CN105608700A - 照片的筛选方法及系统 - Google Patents

Abstract

本发明涉及一种照片的筛选方法及系统，其中照片的筛选方法，包括以下步骤：根据预设的客观评价量化指标，对照片进行客观评价量化分析，获得客观评价量化分析结果；预设的客观评价量化指标为基于照片参数的评价指标；根据预设的第一评价量化指标，采用与预设第一评价量化指标对应的分类器，对照片进行评价量化分析，获得第一评价量化结果；预设的第一评价量化指标为基于照片用户的评价指标；对客观评价量化结果、第一评价量化结果进行综合分析，确定照片的综合评价参数；筛选出综合评价参数达到预设参数阈值的照片。本发明将照片用户的评价指标自动量化，提高筛选工作的准确度以及效率。

Description

照片的筛选方法及系统

技术领域

本发明涉及图像处理技术领域，特别是涉及一种照片的筛选方法及系统。

背景技术

对于头像照片的筛选系统，传统的技术方案主要有：人工筛选；基于头像照片大小信息(照片大小和人脸区域大小)进行筛选；基于头像照片亮度、对比度、锐度、相似度信息进行筛选；

在实现过程中，发明人发现传统技术中至少存在如下问题：

人工筛选：由于该方案完全以人工方式进行，故耗费时间长，且人力成本日益攀升，因此总体成本较高。

基于头像照片大小信息(照片大小和人脸区域大小)进行筛选：这是目前使用比较广泛的方案，系统一般要求用户上传的头像照片满足一定大小，如大于200KB。对上传的照片分辨率进行检查，一般要求大于最低分辨率，如128x128。有些系统会对照片中的人脸位置进行检测，并分析人脸区域的大小，需要满足最小尺寸系统才允许通过。这种方法只满足头像清晰的最低要求，对于照片是否真正清晰、照片是否虚假、照片是否包含令观看者不舒服内容并不做检测，功能很局限。

基于头像照片亮度、对比度、锐度、相似度信息进行筛选：这种方法通过照片的特征属性进行检测，保证了照片的质量在一个正常的范围，但忽略了图像照片筛选主观的因素指标，如头像照片是否令观看者不舒服、是否与数据库重复、是否没有创意等。只通过亮度、对比度、锐度与相似度信息很难全面的筛选头像照片，准确率不高。

发明内容

基于此，有必要针对传统技术中对头像照片的过滤筛选不清晰、功能局限通用性低且准确度差的问题，提供一种照片的筛选方法及系统。

为了实现上述目的，本发明技术方案的实施例为：

一方面，提供了一种照片的筛选方法，包括以下步骤：

根据预设的客观评价量化指标，对照片进行客观评价量化分析，获得客观评价量化分析结果；预设的客观评价量化指标为基于照片参数的评价指标；

根据预设的第一评价量化指标，采用与预设第一评价量化指标对应的分类器，对照片进行评价量化分析，获得第一评价量化结果；预设的第一评价量化指标为基于照片用户的评价指标；

对客观评价量化结果、第一评价量化结果进行综合分析，确定照片的综合评价参数；

筛选出综合评价参数达到预设参数阈值的照片。

一方面，还提供了一种照片的筛选系统，包括：

客观评价量化单元，用于根据预设的客观评价量化指标，对照片进行客观评价量化分析，获得客观评价量化分析结果；预设的客观评价量化指标为基于照片参数的评价指标；

第一评价量化单元，用于根据预设的第一评价量化指标，采用与预设第一评价量化指标对应的分类器，对照片进行评价量化分析，获得第一评价量化结果；预设的第一评价量化指标为基于照片用户的评价指标；

加权计算单元，用于对客观评价量化结果、第一评价量化结果进行综合分析，确定照片的综合评价参数；

筛选单元，用于筛选出综合评价参数达到预设参数阈值的照片。

上述技术方案具有如下有益效果：

本发明照片的筛选方法及系统，避免人物头像照片筛选只依赖客观指标检测或人工主观评价的片面性造成的较大影响，通过客观指标检测和基于照片用户的评价指标检测的互相修正头像筛选过程，得到符合照片用户需求的客观数值，这样筛选更加公正和接近真实。将照片用户的评价指标自动量化，提高筛选工作的准确度以及效率；结合照片用户的评价指标检测，更能全面地衡量头像质量，适用任何需要对人脸照片质量进行评价分类的应用，如证件照评价，照片筛选等；同时实现自动化的头像照片筛选功能，方便大规模系统应用。

附图说明

通过附图中所示的本发明的优选实施例的更具体说明，本发明的上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分，且并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。

图1为本发明照片的筛选方法实施例1的流程示意图；

图2为本发明照片的筛选系统实施例1的结构示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本发明照片的筛选方法实施例1：

为了解决传统技术中对头像照片的过滤筛选不清晰、功能局限通用性低且准确度差的问题，本发明提供了一种照片的筛选方法实施例1；图1为本发明照片的筛选方法实施例1的流程示意图；如图1所示，可以包括以下步骤：

步骤S110：根据预设的客观评价量化指标，对照片进行客观评价量化分析，获得客观评价量化分析结果；预设的客观评价量化指标为基于照片参数的评价指标；

步骤S120：根据预设的第一评价量化指标，采用与预设第一评价量化指标对应的分类器，对照片进行评价量化分析，获得第一评价量化结果；预设的第一评价量化指标为基于照片用户的评价指标；

步骤S130：对客观评价量化结果、第一评价量化结果进行综合分析，确定照片的综合评价参数；

步骤S140：筛选出综合评价参数达到预设参数阈值的照片。

在一个具体的实施例中，上述分类器可以通过下述方式得到：

获取照片标注数据集；照片标注数据集为根据预设第一评价量化指标分别对通过采集得到的照片数据集中的照片进行标注的数据集；

通过SVM或SVR在照片标注数据集上进行训练建模，得到与预设第一评价量化指标对应的分类器。

其中，在一个具体的实施例中，该照片数据集为拍摄指标分布差异化的照片的集合；拍摄指标包括以下指标中的任意一项或任意组合：拍摄对象的大小、角度、遮挡程度以及拍摄取景方式和相机拍摄参数。

在一个具体的实施例中，上述评价量化指标可以包括：

预设的客观评价量化指标包括以下指标中的任意一项或任意组合：亮度、对比度、锐度、相似度以及饱和度；预设的第一评价量化指标包括以下指标中的任意一项或任意组合：情绪体验指标、记忆强度以及原创新颖性。

在一个具体的实施例中，对客观评价量化的结果与第一评价量化结果进行计算处理，输出照片的综合评价参数的步骤可以包括：

根据预设的照片评价分数，对客观评价量化的结果与第一评价量化结果进行线性回归加权处理，输出结果权值；

通过最小二乘法对结果权值进行处理，输出照片的综合评价参数。

为了详细的阐述本发明照片筛选方法实施例1的技术方案，特以人物头像照片的筛选方法为例，具体说明本发明照片筛选方法实施例1的实现流程，如下所述：

步骤1.头像基本属性检测；

本步骤完成用户上传照片的基本属性的检测，包括上传照片的格式、上传照片大小、人脸位置检测、人脸大小检测4个部分，只有满足这些基本属性的照片才会进入下一个检测流程，否则直接拒绝上传(系统直接显示拒绝上传的提示，然后后台通过拒绝上传的指令拒绝用户上传头像照片)，用户需要重新选择头像照片上传。

其中，上传照片格式检测：用户上传的头像照片必须满足系统可接受的几种标准格式，如png、jpg、bmp。对于不支持格式的照片，直接拒绝上传。

上传照片大小检测：为了照片可以满足后续的检测算法要求，照片的大小与分辨率必须大于某个预设最低值。

人脸位置检测：通过Viola-Jones算法来检测上传照片中人脸位置。对于检测出人脸位置的照片，其人脸位置置信度需要大于系统设置的阈值，否则视为不包含人脸。对于检测出多个人脸的照片，系统只标记人脸区域最大的位置，其它区域忽略。对于没有检测出人脸的照片，直接拒绝。

人脸大小检测：照片中检测出的人脸大小需要满足系统要求。通过Viola-Jones算法检测出的人脸位置可以得出人脸区域的大小，计算此区域的大小即可检测人脸大小。对于不满足系统要求的人脸照片，直接拒绝。在一个具体的实施例中，系统要求的人脸区域大小是长和宽都在100像素以上。

步骤2.照片客观质量评价；

通过对照片的亮度、对比度、锐度和相似度进行分析，评价用户头像的客观部分质量。

亮度分析：将用户头像RGB(色彩模式)照片转换为HSV(HueSaturationValue：颜色模型)数据，其中V通道的数据即代表照片的亮度值。对V通道数据求均值，得出头像照片的亮度特征数值。亮度数值需要满足系统的标准范围，对于过低(过暗)或过高(过亮)的照片，系统拒绝上传。在一个具体的实施例中，系统的标准范围是100-220，亮度值低于100就是过暗，亮度值高于220就是过亮。

对比度分析：给出一个张照片I，分辨率M*N，可以通过如下公式计算照片的对比度：

${\mathrm{Contrast}}_I=\sqrt{\frac{1}{M*N}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{\[I(x,y)-\frac{1}{M*N}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}I(x,y)\]}^2}$

计算出的对比度需要满足系统规定的范围，对于不满足范围的用户头像照片，系统拒绝上传。

锐度分析：相对于亮度、对比度，锐度信息更有反映照片的质量。相同大小的照片，锐度也会存在较大的差异，锐度越高，照片越清晰。取照片MTF(modulationtransferfunction：调制转换函数)曲线最大值50％(MTF50P)的空间频率来表示锐度，锐度数值需要满足系统的最低范围，对于锐度过低的照片，系统拒绝上传。在一个具体的实施例中，系统锐度的范围在MTF50到MTF10之间，具体数值在61lp/mm到183lp/mm之间，一般锐度不够或者过度锐化的照片质量都是不好的。

相似度分析：为了防止用户提交非本人照片，系统进行相似度分析。系统内部可以维护一个现有人脸头像数据库(在一个具体实施例中，现有人脸头像数据库是每个用户在进入该系统时会提交一张本人的照片，然后所有提交的照片作为现有的人脸头像数据库)，通过计算用户提交照片与系统数据库的欧几里得距离可以衡量头像的相似度，对于过于相似的照片(相似度大于系统阈值)，系统拒绝上传。

步骤3.基于照片用户的评价指标的第一评价量化分析；

基于照片用户的评价指标可以较全面的衡量照片的质量，系统主要检测照片的情绪部分、可记忆性部分与原创、新颖性部分。

为了进一步详细说明本发明的技术方案，特以包括评价情绪体验、评价记忆强度、评价照片原创新颖性等基于照片用户的评价指标的人物头像照片的筛选方法为例，本发明照片的筛选方法实施例1中的第一评价量化分析的实现流程可以为如下所述：

步骤A.评价情绪体验指标；

一张照片带给观看者不同的情绪体验，拍摄清晰、取景优美的照片会给观看者美的感受，拍摄失焦、抖动、布景很乱的照片往往会带给观看者不舒服的体验。通过制作一组带标注的数据集来训练SVM(SupportVectorMachine：支持向量机)分类器可以对情绪体验感受指标进行量化。数据集中的每张照片标注了积极(Positive)和消极(Negative)两个信息，SVM分类器的输出为1与-1，1代表分类器预测为积极、-1代表分类器预测为消极的情绪体验，具体可以包括以下步骤：

步骤A1.收集一组照片数据集，数据集的分布需要在人脸大小、人脸角度、人脸遮挡程度、带眼镜情况、眼睛睁开与闭合情况、嘴张开与闭合情况、取景方式、相机拍摄参数这些指标上实现差异化；

具体可以通过以下方式实现照片数据集的指标差异化：通过布置拍摄场景，改变取景方式。改变相机与人的远近位置得到不同大小的人脸；让被拍摄者左右转头得到不同角度；取遮挡物不同程度的遮挡脸得到不同的人脸遮挡程度；请被拍摄者带上和取下眼镜得到不同的戴眼镜的情况；请被拍摄者睁开眼睛和闭上眼睛得到眼睛变化的情况；请被拍摄者张开和闭合嘴巴得到嘴巴变化的不同情况。

步骤A2.对照片数据集进行标注。获取对每张人脸照片进行的标注信息，标注为2个维度：1代表照片带来的是积极的情绪体验，-1代表消极的情绪体验，标注信息以另外的文件保存

步骤A3.采用SVM分类器对照片数据集进行训练，训练结果输出为-1和1，反复迭代至系统误差达到系统需求。

步骤B.评价记忆强度指标；

可记忆性分类：头像的可记忆性也是照片质量的一个重要指标，拍摄精良的照片给观看者的印象较深刻，观看者对照片会保持较高的记忆强度。通过训练一个SVR分类器，可以对照片带给用户的记忆强度进行量化，SVR(Supportvectorregression：支持向量回归)分类器的输出代表了照片的记忆强度，数值越大，照片的可记忆强度越强。

一般而言，首先采集一组照片，获取每张照片的标注信息，从1到10分为10级，分数越高代表照片给用户留下的印象越深刻，照片的可记忆性越强。然后用主成分分析(PrincipalComponentAnalysis，PCA)对人脸图像的人脸区域提取特征，采用支持向量回归(SVR)训练建模，然后输入带检测照片，SVR分类器的输出即为照片的记忆强度，数值越大，可记忆性越强。具体步骤可以包括：

步骤B1.收集一组照片数据集，可以采用步骤1中收集的数据集；

步骤B2.对数据集进行记忆强度的标注。获取对照片记忆强度的跟综分析信息。照片的记忆强度采用小时单位制进行量化，每张照片的记忆时间保存在单独的数据文件中；

步骤B3.采用SVR分类器对照片数据集进行训练，输出结果进行归一化，0代表记忆强度最差，1代表记忆强度最好

步骤C.评价照片原创新颖性指标

照片的原创新颖性同样也是照片质量的一个关键指标。新颖的拍摄角度、取景方式带给观看者别具一格、眼前一亮的感受。通过训练一个SVM分类器，对照片的原创新颖性进行量化，分类器的输出1代表照片具有较好的原创新颖性，-1代表原创新颖性不足。具体步骤可以包括：

步骤C1.收集一组照片数据集，可以采用步骤1中的照片数据集

步骤C2.对数据集的原创新颖性进行标注，二值化为1和-1，即接收照片有原创性和新颖性就标注为1，否则标注为-1的标注结果。

步骤C3.采用SVM分类器对照片数据集进行训练，训练结果输出为-1和1，反复迭代至系统误差达到系统需求。

步骤D.综合各个指标对人脸照片质量进行评价

将情绪体验SVM分类器的输出、记忆强度SVR分类器的输出、照片原创性与新颖性SVM分类器输出进行加权综合，得到一个代表照片质量的综合评价参数。

其中的加权计算方案可以为：采集一组照片，接收一张照片的总体分数的标注结果，然后用给主观评价和客观评价的各个因素用最小二乘法给各个因素加上相应的权值，综合评价参数大致代表一张照片的质量。归一化后，取值在0和1之间。

本发明照片的筛选方法实施例1，避免人物头像照片筛选只依赖客观指标检测或人工主观评价的片面性造成的较大影响，通过客观指标检测和基于照片用户的评价指标检测的互相修正头像筛选过程，得到符合照片用户需求的客观数值，这样筛选更加公正和接近真实。将照片用户的评价指标自动量化，提高筛选工作的准确度以及效率；结合照片用户的评价指标检测，更能全面地衡量头像质量，适用任何需要对人脸照片质量进行评价分类的应用，如证件照评价，照片筛选等；同时实现自动化的头像照片筛选功能，方便大规模系统应用。

本发明照片的筛选系统实施例1：

为了解决传统技术中对头像照片的过滤筛选不清晰、功能局限通用性低且准确度差的问题，本发明还提供了一种照片的筛选系统实施例1；图2为本发明照片的筛选系统实施例1的结构示意图；如图2所示，可以包括：

客观评价量化单元310，用于根据预设的客观评价量化指标，对照片进行客观评价量化分析，获得客观评价量化分析结果；预设的客观评价量化指标为基于照片参数的评价指标；

第一评价量化单元320，用于根据预设的第一评价量化指标，采用与预设第一评价量化指标对应的分类器，对照片进行评价量化分析，获得第一评价量化结果；预设的第一评价量化指标为基于照片用户的评价指标；

加权计算单元330，用于对客观评价量化结果、第一评价量化结果进行综合分析，确定照片的综合评价参数；

筛选单元340，用于筛选出综合评价参数达到预设参数阈值的照片。

在一个具体的实施例中，加权计算单元330可以包括：

加权模块332，用于根据预设的照片评价分数，对客观评价量化的结果与第一评价量化结果进行线性回归加权处理，输出结果权值；

计算模块334，用于通过最小二乘法对所述加权模块输出的结果权值进行处理，输出照片的综合评价参数。

在一个具体的实施例中，预设的客观评价量化指标包括以下指标中的任意一项或任意组合：亮度、对比度、锐度、相似度以及饱和度；预设的第一评价量化指标包括以下指标中的任意一项或任意组合：情绪体验指标、记忆强度以及原创新颖性。

在一个具体的实施例中，与预设的第一评价量化指标对应的分类器包括：

第一SVM分类器322，用于对照片的情绪体验指标进行量化，输出情绪体验指标量化数据；第一SVM分类器为在预设的情绪标注照片采集数据集上进行训练后的SVM分类器；

SVR分类器324，用于对照片的记忆强度进行量化，输出记忆强度量化数据；SVR分类器为在预设的记忆强度标注照片采集数据集上进行训练后的SVR分类器；

第二SVM分类器326，用于对照片的原创新颖性进行量化，输出原创新颖性量化数据；第二SVM分类器为在预设的原创新颖性标注照片采集数据集上进行训练后的SVM分类器。

在一个具体的实施例中，客观评价量化单元310包括：

亮度特征模块312，用于将照片转换为颜色模型数据，对颜色模型数据进行均值求解，输出亮度特征数值；

对比度模块314，用于计算照片的对比度，输出对比度数值；

锐度模块316，用于根据照片调制转换函数曲线值的空间频率，输出锐度数值；

相似度模块318，用于通过计算照片与预设的数据库中照片的欧几里得距离，输出相似度数值。

本发明照片的筛选系统实施例1，避免人物头像照片筛选只依赖客观指标检测或人工主观评价的片面性造成的较大影响，通过客观指标检测和基于照片用户的评价指标检测的互相修正头像筛选过程，得到符合照片用户需求的客观数值，这样筛选更加公正和接近真实。将照片用户的评价指标自动量化，提高筛选工作的准确度以及效率；结合照片用户的评价指标检测，更能全面地衡量头像质量，适用任何需要对人脸照片质量进行评价分类的应用，如证件照评价，照片筛选等；同时实现自动化的头像照片筛选功能，方便大规模系统应用。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种照片的筛选方法，其特征在于，包括以下步骤：

根据预设的客观评价量化指标，对所述照片进行客观评价量化分析，获得客观评价量化分析结果；所述预设的客观评价量化指标为基于照片参数的评价指标；

根据预设的第一评价量化指标，采用与所述预设的第一评价量化指标对应的分类器，对照片进行评价量化分析，获得第一评价量化结果；所述预设的第一评价量化指标为基于照片用户的评价指标；

对所述客观评价量化结果、所述第一评价量化结果进行综合分析，确定所述照片的综合评价参数；

筛选出所述综合评价参数达到预设参数阈值的照片。

2.根据权利要求1所述的照片的筛选方法，其特征在于，所述分类器通过下述方式得到：

获取照片标注数据集；所述照片标注数据集为根据所述预设的第一评价量化指标分别对通过采集得到的照片数据集中的照片进行标注的数据集；

通过SVM或SVR在所述照片标注数据集上进行训练建模，得到与所述预设的第一评价量化指标对应的分类器。

3.根据权利要求2所述的照片的筛选方法，其特征在于，所述照片数据集为拍摄指标分布差异化的照片的集合；所述拍摄指标包括以下指标中的任意一项或任意组合：拍摄对象的大小、角度、遮挡程度以及拍摄取景方式和相机拍摄参数。

4.根据权利要求1或2所述的照片的筛选方法，其特征在于，所述预设的客观评价量化指标包括以下指标中的任意一项或任意组合：亮度、对比度、锐度、相似度以及饱和度；所述预设的第一评价量化指标包括以下指标中的任意一项或任意组合：情绪体验指标、记忆强度以及原创新颖性。

5.根据权利要求1或2所述的照片的筛选方法，其特征在于，对所述客观评价量化结果、所述第一评价量化结果进行综合分析，确定所述照片的综合评价参数的步骤包括：

根据预设的照片评价分数，对所述客观评价量化结果与所述第一评价量化结果进行线性回归加权处理，输出结果权值；

通过最小二乘法对所述结果权值进行处理，输出所述照片的综合评价参数。

6.一种照片的筛选系统，其特征在于，包括：

客观评价量化单元，用于根据预设的客观评价量化指标，对所述照片进行客观评价量化分析，获得客观评价量化分析结果；所述预设的客观评价量化指标为基于照片参数的评价指标；

第一评价量化单元，用于根据预设的第一评价量化指标，采用与所述预设的第一评价量化指标对应的分类器，对照片进行评价量化分析，获得第一评价量化结果；所述预设的第一评价量化指标为基于照片用户的评价指标；

加权计算单元，用于对所述客观评价量化结果、所述第一评价量化结果进行综合分析，确定所述照片的综合评价参数；

筛选单元，用于筛选出所述综合评价参数达到预设参数阈值的照片。

7.根据权利要求6所述的照片的筛选系统，其特征在于，所述加权计算单元包括：

加权模块，用于根据预设的照片评价分数，对所述客观评价量化结果与所述第一评价量化结果进行线性回归加权处理，输出结果权值；

计算模块，用于通过最小二乘法对所述加权模块输出的结果权值进行处理，输出所述照片的综合评价参数。

8.根据权利要求6或7所述的照片的筛选系统，其特征在于，所述预设的客观评价量化指标包括以下指标中的任意一项或任意组合：亮度、对比度、锐度、相似度以及饱和度；所述预设的第一评价量化指标包括以下指标中的任意一项或任意组合：情绪体验指标、记忆强度以及原创新颖性。

9.根据权利要求8所述的照片的筛选系统，其特征在于，与所述预设的第一评价量化指标对应的分类器包括：

第一SVM分类器，用于对所述照片的情绪体验指标进行量化，输出情绪体验指标量化数据；所述第一SVM分类器为在预设的情绪标注照片采集数据集上进行训练后的SVM分类器；

SVR分类器，用于对所述照片的记忆强度进行量化，输出记忆强度量化数据；所述SVR分类器为在预设的记忆强度标注照片采集数据集上进行训练后的SVR分类器；

第二SVM分类器，用于对所述照片的原创新颖性进行量化，输出原创新颖性量化数据；所述第二SVM分类器为在预设的原创新颖性标注照片采集数据集上进行训练后的SVM分类器。

10.根据权利要求8所述的照片的筛选系统，其特征在于，所述客观评价量化单元包括：

亮度特征模块，用于将所述照片转换为颜色模型数据，对所述颜色模型数据进行均值求解，输出亮度特征数值；

对比度模块，用于计算所述照片的对比度，输出对比度数值；

锐度模块，用于根据所述照片调制转换函数曲线值的空间频率，输出锐度数值；

相似度模块，用于通过计算所述照片与预设的数据库中照片的欧几里得距离，输出相似度数值。