CN111368837B - 一种图像质量评价方法、装置、电子设备及存储介质 - Google Patents

一种图像质量评价方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111368837B
CN111368837B CN201811595280.XA CN201811595280A CN111368837B CN 111368837 B CN111368837 B CN 111368837B CN 201811595280 A CN201811595280 A CN 201811595280A CN 111368837 B CN111368837 B CN 111368837B
Authority
CN
China
Prior art keywords
block
value
determining
image
text
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
CN201811595280.XA
Other languages
English (en)
Other versions
CN111368837A (zh
Inventor
黄利萍
周晶
潘潇
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.)
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information 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 China Mobile Communications Group Co Ltd, China Mobile Hangzhou Information Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201811595280.XA priority Critical patent/CN111368837B/zh
Publication of CN111368837A publication Critical patent/CN111368837A/zh
Application granted granted Critical
Publication of CN111368837B publication Critical patent/CN111368837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像质量评价方法、装置、电子设备及存储介质，所述方法包括：识别待评价图像中的文字区域和图形区域，确定文字区域和图形区域的边缘对比度值和边缘宽度值；根据文字区域和图形区域中每个像素点的像素值，确定文字区域和图形区域包含的信息量；根据文字区域和图形区域的边缘对比度值、边缘宽度值及信息量，确定待评价图像的边缘对比度值和边缘宽度值；根据待评价图像中每个像素点的像素值及预设的算法，确定待评价图像梯度值，根据待评价图像和参考图像的梯度值，确定待评价图像和参考图像的梯度相似度；将待评价图像的边缘对比度值、边缘宽度值和梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。

Description

一种图像质量评价方法、装置、电子设备及存储介质
技术领域
本发明主要涉及图像处理技术领域，尤其涉及一种图像质量评价方法、装置、电子设备及存储介质。
背景技术
屏幕内容图像是由计算机生成的一种图像类型，主要包括自然图像、图形、图表等，通过服务器端的压缩之后传送给客户端。近几年，有关于屏幕内容图像的质量评价算法被提出，主要是根据屏幕内容图像的特征来针对屏幕内容图像质量进行评价，主要包括：
第一种，全参考图像算法。Yang等人最先提出屏幕内容图像的算法研究，分析了当前屏幕内容图像研究的不可或缺性，建立了一个大型的屏幕内容图像数据库用于算法的实验测试，并提出了一个全参考图像算法。该算法首先将屏幕内容图像划分为文本区域与图形区域，然后基于结构相似性提取特征，最后通过权重量化为文本区域与图形区域的特征得到最后的质量分数。但是这种算法没有充分考虑图像的特征，不能达到很好的评价效果，因此使用受到限制。
第二种，无参考图像算法。Gu提出了一个基于屏幕内容图像统计规律的无参考算法，依据人脑自由能与结构失真模型提取图像的13个特征，最后利用特征训练的方式得到算法评价的性能指标。而该算法提取了较多的特征使得之后采用的训练方法所需时间较长，因此付出的时间成本较高。
第三种，半参考图像算法。Wang等人建立了一个基于两种失真类型，分辨率大小和当前主流的屏幕分辨率相一致的图像库，并提出了一个半参考图像算法，该算法是基于小波域特征，考虑到图像的广义谱行为、能量波动和信息量三个方面，而针对半参考图像算法来说，需要选取部分图像信息来进行图像质量评价，导致其中的界限很难划分。
发明内容
本发明实施例提供了一种图像质量评价方法、装置、电子设备及存储介质，用以解决现有技术中对图像进行质量评价的方法效率差，准确性差的问题。
本发明实施例提供了一种图像质量评价方法，所述方法包括：
识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；
根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；
根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；
根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；
将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
本发明实施例还提供了一种图像质量评价装置，所述装置包括：
识别模块，用于识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；
第一确定模块，用于根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；
第二确定模块，用于根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；
第三确定模块，用于根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；
质量评价模块，用于将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
本发明实施例还提供了一种电子设备，所述电子设备包括存储器和处理器：
所述处理器，用于读取所述存储器中的程序，执行下列过程：识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
本发明实施例还提供一种电子设备，所述电子设备包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述任一项方法的步骤。
本发明实施例还提供一种计算机可读存储介质，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行上述任一项方法的步骤。
由于本发明实施例中分别针对待评价图像的文字区域和图形区域，进行处理，确定了文字区域和图形区域的边缘对比度值、边缘宽度值、及信息量，从而确定了待评价图像的边缘对比度值、边缘宽度值和梯度相似度，并基于预先训练完成的预测模型中，得到该待评价图像的质量分数，因此减小了提取的特征量，进而减少了预测模型的训练时间，并且因为对图形区域和文字区域分别进行了特征的分析，因此可以提高对图像质量评价的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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为本发明实施例提供的一种图像质量评价方法的过程示意图；
图2为本发明实施例提供的一种预测模型的训练方法示意图；
图3为本发明实施例提供的一种图像质量评价方法的流程图；
图4为本发明实施例提供的一种图像质量评价装置的结构示意图；
图5为本发明实施例7提供的一种电子设备；
图6为本发明实施例8提供的一种电子设备。
具体实施方式
下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
图1为本发明实施例提供的一种图像质量评价方法的过程示意图，该过程包括以下步骤：
S101：识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值。
本发明实施例中在进行质量评价时，首先根据待评价图像的内容，将待评价图像划分为文字区域和图形区域。具体的，由于文字区域和图形区域具有较高的对比度，边缘特征差异明显，因此可以根据边缘检测的方法来进行划分，具体的在图像中识别文字区域和图形区域可以采用现有技术，在本发明实施例中对该过程不进行赘述，本发明实施例中不做限定。
在将待评价图像中识别出文字区域和图形区域之后，分别针对文字区域和图形区域，计算每个区域的第一边缘对比度值和第一边缘宽度值。具体的每个区域的第一边缘对比度值和第一边缘宽度值可以根据现有技术计算，比如可以通过常用的边缘检测算法、高斯平滑处理等方法确定。
S102：根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量。
为了有效的提高评价的准确性，而文字区域和图形区域包含的信息量的大小可以准确表示文字区域和图形区域所占待评价图像比例的权重，因此在本发明实施例中还需要分别确定文字区域和图形区域包含的第一信息量，其中每个区域包含的第一信息量，根据对应区域中像素点的像素值确定。
S103：根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值。
具体的，根据文字区域和图形区域的第一边缘对比度值和第一信息量，采用预设的第一公式，计算待评价图像的第一边缘对比度值；根据文字区域和图形区域的第一边缘宽度值和第一信息量，采用预设的第二公式，计算待评价图像的第一边缘宽度值。
S104：根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度。
在上述步骤中，针对待评价图像提取了第一边缘对比度值和第一边缘宽度值两个特征，为了可以使图像质量评价更准确，本发明实施例中还提取了第一梯度相似度的特征。首先，针对待评价图像，采用预设的算法，计算该待评价图像的梯度值。例如可以采用Scharr算子计算，具体的通过Scharr算子计算待评价图像的梯度值为现有技术，在本发明实施例中不再赘述。
在确定了待评价图像的梯度值之后，根据该梯度值和对应的参考图像的梯度值，采用预设的公式确定待评价图像和参考图像的第一梯度相似度，例如该预设的公式可以是：
其中，G(r,d)表示第一梯度相似度，pr表示参考图像的梯度值，pd表示待评价图像的梯度值，c为预设常数。
S105：将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
在通过上述步骤确定待评价图像的第一边缘对比度、第一边缘宽度和第一梯度相似度三个特征以后，将该三个特征输入到预先训练完成的预测模型中，该预测模型可以根据待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度，预测该待评价图像的质量分数。
由于本发明实施例中分别针对待评价图像的文字区域和图形区域，进行处理，确定了文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，从而确定了待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度，并基于预先训练完成的预测模型中，得到该待评价图像的质量分数，因此减小了提取的特征量，进而减少了预测模型的训练时间，并且因为对图形区域和文字区域分别进行了特征的分析，因此可以提高对图像质量评价的准确性。
实施例2：
为了确定待评价图像的文字区域和图形区域，在上述实施例的基础上，在本发明实施例中，所述识别待评价图像中的文字区域和图形区域包括：
按照预设的第一划分规则，将待评价图像划分为多个图像块；针对每个图像块，根据该图像块中每个像素点的像素值，确定该图像块的像素值的方差；根据确定该图像块的像素值的方差，确定该图像块的信息量；将信息量大于预设的信息量阈值的图像块确定为文字块，将信息量小于预设的信息量阈值的图像块确定为图形块；将文字块覆盖的区域确定为文字区域，将图形块覆盖的区域确定为图形区域。
由于文字区域和图形区域包含的信息量不同，特征差别也较大，所以本发明实施例中在进行图像质量评价时，根据待评价图像包含的内容，将待评价图像分为文字区域和图形区域，进而可以针对不同的区域采取不同的方式提取特征，达到更加准确评价图像的目的。
在识别待评价图像的文字区域和图形区域时，可以采用预设的图像划分规则进行划分，具体的，按照保存的第一划分规则对待评价图像进行划分，得到多个图像块，预设的第一划分规则可以是按照12x12划分，也可以是按照7x7划分等，而为了可以更加准确的识别出文字区域和图形区域，较优地可以按照4x4划分，从而得到每个4x4的图像块。
在划分出多个图像块之后，可以确定每个图像块的信息量。具体地可以针对每个图像块，获取该图像块中包含的像素点的像素值，利用方差公式计算该图像块的像素值的方差，进而可以根据每个图像块的像素值的方差及预设的常数，采用以下计算公式，确定该图像块的信息量：
其中，I为图像块的信息量，σp为图像块的像素值的方差，σn为预设常数。
在确定了每个图像块的信息量之后，可以根据上述计算的每个图像块的信息量的大小来确定该图像块是文字块，还是图形块。为了更加准确的对待评价图像进行评价，在本发明实施例中，基于该待评价图像确定该待评价图像对应的信息量阈值，具体的，将该待评价图像划分为预设大小的图像块，例如可以是11x11的图像块，并计算每个图像块的信息量，根据每个图像块的信息量，计算信息量均值，将该均值确定为该待评价图像的信息量阈值。通过将图像块的信息量与信息量阈值进行比较，确定该图像块是文字块还是图形块。具体可以是，如果该图像块的信息量大于预设的信息量阈值，则将该图像块确定为文字块；如果该图像块的信息量不大于预设的信息量阈值，则将该图像块确定为图形块。在将划分得到的图像块确定为文字块和图形块之后，将文字块覆盖的区域确定为文字区域，将图形块覆盖的区域确定为图形区域。基于本发明实施例确定的文字区域可能是一个，也可能是多个离散的区域，同样的图形区域也是这样。本发明实施例中根据信息量的大小将待评价图像划分为文字区域和图形区域，进而可以更加准确的对图像进行质量评价。
实施例3：
为了可以确定文字区域的第一边缘对比度值和第一边缘宽度值，在上述各实施例的基础上，在本发明实施例中，所述确定所述文字区域的第一边缘对比度值和第一边缘宽度值包括：
按照第二划分规则，将所述文字区域划分为多个第一文字块；针对每个第一文字块，根据该第一文字块中每个像素点的像素值，确定该第一文字块的像素值的方差；根据确定该第一文字块的像素值的方差，确定该第一文字块的信息量；并确定该第一文字块的边缘对比度值和边缘宽度值；根据每个第一文字块的信息量及边缘对比度，确定所述文字区域的第一边缘对比度值；根据每个第一文字块的信息量及边缘宽度值，确定所述文字区域的第一边缘宽度值。
在确定文字区域和图形区域后，由于文字区域和图形区域的图像块中包含的信息量不同，而文字区域感知的视觉范围要比图形区域小，为了可以更加准确的确定文字区域和图形区域的第一边缘对比度值和第一边缘宽度值，针对文字区域和图形区域采用不同的图像划分规则。较优地，基于不同的划分规则，对图形区域进行划分得到的图形块，比对文字区域进行划分得到的文字块要大。
为了区分文字区域的划分规则确定为第二划分规则，图形区域的划分规则确定为第三划分规则，例如该第二划分规则可以是将文字区域划分为多个5x5的文字块，该第三划分规则可以是将图形区域划分为多个17x17的图形块等。
按照预设的第二划分规则，将文字区域划分为多个第一文字块。针对每个第一文字块，可以确定每个第一文字块的信息量。具体地可以针对每个第一文字块，获取该第一文字块中包含的像素点的像素值，利用方差公式计算该第一文字块的像素值的方差，进而可以采用信息量的计算公式来确定该第一文字块的信息量。具体的根据第一文字块的像素值的方差使用公式计算信息量在上述实施例2中有详细描述，本发明实施例中不再赘述。
在确定了每个第一文字块的信息量之后，为了可以得到文字区域的边缘对比度值和边缘宽度值，需要先确定每个第一文字块的边缘对比度值和边缘宽度值。具体的，可以根据现有的理想的边缘模型，得到真实图像的边缘模型。当前多采用以下公式表示理想的边缘模型：
U(x；b,c,x0)＝c·U(x-x0)+b，其中，U(·)表示单位阶跃函数，c表示边缘对比度值，b表示图像亮度，x表示像素点的横坐标，x0为预设常数。
为了得到真实图像的边缘模型，通过高斯滤波器对该理想边缘模型进行平滑处理。即将U(x；b,c,x0)与高斯滤波器g(x；w)进行卷积计算：
其中，表示卷积操作，erf(·)表示误差函数，w为高斯核平滑函数g(x；w)的标准差，即边缘宽度值，c为边缘对比度值。
为了进一步得到边缘对比度和边缘宽度参数，针对真实图像的边缘模型，进行边缘检测，包括高斯平滑处理。例如，可以将s(x；b,c,w,x0)与高斯滤波器g'd(x,σd)卷积进行边缘处理：
其中，d(x；c,w,σd,x0)表示将真实图像边缘模型进行高斯平滑处理后得到的滤波信号。
在确定边缘对比度和边缘宽度两个参数的时候，可以通过对图像x＝0,-a,a三个位置的像素点进行抽样得到。可以预设d1＝d(0；c,w,σd)d2＝d(a,c,w,σd),d3＝d(-a,c,w,σd)通过计算得到：
其中l2＝d2/d3,抽样距离可以自由选择，比如a＝1等。
采用上述公式得到每个第一文字块的边缘对比度值和边缘宽度值，并根据每个第一文字块的信息量和边缘对比度值，确定文字区域的边缘对比度值；根据每个第一文字块的信息量和边缘宽度值，确定文字区域的边缘宽度值。
具体的，可以根据每个第一文字块的信息量和边缘对比度值，采用以下公式确定文字区域的第一边缘对比度值：其中，QTC为文字区域的第一边缘对比度值，为第i个第一文字块的信息量，Ci为第i个第一文字块的边缘对比度值，α为预设参数，并且可以调节，当前常用的为α＝0.3。
另外，可以根据第一文字块的信息量和边缘宽度值，采用以下公式确定文字区域的第一边缘宽度值其中，QTW为文字区域的第一边缘宽度值，为第i个第一文字块的信息量，Wi为第i个第一文字块的边缘宽度值，α为预设参数。
并且为了可以确定图形区域的第一边缘对比度值和第一边缘宽度值，在本发明实施例中，所述确定所述图形区域的第一边缘对比度值和第一边缘宽度值包括：按照第三划分规则，将所述图形区域划分为多个第一图形块；针对每个第一图形块，根据该第一图形块中每个像素点的像素值，确定该第一图形块的像素值的方差；根据确定该第一图形块的像素值的方差，确定该第一图形块的信息量；并确定该第一图形块的边缘对比度值和边缘宽度值；根据每个第一图形块的信息量及边缘对比度，确定所述图形区域的第一边缘对比度值；根据每个第一图形块的信息量及边缘宽度值，确定所述图形区域的第一边缘宽度值。
按照预设的第三划分规则，将图形区域划分为多个第一图形块。针对每个第一图形块，可以确定每个图形块的信息量。具体地根据第一图形块的像素值的方差使用公式计算该第一图形块的信息量在上述实施例2中有详细描述，本发明实施例中不再赘述。在确定了每个第一图形块的信息量之后，为了可以得到图形区域的第一边缘对比度值和第一边缘宽度值，需要先确定每个第一图形块的边缘对比度值和边缘宽度值。具体的可以采用上述计算每个第一图形块的边缘对比度值和边缘宽度值的公式来计算。
在确定了每个第一图形块的边缘对比度值和边缘宽度值之后，根据每个第一图形块的信息量和边缘对比度值，确定图形区域的第一边缘对比度值；根据每个第一图形块的信息量和边缘宽度值，确定图形区域的第一边缘宽度值。
具体的，可以根据每个第一图形块的信息量和边缘对比度值，采用以下公式确定图形区域的第一边缘对比度值：
其中，QPC为图形区域的第一边缘对比度值，为第i个第一图形块的信息量，Ci为第i个第一图形块的边缘对比度值，α为预设参数，并且可以调节，当前常用的为α＝0.3。
另外，可以根据每个第一图形块的信息量和边缘宽度值，采用以下公式确定图形区域的第一边缘宽度值：
其中，QPW为图形区域的第一边缘宽度值，为第i个第一图形块的信息量，Wi为第i个第一图形块的边缘宽度值，α为预设参数。本发明实施例中，通过将文字区域和图形区域进行划分，分别针对文字区域和图形区域进行特征提取，使得计算得到的文字区域和图形区域的边缘对比度值或边缘宽度值更加精确，从而可以准确得到待评价图像的边缘对比度值或边缘宽度值。
实施例4：
为了根据文字区域和图形区域的第一边缘对比度值和第一边缘宽度值确定待评价图像的第一边缘对比度值和第一边缘宽度值，在上述各实施例的基础上，在本发明实施例中，所述根据所述文字区域和文字区域中每个像素点的像素值，确定所述文字区域包含的第一信息量包括：按照预设的第四划分规则，将文字区域划分为多个第二文字块；分别针对每个第二文字块，根据该第二文字块中每个像素点的像素值，确定该第二文字块的像素值的方差；根据确定第二文字块的像素值的方差，确定该第二文字块的信息量；将每个第二文字块的信息量均值确定为所述文字区域的第一信息量。
为了有效地提高图像质量评价的准确性，而文字区域和图形区域包含的信息量的大小可以准确表示文字区域和图形区域所占待评价图像比例的权重，因此在本发明实施例中还需要分别确定文字区域和图形区域包含的信息量，其中每个区域包含的信息量，根据对应区域中像素点的像素值确定。
为了可以使该信息量的大小可以更加准确表示文字区域和图形区域所占待评价图像的权重，在计算文字区域和图形区域的信息量时，可以采用预设的划分规则，分别将文字区域和图形区域划分为多个文字块和图形块。该针对文字区域和图形区域的划分规则可以相同，也可以不同，较优地，可以采用相同的划分规则，将该划分规则确定为第四划分规则。
具体的在确定第四划分规则时，可以根据使用第二划分规则划分得到的图像块的大小和使用第三划分规则划分得到的图像块的大小，确定使用该第四划分规则划分得到的图像块的大小。优选的，使用该第四划分规则划分得到的图像块的大小可以为使用第二划分规则划分得到的图像块的大小和使用第三划分规则划分得到的图像块的大小的平均值。例如如果采用第二划分规则划分得到的图像块大小为5x5，采用第三划分规则划分得到的图像块大小为17x17，那么采用该第四划分规则划分得到的图像块大小为11x11。按照预设的第四划分规则，将文字区域划分为多个第二文字块，针对每个第二文字块，可以确定每个第二文字块的信息量。具体地根据第二文字块的像素值的方差使用公式计算该第二文字块的信息量在上述实施例2中有详细描述，本发明实施例中不再赘述。在确定了每个第二文字块的信息量之后，根据该信息量，计算所有第二文字块的信息量的均值，将该均值确定为文字区域的第一信息量。
在本发明实施中，所述根据所述图形区域和图形区域中每个像素点的像素值，确定所述图形区域包含的第一信息量包括：按照预设的第四划分规则，将图形区域划分为多个第二图形块；分别针对每个第二图形块，根据该第二图形块中每个像素点的像素值，确定该第二图形块的像素值的方差；根据确定该第二图形块的像素值的方差，确定该第二图形块的信息量；将每个第二图形块的信息量均值确定为所述图形区域的第一信息量。
按照预设的第四划分规则，将图形区域划分为多个第二图形块，针对每个第二图形块，可以确定每个第二图形块的信息量。具体地根据第二图形块的像素值的方差使用公式计算该第二图形块的信息量在实施例2中有详细描述，本发明实施例中不再赘述。在确定了每个第二图形块的信息量后，根据该信息量，计算所有第二图形块的信息量的均值，将该均值确定为图形区域的第一信息量。
本发明实施例中，通过计算文字区域和图形区域包含的第一信息量，并将该文字区域和图形区域第一信息量的大小作为文字区域和图形区域各自占待评价图像的权重，从而可以根据该权重，结合文字区域和图形区域的第一边缘对比度值和第一边缘宽度值确定待评价图像的第一边缘对比度值和第一边缘宽度值。
在本发明实施例中，所述根据所述文字区域和图形区域的第一边缘对比度值和第一信息量，确定待评价图像的第一边缘对比度值包括：
采用以下公式，确定待评价图像的第一边缘对比度值：
其中，QC为待评价图像的第一边缘对比度值，QTC为文字区域的第一边缘对比度值，QPC为图形区域的第一边缘对比度值，为文字区域的第一信息量，为图形区域的第一信息量，α为预设参数。
在本发明实施例中，所述根据所述文字区域和图形区域的第一边缘宽度值和第一信息量，确定待评价图像的第一边缘宽度值包括：
采用以下公式，确定待评价图像的第一边缘宽度值：
其中，QW为待评价图像的第一边缘宽度值，QTW为文字区域的第一边缘宽度值，QPW为图形区域的第一边缘宽度值，为文字区域的第一信息量，为图形区域的第一信息量，α为预设参数。
本发明实施例中，以文字区域和图形区域包含的第一信息量的大小作为各自所占待评价图像比例的权重值，根据该权重值，结合文字区域和图形区域的第一边缘对比度值和第一边缘宽度值使得计算的待评价图像的第一边缘对比度值和第一边缘宽度值更加准确。
实施例5：
为了可以预测待评价图像的质量分数，在上述各实施例的基础上，在本发明实施例中，所述预测模型的训练过程包括：
针对每个样本图像，识别该样本图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第二边缘对比度值和第二边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第二信息量；根据所述文字区域和图形区域的第二边缘对比度值、第二边缘宽度值、及第二信息量，确定该样本图像的第二边缘对比度值和第二边缘宽度值；根据该样本图像中每个像素点的像素值，及预设的算法，确定该样本图像梯度值，根据该样本图像和参考图像的梯度值，确定该样本图像和参考图像的第二梯度相似度；将每个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度和差分主观值输入预测模型中；根据所述每个样本图像的差分主观值和输出的每个样本图像的质量分数，对所述预测模型进行训练。
为了可以得到更准确的图像质量评价预测模型，可以预先保存大量的样本图像，针对每个样本图像，采用上述发明实施例中提到的方法确定每个样本图像的边缘对比度值、边缘宽度值和梯度相似度，将每个样本图像的该三个特征分别输入到预测模型中，并且为了方便确定该预测模型的准确性，在训练过程中还输入了每个样本图像对应的差分主观值，即每个样本图像对应的分数值。
将每个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度及差分主观值输入到预测模型中进行训练。具体的计算每个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度的方法与计算待评价图像的第一边缘对比度值、第一边缘宽度值、第一梯度相似度的方法相同，在上述实施例中均有详细描述，在本发明实施例中不再赘述。该预测模型为根据支持向量机SVM构建的SVR模型，具体的该SVR模型的构建过程为现有技术，在此不再赘述。根据该预测模型输出的每个样本图像的质量分数以及差分主观值，判断该预测模型的精确度，具体的可以计算准确率、精确率等指标参数。如果达不到想要的精度，还可以通过继续训练以确保可以得到一个图像质量评价更准确的预测模型。
具体的，该预测模型的训练过程与预测过程如图2所示。
1、训练阶段：从每个样本图像中提取图像特征向量，然后将特征向量和差分主观值(DMOS值)值通过SVR训练得到一个预测模型，可采用以下公式表示：
Model＝SVR_Train{Δf1,Δf2,...Δfn,DMOS}
Δf＝[Δc,Δw,Δg]
其中，Δf1,Δf2,...Δfn表示每个样本图像各自的边缘对比度值Δc、边缘宽度值Δw、梯度相似度Δg三个特征。
2、测试阶段：从待评价图像中提取图像的特征向量输入到预测模型中，预测图像的质量分数。测试的模型可以采用以下公式表示：
ECWG＝SVR_Predict(Δf,Model)其中，ECWG表示待评价图像的质量分数。
本发明实施例中，通过将多个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度和差分主观值输入到预测模型中，经过多次训练，确定了最优的图像质量评价预测模型。
下面以一个具体的实施例，对该图像质量评价方法进行详细说明，如图3所示，包括以下步骤：
步骤1：识别待评价图像的文字区域和图形区域，根据预设的边缘模型，确定文字区域和边缘区域的边缘对比度值和边缘宽度值。
步骤2：根据文字区域和图形区域中每个像素点的像素值，分别确定文字区域和图形区域包含的信息量。
步骤3：根据文字区域和图形区域的边缘对比度值、边缘宽度值、及信息量，确定待评价图像的边缘对比度值和边缘宽度值；根据待评价图像中每个像素点的像素值，及预设的算法，确定待评价图像梯度值，根据待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的梯度相似度。
步骤4：针对样本图像集合中的每个样本图像，将该样本图像的边缘对比度值、边缘宽度值、梯度相似度和差分主观值输入SVR预测模型中；根据每个样本图像的差分主观值和输出的每个样本图像的质量分数，对该SVR预测模型进行训练。
步骤5：将待评价图像的边缘对比度值、边缘宽度值和梯度相似度输入训练完成的SVR预测模型中，输出待评价图像的质量分数。
以上各步骤的详细过程在上述发明实施例中均有描述，本发明实施例中不再赘述。
实施例6：
基于相同的技术构思，本发明实施例提供一种图像质量评价装置。本发明实施例提供的装置如图4所示，该装置包括：
识别模块401，用于识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；
第一确定模块402，用于根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；
第二确定模块403，用于根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；
第三确定模块404，用于根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；
质量评价模块405，用于将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
进一步地，所述质量评价模块405，还用于针对每个样本图像，识别该样本图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第二边缘对比度值和第二边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第二信息量；根据所述文字区域和图形区域的第二边缘对比度值、第二边缘宽度值、及第二信息量，确定该样本图像的第二边缘对比度值和第二边缘宽度值；根据该样本图像中每个像素点的像素值，及预设的算法，确定该样本图像梯度值，根据该样本图像和参考图像的梯度值，确定该样本图像和参考图像的第二梯度相似度；将每个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度和差分主观值输入预测模型中；根据所述每个样本图像的差分主观值和输出的每个样本图像的质量分数，对所述预测模型进行训练。
进一步地，所述识别模块401，具体用于按照预设的第一划分规则，将图像划分为多个图像块；针对每个图像块，根据该图像块中每个像素点的像素值，确定该图像块的像素值的方差；根据确定该图像块的像素值的方差，确定该图像块的信息量；将信息量大于预设的信息量阈值的图像块确定为文字块，将信息量小于预设的信息量阈值的图像块确定为图形块；将文字块覆盖的区域确定为文字区域，将图形块覆盖的区域确定为图形区域。
进一步地，所述识别模块401，具体还用于按照第二划分规则，将所述文字区域划分为多个第一文字块；针对每个第一文字块，根据该第一文字块中每个像素点的像素值，确定该第一文字块的像素值的方差；根据确定该第一文字块的像素值的方差，确定该第一文字块的信息量；并确定该第一文字块的边缘对比度值和边缘宽度值；根据每个第一文字块的信息量及边缘对比度，确定所述文字区域的边缘对比度值；根据每个第一文字块的信息量及边缘宽度值，确定所述文字区域的边缘宽度值。
进一步地，所述识别模块401，具体还用于按照第三划分规则，将所述图形区域划分为多个第一图形块；针对每个第一图形块，根据该第一图形块中每个像素点的像素值，确定该第一图形块的像素值的方差；根据确定该第一图形块的像素值的方差，确定该第一图形块的信息量；并确定该第一图形块的边缘对比度值和边缘宽度值；根据每个第一图形块的信息量及边缘对比度，确定所述图形区域的边缘对比度值；根据每个第一图形块的信息量及边缘宽度值，确定所述图形区域的边缘宽度值。
进一步地，所述识别模块401，具体用于采用以下公式，确定该区域的边缘对比度值：
其中，qC为第一块所在区域的边缘对比度值，为第i个第一块的信息量，Ci为第i个第一块的边缘对比度值，α为预设参数。
进一步地，所述识别模块401，具体还用于采用以下公式，确定该区域的边缘宽度值：
其中，qW为第一块所在区域的边缘宽度值，为第i个第一块的信息量，Wi为第i个第一块的边缘宽度值，α为预设参数。
进一步地，所述第一确定模块402，具体用于按照预设的第四划分规则，将文字区域划分为多个第二文字块；分别针对每个第二文字块，根据该第二文字块中每个像素点的像素值，确定该第二文字块的像素值的方差；根据确定该第二文字块的像素值的方差，确定该第二文字块的信息量；将每个第二文字块的信息量均值确定为所述文字区域的信息量。
进一步地，所述第一确定模块402，具体还用于按照预设的第四划分规则，将图形区域划分为多个第二图形块；分别针对每个第二图形块，根据该第二图形块中每个像素点的像素值，确定该第二图形块的像素值的方差；根据确定该第二图形块的像素值的方差，确定该第二图形块的信息量；将每个第二图形块的信息量均值确定为所述图形区域的信息量。
进一步地，所述第二确定模块403，具体用于采用以下公式，确定图像的边缘对比度值：
其中，QC为图像的边缘对比度值，QTC为文字区域的边缘对比度值，QPC为图形区域的边缘对比度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
进一步地，所述第二确定模块403，具体还用于采用以下公式，确定图像的边缘宽度值：
其中，QW为图像的边缘宽度值，QTW为文字区域的边缘宽度值，QPW为图形区域的边缘宽度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
实施例7：
在上述各实施例的基础上，本发明实施例还提供了一种电子设备500，如图5所示，包括存储器501和处理器502；
所述处理器502，用于读取所述存储器501中的程序，执行下列过程：
识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器502代表的一个或多个处理器和存储器501代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。可选的，处理器502可以是CPU(中央处埋器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或CPLD(Complex Programmable LogicDevice，复杂可编程逻辑器件)。
所述处理器，用于针对每个样本图像，识别该样本图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第二边缘对比度值和第二边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第二信息量；根据所述文字区域和图形区域的第二边缘对比度值、第二边缘宽度值、及第二信息量，确定该样本图像的第二边缘对比度值和第二边缘宽度值；根据该样本图像中每个像素点的像素值，及预设的算法，确定该样本图像梯度值，根据该样本图像和参考图像的梯度值，确定该样本图像和参考图像的第二梯度相似度；将每个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度和差分主观值输入预测模型中；根据所述每个样本图像的差分主观值和输出的每个样本图像的质量分数，对所述预测模型进行训练。
所述处理器，用于按照预设的第一划分规则，将图像划分为多个图像块；针对每个图像块，根据该图像块中每个像素点的像素值，确定该图像块的像素值的方差；根据确定该图像块的像素值的方差，确定该图像块的信息量；将信息量大于预设的信息量阈值的图像块确定为文字块，将信息量小于预设的信息量阈值的图像块确定为图形块；将文字块覆盖的区域确定为文字区域，将图形块覆盖的区域确定为图形区域。
所述处理器，用于按照第二划分规则，将所述文字区域划分为多个第一文字块；针对每个第一文字块，根据该第一文字块中每个像素点的像素值，确定该第一文字块的像素值的方差；根据确定该第一文字块的像素值的方差，确定该第一文字块的信息量；并确定该第一文字块的边缘对比度值和边缘宽度值；根据每个第一文字块的信息量及边缘对比度，确定所述文字区域的边缘对比度值；根据每个第一文字块的信息量及边缘宽度值，确定所述文字区域的边缘宽度值。所述处理器，用于按照第三划分规则，将所述图形区域划分为多个第一图形块；针对每个第一图形块，根据该第一图形块中每个像素点的像素值，确定该第一图形块的像素值的方差；根据确定该第一图形块的像素值的方差，确定该第一图形块的信息量；并确定该第一图形块的边缘对比度值和边缘宽度值；根据每个第一图形块的信息量及边缘对比度，确定所述图形区域的边缘对比度值；根据每个第一图形块的信息量及边缘宽度值，确定所述图形区域的边缘宽度值。
所述处理器，用于采用以下公式，确定该区域的边缘对比度值：
其中，qC为第一块所在区域的边缘对比度值，为第i个第一块的信息量，Ci为第i个第一块的边缘对比度值，α为预设参数。
所述处理器，用于采用以下公式，确定该区域的边缘宽度值：
其中，qW为第一块所在区域的边缘宽度值，为第i个第一块的信息量，Wi为第i个第一块的边缘宽度值，α为预设参数。
所述处理器，用于按照预设的第四划分规则，将文字区域划分为多个第二文字块；分别针对每个第二文字块，根据该第二文字块中每个像素点的像素值，确定该第二文字块的像素值的方差；根据确定该第二文字块的像素值的方差，确定该第二文字块的信息量；将每个第二文字块的信息量均值确定为所述文字区域的信息量。所述处理器，用于按照预设的第四划分规则，将图形区域划分为多个第二图形块；分别针对每个第二图形块，根据该第二图形块中每个像素点的像素值，确定该第二图形块的像素值的方差；根据确定该第二图形块的像素值的方差，确定该第二图形块的信息量；将每个第二图形块的信息量均值确定为所述图形区域的信息量。
所述处理器，用于采用以下公式，确定图像的边缘对比度值：
其中，QC为图像的边缘对比度值，QTC为文字区域的边缘对比度值，QPC为图形区域的边缘对比度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
所述处理器，用于采用以下公式，确定图像的边缘宽度值：
其中，QW为图像的边缘宽度值，QTW为文字区域的边缘宽度值，QPW为图形区域的边缘宽度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
实施例8：
在上述各实施例的基础上，本发明实施例还提供了一种电子设备600，如图6所示，包括：处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信；
所述存储器603中存储有计算机程序，当所述程序被所述处理器601执行时，使得所述处理器601执行如下步骤：
识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
进一步地，所述处理器针对每个样本图像，识别该样本图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第二边缘对比度值和第二边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第二信息量；根据所述文字区域和图形区域的第二边缘对比度值、第二边缘宽度值、及第二信息量，确定该样本图像的第二边缘对比度值和第二边缘宽度值；根据该样本图像中每个像素点的像素值，及预设的算法，确定该样本图像梯度值，根据该样本图像和参考图像的梯度值，确定该样本图像和参考图像的第二梯度相似度；将每个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度和差分主观值输入预测模型中；根据所述每个样本图像的差分主观值和输出的每个样本图像的质量分数，对所述预测模型进行训练。
进一步地，所述处理器按照预设的第一划分规则，将图像划分为多个图像块；针对每个图像块，根据该图像块中每个像素点的像素值，确定该图像块的像素值的方差；根据确定该图像块的像素值的方差，确定该图像块的信息量；将信息量大于预设的信息量阈值的图像块确定为文字块，将信息量小于预设的信息量阈值的图像块确定为图形块；将文字块覆盖的区域确定为文字区域，将图形块覆盖的区域确定为图形区域。
进一步地，所述处理器按照第二划分规则，将所述文字区域划分为多个第一文字块；针对每个第一文字块，根据该第一文字块中每个像素点的像素值，确定该第一文字块的像素值的方差；根据确定该第一文字块的像素值的方差，确定该第一文字块的信息量；并确定该第一文字块的边缘对比度值和边缘宽度值；根据每个第一文字块的信息量及边缘对比度，确定所述文字区域的边缘对比度值；根据每个第一文字块的信息量及边缘宽度值，确定所述文字区域的边缘宽度值。
进一步地，所述处理器按照第三划分规则，将所述图形区域划分为多个第一图形块；针对每个第一图形块，根据该第一图形块中每个像素点的像素值，确定该第一图形块的像素值的方差；根据确定该第一图形块的像素值的方差，确定该第一图形块的信息量；并确定该第一图形块的边缘对比度值和边缘宽度值；根据每个第一图形块的信息量及边缘对比度，确定所述图形区域的边缘对比度值；根据每个第一图形块的信息量及边缘宽度值，确定所述图形区域的边缘宽度值。
进一步地，所述处理器采用以下公式，确定该区域的边缘对比度值：
其中，qC为第一块所在区域的边缘对比度值，为第i个第一块的信息量，Ci为第i个第一块的边缘对比度值，α为预设参数。
进一步地，所述处理器采用以下公式，确定该区域的边缘宽度值：
其中，qW为第一块所在区域的边缘宽度值，为第i个第一块的信息量，Wi为第i个第一块的边缘宽度值，α为预设参数。
进一步地，所述处理器按照预设的第四划分规则，将文字区域划分为多个第二文字块；分别针对每个第二文字块，根据该第二文字块中每个像素点的像素值，确定该第二文字块的像素值的方差；根据确定该第二文字块的像素值的方差，确定该第二文字块的信息量；将每个第二文字块的信息量均值确定为所述文字区域的信息量。
进一步地，所述处理器按照预设的第四划分规则，将图形区域划分为多个第二图形块；分别针对每个第二图形块，根据该第二图形块中每个像素点的像素值，确定该第二图形块的像素值的方差；根据确定该第二图形块的像素值的方差，确定该第二图形块的信息量；将每个第二图形块的信息量均值确定为所述图形区域的信息量。
进一步地，所述处理器采用以下公式，确定图像的边缘对比度值：
其中，QC为图像的边缘对比度值，QTC为文字区域的边缘对比度值，QPC为图形区域的边缘对比度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
进一步地，所述处理器采用以下公式，确定图像的边缘宽度值：
其中，QW为图像的边缘宽度值，QTW为文字区域的边缘宽度值，QPW为图形区域的边缘宽度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口602用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列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。
实施例9：
在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行如下步骤：
识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；
将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
进一步地，所述处理器针对每个样本图像，识别该样本图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第二边缘对比度值和第二边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第二信息量；根据所述文字区域和图形区域的第二边缘对比度值、第二边缘宽度值、及第二信息量，确定该样本图像的第二边缘对比度值和第二边缘宽度值；根据该样本图像中每个像素点的像素值，及预设的算法，确定该样本图像梯度值，根据该样本图像和参考图像的梯度值，确定该样本图像和参考图像的第二梯度相似度；将每个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度和差分主观值输入预测模型中；根据所述每个样本图像的差分主观值和输出的每个样本图像的质量分数，对所述预测模型进行训练。
进一步地，所述处理器按照预设的第一划分规则，将图像划分为多个图像块；针对每个图像块，根据该图像块中每个像素点的像素值，确定该图像块的像素值的方差；根据确定该图像块的像素值的方差，确定该图像块的信息量；将信息量大于预设的信息量阈值的图像块确定为文字块，将信息量小于预设的信息量阈值的图像块确定为图形块；将文字块覆盖的区域确定为文字区域，将图形块覆盖的区域确定为图形区域。
进一步地，所述处理器按照第二划分规则，将所述文字区域划分为多个第一文字块；针对每个第一文字块，根据该第一文字块中每个像素点的像素值，确定该第一文字块的像素值的方差；根据确定该第一文字块的像素值的方差，确定该第一文字块的信息量；并确定该第一文字块的边缘对比度值和边缘宽度值；根据每个第一文字块的信息量及边缘对比度，确定所述文字区域的边缘对比度值；根据每个第一文字块的信息量及边缘宽度值，确定所述文字区域的边缘宽度值。
进一步地，所述处理器按照第三划分规则，将所述图形区域划分为多个第一图形块；针对每个第一图形块，根据该第一图形块中每个像素点的像素值，确定该第一图形块的像素值的方差；根据确定该第一图形块的像素值的方差，确定该第一图形块的信息量；并确定该第一图形块的边缘对比度值和边缘宽度值；根据每个第一图形块的信息量及边缘对比度，确定所述图形区域的边缘对比度值；根据每个第一图形块的信息量及边缘宽度值，确定所述图形区域的边缘宽度值。
进一步地，所述处理器采用以下公式，确定该区域的边缘对比度值：
其中，qC为第一块所在区域的边缘对比度值，为第i个第一块的信息量，Ci为第i个第一块的边缘对比度值，α为预设参数。
进一步地，所述处理器采用以下公式，确定该区域的边缘宽度值：
其中，qW为第一块所在区域的边缘宽度值，为第i个第一块的信息量，Wi为第i个第一块的边缘宽度值，α为预设参数。
进一步地，所述处理器按照预设的第四划分规则，将文字区域划分为多个第二文字块；分别针对每个第二文字块，根据该第二文字块中每个像素点的像素值，确定该第二文字块的像素值的方差；根据确定该第二文字块的像素值的方差，确定该第二文字块的信息量；将每个第二文字块的信息量均值确定为所述文字区域的信息量。
进一步地，所述处理器按照预设的第四划分规则，将图形区域划分为多个第二图形块；分别针对每个第二图形块，根据该第二图形块中每个像素点的像素值，确定该第二图形块的像素值的方差；根据确定该第二图形块的像素值的方差，确定该第二图形块的信息量；将每个第二图形块的信息量均值确定为所述图形区域的信息量。
进一步地，所述处理器采用以下公式，确定图像的边缘对比度值：
其中，QC为图像的边缘对比度值，QTC为文字区域的边缘对比度值，QPC为图形区域的边缘对比度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
进一步地，所述处理器采用以下公式，确定图像的边缘宽度值：
其中，QW为图像的边缘宽度值，QTW为文字区域的边缘宽度值，QPW为图形区域的边缘宽度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。
对于系统/装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者一个操作与另一个实体或者另一个操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全应用实施例、或结合应用和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种图像质量评价方法，其特征在于，所述方法包括：
识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；
根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；
根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；
根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；
将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数；
其中，所述确定所述文字区域的第一边缘对比度值和第一边缘宽度值包括：
按照第二划分规则，将所述文字区域划分为多个第一文字块；针对每个第一文字块，根据该第一文字块中每个像素点的像素值，确定该第一文字块的像素值的方差；根据确定该第一文字块的像素值的方差，确定该第一文字块的信息量；并确定该第一文字块的边缘对比度值和边缘宽度值；根据每个第一文字块的信息量及边缘对比度，确定所述文字区域的第一边缘对比度值；根据每个第一文字块的信息量及边缘宽度值，确定所述文字区域的第一边缘宽度值；
所述确定所述图形区域的第一边缘对比度值和第一边缘宽度值包括：
按照第三划分规则，将所述图形区域划分为多个第一图形块；针对每个第一图形块，根据该第一图形块中每个像素点的像素值，确定该第一图形块的像素值的方差；根据确定该第一图形块的像素值的方差，确定该第一图形块的信息量；并确定该第一图形块的边缘对比度值和边缘宽度值；根据每个第一图形块的信息量及边缘对比度，确定所述图形区域的第一边缘对比度值；根据每个第一图形块的信息量及边缘宽度值，确定所述图形区域的第一边缘宽度值；
其中，所述根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量包括：
按照预设的第四划分规则，将文字区域划分为多个第二文字块；分别针对每个第二文字块，根据该第二文字块中每个像素点的像素值，确定该第二文字块的像素值的方差；根据确定该第二文字块的像素值的方差，确定该第二文字块的信息量；将每个第二文字块的信息量均值确定为所述文字区域的第一信息量；按照预设的第四划分规则，将图形区域划分为多个第二图形块；分别针对每个第二图形块，根据该第二图形块中每个像素点的像素值，确定该第二图形块的像素值的方差；根据确定该第二图形块的像素值的方差，确定该第二图形块的信息量；将每个第二图形块的信息量均值确定为所述图形区域的第一信息量；
其中，所述第四划分规则的确定过程包括：根据使用第二划分规则划分得到的图像块的大小和使用第三划分规则划分得到的图像块的大小，确定使用该第四划分规则划分得到的图像块的大小。
2.如权利要求1所述的方法，其特征在于，所述预测模型的训练过程包括：
针对每个样本图像，识别该样本图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第二边缘对比度值和第二边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第二信息量；根据所述文字区域和图形区域的第二边缘对比度值、第二边缘宽度值、及第二信息量，确定该样本图像的第二边缘对比度值和第二边缘宽度值；根据该样本图像中每个像素点的像素值，及预设的算法，确定该样本图像梯度值，根据该样本图像和参考图像的梯度值，确定该样本图像和参考图像的第二梯度相似度；
将每个样本图像的第二边缘对比度值、第二边缘宽度值、第二梯度相似度和差分主观值输入预测模型中；
根据所述每个样本图像的差分主观值和输出的每个样本图像的质量分数，对所述预测模型进行训练。
3.如权利要求1或2所述的方法，其特征在于，所述识别图像中的文字区域和图形区域包括：
按照预设的第一划分规则，将图像划分为多个图像块；针对每个图像块，根据该图像块中每个像素点的像素值，确定该图像块的像素值的方差；根据确定该图像块的像素值的方差，确定该图像块的信息量；将信息量大于预设的信息量阈值的图像块确定为文字块，将信息量小于预设的信息量阈值的图像块确定为图形块；将文字块覆盖的区域确定为文字区域，将图形块覆盖的区域确定为图形区域。
4.如权利要求1所述的方法，其特征在于，所述根据每个第一块的信息量及边缘对比度值，确定区域的边缘对比度值包括：
采用以下公式，确定该区域的边缘对比度值：
其中，qC为第一块所在区域的边缘对比度值，为第i个第一块的信息量，Ci为第i个第一块的边缘对比度值，α为预设参数；
所述根据每个第一块的信息量及边缘宽度值，确定区域的边缘宽度值包括：
采用以下公式，确定该区域的边缘宽度值：
其中，qW为第一块所在区域的边缘宽度值，为第i个第一块的信息量，Wi为第i个第一块的边缘宽度值，α为预设参数。
5.如权利要求1或2所述的方法，其特征在于，所述根据所述文字区域和图形区域的边缘对比度值和信息量，确定图像的边缘对比度值包括：
采用以下公式，确定待评价图像的边缘对比度值：
其中，QC为图像的边缘对比度值，QTC为文字区域的边缘对比度值，QPC为图形区域的边缘对比度值，为文字区域的信息量，为图形区域的信息量，α为预设参数；
所述根据所述文字区域和图形区域的边缘宽度值和信息量，确定图像的边缘宽度值包括：
采用以下公式，确定待评价图像的边缘宽度值：
其中，QW为图像的边缘宽度值，QTW为文字区域的边缘宽度值，QPW为图形区域的边缘宽度值，为文字区域的信息量，为图形区域的信息量，α为预设参数。
6.一种图像质量评价装置，其特征在于，所述装置包括：
识别模块，用于识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；
所述识别模块，具体用于按照第二划分规则，将所述文字区域划分为多个第一文字块；针对每个第一文字块，根据该第一文字块中每个像素点的像素值，确定该第一文字块的像素值的方差；根据确定该第一文字块的像素值的方差，确定该第一文字块的信息量；并确定该第一文字块的边缘对比度值和边缘宽度值；根据每个第一文字块的信息量及边缘对比度，确定所述文字区域的第一边缘对比度值；根据每个第一文字块的信息量及边缘宽度值，确定所述文字区域的第一边缘宽度值；
所述识别模块，具体用于按照第三划分规则，将所述图形区域划分为多个第一图形块；针对每个第一图形块，根据该第一图形块中每个像素点的像素值，确定该第一图形块的像素值的方差；根据确定该第一图形块的像素值的方差，确定该第一图形块的信息量；并确定该第一图形块的边缘对比度值和边缘宽度值；根据每个第一图形块的信息量及边缘对比度，确定所述图形区域的第一边缘对比度值；根据每个第一图形块的信息量及边缘宽度值，确定所述图形区域的第一边缘宽度值；
第一确定模块，用于根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；
所述第一确定模块，具体用于按照预设的第四划分规则，将文字区域划分为多个第二文字块；分别针对每个第二文字块，根据该第二文字块中每个像素点的像素值，确定该第二文字块的像素值的方差；根据确定该第二文字块的像素值的方差，确定该第二文字块的信息量；将每个第二文字块的信息量均值确定为所述文字区域的第一信息量；按照预设的第四划分规则，将图形区域划分为多个第二图形块；分别针对每个第二图形块，根据该第二图形块中每个像素点的像素值，确定该第二图形块的像素值的方差；根据确定该第二图形块的像素值的方差，确定该第二图形块的信息量；将每个第二图形块的信息量均值确定为所述图形区域的第一信息量；
所述第一确定模块，具体用于根据使用第二划分规则划分得到的图像块的大小和使用第三划分规则划分得到的图像块的大小，确定使用该第四划分规则划分得到的图像块的大小；
第二确定模块，用于根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；
第三确定模块，用于根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；
质量评价模块，用于将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数。
7.一种电子设备，其特征在于，所述电子设备包括存储器和处理器：
所述处理器，用于读取所述存储器中的程序，执行下列过程：识别待评价图像中的文字区域和图形区域，分别确定所述文字区域和图形区域的第一边缘对比度值和第一边缘宽度值；按照第二划分规则，将所述文字区域划分为多个第一文字块；针对每个第一文字块，根据该第一文字块中每个像素点的像素值，确定该第一文字块的像素值的方差；根据确定该第一文字块的像素值的方差，确定该第一文字块的信息量；并确定该第一文字块的边缘对比度值和边缘宽度值；根据每个第一文字块的信息量及边缘对比度，确定所述文字区域的第一边缘对比度值；根据每个第一文字块的信息量及边缘宽度值，确定所述文字区域的第一边缘宽度值；按照第三划分规则，将所述图形区域划分为多个第一图形块；针对每个第一图形块，根据该第一图形块中每个像素点的像素值，确定该第一图形块的像素值的方差；根据确定该第一图形块的像素值的方差，确定该第一图形块的信息量；并确定该第一图形块的边缘对比度值和边缘宽度值；根据每个第一图形块的信息量及边缘对比度，确定所述图形区域的第一边缘对比度值；根据每个第一图形块的信息量及边缘宽度值，确定所述图形区域的第一边缘宽度值；根据所述文字区域和图形区域中每个像素点的像素值，分别确定所述文字区域和图形区域包含的第一信息量；根据所述文字区域和图形区域的第一边缘对比度值、第一边缘宽度值、及第一信息量，确定待评价图像的第一边缘对比度值和第一边缘宽度值；根据所述待评价图像中每个像素点的像素值，及预设的算法，确定所述待评价图像梯度值，根据所述待评价图像和参考图像的梯度值，确定所述待评价图像和参考图像的第一梯度相似度；将所述待评价图像的第一边缘对比度值、第一边缘宽度值和第一梯度相似度输入预先训练完成的预测模型中，确定待评价图像的质量分数；按照预设的第四划分规则，将文字区域划分为多个第二文字块；分别针对每个第二文字块，根据该第二文字块中每个像素点的像素值，确定该第二文字块的像素值的方差；根据确定该第二文字块的像素值的方差，确定该第二文字块的信息量；将每个第二文字块的信息量均值确定为所述文字区域的第一信息量；根据使用第二划分规则划分得到的图像块的大小和使用第三划分规则划分得到的图像块的大小，确定使用该第四划分规则划分得到的图像块的大小；按照预设的第四划分规则，将图形区域划分为多个第二图形块；分别针对每个第二图形块，根据该第二图形块中每个像素点的像素值，确定该第二图形块的像素值的方差；根据确定该第二图形块的像素值的方差，确定该第二图形块的信息量；将每个第二图形块的信息量均值确定为所述图形区域的第一信息量。
8.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行权利要求1-5任一项所述方法的步骤。
9.一种计算机可读存储介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行权利要求1-5任一项所述方法的步骤。
CN201811595280.XA 2018-12-25 2018-12-25 一种图像质量评价方法、装置、电子设备及存储介质 Active CN111368837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811595280.XA CN111368837B (zh) 2018-12-25 2018-12-25 一种图像质量评价方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811595280.XA CN111368837B (zh) 2018-12-25 2018-12-25 一种图像质量评价方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111368837A CN111368837A (zh) 2020-07-03
CN111368837B true CN111368837B (zh) 2023-12-05

Family

ID=71212469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811595280.XA Active CN111368837B (zh) 2018-12-25 2018-12-25 一种图像质量评价方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111368837B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899243A (zh) * 2020-07-28 2020-11-06 阳光保险集团股份有限公司 一种图像清晰度评价方法、设备和计算机可读存储介质
CN113962976B (zh) * 2021-01-20 2022-09-16 赛维森(广州)医疗科技服务有限公司 用于病理玻片数字图像的质量评估方法
CN115576517B (zh) * 2022-11-08 2023-07-11 广州文石信息科技有限公司 一种文字显示方法、装置、设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996024114A2 (en) * 1995-01-31 1996-08-08 United Parcel Service Of America, Inc. Method and apparatus for separating foreground from background in images containing text
JP2007307358A (ja) * 2006-04-17 2007-11-29 Fujifilm Corp 画像処理方法および装置ならびにプログラム
CN101950418A (zh) * 2010-08-26 2011-01-19 北京中创信测科技股份有限公司 一种图像质量评价方法和装置
CN102081731A (zh) * 2009-11-26 2011-06-01 中国移动通信集团广东有限公司 一种从图像中提取文本的方法和装置
CN102567996A (zh) * 2012-01-05 2012-07-11 中国地质大学（武汉） 一种遥感卫星图像质量评价的方法
CN103400367A (zh) * 2013-07-03 2013-11-20 河海大学常州校区 一种无参考型模糊图像质量评价方法
US8763908B1 (en) * 2012-03-27 2014-07-01 A9.Com, Inc. Detecting objects in images using image gradients
CN105631393A (zh) * 2014-11-06 2016-06-01 阿里巴巴集团控股有限公司 信息识别方法及装置
CN106803067A (zh) * 2016-12-28 2017-06-06 浙江大华技术股份有限公司 一种人脸图像质量评估方法及装置
CN107123122A (zh) * 2017-04-28 2017-09-01 深圳大学 无参考图像质量评价方法及装置
WO2017162069A1 (zh) * 2016-03-25 2017-09-28 阿里巴巴集团控股有限公司 一种图像文本的识别方法和装置
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
CN108596184A (zh) * 2018-04-25 2018-09-28 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120127297A1 (en) * 2010-11-24 2012-05-24 Baxi Vipul A Digital microscopy with focus grading in zones distinguished for comparable image structures

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996024114A2 (en) * 1995-01-31 1996-08-08 United Parcel Service Of America, Inc. Method and apparatus for separating foreground from background in images containing text
JP2007307358A (ja) * 2006-04-17 2007-11-29 Fujifilm Corp 画像処理方法および装置ならびにプログラム
CN102081731A (zh) * 2009-11-26 2011-06-01 中国移动通信集团广东有限公司 一种从图像中提取文本的方法和装置
CN101950418A (zh) * 2010-08-26 2011-01-19 北京中创信测科技股份有限公司 一种图像质量评价方法和装置
CN102567996A (zh) * 2012-01-05 2012-07-11 中国地质大学（武汉） 一种遥感卫星图像质量评价的方法
US8763908B1 (en) * 2012-03-27 2014-07-01 A9.Com, Inc. Detecting objects in images using image gradients
CN103400367A (zh) * 2013-07-03 2013-11-20 河海大学常州校区 一种无参考型模糊图像质量评价方法
CN105631393A (zh) * 2014-11-06 2016-06-01 阿里巴巴集团控股有限公司 信息识别方法及装置
WO2017162069A1 (zh) * 2016-03-25 2017-09-28 阿里巴巴集团控股有限公司 一种图像文本的识别方法和装置
CN106803067A (zh) * 2016-12-28 2017-06-06 浙江大华技术股份有限公司 一种人脸图像质量评估方法及装置
CN107123122A (zh) * 2017-04-28 2017-09-01 深圳大学 无参考图像质量评价方法及装置
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
CN108596184A (zh) * 2018-04-25 2018-09-28 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
符颖 ; 曾焕强 ; 倪张凯 ; 陈婧 ; 蔡灿辉 ; .采用边缘信息的屏幕图像质量评价.信号处理.2017,(04),全文. *
采用边缘信息的屏幕图像质量评价;符颖;曾焕强;倪张凯;陈婧;蔡灿辉;;信号处理(第04期) *
黄利萍.屏幕内容图像的质量评价方法研究.《计算技术》.2018,正文第4.2节. *

Also Published As

Publication number Publication date
CN111368837A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111914090B (zh) 一种企业行业分类识别及其特征污染物识别的方法及装置
CN108647732B (zh) 一种基于深度神经网络的病理图像分类方法及装置
CN111368837B (zh) 一种图像质量评价方法、装置、电子设备及存储介质
CN110020592A (zh) 物体检测模型训练方法、装置、计算机设备及存储介质
CN110472802B (zh) 一种数据特征评估方法、装置及设备
CN108109140A (zh) 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
CN110969200B (zh) 基于一致性负样本的图像目标检测模型训练方法及装置
Lee et al. Bayesian threshold selection for extremal models using measures of surprise
CN106778908A (zh) 一种新异类检测方法与装置
CN109685805B (zh) 一种图像分割方法及装置
CN115439654B (zh) 动态约束下的弱监督农田地块精细化分割方法及系统
Shin et al. Probability-enhanced sufficient dimension reduction for binary classification
CN109961030A (zh) 路面修补信息检测方法、装置、设备及存储介质
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN111160394A (zh) 分类网络的训练方法、装置、计算机设备和存储介质
CN112785420A (zh) 信用评分模型的训练方法、装置、电子设备及存储介质
WO2020230699A1 (ja) 耐性設定装置、耐性設定方法、耐性設定プログラムを記憶する記憶媒体、耐性評価装置、耐性評価方法、耐性評価プログラムを記憶する記憶媒体、演算装置、およびプログラムを記憶する記憶媒体
US11132790B2 (en) Wafer map identification method and computer-readable recording medium
CN114943674A (zh) 瑕疵检测方法、电子装置及存储介质
Ma et al. Multiple change point detection and validation in autoregressive time series data
EP3975071A1 (en) Identifying and quantifying confounding bias based on expert knowledge
Miwa et al. Statistical Test for Anomaly Detections by Variational Auto-Encoders
CN116468702A (zh) 黄褐斑评估方法、装置、电子设备及计算机可读存储介质
CN112418098B (zh) 视频结构化模型的训练方法及相关设备
Tasya et al. Breast Cancer Detection Using Convolutional Neural Network with EfficientNet Architecture

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