CN105512671A - 基于模糊照片识别的照片管理方法 - Google Patents

Abstract

本发明提供基于模糊照片识别的照片管理方法，包括：通过外部设备读取照片的步骤；计算包含在照片中的各子图像的作为模糊特征的梯度幅值的步骤；将包含在子图像中的像素点的梯度幅值的最大值与规定阈值相比，当该最大值大于规定阈值时，判定为照片为清晰的图像，当该最大值为规定阈值以下时，判定为照片为模糊的图像的步骤；对被判定为是模糊图像的照片与前一张被判定为是模糊图像的照片进行相似度比较并进行标记的步骤；和对被判定为相似的照片进行归类，并根据照片的模糊程度对属于同一类的照片进行排序的步骤。本发明能够对从终端设备获取的照片进行模糊照片识别以便自动地进行筛选保存，从而能够避免繁琐的手工管理。

Description

基于模糊照片识别的照片管理方法

技术领域

本发明涉及一种基于模糊照片识别的照片管理方法，特别是涉及一种用于对从各种终端设备获取的照片进行模糊识别之后来进行筛选保存的照片管理方法。

背景技术

目前，随着信息技术的飞速发展，各种智能终端设备的应用越来越广泛。大部分智能终端设备都具有照相功能，在日常的生活工作中，人们大量地使用这些智能终端设备进行拍摄，给工作和生活提供了很大的便利，但是由此产生了大量的照片，对照片的筛选保存工作带来了很大的挑战，大量时间由于用手工进行照片的分类保存而被占用，因此在智能终端设备普及的今天成为困扰人们的问题。

而且，如果用智能终端设备拍摄照片，经常会面临在拍摄时由于拍摄人的手抖动或者拍摄人的移动所带来的照片模糊的问题，而对于用智能终端设备拍摄所产生的大量照片通过手动逐一地检查和整理变得越来越麻烦并且耗费大量的时间。

作为对照片进行筛选保存的方法，例如有时间分类、颜色分类等。现有的照片管理软件，主要是按拍摄时间和拍摄地点进行简单的分类和管理。然而，目前需要一种能够检索识别出模糊的照片并加以整理保存的照片管理软件，对于相同场景下的模糊照片，还能够进行自动筛选以保留模糊程度最低的照片，从而避免繁琐的手工管理。

发明内容

本发明是鉴于上述情况而完成的，其目的在于提供一种基于模糊照片识别的照片管理方法，其能够对从各种终端设备获取的照片进行模糊照片识别以便进行筛选保存的照片管理方法。

本发明涉及的基于模糊照片识别的照片管理方法，其特征在于，包括：

通过外部设备读取照片的步骤；

计算包含在上述照片中的各子图像的作为模糊特征的梯度幅值的步骤；

将包含在上述子图像中的像素点的上述梯度幅值的最大值与规定阈值相比，当该最大值大于规定阈值时，判定为上述照片为清晰的图像，当该最大值为规定阈值以下时，判定为上述照片为模糊的图像，并进一步计算上述照片的模糊程度的步骤；

对被判定为是模糊图像的上述照片与前一张被判定为是模糊图像的上述照片进行相似度比较并进行标记的步骤；和

对被判定为相似的上述照片进行归类，并根据上述照片的模糊程度对属于同一类的照片进行排序的步骤。

在本发明中，上述各子图像是将上述照片按照64×64像素的大小划分而成的。

在本发明中，设定f(x，y)为像素点(x，y)的灰度值， $f(x,y)={0.29}_{9|C_R}+{0.58}_{7|C_G}+{0.11}_{4|C_B},$ 其中，c_R、c_G、c_B分别为当前像素点(x，y)的红色、绿色、蓝色通道的颜色值，取值范围在[0:1:255]，进一步，像素点(x，y)处的梯度值由公式(1)示出：

$\▿f={\left[g_x{g}_y\right]}^T...$ 公式(1)

其中，和分别表示f(x，y)在像素点(x，y)处的水平方向和垂直方向的一阶离散偏导，基于该梯度值，能够求取梯度幅值，其由公式(2)示出：

$g(x,y)=\sqrt{g_x^2+g_y^2}...$ 公式(2)。

在本发明中，将包含在上述子图像中的像素点的上述梯度幅值的上述最大值与之前保存的包含在上述子图像中的像素点的上述梯度幅值的上述最大值进行比较，并记录其中较大的(n是作为1以上的整数的当前子图像的编号)。

在本发明中，上述照片的模糊程度为

在本发明中，如果上述照片A和上述照片B被判定为相似的照片，并且上述照片B和上述照片C被判定为相似的照片，则能够判定为上述照片A和上述照片C是相似的照片。

本发明提供了一种模糊照片的管理方法，不仅可以自动地识别出模糊的照片，还可以针对相同场景下的多张照片按照模糊程度进行排序。本发明为主要是利用电脑和手机等互联网终端，通过图像处理的技术手段从大量照片中筛选出模糊的照片，并在相同情景下的多张照片中筛选并自动保留模糊程度最少的照片。由此，能够有效地避免繁琐的手动管理，很大程度上提高了对各种智能终端设备拍摄的照片的操作时间。

附图说明

图1为表示本发明涉及的基于模糊照片识别的照片管理方法的处理的流程图。

具体实施方式

以下，结合附图对本发明的基于模糊照片识别的照片管理方法的原理进行具体的说明。

图1为表示本发明涉及的基于模糊照片识别的照片管理方法的处理的流程图。

在步骤S01中，通过外部设备或者从移动设备中读取一张照片。对照片的读取是按照规定的排序依次进行的，在本实施方式中所有照片的读取按拍摄的时间顺序而排序，但是不局限于此，也可以按照用户指定的其他排列顺序来读取照片，例如按照片的颜色或者照片的大小等来规定排列顺序。

在步骤S02中，计算所读取的照片的模糊特征并进行模糊判定，如果判定为所读取的照片是模糊照片，则前进至步骤S03。如果判定为所读取的照片不是模糊照片，则跳转至步骤S01，并重复上述步骤。

下面，对在步骤S02中的模糊判定所采用的计算方法进行说明。已知在模糊的照片中，由于照片的细节部分被平滑处理，所以在照片的边缘部分平衡效应变得显著。本发明是通过描述照片的边缘细节部分的特征来进行模糊照片识别的。本实施方式采用照片的梯度幅值作为照片的模糊特征。所读取的照片以作为数字图像的数字照片为例。

首先，设定f(x，y)为像素点(x，y)的灰度值。f(x，y)的值由下式示出：

$f(x,y)={0.29}_{9|C_R}+{0.58}_{7|C_G}+{0.11}_{4|C_B}.$

其中，c_R、c_G、c_B分别为当前像素点(x，y)的红色、绿色、蓝色通道的颜色值，取值范围在[0:1:255]。

进一步，像素点(x，y)处的梯度值由公式(1)示出：

$\▿f={\left[g_x{g}_y\right]}^T...$ 公式(1)

其中，和分别表示f(x，y)在像素点(x，y)处的水平方向和垂直方向的一阶离散偏导。基于梯度值，能够求取梯度幅值，其由公式(2)示出：

$g(x,y)=\sqrt{g_x^2+g_y^2...}$ 公式(2)

以下，举例对步骤S03的模糊照片判定的计算进行说明。

首先，将一张完整的照片划分成多个64×64像素的大小的子图像。然后，按照水平方向从左向右、垂直方向从上到下的顺序依次选择一个子图像，对于该子图像，按照如上所述的公式(2)计算包含在该子图像中的各像素点的梯度幅值g(x，y)。

然后，计算包含在该子图像中的各个像素点的梯度幅值的最大值 $g_{\mathrm{peak}}^n={\max }_{(x,y)}{g}_{(x,y)}^n.$

如果大于规定的阈值h，则可以判定为整张照片为清晰的图像，并结束判定循环。如果为规定的阈值h以下，则判定为该照片为模糊的照片，将其与先前保存的进行比较，并记录其中较大的(n是作为1以上的整数的当前子图像的编号)。

对全部子图像进行上述的模糊照片判定。如果还存在没有进行该判定的子图像，则重复上述步骤计算梯度幅值，否则计算照片的模糊程度然后前进至步骤S04。

在步骤S04中，判断当前的照片与所读取的上一张照片之间是否相似，并进行记录。如果照片全部读取完毕(步骤S05，是)，则进入步骤S06；否则则跳转至步骤1(步骤S05，否)。本实施例中的相似度判断是基于模糊的照片进行的，虽然照片是模糊的照片，其中细节和边缘发生了变化，但是颜色及其空间分布并没有改变。本发明通过描述照片中的红、绿、蓝三种颜色的空间分布特征进行照片相似度的判断。

下面对照片的相似度判断处理进行说明。首先，设定c(x，y)为像素点(x，y)处的颜色值，其由下式示出：

c(x，y)＝[c_R(x，y)c_G(x，y)c_B(x，y)]

其中，分别为当前的像素点的红、绿、蓝色通道的颜色值，取值范围为[0:1:255]。将上述的颜色值与规定的阈值d进行比较，如果c_R＞d则进行赋值使得d_R＝1，否则使得d_R＝0。

然后，将颜色值映射为二值图b(x，y)＝[b_R(x，y)b_G(x，y)b_B(x，y)]，作为颜色空间分布特征。

针对进行相似度判断的两张照片的颜色空间分布特征和对其中一种颜色例如红色设定值等于1的数量分别为和两张照片的二值图中的值均为1的数量为那么基于红色的红色空间分布特征的相似度计算公式如下：

$s_R=\frac{2\×n_R^{\mathrm{1,2}}}{n_R^1+n_R^2}...$ 公式(3)

如果，{s_Rs_Gs_B}均大于预先规定的阈值s₀，则可以判定为两张照片相似，否则判定为它们不相似。

在步骤S06中，对步骤S04中判定为相似的多张照片进行归类，再将多个分类按模糊程度排列并标记。在本发明的步骤S06中，相似照片的归类方法如下所述：如果照片A和照片B被判定为相似的照片，并且照片B和照片C被判定为相似的照片，那么就可以判定为照片A和照片C是相似的照片。具体实现的方式如下所述：首先，根据相似度照片归类方法，对于被判定为相似的所有图像进行归类；然后，对于每一类照片，根据已计算出的照片模糊度，对同一类照片的模糊度进行排序，并按照编号做标记。

此外，本发明的基于模糊照片识别的照片自动管理方法考虑到使用者的需求不同，把自动保留模糊程度最小的照片的功能设定为使用者可选，由使用者自行选择。

本发明涉及的基于模糊照片识别的照片自动管理方法，通过从收集到的模糊照片和清晰照片的样本中训练用于区分照片模糊和清晰的机器学习算法，并根据此算法提取未知照片中与模糊相关的特征，判定照片模糊与否以及模糊的程度，由此筛选出各种程度模糊的照片，在相同的情景下的多张照片中，筛选并自动保留模糊程度最少的照片。由于可以自动筛选并保留模糊程度最低的照片，有效地避免了繁琐的手动管理，很大程度上提高了对各种智能终端设备拍摄的照片的操作时间。

Claims (6)

1.一种基于模糊照片识别的照片管理方法，其特征在于，包括：

通过外部设备读取照片的步骤；

计算包含在所述照片中的各子图像的作为模糊特征的梯度幅值的步骤；

将包含在所述子图像中的像素点的所述梯度幅值的最大值与规定阈值相比，当该最大值大于规定阈值时，判定为所述照片为清晰的图像，当该最大值为规定阈值以下时，判定为所述照片为模糊的图像的步骤；

对被判定为是模糊图像的所述照片与前一张被判定为是模糊图像的所述照片进行相似度比较并进行标记的步骤；和

对被判定为相似的所述照片进行归类，并根据所述照片的模糊程度对属于同一类的照片进行排序的步骤。

2.如权利要求1所述的基于模糊照片识别的照片管理方法，其特征在于：

所述各子图像是将所述照片按照64×64像素的大小划分而成的。

3.如权利要求2所述的基于模糊照片识别的照片管理方法，其特征在于：

设定f(x，y)为像素点(x，y)的灰度值，其中，C_R、C_G、C_B分别为当前像素点(x，y)的红色、绿色、蓝色通道的颜色值，取值范围在

其中，和分别表示f(x，y)在像素点(x，y)处的水平方向和垂直方向的一阶离散偏导，基于该梯度值，能够求取梯度幅值，其由公式(2)示出：

公式(2)。

4.如权利要求3所述的基于模糊照片识别的照片管理方法，其特征在于：

将包含在所述子图像中的像素点的所述梯度幅值的所述最大值与之前保存的包含在所述子图像中的像素点的所述梯度幅值的所述最大值进行比较，并记录其中较大的，其中，n是作为1以上的整数的当前子图像的编号。

5.如权利要求4所述的基于模糊照片识别的照片管理方法，其特征在于：

所述照片的模糊程度为。

6.如权利要求5所述的基于模糊照片识别的照片管理方法，其特征在于：

如果所述照片A和所述照片B被判定为相似的照片，并且所述照片B和所述照片C被判定为相似的照片，则能够判定为所述照片A和所述照片C是相似的照片。