CN108985351B - 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 - Google Patents
一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN108985351B CN108985351B CN201810678746.6A CN201810678746A CN108985351B CN 108985351 B CN108985351 B CN 108985351B CN 201810678746 A CN201810678746 A CN 201810678746A CN 108985351 B CN108985351 B CN 108985351B
- Authority
- CN
- China
- Prior art keywords
- gradient direction
- image
- direction value
- value
- gap
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种能够基于梯度方向稀疏特征信息快速地识别模糊图像的方法和装置、计算设备及存储介质。所述方法包括以下步骤:计算待识别图像在0~360度范围内的梯度方向值;将梯度方向值归一化为0~1;以间隔gap对归一化后的梯度方向值进行量化,即,量化后的梯度方向值范围是0~1/gap;统计量化后的梯度方向值的直方图中的所有的非空点数;将所述非空点数与预定值进行比较;如果所述非空点数小于所述预定值,则判别所述待识别图像为模糊图像,否则判别所述待识别图像为清晰图像。本发明的方法和装置不仅识别速度快,而且准确率高,从而可以有效应用到手机终端。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质。
背景技术
图像质量客观评价是指通过设计合理的算法使计算机自动精确地预测图像的感知质量。图像质量的评价结果可以为图像处理算法的参数优化、图像处理系统的性能评估和图像处理设备的质量检测提供重要的指标和依据,已成为图像处理领域的研究热点之一。其中,盲图像质量评价(Blind Image QualityAssessment,BIQA)是指在没有参考图像的情况下对任意输入图像的视觉质量进行精确预测。由于在绝大多数的实际应用场景中,测试图像对应的参考图像是无法或难以得到的,因此对于盲图像质量评价的研究至关重要。
通过对现有文献的检索,目前无参考图像质量评价的代表性方法有两种。一种是AnishMittal等人在2012年IEEE Transactions on Image Processing,vol.21(12),pp.4695-4708(2012年IEEE图像处理会刊第21卷12期,4695至4708页)上发表的“No-reference imagequality assessment in the spatial domain(空间域无参考图像质量评价)”一文中提出的用于无参考图像质量评价的自然图像统计特征构建方法(简称为BRISQUE)。该方法直接对多个不同尺度或方位的预处理图像拟合广义高斯分布模型,将模型参数共计36个系数值作为图像自然统计特征,采用支持向量机(SupportVectorMachine,简称SVM)进行模型训练和测试。然而拟合广义高斯分布模型的步骤对输入图像做了过强的假设,不可避免地降低了图像的原始信息量,进而影响了模型的精度。而且,该方法速度慢、需要用到svm分类器导致模型大。
另一种代表性方法是Wufeng Xue等人在2014年IEEE Transactions on ImageProcessing,vol.23(11),pp.4850-4862(2014年IEEE图像处理会刊第23卷11期,4850至4862页)上发表的“Blind Image Quality Assessment Using Joint StatisticsofGradient Magnitude and LaplacianFeatures(使用梯度幅度和拉普拉斯特征的联合统计量进行盲图像质量评估)”一文中提出的联合梯度和拉普拉斯-高斯信号的盲图像质量评价方法。该方法从人类视觉的处理机制出发,首先提取图像的梯度模值和LOG信号,通过对这两种信号进行联合自适应归一化消除高阶冗余性,并且,在此基础上分别计算二者的边缘分布概率直方图和条件分布概率直方图作为图像感知特征。该方法符合人类视觉早期处理过程,并且具有更好的区分自然图像与非自然图像的能力。然而,该方法同样地速度慢,且需要用到svm分类器导致模型大。
发明内容
为了克服现有技术中的一个或多个缺陷,本发明提供一种能够基于梯度方向稀疏特征信息快速地识别模糊图像的方法和装置、计算设备及存储介质,以便于在人脸检测前剔除模糊图像,提高人脸识别率。
根据本发明的第一方面,提供一种基于梯度方向稀疏特征信息来识别模糊图像的方法。所述方法包括以下步骤:计算待识别图像在0~360度范围内的梯度方向值;将梯度方向值归一化为0~1;以间隔gap对归一化后的梯度方向值进行量化,即,量化后的梯度方向值范围是0~1/gap;统计量化后的梯度方向值的直方图中的所有的非空点数;将所述非空点数与预定值进行比较;如果所述非空点数小于所述预定值,则判别所述待识别图像为模糊图像,否则判别所述待识别图像为清晰图像。
优选地,所述归一化为最大最小归一化。
优选地,所述间隔gap为0.00025。
根据本发明的第二方面,提供一种用于基于梯度方向稀疏特征信息来识别模糊图像的装置。所述装置包括:梯度方向值计算模块,用于计算待识别图像在0~360度范围内的梯度方向值;梯度方向值归一化模块,用于将梯度方向值归一化为0~1;梯度方向值量化模块,用于以间隔gap对归一化后的梯度方向值进行量化,即,量化后的梯度方向值范围是0~1/gap;梯度方向值统计模块,用于统计量化后的梯度方向值的直方图中的所有的非空点数;比较模块,用于将所述非空点数与预定值进行比较;判别模块,用于如果所述非空点数小于所述预定值,则判别所述待识别图像为模糊图像,否则判别所述待识别图像为清晰图像。
优选地,所述归一化为最大最小归一化。
优选地,所述间隔gap为0.00025。
根据本发明的第三方面,提供一种计算设备。所述计算设备包括:处理器;以及存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行上述方法。
根据本发明的第四方面,提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行上述方法。
与现有技术相比,本发明具有以下有益效果:本发明提供一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置。所述方法和装置只需要对梯度方向特征进行归一化到0-1、量化、直方图统计和计算所有直方图稀疏向量稀疏度N2的三个主要步骤,即可判别待识别图像是模糊图像还是清晰图像。由此可知,所述方法和装置不仅识别速度快,而且准确率高,从而可以有效应用到手机终端。
本领域技术人员应当理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
并且,应当理解,前述大体的描述和后续详尽的描述均为示例性说明和解释,并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图,本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明,其中:
图1为根据本发明的第一示例性实施例的模糊图像识别方法的流程图;
图2为根据本发明的第一示例性实施例的模糊图像识别装置的框图;
图3为根据本发明示例性实施例的可用于实现模糊图像识别方法的计算设备的结构示意图。
具体实施方式
通过参考示范性实施例,本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而,本发明并不受限于以下所公开的示范性实施例;可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
为了使本发明的技术方案更加清楚、明白,下面将参照附图并结合具体实施例对本发明的模糊图像识别方法和装置进行详细描述。
图1示出了根据本发明的第一示例性实施例的模糊图像识别方法的流程图。如图1所示,所述模糊图像识别方法包括梯度方向值计算步骤S1、梯度方向值归一化步骤S2、梯度方向值量化步骤S3、梯度方向值统计步骤S4、比较步骤S5和判别步骤S6。
首先,在步骤S1中,计算待识别图像在0~360度范围内的梯度方向值。具体地,利用下式获得待识别图像中每个像素点在各个方向上的梯度方向值:
其中,T(x,y)是待识别图像上的坐标为(x,y)的像素点的梯度方向值,I(x,y)是待识别图像上的坐标为(x,y)的像素点的像素值。
接下来,在步骤S2中,将步骤S1中计算得到的梯度方向值归一化为0~1。具体地,利用下式对梯度方向值进行最大最小归一化:
其中,T*(x,y)为归一化后的[0,1]范围内的梯度方向值,Tmax和Tmin分别是步骤S1中计算得到的梯度方向值中的最大值和最小值。
接着,在步骤S3中,以间隔gap对归一化后的梯度方向值进行量化,即,量化后的梯度方向值范围是0~1/gap。例如,假设取间隔gap为0.00025,则量化后的梯度幅度范围是0~4000。然后,在步骤S4中,统计量化后的梯度方向值的直方图中的所有的非空点数N。
接着,在步骤S5中,将步骤S4中得到的非空点数N与预定值进行比较。预定值可以根据经验确定,也可以通过试验来确定。然后,在步骤S6中,基于步骤S5的比较结果来判别待识别图像为模糊图像还是清晰图像。具体地,如果步骤S4中得到的非空点数N小于预定值,则判别待识别图像为模糊图像。相反地,如果步骤S4中得到的非空点数N大于等于预定值,则判别待识别图像为清晰图像。
发明人采用上述模糊图像识别方法进行了试验。试验结果是:可达86.3%的识别率。由此可知,本示例性实施例的模糊图像识别方法不仅运算速度快,而且准确率高,从而可以有效应用到手机终端。
另外,本示例性实施例还提供一种用于实现上述模糊图像识别方法的模糊图像识别装置。图2示出了该模糊图像识别装置的框图。如图2所示,所述模糊图像识别装置100包括梯度方向值计算模块101、梯度方向值归一化模块102、梯度方向值量化模块103、梯度方向值统计模块104、比较模块105和判别模块106。
梯度方向值计算模块101用于计算待识别图像在0~360度范围内的梯度方向值。具体地,利用下式获得待识别图像中每个像素点在各个方向上的梯度方向值:
其中,T(x,y)是待识别图像上的坐标为(x,y)的像素点的梯度方向值,I(x,y)是待识别图像上的坐标为(x,y)的像素点的像素值。
梯度方向值归一化模块102用于将梯度方向值计算模块101所得到的梯度方向值归一化为0~1。具体地,利用下式对梯度方向值进行最大最小归一化:
其中,T*(x,y)为归一化后的[0,1]范围内的梯度方向值,Tmax和Tmin分别是梯度方向值计算模块101得到的梯度方向值中的最大值和最小值。
梯度方向值量化模块103用于以间隔gap对梯度方向值归一化模块102归一化后的梯度方向值进行量化,即,量化后的梯度方向值范围是0~1/gap。例如,假设取间隔gap为0.00025,则量化后的梯度幅度范围是0~4000。
梯度方向值统计模块104用于统计梯度方向值量化模块103量化后的梯度方向值的直方图中的所有的非空点数N。
比较模块105用于将梯度方向值统计模块104得到的非空点数N与预定值进行比较。预定值可以根据经验确定,也可以通过试验来确定。
判别模块106用于基于比较模块105的比较结果来判别待识别图像为模糊图像还是清晰图像。具体地,如果梯度方向值统计模块104得到的非空点数N小于预定值,则判别待识别图像为模糊图像。相反地,如果梯度方向值统计模块104得到的非空点数N大于等于预定值,则判别待识别图像为清晰图像。
图3示出了根据本发明示例性实施例的可用于实现上述模糊图像识别方法的计算设备的结构示意图。
参见图3,计算设备1000包括存储器1010和处理器1020。
处理器1020可以是一个多核的处理器,也可以包含多个处理器。在一些实施例中,处理器1020可以包含一个通用的主处理器以及一个或多个特殊的协处理器,例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中,处理器1020可以使用定制的电路实现,例如特定用途集成电路(ASIC,Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA,Field Programmable GateArrays)。
存储器1010可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器1010可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器1010可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器1010上存储有可处理代码,当可处理代码被处理器1020处理时,可以使处理器1020执行上文述及的基于机器学习的色情应用识别方法。
上文中已经参考附图详细描述了根据本发明的基于机器学习的色情应用识别方法和装置。
此外,根据本发明的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。
或者,本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时,使所述处理器执行根据本发明的上述方法的各个步骤。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于梯度方向稀疏特征信息来识别模糊图像的方法,其特征在于,所述方法包括以下步骤:
计算待识别图像在0~360度范围内的梯度方向值;
将梯度方向值归一化为0~1;
以间隔gap对归一化后的梯度方向值进行量化,即,量化后的梯度方向值范围是0~1/gap;
统计量化后的梯度方向值的直方图中的所有的非空点数;
将所述非空点数与预定值进行比较;
如果所述非空点数小于所述预定值,则判别所述待识别图像为模糊图像,否则判别所述待识别图像为清晰图像。
2.根据权利要求1所述的方法,其特征在于,所述归一化为最大最小归一化。
3.根据权利要求1所述的方法,其特征在于,所述间隔gap为0.00025。
4.一种用于基于梯度方向稀疏特征信息来识别模糊图像的装置,其特征在于,所述装置包括:
梯度方向值计算模块,用于计算待识别图像在0~360度范围内的梯度方向值;
梯度方向值归一化模块,用于将梯度方向值归一化为0~1;
梯度方向值量化模块,用于以间隔gap对归一化后的梯度方向值进行量化,即,量化后的梯度方向值范围是0~1/gap;
梯度方向值统计模块,用于统计量化后的梯度方向值的直方图中的所有的非空点数;
比较模块,用于将所述非空点数与预定值进行比较;
判别模块,用于如果所述非空点数小于所述预定值,则判别所述待识别图像为模糊图像,否则判别所述待识别图像为清晰图像。
5.根据权利要求4所述的装置,其特征在于,所述归一化为最大最小归一化。
6.根据权利要求4所述的装置,其特征在于,所述间隔gap为0.00025。
7.一种计算设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至3中任何一项所述的方法。
8.一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678746.6A CN108985351B (zh) | 2018-06-27 | 2018-06-27 | 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678746.6A CN108985351B (zh) | 2018-06-27 | 2018-06-27 | 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985351A CN108985351A (zh) | 2018-12-11 |
CN108985351B true CN108985351B (zh) | 2021-11-26 |
Family
ID=64538403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810678746.6A Active CN108985351B (zh) | 2018-06-27 | 2018-06-27 | 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985351B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339603A (zh) * | 2008-08-07 | 2009-01-07 | 电子科技大学中山学院 | 一种从视频流中选取到了质量合格的虹膜图像的方法 |
CN101930607A (zh) * | 2010-08-04 | 2010-12-29 | 深圳中兴力维技术有限公司 | 一种图像质量判别方法 |
CN102087652A (zh) * | 2009-12-08 | 2011-06-08 | 百度在线网络技术(北京)有限公司 | 图像筛选方法及其系统 |
CN102243706A (zh) * | 2011-08-18 | 2011-11-16 | 杭州海康威视软件有限公司 | 基于目标边缘方向的目标分类方法和系统 |
CN103793717A (zh) * | 2012-11-02 | 2014-05-14 | 阿里巴巴集团控股有限公司 | 判断图像主体显著性及训练其分类器的方法和系统 |
CN104268529A (zh) * | 2014-09-28 | 2015-01-07 | 深圳市汇顶科技股份有限公司 | 指纹图像质量的判断方法和装置 |
US8953882B2 (en) * | 2012-05-31 | 2015-02-10 | Apple Inc. | Systems and methods for determining noise statistics of image data |
CN104504365A (zh) * | 2014-11-24 | 2015-04-08 | 闻泰通讯股份有限公司 | 视频序列中的笑脸识别系统及方法 |
CN104537381A (zh) * | 2014-12-30 | 2015-04-22 | 华中科技大学 | 一种基于模糊不变特征的模糊图像识别方法 |
CN105260744A (zh) * | 2015-10-08 | 2016-01-20 | 北京航空航天大学 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
CN105389807A (zh) * | 2015-10-26 | 2016-03-09 | 南京理工大学 | 一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法 |
CN105894484A (zh) * | 2016-03-30 | 2016-08-24 | 山东大学 | 一种基于直方图归一化与超像素分割的hdr重建算法 |
CN106485702A (zh) * | 2016-09-30 | 2017-03-08 | 杭州电子科技大学 | 基于自然图像特征统计的图像模糊检测方法 |
CN106920232A (zh) * | 2017-02-22 | 2017-07-04 | 武汉大学 | 基于显著性检测的梯度相似度图像质量评价方法及系统 |
CN107507166A (zh) * | 2017-07-21 | 2017-12-22 | 华侨大学 | 一种基于支持向量回归的无参考屏幕图像质量评估方法 |
CN107680077A (zh) * | 2017-08-29 | 2018-02-09 | 南京航空航天大学 | 一种基于多阶梯度特征的无参考图像质量评价方法 |
CN108021846A (zh) * | 2016-11-01 | 2018-05-11 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009146297A1 (en) * | 2008-05-27 | 2009-12-03 | Nikon Corporation | Device and method for estimating whether an image is blurred |
US9779491B2 (en) * | 2014-08-15 | 2017-10-03 | Nikon Corporation | Algorithm and device for image processing |
US9760794B2 (en) * | 2015-09-25 | 2017-09-12 | Intel Corporation | Method and system of low-complexity histrogram of gradients generation for image processing |
-
2018
- 2018-06-27 CN CN201810678746.6A patent/CN108985351B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339603A (zh) * | 2008-08-07 | 2009-01-07 | 电子科技大学中山学院 | 一种从视频流中选取到了质量合格的虹膜图像的方法 |
CN102087652A (zh) * | 2009-12-08 | 2011-06-08 | 百度在线网络技术(北京)有限公司 | 图像筛选方法及其系统 |
CN101930607A (zh) * | 2010-08-04 | 2010-12-29 | 深圳中兴力维技术有限公司 | 一种图像质量判别方法 |
CN102243706A (zh) * | 2011-08-18 | 2011-11-16 | 杭州海康威视软件有限公司 | 基于目标边缘方向的目标分类方法和系统 |
US8953882B2 (en) * | 2012-05-31 | 2015-02-10 | Apple Inc. | Systems and methods for determining noise statistics of image data |
CN103793717A (zh) * | 2012-11-02 | 2014-05-14 | 阿里巴巴集团控股有限公司 | 判断图像主体显著性及训练其分类器的方法和系统 |
CN104268529A (zh) * | 2014-09-28 | 2015-01-07 | 深圳市汇顶科技股份有限公司 | 指纹图像质量的判断方法和装置 |
CN104504365A (zh) * | 2014-11-24 | 2015-04-08 | 闻泰通讯股份有限公司 | 视频序列中的笑脸识别系统及方法 |
CN104537381A (zh) * | 2014-12-30 | 2015-04-22 | 华中科技大学 | 一种基于模糊不变特征的模糊图像识别方法 |
CN105260744A (zh) * | 2015-10-08 | 2016-01-20 | 北京航空航天大学 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
CN105389807A (zh) * | 2015-10-26 | 2016-03-09 | 南京理工大学 | 一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法 |
CN105894484A (zh) * | 2016-03-30 | 2016-08-24 | 山东大学 | 一种基于直方图归一化与超像素分割的hdr重建算法 |
CN106485702A (zh) * | 2016-09-30 | 2017-03-08 | 杭州电子科技大学 | 基于自然图像特征统计的图像模糊检测方法 |
CN108021846A (zh) * | 2016-11-01 | 2018-05-11 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法和装置 |
CN106920232A (zh) * | 2017-02-22 | 2017-07-04 | 武汉大学 | 基于显著性检测的梯度相似度图像质量评价方法及系统 |
CN107507166A (zh) * | 2017-07-21 | 2017-12-22 | 华侨大学 | 一种基于支持向量回归的无参考屏幕图像质量评估方法 |
CN107680077A (zh) * | 2017-08-29 | 2018-02-09 | 南京航空航天大学 | 一种基于多阶梯度特征的无参考图像质量评价方法 |
Non-Patent Citations (8)
Title |
---|
"Blind deconvolution using a normalized sparsity measure";D. Krishnan 等;《 CVPR 2011》;20110822;233-240 * |
"Blind image quality assessment using statistical structural and luminance features";Qiaohong Li 等;《IEEE Transactions on Multimedia》;20161231;第18卷(第12期);2457-2469 * |
"Image blind restoration based on blur identification and quality assessment of restored image";Y. Lei 等;《2015 34th Chinese Control Conference (CCC)》;20150914;4693-4698 * |
"图像模糊度评价及其应用综述";梅嘉祥 等;《软件工程》;20180405;第21卷(第4期);23-26 * |
"基于梯度幅度和梯度方向直方图的全参考图像质量评价算法";王同罕 等;《东南大学学报(自然科学版)》;20180320;第48卷(第2期);276-281 * |
"基于梯度阈值计数的清晰度评价算法";张宏飞 等;《科学技术与工程》;20131208;第13卷(第34期);10364-10368 * |
"无参考图像质量评价综述";王志明;《自动化学报》;20150615;第41卷(第6期);1062-1079 * |
"颜色空间统计联合纹理特征的无参考图像质量评价";范赐恩 等;《光学精密工程》;20180415;第26卷(第4期);916-926 * |
Also Published As
Publication number | Publication date |
---|---|
CN108985351A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN109544166B (zh) | 一种风险识别方法和装置 | |
US11544628B2 (en) | Information processing apparatus and information processing method for generating classifier using target task learning data and source task learning data, and storage medium | |
US20130039588A1 (en) | Image processing method and apparatus for tamper proofing | |
WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
CN109815797B (zh) | 活体检测方法和装置 | |
CN111611863B (zh) | 车牌图像质量评价方法、装置以及计算机设备 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN108985350B (zh) | 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 | |
CN113129298B (zh) | 文本图像的清晰度识别方法 | |
CN113344907A (zh) | 一种图像检测方法及装置 | |
CN111178398B (zh) | 检测身份证图像信息篡改的方法、系统、存储介质及装置 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN108985351B (zh) | 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 | |
CN113243018A (zh) | 目标对象的识别方法和装置 | |
CN115223022B (zh) | 一种图像处理方法、装置、存储介质及设备 | |
CN108960254B (zh) | 一种基于mscn信息识别模糊图像的方法和装置、计算设备及存储介质 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 | |
CN115272682A (zh) | 目标对象检测方法、目标检测模型的训练方法及电子设备 | |
CN114067401A (zh) | 目标检测模型的训练及身份验证方法和装置 | |
CN111950629A (zh) | 对抗样本的检测方法、装置及设备 | |
CN111985423A (zh) | 活体检测方法、装置、设备及可读存储介质 | |
CN112446428A (zh) | 一种图像数据处理方法及装置 | |
CN112712550A (zh) | 一种图像质量评价方法及装置 |
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 |