发明的示例性实施例。
图1示出根据本发明的无马赛克或少马赛克图像的筛选方法的一个实施例的流程图。
如图1所示,步骤102,马赛克图案的边缘检测以获取图案的边缘。例如,将原始图像转换为灰度图后进行马赛克图案的边缘检测,以获取图案的边缘。如图2(a)所示,马赛克图案的显著特征是在视频图像中具有比较明显的块状图案,并且这些块状图案的纹理与旁边的图像块的色彩有比较明显的区别;马赛克图案的形状有大有小,也有可能是多个方块的组合。根据马赛克块边上的色彩突变以及方块的规则性,从而区分出马赛克与正常图像的边缘。由于马赛克图案与周边图像可能会有部分接近,因此,通过该步骤确定的边缘并不能完全用于界定马赛克图案的边界。
步骤104,确定边缘点,选取候选点。例如,在马赛克图案的边缘上确定边缘点,并根据边缘点选取其附近的候选点。具体来说可以选取边缘点附近预设像素个数内的像素点为候选点,如选取所确定的边缘点附近3-7个像素个数内的像素点为候选点,进一步地,也可以选择所确定的边缘点附近4、5或6个像素个数内的像素点为候选点。
步骤106,对候选点进行水平和垂直方向的直线生长。例如,对候选点进行水平和垂直方向的直线生长时,直线生长应该满足:沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与候选点的相应颜色通道的颜色差值不超过预设的阈值(例如不超过50,进一步地,不超过30),并且在与水平或垂直方向的直线垂直的方向上,沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与其相邻的像素点的相应颜色通道的颜色差值大于预设的另一阈值(例如大于5,进一步地,大于10)。
步骤108,对水平和垂直方向的直线分别进行合并及合并后过滤。例如,对水平和垂直方向的直线分别进行合并处置,其中直线在同一水平或者垂直方向上,并且在同一水平或者垂直方向上直线两两相距不超过预设的像素个数(例如直线两两相距不超过5个像素点,进一步地,距离不超过3个像素点,此外,还可以对直线合并的方向性进行选择,例如优选从右向左,从上向下等方式进行);随后对合并后的直线进行过滤处理,具体来说,过滤掉长度低于预设的像素个数的直线,如合并后长度低于15个像素点的直线,进一步地,也可以选择过滤掉长度低于10个像素点的直线。
步骤110,对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点。由于在宏观上看似构成闭合区间的两条直线,可能在交界处并不真实交叉;因此,为了能够准确获取马赛克的边界,需要对过滤后的直线进行边界延伸,例如对直线的边界端点延伸2-5个像素点,进一步地,延伸3或4个像素点的距离;从而获取马赛克区域的所有可能的交叉点。
步骤112,根据直线和交叉点确定马赛克图案的边界。例如,在灰度图中借助合并的直线和延伸后得到的交叉点绘制出马赛克图案的边界(如图2(b)所示)。
步骤114,根据马赛克图案的边界确定和输出马赛克图案的块数。例如,根据所确定的马赛克图案的边界,从而确定和输出该视频图像中出现的马赛克的块数,用以评价该视频图像是否有马赛克图案以及马赛克图案的多少。从而本领域技术人员能够以马赛克块数多少这一量化的指标,从技术的角度为用户筛选出无马赛克或少马赛克图像。
本发明提供的无马赛克或少马赛克图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的无马赛克或少马赛克图像的筛选方法,利用马赛克图案块状特性和在块状边缘处的色彩突变等规律特性,识别出马赛克与正常图像的边界,通过对边界的生长、合并得到马赛克区域;从而为自动获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,提高了视频图像检索和筛选的效率。
图4示出根据本发明的无马赛克或少马赛克图像的筛选方法的一个实施例的流程图。
如图4所示,步骤402-410和步骤412-步骤414可以分别执行与图1所示的步骤102-步骤114相同或相似的技术内容,为简洁起见,这里不再赘述其技术内容。
与图1所示的无马赛克或少马赛克图像的筛选方法流程100明显不同之处在于:如图4所示,在步骤410“对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点”之后,步骤412“根据直线和交叉点确定马赛克图案的边界”之前,增加了步骤411判断“交叉点是否离群”,即在找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析判断;如果该交叉点不离群,可以采用合并交叉点的方式,然后执行步骤412;否则,忽略或去掉相对离群的交叉点。具体来说,判断交叉点是否离群可以依据:对两个距离相近的交叉点进行比较,如果该交叉点夹在两个距离不大的交叉点中间,或者该交叉点所处的另外一条直线上没有其他直线有交叉点的话;那么这样的交叉点将被忽略或从交叉点标记记录中被去掉。
本发明提供的无马赛克或少马赛克图像的筛选方法,在获得直线交叉点后通过忽略或去掉相对离群的交叉点,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为准确高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,提高了视频图像检索和筛选的效率。
图5示出根据本发明的无马赛克或少马赛克图像的筛选方法的一个实施例的流程图。
如图5所示,步骤502-512和步骤514可以分别执行与图1所示的步骤102-步骤114相同或相似的技术内容,为简洁起见,这里不再赘述其技术内容。
与图1所示的无马赛克或少马赛克图像的筛选方法流程100明显不同之处在于:如图5所示,在步骤512“根据直线和交叉点确定马赛克图案的边界”之后,步骤514“输出马赛克图案的块数”之前,增加了步骤513“对马赛克图案进行误伤检测”,即在确定马赛克图案的边界后,输出马赛克图案的块数之前,对马赛克图案进行误伤检测以降低对马赛克图案的误判。
具体来说,对确定的马赛克边界区域进行分析,所确定的马赛克图案的边界中至少包括3个交叉点,从而至少能形成3边闭合的图形,最多只留一边不闭合,去掉不符合要求的马赛克图案的边界。第二类情形、如果马赛克边界包围的区域面积过小(例如面积小于某一预先设定的阈值,或者时以人眼视觉识别中可以忽略的像素区面积大小)或者是区域的长/宽过小时,那么这样的马赛克图案可以被忽略或过滤掉。第三类情形是对隔离出来的马赛克进行分析时发现整个图像中的马赛克块数很少,那么可以认为是误伤,从而忽略或过滤该马赛克图案。
另外一种特殊情况是,如果确定的马赛克图案的区域面积过于大,也被忽略或过滤掉,以防止对某些特殊情况的误判(如视频图像帧本身就是以马赛克图案为背景,如何识别和筛选此类图像可以具体参考后续的实施例中有关清晰度、边缘密度比值等手段的介绍)。
本发明提供的无马赛克或少马赛克图像的筛选方法,在确定马赛克图案的边界后,通过对马赛克图案进行误伤检测从而忽略或过滤掉非马赛克图案或不至于损伤图像质量的误判,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,提高了视频图像检索和筛选的准确定。
图6示出根据本发明的无马赛克或少马赛克图像的筛选方法的一个实施例的流程图。
如图6所示,步骤602-610和步骤612-步骤614可以分别执行与图5所示的步骤502-步骤514相同或相似的技术内容,为简洁起见,这里不再赘述其技术内容。
与图5所示的无马赛克或少马赛克图像的筛选方法流程500明显不同之处在于:如图6所示,在步骤610“对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点”之后,步骤612“根据直线和交叉点确定马赛克图案的边界”之前,增加了步骤611判断“交叉点是否离群”,即在找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析判断;如果该交叉点不离群,可以采用合并交叉点的方式,然后执行步骤612;否则,忽略或去掉相对离群的交叉点。具体来说,判断交叉点是否离群可以依据:对两个距离相近的交叉点进行比较,如果该交叉点夹在两个距离不大的交叉点中间,或者该交叉点所处的另外一条直线上没有其他直线有交叉点的话;那么这样的交叉点将被忽略或从交叉点标记记录中被去掉。
本发明提供的无马赛克或少马赛克图像的筛选方法,在获得直线交叉点后通过忽略或去掉相对离群的交叉点,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为准确高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,提高了视频图像检索和筛选的效率。
图7示出根据本发明的无马赛克或少马赛克图像的筛选系统的一个实施例的结构示意图。如图7所示,无马赛克或少马赛克图像的筛选系统700主要包括:边缘检测模块702、边缘区域生长模块704、直线合并模块706、边界确定模块708、马赛克输出模块710和图像判断模块712。
其中:边缘检测模块702,用于将原始图像转换为灰度图后进行马赛克图案的边缘检测,以获取图案的边缘。鉴于马赛克图案的显著特征是在视频图像中具有比较明显的块状图案,并且这些块状图案的纹理与旁边的图像块的色彩有比较明显的区别;因而边缘检测模块702根据马赛克块边上的色彩突变以及方块的规则性,从而区分出马赛克与正常图像的边缘。由于马赛克图案与周边图像可能会有部分接近,因此,通过边缘检测模块702确定的边缘并不能完全用于界定马赛克图案的边界。
边缘区域生长模块704,用于在图案的边缘上确定边缘点,根据边缘点选取候选点,并对候选点进行水平和垂直方向的直线生长。例如,边缘区域生长模块704先在马赛克图案的边缘上确定边缘点,并根据边缘点选取其附近的候选点;具体来说边缘区域生长模块704可以选取边缘点附近预设像素个数内的像素点为候选点,如选取所确定的边缘点附近3-7个像素个数内的像素点为候选点,进一步地,也可以选择所确定的边缘点附近4、5或6个像素个数内的像素点为候选点。边缘区域生长模块704对候选点进行水平和垂直方向的直线生长时,选择沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与候选点的相应颜色通道的颜色差值不超过预设的阈值(例如不超过50,进一步地,不超过30),并且在与水平或垂直方向的直线垂直的方向上,沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与其相邻的像素点的相应颜色通道的颜色差值大于预设的另一阈值(例如大于5,进一步地,大于10)。
直线合并模块706,用于对水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤。例如,直线合并模块706对水平和垂直方向的直线分别进行合并处置,其中直线在同一水平或者垂直方向上,并且在同一水平或者垂直方向上直线两两相距不超过预设的像素个数(例如直线两两相距不超过5个像素点,进一步地,距离不超过3个像素点);随后对合并后的直线进行过滤处理,具体来说,要求过滤掉长度低于预设的像素个数的直线,如合并后长度低于15个像素点的直线,进一步地,长度低于10个像素点的直线。
边界确定模块708,对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点,以及根据直线和交叉点确定马赛克图案的边界。例如,由于在宏观上看似构成闭合区间的两条直线,可能在交界处并不真实交叉;因此,为了能够准确获取马赛克的边界,需要对过滤后的直线进行边界延伸,例如对直线的边界端点延伸2-5个像素点,进一步地,延伸3或4个像素点的距离;从而获取马赛克区域的所有可能的交叉点,随后在灰度图中借助合并的直线和延伸后得到的交叉点绘制出马赛克图案的边界。
马赛克输出模块710,用于根据确定的马赛克图案的边界输出马赛克图案的块数。例如,根据所确定的马赛克图案的边界,由马赛克输出模块710确定出该视频图像中出现的马赛克的块数,用以评价该视频图像是否有马赛克图案以及马赛克图案的多少。
图像判断模块712,用于根据输出马赛克图案的块数以筛选出无马赛克或少马赛克图像。例如,图像判断模块712根据马赛克输出模块710输出的数值与某个预先设定的阈值进行比较,从而能够从技术的角度为用户筛选出无马赛克或少马赛克图像。
本发明提供的无马赛克或少马赛克图像的筛选系统的一个实施例中,直线合并模块706进一步用于判断交叉点是否离群,即在找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析判断;如果该交叉点不离群,可以采用合并交叉点的方式;否则,忽略或去掉相对离群的交叉点。具体来说,直线合并模块706对两个距离相近的交叉点进行比较,如果该交叉点夹在两个距离不大的交叉点中间,或者该交叉点所处的另外一条直线上没有其他直线有交叉点的话;那么这样的交叉点将被忽略或从交叉点标记记录中被去掉。
本发明提供的无马赛克或少马赛克图像的筛选系统,利用边缘检测模块702识别出马赛克与正常图像的边界,通过边缘区域生长模块704、直线合并模块706对边界区域进行生长、合并得到马赛克区域;通过马赛克输出模块710和图像判断模块712自动获取或筛选无马赛克或少马赛克图像;为视频图像处理提供了技术保障,提高了视频图像检索和筛选的效率。
图8示出根据本发明的无马赛克或少马赛克图像的筛选系统的一个实施例的结构示意图。
如图8所示,无马赛克或少马赛克图像的筛选系统800主要包括:图像加载模块801a、图像转换模块801b、边缘检测模块802、边缘区域生长模块804、直线合并模块806、边界确定模块808、马赛克输出模块810和图像判断模块812;其中边缘检测模块802、边缘区域生长模块804、直线合并模块806、马赛克输出模块810和图像判断模块812分别可以是与图7所示边缘检测模块702、边缘区域生长模块704、直线合并模块706、边界确定模块708、马赛克输出模块710和图像判断模块712具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图7所示的无马赛克或少马赛克图像的筛选系统700明显不同之处在于:如图8所示,无马赛克或少马赛克图像的筛选系统800增加了图像加载模块801a和图像转换模块801b;其中图像加载模块801a,用于向无马赛克或少马赛克图像的筛选系统800输入多个视频原始图像;图像转换模块801b,用于将图像加载模块801a加载的原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
图9示出根据本发明的无马赛克或少马赛克图像的筛选系统的一个实施例的结构示意图。
如图9所示,无马赛克或少马赛克图像的筛选系统900主要包括:边缘检测模块902、边缘区域生长模块904、直线合并模块906、边界确定模块908、误伤检测模块909、马赛克输出模块910和图像判断模块912;其中边缘检测模块902、边缘区域生长模块904、直线合并模块906、边界确定模块908、马赛克输出模块910和图像判断模块912分别可以是与图7所示边缘检测模块702、边缘区域生长模块704、直线合并模块706、边界确定模块708、马赛克输出模块710和图像判断模块712具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图7所示的无马赛克或少马赛克图像的筛选系统700明显不同之处在于:如图9所示,无马赛克或少马赛克图像的筛选系统900在边界确定模块908之后增加了误伤检测模块909,用于在边界确定模块908确定马赛克图案的边界后,对马赛克图案进行误伤检测以降低对马赛克图案的误判。具体来说,对确定的马赛克边界区域进行分析,所确定的马赛克图案的边界中至少包括3个交叉点,从而至少能形成3边闭合的图形,最多只留一边不闭合,去掉不符合要求的马赛克图案的边界。第二类情形、如果马赛克边界包围的区域面积过小(例如面积小于某一预先设定的阈值,或者时以人眼视觉识别中可以忽略的像素区面积大小)或者是区域的长/宽过小时,那么这样的马赛克图案可以被忽略或过滤掉。第三类情形是对隔离出来的马赛克进行分析时发现整个图像中的马赛克块数很少,那么可以认为是误伤,从而忽略或过滤该马赛克图案。另外一种特殊情况是,如果确定的马赛克图案的区域面积过于大,也被忽略或过滤掉,以防止对某些特殊情况的误判(如视频图像帧本身就是以马赛克图案为背景,如何识别和筛选此类图像可以具体参考后续的实施例中有关清晰度、边缘密度比值等手段的介绍)。
本发明提供的无马赛克或少马赛克图像的筛选系统,利用边缘检测模块902识别出马赛克与正常图像的边界,通过边缘区域生长模块904、直线合并模块906对边界区域进行生长、合并得到马赛克区域;在确定马赛克图案的边界后,通过误伤检测模块909进行误伤检测从而忽略或过滤掉非马赛克图案或不至于损伤图像质量的误判,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,提高了视频图像检索和筛选的准确定。
图10示出根据本发明的无马赛克或少马赛克图像的筛选系统的一个实施例的结构示意图。如图10所示,无马赛克或少马赛克图像的筛选系统1000主要包括:图像加载模块1001a、图像转换模块1001b、边缘检测模块1002、边缘区域生长模块1004、直线合并模块1006、边界确定模块1008、误伤检测模块1009、马赛克输出模块1010和图像判断模块1012;其中边缘检测模块1002、边缘区域生长模块1004、直线合并模块1006、边界确定模块1008、误伤检测模块1009、马赛克输出模块1010和图像判断模块1012分别可以是与图9所示边缘检测模块902、边缘区域生长模块904、直线合并模块906、边界确定模块908、误伤检测模块909、马赛克输出模块910和图像判断模块912具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图9所示的无马赛克或少马赛克图像的筛选系统900明显不同之处在于:如图10所示,无马赛克或少马赛克图像的筛选系统1000增加了图像加载模块1001a和图像转换模块1001b;其中图像加载模块1001a,用于向无马赛克或少马赛克图像的筛选系统1000输入多个视频原始图像;图像转换模块1001b,用于将图像加载模块1001a加载的原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
图11示出根据本发明的清晰图像的筛选方法的一个实施例的流程图。
如图11所示,步骤1102,对灰度图进行滤波降噪处理。例如,将原始图像转换为灰度图(如图3(b)所示)后,进行滤波降噪处理。由于噪声一般属于随机噪声,噪声主要位于高频区域,对边缘差分影响较大,需要通过滤波降低这种影响。通常可以通过中值滤波或者均值滤波的方式去掉噪声,鉴于中值滤波对边缘保持效果要好一些,因此采用中值滤波有利于后续流程的处理。
步骤1104,分别计算每个像素点的8个邻域内的边缘梯度。例如,对降噪处理后的灰度图中的每个像素点分别选取其相邻的8个像素点,构成8个灰度变化方向,分别计算每个像素点相对于其8个邻域内的边缘梯度。稍后对边缘梯度做进一步详细介绍。
步骤1106,加权计算每个像素点的边缘梯度和。例如,在计算每个像素点的8个邻域内的边缘梯度之后,可以采用预设权值的方式对每个像素点的8个邻域的边缘梯度预设权值(例如在对一类图像进行边缘梯度计算统计后获取相关权值后取平均,以此作为该类图像各个邻域边缘梯度的权值),也可以采用计算权值的方式来计算每个像素点的8个邻域的边缘梯度的权值;然后将每个像素点的8个邻域内的边缘梯度进行加权求和,从而计算出每个像素点的边缘梯度和。稍后对8个邻域的边缘梯度的权值做进一步详细介绍。
步骤1108,计算归一化的边缘梯度(图像的清晰度)。例如,累加每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度。稍后对归一化的边缘梯度做进一步详细介绍。
步骤1110,根据归一化的边缘梯度值筛选出清晰的图像。以边缘梯度作为技术指标对视频图像进行采样量化,通常虚镜头和叠影等图像归一化的边缘梯度值都比较低,而清晰图像的归一化边缘梯度值清晰度要远高于不清晰图像。
对图像边缘梯度(图像的清晰度)的计算,主体思想是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;灰度变化越剧烈,边缘越清晰,因而图像也越清晰。某图像的边缘差分(锐度)计算可以采用如下公式:
其中,“df/dx”为边缘法向的灰度变化率,“f”代表图像边缘的曲线函数,“f(b)-f(a)”为该边缘方向总体灰度变化。鉴于图像的边缘并不能完全由简单的函数表达式来进行表征,因此,在计算边缘法向的灰度变化率“df/dx”时可以采用逐像素点差分统计,即从“a”到“b”的范围内逐像素点差分统计。
边缘差分可以采用sobel或者laplace算子进行计算,以sobel算子为例,其主要包括:先用水平sobel算子计算,然后使用垂直的sobel算子计算,再分别旋转水平和垂直sobel算子45度后进行计算;去掉值较小的和值较大的(值较小认为不是边缘,值较大需要进行限制,以免出现离群点影响整体效果;判断值大小所预先设定的阈值,对其的选取也可以部分考虑具体分析的图像,在本发明的一个实施例中可以设置阈值的下限是50,上限是255;在此区间内,根据具体分析的图像选取适当的阈值范围,例如60-200),最后对有效边缘差分累加求和后再除以有效的边缘差分值个数。如果有效的差分值个数为0,那么可以认为该点的整体差分值也为0。
对8个邻域的边缘梯度赋予一定的权值主要是考虑到:对像素点周围的8个邻域的采样具有各向异性的特点,因此需要对8邻域的灰度变化进行距离加权。举例来说,可以设定某像素点0°和90°邻域的权值为1,45°和90°邻域的权值为1/1.414;类似的设定方式也可以被采用。
此外还需要对图像中所有像素点的边缘梯度进行归一化处理,以便于能够对图像进行比较直接、明确地判断。归一化可以采用的计算公式:
在归一化边缘梯度公式中,对图像中的每个区域内的每个像素点“b”都要求其8邻域(a取1到8的整数)内的边缘梯度,再累加该图像中各个区域内像素点(i取1到m*n的整数)的边缘梯度计算出来的各个区域内的边缘梯度和,最后除以各自区域内的像素点个数。这样得到某个区域内的归一化的边缘梯度和,该值将与图像区域的大小和像素个数无关。如果计算的是整个图像的所有区域,那么m*n对应着整个图像的长和宽,从而计算出的是整个图像的归一化的边缘梯度值。
本发明提供的清晰图像的筛选方法,通过计算每个像素点8个邻域内的边缘梯度,进而加权获得该像素点的边缘梯度;通过图像的归一化的边缘梯度从而自动获取或筛选出清晰的视频图像,提高了清晰视频图像的筛选效率。
图12示出根据本发明的清晰图像的筛选系统的一个实施例的结构示意图。
如图12所示,清晰图像的筛选系统1200主要包括:滤波降噪模块1202、边缘梯度计算模块1204、归一化模块1206和图像筛选模块1208。
其中滤波降噪模块1202,用于将原始图像转换为灰度图后进行滤波降噪处理。例如,将原始图像转换为灰度图(如图2(b)所示)后,进行滤波降噪处理。通常滤波降噪模块1202可以通过中值滤波或者均值滤波的方式去掉噪声,鉴于中值滤波对边缘保持效果要好一些,因此采用中值滤波有利于后续流程的处理。
边缘梯度计算模块1204,对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;将每个像素点的8个邻域内的边缘梯度进行加权求和,从而计算出每个像素点的边缘梯度和。
归一化模块1206,用于累加每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度。
图像筛选模块1208,用于根据归一化后获得的边缘梯度值筛选出清晰的图像。以边缘梯度作为技术指标对视频图像进行采样量化,通常虚镜头和叠影等图像归一化的边缘梯度值都比较低,而清晰图像的归一化边缘梯度值清晰度要远高于不清晰图像。因此,图像筛选模块1208根据预先设定的阈值可以自动判断并筛选出清晰的图像。
图13示出根据本发明的视频图像的筛选方法的一个实施例的流程图。
如图13所示,步骤1302,过滤灰度图中的单色图像。单色图像的直方图(如图3(c)所示)与色彩比较丰富的灰度直方图(如图3(b)所示)有很明显的区别,单色图像(包括过暗或过亮图像)的直方图都会出现灰度分布相当集中的情况,通过统计该图像的直方图的灰度分布特性可以很容易区分出该图像。因此,在步骤1302中对灰度图计算其归一化的直方图(如图3(b)所示),然后统计其灰度分布。灰度分布统计可以选用如下公式:
其中“Histm”代表在某个灰度级别“m”下到“m+T”的灰度集中概率。其中T是一个可以预先设定的阈值,T设置越大则过滤后的图像灰度分布越均匀,T设置越小则只过滤一些非常单纯的图像。T值的选择可以根据具体过滤的图像进行适当调整。本发明的一个实施例中,T值是对单色图像的直方图聚集的区域和需要过滤的阈值配合调整得到的,具体也可以参考具体应用和获得的统计效果来调整T值;例如如果需要过滤灰度集中度超过0.7的图像,那么可以设置T为30。
步骤1304,筛选出无马赛克或少马赛克的图像。具体可以参考如图1、4-6所示的无马赛克或少马赛克图像的筛选方法流程来筛选出无马赛克或少马赛克的图像,这里就不再赘述。
步骤1306,计算信息熵以筛选出信息量多的图像。在信息论中,熵是对不确定性的量度(具体参考信息论的创始人香农的《通信的数学理论》,其中提出了概率统计模型上的信息度量)。在图像处理中,熵能够反映图像信息量的多少;熵值越大表明该图像含有的信息量越多。图像信息熵的计算可以采用如下公式:
其中pi表示在某灰度级别i下的像素个数占总像素个数的比例。上述两个公式都可以采用,在一般的图像处理中第一个公式更为常用。
步骤1308,对筛选出的图像划分黄金视觉区域计算各区域的边缘密度计算图像的边缘密度比值。人们在看图像的时候,图像各个区域受到的关注的程度是不同的,中间区域是受到关注度最高,上下左右的边缘区域次之,图像的四个角受到的关注度最小。一般称关注度最高的中间区域为视觉黄金区域,它的区域位置大致在图像2:6:2中的6的位置。如图14(b)所示,灰度图像一共分成了9个部分,其中中间区域是视觉黄金区域,上下左右的四个边缘区域是次重要区,四个边角区域是最不受关注区域。某区域的边缘密度可以采用如下计算公式:
其中,“Edge”的取值为0或者1,如果是边缘点则为1,否则为0。i表示某个区域,对于整个区域则m和n就是该图像的长宽。边缘密度公式用于统计某区域i中边缘点的个数和边缘区域面积的比值。边缘的获取通过现有技术(如canny算子)得到。边缘密度比值“Edgerate”是将视觉黄金区域(如图14(b)所示的中间区域)的边缘密度“ratecenter”除以边缘区域(如图14(b)所示的上下左右四个区域)的边缘密度“rateside”,具体计算公式如下:
步骤1310,对筛选出的图像分别计算其归一化的边缘梯度值。具体可以参考如图11所示的流程中的步骤1102-步骤1108计算出图像归一化的边缘梯度值,这里就不再赘述。
步骤1312,计算边缘密度比值和边缘梯度值的加权之和筛选加权之和最大的视频图像。根据区域权值的不同,计算加权清晰度度“EW”,具体采用如下计算公式:
EW=Normal(S)*ws+Normal(Edgerate)*we
其中“Normal(S)”是归一化的边缘梯度,“Noraml(Edgerate)”是归一化的边缘密度比值,“w”是两种度量值的权值,其中“S”是图像的清晰度,也就是各个区域的边缘梯度累加和“S”的计算公式如下:
S=Ec*weightc+Es*weights+El*weightl
其中:weightc为图像中心区域的清晰度加权,weights为图像两边区域的清晰度加权,weightl为四个边角区域加权。weightc>weights>weightl。加权因子“w”是一个0-2之间的值。例如,“ws”设置为2,边缘密度的比值计算出来后,会对“we”会进行映射,映射的比例关系大致如下:
(1)Edgerate>=5时,we=1;
(2)5>Edgerate>=1时,we=0.8+0.2*(5-Edgerate)/4;
(3)1>Edgerate>0.2时,we=0.5+0.3*(Edgerate-0.2)/0.8;
(4)Edgerate<=0.2时,we=0.5。
对于“we”的映射关系,这里只是举例说明;还可以根据各种应用的具体需求来变换映射的比例系数,不同的应用可能需要微调一下。通常,从一个视频文件抽取出来的图像个数是有限的,计算完加权清晰度“EW”后可以进行排序,统计加权清晰度“EW”的均值,统计相邻数值的步长均值,如果该值靠近均值则赋值为0.5,如果靠的比较远则按照距离和平均步长的比值分别进行赋值。赋值的方法类似“we”的赋值方法,不完全是线性映射,可以采用有点类似高斯模型的赋值方式。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
图15示出根据本发明的视频图像的筛选方法的一个实施例的流程图。
如图15所示,视频图像的筛选方法1500流程中的步骤1502、1506-1512分别采用与图13所示流程中的步骤1302、1306-1312相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图13所示的视频图像的筛选方法1300明显不同之处在于:如图15所示,在步骤1502“过滤灰度图中的单色图像”之后,依次执行步骤1504a-1504g,以具体替换图13中的步骤1304。具体如下所述:
步骤1504a,马赛克图案的边缘检测以获取图案的边缘。例如,将原始图像转换为灰度图后进行马赛克图案的边缘检测,根据马赛克块边上的色彩突变以及方块的规则性,从而区分出马赛克与正常图像的边缘。
步骤1504b,确定边缘点,选取候选点。例如,在马赛克图案的边缘上确定边缘点,并根据边缘点选取其附近的候选点。具体来说可以选取边缘点附近预设像素个数内的像素点为候选点,如选取所确定的边缘点附近3-7个像素个数内的像素点为候选点,进一步地,也可以选择所确定的边缘点附近4、5或6个像素个数内的像素点为候选点。
步骤1504c,对候选点进行水平和垂直方向的直线生长。例如,对候选点进行水平和垂直方向的直线生长时,直线生长应该满足:沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与候选点的相应颜色通道的颜色差值不超过预设的阈值(例如不超过50,进一步地,不超过30),并且在与水平或垂直方向的直线垂直的方向上,沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与其相邻的像素点的相应颜色通道的颜色差值大于预设的另一阈值(例如大于5,进一步地,大于10)。
步骤1504d,对水平和垂直方向的直线分别进行合并及合并后过滤。例如,对水平和垂直方向的直线分别进行合并处置,其中直线在同一水平或者垂直方向上,并且在同一水平或者垂直方向上直线两两相距不超过预设的像素个数(例如直线两两相距不超过5个像素点,进一步地,距离不超过3个像素点);随后对合并后的直线进行过滤处理,具体来说,要求过滤掉长度低于预设的像素个数的直线,如合并后长度低于15个像素点的直线,进一步地,长度低于10个像素点的直线。
步骤1504e,对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点。由于在宏观上看似构成闭合区间的两条直线,可能在交界处并不真实交叉;因此,为了能够准确获取马赛克的边界,需要对过滤后的直线进行边界延伸,例如对直线的边界端点延伸2-5个像素点,进一步地,延伸3或4个像素点的距离;从而获取马赛克区域的所有可能的交叉点。
步骤1504f,根据直线和交叉点确定马赛克图案的边界。例如,在灰度图中借助合并的直线和延伸后得到的交叉点绘制出马赛克图案的边界(如图2(b)所示)。
步骤1504g,输出马赛克图案的块数以筛选出无马赛克或少马赛克的图像。例如,根据所确定的马赛克图案的边界,从而确定出该视频图像中出现的马赛克的块数,用以评价该视频图像是否有马赛克图案以及马赛克图案的多少,从而能够从技术的角度为用户筛选出无马赛克或少马赛克图像。在执行完步骤1504g之后再依次执行步骤1506-1512。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,利用马赛克图案块状特性和在块状边缘处的色彩突变等规律特性,识别出马赛克与正常图像的边界,通过对边界的生长、合并得到马赛克区域;从而为自动获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,在此基础上再根据图像信息熵,结合边缘密度比值和边缘梯度值筛选出符合预期的清晰图片,提高了视频图像检索和筛选的效率。
图16示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
如图16所示,视频图像的筛选方法1600流程中的步骤1602-1604e和1604f-1612分别采用与图15所示流程中的步骤1502-1512相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图15所示的视频图像的筛选方法1500明显不同之处在于:如图16所示,在步骤1604e“对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点”之后,步骤1604f“根据直线和交叉点确定马赛克图案的边界”之前,增加了步骤1604h判断“交叉点是否离群”,即在找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析判断;如果该交叉点不离群,可以采用合并交叉点的方式,然后执行步骤1604f;否则,忽略或去掉相对离群的交叉点。具体来说,判断交叉点是否离群可以依据:对两个距离相近的交叉点进行比较,如果该交叉点夹在两个距离不大的交叉点中间,或者该交叉点所处的另外一条直线上没有其他直线有交叉点的话;那么这样的交叉点将被忽略或从交叉点标记记录中被去掉。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,在获得直线交叉点后通过忽略或去掉相对离群的交叉点,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为准确高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,在此基础上再根据图像信息熵,结合边缘密度比值和边缘梯度值筛选出符合预期的清晰图片,提高了视频图像检索和筛选的效率。
图17示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
如图17所示,视频图像的筛选方法1700流程中的步骤1702-1704f和1704g-1712分别采用与图15所示流程中的步骤1502-1512相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图15所示的视频图像的筛选方法1500明显不同之处在于:如图17所示,在步骤1704f“根据直线和交叉点确定马赛克图案的边界”之后,步骤1704g“输出马赛克图案的块数”之前,增加了步骤1704i“对马赛克图案进行误伤检测”,即在确定马赛克图案的边界后,输出马赛克图案的块数之前,对马赛克图案进行误伤检测以降低对马赛克图案的误判。
具体来说,对确定的马赛克边界区域进行分析,所确定的马赛克图案的边界中至少包括3个交叉点,从而至少能形成3边闭合的图形,最多只留一边不闭合,去掉不符合要求的马赛克图案的边界。第二类情形、如果马赛克边界包围的区域面积过小(例如面积小于某一预先设定的阈值,或者时以人眼视觉识别中可以忽略的像素区面积大小)或者是区域的长/宽过小时,那么这样的马赛克图案可以被忽略或过滤掉。第三类情形是对隔离出来的马赛克进行分析时发现整个图像中的马赛克块数很少,那么可以认为是误伤,从而忽略或过滤该马赛克图案。另外一种特殊情况是,如果确定的马赛克图案的区域面积过于大,也被忽略或过滤掉,以防止对某些特殊情况的误判(如视频图像帧本身就是以马赛克图案为背景,如何识别和筛选此类图像可以具体参考后续的实施例中有关清晰度、边缘密度比值等手段的介绍)。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,在确定马赛克图案的边界后,通过对马赛克图案进行误伤检测从而忽略或过滤掉非马赛克图案或不至于损伤图像质量的误判,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,在此基础上再根据图像信息熵,结合边缘密度比值和边缘梯度值筛选出符合预期的清晰图片,提高了视频图像检索和筛选的准确定。
图18示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
如图18所示,视频图像的筛选方法1800流程中的步骤1802-1804e和1804f-1812分别采用与图17所示流程中的步骤1702-1712相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图17所示的视频图像的筛选方法1700明显不同之处在于:如图18所示,在步骤1804e“对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点”之后,步骤1804f“根据直线和交叉点确定马赛克图案的边界”之前,增加了步骤1804h判断“交叉点是否离群”,即在找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析判断;如果该交叉点不离群,可以采用合并交叉点的方式,然后执行步骤1804f;否则,忽略或去掉相对离群的交叉点。具体来说,判断交叉点是否离群可以依据:对两个距离相近的交叉点进行比较,如果该交叉点夹在两个距离不大的交叉点中间,或者该交叉点所处的另外一条直线上没有其他直线有交叉点的话;那么这样的交叉点将被忽略或从交叉点标记记录中被去掉。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,在获得直线交叉点后通过忽略或去掉相对离群的交叉点,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为准确高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,在此基础上再根据图像信息熵,结合边缘密度比值和边缘梯度值筛选出符合预期的清晰图片,提高了视频图像检索和筛选的效率。
图19示出根据本发明的视频图像的筛选方法的一个实施例的流程图。
如图19所示,视频图像的筛选方法1900流程中的步骤1902-1908、1912分别采用与图13所示流程中的步骤1302-1308、1312相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图13所示的视频图像的筛选方法1300明显不同之处在于:如图19所示,在步骤1908“对筛选出的图像划分黄金视觉区域计算各区域的边缘密度计算图像的边缘密度比值”之后,依次执行步骤1910a-1910d,以具体替换图13中的步骤1310。具体如下所述:
步骤1910a,对灰度图进行滤波降噪处理。例如,将原始图像转换为灰度图(如图3(b)所示)后,进行滤波降噪处理。由于噪声一般属于随机噪声,噪声主要位于高频区域,对边缘差分影响较大,需要通过滤波降低这种影响。通常可以通过中值滤波或者均值滤波的方式去掉噪声,鉴于中值滤波对边缘保持效果要好一些,因此采用中值滤波有利于后续流程的处理。
步骤1910b,分别计算每个像素点的8个邻域内的边缘梯度。例如,对降噪处理后的灰度图中的每个像素点分别选取其相邻的8个像素点,构成8个灰度变化方向,分别计算每个像素点相对于其8个邻域内的边缘梯度(具体可参考图11所示实施例中有关边缘梯度的详细介绍)。
步骤1910c,加权计算每个像素点的边缘梯度和。例如,在计算每个像素点的8个邻域内的边缘梯度之后,计算每个像素点的8个邻域的边缘梯度的权值;然后将每个像素点的8个邻域内的边缘梯度进行加权求和,从而计算出每个像素点的边缘梯度和(具体可参考图11所示实施例中有关8个邻域的边缘梯度的权值的详细介绍)。
步骤1910d,计算归一化的边缘梯度(图像的清晰度)。例如,累加每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度(具体可参考图11所示实施例中有关归一化的边缘梯度的详细介绍)。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,通过自动获取或筛选无马赛克或少马赛克图像,根据图像信息熵,结合通过计算每个像素点8个邻域内的边缘梯度,进而加权获得该像素点的边缘梯度以筛选出符合预期的清晰图片,提高了视频图像检索和筛选的效率。
图20示出根据本发明的视频图像的筛选方法的一个实施例的流程图。
如图20所示,视频图像的筛选方法1900流程中的步骤2002、2006-2012分别采用与图19所示流程中的步骤1902、1906-1912相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图19所示的视频图像的筛选方法1900明显不同之处在于:如图20所示,在步骤2002“过滤灰度图中的单色图像”之后,依次执行步骤2004a-2004g,以具体替换图19中的步骤1904。具体如下所述:
步骤2004a,马赛克图案的边缘检测以获取图案的边缘。例如,将原始图像转换为灰度图后进行马赛克图案的边缘检测,根据马赛克块边上的色彩突变以及方块的规则性,从而区分出马赛克与正常图像的边缘。
步骤2004b,确定边缘点,选取候选点。例如,在马赛克图案的边缘上确定边缘点,并根据边缘点选取其附近的候选点。具体来说可以选取边缘点附近预设像素个数内的像素点为候选点,如选取所确定的边缘点附近3-7个像素个数内的像素点为候选点,进一步地,也可以选择所确定的边缘点附近4、5或6个像素个数内的像素点为候选点。
步骤2004c,对候选点进行水平和垂直方向的直线生长。例如,对候选点进行水平和垂直方向的直线生长时,直线生长应该满足:沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与候选点的相应颜色通道的颜色差值不超过预设的阈值(例如不超过50,进一步地,不超过30),并且在与水平或垂直方向的直线垂直的方向上,沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与其相邻的像素点的相应颜色通道的颜色差值大于预设的另一阈值(例如大于5,进一步地,大于10)。
步骤2004d,对水平和垂直方向的直线分别进行合并及合并后过滤。例如,对水平和垂直方向的直线分别进行合并处置,其中直线在同一水平或者垂直方向上,并且在同一水平或者垂直方向上直线两两相距不超过预设的像素个数(例如直线两两相距不超过5个像素点,进一步地,距离不超过3个像素点);随后对合并后的直线进行过滤处理,具体来说,要求过滤掉长度低于预设的像素个数的直线,如合并后长度低于15个像素点的直线,进一步地,长度低于10个像素点的直线。
步骤2004e,对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点。由于在宏观上看似构成闭合区间的两条直线,可能在交界处并不真实交叉;因此,为了能够准确获取马赛克的边界,需要对过滤后的直线进行边界延伸,例如对直线的边界端点延伸2-5个像素点,进一步地,延伸3或4个像素点的距离;从而获取马赛克区域的所有可能的交叉点。
步骤2004f,根据直线和交叉点确定马赛克图案的边界。例如,在灰度图中借助合并的直线和延伸后得到的交叉点绘制出马赛克图案的边界(如图2(b)所示)。
步骤2004g,输出马赛克图案的块数以筛选出无马赛克或少马赛克的图像。例如,根据所确定的马赛克图案的边界,从而确定出该视频图像中出现的马赛克的块数,用以评价该视频图像是否有马赛克图案以及马赛克图案的多少,从而能够从技术的角度为用户筛选出无马赛克或少马赛克图像。在执行完步骤2004g之后再依次执行步骤2006-2012。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,利用马赛克图案块状特性和在块状边缘处的色彩突变等规律特性,识别出马赛克与正常图像的边界,通过对边界的生长、合并得到马赛克区域;从而为自动获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,在此基础上再根据图像信息熵,结合边缘密度比值和边缘梯度值筛选出符合预期的清晰图片,提高了视频图像检索和筛选的效率。
图21示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
如图21所示,视频图像的筛选方法2100流程中的步骤2102-2104e和2104f-2112分别采用与图20所示流程中的步骤2002-2012相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图20所示的视频图像的筛选方法2000明显不同之处在于:如图21所示,在步骤2104e“对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点”之后,步骤2104f“根据直线和交叉点确定马赛克图案的边界”之前,增加了步骤2104h判断“交叉点是否离群”,即在找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析判断;如果该交叉点不离群,可以采用合并交叉点的方式,然后执行步骤2104f;否则,忽略或去掉相对离群的交叉点。具体来说,判断交叉点是否离群可以依据:对两个距离相近的交叉点进行比较,如果该交叉点夹在两个距离不大的交叉点中间,或者该交叉点所处的另外一条直线上没有其他直线有交叉点的话;那么这样的交叉点将被忽略或从交叉点标记记录中被去掉。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,在获得直线交叉点后通过忽略或去掉相对离群的交叉点,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为准确高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,在此基础上再根据图像信息熵,结合边缘密度比值和边缘梯度值筛选出符合预期的清晰图片,提高了视频图像检索和筛选的效率。
图22示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
如图22所示,视频图像的筛选方法2200流程中的步骤2202-2204f和2204g-2212分别采用与图20所示流程中的步骤2002-2012相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图20所示的视频图像的筛选方法2000明显不同之处在于:如图22所示,在步骤2204f“根据直线和交叉点确定马赛克图案的边界”之后,步骤2204g“输出马赛克图案的块数”之前,增加了步骤2204i“对马赛克图案进行误伤检测”,即在确定马赛克图案的边界后,输出马赛克图案的块数之前,对马赛克图案进行误伤检测以降低对马赛克图案的误判。
具体来说,对确定的马赛克边界区域进行分析,所确定的马赛克图案的边界中至少包括3个交叉点,从而至少能形成3边闭合的图形,最多只留一边不闭合,去掉不符合要求的马赛克图案的边界。第二类情形、如果马赛克边界包围的区域面积过小(例如面积小于某一预先设定的阈值,或者时以人眼视觉识别中可以忽略的像素区面积大小)或者是区域的长/宽过小时,那么这样的马赛克图案可以被忽略或过滤掉。第三类情形是对隔离出来的马赛克进行分析时发现整个图像中的马赛克块数很少,那么可以认为是误伤,从而忽略或过滤该马赛克图案。另外一种特殊情况是,如果确定的马赛克图案的区域面积过于大,也被忽略或过滤掉,以防止对某些特殊情况的误判(如视频图像帧本身就是以马赛克图案为背景,如何识别和筛选此类图像可以具体参考后续的实施例中有关清晰度、边缘密度比值等手段的介绍)。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,在确定马赛克图案的边界后,通过对马赛克图案进行误伤检测从而忽略或过滤掉非马赛克图案或不至于损伤图像质量的误判,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,在此基础上再根据图像信息熵,结合边缘密度比值和边缘梯度值筛选出符合预期的清晰图片,提高了视频图像检索和筛选的准确定。
图23示出根据本发明的视频图像的筛选方法的一个实施例的流程图;
如图23所示,视频图像的筛选方法2300流程中的步骤2302-2304e和2304f-2312分别采用与图22所示流程中的步骤2202-2212相同或相似的方法步骤。为简洁起见,这里不再赘述。
与图22所示的视频图像的筛选方法2200明显不同之处在于:如图23所示,在步骤2304e“对过滤后的直线进行边界延伸以寻找水平与垂直直线的交叉点”之后,步骤2304f“根据直线和交叉点确定马赛克图案的边界”之前,增加了步骤2304h判断“交叉点是否离群”,即在找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析判断;如果该交叉点不离群,可以采用合并交叉点的方式,然后执行步骤2304f;否则,忽略或去掉相对离群的交叉点。具体来说,判断交叉点是否离群可以依据:对两个距离相近的交叉点进行比较,如果该交叉点夹在两个距离不大的交叉点中间,或者该交叉点所处的另外一条直线上没有其他直线有交叉点的话;那么这样的交叉点将被忽略或从交叉点标记记录中被去掉。
本发明提供的视频图像的筛选方法的一个实施例中,该筛选方法进一步包括:输入多个视频原始图像,以及将原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选方法,在获得直线交叉点后通过忽略或去掉相对离群的交叉点,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为准确高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,在此基础上再根据图像信息熵,结合边缘密度比值和边缘梯度值筛选出符合预期的清晰图片,提高了视频图像检索和筛选的效率。
图24示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。如图24所示,视频图像的筛选系统2400主要包括:单色图像检测模块2402、马赛克图案过滤平台2404、信息熵计算模块2406、边缘密度计算模块2408、边缘梯度值计算平台2410和清晰度筛选模块2412。
其中:单色图像检测模块2402,用于将视频图像转换为灰度图后,通过计算归一化直方图来统计灰度分布以过滤单色图像。如图3(b)和3(c)所示,单色图像(包括过暗或过亮图像)的直方图都会出现灰度分布相当集中的情况,通过统计该图像的直方图的灰度分布特性可以很容易区分出该图像。单色图像检测模块2402对灰度图计算其归一化的直方图(如图3(b)所示),然后统计其灰度分布。灰度分布统计可以选用如下公式:
其中“Histm”代表在某个灰度级别“m”下到“m+T”的灰度集中概率。其中T是一个可以预先设定的阈值,T设置越大则过滤后的图像灰度分布越均匀,T设置越小则只过滤一些非常单纯的图像。T值的选择可以根据具体过滤的图像进行适当调整。本发明的一个实施例中,T值是对单色图像的直方图聚集的区域和需要过滤的阈值配合调整得到的,具体也可以参考具体应用和获得的统计效果来调整T值;例如如果需要过滤灰度集中度超过0.7的图像,那么可以设置T为30。
马赛克图案过滤平台2404,用于根据输出马赛克图案的块数筛选出无马赛克或少马赛克的图像。具体可以参考如图7-10所示的无马赛克或少马赛克图像的筛选系统来筛选出无马赛克或少马赛克的图像,这里就不再赘述。
信息熵计算模块2406,用于计算无马赛克或少马赛克的图像的信息熵以筛选出信息量多的图像。在信息论中,熵是对不确定性的量度(具体参考信息论的创始人香农的《通信的数学理论》,其中提出了概率统计模型上的信息度量)。在图像处理中,熵能够反映图像信息量的多少;熵值越大表明该图像含有的信息量越多。图像信息熵的计算可以采用如下公式:
其中pi表示在某灰度级别i下的像素个数占总像素个数的比例。上述两个公式都可以采用,在一般的图像处理中第一个公式更为常用。
边缘密度计算模块2408,用于对筛选出的图像划分黄金视觉区域,计算各个区域的边缘密度,得到图像的边缘密度比值。如图14(b)所示,灰度图像一共分成了9个部分,其中中间区域是视觉黄金区域,上下左右的四个边缘区域是次重要区,四个边角区域是最不受关注区域。某区域的边缘密度可以采用如下计算公式:
其中,“Edge”的取值为0或者1,如果是边缘点则为1,否则为0。i表示某个区域,对于整个区域则m和n就是该图像的长宽。边缘密度公式用于统计某区域i中边缘点的个数和边缘区域面积的比值。边缘的获取通过现有技术(如canny算子)得到。边缘密度比值“Edgerate”是将视觉黄金区域(如图14(b)所示的中间区域)的边缘密度“ratecenter”除以边缘区域(如图14(b)所示的上下左右四个区域)的边缘密度“rateside”,具体计算公式如下:
边缘梯度值计算平台2410,用于计算筛选出的图像的归一化的边缘梯度值。具体可以参考如图12所示的清晰图像筛选系统1200中的模块1202、1204和1206的介绍,计算获得归一化的边缘梯度值,这里就不再赘述。
清晰度筛选模块2412,用于计算边缘密度比值和边缘梯度值的加权之和,并筛选出加权之和最大的视频图像。根据区域权值的不同,计算加权清晰度度,具体采用如下计算公式:
EW=Normal(S)*ws+Normal(Edgerate)*we
其中“Normal(S)”是归一化的边缘梯度,“Noraml(Edgerate)”是归一化的边缘密度比值,“w”是两种度量值的权值,其中“S”是图像的清晰度,也就是各个区域的边缘梯度累加和“S”的计算公式如下:
S=Ec*weightc+Es*weights+El*weightl
其中:weightc为图像中心区域的清晰度加权,weights为图像两边区域的清晰度加权,weightl为四个边角区域加权。weightc>weights>weightl。加权因子“w”是一个0-2之间的值。例如,“ws”设置为2,边缘密度的比值计算出来后,会对“we”会进行映射,映射的比例关系大致如下:
(1)Edgerate>=5时,we=1;
(2)5>Edgerate>=1时,we=0.8+0.2*(5-Edgerate)/4;
(3)1>Edgerate>0.2时,we=0.5+0.3*(Edgerate-0.2)/0.8;
(4)Edgerate<=0.2时,we=0.5。
对于“we”的映射关系,这里只是举例说明;还可以根据各种应用的具体需求来变换映射的比例系数,不同的应用可能需要微调一下。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块2406计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
本发明提供的视频图像的筛选系统的一个实施例中,马赛克图案过滤平台2404进一步用于判断交叉点是否离群,即在找到水平方向的直线与垂直方向的直线的交叉点后,对交叉点进行分析判断;如果该交叉点不离群,可以采用合并交叉点的方式;否则,忽略或去掉相对离群的交叉点。具体来说,马赛克图案过滤平台2404对两个距离相近的交叉点进行比较,如果该交叉点夹在两个距离不大的交叉点中间,或者该交叉点所处的另外一条直线上没有其他直线有交叉点的话;那么这样的交叉点将被忽略或从交叉点标记记录中被去掉。所述筛选系统自动获取或筛选符合预期的视频清晰、主体鲜明的图像,为视频图像处理提供了技术保障,提高了视频图像检索和筛选的效率。
图25示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图25所示,视频图像的筛选系统2500主要包括:单色图像检测模块2502、马赛克图案过滤平台2504、信息熵计算模块2506、边缘密度计算模块2508、边缘梯度值计算平台2510和清晰度筛选模块2512;其中单色图像检测模块2502、信息熵计算模块2506、边缘密度计算模块2508、边缘梯度值计算平台2510和清晰度筛选模块2512分别可以是与图24所示单色图像检测模块2402、信息熵计算模块2406、边缘密度计算模块2408、边缘梯度值计算平台2410和清晰度筛选模块2412具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图24所示的视频图像的筛选系统2400明显不同之处在于:如图25所示,视频图像的筛选系统2500中的马赛克图案过滤平台2504进一步包括:边缘检测模块2504a、边缘区域生长模块2504b、直线合并模块2504c、边界确定模块2504d、马赛克输出模块2504e和图像判断模块2504f。
其中,边缘检测模块2504a,用于将原始图像转换为灰度图后进行马赛克图案的边缘检测,以获取图案的边缘。鉴于马赛克图案的显著特征是在视频图像中具有比较明显的块状图案,并且这些块状图案的纹理与旁边的图像块的色彩有比较明显的区别;因而边缘检测模块2504a根据马赛克块边上的色彩突变以及方块的规则性,从而区分出马赛克与正常图像的边缘。
边缘区域生长模块2504b,用于在图案的边缘上确定边缘点,根据边缘点选取候选点,并对候选点进行水平和垂直方向的直线生长。例如,边缘区域生长模块2504b先在马赛克图案的边缘上确定边缘点,并根据边缘点选取其附近的候选点;具体来说边缘区域生长模块2504b可以选取边缘点附近预设像素个数内的像素点为候选点,如选取所确定的边缘点附近3-7个像素个数内的像素点为候选点,进一步地,也可以选择所确定的边缘点附近4、5或6个像素个数内的像素点为候选点。边缘区域生长模块2504b对候选点进行水平和垂直方向的直线生长时,选择沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与候选点的相应颜色通道的颜色差值不超过预设的阈值(例如不超过50,进一步地,不超过30),并且在与水平或垂直方向的直线垂直的方向上,沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与其相邻的像素点的相应颜色通道的颜色差值大于预设的另一阈值(例如大于5,进一步地,大于10)。
直线合并模块2504c,用于对水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤。例如,直线合并模块706对水平和垂直方向的直线分别进行合并处置,其中直线在同一水平或者垂直方向上,并且在同一水平或者垂直方向上直线两两相距不超过预设的像素个数(例如直线两两相距不超过5个像素点,进一步地,距离不超过3个像素点);随后对合并后的直线进行过滤处理,具体来说,要求过滤掉长度低于预设的像素个数的直线,如合并后长度低于15个像素点的直线,进一步地,长度低于10个像素点的直线。
边界确定模块2504d,对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点,以及根据直线和交叉点确定马赛克图案的边界。例如,由于在宏观上看似构成闭合区间的两条直线,可能在交界处并不真实交叉;因此,为了能够准确获取马赛克的边界,需要对过滤后的直线进行边界延伸,例如对直线的边界端点延伸2-5个像素点,进一步地,延伸3或4个像素点的距离;从而获取马赛克区域的所有可能的交叉点,随后在灰度图中借助合并的直线和延伸后得到的交叉点绘制出马赛克图案的边界。
马赛克输出模块2504e,用于根据确定的马赛克图案的边界输出马赛克图案的块数。例如,根据所确定的马赛克图案的边界,由马赛克输出模块2504e确定出该视频图像中出现的马赛克的块数,用以评价该视频图像是否有马赛克图案以及马赛克图案的多少。
图像判断模块2504f,用于根据输出马赛克图案的块数以筛选出无马赛克或少马赛克图像。例如,图像判断模块2504f根据马赛克输出模块2504e输出的数值与某个预先设定的阈值进行比较,从而能够从技术的角度为用户筛选出无马赛克或少马赛克图像。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块2506计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
本发明提供的视频图像的筛选系统,利用边缘检测模块2504a识别出马赛克与正常图像的边界,通过边缘区域生长模块2504b、直线合并模块2504c对边界区域进行生长、合并得到马赛克区域;通过马赛克输出模块2504e和图像判断模块2504f自动获取或筛选无马赛克或少马赛克图像;为视频图像处理提供了技术保障,提高了视频图像检索和筛选的效率。
图26示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图26所示,视频图像的筛选系统2600主要包括:图像加载模块2601a、图像转换模块2601b、单色图像检测模块2602、马赛克图案过滤平台2604、信息熵计算模块2606、边缘密度计算模块2608、边缘梯度值计算平台2610和清晰度筛选模块2612;其中单色图像检测模块2602、马赛克图案过滤平台2604、信息熵计算模块2606、边缘密度计算模块2608、边缘梯度值计算平台2610和清晰度筛选模块2612分别可以是与图25所示单色图像检测模块2502、马赛克图案过滤平台2504、信息熵计算模块2506、边缘密度计算模块2508、边缘梯度值计算平台2510和清晰度筛选模块2512具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图25所示的视频图像的筛选系统2500明显不同之处在于:如图26所示,视频图像的筛选系统2600增加了图像加载模块2601a和图像转换模块2601b;其中图像加载模块2601a,用于向视频图像的筛选系统2600输入多个视频原始图像;图像转换模块2601b,用于将图像加载模块2601a加载的原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块2606计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
图27示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图27所示,视频图像的筛选系统2700主要包括:单色图像检测模块2702、马赛克图案过滤平台2704、信息熵计算模块2706、边缘密度计算模块2708、边缘梯度值计算平台2710和清晰度筛选模块2712;其中单色图像检测模块2702、信息熵计算模块2706、边缘密度计算模块2708、边缘梯度值计算平台2710和清晰度筛选模块2712分别可以是与图25所示单色图像检测模块2502、信息熵计算模块2506、边缘密度计算模块2508、边缘梯度值计算平台2510和清晰度筛选模块2512具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图25所示的视频图像的筛选系统2500明显不同之处在于:如图27所示,视频图像的筛选系统2700中的马赛克图案过滤平台2704增加了误伤检测模块2704g,用于在边界确定模块2704d确定马赛克图案的边界后,对马赛克图案进行误伤检测以降低对马赛克图案的误判。具体来说,对确定的马赛克边界区域进行分析,所确定的马赛克图案的边界中至少包括3个交叉点,从而至少能形成3边闭合的图形,最多只留一边不闭合,去掉不符合要求的马赛克图案的边界。第二类情形、如果马赛克边界包围的区域面积过小(例如面积小于某一预先设定的阈值,或者时以人眼视觉识别中可以忽略的像素区面积大小)或者是区域的长/宽过小时,那么这样的马赛克图案可以被忽略或过滤掉。第三类情形是对隔离出来的马赛克进行分析时发现整个图像中的马赛克块数很少,那么可以认为是误伤,从而忽略或过滤该马赛克图案。另外一种特殊情况是,如果确定的马赛克图案的区域面积过于大,也被忽略或过滤掉,以防止对某些特殊情况的误判(如视频图像帧本身就是以马赛克图案为背景,如何识别和筛选此类图像可以具体参考后续的实施例中有关清晰度、边缘密度比值等手段的介绍)。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块2706计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
本发明提供的视频图像的筛选系统,通过误伤检测模块2704g进行误伤检测从而忽略或过滤掉非马赛克图案或不至于损伤图像质量的误判,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,提高了视频图像检索和筛选的准确定。
图28示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图28所示,视频图像的筛选系统2800主要包括:图像加载模块2801a、图像转换模块2801b、单色图像检测模块2802、马赛克图案过滤平台2804、信息熵计算模块2806、边缘密度计算模块2808、边缘梯度值计算平台2810和清晰度筛选模块2812;其中单色图像检测模块2802、马赛克图案过滤平台2804、信息熵计算模块2806、边缘密度计算模块2808、边缘梯度值计算平台2810和清晰度筛选模块2812分别可以是与图27所示单色图像检测模块2702、马赛克图案过滤平台2704、信息熵计算模块2706、边缘密度计算模块2708、边缘梯度值计算平台2710和清晰度筛选模块2712具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图27所示的视频图像的筛选系统2700明显不同之处在于:如图28所示,视频图像的筛选系统2800增加了图像加载模块2801a和图像转换模块2801b;其中图像加载模块2801a,用于向视频图像的筛选系统2800输入多个视频原始图像;图像转换模块2801b,用于将图像加载模块2801a加载的原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块2806计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
图29示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图29所示,视频图像的筛选系统2900主要包括:单色图像检测模块2902、马赛克图案过滤平台2904、信息熵计算模块2906、边缘密度计算模块2908、边缘梯度值计算平台2910和清晰度筛选模块2912;其中单色图像检测模块2902、马赛克图案过滤平台2904、信息熵计算模块2906、边缘密度计算模块2908和清晰度筛选模块2912分别可以是与图24所示单色图像检测模块2402、马赛克图案过滤平台2404、信息熵计算模块2406、边缘密度计算模块2408和清晰度筛选模块2412具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图24所示的视频图像的筛选系统2400明显不同之处在于:如图29所示,视频图像的筛选系统2900中的边缘梯度值计算平台2910进一步包括:滤波降噪模块2910a、边缘梯度计算模块2910b和归一化模块2910c。
其中,滤波降噪模块2910a,用于将原始图像转换为灰度图后进行滤波降噪处理。例如,将原始图像转换为灰度图(如图3(b)所示)后,进行滤波降噪处理。通常滤波降噪模块2910a可以通过中值滤波或者均值滤波的方式去掉噪声,鉴于中值滤波对边缘保持效果要好一些,因此采用中值滤波有利于后续流程的处理。
边缘梯度计算模块2910b,对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;将每个像素点的8个邻域内的边缘梯度进行加权求和,从而计算出每个像素点的边缘梯度和。
归一化模块2910c,用于累加每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块2906计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
图30示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图30所示,视频图像的筛选系统3000主要包括:单色图像检测模块3002、马赛克图案过滤平台3004、信息熵计算模块3006、边缘密度计算模块3008、边缘梯度值计算平台3010和清晰度筛选模块3012;其中单色图像检测模块3002、信息熵计算模块3006、边缘密度计算模块3008、边缘梯度值计算平台3010和清晰度筛选模块3012分别可以是与图29所示单色图像检测模块2902、信息熵计算模块2906、边缘密度计算模块2908、边缘梯度值计算平台2910和清晰度筛选模块2912具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图29所示的视频图像的筛选系统2900明显不同之处在于:如图30所示,视频图像的筛选系统3000中的马赛克图案过滤平台3004进一步包括:边缘检测模块3004a、边缘区域生长模块3004b、直线合并模块3004c、边界确定模块3004d、马赛克输出模块3004e和图像判断模块3004f。
其中,边缘检测模块3004a,用于将原始图像转换为灰度图后进行马赛克图案的边缘检测,以获取图案的边缘。鉴于马赛克图案的显著特征是在视频图像中具有比较明显的块状图案,并且这些块状图案的纹理与旁边的图像块的色彩有比较明显的区别;因而边缘检测模块3004a根据马赛克块边上的色彩突变以及方块的规则性,从而区分出马赛克与正常图像的边缘。
边缘区域生长模块3004b,用于在图案的边缘上确定边缘点,根据边缘点选取候选点,并对候选点进行水平和垂直方向的直线生长。例如,边缘区域生长模块3004b先在马赛克图案的边缘上确定边缘点,并根据边缘点选取其附近的候选点;具体来说边缘区域生长模块3004b可以选取边缘点附近预设像素个数内的像素点为候选点,如选取所确定的边缘点附近3-7个像素个数内的像素点为候选点,进一步地,也可以选择所确定的边缘点附近4、5或6个像素个数内的像素点为候选点。边缘区域生长模块3004b对候选点进行水平和垂直方向的直线生长时,选择沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与候选点的相应颜色通道的颜色差值不超过预设的阈值(例如不超过50,进一步地,不超过30),并且在与水平或垂直方向的直线垂直的方向上,沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与其相邻的像素点的相应颜色通道的颜色差值大于预设的另一阈值(例如大于5,进一步地,大于10)。
直线合并模块3004c,用于对水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤。例如,直线合并模块706对水平和垂直方向的直线分别进行合并处置,其中直线在同一水平或者垂直方向上,并且在同一水平或者垂直方向上直线两两相距不超过预设的像素个数(例如直线两两相距不超过5个像素点,进一步地,距离不超过3个像素点);随后对合并后的直线进行过滤处理,具体来说,要求过滤掉长度低于预设的像素个数的直线,如合并后长度低于15个像素点的直线,进一步地,长度低于10个像素点的直线。
边界确定模块3004d,对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点,以及根据直线和交叉点确定马赛克图案的边界。例如,由于在宏观上看似构成闭合区间的两条直线,可能在交界处并不真实交叉;因此,为了能够准确获取马赛克的边界,需要对过滤后的直线进行边界延伸,例如对直线的边界端点延伸2-5个像素点,进一步地,延伸3或4个像素点的距离;从而获取马赛克区域的所有可能的交叉点,随后在灰度图中借助合并的直线和延伸后得到的交叉点绘制出马赛克图案的边界。
马赛克输出模块3004e,用于根据确定的马赛克图案的边界输出马赛克图案的块数。例如,根据所确定的马赛克图案的边界,由马赛克输出模块3004e确定出该视频图像中出现的马赛克的块数,用以评价该视频图像是否有马赛克图案以及马赛克图案的多少。
图像判断模块3004f,用于根据输出马赛克图案的块数以筛选出无马赛克或少马赛克图像。例如,图像判断模块3004f根据马赛克输出模块3004e输出的数值与某个预先设定的阈值进行比较,从而能够从技术的角度为用户筛选出无马赛克或少马赛克图像。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块3006计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
本发明提供的视频图像的筛选系统,利用边缘检测模块3004a识别出马赛克与正常图像的边界,通过边缘区域生长模块3004b、直线合并模块3004c对边界区域进行生长、合并得到马赛克区域;通过马赛克输出模块3004e和图像判断模块3004f自动获取或筛选无马赛克或少马赛克图像;为视频图像处理提供了技术保障,提高了视频图像检索和筛选的效率。
图31示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图31所示,视频图像的筛选系统3100主要包括:图像加载模块3101a、图像转换模块3101b、单色图像检测模块3102、马赛克图案过滤平台3104、信息熵计算模块3106、边缘密度计算模块3108、边缘梯度值计算平台3110和清晰度筛选模块3112;其中单色图像检测模块3102、马赛克图案过滤平台3104、信息熵计算模块3106、边缘密度计算模块3108、边缘梯度值计算平台3110和清晰度筛选模块3112分别可以是与图30所示单色图像检测模块3002、马赛克图案过滤平台3004、信息熵计算模块3006、边缘密度计算模块3008、边缘梯度值计算平台3010和清晰度筛选模块3012具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图30所示的视频图像的筛选系统3000明显不同之处在于:如图31所示,视频图像的筛选系统3100增加了图像加载模块3101a和图像转换模块3101b;其中图像加载模块3101a,用于向视频图像的筛选系统3100输入多个视频原始图像;图像转换模块3101b,用于将图像加载模块3101a加载的原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块3106计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
图32示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图32所示,视频图像的筛选系统3200主要包括:单色图像检测模块3202、马赛克图案过滤平台3204、信息熵计算模块3206、边缘密度计算模块3208、边缘梯度值计算平台3210和清晰度筛选模块3212;其中单色图像检测模块3202、信息熵计算模块3206、边缘密度计算模块3208、边缘梯度值计算平台3210和清晰度筛选模块3212分别可以是与图30所示单色图像检测模块3002、信息熵计算模块3006、边缘密度计算模块3008、边缘梯度值计算平台3010和清晰度筛选模块3012具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图30所示的视频图像的筛选系统3000明显不同之处在于:如图32所示,视频图像的筛选系统3200中的马赛克图案过滤平台3204增加了误伤检测模块3204g,用于在边界确定模块3204d确定马赛克图案的边界后,对马赛克图案进行误伤检测以降低对马赛克图案的误判。具体来说,对确定的马赛克边界区域进行分析,所确定的马赛克图案的边界中至少包括3个交叉点,从而至少能形成3边闭合的图形,最多只留一边不闭合,去掉不符合要求的马赛克图案的边界。第二类情形、如果马赛克边界包围的区域面积过小(例如面积小于某一预先设定的阈值,或者时以人眼视觉识别中可以忽略的像素区面积大小)或者是区域的长/宽过小时,那么这样的马赛克图案可以被忽略或过滤掉。第三类情形是对隔离出来的马赛克进行分析时发现整个图像中的马赛克块数很少,那么可以认为是误伤,从而忽略或过滤该马赛克图案。另外一种特殊情况是,如果确定的马赛克图案的区域面积过于大,也被忽略或过滤掉,以防止对某些特殊情况的误判(如视频图像帧本身就是以马赛克图案为背景,如何识别和筛选此类图像可以具体参考后续的实施例中有关清晰度、边缘密度比值等手段的介绍)。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块3206计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
本发明提供的视频图像的筛选系统,通过误伤检测模块3204g进行误伤检测从而忽略或过滤掉非马赛克图案或不至于损伤图像质量的误判,从而有利于更加准确的获取真实有效的马赛克图案边界端点,进而为高效地获取或筛选无马赛克或少马赛克图像提供了技术依据和保障,提高了视频图像检索和筛选的准确定。
图33示出根据本发明的视频图像的筛选系统的一个实施例的结构示意图。
如图33所示,视频图像的筛选系统3300主要包括:图像加载模块3301a、图像转换模块3301b、单色图像检测模块3302、马赛克图案过滤平台3304、信息熵计算模块3306、边缘密度计算模块3308、边缘梯度值计算平台3310和清晰度筛选模块3312;其中单色图像检测模块3302、马赛克图案过滤平台3304、信息熵计算模块3306、边缘密度计算模块3308、边缘梯度值计算平台3310和清晰度筛选模块3312分别可以是与图32所示单色图像检测模块3202、马赛克图案过滤平台3204、信息熵计算模块3206、边缘密度计算模块3208、边缘梯度值计算平台3210和清晰度筛选模块3212具有相同或相似的功能模块/设备。为简洁起见,这里不再赘述。
与图32所示的视频图像的筛选系统3200明显不同之处在于:如图33所示,视频图像的筛选系统3300增加了图像加载模块3301a和图像转换模块3301b;其中图像加载模块3301a,用于向视频图像的筛选系统3300输入多个视频原始图像;图像转换模块3301b,用于将图像加载模块3301a加载的原始图像转换为对应的灰度图像。例如,将视频图像的每一帧设置为jpg格式的图片,加载所述图片,并将其转化为灰度图(如图3所示);其中灰度图的横坐标表示灰度级别0-255,纵坐标表示对应灰度像素出现的概率。
本发明提供的视频图像的筛选系统的一个实施例中,该筛选系统进一步包括:K均值过滤模块,在信息熵计算模块3306计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
本发明一方面提供了一种无马赛克或少马赛克图像的筛选方法及系统,通过对视频图像进行马赛克过滤从而获取无马赛克或少马赛克图像;本发明另一方面提供了一种清晰图片的筛选方法及其系统,通过边缘梯度(清晰度)计算从而获取较为清晰的视频图像;本发明又一方面提供了一种图像筛选方法及其系统,通过对视频图像进行马赛克过滤、清晰度计算,并结合边缘密度比值执行加权清晰度计算,从而从视频帧中筛选出画面清晰、主体突出且贴切反映视频主题的图像。参考前述本发明示例性的描述,本领域技术人员可以清楚的知晓本发明具有以下优点:
1、方便快捷地筛选出符合要求的视频图像。
以前,视频封面的提取方法主要是通过软件获得多张视频截图,然后选择固定位置的一张或者随机选一张作为视频文件的封面,很容易出现badcase。本发明提供了一种无马赛克或少马赛克图像的筛选方法及其系统,一种图像筛选方法及其系统,通过对视频图像进行马赛克过滤、清晰度计算,并结合边缘密度比值执行加权清晰度计算等流程,在很大程度上能够有效剔除黑屏、绿屏、过暗、图像内容模糊、叠影、马赛克、无主体内容等缺陷的视频帧,从而从视频帧中筛选出无马赛克或少马赛克的图像,或者选出画质清晰、边缘分明的清晰图片,或者筛选出清晰、主体突出且贴切反映视频主题的图像,提高了筛选视频封面的效率。
2、有利于对视频文件的检索与筛选分类管理。
技术人员,尤其是视频处理技术人员和视频管理人员来说,经常要对视频文件的内容进行检索、分类和审核;通过本发明提供的图像筛选方法及其系统,能够从视频文件中快速筛选出贴切反映主题且主体突出的视频图像,用于表征该视频文件的主题、类型等信息。因此,采用本发明提供的视频图像的筛选方法及其系统能够在海量视频文件中快速检索出自己关心关注的视频来,有利于视频分享网站的维护与管理。
3、提高用户访问网站的忠诚度。
采用本发明提供的无马赛克或少马赛克图像的筛选方法及其系统,清晰图片的筛选方法及其系统,以及图像筛选方法及其系统,视频分享网站能够更加高效地为用户上传的视频文件筛选出画面清晰、主体突出且贴切反映视频主题的视频封面图像,为用户访问网站、快速浏览、查找相关视频提供了良好的信息服务;因此,用户能够获得非常好的使用体验,从而大大提高用户的点击率和访问网站的忠诚度,有利于网站运营商推广其网站、拓展相关业务并增加业务收入。
本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (28)
1.一种无马赛克或少马赛克图像的筛选方法,其特征在于:所述方法包括:
将原始图像转换为灰度图后进行马赛克图案的边缘检测,以获取所述图案的边缘;
在所述图案的边缘上确定边缘点,并根据所述边缘点选取候选点;
对所述候选点进行水平和垂直方向的直线生长;
对所述水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤;
对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点;
根据所述直线和所述交叉点确定所述马赛克图案的边界;
根据所述马赛克图案的边界,确定并输出马赛克图案的块数;以及
根据所述马赛克图案的块数筛选出无马赛克或少马赛克图像。
2.根据权利要求1所述的筛选方法,其特征在于,所述根据所述边缘点选取候选点进一步包括:选取所述边缘点附近预设像素个数内的像素点为所述候选点。
3.根据权利要求1所述的筛选方法,其特征在于,所述对候选点进行水平和垂直方向的直线生长进一步包括:沿水平或垂直方向生长构成所述直线的点的R、G、B三个通道内的颜色与所述候选点的相应颜色通道的颜色差值不超过预设的阈值,并且
在与所述水平或垂直方向的直线垂直的方向上,沿水平或垂直方向生长构成直线的点的R、G、B三个通道内的颜色与其相邻的像素点的相应颜色通道的颜色差值大于预设的另一阈值。
4.根据权利要求1所述的筛选方法,其特征在于,所述对所述水平和垂直方向的直线分别进行合并进一步包括:所述直线在同一水平或者垂直方向上,并且
在同一水平或者垂直方向上直线两两相距不超过预设的像素个数。
5.根据权利要求1所述的筛选方法,其特征在于,所述对合并后的直线进行过滤进一步包括:按照长度低于预设的像素个数的直线被过滤的规则对合并后的直线进行过滤。
6.根据权利要求1所述的筛选方法,其特征在于,所述对过滤后的直线进行边界延伸进一步包括:对所述直线的边界延伸预设的像素个数。
7.根据权利要求1所述的筛选方法,其特征在于,所述方法进一步包括:找到水平方向的直线与垂直方向的直线的交叉点后,对所述交叉点进行分析合并,去掉相对离群的交叉点。
8.根据权利要求1所述的筛选方法,其特征在于,所述方法进一步包括:在确定所述马赛克图案的边界后,输出所述马赛克图案的块数之前,对所述马赛克图案进行误伤检测以降低对马赛克图案的误判。
9.一种无马赛克或少马赛克图像的筛选系统,其特征在于,所述系统(700,800,900,1000)包括:
边缘检测模块(702,802,902,1002),用于将原始图像转换为灰度图后进行马赛克图案的边缘检测,以获取所述图案的边缘;
边缘区域生长模块(704,804,904,1004),用于在所述图案的边缘上确定边缘点,根据所述边缘点选取候选点,并对所述候选点进行水平和垂直方向的直线生长;
直线合并模块(706,806,906,1006),用于对所述水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤;
边界确定模块(708,808,908,1008),对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点,以及根据所述直线和所述交叉点确定所述马赛克图案的边界;
马赛克输出模块(710,810,910,1010),用于根据所述马赛克图案的边界确定并输出马赛克图案的块数;以及
图像判断模块(712,812,912,1012),用于根据所述马赛克图案的块数筛选出无马赛克或少马赛克图像。
10.根据权利要求9所述的筛选系统,其特征在于,所述系统(800,1000)进一步包括:图像加载模块(801a,1001a),用于输入多个视频原始图像;以及
图像转换模块(801b,1001b),用于将所述原始图像转换为对应的灰度图像。
11.根据权利要求9所述的筛选系统,其特征在于,所述系统(900,1000)进一步包括:误伤检测模块(909,1009),用于在确定所述马赛克图案的边界后,输出马赛克图案的块数之前,对所述马赛克图案进行误伤检测以降低对马赛克图案的误判。
12.一种清晰图像的筛选方法,其特征在于:所述方法包括:
将原始图像转换为灰度图后进行滤波降噪处理;
对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;
将所述每个像素点的8个邻域内的所述边缘梯度进行加权求和,从而计算出所述每个像素点的边缘梯度和;
累加所述每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度;
根据归一化后获得的边缘梯度值筛选出清晰的图像。
13.根据权利要求12所述的筛选方法,其特征在于,所述滤波降噪处理包括:通过中值滤波或均值滤波的方式对所述灰度图进行去噪处理。
14.根据权利要求12所述的筛选方法,其特征在于,所述方法进一步包括:在计算所述每个像素点的8个邻域内的边缘梯度之后,计算每个像素点的8个邻域的边缘梯度的权值。
15.一种清晰图像的筛选系统,其特征在于:所述系统(1200)包括:
滤波降噪模块(1202),用于将原始图像转换为灰度图后进行滤波降噪处理;
边缘梯度计算模块(1204),对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;将所述每个像素点的8个邻域内的所述边缘梯度进行加权求和,从而计算出所述每个像素点的边缘梯度和;
归一化模块(1206),用于累加所述每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度;
图像筛选模块(1208),用于根据归一化后获得的边缘梯度值筛选出清晰的图像。
16.一种视频图像的筛选方法,其特征在于:所述方法包括:
将所述视频图像转换为灰度图后,过滤单色图像;
采用权利要求1-8中任意一项所述的无马赛克或少马赛克图像的筛选方法筛选出无马赛克或少马赛克的图像;
计算筛选出的图像的信息熵用以筛选出信息量多的图像;
对筛选出的图像划分黄金视觉区域,用以计算各个区域的边缘密度,得到所述图像的边缘密度比值;
对筛选出的图像分别计算其归一化的边缘梯度值;
计算所述边缘密度比值和所述边缘梯度值的加权之和,筛选加权之和最大的视频图像。
17.根据权利要求16所述的筛选方法,其特征在于,所述过滤单色图像进一步包括:通过计算归一化直方图来统计灰度分布以过滤单色图像。
18.根据权利要求16所述的筛选方法,其特征在于,所述方法进一步包括:在计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
19.根据权利要求16所述的筛选方法,其特征在于,所述边缘密度比值是所述黄金视觉区域的中间区域的边缘密度与所述黄金视觉区域的边缘区域的比值。
20.根据权利要求16所述的筛选方法,其特征在于,所述对筛选出的图像分别计算其归一化的边缘梯度值具体包括:
对筛选出的图像进行滤波降噪处理;
对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;
将所述每个像素点的8个邻域内的所述边缘梯度进行加权求和,从而计算出所述每个像素点的边缘梯度和;以及
累加所述每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度。
21.根据权利要求20所述的筛选方法,其特征在于,所述滤波降噪处理包括:通过中值滤波或均值滤波的方式对所述灰度图进行去噪处理。
22.根据权利要求20所述的筛选方法,其特征在于,在计算所述每个像素点的8个邻域内的边缘梯度之后,计算每个像素点的8个邻域的边缘梯度的权值。
23.一种视频图像的筛选系统,其特征在于:所述系统(2400,2500,2600,2700,2800,2900,3000,3100,3200,3300)包括:
单色图像检测模块(2402,2502,2602,2702,2802,2902,3002,3102,3202,3302),用于将所述视频图像转换为灰度图后,通过计算归一化直方图来统计灰度分布以过滤单色图像;
马赛克图案过滤平台(2404,2504,2604,2704,2804,2904,3004,3104,3204,3304),用于根据输出马赛克图案的块数筛选出无马赛克或少马赛克的图像;
信息熵计算模块(2406,2506,2606,2706,2806,2906,3006,3106,3206,3306),用于计算无马赛克或少马赛克的图像的信息熵以筛选出信息量多的图像;
边缘密度计算模块(2408,2508,2608,2708,2808,2908,3008,3108,3208,3308),用于对筛选出的图像划分黄金视觉区域,计算各个区域的边缘密度,得到所述图像的边缘密度比值;
边缘梯度值计算平台(2410,2510,2610,2710,2810,2910,3010,3110,3210,3310),用于计算所述筛选出的图像的归一化的边缘梯度值;以及
清晰度筛选模块(2412,2512,2612,2712,2812,2912,3012,3112,3212,3312),用于计算所述边缘密度比值和所述边缘梯度值的加权之和,并筛选出加权之和最大的视频图像。
24.根据权利要求23所述的筛选系统,其特征在于,所述马赛克图案过滤平台(2504,2604,2704,2804,3004,3104,3204,3304)包括:
边缘检测模块(2504a,2604a,2704a,2804a,3004a,3104a,3204a,3304a),用于在过滤单色图像后进行马赛克图案的边缘检测,以获取所述图案的边缘;
边缘区域生长模块(2504b,2604b,2704b,2804b,3004b,3104b,3204b,3304b),用于在所述图案的边缘上确定边缘点,根据所述边缘点选取候选点,并对所述候选点进行水平和垂直方向的直线生长;
直线合并模块(2504c,2604c,2704c,2804c,3004c,3104c,3204c,3304c),用于对所述水平和垂直方向的直线分别进行合并,对合并后的直线进行过滤;
边界确定模块(2504d,2604d,2704d,2804d,3004d,3104d,3204d,3304d),对过滤后的直线进行边界延伸以寻找水平方向的直线与垂直方向的直线的交叉点,并根据所述直线和所述交叉点确定所述马赛克图案的边界;以及
马赛克输出模块(2504e,2604e,2704e,2804e,3004e,3104e,3204e,3304e),用于根据所述马赛克图案的边界确定并输出马赛克图案的块数;以及
图像判断模块(2504f,2604f,2704f,2804f,3004f,3104f,3204f,3304f),用于根据所述马赛克图案的块数筛选出无马赛克或少马赛克图像。
25.根据权利要求24所述的提取系统,其特征在于,所述马赛克图案过滤平台(2704,2804,3204,3304)进一步包括:误伤检测模块(2704g,2804g,3204g,3304g),用于在确定所述马赛克图案的边界后,输出马赛克图案的块数之前,对所述马赛克图案进行误伤检测以降低对马赛克图案的误判。
26.根据权利要求23所述的筛选系统,其特征在于,所述边缘梯度值计算平台(2910,3010,3110,3210,3310)包括:
滤波降噪模块(2910a,3010a,3110a,3210a,3310a),用于将原始图像转换为灰度图后进行滤波降噪处理;
边缘梯度计算模块(2910b,3010b,3110b,3210b,3310b),对降噪处理后的灰度图中的每个像素点分别计算每个像素点的8个邻域内的边缘梯度;将所述每个像素点的8个邻域内的所述边缘梯度进行加权求和,从而计算出所述每个像素点的边缘梯度和;以及
归一化模块(2910c,3010c,3110c,3210c,3310c),用于累加所述每个像素点的边缘梯度和,再除以像素点的个数得到归一化的边缘梯度。
27.根据权利要求23所述的筛选系统,其特征在于,所述系统进一步包括:K均值过滤模块,在计算筛选出的图像的信息熵之后,对筛选出的图像划分黄金视觉区域之前,采用K均值聚类法过滤熵值较小的一类图像。
28.根据权利要求23所述的筛选系统,其特征在于,所述系统(2600,2800,3100,3300)进一步包括:图像加载模块(2601a,2801a,3101a,3301a),用于输入多个视频原始图像;以及
图像转换模块(2601b,2801b,3101b,3301b),用于将所述原始图像转换为对应的灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102502270A CN102087652A (zh) | 2009-12-08 | 2009-12-08 | 图像筛选方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102502270A CN102087652A (zh) | 2009-12-08 | 2009-12-08 | 图像筛选方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102087652A true CN102087652A (zh) | 2011-06-08 |
Family
ID=44099465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102502270A Pending CN102087652A (zh) | 2009-12-08 | 2009-12-08 | 图像筛选方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102087652A (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426171A (zh) * | 2011-08-22 | 2012-04-25 | 陕西科技大学 | 一种基于小波理论的印刷品墨斑测量方法 |
CN102663719A (zh) * | 2012-03-19 | 2012-09-12 | 西安电子科技大学 | 基于非局部均值的Bayer型CFA图像去马赛克方法 |
CN102682451A (zh) * | 2012-05-08 | 2012-09-19 | 《中国学术期刊(光盘版)》电子杂志社 | 学术图片信息量评价的量化方法 |
CN103250180A (zh) * | 2011-06-24 | 2013-08-14 | 乐天株式会社 | 图像提供装置、图像处理方法、图像处理程序以及记录介质 |
CN103295217A (zh) * | 2012-03-01 | 2013-09-11 | 阿里巴巴集团控股有限公司 | 图片信息处理方法以及装置 |
CN104933165A (zh) * | 2015-06-29 | 2015-09-23 | 努比亚技术有限公司 | 数据筛选策略生成方法和装置 |
CN105205361A (zh) * | 2015-08-26 | 2015-12-30 | 努比亚技术有限公司 | 一种图像筛选方法和装置 |
CN106027291A (zh) * | 2015-11-25 | 2016-10-12 | 北京邮电大学 | 基于韦伯费希纳定理的BE业务QoE评价方法 |
CN106331870A (zh) * | 2015-07-02 | 2017-01-11 | 天脉聚源(北京)科技有限公司 | 一种网页视频文件预览方法和系统 |
CN106372584A (zh) * | 2016-08-26 | 2017-02-01 | 浙江银江研究院有限公司 | 一种视频图像马赛克检测方法 |
CN106447660A (zh) * | 2016-09-27 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 图片检测方法和装置 |
CN106528758A (zh) * | 2016-10-28 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种选取图片方法及装置 |
CN106599208A (zh) * | 2016-12-15 | 2017-04-26 | 腾讯科技(深圳)有限公司 | 一种内容分享方法及用户客户端 |
CN106792150A (zh) * | 2016-12-20 | 2017-05-31 | 深圳市茁壮网络股份有限公司 | 一种海报生成方法及装置 |
CN106780334A (zh) * | 2016-12-15 | 2017-05-31 | 北京奇艺世纪科技有限公司 | 一种图像分类方法及系统 |
CN106951898A (zh) * | 2017-03-15 | 2017-07-14 | 纵目科技(上海)股份有限公司 | 一种车辆候选区域推荐方法及系统、电子设备 |
CN106971399A (zh) * | 2017-03-29 | 2017-07-21 | 北京数码视讯科技股份有限公司 | 图像马赛克检测方法及装置 |
CN107240078A (zh) * | 2017-06-06 | 2017-10-10 | 广州优创电子有限公司 | 镜头清晰度验算方法、装置及电子设备 |
CN107424128A (zh) * | 2017-06-20 | 2017-12-01 | 南京泰立瑞信息科技有限公司 | 一种从所录制的眼底视频中提取清晰图像帧的方法及系统 |
CN107832725A (zh) * | 2017-11-17 | 2018-03-23 | 北京奇虎科技有限公司 | 基于评价指标的视频封面提取方法及装置 |
CN107886518A (zh) * | 2017-11-23 | 2018-04-06 | 广州优视网络科技有限公司 | 图片检测方法、装置、电子设备及可读取存储介质 |
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
CN108364282A (zh) * | 2018-01-15 | 2018-08-03 | 北京华兴宏视技术发展有限公司 | 图像马赛克检测方法、图像马赛克检测系统 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN108833938A (zh) * | 2018-06-20 | 2018-11-16 | 上海连尚网络科技有限公司 | 用于选取视频封面的方法和设备 |
CN108989833A (zh) * | 2017-06-02 | 2018-12-11 | 北京视联动力国际信息技术有限公司 | 一种视频封面图像的生成方法及装置 |
CN108985351A (zh) * | 2018-06-27 | 2018-12-11 | 北京中安未来科技有限公司 | 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
CN108985350A (zh) * | 2018-06-27 | 2018-12-11 | 北京中安未来科技有限公司 | 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
CN109214995A (zh) * | 2018-08-20 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 图片质量的确定方法、装置和服务器 |
CN109543709A (zh) * | 2018-10-11 | 2019-03-29 | 成都三零凯天通信实业有限公司 | 一种图片快速预处理方法 |
CN110020877A (zh) * | 2018-01-09 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 点击率的预测方法、点击率的确定方法及服务器 |
CN110149532A (zh) * | 2019-06-24 | 2019-08-20 | 北京奇艺世纪科技有限公司 | 一种封面选取方法及相关设备 |
CN111757182A (zh) * | 2020-07-08 | 2020-10-09 | 深圳创维-Rgb电子有限公司 | 图像花屏检测方法、设备、计算机设备和可读存储介质 |
CN111915569A (zh) * | 2020-07-09 | 2020-11-10 | 西安交通大学 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
CN112150496A (zh) * | 2020-09-24 | 2020-12-29 | 平安科技(深圳)有限公司 | 照片处理方法、装置、电子设备及可读存储介质 |
CN112380367A (zh) * | 2020-10-27 | 2021-02-19 | 中南大学 | 一种基于熵的遥感影像数据筛选方法 |
CN112381767A (zh) * | 2020-10-27 | 2021-02-19 | 深圳大学 | 角膜反射图像的筛选方法、装置、智能终端及存储介质 |
-
2009
- 2009-12-08 CN CN2009102502270A patent/CN102087652A/zh active Pending
Cited By (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103250180B (zh) * | 2011-06-24 | 2015-11-25 | 乐天株式会社 | 图像提供装置以及图像处理方法 |
CN103250180A (zh) * | 2011-06-24 | 2013-08-14 | 乐天株式会社 | 图像提供装置、图像处理方法、图像处理程序以及记录介质 |
CN102426171B (zh) * | 2011-08-22 | 2015-01-07 | 陕西科技大学 | 一种基于小波理论的印刷品墨斑测量方法 |
CN102426171A (zh) * | 2011-08-22 | 2012-04-25 | 陕西科技大学 | 一种基于小波理论的印刷品墨斑测量方法 |
CN103295217A (zh) * | 2012-03-01 | 2013-09-11 | 阿里巴巴集团控股有限公司 | 图片信息处理方法以及装置 |
CN103295217B (zh) * | 2012-03-01 | 2016-03-30 | 阿里巴巴集团控股有限公司 | 图片信息处理方法以及装置 |
CN102663719A (zh) * | 2012-03-19 | 2012-09-12 | 西安电子科技大学 | 基于非局部均值的Bayer型CFA图像去马赛克方法 |
CN102663719B (zh) * | 2012-03-19 | 2014-06-04 | 西安电子科技大学 | 基于非局部均值的Bayer型CFA图像去马赛克方法 |
CN102682451A (zh) * | 2012-05-08 | 2012-09-19 | 《中国学术期刊(光盘版)》电子杂志社 | 学术图片信息量评价的量化方法 |
CN102682451B (zh) * | 2012-05-08 | 2015-07-08 | 《中国学术期刊(光盘版)》电子杂志社有限公司 | 学术图片信息量评价的量化方法 |
CN104933165A (zh) * | 2015-06-29 | 2015-09-23 | 努比亚技术有限公司 | 数据筛选策略生成方法和装置 |
CN104933165B (zh) * | 2015-06-29 | 2018-06-05 | 努比亚技术有限公司 | 数据筛选策略生成方法和装置 |
CN106331870A (zh) * | 2015-07-02 | 2017-01-11 | 天脉聚源(北京)科技有限公司 | 一种网页视频文件预览方法和系统 |
CN105205361A (zh) * | 2015-08-26 | 2015-12-30 | 努比亚技术有限公司 | 一种图像筛选方法和装置 |
CN105205361B (zh) * | 2015-08-26 | 2018-08-14 | 努比亚技术有限公司 | 一种图像筛选方法和装置 |
CN106027291A (zh) * | 2015-11-25 | 2016-10-12 | 北京邮电大学 | 基于韦伯费希纳定理的BE业务QoE评价方法 |
CN106027291B (zh) * | 2015-11-25 | 2019-03-12 | 北京邮电大学 | 基于韦伯费希纳定理的BE业务QoE评价方法 |
CN106372584A (zh) * | 2016-08-26 | 2017-02-01 | 浙江银江研究院有限公司 | 一种视频图像马赛克检测方法 |
CN106372584B (zh) * | 2016-08-26 | 2019-06-11 | 浙江银江研究院有限公司 | 一种视频图像马赛克检测方法 |
CN106447660A (zh) * | 2016-09-27 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 图片检测方法和装置 |
CN106447660B (zh) * | 2016-09-27 | 2019-01-25 | 百度在线网络技术(北京)有限公司 | 图片检测方法和装置 |
CN106528758A (zh) * | 2016-10-28 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种选取图片方法及装置 |
CN106528758B (zh) * | 2016-10-28 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 一种选取图片方法及装置 |
CN106780334B (zh) * | 2016-12-15 | 2020-02-07 | 北京奇艺世纪科技有限公司 | 一种图像分类方法及系统 |
CN106780334A (zh) * | 2016-12-15 | 2017-05-31 | 北京奇艺世纪科技有限公司 | 一种图像分类方法及系统 |
CN106599208A (zh) * | 2016-12-15 | 2017-04-26 | 腾讯科技(深圳)有限公司 | 一种内容分享方法及用户客户端 |
CN106599208B (zh) * | 2016-12-15 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 一种内容分享方法及用户客户端 |
CN106792150A (zh) * | 2016-12-20 | 2017-05-31 | 深圳市茁壮网络股份有限公司 | 一种海报生成方法及装置 |
CN106951898A (zh) * | 2017-03-15 | 2017-07-14 | 纵目科技(上海)股份有限公司 | 一种车辆候选区域推荐方法及系统、电子设备 |
CN106971399B (zh) * | 2017-03-29 | 2019-11-08 | 北京数码视讯科技股份有限公司 | 图像马赛克检测方法及装置 |
CN106971399A (zh) * | 2017-03-29 | 2017-07-21 | 北京数码视讯科技股份有限公司 | 图像马赛克检测方法及装置 |
CN108989833B (zh) * | 2017-06-02 | 2021-02-09 | 视联动力信息技术股份有限公司 | 一种视频封面图像的生成方法及装置 |
CN108989833A (zh) * | 2017-06-02 | 2018-12-11 | 北京视联动力国际信息技术有限公司 | 一种视频封面图像的生成方法及装置 |
CN107240078A (zh) * | 2017-06-06 | 2017-10-10 | 广州优创电子有限公司 | 镜头清晰度验算方法、装置及电子设备 |
CN107424128A (zh) * | 2017-06-20 | 2017-12-01 | 南京泰立瑞信息科技有限公司 | 一种从所录制的眼底视频中提取清晰图像帧的方法及系统 |
CN107832725A (zh) * | 2017-11-17 | 2018-03-23 | 北京奇虎科技有限公司 | 基于评价指标的视频封面提取方法及装置 |
CN107886518A (zh) * | 2017-11-23 | 2018-04-06 | 广州优视网络科技有限公司 | 图片检测方法、装置、电子设备及可读取存储介质 |
CN107886518B (zh) * | 2017-11-23 | 2020-10-09 | 阿里巴巴(中国)有限公司 | 图片检测方法、装置、电子设备及可读取存储介质 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN108416344B (zh) * | 2017-12-28 | 2021-09-21 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
CN110020877B (zh) * | 2018-01-09 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 点击率的预测方法、点击率的确定方法及服务器 |
CN110020877A (zh) * | 2018-01-09 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 点击率的预测方法、点击率的确定方法及服务器 |
CN108364282B (zh) * | 2018-01-15 | 2022-02-11 | 北京华兴宏视技术发展有限公司 | 图像马赛克检测方法、图像马赛克检测系统 |
CN108364282A (zh) * | 2018-01-15 | 2018-08-03 | 北京华兴宏视技术发展有限公司 | 图像马赛克检测方法、图像马赛克检测系统 |
CN108833938A (zh) * | 2018-06-20 | 2018-11-16 | 上海连尚网络科技有限公司 | 用于选取视频封面的方法和设备 |
CN108833938B (zh) * | 2018-06-20 | 2021-05-28 | 南京尚网网络科技有限公司 | 用于选取视频封面的方法和设备 |
CN108985351B (zh) * | 2018-06-27 | 2021-11-26 | 北京中安未来科技有限公司 | 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
CN108985351A (zh) * | 2018-06-27 | 2018-12-11 | 北京中安未来科技有限公司 | 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
CN108985350A (zh) * | 2018-06-27 | 2018-12-11 | 北京中安未来科技有限公司 | 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
CN109214995A (zh) * | 2018-08-20 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 图片质量的确定方法、装置和服务器 |
CN109543709A (zh) * | 2018-10-11 | 2019-03-29 | 成都三零凯天通信实业有限公司 | 一种图片快速预处理方法 |
CN110149532A (zh) * | 2019-06-24 | 2019-08-20 | 北京奇艺世纪科技有限公司 | 一种封面选取方法及相关设备 |
CN110149532B (zh) * | 2019-06-24 | 2021-08-17 | 北京奇艺世纪科技有限公司 | 一种封面选取方法及相关设备 |
CN111757182A (zh) * | 2020-07-08 | 2020-10-09 | 深圳创维-Rgb电子有限公司 | 图像花屏检测方法、设备、计算机设备和可读存储介质 |
CN111757182B (zh) * | 2020-07-08 | 2022-05-31 | 深圳创维-Rgb电子有限公司 | 图像花屏检测方法、设备、计算机设备和可读存储介质 |
CN111915569B (zh) * | 2020-07-09 | 2022-04-22 | 西安交通大学 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
CN111915569A (zh) * | 2020-07-09 | 2020-11-10 | 西安交通大学 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
WO2021189854A1 (zh) * | 2020-09-24 | 2021-09-30 | 平安科技(深圳)有限公司 | 照片处理方法、装置、电子设备及可读存储介质 |
CN112150496A (zh) * | 2020-09-24 | 2020-12-29 | 平安科技(深圳)有限公司 | 照片处理方法、装置、电子设备及可读存储介质 |
CN112150496B (zh) * | 2020-09-24 | 2023-06-02 | 平安科技(深圳)有限公司 | 照片处理方法、装置、电子设备及可读存储介质 |
CN112381767A (zh) * | 2020-10-27 | 2021-02-19 | 深圳大学 | 角膜反射图像的筛选方法、装置、智能终端及存储介质 |
CN112380367A (zh) * | 2020-10-27 | 2021-02-19 | 中南大学 | 一种基于熵的遥感影像数据筛选方法 |
CN112381767B (zh) * | 2020-10-27 | 2023-09-01 | 深圳大学 | 角膜反射图像的筛选方法、装置、智能终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102087652A (zh) | 图像筛选方法及其系统 | |
CN101558355B (zh) | 聚焦辅助系统和方法 | |
US8120665B2 (en) | Image processing method and apparatus, digital camera, and recording medium recording image processing program | |
CN100591100C (zh) | 图像处理装置、图像处理方法和计算机程序 | |
CN106846339A (zh) | 一种图像检测方法和装置 | |
CN105493141B (zh) | 非结构化道路边界检测 | |
CN106157323B (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
JP2020085546A (ja) | 構造物の点検・補修支援システム | |
CN101460975A (zh) | 采用非线性和/或空间变化图像处理的光学成像系统与方法 | |
JP2005310123A (ja) | 特定シーンの画像を選別する装置、プログラムおよびプログラムを記録した記録媒体 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN107644418A (zh) | 基于卷积神经网络的视盘检测方法及系统 | |
CN105719263A (zh) | 基于nsct域底层视觉特征的可见光和红外图像融合算法 | |
CN110705634B (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
CN103098078A (zh) | 笑容检测系统及方法 | |
CN109145848B (zh) | 一种麦穗计数方法 | |
CN103164695A (zh) | 一种基于多源图像信息融合的果实识别方法 | |
CN109859231A (zh) | 一种基于光学图像的叶面积指数提取阈值分割方法 | |
JP2009268085A (ja) | 画像トリミング装置およびプログラム | |
CN102073866B (zh) | 一种利用时空马尔科夫随机场模型的视频超分辨方法 | |
CN104200457A (zh) | 基于广角摄像的离散型冠层叶面积指数检测系统和方法 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN103218819A (zh) | 基于四叉树分解的超声图像最优同质区域自动选取方法 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110608 |