CN106709916A - 图像质量评估方法及装置 - Google Patents

图像质量评估方法及装置 Download PDF

Info

Publication number
CN106709916A
CN106709916A CN201710044621.3A CN201710044621A CN106709916A CN 106709916 A CN106709916 A CN 106709916A CN 201710044621 A CN201710044621 A CN 201710044621A CN 106709916 A CN106709916 A CN 106709916A
Authority
CN
China
Prior art keywords
image
sub
extracting
images
sample
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
Application number
CN201710044621.3A
Other languages
English (en)
Inventor
刘岩
周雄志
朱兴杰
李驰
张志浩
李红岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taikang Insurance Group Co Ltd
Original Assignee
Taikang Insurance Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taikang Insurance Group Co Ltd filed Critical Taikang Insurance Group Co Ltd
Priority to CN201710044621.3A priority Critical patent/CN106709916A/zh
Publication of CN106709916A publication Critical patent/CN106709916A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于一种图像质量评估方法及装置。该方法包括：获取预定数量的样本图像，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值；根据提取的每个所述样本图像中的所述预设特征值，并利用支持向量机SVM方法进行训练得到一SVM分类器；接收一输入图像，根据所述SVM分类器对所述输入图像进行评估预测得到一评估结果。本公开可以较为准确反映人类对图像质量的视觉感知效果，提高图像质量评估预测精度以及准确性。

Description

图像质量评估方法及装置
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像质量评估方法及图像质量评估装置。
背景技术
随着信息时代的到来，数字图像作为一种重要的信息载体已经非常普遍，例如一些票据、身份证、客户资料等的数字图像已成为社会活动中常用的信息载体。伴随数字图像信号处理技术的发展，图像工程成为了一门内容丰富且发展迅速的学科，一个图像的处理系统通常包括图像的采集、显示、存储、通信、处理和分析等。在目前的技术水平下，在图像的采集、传输和处理等过程中难免都会产生一些失真。然而很多应用中需要量化图像中存在的失真会给感官造成怎样的影响，例如人眼是否无法识别图像中的目标内容等。因此，需要通过图像质量客观评价的方法对一些图像质量进行有效的评估。当前，数字图像质量评估方法的研究是图像信息工程研究中最重要的基础研究课题之一，且依据对原始图像参考度的不同，图像质量的评估方法可分为三种类型：全参考型、部分参考型和无参考型。其中，全参考型就是在评价失真图像时，可以将无任何质量失真的原始图像作为参考。部分参考型是指仅利用原始图像的部分信息来估计失真图像的视觉感知质量。相比全参考型和无参考型评估方法，无参考型在应用方面具有更大的潜力，这是由于其不需要参考图像的任何信息，仅根据失真图像就可以评估图像质量。
近年来，随着图像质量评价领域的发展，无参考型图像质量评价方法引起了越来越多的关注。因此，相关技术中已出现一些无参考型图像质量评估方法。但是在相关技术中，目前的一些无参考型图像质量评估算法依然存在一些缺点，例如大多算法利用模糊图像的局部形变特性来预测图像的质量，显然具有很大的局限性。此外，对于图像的多数特征提取过程仅对单一颜色模型进行特征提取，难以准确反映人类对图像质量的视觉感知效果，在实际应用中图像质量评估的预测精度以及评估预测效果等也有待提高。
因此，有必要提供一种新的技术方案改善上述方案中存在的一个或者多个问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种图像质量评估方法及图像质量评估装置，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面，提供一种图像质量评估方法，所述方法包括：
获取预定数量的样本图像，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值；
根据提取的每个所述样本图像中的所述预设特征值，并利用支持向量机SVM方法进行训练得到一SVM分类器；
接收一输入图像，根据所述SVM分类器对所述输入图像进行评估预测得到一评估结果。
本公开的一种示例性实施例中，在提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值之前，所述方法还包括：
对每个所述样本图像进行预处理，并将预处理后的每个所述样本图像分割成多个子图像；
所述提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值包括：
提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值。
本公开的一种示例性实施例中，所述提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值包括：
提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值；
提取每个所述子图像进行了Gabor小波变换后的小波图像的第二特征值；
提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值。
本公开的一种示例性实施例中，所述提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值包括：
将每个所述子图像从RGB颜色空间转换到YCbCr颜色空间得到Y、Cb、Cr每个通道的子图像；
为所述Y、Cb、Cr每个通道的子图像拟合一广义高斯分布模型；
提取所述Y、Cb、Cr每个通道对应的所述广义高斯分布模型的模型参数并作为所述第一特征值。
本公开的一种示例性实施例中，所述提取每个所述子图像进行Gabor小波变换后的小波图像的第二特征值包括：
将每个所述子图像进行归一化处理并转换为灰度图像；
对所述灰度图像进行Gabor小波变换获得预设两个频谱上各自对应的预设四个角度方向上的共8个小波图像；
为所述8个小波图像分别拟合一广义高斯分布模型并提取对应的每个所述广义高斯分布模型的模型参数作为所述第二特征值。
本公开的一种示例性实施例中，所述提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值包括：
根据RGB颜色空间的每个所述子图像计算得到对应的亮度图像：
计算所述亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数；
分别用非对称广义高斯模型拟合所述四方向邻域MSCN系数并估计相应的所述非对称广义高斯模型的模型参数以作为所述第三特征值。
本公开的一种示例性实施例中，所述方法还包括：
在根据所述SVM分类器评估预测所述输入图像得到一评估结果后，判断所述评估结果是否满足一预设条件；
当所述评估结果满足所述预设条件时，将所述输入图像存储至一数据库中。
根据本公开实施例的第二方面，提供一种图像质量评估装置，所述装置包括：
特征提取模块，用于获取预定数量的样本图像，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值；
数据训练模块，用于根据提取的每个所述样本图像中的所述预设特征值，并利用支持向量机SVM方法进行训练得到一SVM分类器；以及
质量评估模块，用于接收一输入图像，根据所述SVM分类器对所述输入图像进行评估预测得到一评估结果。
本公开的一种示例性实施例中，所述装置还包括：
图像预处理模块，用于在提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值之前，对每个所述样本图像进行预处理，并将预处理后的每个所述样本图像分割成多个子图像；
所述特征提取模块，用于提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值。
本公开的一种示例性实施例中，所述特征提取模块，用于：
提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值；
提取每个所述子图像进行了Gabor小波变换后的小波图像的第二特征值；
提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开的一种实施例中，通过上述图像质量评估方法及装置，融合了样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值进行训练学习进而评估图像质量。这样，一方面，基于YCbCr颜色空间信息能够很好地符合人眼的特征，从而可以较为准确地反映人类对图像质量的视觉感知效果，同时基于频域和空间域上的不同特征信息融合训练评估方式，对图像质量评估的预测精度较高；另一方面，由于预测精度的提高使得在实际应用中图像质量评估预测准确性以及预测效果大大提高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中第一图像质量评估方法流程图；
图2示意性示出本公开示例性实施例中第二图像质量评估方法流程图；
图3示意性示出本公开示例性实施例中第三图像质量评估方法流程图；
图4示意性示出本公开示例性实施例中一种图像质量评估装置的示意图；
图5示意性示出本公开示例性实施例中又一种图像质量评估装置的示意图；
图6示意性示出本公开示例性实施例中另一种图像质量评估装置的示意图；
图7示意性示出本公开示例性实施例中的图像质量评估装置示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种图像质量评估方法方法。参考图1中所示，该方法可以包括：
步骤S101：获取预定数量的样本图像，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值。
步骤S102：根据提取的每个所述样本图像中的所述预设特征值，并利用支持向量机(SVM，Support Vector Machine)方法进行训练得到一SVM分类器。
步骤S103：接收一输入图像，根据所述SVM分类器对所述输入图像进行评估预测得到一评估结果。
通过上述图像质量评估方法，一方面，基于YCbCr颜色空间信息能够很好地符合人眼的特征，从而可以较为准确地反映人类对图像质量的视觉感知效果，同时基于频域和空间域上的不同特征信息融合训练评估方式，对图像质量评估的预测精度较高；另一方面，由于预测精度的提高使得在实际应用中图像质量评估预测准确性以及预测效果大大提高。
下面，将参考图1至图4对本示例实施方式中的上述方法的各个步骤进行更详细的说明。
在步骤S101中，获取预定数量的样本图像，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值。
本示例实施方式中，所述MSCN系数为亮度归一化系数，所述预定数量的样本图像例如可以是一定数量的票据的高质量清晰图片和模糊图片，以作为样本图像进行后续SVM训练。由于Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似，它在提取目标的局部空间和频率域信息方面具有良好的特性。例如，Gabor小波对于图像的边缘敏感，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，能够提供对光照变化良好的适应性。另外，所述YCbCr颜色空间中Y是指亮度分量，Cb指蓝色色度分量，而Cr指红色色度分量。人的肉眼对Y分量更敏感，因此YCbCr颜色空间信息能够很好地符合人眼的特征，从而可以较为准确地反映人类对图像质量的视觉感知效果，同时基于频域和空间域上的不同特征信息融合训练评估方式，对图像质量评估的预测精度较高。
参考图2所示，在本公开的一种示例性实施例中，在步骤S101中提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值之前，所述方法还可以包括以下步骤S201～S202。其中：
步骤S201：对每个所述样本图像进行预处理，并将预处理后的每个所述样本图像分割成多个子图像。
示例性的，对样本图像进行预处理操作可以包括但不限于统计图像的分辨率，对图像进行标准化处理等。根据得到的标准图像，为了提高计算的精度，将图像分割成p*p像素大小的多个子图像，p取值的大小根据实际场景会有略微不同，本领域技术人员可根据实际需要设定调整。
相应的，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值可以包括：
步骤S202：提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的所述预设特征值。
这样，将每一个样本图像分割成多个子图像后，提取每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的所述预设特征值，从而获得足够数量的训练样本特征值以进行后续SVM训练，且可以使得SVM训练得到的结果更精确。
在本公开的一种示例性实施例中，在上述步骤S202中提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的所述预设特征值可以包括步骤301～303。其中：
步骤301：提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值。在本公开的一种示例性实施例中，步骤301中提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值可以包括以下步骤：
步骤A1：将每个所述子图像从RGB颜色空间转换到YCbCr颜色空间得到Y、Cb、Cr每个通道的子图像。
示例性的，将子图像从RGB颜色空间转换到YCbCr颜色空间可以根据以下转换公式得到：
其中，R、G、B分别表示RGB颜色空间上不通颜色通道的值。
步骤A2：为所述Y、Cb、Cr每个通道的子图像拟合一广义高斯分布模型。
示例性的，对于得到的YCbCr颜色空间每个通道的子图像，假设其符合高斯分布，并拟合一个广义高斯分布(GGD，Generalized Gaussian Distribution)。具体的广义高斯分布函数如下式所示：
其中，x表示子图像中像素点的值，对于Y，Cb，Cr每一个通道分量提取对应的模型参数δ和ρ，并将其作为特征值。
步骤A3：提取所述Y、Cb、Cr每个通道对应的所述广义高斯分布模型的模型参数并作为所述第一特征值。
示例性的，可以提取每个子图像Y、Cb、Cr三个通道对应的模型参数，一共提取到6个特征值。
步骤302：提取每个所述子图像进行了Gabor小波变换后的小波图像的第二特征值。在本公开的一种示例性实施例中，步骤302中提取每个所述子图像进行Gabor小波变换后的小波图像的第二特征值可以包括以下步骤：
步骤B1：将每个所述子图像进行归一化处理并转换为灰度图像。
示例性的，将子图像进行归一化处理，并根据下式将子图像转换为灰度图像：
Gray＝R*0.299+G*0.587+B*0.114。
步骤B2：对所述灰度图像进行Gabor小波变换获得预设两个频谱上各自对应的预设四个角度方向上的共8个小波图像。
示例性的，对于转换后的所述灰度图像进行Gabor小波变换，提取0.3和0.4两个频谱上的0°、45°、90°和135°四个方向的共8个小波图像。
步骤B3：为所述8个小波图像分别拟合一广义高斯分布模型并提取对应的每个所述广义高斯分布模型的模型参数作为所述第二特征值。
示例性的，对Gabor小波变换后的小波图像进行如上述步骤A2中的GGD统计，并提取对应的模型参数δ和ρ。该过程具体含有两个频谱上四个不同尺度的8张特征图像，可以提取到16个基于自然统计的特征值。
步骤303：提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值。在本公开的一种示例性实施例中，步骤303中提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值可以包括以下步骤：
步骤C1：根据RGB颜色空间的每个所述子图像计算得到对应的亮度图像。
示例性的，可以通过公式I＝(R+G+B)/3得到RGB颜色空间的子图像的亮度图像I。
步骤C2：计算所述亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数。
示例性的，对于得到的亮度图像I，根据下式计算水平、竖直、主对角、次对角4方向邻域MSCN系数：
其中，i和j分别表示在亮度图像I中的坐标值；HI、VI、DI1及DI2分别为4方向邻域MSCN系数。
步骤C3：分别用非对称广义高斯模型拟合所述四方向邻域MSCN系数并估计相应的所述非对称广义高斯模型的模型参数以作为所述第三特征值。
示例性的，对统计的四个方向的MSCN系数进行非对称广义高斯模型(AGGD，Asymmetric Generalized Gaussian Distribution)拟合，具体的非对称广义高斯分布函数如下所示：
其中，γ，βl，βr表示模型参数。
分别用AGGD模型拟合4个方向邻域MSCN系数HI、VI、DI1及DI2并将相应的AGGD模型参数(γ，βr，β1，η)作为自然场景统计特征值，该统计特征主要反映图像亮度分量的方向邻域统计特性，共计16个特征值。需要说明的是，以上步骤301～303不分先后顺序。其中，
在步骤S102中，根据提取的每个所述样本图像中的所述预设特征值，并利用支持向量机SVM方法进行训练得到一SVM分类器。
示例性的，可以基于上述提取的每个样本图像中的每个子图像的共36个特征值，并利用所述支持向量机SVM方法进行训练得到一SVM分类器。具体的SVM训练方法可参考现有技术，此处不再赘述。
在步骤S103中，接收一输入图像，根据所述SVM分类器对所述输入图像进行评估预测得到一评估结果。也即在所述SVM训练结束后，进行实际图像质量的评估，根据所述SVM分类器对一输入图像进行评估预测得到一评估结果。示例性的，可以根据所述SVM分类器对一票据图像的清晰度进行预测得到一用数值表征的评估结果。
参考图3所示，在上述实施例的基础上，在本公开的一种示例性实施例中，所述方法还可以包括以下步骤S301～S302。其中：
步骤S301：在根据所述SVM分类器评估预测所述输入图像得到一评估结果后，判断所述评估结果是否满足一预设条件。
示例性的，以对票据图像的清晰度评估为例，可以在根据所述SVM分类器对一票据图像的清晰度进行预测得到一用数值表征的评估结果后，判断所述评估结果是否满足一预设条件。例如所述预设条件可以是图像清晰度阈值范围，当所述评估结果的数值落在该图像清晰度阈值范围内，则认为该票据图像质量满足清晰度要求，例如可以表明该票据图像中的内容(如姓名、代码、公司名称和日期等字迹内容)人眼可以清晰辨认。
步骤S302：当所述评估结果满足所述预设条件时，将所述输入图像存储至一数据库中。例如，在上述票据图像质量满足清晰度要求即表明该票据图像中的内容人眼可以清晰辨认时，将该票据图像存储起来以便后续调用处理。需要说明的是，对图像质量的评估并不限于清晰度这一项目，还可以是曝光、颜色、噪音、锐化、畸变、暗角等其他图像质量评估项目，本示例实施方式中对此不作特殊限制。
在图像处理和应用领域建立有效的图像质量评价体系具有重大意义。本示例实施方式可以应用于视频终端系统、医学图像系统、企业管理系统、安全安防系统等需要图像识别的应用场景中。下面示例性地结合两个应用场景对本示例实施方式再做出进一步具体应用的示例性说明。
应用场景一：在保险领域，客户在购买相关产品的过程中都需要上传身份证等证件图像相关信息，而这些信息需要保存到后台数据库中。由于证件图像数据在获取、传输和存储的过程中可能会存在一定的失真模糊等现象。随着客户数据量的增加，靠人工逐个查看校验证件图像是否清晰也变的越来越难以控制。为了提高入库的效率和有效性，可以利用本示例实施方式中上述方法，通过对待入库的证件图像进行图像质量评估，将能够辨认的证件图像自动入库存储，而不能够辨认的证件图像暂不入库，等待相应处理获得清晰图像后再入库。这样能够非常高效的解决资料入库的问题，同时节省了大量的人力成本。
应用场景二：在保险赔付领域，客户通常需要提交所用的理赔资料，包括图像资料和纸质资料，其中这些纸质资料需要以文本的形式录入到数据库中以便事后查看校验，而图像数据可以上传到数据库中。由于实际中数据的录入通常都要晚于数据的上传，一旦出现图像资料模糊无法上传的情况，往往需要耗费巨大的人力物力去从海量的数据中查找某一个原始数据，费时费力。因此，可以利用本示例实施方式中上述方法，对上传的图像资料进行实时的预估判断图像质量如清晰度质量，这样能够最大程度上避免以上情况的出现，从而提高工作效率和质量，大大节省人工成本。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
进一步的，本示例实施方式中，还提供了一种图像质量评估装置。参考图4中所示，装置100可以包括特征提取模块101、数据训练模块102和质量评估模块103。其中：
所述特征提取模块101，用于获取预定数量的样本图像，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值。
所述数据训练模块102，用于根据提取的每个所述样本图像中的所述预设特征值，并利用支持向量机SVM方法进行训练得到一SVM分类器。
所述质量评估模块103，用于接收一输入图像，根据所述SVM分类器对所述输入图像进行评估预测得到一评估结果。
参考图5中所示，在本公开的一种示例性实施例中，所述装置100还可以包括图像预处理模块104，可以用于在提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值之前，对每个所述样本图像进行预处理，并将预处理后的每个所述样本图像分割成多个子图像。相应的，所述特征提取模块101可以用于提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值。
在本公开的一种示例性实施例中，所述特征提取模块101用于提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值，此外提取每个所述子图像进行了Gabor小波变换后的小波图像的第二特征值，同时提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值。
在本公开的一种示例性实施例中，所述特征提取模块101提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值可以包括：将每个所述子图像从RGB颜色空间转换到YCbCr颜色空间得到Y、Cb、Cr每个通道的子图像；为所述Y、Cb、Cr每个通道的子图像拟合一广义高斯分布模型；提取所述Y、Cb、Cr每个通道对应的所述广义高斯分布模型的模型参数并作为所述第一特征值。
在本公开的一种示例性实施例中，所述特征提取模块101提取每个所述子图像进行Gabor小波变换后的小波图像的第二特征值可以包括：将每个所述子图像进行归一化处理并转换为灰度图像；对所述灰度图像进行Gabor小波变换获得预设两个频谱上各自对应的预设四个角度方向上的共8个小波图像；为所述8个小波图像分别拟合一广义高斯分布模型并提取对应的每个所述广义高斯分布模型的模型参数作为所述第二特征值。
在本公开的一种示例性实施例中，所述特征提取模块101提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值可以包括：根据RGB颜色空间的每个所述子图像计算得到对应的亮度图像：计算所述亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数；分别用非对称广义高斯模型拟合所述四方向邻域MSCN系数并估计相应的所述非对称广义高斯模型的模型参数以作为所述第三特征值。
参考图6中所示，在本公开的一种示例性实施例中，所述装置100还可以包括评估判断模块105，用于在根据所述SVM分类器评估预测所述输入图像得到一评估结果后，判断所述评估结果是否满足一预设条件；当所述评估结果满足所述预设条件时，将所述输入图像存储至一数据库中。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
图7示出根据本公开示例实施方式中一种图像质量评估装置400的示意图。例如，装置400可以被提供为一服务器。参照图7，装置400包括处理组件422，其进一步包括一个或多个处理器，以及由存储器432所代表的存储器资源，用于存储可由处理组件422的执行的指令，例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件422被配置为执行指令，以执行上述方法。
装置400还可以包括一个电源组件426被配置为执行装置400的电源管理，一个有线或无线网络接口450被配置为将装置400连接到网络，和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器432的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种图像质量评估方法，其特征在于，所述方法包括：
获取预定数量的样本图像，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值；
根据提取的每个所述样本图像中的所述预设特征值，并利用支持向量机SVM方法进行训练得到一SVM分类器；
接收一输入图像，根据所述SVM分类器对所述输入图像进行评估预测得到一评估结果。
2.根据权利要求1所述方法，其特征在于，在提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值之前，所述方法还包括：
对每个所述样本图像进行预处理，并将预处理后的每个所述样本图像分割成多个子图像；
所述提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值包括：
提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值。
3.根据权利要求2所述方法，其特征在于，所述提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值包括：
提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值；
提取每个所述子图像进行了Gabor小波变换后的小波图像的第二特征值；
提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值。
4.根据权利要求3所述方法，其特征在于，所述提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值包括：
将每个所述子图像从RGB颜色空间转换到YCbCr颜色空间得到Y、Cb、Cr每个通道的子图像；
为所述Y、Cb、Cr每个通道的子图像拟合一广义高斯分布模型；
提取所述Y、Cb、Cr每个通道对应的所述广义高斯分布模型的模型参数并作为所述第一特征值。
5.根据权利要求3所述方法，其特征在于，所述提取每个所述子图像进行Gabor小波变换后的小波图像的第二特征值包括：
将每个所述子图像进行归一化处理并转换为灰度图像；
对所述灰度图像进行Gabor小波变换获得预设两个频谱上各自对应的预设四个角度方向上的共8个小波图像；
为所述8个小波图像分别拟合一广义高斯分布模型并提取对应的每个所述广义高斯分布模型的模型参数作为所述第二特征值。
6.根据权利要求3所述方法，其特征在于，所述提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值包括：
根据RGB颜色空间的每个所述子图像计算得到对应的亮度图像：
计算所述亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数；
分别用非对称广义高斯模型拟合所述四方向邻域MSCN系数并估计相应的所述非对称广义高斯模型的模型参数以作为所述第三特征值。
7.根据权利要求1～6任一项所述方法，其特征在于，所述方法还包括：
在根据所述SVM分类器评估预测所述输入图像得到一评估结果后，判断所述评估结果是否满足一预设条件；
当所述评估结果满足所述预设条件时，将所述输入图像存储至一数据库中。
8.一种图像质量评估装置，其特征在于，所述装置包括：
特征提取模块，用于获取预定数量的样本图像，提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值；
数据训练模块，用于根据提取的每个所述样本图像中的所述预设特征值，并利用支持向量机SVM方法进行训练得到一SVM分类器；以及
质量评估模块，用于接收一输入图像，根据所述SVM分类器对所述输入图像进行评估预测得到一评估结果。
9.根据权利要求8所述装置，其特征在于，所述装置还包括：
图像预处理模块，用于在提取每个所述样本图像中与所述样本图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值之前，对每个所述样本图像进行预处理，并将预处理后的每个所述样本图像分割成多个子图像；
所述特征提取模块，用于提取每个所述样本图像中的每个所述子图像中与所述子图像的Gabor小波变换特征信息、YCbCr颜色空间特征信息和MSCN系数统计特征信息相关的预设特征值。
10.根据权利要求9所述装置，其特征在于，所述特征提取模块，用于：
提取每个所述子图像在YCbCr颜色空间每一通道对应的第一特征值；
提取每个所述子图像进行了Gabor小波变换后的小波图像的第二特征值；
提取每个所述子图像的亮度图像在水平、竖直、主对角、次对角四方向邻域MSCN系数对应的第三特征值。
CN201710044621.3A 2017-01-19 2017-01-19 图像质量评估方法及装置 Pending CN106709916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710044621.3A CN106709916A (zh) 2017-01-19 2017-01-19 图像质量评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710044621.3A CN106709916A (zh) 2017-01-19 2017-01-19 图像质量评估方法及装置

Publications (1)

Publication Number Publication Date
CN106709916A true CN106709916A (zh) 2017-05-24

Family

ID=58909306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710044621.3A Pending CN106709916A (zh) 2017-01-19 2017-01-19 图像质量评估方法及装置

Country Status (1)

Country Link
CN (1) CN106709916A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107240096A (zh) * 2017-06-01 2017-10-10 陕西学前师范学院 一种红外与可见光图像融合质量评价方法
CN107992800A (zh) * 2017-11-10 2018-05-04 杭州晟元数据安全技术股份有限公司 一种基于svm和随机森林的指纹图像质量判断方法
CN109377472A (zh) * 2018-09-12 2019-02-22 宁波大学 一种眼底图像质量评价方法
CN109522960A (zh) * 2018-11-21 2019-03-26 泰康保险集团股份有限公司 图像评估方法、装置、电子设备及计算机可读介质
CN110648326A (zh) * 2019-09-29 2020-01-03 精硕科技（北京）股份有限公司 一种构建图像质量评估卷积神经网络的方法及装置
CN110705620A (zh) * 2019-09-25 2020-01-17 广州市玄武无线科技股份有限公司 一种基于翻拍识别的陈列图像检测方法、装置及存储介质
CN112668640A (zh) * 2020-12-28 2021-04-16 泰康保险集团股份有限公司 一种文本图像质量评估方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100051505A (ko) * 2008-11-07 2010-05-17 삼성전자주식회사 휘도 분포도 및 색차 분포도를 이용한 무기준법 화질 왜곡 추정 방법 및 장치
CN103475898A (zh) * 2013-09-16 2013-12-25 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN103778636A (zh) * 2014-01-22 2014-05-07 上海交通大学 一种用于无参考图像质量评价的特征构建方法
CN103996192A (zh) * 2014-05-12 2014-08-20 同济大学 基于高质量自然图像统计量模型的无参考图像质量评价方法
CN105007488A (zh) * 2015-07-06 2015-10-28 浙江理工大学 基于变换域和空间域的通用无参考图像质量评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100051505A (ko) * 2008-11-07 2010-05-17 삼성전자주식회사 휘도 분포도 및 색차 분포도를 이용한 무기준법 화질 왜곡 추정 방법 및 장치
CN103475898A (zh) * 2013-09-16 2013-12-25 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN103778636A (zh) * 2014-01-22 2014-05-07 上海交通大学 一种用于无参考图像质量评价的特征构建方法
CN103996192A (zh) * 2014-05-12 2014-08-20 同济大学 基于高质量自然图像统计量模型的无参考图像质量评价方法
CN105007488A (zh) * 2015-07-06 2015-10-28 浙江理工大学 基于变换域和空间域的通用无参考图像质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
褚江: "基于色彩空间的无参考图像质量评价研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107240096A (zh) * 2017-06-01 2017-10-10 陕西学前师范学院 一种红外与可见光图像融合质量评价方法
CN107992800A (zh) * 2017-11-10 2018-05-04 杭州晟元数据安全技术股份有限公司 一种基于svm和随机森林的指纹图像质量判断方法
CN109377472A (zh) * 2018-09-12 2019-02-22 宁波大学 一种眼底图像质量评价方法
CN109377472B (zh) * 2018-09-12 2021-08-03 宁波大学 一种眼底图像质量评价方法
CN109522960A (zh) * 2018-11-21 2019-03-26 泰康保险集团股份有限公司 图像评估方法、装置、电子设备及计算机可读介质
CN110705620A (zh) * 2019-09-25 2020-01-17 广州市玄武无线科技股份有限公司 一种基于翻拍识别的陈列图像检测方法、装置及存储介质
CN110648326A (zh) * 2019-09-29 2020-01-03 精硕科技（北京）股份有限公司 一种构建图像质量评估卷积神经网络的方法及装置
CN112668640A (zh) * 2020-12-28 2021-04-16 泰康保险集团股份有限公司 一种文本图像质量评估方法、装置、设备及介质
CN112668640B (zh) * 2020-12-28 2023-10-17 泰康保险集团股份有限公司 一种文本图像质量评估方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN106709916A (zh) 图像质量评估方法及装置
CN110163080B (zh) 人脸关键点检测方法及装置、存储介质和电子设备
WO2022001509A1 (zh) 图像优化方法、装置、计算机存储介质以及电子设备
US20190050641A1 (en) Methods and apparatus for capturing, processing, training, and detecting patterns using pattern recognition classifiers
Li et al. Content-partitioned structural similarity index for image quality assessment
CN109118470B (zh) 一种图像质量评价方法、装置、终端和服务器
Zhang et al. Quality assessment of screen content images via convolutional-neural-network-based synthetic/natural segmentation
US8494283B2 (en) Image quality assessment
Bellavia et al. Dissecting and reassembling color correction algorithms for image stitching
CN104023230B (zh) 一种基于梯度关联性的无参考图像质量评价方法
KR20200098875A (ko) 3ｄ 얼굴인식 시스템 및 방법
CN113269149B (zh) 活体人脸图像的检测方法、装置、计算机设备及存储介质
US20140126808A1 (en) Recursive conditional means image denoising
JP2021531571A (ja) 証明書画像抽出方法及び端末機器
CN110222694B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110427972B (zh) 证件视频特征提取方法、装置、计算机设备和存储介质
CN111985281B (zh) 图像生成模型的生成方法、装置及图像生成方法、装置
CN109522960A (zh) 图像评估方法、装置、电子设备及计算机可读介质
CN114444565B (zh) 一种图像篡改检测方法、终端设备及存储介质
CN104967786B (zh) 图像选择方法及装置
WO2019090580A1 (en) System and method for image dynamic range adjusting
CN110766153A (zh) 神经网络模型训练方法、装置及终端设备
CN112651333A (zh) 静默活体检测方法、装置、终端设备和存储介质
Jeong et al. An optimization-based approach to gamma correction parameter estimation for low-light image enhancement
Masood et al. Automatic Correction of Saturated Regions in Photographs using Cross‐Channel Correlation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170524

RJ01 Rejection of invention patent application after publication