CN103020947B - 一种图像的质量分析方法及装置 - Google Patents

Abstract

本申请公开了一种图像的质量分析方法，包括：从图像中确定目标区域和背景区域；根据所述区域和/或背景区域计算图像的特征参数；将计算得到的特征参数作为预设的质量计算模型的输入值，计算得到所述特征参数对应的图像质量分析结果。本申请还公开了一种图像的质量分析系统，该方法及系统能够进行图像的质量分析。

Description

一种图像的质量分析方法及装置

技术领域

本申请涉及图像的识别技术，尤其涉及一种图像的质量分析方法及装置。

背景技术

随着网上购物的日益流行，商家越来越多的通过图像来向用户进行产品的展示。产品图像的质量好坏影响着产品的展示效果，不管是对产品购买者的购买体验还是商家的产品销售量都有着重要影响。这里，产品图像的清晰度、图像中产品与背景的对比度等都可以作为产品图像的质量分析因素，决定着产品图像的质量。

随着社交网络及各种其他网络的发展，用户会在网上展示各种各样的照片，如：人物照片、自然风光照片、家居摆设等各种照片，针对这些目标物拍摄后形成的图像中，目标物和背景的对比度、图像的清晰度等都会影响到图像的质量好坏，这些照片图像的质量好坏也会影响到图像的展示及传播效果。

现有技术中对于图像质量进行分析的系统，一般仅是对图像本身的清晰度进行分析，无法对图像的质量进行综合分析。。尤其是对产品图像的质量分析评价还停留于人工进行主观识别、评价分析的阶段，没有专门针对产品图像的质量分析方法。

发明内容

有鉴于此，本申请要解决的技术问题是，提供一种图像的质量分析方法及装置，能够进行图像的质量分析。

为此，本申请实施例采用如下技术方案：

本申请实施例提供一种图像的质量分析方法，包括：

从图像中确定目标区域和背景区域；

根据所述目标区域和/或背景区域计算图像的特征参数；

将计算得到的特征参数作为预设的质量计算模型的输入值，计算得到所述特征参数对应的图像质量分析结果。

本申请实施例一种图像的质量分析系统，包括：

确定单元，用于从图像中确定目标区域和背景区域；

第一计算单元，用于根据所述目标区域和/或背景区域计算图像的特征参数；

第二计算单元，用于将计算得到的特征参数输入到预设的质量计算模型中，计算得到所述特征参数对应的图像质量分析结果。

对于上述技术方案的技术效果分析如下：

本申请实施例中首先从图像中确定目标区域和背景区域；根据所述目标区域和/或背景区域计算图像的特征参数；最后，将计算得到的特征参数输入到预设的质量计算模型中，得到所述特征参数对应的图像质量分析结果。从而实现了对于图像的质量分析。

附图说明

图1为本申请实施例所适用的网络结构示意图；

图2为本申请实施例一种图像的质量分析方法流程示意图；

图3为本申请实施例另一种图像的质量分析方法流程示意图；

图4为本申请实施例一种图像的质量分析系统结构示意图；

图5为本申请实施例图像的质量分析系统中一个单元的实现结构示意图。

具体实施方式

为使本领域技术人员更加清楚的理解本申请实施例，首先介绍本申请实施例可以应用的网络环境。如图1所示，包括网站服务器110以及客户端120，所述客户端120用于向网站服务器110传输图像；所述网站服务器110用于对接收到的每个图像进行质量分析，将质量分析结果返回给客户端120。

以下，结合附图详细说明本申请实施例图像质量分析方法及系统的实现。

图2为本申请实施例图像质量分析方法流程示意图，该方法可以适用于网站服务器110中；如图2所示，该方法包括：

步骤201：从图像中确定目标区域和背景区域；

步骤202：根据所述目标区域和/或背景区域计算图像的特征参数；

步骤203：将计算得到的特征参数作为预设的质量计算模型的输入值，计算得到所述特征参数对应的图像质量分析结果。

所述目标区域为针对目标物拍摄、制作后所形成的图像中目标物所覆盖的区域，也就是，图像中背景区域之外的区域，以产品图像为例，其目标区域为产品区域；以人物图像为例，其目标区域为人物覆盖区域。图2所示的本申请实施例中，首先从图像中确定目标区域和背景区域；根据所述目标区域和/或背景区域计算图像的特征参数；最后，将计算得到的特征参数输入到预设的质量计算模型中，得到所述特征参数对应的图像质量分析结果。从而实现了对于图像的质量分析。

在图2的基础上，通过图3对本申请实施例图像质量分析方法进行更为详细的说明。如图3所示，该方法包括：

步骤301：获取图像的数据。

其中，在具体实现中，所述图像的来源可能不同，例如，可能是直接从客户端获取图像的数据，或者，也可以是预先从客户端获取并存储于网站服务器的图像等，这里并不限定。

步骤302：确定该图像的预设面积比例的外边框区域。

例如，可以预设面积比例为20％，则位于目标图像最外围的20％面积的区域，即为所确定的外边框区域。

一般的，可以认为在多数的图像中，尤其是产品图像中，目标物拍摄中的背景所形成的图像一般位于目标物图像的外围，而目标物所形成的图像则位于整个图像的较为中心的位置；具体到产品的拍摄，产品拍摄中的背景所形成的图像一般位于产品图像的外围，而产品所形成的图像则位于整个产品图像的较为中心的位置。因此，一般外边框区域所包含的图像主要是背景所形成的图像；而图像中背景部分一般颜色较为单一，也即区域平坦度较高。从而，通过对外边框区域进行后续步骤中的操作，即可以确定出整个图像的背景区域的主要颜色以及背景区域的种子区域，通过种子区域向外的生长，最终得到整个背景区域，也即完成了背景区域以及目标区域的确定。

其中，种子区域是指本申请实施例进行图像处理时所确定的初始区域。

步骤303：对所述外边框区域进行聚类处理，得到n1类颜色的颜色区域；

其中，所述聚类处理可以包括：首先每个像素对应一个类别，然后计算不同类别的中心之间的距离，若距离小于阈值，则将两类合并；如此反复迭代，直到不存在中心之间的距离小于阈值的两类，则聚类完成。

其中，这里的n1类颜色中，每种颜色所对应的颜色区域可能是一个区域，也可能是互不连通的多个区域。

步骤304：分别计算n1类颜色的颜色区域在外边框区域中所占的面积比重，选择出面积比重超过比重阈值的n2类颜色的颜色区域；

步骤305：分别计算选择出的n2类颜色的颜色区域的区域平坦度，选择出区域平坦度超过平坦度阈值的n3类颜色的颜色区域，将这些区域平坦度超过平坦度阈值的颜色区域作为背景区域的种子区域。

其中，n1≥n2≥n3＞0，n1、n2、n3为自然数。

以上的步骤304和步骤305是从n1类颜色的颜色区域中确定背景区域所包含的颜色，也即是将外边框区域中所占面积比重最大，且区域平坦度最高的n3类颜色作为背景区域所包含的颜色。而这n3类颜色的颜色区域即为背景区域的种子区域。

步骤306：以种子区域为中心，确定与种子区域相邻的各个像素点与其相邻种子区域中的像素点之间的颜色欧氏距离不大于图像标准差的预设倍数时，将该像素点添加到种子区域中，直到种子区域相邻的所有像素点与其相邻种子区域中的像素点之间的颜色欧氏距离大于图像标准差的预设倍数。

所述预设倍数一般大于0，小于1，优选地，可以设置为0.5。

本步骤是一个种子区域根据颜色标准差进行区域生长的过程，通过该过程，可以将每个种子区域周围的背景区域添加到种子区域中来，从而最终得到所有的背景区域的过程。

通过本步骤的处理，越复杂的图像会具有更高的图像标准差，则种子区域具有更强的生长能力，不容易欠生长，反之简单的图像的生长能力较弱，不容易产生过生长的情况。

步骤307：将图像中所有种子区域确定为背景区域，所有种子区域之外的区域，也即背景区域之外的区域确定为目标区域。

以上的步骤302～步骤307即为从图像中确定目标区域的一种具体实现步骤。通过步骤303～步骤305，从外边框区域中确定背景区域所包含的颜色，以及进行区域生长的种子区域；后续通过步骤306中对种子区域进行生长，从而可以得到外边框区域之外区域中的背景区域，完成了各个种子区域的生长后，可以认为，所有种子区域构成了该图像的背景区域；而背景区域之外的区域则为图像中目标物所对应的图像，也即为目标区域。

步骤308：根据所述目标区域和/或背景区域计算图像的特征参数。

其中，所述特征参数可以包括：背景复杂度，和/或，前背景对比度，和/或，全局清晰度，和/或，目标物尺寸，如产品尺寸；具体的，

1、背景复杂度，用于表示图像的杂乱程度。

所述背景复杂度可以通过平均梯度值来表示，一般的，平均梯度值越大，则背景复杂度越高，背景越复杂。

所述平均梯度值的计算方法可以包括：根据所述背景区域，提取出该背景区域的平均梯度值。

所述提取背景区域的平均梯度值的方法可以包括：

使用sobel算子求取图像的梯度强度图G；

根据所述梯度强度图G统计背景区域的梯度强度总和Sg和背景区域的像素点个数Pn；

根据所述梯度强度总和Sg以及像素点个数Pn计算背景区域的平均梯度值T，公式可以为：

T＝Sg/Pn。

2、前背景对比度，用于反映目标区域和背景区域的对比强度。

所述前背景对比度的计算方法可以包括：

对目标区域进行聚类处理，得到预设n类颜色的颜色区域，并计算每种颜色区域在目标区域中的面积比重Ai(i大于等于1，小于等于n)；并且，对背景区域进行聚类处理，得到预设m类颜色区域，并计算每种颜色区域在目标区域中的面积比重Dj(j大于等于1，小于等于m)；n和m为自然数；

计算目标区域中每种颜色与背景区域中每种颜色之间的欧式距离Lij；

根据颜色之间的欧氏距离以及颜色的面积比重计算所述前背景对比度M。

具体的计算公式可以为：

$M=\underset{i=1;j=1}{\overset{n,m}{\mathrm{\Σ}}}\mathrm{LijAiDj}---\left(1\right)$

3、全局清晰度，用于反映目标区域中图像的整体清晰程度。

所述全局清晰度的计算方法可以包括：

步骤A：将目标区域分为N*N大小的图像块，对每一图像块的像素值Ri进行DCT变换，得到该图像块的DCT系数矩阵Ci；N的取值与图像的大小有关，如果图像越大，则N的取值一般越大，图像越小，则N的取值一般越小。

步骤B：根据图像块的DCT系数矩阵Ci，创建该图像块的统计直方图H，对H中每个bin赋值的公式为：

$H_k=\underset{k=1}{\overset{N^2}{\mathrm{\Σ}}}{C}_i\left(k\right),(C_i\left(k\right)>{\mathrm{DCT}}_{\min })---\left(2\right)$

其中，i＝(1，...，M)，M为目标区域中小块的个数，Ci(k)是矩阵Ci中第k个元素的值，DCTmin为预设阈值。

步骤C：通过加权矩阵W和各个图像块的统计直方图估计当前目标区域的全局清晰度S，具体公式为：

$S=\underset{k=1}{\overset{N^2}{\mathrm{\Σ}}}W\left(k\right),(H_k>V_{\max }*H_o)---\left(3\right)$

其中，Vmax为预设阈值。

其中，加权矩阵W的行列数与N的取值有关，例如N＝8时，一个8*8的加权矩阵W的实例如下表1所示：

表1

4、目标物尺寸，用于反映目标区域在整个图像区域中的比例。

其中，目标物尺寸可以通过目标区域的面积比重，和/或，目标物的长度和宽度表示。

其中，所述目标区域的面积比重的计算方法可以包括：确定目标区域的面积以及整个图像区域的总面积；计算目标区域在图像区域中的面积比重。

所述目标物的长度和宽度的计算方法可以包括：确定目标区域的最小外接矩形，得到该最小外接矩形的长度和宽度，将该外接矩形的长度和宽度分别作为目标物的长度和宽度。

步骤309：将计算得到的图像的特征参数输入预设的质量计算模型中，计算得到所述特征参数对应的图像质量分析结果，该图像质量分析结果即为该图像的质量分析结果。其中，所述质量计算模型为：以特征参数为输入，图像质量分析结果为输出的计算模型。

其中，所述预设的质量计算模型的建立过程一般在进行产品质量分析之前完成，所述建立方法可以包括：

抽取一定数量的图像作为训练样本，分别对所述图像进行上述特征参数的提取；并且，预先设定每一图像的图像质量分析结果；

根据所述图像的特征参数以及图像质量分析结果进行训练，学习出以图像的特征参数为输入、图像质量分析结果为输出的SVM拟合模型，将该SVM拟合模型作为所述预设质量计算模型。

其中，进行模型建立时所提取的特征参数与后续进行某一图像的质量分析时所提取的特征参数应相同，否则，将会出现质量分析结果的偏差。另外，所述图像质量分析结果可以为百分制的得分、十分制的得分、或者质量分析等级等，可以根据实际情况进行设定。

例如，在进行模型建立时，分别提取的特征参数为：平均梯度值，前背景对比度，目标物的长度和宽度，以及目标区域的面积比重；而预设的每一训练样本的质量分析结果是百分制的得分；则基于SVM的回归模型进行上述特征参数与质量分析结果之间的训练，即可以得到：以平均梯度值，前背景对比度，目标物的长度和宽度，以及目标区域的面积比重为输入，以百分制的质量分析结果为输出的SVM拟合模型(即质量计算模型)；后续在进行某一图像的质量分析时，只要提取该图像的平均梯度值，前背景对比度，目标物的长度和宽度，以及目标区域的面积比重等特征参数，输入到SVM拟合模型中，即可以根据该计算模型计算得到该图像对应的百分制质量分析得分。

与上述图像的质量分析方法相对应的，本申请实施例还提供一种图像的质量分析系统，如图4所示，该系统可以包括：

确定单元410，用于从图像中确定目标区域和背景区域；

第一计算单元420，用于根据所述目标区域和/或背景区域计算图像的特征参数；

第二计算单元430，用于将计算得到的特征参数作为预设的质量计算模型的输入值，计算得到所述特征参数对应的图像质量分析结果。

其中，如图5所示，确定单元410可以包括：

第一确定子单元510，用于确定图像的预设面积比例的外边框区域；

聚类单元520，用于对所述外边框区域进行聚类处理，得到预设n1类颜色的颜色区域；

第二确定子单元530，用于根据所述n1类颜色的颜色区域确定背景区域的种子区域；

生长子单元540，用于以种子区域为中心，确定与种子区域相邻的各个像素点与其相邻种子区域中的像素点之间的颜色欧氏距离不大于图像标准差的预设倍数时，将该像素点添加到种子区域中，直到种子区域相邻的所有像素点与其相邻种子区域中的像素点之间的颜色欧氏距离大于图像标准差的预设倍数；

第三确定子单元550，用于将所有种子区域作为图像的背景区域，所有种子区域之外的区域作为图像的目标区域。

优选地，如图5所示，第二确定子单元530可以包括：

第一计算子模块5301，用于分别计算n1类颜色的颜色区域在外边框区域中所占的面积比重，选择出面积比重超过比重阈值的n2类颜色的颜色区域；

第二计算子模块5302，用于分别计算所述n2类颜色的颜色区域的区域平坦度，选择出区域平坦度超过平坦度阈值的n3类颜色的颜色区域，将所述n3类颜色的颜色区域作为所述种子区域；n1≥n2≥n3，且，n2、n3为自然数。

其中，图像的特征参数可以包括：背景复杂度，和/或，前背景对比度，和/或，全局清晰度，和/或，产品尺寸。

第一计算单元420可以包括：

第一计算子单元，用于根据所述背景区域，提取出该背景区域的平均梯度值，将该平均梯度值作为背景复杂度的数值；

具体的，第一计算子单元可以用于：使用sobel算子求取图像的梯度强度图G；根据所述梯度强度图G统计背景区域的梯度强度总和Sg和背景区域的像素点个数Pn；根据所述梯度强度总和Sg以及像素点个数Pn计算背景区域的平均梯度值T，公式可以为：T＝Sg/Pn。

和/或，

第二计算子单元，用于对目标区域进行聚类处理，得到预设n类颜色区域，并计算每种颜色区域在目标区域中的比重值Ai，i大于等于1，小于等于n；并且，对背景区域进行聚类处理，得到预设m类颜色区域，并计算每种颜色区域在目标区域中的比重值Dj，j大于等于1，小于等于m；计算目标区域中每种颜色与背景区域中每种颜色之间的欧式距离Lij；根据颜色之间的欧氏距离以及颜色的比重值计算所述前背景对比度

和/或：

第三计算子单元，用于将目标区域划分为预设大小的图像块，对每一图像块的像素值进行DCT变换，得到该图像块的DCT系数矩阵；根据各个图像块的DCT系数矩阵创建对应图像块的统计直方图；根据各个图像块的统计直方图以及加权矩阵计算目标区域的全局清晰度。

和/或，

第四计算子单元，用于确定目标区域的面积以及整个图像区域的总面积；计算目标区域在图像区域中的面积比重；和/或，计算目标区域中最小外接矩形，得到该矩形的长度值和宽度值。

优选地，如图4所示，该系统还可以包括：

训练单元440，用于抽取一定数量的图像作为训练样本，分别对所述图像进行特征参数的提取；并且，预先设定每一图像的图像质量分析结果；根据所述图像的特征参数以及图像质量分析结果进行训练，学习出以图像的特征参数为输入、图像质量分析结果为输出的SVM拟合模型，将该SVM拟合模型作为所述预设质量计算模型。

图4～5所示的图像的质量分析系统中，由确定单元从图像中确定目标区域和背景区域，第一计算单元根据所述目标区域和/或背景区域计算图像的特征参数，第二计算单元将计算得到的特征参数输入到预设的质量计算模型中，得到所述特征参数对应的图像质量分析结果，从而实现了对于图像的质量分析。

本申请实施例的图像的质量分析方法及系统不仅可以适用于如图1所示的网络系统下，还可以适用于其他环境下的图像的质量分析，例如直接设置于商户所在的客户端，为商户提供对于产品图像的质量分析等。

现有技术中，由于仅通过人工进行主观识别、分析，因此，商家提供的产品图像质量参差不齐，产品的展示效果差，此时，用户如果进行对应产品的浏览时，往往会因为产品图像的质量问题而放弃对该产品的购买，转而浏览其他商家的相同产品。因此，用户在进行某一产品的购买时，会由网上购物所属网站的网站服务器根据用户输入的产品特征进行产品搜索，针对该产品的搜索结果，用户需要点击各个搜索结果，基于产品图像等信息寻找合适产品进行购买。由于产品图像的质量差别，用户往往需要多次点击不同商家的产品进行浏览，才能最终通过质量好的产品图像寻找到合适的产品，达成交易。这里，用户对于某一产品的多次浏览，必然会占用用户所在客户端与商家展示产品所在的网站服务器之间的传输带宽，浪费传输资源；且，用户所在客户端多次与网站服务器进行交互，也会增加网站服务器的数据处理压力，降低网站服务器的数据处理速度和效率。

因此，以上所述的本申请实施例产品图像的质量分析方法所得到的产品图像的质量分析结果可以应用于网站服务器的产品搜索过程中，作为网站服务器进行产品搜索时，对产品搜索结果进行进一步筛选的依据，以上只是对产品搜索的一个举例，可以轻易想到的，本申请实施例可以应用于各种目标物图像的搜索，具体的，以上的图2和图3所示的实施例计算得到图像的质量分析结果后，可以进一步包括以下的步骤：

网站服务器接收用户的搜索请求，根据搜索请求中携带的目标物特征信息进行目标物的搜索，得到目标物搜索结果；

依次判断目标物搜索结果中各个目标物的图像质量分析结果是否大于预设的分析结果阈值，如果否，从搜索结果中删除该目标物对应的信息；如果是，在搜索结果中保留该目标物对应的信息。

或者，网站服务器也可以不进行搜索结果的筛选，所述判断步骤可以替换为：根据各个目标物的图像质量分析结果对目标物搜索结果进行排序，将排序后的搜索结果向用户展现。

当然，在实际应用中，还可以将本申请实施例所述的图像的质量分析方法应用于其他的应用环境中，这里不赘述。

其中，一个目标物可能对应多个目标物图像，此时，对于一个目标物的图像质量分析结果可以根据目标物对应的图像的质量分析结果进行计算，例如计算出平均数或者总和等等，这里不限定。

相应的，图4和图5所示的系统可以进一步包括：

搜索单元，用于接收用户的搜索请求，根据搜索请求中携带的目标物特征信息进行目标物的搜索，得到目标物搜索结果；

第三计算单元，用于根据目标物对应的各个图像的质量分析结果计算目标物对应的图像质量分析结果；

判断单元，用于依次判断目标物搜索结果中各个目标物的图像质量分析结果是否大于预设的分析结果阈值，如果否，从目标物搜索结果中删除该目标物对应的信息；如果是，在目标物搜索结果中保留该目标物信息；

或者，该方法还包括：

搜索单元，用于接收用户的搜索请求，根据搜索请求中携带的目标物特征信息进行目标物的搜索，得到目标物搜索结果；

第三计算单元，用于根据目标物对应的各个图像的质量分析结果计算目标物对应的图像质量分析结果；

排序单元，用于根据目标物的图像质量分析结果对目标物搜索结果进行排序。

在本申请实施例的图像质量分析方法和系统的应用举例中，网站服务器在进行目标物的搜索时，对目标物搜索结果按照目标物的图像质量分析结果进行筛选或者排序，从而使得用户浏览的所有目标物或者用户最先浏览的目标物，其目标物所对应的图像质量较好，从而减少了用户对于图像质量不好的目标物的浏览次数，从而减少了客户端与的网站服务器之间的传输带宽占用，节省了网络传输资源；而且，用户所在客户端与网站服务器进行交互的次数减少，会相应降低网站服务器的数据处理压力，提高网站服务器的数据处理速度和效率。

本领域普通技术人员可以理解，实现上述实施例的方法的过程可以通过程序指令相关的硬件来完成，所述的程序可以存储于可读取存储介质中，该程序在执行时执行上述方法中的对应步骤。所述的存储介质可以如：ROM/RAM、磁碟、光盘等。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (9)

1.一种图像的质量分析方法，其特征在于，包括：

从图像中确定目标区域和背景区域；

根据所述目标区域和/或背景区域计算图像的特征参数；其中，图像的特征参数包括：背景复杂度，和/或，前背景对比度，和/或，全局清晰度，和/或，目标物尺寸；背景复杂度反映图像的杂乱程度，用背景区域的平均梯度值来表示；前背景对比度反映目标区域和背景区域的对比强度；全局清晰度反映目标区域中图像的整体清晰程度；目标物尺寸反映目标区域在整个图像区域中的比例；

将计算得到的特征参数作为预设的质量计算模型的输入值，计算得到所述特征参数对应的图像质量分析结果；

所述方法还包括：

接收用户的搜索请求，根据搜索请求中携带的目标物特征信息进行目标物的搜索，得到目标物搜索结果；根据目标物对应的各个图像的质量分析结果计算目标物对应的图像质量分析结果；

依次判断所述搜索结果中各个目标物的图像质量分析结果是否大于预设的分析结果阈值，如果否，从所述搜索结果中删除该目标物对应的信息；如果是，在所述搜索结果中保留该目标物对应的信息；

或者，所述方法还包括：

接收用户的搜索请求，根据搜索请求中携带的目标物特征信息进行目标物的搜索，得到目标物搜索结果；根据目标物对应的各个图像的质量分析结果计算目标物对应的图像质量分析结果；

根据所述目标物的图像质量分析结果对目标物搜索结果进行排序。

2.根据权利要求1所述的方法，其特征在于，所述从图像中确定目标区域和背景区域包括：

确定图像的预设面积比例的外边框区域；

对所述外边框区域进行聚类处理，得到预设n1类颜色的颜色区域；n1为自然数；

根据所述n1类颜色的颜色区域确定背景区域的种子区域；

以种子区域为中心，确定与种子区域相邻的各个像素点与其相邻种子区域中的像素点之间的颜色欧氏距离不大于图像标准差的预设倍数时，将该像素点添加到种子区域中，直到种子区域相邻的所有像素点与其相邻种子区域中的像素点之间的颜色欧氏距离大于图像标准差的预设倍数；

将所有种子区域作为图像的背景区域，所有种子区域之外的区域作为图像的目标区域。

3.根据权利要求2所述的方法，其特征在于，所述根据所述n1类颜色的颜色区域确定背景区域的种子区域包括：

分别计算n1类颜色的颜色区域在外边框区域中所占的面积比重，选择出面积比重超过比重阈值的n2类颜色的颜色区域；

分别计算所述n2类颜色的颜色区域的区域平坦度，选择出区域平坦度超过平坦度阈值的n3类颜色的颜色区域，将所述n3类颜色的颜色区域作为所述种子区域；n1≥n2≥n3，且，n2、n3为自然数。

4.根据权利要求1所述的方法，其特征在于，根据所述目标区域和/或背景区域计算图像的背景复杂度包括：

根据所述背景区域，提取出该背景区域的平均梯度值，将该平均梯度值作为背景复杂度的数值。

5.根据权利要求1所述的方法，其特征在于，根据所述目标区域和/或背景区域计算图像的前背景对比度包括：

对目标区域进行聚类处理，得到预设n类颜色区域，并计算每种颜色区域在目标区域中的比重值Ai，i大于等于1，小于等于n；并且，对背景区域进行聚类处理，得到预设m类颜色区域，并计算每种颜色区域在目标区域中的比重值Dj，j大于等于1，小于等于m；n和m为自然数；

计算目标区域中每种颜色与背景区域中每种颜色之间的欧式距离Lij；

根据颜色之间的欧氏距离以及颜色的比重值计算所述前背景对比度 $M=\underset{i=1;y=1}{\overset{n,m}{\Σ}}LijAiDj.$

6.根据权利要求1所述的方法，其特征在于，根据所述目标区域和/或背景区域计算图像的全局清晰度包括：

将目标区域划分为预设大小的图像块，对每一图像块的像素值进行DCT变换，得到该图像块的DCT系数矩阵；

根据各个图像块的DCT系数矩阵创建对应图像块的统计直方图；

根据各个图像块的统计直方图以及加权矩阵计算目标区域的全局清晰度。

7.根据权利要求1所述的方法，其特征在于，根据所述目标区域和/或背景区域计算图像的目标物尺寸包括：

确定目标物区域的面积以及整个图像区域的总面积；计算目标区域在图像区域中的面积比重；

和/或，

计算目标区域中最小外接矩形，得到该矩形的长度值和宽度值。

8.根据权利要求1至3任一项所述的方法，其特征在于，预设的质量计算模型的建立方法为：

抽取一定数量的图像作为训练样本，分别对所述图像进行特征参数的提取；并且，预先设定每一图像的图像质量分析结果；

根据所述图像的特征参数以及图像质量分析结果进行训练，学习出以图像的特征参数为输入、图像质量分析结果为输出的SVM拟合模型，将该SVM拟合模型作为所述预设质量计算模型。

9.一种图像的质量分析系统，其特征在于，包括：

确定单元，用于从图像中确定目标区域和背景区域；

第一计算单元，用于根据所述目标区域和/或背景区域计算图像的特征参数；其中，图像的特征参数包括：背景复杂度，和/或，前背景对比度，和/或，全局清晰度，和/或，目标物尺寸；背景复杂度反映图像的杂乱程度，用背景区域的平均梯度值来表示；前背景对比度反映目标区域和背景区域的对比强度；全局清晰度反映目标区域中图像的整体清晰程度；目标物尺寸反映目标区域在整个图像区域中的比例；

第二计算单元，用于将计算得到的特征参数输入到预设的质量计算模型中，计算得到所述特征参数对应的图像质量分析结果；

所述系统还包括：

搜索单元，用于接收用户的搜索请求，根据搜索请求中携带的目标物特征信息进行目标物的搜索，得到目标物搜索结果；

第三计算单元，用于根据目标物对应的各个图像的质量分析结果计算目标物对应的图像质量分析结果；

判断单元，用于依次判断目标物搜索结果中各个目标物的图像质量分析结果是否大于预设的分析结果阈值，如果否，从目标物搜索结果中删除该目标物对应的信息；如果是，在目标物搜索结果中保留该目标物信息；

或者，所述系统还包括：

搜索单元，用于接收用户的搜索请求，根据搜索请求中携带的目标物特征信息进行目标物的搜索，得到目标物搜索结果；

第三计算单元，用于根据目标物对应的各个图像的质量分析结果计算目标物对应的图像质量分析结果；

排序单元，用于根据目标物的图像质量分析结果对目标物搜索结果进行排序。