CN108364017B - 一种图像质量分类方法、系统及终端设备 - Google Patents

一种图像质量分类方法、系统及终端设备 Download PDF

Info

Publication number
CN108364017B
CN108364017B CN201810067133.9A CN201810067133A CN108364017B CN 108364017 B CN108364017 B CN 108364017B CN 201810067133 A CN201810067133 A CN 201810067133A CN 108364017 B CN108364017 B CN 108364017B
Authority
CN
China
Prior art keywords
image
detection rate
false detection
omission factor
training 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.)
Active
Application number
CN201810067133.9A
Other languages
English (en)
Other versions
CN108364017A (zh
Inventor
祁春超
郭令霞
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.)
Shenzhen Huaxun Ark Photoelectric Technology Co ltd
Shenzhen Victooth Terahertz Technololy Co Ltd
Original Assignee
Shenzhen Wuyatai Hertz Technology Co Ltd
Shenzhen Huaxun Ark Technology 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 Shenzhen Wuyatai Hertz Technology Co Ltd, Shenzhen Huaxun Ark Technology Co Ltd filed Critical Shenzhen Wuyatai Hertz Technology Co Ltd
Priority to CN201810067133.9A priority Critical patent/CN108364017B/zh
Priority to PCT/CN2018/078035 priority patent/WO2019144469A1/zh
Publication of CN108364017A publication Critical patent/CN108364017A/zh
Application granted granted Critical
Publication of CN108364017B publication Critical patent/CN108364017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于图像处理技术领域，公开了一种图像质量分类方法、系统及终端设备，所述方法包括：获取训练样本集；提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量；将训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型；根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值；根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类。本发明适用于毫米波图像、太赫兹波图像等图像，能够通过自动判断图像质量的优劣来判断被检测对象在被检测过程中是否保持标准站姿，可以有效地提高安检设备的异物识别率。

Description

一种图像质量分类方法、系统及终端设备
技术领域
本发明属于图像处理技术领域，尤其涉及一种图像质量分类方法、系统及终端设备。
背景技术
随着科技的高速发展，人们研发了一种用于人体安检的主动式三维成像安检设备，这种安检设备不但不会对人体造成伤害，同时还可以有效的探测出被检测人员携带的各种危险、违禁物品，适用于火车站、地铁站以及大型宴会厅等人群密集的场所。现有的主动式三维成像安检设备一般是在图像生成后直接将图像传给图像处理和模式识别模块进行处理，经过大量的训练虽然可以取得一定的效果，但是当被检测人员没有按标准站姿站立或在设备扫描时未保持静止的情况下，会造成设备成像质量模糊或图像残缺，此时将严重影响设备的识别率。因此，需要一种图像质量分类方法来区分图像质量的好坏。
现有的图像质量分类方法可以对由可见光、X光、核磁共振等形成的图像的质量进行分类，然而，由于由可见光、X光、核磁共振等形成的图像与安检设备形成的毫米波图像、太赫兹波图像等在分辨率和图像特征上差别很大，因此这种图像质量分类方法不适用于毫米波图像、太赫兹波图像等图像。
发明内容
有鉴于此，本发明实施例提供了一种图像质量分类方法、系统及终端设备，以解决现有的图像质量分类方法不适用于毫米波图像、太赫兹波图像等图像的问题。
本发明实施例的第一方面提供了一种图像质量分类方法，包括：
获取训练样本集，训练样本集中的图像已标定为正常图像或异常图像；
提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量；
将训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型；
根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值；
根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类。
本发明实施例的第二方面提供了一种图像质量分类系统，包括：
获取模块，用于获取训练样本集，训练样本集中的图像已标定为正常图像或异常图像；
特征值提取模块，用于提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量；
训练模块，用于将训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型；
分类阈值确定模块，用于根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值；
分类模块，用于根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上所述图像质量分类方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被一个或多个处理器执行时实现如上所述图像质量分类方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例首先获取训练样本集，训练样本集中的图像已标定为正常图像或异常图像，并提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量，然后将训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型，根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值，最后根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类。本发明实施例适用于毫米波图像、太赫兹波图像等图像，能够通过自动判断图像质量的优劣来判断被检测对象在被检测过程中是否保持标准站姿，可以有效地提高安检设备的异物识别率和检测效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的图像质量分类方法的实现流程示意图；
图2是本发明一实施例提供的提取图像的三维特征矢量的示意图；
图3是本发明一实施例提供的图像质量分类系统的示意框图；
图4是本发明一实施例提供的终端设备的示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
本发明实施例提供的图像质量分类方法、系统及终端设备可以应用在安检设备生成人体图像之后，且将生成的人体图像发送给图像处理和模式识别模块之前。本发明实施例提供的图像质量分类方法、系统及终端设备在人体图像生成后，判断人体图像质量是否合格，若人体图像质量合格，则将人体图像发送给图像处理和模式识别模块进行处理；若人体图像质量不合格，则发送重新扫描指令到安检设备显示模块，通知工作人员重新扫描被检测人员。
图1是本发明一实施例提供的图像质量分类方法的实现流程示意图，为了便于说明，仅示出了与本发明实施例相关的部分。如图1所示，该方法可以包括以下步骤：
步骤S101：获取训练样本集，训练样本集中的图像已标定为正常图像或异常图像。
在本发明实施例中，正常图像是指清晰且成像完整的图像；异常图像是指噪声严重或残缺不全的图像。异常图像和正常图像相比，主要区别在于：异常图像中存在残影，主要是由于设备工作时被检测人员移动引起的。
将训练样本集中的图像标定为正常图像和异常图像的人员是专业从事图像处理的人员，对图像质量的分类需要具有一定的权威性。
步骤S102：提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量。
在图像质量分类中，高特征空间维度的图像质量分类通常需要很大的训练样本。一个常见的例子是对大小为28*28像素的手写数字图像进行数字识别，训练样本为60000张标定过的手写数字图像。而在本发明实施例中，需要分类的图像的大小远远超过了28*28的维度，若将整个图像直接作为真实维度的特征向量求解是不可取的，因此需要降低图像的维度。
在本发明实施例中，通过提取图像的纹理特征值来降低图像维度。
通过对大量的正常图像和异常图像进行观察，发现正常图像和异常图像的明显区别在于异常图像中包含大量残影，而这种残影是一种具有相似结构的高频噪声图像。针对残影的这种特征，本发明实施例采用Haralick算法来提取图像的纹理特征值。
Haralick算法是一种图像纹理算法，用于描述材质表面的质感、纹理和花纹。Haralick算法源于灰度共生矩阵算法，提出了13个灰度共生矩阵的统计特征值作为量化纹理的标准，即Haralick纹理值。
在本发明实施例中，提取图像的13个Haralick纹理值，再加上图像的灰度平均值作为图像的纹理特征值。即纹理特征值包括：角二阶矩、对比度、自相关、方差、逆差矩、和平均、和方差、和熵、熵、差方差、差熵、相关信息测度一、相关信息测度二、灰度平均值。
作为本发明又一实施例，提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量，包括：
将训练样本集中的每一张图像按照预设大小进行分割，得到每一张图像对应的分割后的图像块；
计算每一张图像对应的分割后的图像块的纹理特征值；
根据每一张图像对应的分割后的图像块的纹理特征值得到每一张图像的三维特征矢量。
示例性地，如图2所示，假设训练样本集中的图像的大小为160像素*400像素，将该图像按照10像素*10像素的大小进行分割，得到16*40个图像块。计算每个图像块的14个纹理特征值，将每个图像块的14个纹理特征值组合得到该图像的维度为16*40*14的三维特征矢量。
需要说明的是，上述举例仅仅是为了解释本发明的技术方案，并不用于限定本发明。
在本发明实施例中，计算每一张图像对应的分割后的图像块的纹理特征值具体过程如下：
在本发明实施例中，通过计算该图像块在(1,0)、(0,1)、(1,1)和(1,-1)四个方向的灰度共生矩阵的特征值，并对四个方向计算的灰度共生矩阵的特征值取平均值，得到13个Haralick纹理值。
其中，计算在某一方向的灰度共生矩阵的特征值的公式如下：
1、角二阶矩的计算公式如公式(1)所示。
2、对比度的计算公式如公式(2)所示。
3、自相关的计算公式如公式(3)所示。
4、方差的计算公式如公式(4)所示。
5、逆差矩的计算公式如公式(5)所示。
6、和平均的计算公式如公式(6)所示。
7、和方差的计算公式如公式(7)所示。
8、和熵的计算公式如公式(8)所示。
9、熵的计算公式如公式(9)所示。
10、差方差的计算公式如公式(10)所示。
11、差熵的计算公式如公式(11)所示。
12、相关信息测度一的计算公式如公式(12)所示。
13、相关信息测度二的计算公式如公式(13)所示。
f13＝[1-exp(-2(HXY2-f9))]1/2 (13)
其中，在公式(1)-(13)中，P(i,j)为该图像块在某一方向的灰度共生矩阵；Ng为该灰度共生矩阵的灰度级数；R为该灰度共生矩阵的和，计算公式为：p(i,j)为共生概率矩阵，计算公式为：μx为px的均值；μy为py的均值；σx为px的方差；σy为py的方差； 在这两个公式中，HX＝-∑ipx(i)log(px(i))，其中，px(i)为合并行得到的边缘概率的第i项，计算公式为：HY＝-∑jpy(j)log(py(j))，其中，py(j)为合并列得到的边缘概率的第j项，计算公式为：HXY1＝-∑i∑jp(i,j)log(px(i)py(j))；HXY2＝-∑i∑jpx(i)py(j)log(px(i)py(j))。
在本发明实施例中，计算该图像块的灰度平均值的方法可以是遍历该图像块的所有像素点，将所有像素点的灰度值累加得到该图像块的灰度值总和，灰度值总和与像素点个数的比值即为灰度平均值。当然，也可以采取其它任何可以计算出图像块的灰度平均值的方法来计算该图像块的灰度平均值。
在本发明实施例中，通过提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量，可以降低图像的维度，减少在对构建的卷积神经网络模型训练的过程中所需的训练样本集中已标定为正常图像或异常图像的数量。
作为本发明又一实施例，在得到每一张图像的三维特征矢量之后，还包括：
将每一张图像的三维特征矢量的预设维度中的每一个纹理特征值标准化，使每一个纹理特征值的均值为0，方差为1。
其中，预设维度是指三维特征矢量中纹理特征值所在的维度。例如，假如三维特征矢量的第三个维度是纹理特征值，那么预设维度为第三个维度；同理，假如三维特征矢量的第二个维度是纹理特征值，那么预设维度为第二个维度；假如三维特征矢量的第一个维度是纹理特征值，那么预设维度为第一个维度。
示例性地，以训练样本集中图像数量为N，图像大小为160像素*400像素，将该图像按照10像素*10像素的大小进行分割，标准化第i个纹理特征值为例，其中0≤i＜14，在训练样本集中，共有N*16*40个该第i个纹理特征值，计算该N*16*40个纹理特征值的平均值和标准差，将该N*16*40个纹理特征值中的每个纹理特征值与平均值做差后，再与标准差做商，即完成了对第i个纹理特征值的标准化。依次对14个纹理特征值标准化，即完成了将每一张图像的三维特征矢量的预设维度中的每一个纹理特征值标准化，使每一个纹理特征值的均值为0，方差为1。
在本发明实施例中，通过将每一张图像的三维特征矢量的预设维度中的每一个纹理特征值标准化，使每一个纹理特征值的均值为0，方差为1，可以提高对构建的卷积神经网络模型训练的速度和稳定性。
步骤S103：将训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型。
在本发明实施例中，卷积神经网络模型包括三层卷积层和一层全局平均池化层；卷积神经网络模型的目标函数为训练样本集中图像的预测值和真实值的二元交叉熵函数。
其中，三层卷积层的卷积核大小为3*3，每层卷积层的卷积核数量依次为128、256和512。预测值是卷积神经网络模型对于每一张输入图像的输出值，它是一个位于区间[0，1)中的实数。真实值由已标定的图像类别确定，当标定图像为异常图像时，真实值取值为1；当标定图像为正常图像时，真实值取值为0。卷积神经网络模型的目标函数具体如公式(14)所示。
在公式(14)中，N表示训练样本的图像数量；yn表示第n张图像分类的真实值；表示第n张图像分类的预测值。
在本发明实施例中，使用基于梯度下降的Adam优化器对构建的卷积神经网络模型中的参数进行优化。优化完成后，可以将训练后的卷积神经网络模型的网络参数、网络类型和形状保存到hdf5格式的文件中。
示例性地，卷积神经网络模型的训练过程一共会重复10组，在每组训练开始的时候随机选取训练样本集中的1024张图像，1024张图像中既包括正常图像，也包括异常图像。其中，每组训练包含10轮，每轮均以32张图像作为一个批次进行训练，直到训练完所有1024张图像才完成了本轮训练。当所有10组，每组10轮训练完成后，将训练后的卷积神经网络模型的网络参数、网络类型和形状保存到hdf5格式的文件中。
需要说明的是，上述举例仅仅是为了解释本发明的技术方案，并不用于限定本发明。
在本发明实施例中，需要一组与训练构建的卷积神经网络模型使用的训练样本集不同的图像样本，来测试训练后的卷积神经网络模型。
在本发明实施例中，以全局平均池化层代替传统的全连接层，可以大大减少网络参数，避免过拟合的情况发生。
步骤S104：根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值。
作为本发明又一实施例，在根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值之前，还包括：
为训练后的卷积神经网络模型设置不同的分类阈值，并获得在不同的分类阈值下，图像分类的漏检率和误检率；
基于不同的分类阈值下图像分类的漏检率和误检率，生成漏检率和误检率与分类阈值的对应关系。
其中，漏检率为漏检图像数量与训练样本集中标定为异常图像的数量的比值；误检率为误检图像数量与训练样本集中标定为正常图像的数量的比值；漏检图像数量为标定为异常图像，但错误判定为正常图像的图像数量；误检图像数量为标定为正常图像，但错误判定为异常图像的图像数量。分类阈值用于判定待分类图像的类别，将待分类图像的三维特征矢量输入训练后的卷积神经网络模型，得到待分类图像的输出值，若该输出值小于分类阈值，则待分类图像为正常图像，否则，待分类图像为异常图像。
在训练样本集中，标定为异常图像的数量和标定为正常图像的数量是已知的，而漏检图像数量和误检图像数量是与分类阈值相关的变量。分类阈值的取值范围是[0，1]，当分类阈值取0时，所有图像被判定为异常图像，此时漏检率为0，误检率为1。当阈值取值为1时，所有图像判定为正常图像，此时漏检率为1，误检率为0。
通过为训练后的卷积神经网络模型设置不同的分类阈值，并获得在不同的分类阈值下，图像分类的漏检率和误检率，可以生成漏检率和误检率与分类阈值的对应关系。根据生成的漏检率和误检率与分类阈值的对应关系，可以发现，随着分类阈值从0提高到1，漏检率逐渐增大，误检率逐渐减小。
在本发明实施例中，根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值，具体包括：
根据预设的漏检率和误检率，以及生成的漏检率和误检率与分类阈值的对应关系，获得预设的漏检率和误检率对应的分类阈值。
可选地，使用均衡的分类阈值，即漏检率等于误检率，在此方案下确定的分类阈值为0.2。
步骤S105：根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类。
作为本发明又一实施例，根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类，包括：
获取待分类图像；
提取待分类图像的纹理特征值，得到待分类图像的三维特征矢量；
将待分类图像的三维特征矢量输入训练后的卷积神经网络模型中，得到待分类图像的输出值；
若待分类图像的输出值小于预设的漏检率和误检率对应的分类阈值，则待分类图像为正常图像，否则，待分类图像为异常图像。
其中，提取待分类图像的纹理特征值，得到待分类图像的三维特征矢量的过程参考步骤S102，在此不再赘述。
在将待分类图像的三维特征矢量输入训练后的卷积神经网络模型中之前，还包括：
读取hdf5格式的文件中保存的训练后的卷积神经网络模型的网络参数、网络类型和形状，恢复训练后的卷积神经网络模型。
在本发明实施例中，首先获取训练样本集，训练样本集中的图像已标定为正常图像或异常图像，并提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量，然后将训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型，根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值，最后根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类。本发明实施例适用于毫米波图像、太赫兹波图像等图像，能够通过自动判断图像质量的优劣来判断被检测对象在被检测过程中是否保持标准站姿，可以有效地提高安检设备的异物识别率和检测效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3是本发明一实施例提供的图像质量分类系统的示意框图，为了便于说明，仅示出与本发明实施例相关的部分。
在本发明实施例中，图像质量分类系统3包括：
获取模块31，用于获取训练样本集，训练样本集中的图像已标定为正常图像或异常图像；
特征值提取模块32，用于提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量；
训练模块33，用于将训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型；
分类阈值确定模块34，用于根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值；
分类模块35，用于根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类。
可选地，特征值提取模块32包括：
图像分割单元，用于将训练样本集中的每一张图像按照预设大小进行分割，得到每一张图像对应的分割后的图像块；
计算单元，用于计算每一张图像对应的分割后的图像块的纹理特征值；
三维特征矢量确定单元，用于根据每一张图像对应的分割后的图像块的纹理特征值得到每一张图像的三维特征矢量。
可选地，图像质量分类系统3还包括：
标准化模块，用于将每一张图像的三维特征矢量的预设维度中的每一个纹理特征值标准化，使每一个纹理特征值的均值为0，方差为1。
可选地，卷积神经网络模型包括三层卷积层和一层全局平均池化层；卷积神经网络模型的目标函数为训练样本集中图像的预测值和真实值的二元交叉熵函数。
可选地，图像质量分类系统3还包括：
设置模块，用于为训练后的卷积神经网络模型设置不同的分类阈值，并获得在不同的分类阈值下，图像分类的漏检率和误检率；
生成模块，用于基于不同的分类阈值下图像分类的漏检率和误检率，生成漏检率和误检率与分类阈值的对应关系。
分类阈值确定模块34，具体用于根据预设的漏检率和误检率，以及生成的漏检率和误检率与分类阈值的对应关系，获得预设的漏检率和误检率对应的分类阈值。
可选地，分类模块35包括：
图像获取单元，用于获取待分类图像；
提取单元，用于提取待分类图像的纹理特征值，得到待分类图像的三维特征矢量；
输出值获取单元，用于将待分类图像的三维特征矢量输入训练后的卷积神经网络模型中，得到待分类图像的输出值；
类别确定单元，用于若待分类图像的输出值小于预设的漏检率和误检率对应的分类阈值，则待分类图像为正常图像，否则，待分类图像为异常图像。
可选地，漏检率为漏检图像数量与训练样本集中标定为异常图像的数量的比值；误检率为误检图像数量与训练样本集中标定为正常图像的数量的比值；漏检图像数量为标定为异常图像，但错误判定为正常图像的图像数量；误检图像数量为标定为正常图像，但错误判定为异常图像的图像数量。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述终端设备的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图4是本发明一实施例提供的终端设备的示意框图。如图4所示，该实施例的终端设备4包括：一个或多个处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个图像质量分类方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器40执行所述计算机程序42时实现上述图像质量分类系统实施例中各模块/单元的功能，例如图3所示模块31至35的功能。
示例性地，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成获取模块、特征值提取模块、训练模块、分类阈值确定模块、分类模块。
获取模块，用于获取训练样本集，训练样本集中的图像已标定为正常图像或异常图像；
特征值提取模块，用于提取训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量；
训练模块，用于将训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型；
分类阈值确定模块，用于根据预设的漏检率和误检率，确定预设的漏检率和误检率对应的分类阈值；
分类模块，用于根据训练后的卷积神经网络模型和预设的漏检率和误检率对应的分类阈值对待分类图像进行分类。
其它模块或者单元可参照图3所示的实施例中的描述，在此不再赘述。
所述终端设备4包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备的一个示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备4还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器41也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序42以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种图像质量分类方法，其特征在于，包括：
获取训练样本集，所述训练样本集中的图像已标定为正常图像或异常图像；
提取所述训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量；
将所述训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型；
根据预设的漏检率和误检率，确定所述预设的漏检率和误检率对应的分类阈值；
根据所述训练后的卷积神经网络模型和所述预设的漏检率和误检率对应的分类阈值对待分类图像进行分类；
所述提取所述训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量，包括：
将所述训练样本集中的每一张图像按照预设大小进行分割，得到每一张图像对应的分割后的图像块；
计算所述每一张图像对应的分割后的图像块的纹理特征值；
根据所述每一张图像对应的分割后的图像块的纹理特征值得到所述每一张图像的三维特征矢量。
2.如权利要求1所述的图像质量分类方法，其特征在于，在得到每一张图像的三维特征矢量之后，还包括：
将所述每一张图像的三维特征矢量的预设维度中的每一个纹理特征值标准化，使每一个纹理特征值的均值为0，方差为1。
3.如权利要求1所述的图像质量分类方法，其特征在于，所述卷积神经网络模型包括三层卷积层和一层全局平均池化层；所述卷积神经网络模型的目标函数为所述训练样本集中图像的预测值和真实值的二元交叉熵函数。
4.如权利要求1所述的图像质量分类方法，其特征在于，在根据预设的漏检率和误检率，确定所述预设的漏检率和误检率对应的分类阈值之前，还包括：
为所述训练后的卷积神经网络模型设置不同的分类阈值，并获得在不同的分类阈值下，图像分类的漏检率和误检率；
基于不同的分类阈值下图像分类的漏检率和误检率，生成所述漏检率和误检率与所述分类阈值的对应关系；
所述根据预设的漏检率和误检率，确定所述预设的漏检率和误检率对应的分类阈值，包括：
根据预设的漏检率和误检率，以及生成的所述漏检率和误检率与所述分类阈值的对应关系，获得所述预设的漏检率和误检率对应的分类阈值。
5.如权利要求1所述的图像质量分类方法，其特征在于，所述根据所述训练后的卷积神经网络模型和所述预设的漏检率和误检率对应的分类阈值对待分类图像进行分类，包括：
获取所述待分类图像；
提取所述待分类图像的纹理特征值，得到所述待分类图像的三维特征矢量；
将所述待分类图像的三维特征矢量输入所述训练后的卷积神经网络模型中，得到所述待分类图像的输出值；
若所述待分类图像的输出值小于所述预设的漏检率和误检率对应的分类阈值，则所述待分类图像为正常图像，否则，所述待分类图像为异常图像。
6.如权利要求1至5任一项所述的图像质量分类方法，其特征在于，所述漏检率为漏检图像数量与所述训练样本集中标定为异常图像的数量的比值；所述误检率为误检图像数量与所述训练样本集中标定为正常图像的数量的比值；所述漏检图像数量为标定为异常图像，但错误判定为正常图像的图像数量；所述误检图像数量为标定为正常图像，但错误判定为异常图像的图像数量。
7.一种图像质量分类系统，其特征在于，包括：
获取模块，用于获取训练样本集，所述训练样本集中的图像已标定为正常图像或异常图像；
特征值提取模块，用于提取所述训练样本集中每一张图像的纹理特征值，得到每一张图像的三维特征矢量；
训练模块，用于将所述训练样本集中的图像分组，并基于每组中图像的三维特征矢量训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型；
分类阈值确定模块，用于根据预设的漏检率和误检率，确定所述预设的漏检率和误检率对应的分类阈值；
分类模块，用于根据所述训练后的卷积神经网络模型和所述预设的漏检率和误检率对应的分类阈值对待分类图像进行分类；
特征值提取模块包括：
图像分割单元，用于将所述训练样本集中的每一张图像按照预设大小进行分割，得到每一张图像对应的分割后的图像块；
计算单元，用于计算所述每一张图像对应的分割后的图像块的纹理特征值；
三维特征矢量确定单元，用于根据所述每一张图像对应的分割后的图像块的纹理特征值得到所述每一张图像的三维特征矢量。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述图像质量分类方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1至6任一项所述图像质量分类方法的步骤。
CN201810067133.9A 2018-01-24 2018-01-24 一种图像质量分类方法、系统及终端设备 Active CN108364017B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810067133.9A CN108364017B (zh) 2018-01-24 2018-01-24 一种图像质量分类方法、系统及终端设备
PCT/CN2018/078035 WO2019144469A1 (zh) 2018-01-24 2018-03-05 一种图像质量分类方法、系统及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810067133.9A CN108364017B (zh) 2018-01-24 2018-01-24 一种图像质量分类方法、系统及终端设备

Publications (2)

Publication Number Publication Date
CN108364017A CN108364017A (zh) 2018-08-03
CN108364017B true CN108364017B (zh) 2019-11-05

Family

ID=63006926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810067133.9A Active CN108364017B (zh) 2018-01-24 2018-01-24 一种图像质量分类方法、系统及终端设备

Country Status (2)

Country Link
CN (1) CN108364017B (zh)
WO (1) WO2019144469A1 (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109189958A (zh) * 2018-08-16 2019-01-11 深圳市华讯方舟太赫兹科技有限公司 存储方法、存储系统、服务器以及计算机存储介质
CN109377472B (zh) * 2018-09-12 2021-08-03 宁波大学 一种眼底图像质量评价方法
CN109544563B (zh) * 2018-11-12 2021-08-17 北京航空航天大学 一种面向违禁物安检的被动毫米波图像人体目标分割方法
CN109613108B (zh) * 2018-12-27 2022-09-20 帝沃检测技术(上海)有限公司 阈值选择方法及设备
CN109859168B (zh) * 2018-12-28 2021-02-19 上海联影智能医疗科技有限公司 一种x射线胸片图像质量确定方法及装置
US11436720B2 (en) 2018-12-28 2022-09-06 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for generating image metric
CN109814166B (zh) * 2018-12-29 2020-11-27 深圳市华讯方舟太赫兹科技有限公司 异物检测方法、安检设备及具有存储功能的装置
CN109978892B (zh) * 2019-03-21 2021-03-16 浙江啄云智能科技有限公司 一种基于太赫兹成像的智能安检方法
CN110174711B (zh) * 2019-05-16 2022-02-25 深圳市重投华讯太赫兹科技有限公司 终端设备及其异物检测结果评价方法、计算机存储介质
CN110428475B (zh) 2019-06-21 2021-02-05 腾讯科技（深圳）有限公司 一种医学图像的分类方法、模型训练方法和服务器
CN110632094B (zh) * 2019-07-24 2022-04-19 北京中科慧眼科技有限公司 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN110570398A (zh) * 2019-08-14 2019-12-13 兰州理工大学 一种基于深度学习技术的线缆接头焊点合格性检测方法
CN112634190A (zh) * 2019-09-24 2021-04-09 上海汽车集团股份有限公司 一种涂胶检测方法及装置
CN110796624B (zh) 2019-10-31 2022-07-05 北京金山云网络技术有限公司 一种图像生成方法、装置及电子设备
US20230058730A1 (en) * 2019-12-16 2023-02-23 Mekitec Oy Food product monitoring solution
CN111104539A (zh) * 2019-12-20 2020-05-05 湖南千视通信息科技有限公司 细粒度车辆图像检索方法、装置及设备
CN111008671B (zh) * 2019-12-23 2023-08-18 Oppo广东移动通信有限公司 姿势识别方法和装置、电子设备、计算机可读存储介质
CN111339933A (zh) * 2020-02-25 2020-06-26 北京国网富达科技发展有限责任公司 基于深度学习的变电站安全监控方法及装置
CN111539910B (zh) * 2020-03-13 2024-03-19 石家庄铁道大学 锈蚀区域检测方法及终端设备
CN111325698A (zh) * 2020-03-17 2020-06-23 北京迈格威科技有限公司 图像处理方法、装置及系统、电子设备
CN111476136B (zh) * 2020-03-31 2024-01-16 珠海格力电器股份有限公司 家具类型确定方法、装置、电子设备及可读存储介质
CN111667464B (zh) * 2020-05-21 2024-02-02 平安科技（深圳）有限公司 危险品三维图像检测方法、装置、计算机设备及存储介质
CN111798414A (zh) * 2020-06-12 2020-10-20 北京阅视智能技术有限责任公司 显微图像的清晰度确定方法、装置、设备及存储介质
CN111899246B (zh) * 2020-07-30 2023-09-19 平安科技（深圳）有限公司 玻片数字化信息质量检测方法、装置、设备及介质
CN112200004B (zh) * 2020-09-15 2024-01-16 深圳市优必选科技股份有限公司 图像检测模型的训练方法、装置及终端设备
CN112435162B (zh) * 2020-11-13 2024-03-05 中国科学院沈阳自动化研究所 一种基于复数域神经网络的太赫兹图像超分辨重建方法
CN112950652B (zh) * 2021-02-08 2024-01-19 深圳市优必选科技股份有限公司 机器人及其手部图像分割方法和装置
CN113537145B (zh) * 2021-06-28 2024-02-09 青鸟消防股份有限公司 目标检测中误、漏检快速解决的方法、装置及存储介质
CN113724214B (zh) * 2021-08-23 2024-02-23 唯智医疗科技(佛山)有限公司 一种基于神经网络的图像处理方法及装置
CN114494238A (zh) * 2021-08-26 2022-05-13 深圳科亚医疗科技有限公司 一种病理图像的训练集处理方法和系统
CN113936191A (zh) * 2021-10-21 2022-01-14 平安国际智慧城市科技股份有限公司 图片分类模型训练方法、装置、设备及存储介质
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统
CN115830451B (zh) * 2022-12-02 2023-11-03 上海理工大学 一种基于卷积神经网络的智慧城市建设水平识别方法
CN117237344B (zh) * 2023-11-13 2024-01-19 深圳市帝一通讯有限公司 基于机器视觉的电子雾化器芯片外观质量检测方法
CN117288761B (zh) * 2023-11-27 2024-02-06 天津市海迅科技发展有限公司 一种基于测试材料的瑕疵检测分类评估方法及系统
CN117692101B (zh) * 2023-12-04 2024-07-09 北京科技大学 一种基于卷积神经网络的突发误码检测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7627171B2 (en) * 2003-07-03 2009-12-01 Videoiq, Inc. Methods and systems for detecting objects of interest in spatio-temporal signals
CN101877066A (zh) * 2010-05-21 2010-11-03 电子科技大学 一种反图像型垃圾邮件的方法及装置
CN104992177A (zh) * 2015-06-12 2015-10-21 安徽大学 基于深层卷积神经网络的网络色情图像检测方法
CN107346434A (zh) * 2017-05-03 2017-11-14 上海大学 一种基于多特征及支持向量机的植物病虫害检测方法

Also Published As

Publication number Publication date
WO2019144469A1 (zh) 2019-08-01
CN108364017A (zh) 2018-08-03

Similar Documents

Publication Publication Date Title
CN108364017B (zh) 一种图像质量分类方法、系统及终端设备
CN104166841B (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
CN105518709B (zh) 用于识别人脸的方法、系统和计算机程序产品
CN108710910B (zh) 一种基于卷积神经网络的目标识别方法及系统
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
Chen et al. The application of a convolution neural network on face and license plate detection
CN103530878B (zh) 一种基于融合策略的边缘提取方法
Seff et al. 2D view aggregation for lymph node detection using a shallow hierarchy of linear classifiers
Türkyılmaz et al. License plate recognition system using artificial neural networks
CN111582359B (zh) 一种图像识别方法、装置、电子设备及介质
CN109948616A (zh) 图像检测方法、装置、电子设备及计算机可读存储介质
Megersa et al. Brain tumor detection and segmentation using hybrid intelligent algorithms
CN110059607B (zh) 活体多重检测方法、装置、计算机设备及存储介质
CN106548445A (zh) 基于内容的空域图像通用隐写分析方法
CN104573742A (zh) 医学图像分类方法和系统
Raj et al. Automatic brain tumor tissue detection in T-1 weighted MRI
CN113177943A (zh) 一种脑卒中ct影像分割方法
CN109003275A (zh) 焊缝缺陷图像的分割方法
CN109313699A (zh) 用于对一车辆的输入图像进行目标识别的装置和方法
Archa et al. Segmentation of brain tumor in MRI images using CNN with edge detection
CN103839056B (zh) 一种人眼状态识别方法和装置
Lien et al. Product surface defect detection based on deep learning
CN110428006A (zh) 计算机生成图像的检测方法、系统、装置
CN206897873U (zh) 一种基于检测产品特性的图像处理与检测系统
Lee et al. Intelligent classification methods of grain kernels using computer vision analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PP01 Preservation of patent right
PP01 Preservation of patent right

Effective date of registration: 20210630

Granted publication date: 20191105

PD01 Discharge of preservation of patent
PD01 Discharge of preservation of patent

Date of cancellation: 20230421

Granted publication date: 20191105

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230810

Address after: 518000 404, building 37, chentian Industrial Zone, chentian community, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Huaxun ark Photoelectric Technology Co.,Ltd.

Patentee after: SHENZHEN VICTOOTH TERAHERTZ TECHNOLOGY Co.,Ltd.

Address before: 518000 1 / F and 2 / F, building 37, chentian Industrial Zone, Baoan District, Shenzhen City, Guangdong Province

Patentee before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd.

Patentee before: SHENZHEN VICTOOTH TERAHERTZ TECHNOLOGY Co.,Ltd.