CN102799669B - 一种商品图像视觉质量的自动分级方法 - Google Patents

Abstract

本发明公开了一种基于商品的图像视觉质量自动分级方法。该方法首先将一批量图片作为训练样本，定义质量等级，人工标定每张图片的质量等级。提取训练图片的特征，包括颜色直方图、颜色和谐度、图片规则度，然后通过训练方式得到特征向量权值，建立图像质量自动分级SVM训练模型，提取待分级图片模糊因子、噪声比和对比度，检测文字在商品图片的数量以及位置，预先分级低质量图片；然后提取待分级图片训练特征并训练得到特征向量权值；最后计算待分级图片质量级别；本发明会在用户通过图像技术搜索得到的商品图中优先展示用户满意度高即高质量的图片。

Description

一种商品图像视觉质量的自动分级方法

技术领域

本发明涉及图像搜索技术领域，特别是涉及开发了一种商品图像视觉质量的自动分级方法。

背景技术

当网上购物已经成为一种潮流和趋势时，用户通过图像搜素技术不仅仅希望搜索到商品相同或者相似的图片，更希望能提供一种导购方式，呈现更佳的商品。大量实验表明图片质量的好坏会直接影响用户的购买行为，一张高质量的商品图往往更能激发用户的购买欲望。

发明内容

本发明目的是作为图像搜索技术的必要补充，用来提高用户的购买欲望。

本发明的目的通过以下步骤实现：一种商品图像视觉质量的自动分级方法，包括以下步骤：

（1）将一批量图片作为训练样本，定义质量等级(非常好、好、一般、差、极差)，人工标定每张图片的质量等级。提取颜色直方图、颜色简洁度、颜色和谐度以及图片规则度作为训练样本的训练特征。

（2）训练步骤1中提取的特征，得到上述特征向量的特征权值。

（3）建立图像质量自动分级SVM模型。

（4）图像质量预分级，具体步骤如下：

（4.1）提取模糊度：模糊因子提取主要分为两步：提取边缘以及计算模糊因子。

首先得到水平方向和竖直方向的边缘图；

其次求得模糊因子图BR(x,y)以及反模糊因子，公式如下：

${\mathrm{BR}}_h(x,y)=\frac{|f(x,y)-\frac{1}{2}{A}_h(x,y)|}{\frac{1}{2}{A}_h(x,y)};$

${\mathrm{BR}}_v(x,y)=\frac{|f(x,y)-\frac{1}{2}{A}_v(x,y)|}{\frac{1}{2}{A}_v(x,y)};$

式中，A_h(x,y)、A_v(x,y)分别为水平方向和竖直方向的边缘图，f(x,y)为原图。BR_h(x,y)、BR_V(x,y)分别表示水平方向和竖直方向的模糊因子，而反模糊因子则为BR_h(x,y)和BR_V(x,y)最大值。

最后计算模糊均值和模糊比率。计算公式如下：

$\begin{array}{cc}{\mathrm{Blur}}_{\mathrm{mean}}=\frac{{\mathrm{Sum}}_{\mathrm{blur}}}{{\mathrm{Blur}}_{\mathrm{cnt}}}& {\mathrm{Blur}}_{\mathrm{ratio}}=\frac{{\mathrm{Blur}}_{\mathrm{cnt}}}{{\mathrm{Edge}}_{\mathrm{cnt}}}\end{array};$

式中，Sum_blur为反模糊因子的值和，Blur_cnt为满足反模糊因子小于模糊度T的像素的个数和；Edge_cnt为水平和竖直方向边缘像素的个数，Blur_mean表示模糊均值，Blur_rato表示模糊比率。

（4.2）提取噪音比：噪音是影响图片质量的重要因子，具体步骤如下：

首先对原图进行中值滤波，并求得滤波后水平方向以及竖直方向的边缘图。

其次求得噪音图N_cnd(x,y)，计算公式如下：

式中，D_h(x,y)、D_v(x,y)分别是水平方向和竖直方向的边缘图，D_h-mean、D_v-nean分别为水平方向和竖直方向上的阈值，N_cand(x,y)、N_cand分别表示噪音值和噪音图。

最后计算噪音均值以及噪音比，计算公式如下：

$\begin{array}{cc}{\mathrm{Nosie}}_{\mathrm{mean}}=\frac{{\mathrm{Sum}}_{\mathrm{noise}}}{{\mathrm{Nosie}}_{\mathrm{cnt}}}& {\mathrm{Nosie}}_{\mathrm{ratio}}=\frac{{\mathrm{Noise}}_{\mathrm{cnt}}}{M*N}\end{array}$

式中，Sum_noise、Noise_cnt分别为噪音图的像素值值的和以及噪音图非零值像素个数，Noise_mean、Noise_cnt分别表示噪音均值和噪音比，M、N为操作图片的长和宽。而噪音图的长和宽。

进行模糊度和噪音比的融合：进行模糊度和噪音比的融合公式如下：

Metric=1-(w₁Blur_mean+w₂Blur_ratio+w₃Noise_mean+w₄Noise_ratio)；

式中，Metric表示融合后特征值，Blur_mean表示模糊均值，Blur_rato表示模糊比率，，Noise_mean表示噪音均值，Noise_cnt表示噪音比。

（4.3）提取weber对比度以及颜色对比度：

其中，weber对比度公式如下：

$f_{\mathrm{wc}}=\frac{1}{m\×n}\underset{x=0}{\overset{m}{\mathrm{\Σ}}}\underset{y=0}{\overset{n}{\mathrm{\Σ}}}\frac{I(x,y)-I_{\mathrm{avg}}}{I_{\mathrm{avg}}};$

式中，f_wc表示weber对比度，m、n为图像的长和宽，I_avg为图像的均值，I(x,y)表示在点(x,y)的像素值。

颜色对比度公式如下：

f_cc=(||M_R||/||R||)/(||M_I||/||I||)；

式中，f_cc表示颜色对比度，R为主体商品区域，I为原图。M_R、M_I表示商品主体区域和原图区域像素值变化聚类像素的个数。

（4.4）文字特征提取步骤如下：

（4.4.1）离线学习训练图像中红色文字logo区域像素点值，根据公式计算色度的均值M和协方差C。

（4.4.2）对于输入的每个像素，计算与离线训练模型的距离，检测输入相似是否为红色文字区域。

（4.4.3）阈值分割得到二值掩码图像，提取各个连通区域。

（4.4.4）对各个连通区域根据ORC算法精确定位是否属于文字logo区域，并识别文字在图像中的位置以及个数。

（4.5）提取待分级图片特征，特征为步骤1中所述特征。

（4.6）根据步骤2中计算得到的特征向量权值，对步骤5提取的特征进行多特征融合。

（4.7）对步骤6得到的融合特征作为输入参数送入步骤3中所建立的SVM模型，得到待分级图片质量级别。

本发明的有益效果是，本发明商品图像视觉质量的自动分级方法在用户通过图像技术搜索得到的商品图中优先展示用户满意度高即高质量的图片。

附图说明

图1为系统框架图；

图2为预处理流程图；

图3为颜色直方图计算流程图。

具体实施方式

下面以服饰类图像为例，结合附图对本发明做进一步详细的说明。如图1所示，商品的图像视觉质量自动分级方法包括以下步骤：

步骤1：将一批量图片作为训练样本，定义质量等级(非常好、好、一般、差、极差)，人工标定每张图片的质量等级。提取颜色直方图、颜色简洁度、颜色和谐度以及图片规则度作为训练样本的训练特征。

1.1颜色直方图的提取方法计算步骤如下：

颜色量化：将每个通道8位共256级量化为16级，RGB三个通道共4096级，即4096个Bin。

颜色聚类：根据量化后的颜色分布，计算颜色直方图。取前N（目前N=8）位颜色为初始聚类中心，利用Kmeans进行颜色聚类，得到颜色分布情况。

1.2颜色简洁度的提取整个步骤如下：

求得彩色图的颜色分布，并对RGB每个通道量化到16bin，创建一个4096bin的直方图，其颜色简洁度计算公式如下：

f_s=(||S||/4096)*100%；

式中，f_s表示颜色简洁度，S表示直方图值大于某一阈值T的直方图bin的个数。

1.3颜色和谐度的提取步骤如下：采用Yiwen Luo,Xiaoou TangPhoto and Video Quality Evaluation Focusing on the Subject.ECCV’08：Procedingsof the 10^th European Conference on Computer Vision,pages 386-399,Berlin,Heidelberg,2008.SpringerVerlag.所示方法将RGB彩色图转换到HSV空间，分别提取H、S、V空间的颜色直方图，并加以合并，公式如下：

H(i,j)=Avg(H(i)+H(j))；

式中，i、j表示不同的H、S、V空间下直方图的bin，H(i,j)表示在i、jbin下的颜色直方图，Avg表示取平均值。其颜色和谐度计算公式如下：

f_h=h(h)*s(h)*v(h)；

式中，f_h表示颜色和谐度，h(h)、s(h)、v(h)分别表示该图在h、s、v通道下的直方图。

1.4图片规则度表示图片内容排列的混杂程度，用基于方向的梯度直方图来表示，提取步骤如下：

首先将图像分成4×4块，并规定梯度的5个方向分别为垂直、水平、45度、135度以及无方向，得到4×4×5bin直方图。

其次，求得每个bin的值。使用数字滤波器提取每一个分块的边缘特征。应用过程中，数字滤波器将每个分块图像继续细分成4个子图像块，滤波器系数分别表示为f_v(k)、f_h(k)、f₄₅(k)、f₁₃₅(k)、f_nd(k)，其中k表示4个子图像块的位置。由此，五种边缘类型的度量值计算如下，以垂直方向为例：

$m_v(i,j)=|\underset{k=0}{\overset{3}{\mathrm{\Σ}}}{a}_k(i,j)\×f_v\left(k\right)|;$

式中，f_v(k)为垂直方向滤波器系数，a_k(i,j)表示子图像块，m_v(i,j)表示垂直方向下的度量值。如果最大值大于给定的门限值T，则认为该最大值对应的边缘类型即为该图像子块的边缘类型，否则认为该图像子块为无边缘类型。

步骤2：训练步骤1中提取的特征，得到上述特征向量的特征权值。

假设为步骤1中提取的特征向量，i表示第i张训练图片，M表示m维的特征组合。f(X)表示预测得到的分数，F(X)用户定义的分数，可以得到一个损失函数，目标使损失函数能量损耗最低。采用C.H.Yeh,Y.C.Ho,B.A.Barsky,M.Ouhyoung：Personalized photograph ranking and selectionsystem.In Proc.Of the Int.Conf.on MM.2010,MM’10,ACM.得到特征权值，公式如下：

$L(f,F)=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}F\left(x_i\right)\log \left(f\left(x_i\right)\right);$

其中 $f\left(x_i\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i{x}_i.$

式中，L(f,F）表示损失函数，F(x_i)表示拥护定义质量等级分数，x_i表示提取的特征，f(x_i)表示预测得到的质量等级分数，w_i表示各个特征代表的权重，m表示特征的个数。

步骤3：建立图像质量自动分级SVM模型。

本发明中采用支持向量机(Support Vector Machine)模型。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期得到最好的泛化能力。公式如下：

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i^j{y}_{i}K(x,x_i)+b^j;$

式中，a^j _i是步骤2中得到的权值，y_i为步骤1所提取的特征向量，K(x,x_i)为SVM模型的核函数，b^j表示置信风险。本方法中采用高斯核函数。

步骤4：图像质量预分级。专业摄影师认为高模糊度、高噪声比以及低对比度是影响图像质量的重要因素，而多文字图也是造成用户不良感觉的重要元素之一，因此满足上述特征的图像可预先被定义为低质量商品图。具体步骤如下，如图2所示：

4.1提取模糊度。模糊因子提取主要分为两步：提取边缘以及计算模糊因子。

首先得到水平方向和竖直方向的边缘图；

其次求的模糊因子图BR(x,y)以及反模糊因子，公式如下：

${\mathrm{BR}}_h(x,y)=\frac{|f(x,y)-\frac{1}{2}{A}_h(x,y)|}{\frac{1}{2}{A}_h(x,y)};$

${\mathrm{BR}}_v(x,y)=\frac{|f(x,y)-\frac{1}{2}{A}_v(x,y)|}{\frac{1}{2}{A}_v(x,y)};$

式中，A_h(x,y)、A_v(x,y)分别为水平方向和竖直方向的边缘图，f(x,y)为原图。BR_h(x,y)、BR_V(x,y)分别表示水平方向和竖直方向的模糊因子，而反模糊因子则为BR_h(x,y)和BR_V(x,y)最大值。

最后计算模糊均值和模糊比率。计算公式如下：

$\begin{array}{cc}{\mathrm{Blur}}_{\mathrm{mean}}=\frac{{\mathrm{Sum}}_{\mathrm{blur}}}{{\mathrm{Blur}}_{\mathrm{cnt}}}& {\mathrm{Blur}}_{\mathrm{ratio}}=\frac{{\mathrm{Blur}}_{\mathrm{cnt}}}{{\mathrm{Edge}}_{\mathrm{cnt}}}\end{array};$

式中，Sum_blur为反模糊因子的值和，Blur_cnt为满足反模糊因子小于模糊度T的像素的个数和；Edge_cnt为水平和竖直方向边缘像素的个数，Blur_mean表示模糊均值，Blur_rato表示模糊比率。

4.2提取噪音比：噪音是影响图片质量的重要因子。具体步骤如下：

首先对原图进行中值滤波，并求得滤波后水平方向以及竖直方向的边缘图。

其次求得噪音图N_cnd(x,y)，计算公式如下：

式中，D_h(x,y)、D_v(x,y)分别是水平方向和竖直方向的边缘图，D_h-mean、D_v-nean分别为水平方向和竖直方向上的阈值，N_cand(x,y)、N_cand分别表示噪音值和噪音图。

最后计算噪音均值以及噪音比。计算公式如下：

$\begin{array}{cc}{\mathrm{Nosie}}_{\mathrm{mean}}=\frac{{\mathrm{Sum}}_{\mathrm{noise}}}{{\mathrm{Nosie}}_{\mathrm{cnt}}}& {\mathrm{Nosie}}_{\mathrm{ratio}}=\frac{{\mathrm{Noise}}_{\mathrm{cnt}}}{M*N}\end{array}$

式中，Sum_noise、Noise_cnt分别为噪音图的像素值值的和以及噪音图非零值像素个数，Noise_mean、Noise_cnt分别表示噪音均值和噪音比，M、N为噪音图的长和宽。

进行模糊度和噪音比的融合：采用Min Goo Choi，Jung Hoon Jung，WookJeon：No-Reference Image Quality Assessment using Blur and Noise.WorldAcademy of Science,Engineering and Technology 50 2009.进行模糊度和噪音比的融合公式，如下：

Metric=1-(w₁Blur_mean+w₂Blur_ratio+w₃Noise_mean+w₄Noise_ratio)；

式中，Metric表示融合后特征值，Blur_mean表示模糊均值，Blur_rato表示模糊比率，，Noise_mean表示噪音均值，Noise_cnt表示噪音比。

4.3提取weber对比度以及颜色对比度：采用Yiwen Luo,XiaoouTang：Photo and Video Quality Evaluation Focusing on the Subject.ECCV’08：Procedings of the 10^th European Conference on ComputerVision,pages386-399,Berlin,Heidelberg,2008.SpringerVerlag.提供的方法提取weber对比度以及颜色对比度。

其中，weber对比度公式如下：

$f_{\mathrm{wc}}=\frac{1}{m\×n}\underset{x=0}{\overset{m}{\mathrm{\Σ}}}\underset{y=0}{\overset{n}{\mathrm{\Σ}}}\frac{I(x,y)-I_{\mathrm{avg}}}{I_{\mathrm{avg}}};$

式中，f_wc表示weber对比度，m、n为图像的长和宽，I_avg为图像的均值，I(x,y)表示在点(x,y)的像素值。

颜色对比度公式如下：

f_cc=(||M_R||/||R||)/(||M_I||/||I||)；

式中，f_cc表示颜色对比度，R为主体商品区域，I为原图。MR、M_I表示商品主体区域和原图区域像素值变化聚类像素的个数。

4.4文字特征提取步骤如下：

检测文字区域，重点检测红色文字区域以及红色背景下文字区域,

具体步骤如下：

离线学习训练图像中红色文字logo区域像素点值，根据公式计算色度的均值M和协方差C。

对于输入的每个像素，计算与离线训练模型的距离，检测输入相似是否为红色文字区域。

阈值分割得到二值掩码图像，提取各个连通区域。

对各个连通区域根据ORC算法精确定位是否属于文字logo区域，并识别文字在图像中的位置以及个数。

步骤5：提取待分级图片特征，特征为步骤1中所述特征。

步骤6：根据步骤2中计算得到的特征向量权值，对步骤5提取的特征进行多特征融合。

步骤7：对步骤6得到的融合特征作为输入参数送入步骤3中所建立的SVM模型，得到待分级图片质量级别。

Claims (6)

1.一种商品图像视觉质量的自动分级方法，其特征在于，包括以下步骤：

(1)将一批量图片作为训练样本，定义质量等级；所述质量等级分为非常好、好、一般、差、极差；人工标定每张图片的质量等级；提取颜色直方图、颜色简洁度、颜色和谐度以及图片规则度作为训练样本的训练特征；

(2)训练步骤1中提取的特征，得到上述特征向量的特征权值；

(3)建立图像质量自动分级SVM模型；

(4)图像质量预分级，具体步骤如下：

(4.1)提取模糊度：模糊因子提取主要分为两步：提取边缘以及计算模糊因子；

首先得到水平方向和竖直方向的边缘图；

其次求得模糊因子图BR(x,y)以及反模糊因子，公式如下：

${\mathrm{BR}}_h(x,y)=\frac{|f(x,y)-\frac{1}{2}{A}_h(x,y)|}{\frac{1}{2}{A}_h(x,y)};$

${\mathrm{BR}}_v(x,y)=\frac{|f(x,y)-\frac{1}{2}{A}_v(x,y)|}{\frac{1}{2}{A}_v(x,y)};$

式中，A_h(x,y)、A_v(x,y)分别为水平方向和竖直方向的边缘图，f(x,y)为原图；BR_h(x,y)、BR_v(x,y)分别表示水平方向和竖直方向的模糊因子，而反模糊因子则为BR_h(x,y)和BR_v(x,y)最大值；

最后计算模糊均值和模糊比率；计算公式如下：

${\mathrm{Blur}}_{\mathrm{mean}}=\frac{{\mathrm{Sum}}_{\mathrm{blur}}}{{\mathrm{Blur}}_{\mathrm{cnt}}}{\mathrm{Blur}}_{\mathrm{ratio}}=\frac{{\mathrm{Blur}}_{\mathrm{cut}}}{{\mathrm{Edge}}_{\mathrm{cnt}}};$

式中，Sum_blur为反模糊因子的值和，Blur_cnt为满足反模糊因子小于模糊度T的像素的个数和；Edge_cnt为水平和竖直方向边缘像素的个数，Blur_mean表示模糊均值，Blur_ratio表示模糊比率；

(4.2)提取噪音比：噪音是影响图片质量的重要因子，具体步骤如下：

首先对原图进行中值滤波，并求得滤波后水平方向以及竖直方向的边缘图；

其次求得噪音图N_cand(x,y)，计算公式如下：

$N_{\mathrm{cand}}(x,y)=\left\{\begin{array}{c}\max (D_v(x,y),D_h(x,y)),\mathrm{if}{D}_h(x,y)\≤D_{h-\mathrm{mean}}\mathrm{and}{D}_v(x,y)\≤D_{v-\mathrm{mean}}\\ 0,\mathrm{otherwise}\end{array}\right.;$

式中，D_h(x,y)、D_v(x,y)分别是水平方向和竖直方向的边缘图，D_h-mean、D_v-mean分别为水平方向和竖直方向上的阈值，N_cand(x,y)、N_cand分别表示噪音值和噪音图；

最后计算噪音均值以及噪音比，计算公式如下：

${\mathrm{Nosie}}_{\mathrm{mean}}=\frac{{\mathrm{Sum}}_{\mathrm{noise}}}{{\mathrm{Nosie}}_{\mathrm{cnt}}}{\mathrm{Nosie}}_{\mathrm{ratio}}=\frac{{\mathrm{Noise}}_{\mathrm{cnt}}}{M*N}$

式中，Sum_noise、Noise_cnt分别为噪音图的像素值的和以及噪音图非零值像素个数，Noise_mean、Noise_ratio分别表示噪音均值和噪音比，M、N为噪音图的长和宽；

进行模糊度和噪音比的融合：进行模糊度和噪音比的融合公式如下：

Metric＝1-(w₁Blur_mean+w₂Blur_ratio+w₃Noise_mean+w₄Noise_ratio)；

式中，Metric表示融合后特征值，Blur_mean表示模糊均值，Blur_ratio表示模糊比率，Noise_mean表示噪音均值，Noise_ratio表示噪音比；w₁表示模糊均值的权重，w₂表示模糊比率的权重，w₃表示噪音均值的权重，w₄表示噪音比的权重；

(4.3)提取weber对比度以及颜色对比度：

其中，weber对比度公式如下：

$f_{\mathrm{wc}}=\frac{1}{m\×n}\underset{x=0}{\overset{m}{\mathrm{\Σ}}}\underset{y=0}{\overset{n}{\mathrm{\Σ}}}\frac{I(x,y)-I_{\mathrm{avg}}}{I_{\mathrm{avg}}};$

式中，f_wc表示weber对比度，m、n为图像的长和宽，I_avg为图像的均值，I(x,y)表示在点(x,y)的像素值；

颜色对比度公式如下：

f_cc＝(||M_R||/||R||)/(||M_I||/||I||)；

式中，f_cc表示颜色对比度，R为主体商品区域，I为原图，M_R、M_I表示商品主体区域和原图区域像素值变化聚类像素的个数；

(4.4)文字特征提取步骤如下：

(4.4.1)离线学习训练图像中红色文字logo区域像素点值，根据公式计算色度的均值M和协方差C；

(4.4.2)对于输入的每个像素，计算与离线训练模型的距离，检测输入相似是否为红色文字区域；

(4.4.3)阈值分割得到二值掩码图像，提取各个连通区域；

(4.4.4)对各个连通区域根据ORC算法精确定位是否属于文字logo区域，并识别文字在图像中的位置以及个数；

(4.5)提取待分级图片特征，特征为步骤1中所述特征；

(4.6)根据步骤2中计算得到的特征向量权值，对步骤5提取的特征进行多特征融合；

(4.7)对步骤6得到的融合特征作为输入参数送入步骤3中所建立的SVM模型，得到待分级图片质量级别；

所述步骤2具体为：假设为步骤1中提取的特征向量，i表示第i张训练图片，N表示训练图片总量，M表示m维的特征组合；f(X)表示预测得到的分数，F(X)用户定义的分数，可以得到一个损失函数，目标使损失函数能量损耗最低，再得到特征权值，公式如下：

$L(f,F)=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}F\left(x_i\right)\log \left(f\left(x_i\right)\right);$

其中 $f\left(x_i\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i{x}_i;$

式中，L(f,F)表示损失函数，F(x_i)表示拥护定义质量等级分数，x_i表示提取的特征，f(x_i)表示预测得到的质量等级分数，w_i表示各个特征代表的权重，m表示特征的个数。

2.根据权利要求1所述商品图像视觉质量的自动分级方法，其特征在于，所述步骤1中，所述颜色直方图的提取方法如下：

(a)颜色量化：将每个通道8位共256级量化为16级，RGB三个通道共4096级，即4096个Bin；

(b)颜色聚类：根据量化后的颜色分布，计算颜色直方图；取前N位颜色为初始聚类中心，利用Kmeans进行颜色聚类，得到颜色分布情况，N＝8。

3.根据权利要求1所述商品图像视觉质量的自动分级方法，其特征在于，所述步骤1中，所述颜色简洁度的提取整个步骤如下：求得彩色图的颜色分布，并对RGB每个通道量化到16bin，创建一个4096bin的直方图，其颜色简洁度计算公式如下：

f_s＝(||S||/4096)*100％；

式中，f_s表示颜色简洁度，S表示直方图值大于某一阈值T的直方图bin的个数。

4.根据权利要求1所述商品图像视觉质量的自动分级方法，其特征在于，所述步骤1中，所述颜色和谐度的提取步骤如下：将RGB彩色图转换到HSV空间，分别提取H、S、V空间的颜色直方图，并加以合并，公式如下：

H(i,j)＝Avg(H(i)+H(j))；

式中，i、j表示不同的H、S、V空间下直方图的bin，H(i,j)表示在i、jbin下的颜色直方图，Avg表示取平均值；其颜色和谐度计算公式如下：

f_h＝h(h)*s(h)*v(h)；

式中，f_h表示颜色和谐度，h(h)、s(h)、v(h)分别表示该图在h、s、v通道下的直方图。

5.根据权利要求1所述商品图像视觉质量的自动分级方法，其特征在于，所述步骤1中，所述图片规则度表示图片内容排列的混杂程度，用基于方向的梯度直方图来表示，提取步骤如下：

首先将图像分成4×4块，并规定梯度的5个方向分别为垂直、水平、45度、135度以及无方向，得到4×4×5bin直方图；

其次，求得每个bin的值；使用数字滤波器提取每一个分块的边缘特征；数字滤波器将每个分块图像继续细分成4个子图像块，滤波器系数分别表示为f_v(k)、f_h(k)、f₄₅(k)、f₁₃₅(k)、f_nd(k)，其中k表示4个子图像块的位置；由此，五种边缘类型的度量值计算如下，以垂直方向为例：

$m_v(i,j)=|\underset{k=0}{\overset{3}{\mathrm{\Σ}}}{a}_k(i,j)\×f_v\left(k\right)|;$

式中，f_v(k)为垂直方向滤波器系数，a_k(i,j)表示子图像块，m_v(i,j)表示垂直方向下的度量值；如果最大值大于给定的门限值T，则认为该最大值对应的边缘类型即为该图像子块的边缘类型，否则认为该图像子块为无边缘类型。

6.根据权利要求1所述商品图像视觉质量的自动分级方法，其特征在于，所述步骤3建立的图像质量自动分级SVM模型为：

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i^j{y}_{i}K(x,x_i)+b^j;$

式中，N表示训练图片总量，a^j _i是步骤2中得到的权值，y_i为步骤1所提取的特征向量，K(x,x_i)为SVM模型的核函数，b^j表示置信风险。