CN110827261B - 图像质量检测方法及装置、存储介质及电子设备 - Google Patents
图像质量检测方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110827261B CN110827261B CN201911071269.8A CN201911071269A CN110827261B CN 110827261 B CN110827261 B CN 110827261B CN 201911071269 A CN201911071269 A CN 201911071269A CN 110827261 B CN110827261 B CN 110827261B
- Authority
- CN
- China
- Prior art keywords
- area
- target
- quality detection
- preset
- region
- 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
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本公开涉及图像处理技术领域,具体涉及一种图像质量检测方法及装置、计算机可读存储介质及电子设备,所述方法包括:响应于用户上传图像,基于预设深度学习模型对图像进行分类识别以获取包含预设目标的矩形区域对应的矩形区域数据;抽取概率大于第一预设阈值的矩形区域为预设目标对应的待选区域并获取其对应的待选区域数据;根据类别概率对待选区域进行聚类得到至少一个聚类分组;根据待选区域数据对至少一个聚类分组中的待选区域进行筛选获取预设目标对应的目标区域;对目标区域进行质量检测生成图像对应的质量检测结果。本公开实施例能够针对业务需求的预设目标对图像进行质量检测,避免全区检测容易出现的质量检测错误,进而提升业务处理效率。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种图像质量检测方法、一种图像质量检测装置、计算机可读存储介质及电子设备。
背景技术
随着电子设备的迅速发展,越来越多的业务被线上化处理。在业务线上化处理的过程中,常常涉及大量需要用户上传图像、服务端对图像进行质量检测、检测合格后进一步处理业务的过程。
目前的服务端对图像的质量检测方式是针对图像全区进行检测分类,并对全区进行质量判断,以判断图像的质量是否合格。然而,由于这种方式是基于图像全区进行的,并没有关注处理业务需求的目标,因此很容易出现将不合格的图像误检测为合格,在后续处理业务时,会需要用户重新提交图像,进而影响业务处理的效率。例如,在图像中的人脸处于运动状态,而周围背景是静止状态时,目前的质量检测方式常常会认为图像合格。但事实上,处理业务需求的目标是人脸,因此在进一步处理业务的过程中,这一图像实际是不合格的。此时,则需要用户重新提交图像,重新进行质量检测、处理业务的过程。
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检测方法、一种图像质量检测装置、计算机可读存储介质及电子设备,进而至少在一定程度上克服由于没有关注处理业务需求的目标造成质量检测错误,进而影响业务处理效率的问题。
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。
根据本公开的第一方面,提供了一种图像质量检测方法,包括:
响应于用户上传图像,基于预设深度学习模型,对所述图像进行分类识别以获取包含预设目标的矩形区域对应的矩形区域数据;其中,所述矩形区域数据包括矩形区域包含所述预设目标的概率;
抽取所述概率大于第一预设阈值的矩形区域配置为所述预设目标对应的待选区域,并获取所述待选区域对应的待选区域数据;其中,所述待选区域数据包括类别概率;
根据所述类别概率对所述待选区域进行聚类,以得到至少一个聚类分组;
根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域;
对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果。
在本公开的一种示例性实施例中,基于前述方案,所述待选区域数据包括待选区域的尺寸数据;
所述根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域,包括:
基于所述聚类分组中的待选区域的尺寸数据计算所述聚类分组中所有待选区域的类内平均面积;
将所述聚类分组中面积大于等于所述类内平均面积的预设比例的待选区域配置为所述预设目标对应的目标区域。
在本公开的一种示例性实施例中,基于前述方案,所述尺寸数据为所述待选区域的宽度和高度;
所述聚类分组中所有待选区域的类内平均面积通过第一公式计算,所述第一公式为:
其中,i表示第i个聚类分组,j表示类内的第j个待选区域,wi,j和hi,j分别表示第i个聚类分组中第j个目标区域的宽度和高度,z表示类内待选区域的总数。
在本公开的一种示例性实施例中,基于前述方案,所述待选区域数据包括待选区域的中心坐标、宽度和高度;
所述根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以预设目标对应的获取目标区域,包括:
将至少一个所述聚类分组中满足任意一个预设条件的待选区域剔除,并将剩余待选区域配置为所述预设目标对应的目标区域;
其中,所述预设条件包括:
其中,xi,j,yi,j分别为第i个聚类分组中第j个目标区域的中心对应的横、纵坐标,wi,j和hi,j分别为第i个聚类分组中第j个目标区域的宽度和高度,W、H分别为所述图像的宽度和高度。
在本公开的一种示例性实施例中,基于前述方案,所述对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果,包括:
计算所述目标区域的梯度均值;
在所述梯度均值大于第二预设阈值时,判断所述目标区域的质量合格;或
在所述梯度均值小于等于第二预设阈值时,判断所述目标区域的质量不合格;
根据所述目标区域的质量检测结果生成所述图像对应的质量检测结果。
在本公开的一种示例性实施例中,基于前述方案,所述目标区域的梯度均值通过第二公式计算,所述第二公式为:
其中,w,h表示目标区域的宽度和高度,L(f(x,y))表示目标区域中像素点(x,y)处的梯度值。
在本公开的一种示例性实施例中,基于前述方案,在所述目标区域为多个时,所述根据所述目标区域的质量检测结果生成所述图像对应的质量检测结果,包括:
将多个所述目标区域的质量检测结果整合,以生成所述图像对应的质量检测结果。
根据本公开的第二方面,提供了一种图像质量检测装置,包括:
分类识别模块,用于响应于用户上传图像,基于预设深度学习模型,对所述图像进行分类识别以获取包含预设目标的矩形区域对应的矩形区域数据;其中,所述矩形区域数据包括矩形区域包含所述预设目标的概率;
区域确定模块,用于抽取所述概率大于第一预设阈值的矩形区域配置为所述预设目标对应的待选区域,并获取所述待选区域对应的待选区域数据;其中,所述待选区域数据包括类别概率;
区域聚类模块,用于根据所述类别概率对所述待选区域进行聚类,以得到至少一个聚类分组;
区域筛选模块,用于根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域;
质量检测模块,用于对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果。
根据本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第一方面所述的图像质量检测方法。
根据本公开实施例的第四方面,提供了一种电子设备,包括:
处理器;以及
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的图像质量检测方法。
本公开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所提供的图像质量检测中,通过对在用户上传的图像中确定的待选区域进行聚类,并对聚类分组中的待选区域进行筛选,以获取预设目标对应的目标区域,进而对目标区域进行质量检测,得到图像对应的质量检测结果。通过在图像中确认预设目标对应的目标区域,进而对目标区域进行质量检测,能够针对业务需求的预设目标对图像进行质量检测,避免全区检测容易出现的质量检测错误,进而提升业务处理效率。
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。在附图中:
图1示意性示出本公开示例性实施例中一种图像质量检测方法的流程图;
图2示意性示出本公开示例性实施例中根据所述待选区域数据对至少一个所述聚类分组的待选区域进行筛选以获取所述预设目标对应的目标区域的方法的流程图;
图3示意性示出本公开示例性实施例中另对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果的方法的流程图;
图4示意性示出本公开示例性实施例中一种图像质量检测装置的组成示意图;
图5示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机系统的结构示意图;
图6示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参照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。
在本示例性实施例中,首先提供了一种图像质量检测方法,可以应用于对图像进行质量检测的过程,例如,对于人物图像中的人脸部分质量是否合格进行检测。参照图1所示,所述图像质量检测方法可以包括如下步骤:
S110,响应于用户上传图像,基于预设深度学习模型,对所述图像进行分类识别以获取包含所述预设目标的矩形区域对应的矩形区域数据;其中,所述矩形区域数据包括矩形区域包含所述预设目标的概率;
S120,抽取所述概率大于第一预设阈值的矩形区域配置为所述预设目标对应的待选区域,并获取所述待选区域对应的待选区域数据;其中,所述待选区域数据包括类别概率;
S130,根据所述类别概率对所述待选区域进行聚类,以得到至少一个聚类分组;
S140,根据所述待选区域数据对至少一个所述聚类分组的待选区域进行筛选以获取预设目标对应的目标区域;
S150,对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果。
根据本示例性实施例中所提供的图像质量检测方法,通过在图像中确认预设目标对应的目标区域,进而对目标区域进行质量检测,能够针对业务需求的预设目标对图像进行质量检测,避免全区检测容易出现的质量检测错误,进而提升业务处理效率。
下面,将结合附图及实施例对本示例性实施例中的图像质量检测方法的各个步骤进行更详细的说明。
参照图1所示,在步骤S110中,响应于用户上传图像,基于预设深度学习模型,对所述图像进行分类识别以获取包含预设目标的矩形区域对应的矩形区域数据;其中,所述矩形区域数据包括矩形区域包含所述预设目标的概率。
在本公开的一种示例实施例中,所述预设目标为处理业务时需求的目标,可以根据具体业务的需求进行设置。例如,在保险业务领域中,预设目标可以设置为正面人脸、普通身份证正面、普通身份证背面、临时身份证正面、银行卡正面、门诊发票、住院发票、增值税发票、费用清单、结算单、病案首页、出院小结等。通过根据具体业务的需求设置预设目标,能够针对不同的业务需求关注图像中不同的目标区域,进而更加精准的判断图像质量是否能够满足处理业务的需求。
在本公开的一种示例实施例中,所述预设深度学习模型可以是经过训练的darknet模型,也可以是其它深度学习模型,例如alexnet模型、vggnet模型等。基于所述预设深度学习模型能够对图像进行分类处理,获取包含预设目标的矩形区域对应的矩形区域数据。其中,矩形区域数据包括矩形区域包含预设目标的概率。例如,在darknet模型中,输出的置信度评分即为矩形区域包含预设目标的概率。通过预设深度学习能够初步筛选图像中可能包含预设目标的矩形区域,以基于所述矩形区域进一步确定预设目标对应的目标区域。
需要说明的是,由于深度学习模型的特性,在每次修改预设目标时,均需要使用训练样本对预设深度学习模型进行重新训练,以使预设深度学习模型能够对图像进行分类识别。
步骤S120,抽取所述概率大于第一预设阈值的矩形区域配置为预设目标对应的待选区域,并获取所述待选区域对应的待选区域数据。
在本公开的一种示例实施例中,为了提高分类识别的准确率,可以对矩形区域进行进一步筛选,将概率大于第一预设阈值的矩形区域配置为预设目标对应的待选区域,并获取待选区域对应的待选区域数据。其中,所述第一预设阈值可以根据业务需求进行设定;所述待选区域数据包括类别概率,所述类别概率是指待选区域中包含的预设目标被辨认为各预设目标的概率。
具体的,所述第一阈值越大,得到的待选区域数量越小,准确率越高,但对应的漏检率也随之增高,质量检测的可靠性会降低;反之,所述第一预设阈值越小,虽然漏检率会降低,但是得到的待选区域准确率降低,同时数量也会增多,但质量检测的效率就会降低。通过设置第一预设阈值,能够根据具体业务的业务需求确定待选区域,可以使得质量检测的过程与业务需求更加匹配。
步骤S130,根据所述类别概率对所述待选区域进行聚类,以得到至少一个聚类分组。
在本公开的一种示例实施例中,所述类别概率是指待选区域中包含的预设目标被辨认为各预设目标的概率,根据所述类别概率能够将待选区域按照其中包括的预设目标进行聚类,以得到对应的聚类分组。例如,在预设目标为A和B时,待选区域1中包括的预设目标为A的概率为0.3,为B的概率为0.7、待选区域2中包括的预设目标为A的概率为0.6,为B的概率为0.4、待选区域3中包括的预设目标为A的概率为0.7,为B的概率为0.3,此时可以根据类别概率判断待选区域1包括B,待选区域2包括A,待选区域3包括A,并将待选区域1分为一个分组,待选区域2和3分为一个聚类分组。
步骤S140,根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域。
在本公开的一种示例实施例中,在所述待选区域数据包括待选区域的尺寸数据时,所述根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域,参照图2所示,包括如下步骤S210至S220:
步骤S210,基于所述聚类分组中的待选区域的尺寸数据计算所述聚类分组中所有待选区域的类内平均面积。
在本公开的一种示例实施例中,在所述尺寸数据为所述待选区域的宽度和高度时,所述聚类分组中所有待选区域的类内平均面积通过第一公式计算,所述第一公式为:
其中,i表示第i个聚类分组,j表示类内的第j个待选区域,wi,j和hi,j分别表示第i个聚类分组中第j个目标区域的宽度和高度,z表示类内待选区域的总数。
步骤S220,将所述聚类分组中面积大于等于所述类内平均面积的预设比例的待选区域配置为所述预设目标对应的目标区域。
在本公开的一种示例实施例中,由于相同的预设目标的尺寸差别不会较大,因此可以先将每个聚类分组中面积小于类内平均面积的预设比例的区域剔除,将聚类分组中面积大于等于所述类内平均面积的预设比例的待选区域配置为目标区域。其中,所述预设比例可以根据具体的业务需求进行配置,例如,可以将预设比例配置为50%。通过根据同一预设目标尺寸较为接近的特性对待选区域进行筛选,能够更精确地在待选区域中确定预设目标对应的目标区域。
在本公开的一种示例实施例中,在所述待选区域数据包括待选区域的中心坐标、宽度和高度时,所述根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域,还可以包括:将至少一个所述聚类分组中满足任意一个预设条件的待选区域剔除,并将剩余待选区域配置为目标区域。
由于在用户拍照时,通常会将预设目标放在图像的中间位置,因此可以根据预设目标在图像中间位置的特点对目标区域进行筛选。具体的,所述预设条件可以包括如下内容:
其中,xi,j,yi,j分别为第i个聚类分组中第j个目标区域的中心对应的横、纵坐标,wi,j和hi,j分别为第i个聚类分组中第j个目标区域的宽度和高度,W、H分别为所述图像的宽度和高度。
继续参照图1所示,在步骤S150中,对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果。
在本公开的一种示例实施例中,所述图像对应的质量检测结构可以包括目标区域对应的预设目标数量、预设目标类型、目标区域的坐标和梯度均值以及质量是否合格等内容。通过将目标区域对应的预设目标数量、预设目标类型、目标区域的坐标和梯度均值以及质量是否合格等内容作为图像对应的质量检测结果,能够使用户清楚的了解图像的质量情况,以便于用户根据检测结果确定是否重新上传图像,以及重新上传图像需要注意的预设目标。
在本公开的一种示例实施例中,在所述目标区域为多个时,所述根据所述目标区域的质量检测结果生成所述图像对应的质量检测结果,包括:将多个所述目标区域的质量检测结果整合,以生成所述图像对应的质量检测结果。
在本公开的一种示例实施例中,对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果,参照图3所示,包括如下步骤S310至S340:
步骤S310,计算所述目标区域的梯度均值。
步骤S320,在所述梯度均值大于第二预设阈值时,判断所述目标区域的质量合格。
步骤S330,在所述梯度均值小于等于第二预设阈值时,判断所述目标区域的质量不合格。
步骤S340,根据所述目标区域的质量检测结果生成所述图像对应的质量检测结果。
在本公开的一种示例实施例中,目标区域的梯度均值可以通过第二公式计算,所述第二公式为:
其中,w,h表示目标区域的宽度和高度,L(f(x,y))表示目标区域中像素点(x,y)处的梯度值。
具体的,可以采用拉普拉斯二阶梯度分析法逐像素点分别计算各目标区域的梯度值,具体计算公式如下:
L(f(x,y))=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y);此外,还可以采用其他梯度值计算方法计算目标区域中各像素点的梯度值,本公开对此不做特殊限制。
在本公开的一种示例实施例中,所述第二预设阈值用于辨别目标区域的质量,因此需要经过大量的样本测试进行选取。具体的,可以选择一批包含正样本和负样本的图像,数量比例取1:1,分别计算所有正样本梯度均值的平均值和所有负样本梯度均值的平均值,最后取正样本平均值和负样本平均值的平均值,作为第二预设阈值。
以下以保险业务为例,对本公开实施例的技术方案的实现细节进行详细阐述:
1.获取预设目标对应的矩形区域:
基于正面人脸、普通身份证正面、普通身份证背面、临时身份证正面、银行卡正面、门诊发票、住院发票、增值税发票、费用清单、结算单、病案首页、出院小结等12类预设目标建立预设darknet深度学习模型,其输出结果包括矩形区域包括的预设目标的类别概率C、矩形区域的中心坐标(x,y)、矩形区域的宽度w和高度h以及矩形区域包含预设目标的概率p。
2.根据矩形区域确定待选区域:
取第一预设阈值为0.4,将p大于0.4的矩形区域确定为待选区域,并将待选区域包括的预设目标的类别概率C、待选区域的中心坐标(x,y)、待选区域的宽度w和高度h配置为待选区域数据。
确定的n个待选区域数据可以通过“{{c1-1,c1-2,c1-3,...,c1-12,x1,y1,w1,h1};{c2-1,c2-2,c2-3,...,c2-12,x2,y2,w2,h2};......{cn-1,cn-2,cn-3,...,cn-12,xn,yn,wn,hn}}”的结构输出。其中,n为待选区域的标号,cn-1,cn-2,cn-3,...,cn-12分别为第n个待选区域中包含的预设目标为上述12种预设目标的类别概率;xn,yn分别为第n个待选区域的中心坐标;wn,hn分别为第n个待选区域的宽度和高度。
3.对所述待选区域进行聚类以获取至少一个聚类分组:
假设根据上述步骤确定了10个待选区域,根据上述待选区域数据中的类别概率,可以确定10个待选区域中包含的预设目标的类别,并根据类别对10个待选区聚类,得到至少一个聚类分组。
4.对聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域:
假设预设目标为正面人脸的第i个聚类分组中包括3个待选区域,待选区域通过以下矩阵表示:
Di={di1,di2,di3},
其中,di1={ci1-1,ci1-2,ci1-3,...,ci1-12,xi1,yi1,wi1,hi1},di2={ci2-1,ci2-2,ci2-3,...,ci2-12,xi2,yi2,wi2,hi2},di3={ci3-1,ci3-2,ci3-3,...,ci3-12,xi3,yi3,wi3,hi3}。根据第一公式计算Di的类内平均面积为在取预设比例为50%时,将di1,di2,di3中面积小于的待选区域剔除。
进一步地,将满足以下任意一个条件的待选区域剔除:
其中,xi,j,yi,j分别为第i个聚类分组中第j个目标区域的中心对应的横、纵坐标,wi,j和hi,j分别为第i个聚类分组中第j个目标区域的宽度和高度,W、H分别为所述图像的宽度和高度。
假设经过上述筛选过程,在第i个聚类分组中di1最终未被剔除,因此确认预设目标正面人脸对应的目标区域为di1;同时,假设基于上述过程确认预设目标普通身份证正面对应的目标区域为da1,确认预设目标临时身份证正面对应的目标区域为db1。
5.对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果:
通过第二公式计算目标区域di1、da1、db1的梯度均值分别为Ti1,Ta1和Tb1,根据Ti1,Ta1和Tb1与预设第二阈值T的大小关系,判断目标区域di1、da1的质量合格,目标区域db1的质量不合格。
基于上述质量检测结果,可以生成图像对应的质量检测结果,如下:
区域数量:3
di1:xi1,yi1,wi1,hi1,Ti1,合格;
da1:xa1,ya1,wa1,ha1,Ta1,合格;
db1:xb1,yb1,wb1,hb1,Tb1,不合格。
通过上述图像质量检测方法,能够有针对性的对业务需求的图像中的预设目标对应的目标区域进行质量检测,更加精准的判断图像的质量是否符合业务需求,避免由于没有关注处理业务需求的预设目标造成质量检测错误,进而降低业务处理效率的问题。
需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
此外,在本公开的示例性实施方式中,还提供了一种图像质量检测装置。参照图4所示,所述图像质量检测装置400包括:分类识别模块410、区域确定模块420、区域聚类模块430、区域筛选模块440和质量检测模块450。
其中,所述分类识别模块410可以用于响应于用户上传图像,基于预设深度学习模型,对所述图像进行分类识别以获取包含预设目标的矩形区域对应的矩形区域数据;其中,所述矩形区域数据包括矩形区域包含所述预设目标的概率;
区域确定模块420,用于抽取所述概率大于第一预设阈值的矩形区域配置为所述预设目标对应的待选区域,并获取所述待选区域对应的待选区域数据;其中,所述待选区域数据包括类别概率;
区域聚类模块430,用于根据所述类别概率对所述待选区域进行聚类,以得到至少一个聚类分组;
区域筛选模块440,用于根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域;
所述质量检测模块450可以用于对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果。
在本公开的一种示例性实施例中,基于前述方案,所述分类识别模块410可以用于基于所述聚类分组中的待选区域的尺寸数据计算所述聚类分组中所有待选区域的类内平均面积;将所述聚类分组中面积大于等于所述类内平均面积的预设比例的待选区域配置为所述预设目标对应目标区域。
在本公开的一种示例性实施例中,基于前述方案,所述聚类分组中所有待选区域的类内平均面积通过第一公式计算,所述第一公式为:
其中,i表示第i个聚类分组,j表示类内的第j个待选区域,wi,j和hi,j分别表示第i个聚类分组中第j个目标区域的宽度和高度,z表示类内待选区域的总数。
在本公开的一种示例性实施例中,基于前述方案,所述分类识别模块410可以用于将至少一个所述聚类分组中满足任意一个预设条件的待选区域剔除,并将剩余待选区域配置为所述预设目标对应目标区域;
其中,所述预设条件包括:
其中,xi,j,yi,j分别为第i个聚类分组中第j个目标区域的中心对应的横、纵坐标,wi,j和hi,j分别为第i个聚类分组中第j个目标区域的宽度和高度,W、H分别为所述图像的宽度和高度。
在本公开的一种示例性实施例中,基于前述方案,所述质量检测模块450可以用于计算所述目标区域的梯度均值;在所述梯度均值大于第二预设阈值时,判断所述目标区域的质量合格;或在所述梯度均值小于等于第二预设阈值时,判断所述目标区域的质量不合格;根据所述目标区域的质量检测结果生成所述图像对应的质量检测结果。
在本公开的一种示例性实施例中,基于前述方案,所述目标区域的梯度均值通过第二公式计算,所述第二公式为:
其中,w,h表示目标区域的宽度和高度,L(f(x,y))表示目标区域中像素点(x,y)处的梯度值。
在本公开的一种示例性实施例中,基于前述方案,所述质量检测模块450可以用于将多个所述目标区域的质量检测结果整合,以生成所述图像对应的质量检测结果。
由于本公开的示例实施例的图像质量检测装置的各个功能模块与上述图像质量检测方法的示例实施例的步骤对应,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的图像质量检测方法的实施例。
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。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述图像质量检测的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本公开的这种实施例的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如,所述处理单元510可以执行如图1中所示的步骤:S110,响应于用户上传图像,基于预设深度学习模型,对所述图像进行分类识别以获取包含所述预设目标的矩形区域对应的矩形区域数据;其中,所述矩形区域数据包括矩形区域包含所述预设目标的概率;S120,抽取所述概率大于第一预设阈值的矩形区域配置为所述预设目标对应的待选区域,并获取所述待选区域对应的待选区域数据;其中,所述待选区域数据包括类别概率;S130,根据所述类别概率对所述待选区域进行聚类,以得到至少一个聚类分组;S140,根据所述待选区域数据对至少一个所述聚类分组的待选区域进行筛选以获取预设目标对应的目标区域;S150,对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果。。
又如,所述的电子设备可以实现如图2至图3所示的各个步骤。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)521和/或高速缓存存储单元522,还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524,这样的程序模块525包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例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、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
参照图6,描述了根据本公开的实施例的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
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他实施例。本公开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权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种图像质量检测方法,其特征在于,包括:
响应于用户上传图像,基于预设深度学习模型,对所述图像进行分类识别以获取包含预设目标的矩形区域对应的矩形区域数据;其中,所述矩形区域数据包括矩形区域包含所述预设目标的概率;
抽取所述概率大于第一预设阈值的矩形区域配置为所述预设目标对应的待选区域,并获取所述待选区域对应的待选区域数据;其中,所述待选区域数据包括类别概率、待选区域的中心坐标、宽度和高度;
根据所述类别概率对所述待选区域进行聚类,以得到至少一个聚类分组;
根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域,包括:将至少一个所述聚类分组中满足任意一个预设条件的待选区域剔除,并将剩余待选区域配置为所述预设目标对应的目标区域;
对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果。
2.根据权利要求1所述的方法,其特征在于,所述待选区域数据包括待选区域的尺寸数据;
所述根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域,包括:
基于所述聚类分组中的待选区域的尺寸数据计算所述聚类分组中所有待选区域的类内平均面积;
将所述聚类分组中面积大于等于所述类内平均面积的预设比例的待选区域配置为所述预设目标对应的目标区域。
5.根据权利要求1所述的方法,其特征在于,所述对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果,包括:
计算所述目标区域的梯度均值;
在所述梯度均值大于第二预设阈值时,判断所述目标区域的质量合格;或
在所述梯度均值小于等于第二预设阈值时,判断所述目标区域的质量不合格;
根据所述目标区域的质量检测结果生成所述图像对应的质量检测结果。
7.根据权利要求5所述的方法,其特征在于,在所述目标区域为多个时,所述根据所述目标区域的质量检测结果生成所述图像对应的质量检测结果,包括:
将多个所述目标区域的质量检测结果整合,以生成所述图像对应的质量检测结果。
8.一种图像质量检测装置,其特征在于,包括:
分类识别模块,用于响应于用户上传图像,基于预设深度学习模型,对所述图像进行分类识别以获取包含预设目标的矩形区域对应的矩形区域数据;其中,所述矩形区域数据包括矩形区域包含所述预设目标的概率;
区域确定模块,用于抽取所述概率大于第一预设阈值的矩形区域配置为所述预设目标对应的待选区域,并获取所述待选区域对应的待选区域数据;其中,所述待选区域数据包括类别概率、待选区域的中心坐标、宽度和高度;
区域聚类模块,用于根据所述类别概率对所述待选区域进行聚类,以得到至少一个聚类分组,包括:将至少一个所述聚类分组中满足任意一个预设条件的待选区域剔除,并将剩余待选区域配置为所述预设目标对应的目标区域;
区域筛选模块,用于根据所述待选区域数据对至少一个所述聚类分组中的待选区域进行筛选以获取预设目标对应的目标区域;
质量检测模块,用于对所述目标区域进行质量检测,以生成所述图像对应的质量检测结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的图像质量检测方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的图像质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071269.8A CN110827261B (zh) | 2019-11-05 | 2019-11-05 | 图像质量检测方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071269.8A CN110827261B (zh) | 2019-11-05 | 2019-11-05 | 图像质量检测方法及装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827261A CN110827261A (zh) | 2020-02-21 |
CN110827261B true CN110827261B (zh) | 2022-12-06 |
Family
ID=69552472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911071269.8A Active CN110827261B (zh) | 2019-11-05 | 2019-11-05 | 图像质量检测方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827261B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111510376B (zh) * | 2020-04-27 | 2022-09-20 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN110008960A (zh) * | 2019-03-29 | 2019-07-12 | 厦门商集网络科技有限责任公司 | 一种检测字符片段完整性的方法及终端 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9298979B2 (en) * | 2008-01-18 | 2016-03-29 | Mitek Systems, Inc. | Systems and methods for mobile image capture and content processing of driver's licenses |
CN102411716A (zh) * | 2010-09-21 | 2012-04-11 | 索尼公司 | 目标检测和分类方法和装置 |
US10108883B2 (en) * | 2016-10-28 | 2018-10-23 | Intuit Inc. | Image quality assessment and improvement for performing optical character recognition |
CN107123122B (zh) * | 2017-04-28 | 2020-06-12 | 深圳大学 | 无参考图像质量评价方法及装置 |
CN108960266B (zh) * | 2017-05-22 | 2022-02-08 | 阿里巴巴集团控股有限公司 | 图像目标检测方法及装置 |
CN107316007B (zh) * | 2017-06-07 | 2020-04-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
CN107481238A (zh) * | 2017-09-20 | 2017-12-15 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
CN109255299A (zh) * | 2018-08-13 | 2019-01-22 | 北京市商汤科技开发有限公司 | 身份认证方法和装置、电子设备和存储介质 |
CN109543773A (zh) * | 2018-12-12 | 2019-03-29 | 泰康保险集团股份有限公司 | 图像处理方法、装置、介质及电子设备 |
CN109801256B (zh) * | 2018-12-15 | 2023-05-26 | 华南理工大学 | 一种基于感兴趣区域和全局特征的图像美学质量评估方法 |
CN109726661B (zh) * | 2018-12-21 | 2021-12-17 | 网易有道信息技术(北京)有限公司 | 图像处理方法及装置、介质和计算设备 |
CN109948497B (zh) * | 2019-03-12 | 2022-01-28 | 北京旷视科技有限公司 | 一种物体检测方法、装置及电子设备 |
-
2019
- 2019-11-05 CN CN201911071269.8A patent/CN110827261B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN110008960A (zh) * | 2019-03-29 | 2019-07-12 | 厦门商集网络科技有限责任公司 | 一种检测字符片段完整性的方法及终端 |
Non-Patent Citations (1)
Title |
---|
《Subjective and objective quality evaluation of lar coded art images》;C. Strauss et al.;《2009 IEEE International Conference on Multimedia and Expo》;20090818;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110827261A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135411B (zh) | 名片识别方法和装置 | |
WO2019174130A1 (zh) | 票据识别方法、服务器及计算机可读存储介质 | |
CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
US20190294921A1 (en) | Field identification in an image using artificial intelligence | |
CN109345553B (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
CN109214501B (zh) | 用于识别信息的方法和装置 | |
CN113382279A (zh) | 直播推荐方法、装置、设备、存储介质以及计算机程序产品 | |
CN103383732A (zh) | 图像处理方法和装置 | |
CN110705651A (zh) | 用于对视频识别准确率测试的方法、装置、设备及介质 | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN112036295A (zh) | 票据图像处理方法、装置、存储介质及电子设备 | |
CN115171125A (zh) | 数据异常的检测方法 | |
CN111104400A (zh) | 数据归一方法及装置、电子设备、存储介质 | |
CN113239807B (zh) | 训练票据识别模型和票据识别的方法和装置 | |
CN110827261B (zh) | 图像质量检测方法及装置、存储介质及电子设备 | |
US20230281696A1 (en) | Method and apparatus for detecting false transaction order | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN112184143B (zh) | 一种合规审核规则中的模型训练方法、装置和设备 | |
CN111598122B (zh) | 数据校验方法、装置、电子设备和存储介质 | |
CN113032834A (zh) | 一种数据库表格处理方法、装置、设备及存储介质 | |
CN111784053A (zh) | 交易风险检测方法、设备及可读存储介质 | |
WO2023280229A1 (zh) | 图像处理方法、电子设备及存储介质 | |
CN114495103B (zh) | 文本识别方法、装置、电子设备和介质 |
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 |