CN111739014B - 基于图像处理的图像质量检测方法及相关装置 - Google Patents

基于图像处理的图像质量检测方法及相关装置 Download PDF

Info

Publication number
CN111739014B
CN111739014B CN202010622248.7A CN202010622248A CN111739014B CN 111739014 B CN111739014 B CN 111739014B CN 202010622248 A CN202010622248 A CN 202010622248A CN 111739014 B CN111739014 B CN 111739014B
Authority
CN
China
Prior art keywords
image
preset
detecting
detecting whether
fingerprint
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
CN202010622248.7A
Other languages
English (en)
Other versions
CN111739014A (zh
Inventor
孙宁
徐碧云
袁益琴
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.)
Beijing Kubao Technology Co ltd
Original Assignee
Beijing Kubao 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 Beijing Kubao Technology Co ltd filed Critical Beijing Kubao Technology Co ltd
Priority to CN202010622248.7A priority Critical patent/CN111739014B/zh
Publication of CN111739014A publication Critical patent/CN111739014A/zh
Application granted granted Critical
Publication of CN111739014B publication Critical patent/CN111739014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种基于图像处理的图像质量检测方法、装置、设备及可读存储介质，检测图像中的预设对象在图像经过处理后，是否变浅或丢失，并且，检测图像是否具有瑕疵。本方案中，瑕疵包括黑边和白边的至少一项，预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。并且，本方法提供了自动检测图像中的黑边和/或白边的标准化且统一的流程，以及提供了自动检测红色像素、蓝色像素、和/或预设内容像素是否变浅或丢失的标准化且统一的流程。相对于现有技术中的人工检测方法，避免了人为主观认知不同而审查标准不一造成审查准确度低的问题，并且提高了质量检测效率。

Description

基于图像处理的图像质量检测方法及相关装置
技术领域
本申请涉及图像处理技术领域，更具体地说，涉及一种基于图像处理的图像质量检测方法、装置、设备及可读存储介质。
背景技术
随着互联网时代的到来，信息技术和大数据的快速发展，促进了行业科学技术的更新换代，更深刻影响了人们的生活方式的改变和商业模式的创新。同时，政府和企业资源类档案的数字化成为趋势，目前，采用人工对档案图像进行图像质量检测，以审查档案图像中是否存在不合规的情况，但是人工审查方法存在效率低下的缺点，并且，存在人为主观认知不同而审查标准不一造成审查准确度低的问题。
发明内容
有鉴于此，本申请提供了一种基于图像处理的图像质量检测方法、装置、设备及可读存储介质，用于提高图像质量检测的效率以及准确度，如下：
一种基于图像处理的图像质量检测方法，包括：
检测图像中的预设对象在所述图像经过处理后，是否变浅或丢失，所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项；
检测所述图像是否具有瑕疵，所述瑕疵包括黑边和白边的至少一项；
其中，所述检测图像中的预设对象在所述图像经过处理后，是否变浅或丢失，包括：若第一预设区域的像素的数量小于第二预设区域的像素的数量，则确定所述预设对象丢失，若第一预设区域与所述第二预设区域的差值小于第一预设阈值，则确定所述预设对象变浅，所述第一预设区域为经过所述处理后的所述图像中所述预设对象所占的区域，所述第二预设区域为所述图像中所述预设对象所占的区域；
检测所述图像是否具有所述黑边，包括：获取所述图像的二值图像；将所述二值图像的边界像素设置为白色；从所述二值图像中获取像素数量在第一预设范围内的联通区域；若所述联通区域中包括所述边界像素，则检测到所述黑边；
检测所述图像是否具有所述白边，包括：使用第二预设范围，提取所述图像中的白色区域；按照所述白色区域和非白色区域，对所述图像进行二值化并反选，得到二值图像；获取所述二值图像中的最大联通区域；若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数，则检测到所述白边，所述预设倍数小于1。
可选地，检测所述图像是否具有瑕疵，还包括：
使用多尺度CNN网络，检测所述图像中是否有污点。
可选地，本方法还包括：
检测第一图像与第二图像是否重复；
所述检测第一图像与第二图像是否重复，包括：
获取所述第一图像的指纹以及所述第二图像的指纹，其中，目标图像的指纹通过对所述目标图像的像素值进行编码获得，所述目标图像为任一个图像；
若所述第一图像的指纹与所述第二图像的指纹的距离小于第二预设阈值，则所述第一图像与所述第二图像重复。
可选地，本方法还包括：
检测所述图像是否为空白页面；
所述检测所述图像是否为空白页面，包括：
获取所述图像的指纹，其中，目标图像的指纹通过对所述目标图像的像素值进行编码获得，所述目标图像为任一个图像；
若所述图像的指纹与空白图像的指纹的距离小于第三预设阈值，则所述图像为所述空白页面。
可选地，目标图像的指纹的获取过程包括：
将所述目标图像转换为灰度图像；
对所述灰度图像进行膨胀处理；
将所述膨胀处理后的图像缩放至预设尺度，得到缩放后图像；
计算所述缩放后图像中的像素的平均值；
遍历所述缩放后图像中的像素，若所述像素的灰度值小于所述平均值，将所述像素的灰度值设置为0，否则将所述像素的灰度值设置为1，得到二值图像；
将所述二值图像的像素值组合为数值串，得到所述目标图像的指纹。
可选地，本方法还包括以下至少一项：
检测多个所述图像中的页码是否重复；
检测所述图像的方向以及所述图像中的对象的偏移量，所述对象包括表格和文字；
检测所述图像的清晰度；
检测所述图像的类别；
其中，所述检测多个所述图像中的页码是否重复包括：
使用预设的模型从多个所述图像中识别页码；如不同的所述图像中的页码相同，则检测到重复页码，所述预设的模型包括：获取所述图像中的页码区域的第一模型、从所述页码区域中识别数字的第二模型和从所述页码区域中识别空格的第三模型；
所述检测所述图像的方向以及所述图像中的对象的偏移量包括：
使用预设的文本角度检测模型，识别所述图像中的文本的角度；
使用霍夫变换算法，检测所述图像中的表格的偏移量；
使用文字行检测算法，检测所述图像中的文字行的偏移量；
所述检测所述图像的清晰度包括：
使用拉普拉斯算子，计算所述图像的水平梯度和竖直梯度；
计算所述水平梯度与所述竖直梯度之和，作为清晰度参数；
若所述清晰度参数小于第四预设阈值，确定所述图像的清晰度不满足要求。
所述检测所述图像的类别包括：
使用分类模型，确定所述图像的类别。
一种基于图像处理的图像质量检测装置，包括：
图像内容检测模块，用于检测图像中的预设对象在所述图像经过处理后，是否变浅或丢失，所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项；所述检测图像中的预设对象在所述图像经过处理后，是否变浅或丢失，包括：若第一预设区域的像素的数量小于第二预设区域的像素的数量，则确定所述预设对象丢失，若第一预设区域与所述第二预设区域的差值小于第一预设阈值，则确定所述预设对象变浅，所述第一预设区域为经过所述处理后的所述图像中所述预设对象所占的区域，所述第二预设区域为所述图像中所述预设对象所占的区域；
图像瑕疵检测模块，用于检测所述图像是否具有瑕疵，所述瑕疵包括黑边和白边的至少一项；其中，检测所述图像是否具有所述黑边，包括：获取所述图像的二值图像；将所述二值图像的边界像素设置为白色；从所述二值图像中获取像素数量在第一预设范围内的联通区域；若所述联通区域中包括所述边界像素，则检测到所述黑边；
检测所述图像是否具有所述白边，包括：使用第二预设范围，提取所述图像中的白色区域；按照所述白色区域和非白色区域，对所述图像进行二值化并反选，得到二值图像；获取所述二值图像中的最大联通区域；若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数，则检测到所述白边，所述预设倍数小于1。
可选地，本装置还包括：
图像重复性检测模块，用于检测第一图像与第二图像是否重复；所述检测第一图像与第二图像是否重复，包括：获取所述第一图像的指纹以及所述第二图像的指纹，其中，目标图像的指纹通过对所述目标图像的像素值进行编码获得，所述目标图像为任一个图像；若所述第一图像的指纹与所述第二图像的指纹的距离小于第二预设阈值，则所述第一图像与所述第二图像重复。
可选地，图像重复性检测模块还用于：
检测所述图像是否为空白页面；
所述检测所述图像是否为空白页面，包括：
获取所述图像的指纹，其中，目标图像的指纹通过对所述目标图像的像素值进行编码获得，所述目标图像为任一个图像；
若所述图像的指纹与空白图像的指纹的距离小于第三预设阈值，则所述图像为所述空白页面。
可选地，图像重复性检测模块还用于：检测多个所述图像中的页码是否重复；所述检测多个所述图像中的页码是否重复包括：
使用预设的模型从多个所述图像中识别页码；如不同的所述图像中的页码相同，则检测到重复页码，所述预设的模型包括：获取所述图像中的页码区域的第一模型、从所述页码区域中识别数字的第二模型和从所述页码区域中识别空格的第三模型；
可选地，本装置还包括：
图像角度检测模块，用于检测所述图像的方向以及所述图像中的对象的偏移量，所述对象包括表格和文字；所述检测所述图像的方向以及所述图像中的对象的偏移量包括：使用预设的文本角度检测模型，识别所述图像中的文本的角度；使用霍夫变换算法，检测所述图像中的表格的偏移量；使用文字行检测算法，检测所述图像中的文字行的偏移量；
图像显示效果检测模块，用于检测所述图像的清晰度；所述检测所述图像的清晰度包括：使用拉普拉斯算子，计算所述图像的水平梯度和竖直梯度；计算所述水平梯度与所述竖直梯度之和，作为清晰度参数；若所述清晰度参数小于第三预设阈值，确定所述图像的清晰度不满足要求；
图像类别检测模块，用于使用分类模型，确定所述图像的类别。
一种基于图像处理的图像质量检测设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上所述的基于图像处理的图像质量检测方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上所述的基于图像处理的图像质量检测方法的各个步骤。
从上述技术方案可以看出，本申请实施例提供的一种基于图像处理的图像质量检测方法、装置、设备及可读存储介质，检测图像中的预设对象在图像经过处理后，是否变浅或丢失，并且，检测图像是否具有瑕疵。本方案中，瑕疵包括黑边和白边的至少一项，预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项，瑕疵包括黑边和白边的至少一项。
本方案提供的检测图像中的预设对象在图像经过处理后，是否变浅或丢失的方法包括：若第一预设区域的像素的数量小于第二预设区域的像素的数量，则确定预设对象丢失，若第一预设区域与第二预设区域的差值小于第一预设阈值，则确定预设对象变浅，第一预设区域为经过处理后的图像中预设对象所占的区域，第二预设区域为图像中预设对象所占的区域。
本方案提供的检测图像是否具有黑边的方法包括：获取图像的二值图像；将二值图像的边界像素设置为白色；从二值图像中获取像素数量在第一预设范围内的联通区域；若联通区域中包括边界像素，则检测到黑边。
本方案提供的检测图像是否具有白边的方法包括：使用第二预设范围，提取图像中的白色区域；按照白色区域和非白色区域，对图像进行二值化并反选，得到二值图像；获取二值图像中的最大联通区域；若最大联通区域的最小外包矩形的尺度大于图像的预设倍数，则检测到白边，预设倍数小于1。
由上述方法的各个步骤可以看出，本方法提供了自动检测图像中的黑边和/或白边的标准化且统一的流程，以及提供了自动检测红色像素、蓝色像素、和/或预设内容像素是否变浅或丢失的标准化且统一的流程。相对于现有技术中的人工检测方法，避免了人为主观认知不同而审查标准不一造成审查准确度低的问题，并且提高了质量检测效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于图像处理的图像质量检测方法的流程示意图；
图2为本申请实施例提供的又一种基于图像处理的图像质量检测方法的流程示意图；
图3为本申请实施例提供的一种基于图像处理的图像质量检测装置的结构示意图；
图4为本申请实施例提供的又一种基于图像处理的图像质量检测装置的结构示意图；
图5为本申请实施例提供的一种基于图像处理的图像质量检测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
本申请实施例提供的基于图像处理的图像质量检测方法，应用于但不限于对电子图像的质量检测场景。图1为本申请实施例提供的一种基于图像处理的图像质量检测方法的流程示意图。如图1所示，本方法具体包括S101～S102。
S101、检测图像中的预设对象在图像经过处理后，是否变浅或丢失。
需要说明的是，图像的处理过程包括但不限于更改对比度、更改锐度、或者调整图像方向等。
档案形成的图像中，可能包括印章或者其它重要的内容，在图像的处理过程中，这些重要内容需要被保留，因此，本实施例中，预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。其中，红色像素所占区域可以视为红色印章(如公章)和/或指纹所在区域，蓝色像素所占区域可以视为蓝色印章(如档案封口处的印章)所在区域。预设内容像素根据实际的应用预设，预设内容的示例可以为企业图标，预设内容像素为企业图标的像素。
本实施例中，检测图像中的预设对象在图像经过处理后是否变浅或丢失的方法包括A1～A3：
A1、获取第一预设区域的像素的数量以及第二预设区域的像素的数量。
本实施例中，第一预设区域为经过处理后的图像中预设对象所占的区域，第二预设区域为图像中预设对象所占的区域。
以预设对象包括蓝色像素(Blue)和红色像素(Red1和Red2)为例，其中，蓝色像素Blue的RGB值的区间为：[([100,43,46],[114,60,60])]，红色像素Red1的RGB值的区间为：[([0,15,150],[100,255,255])]，红色像素Red2的RGB值的区间为：[([156,18,26],[180,255,255])]。
本实施例中，获取第一预设区域的像素的方法包括A11～A14：
A11、将处理后的图像中转换为HSV图像。
需要说明的是，HSV图像中的像素的HSV值由RGB图像中的像素的RGB值转换得到。
A12、将处理后的图像中转换得到的HSV图像转换为二值图像。
具体地，将HSV值对应的RGB值在上述蓝色像素Blue的RGB值的区间内的像素的值记为1，HSV值对应的RGB值不在上述蓝色像素Blue的RGB值的区间内的像素的值记为0，由此得到处理后的图像的关于蓝色像素的二值图像TB。
将HSV值对应的RGB值在上述红色像素Red1的RGB值的区间内或HSV值对应的RGB值在上述红色像素Red2的RGB值的区间内的像素的值记为1，HSV值对应的RGB值不在上述红色像素Red1的RGB值的区间内，并且HSV值对应的RGB值不在上述红色像素Red2的RGB值的区间内的像素的值记为0。由此得到处理后的图像的关于红色像素的二值图像TR。
A13、采用n×n的自定义内核对二值图像进行膨胀处理，得到最终的二值图像。
膨胀处理的方法具体可以参照现有技术，在此不做赘述。
A14、统计膨胀处理后的二值图像中预设对象的数量作为第一预设区域的像素的数量。
具体地，本实施例将膨胀处理后的二值图像TB中像素的值为1的像素作为蓝色像素，并统计蓝色像素的数量。将膨胀处理后的二值图像TR中像素的值为1的像素作为红色像素，并统计红色像素的数量。
需要说明的是，获取第二预设区域的像素的数量的方法可以参照上述获取第一预设区域的像素的数量方法，在此不做赘述。
进一步需要说明的是，本实施例仅以预设对象包括红色像素以及蓝色像素为例，在实际应用中可以预设任何类型的像素作为预设对象。
A2、判断第一预设区域的像素的数量是否小于第二预设区域的像素的数量。若是，则确定预设对象丢失。
本实施例中，第一预设区域的像素为经过处理后的图像中预设对象的数量，第一预设区域的像素为图像中预设对象的数量。当第一预设区域的像素的数量小于第二预设区域的像素的数量，表示图像经处理后预设对象丢失。
以蓝色像素为例，第一预设区域的像素的数量为经过处理后的图像中蓝色像素的数量B1，第二预设区域的像素的数量为图像中蓝色像素的数量B2。可以理解的是，当B1小于B2，表示图像经处理后，蓝色像素减少，也即，丢失部分蓝色像素。
需要说明的是，当第一预设区域的像素的数量等于0，并且第二预设区域的像素的数量大于0，则表示预设对象全部丢失，以蓝色像素为例，此时可以判断蓝色像素区域所表示的蓝色印章在图像处理过程中被丢失。
A3、判断第一预设区域与第二预设区域的差值是否小于第一预设阈值，若是，则确定预设对象变浅。
本实施例中，第一预设区域为经过处理后的图像中预设对象所占的区域，则第一预设区域中任一位置的像素的像素值为图像处理后该位置的预设对象的像素值，同理，第二预设区域中任一位置的像素的像素值为图像处理前该位置的预设对象的像素值。本实施例中，计算第一预设区域与第二预设区域差值的计算方法为，计算第一预设区域的像素值矩阵与第二预设区域的像素值矩阵的差值。
当第一预设区域与第二预设区域的差值小于第一预设阈值，则确定预设对象变浅。
需要说明的是，本实施例通过S101检测图像中的预设对象在图像经过处理后，是否变浅或丢失，得到检测结果，进一步将检测结果存储至预设的存储单元。
S102、检测图像是否具有瑕疵。
本实施例中，瑕疵包括黑边和白边中的至少一项。以扫描档案文件得到的图像为例，图像四个边缘内侧存在黑边，或者由于档案文件的纸张偏小，扫描时周边存在与纸张颜色有差异的白边。
本实施例分别对黑边的检测方法(B1)和白边的检测方法(B2)进行介绍，如下：
B1、检测图像是否具有黑边的方法包括：B11～B14，如下：
B11、获取图像的二值图像。
本实施例中，将图像自适应阈值转为二值图像。
需要说明的是，本实施例进一步对二值图像进行处理，处理的方法包括：
(1)使用n×n的自定义内核对二值图像进行闭运算，过滤掉孤立的像素，其中，n根据实际应用进行预设，本实施例中n＝8。
(2)使用m×m的自定义内核对二值图像进行开运算，去除背景噪声，其中，m根据实际应用进行预设，本实施例中m＝20。
需要说明的是，对二值图像的处理方法(1)和(2)是可选的图像处理方法，本实施例中，也可以不对二值图像做处理。
B12、将二值图像的边界像素设置为白色。
本实施例中，边界像素为图像中位于图像四条边的边缘位置的像素，具体地，将二值图像的边界像素设置为白色的方法是，将图像的边界像素的RGB值设置为(255,255,255)。
B13、从二值图像中获取像素数量在第一预设范围内的联通区域。
其中，第一预设范围记为[u，d]，其中u，d可以根据实际应用预设，本实施例中，u＝400且d＝50000。也即，本实施例从二值图像中获取像素值的数量在[400，50000]的联通区域。
B14、若联通区域中包括边界像素，则检测到黑边。
B2、检测图像是否具有白边的方法包括：B21～B24，如下：
B21、使用第二预设范围，提取图像中的白色区域。
本实施例中，第二预设范围为白色像素的像素值区间，例如，第二预设范围取值为[([0,0,141]，[25,20,255])]，表示像素值在第二预设范围内的像素为白色像素。白色区域为图像中包括所有白色像素的区域。
B22、按照白色区域和非白色区域，对图像进行二值化并反选，得到二值图像。
需要说明的是，本实施例进一步对二值图像进行处理，处理的方法包括：
(1)使用a×a的自定义内核对二值图像进行闭运算，过滤掉孤立的像素，其中，a根据实际应用进行预设，本实施例中a＝3。
(2)使用b×b的自定义内核对二值图像进行开运算，去除背景噪声，其中，b根据实际应用进行预设，本实施例中b＝20。
需要说明的是，对二值图像的处理方法(1)和(2)是可选的图像处理方法，本实施例中，也可以不对二值图像做处理。
B23、获取二值图像中的最大联通区域。
B24、若最大联通区域的最小外包矩形的尺度大于图像的预设倍数，则检测到白边。
本实施例中，图像的预设倍数根据实际应用设置，例如，预设倍数设置为0.9。当最大联通区域的最小外包矩形的长度大于图像长度的0.9倍，并且最大联通区域的最小外包矩形的宽度大于图像宽度的0.9倍时，则检测到白边
需要说明的是，通过上述B1和B2检测是否具有黑边或白边得到检测结果，在图像中标注检测结果，并且将检测结果存储至存储单元。
从上述技术方案可以看出，本申请实施例提供的一种基于图像处理的图像质量检测方法、装置、设备及可读存储介质，检测图像中的预设对象在图像经过处理后，是否变浅或丢失，并且，检测图像是否具有瑕疵。本方案中，瑕疵包括黑边和白边的至少一项，预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项，瑕疵包括黑边和白边的至少一项。
本方案提供的检测图像中的预设对象在图像经过处理后，是否变浅或丢失的方法包括：若第一预设区域的像素的数量小于第二预设区域的像素的数量，则确定预设对象丢失，若第一预设区域与第二预设区域的差值小于第一预设阈值，则确定预设对象变浅，第一预设区域为经过处理后的图像中预设对象所占的区域，第二预设区域为图像中预设对象所占的区域。
本方案提供的检测图像是否具有黑边的方法包括：获取图像的二值图像；将二值图像的边界像素设置为白色；从二值图像中获取像素数量在第一预设范围内的联通区域；若联通区域中包括边界像素，则检测到黑边。
本方案提供的检测图像是否具有白边的方法包括：使用第二预设范围，提取图像中的白色区域；按照白色区域和非白色区域，对图像进行二值化并反选，得到二值图像；获取二值图像中的最大联通区域；若最大联通区域的最小外包矩形的尺度大于图像的预设倍数，则检测到白边，预设倍数小于1。
由上述方法的各个步骤可以看出，本方法提供了自动检测图像中的黑边和/或白边的标准化且统一的流程，以及提供了自动检测红色像素、蓝色像素、和/或预设内容像素是否变浅或丢失的标准化且统一的流程。相对于现有技术中的人工检测方法，避免了人为主观认知不同而审查标准不一造成审查准确度低的问题，并且提高了质量检测效率。
需要说明的是，针对于图像中可能存在的各项不合规现象，本申请实施例提供了又一种基于图像处理的图像质量检测方法，如图2所示，本方法具体包括S201～S208：
S201、检测图像中的预设对象在图像经过处理后，是否变浅或丢失。
本实施例中，预设对象包括红色像素、蓝色像素、和/或预设内容像素。具体可以参照上述S101的方法，在此不做赘述。
S202、检测图像是否具有瑕疵。
本实施例中，瑕疵包括黑边、白边、和/或污点。其中，检测图像是否具有黑边或白边的方法可以参照上述S102。
本实施例中，使用多尺度CNN网络，检测图像中是否有污点，本实施例中污点不限定于因污渍产生，可选地，污点也包括码印以及装订孔经扫描在图像上产生的印记。
具体地，本实施例将CNN网络中最后一层特征图谱进行不断尽快上采样，将上采样结果与每一个金字塔阶级的特征图谱进行加法合并操作,得到新的表征能力更强的不同金字塔层次的特征图谱。
进一步，将ROI按照尺寸分别映射到特征图谱,在每个特征图谱上进行类别和位置预测，回归得到目标点的位置和置信度，将置信度大于预设置信度阈值的目标点作为污点。
需要说明的是，本实施例标注污点的位置，并且将污点检测结果存储至存储单元。由于污点的检测方法中，各个不同尺度的特征都具有较强的语义信息，所以污点检测结果准确度高。
S203、检测第一图像与第二图像是否重复。
本实施例中，检测第一图像和第二图像是否重复的方法具体包括C1～C2，如下：
C1、获取第一图像的指纹以及第二图像的指纹。
其中，第一图像的指纹通过对第一图像的像素值进行编码获得，第二图像的指纹通过对第二图像的像素值进行编码获得，第一图像和第二图像为一组图像中的任两个图像。
记任一图像为目标图像，以目标图像为例，对图像的编码过程包括C11～C16，如下：
C11、将目标图像转换为灰度图像。
C12、对灰度图像进行膨胀，突出变化信息。
C13、将膨胀处理后的图像缩放至预设尺度，得到缩放后图像。
本实施例中，为了保留结构去掉细节，去除大小、横纵比的差异，把图片统一缩放到8*8，共64个像素。
C14、计算膨胀后的图像中的所有像素的平均值。
C15、遍历缩放后图像中的像素，若像素的灰度值小于平均值将像素的灰度值设置为0，否则将像素的灰度值设置为1，得到二值图像。
C16、将二值图像的像素值组合为数值串，得到目标图像的指纹。
本实施例中，任一图像的指纹为64个bit位，其中，预设的顺序随机设置，所有图像编码顺序保持一致即可。
需要说明的是，按照上述C11～C16编码，得到第一图像的指纹以及第二图像的指纹。
C2、第一图像的指纹与第二图像的指纹的编码距离小于第二预设阈值，则第一图像与第二图像重复。
本实施例中，第一图像的指纹与第二图像的指纹的编码距离指的是，每次变换一个位置的编码，第一图像的指纹变换至第二图像的指纹，所需的变换次数。也即，第一图像的指纹与第二图像的指纹相同位置的编码不同的个数。
第一图像的指纹与第二图像的指纹的编码距离越大，表示第一图像与第二图像的差异越大，反之，第一图像的指纹与第二图像的指纹的编码距离越小，表示第一图像与第二图像的差异越小。本实施例中，第二预设阈值根据实际应用设置，例如，第二预设阈值为10，则，当第一图像的指纹与第二图像的指纹的编码距离小于10，认为第一图像与第二图像重复。
S204、检测图像是否为空白页面。
本实施例中，记任一图像为目标图像，检测目标图像是否为空白页面的方法具体包括D1～D2，如下：
D1、获取目标图像的指纹。
本实施例中，目标图像的指纹通过对目标图像的像素值进行编码获得，编码的方法可以参照上述C11～C16。
D2、若目标图像的指纹与空白图像的指纹的距离小于第三预设阈值，则目标图像为空白页面。
具体地，可以参见上述C2，将目标图像作为第一图像，将空白图像作为第二图像即可。
S205、检测多个图像中的页码是否重复。
本实施例中，使用预设的模型从多个图像中识别页码。如不同的图像中的页码相同，则检测到重复页码。预设的模型包括：获取图像中的页码区域的第一模型、从页码区域中识别数字的第二模型和从页码区域中识别空格的第三模型。
具体的一种实现方法可以为：采用多尺度CNN神经网络页码位置检测算法回归得到页码区域，再采用CNN+RNN+CTC模型中的OCR(Optical Character Recognition，光学字符识别)算法获得页码，通过对比不同的图像中的页码是否相同，判断多个图像中的页码是否重复。
S206、检测图像的方向以及图像中的对象的偏移量。
本实施例中，检测图像的方向至少包括检测图像中的文本的角度，图像中的对象包括表格和文字。
具体地，检测图像的方向以及图像中的对象的偏移量的方法包括E1～E3,，如下：
E1、使用预设的文本角度检测模型，识别图像中的文本的角度。
以预设的文本角度检测模型为VGG16网络为例，本实施例采用由13个卷积层和3个全连接层叠加而成的深度学习模型对图像进行特征提取，将图像中的文字方向分类成4个角度。VGG16网络具有小卷积核、小池化核、层数更深特征图更宽以及全连接转卷积的特点，在多个迁移学习任务中的表现较好。
E2、使用霍夫变换算法，检测图像中的表格的偏移量。
E3、使用文字行检测算法，检测图像中的文字行的偏移量。
需要说明的是，霍夫变换算法以及文字行检测算法可以参照现有技术。
S207、检测图像的清晰度。
本实施例中，采用拉普拉斯梯度法检测图像的清晰度，具体包括F1～F3，如下：
F1、使用拉普拉斯算子，计算图像的水平梯度和竖直梯度。
拉普拉斯算子的表示方法如下公式(1)。
Figure BDA0002563417610000151
公式(1)中所示的拉普拉斯算子为对公式(2)所示的标量函数计算散度得到，即，拉普拉斯算子表示以点(x,y,z)为中心的球面上的标量函数的平均值，在球面半径增大时增大的速率。
Figure BDA0002563417610000152
公式(2)中，
Figure BDA0002563417610000153
本实施例中，按照上述公式(1)计算图像的拉普拉斯算子，并提起其中的水平方向算子为水平梯度，竖直方向算子为竖直梯度。
F2、计算水平梯度与竖直梯度之和，作为清晰度参数。
F3、若清晰度参数小于第四预设阈值，确定图像的清晰度不满足要求。
清晰度参数由水平梯度和竖直梯度相加得到，可以表征图像的清晰度，即，当清晰度参数越大，表示图像越清晰。本实施例中，当清晰度参数小于第四预设阈值，确定图像的清晰度较低，不满足清晰度要求。需要说明的是，第四预设阈值按照实际应用进行设置。
S208、检测图像的类别。
本实施例中，使用分类模型，确定图像的类别。
具体地，使用分类模型，例如深度学习模型对输入的图像提取特征，输出预测的图像的类别和准确度。若准确度高于准确度阈值，则确定预测的类别为图像的类别。
需要说明的是，当准确度不高于准确度阈值，则确定预测的类别可信度较低，可以使用人工检查的方法确定图像的类别。
需要说明的是，上述S201～S208从8个合规性审查角度对图像进行检测，其中，步骤之间不限定先后顺序。
进一步需要说明的是，按照S201～S208检测图像，产生若干个检测结果，本实施例将检测结果记录，并保存至存储单元，各个检测方法中的存储单元可以为一个也可以为多个。
由上述技术方案可以看出，本申请实施例提供的基于图像处理的图像质量检测方法，对图像进行多个合规性审查项目的检测，其中包括：检测预设对象是否变浅或丢失、检测是否具有瑕疵、重复性检测、空白页检测、重复页码检测、方向及偏移量检测、清晰度检测、以及图像类别检测。综上，本方法可以对图像进行全方面的检测，并且，针对不同图像的检测，每一项检测都依据相同的检测方法，自动生成检测结果，也即，相对于不同图像的审查标准相同。可见相对于现有技术中的人工检测方法，避免了人为主观认知不同而审查标准不一造成审查准确度低的问题，并且提高了质量检测效率。
图3为本申请实施例提供的一种基于图像处理的图像质量检测装置的结构示意图，如图3所示，该装置可以包括：
图像内容检测模块301，用于检测图像中的预设对象在图像经过处理后，是否变浅或丢失，预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。
可选地，图像内容检测模块301具体用于：
若第一预设区域的像素的数量小于第二预设区域的像素的数量，则确定预设对象丢失，若第一预设区域与第二预设区域的差值小于第一预设阈值，则确定预设对象变浅，第一预设区域为经过处理后的图像中预设对象所占的区域，第二预设区域为图像中预设对象所占的区域。
图像瑕疵检测模块302，用于检测图像是否具有瑕疵，瑕疵包括黑边和白边的至少一项。
可选地，图像瑕疵检测模块302具体用于：
将二值图像的边界像素设置为白色。从二值图像中获取像素数量在第一预设范围内的联通区域。若联通区域中包括边界像素，则检测到黑边。
使用第二预设范围，提取图像中的白色区域。按照白色区域和非白色区域，对图像进行二值化并反选，得到二值图像。获取二值图像中的最大联通区域。若最大联通区域的最小外包矩形的尺度大于图像的预设倍数，则检测到白边，预设倍数小于1。
图4为本申请实施例提供的又一种基于图像处理的图像质量检测装置的结构示意图，如图4所示，该装置可以包括图像内容检测模块41、图像瑕疵检测模块42、图像重复性检测模块43、图像角度检测模块44、图像显示效果检测模块45、以及图像类别检测模块46。
本实施例对上述各个模块的结构及功能介绍如下：
图像内容检测模块41，用于检测图像中的预设对象在图像经过处理后，是否变浅或丢失。
可选地，图像内容检测模块41具体用于：
若第一预设区域的像素的数量小于第二预设区域的像素的数量，则确定预设对象丢失，若第一预设区域与第二预设区域的差值小于第一预设阈值，则确定预设对象变浅，第一预设区域为经过处理后的图像中预设对象所占的区域，第二预设区域为图像中预设对象所占的区域。
本实施例中，预设对象包括红色像素、蓝色像素、和预设内容像素，如图4所示，图像内容检测模块包括红色像素检测模块411，蓝色像素检测模块412和预设内容像素检测模块413。
图像瑕疵检测模块42，用于检测图像是否具有瑕疵，瑕疵包括黑边、白边以及其他瑕疵(例如污点)。
如图4所示，图像瑕疵检测模块42具体包括黑边检测模块421、白边检测模块422、以及其他瑕疵检测模块423。
其中，黑边检测模块用于检测图像是否具有黑边。白边检测模块用于检测图像是否具有白边。
其他瑕疵检测模块检测图像是否具有其他瑕疵。其他瑕疵检测模块具体用于：使用多尺度CNN网络，检测图像中是否有污点。
图像重复性检测模块43包括重复页检测模块431、空白页检测模块432、以及重复页码检测模块433。
其中，重复页检测模块用于检测第一图像与第二图像是否重复。重复页检测模块具体用于：
获取第一图像的指纹以及第二图像的指纹，其中，目标图像的指纹通过对目标图像的像素值进行编码获得，目标图像为任一个图像。若第一图像的指纹与第二图像的指纹的距离小于第二预设阈值，则第一图像与第二图像重复。
空白页检测模块用于检测图像是否为空白页面，空白页检测模块具体用于：
获取图像的指纹，其中，目标图像的指纹通过对目标图像的像素值进行编码获得，目标图像为任一个图像。
若图像的指纹与空白图像的指纹的距离小于第三预设阈值，则图像为空白页面。
重复页码检测模块用于检测多个图像中的页码是否重复，重复页码检测模块具体用于：
使用预设的模型从多个图像中识别页码。如不同的图像中的页码相同，则检测到重复页码，预设的模型包括：获取图像中的页码区域的第一模型、从页码区域中识别数字的第二模型和从页码区域中识别空格的第三模型。
图像角度检测模块44用于检测图像的方向以及图像中的对象的偏移量，对象包括表格和文字。
如图4所示，图像角度检测模块44包括文本角度检测模块441、表格检测模块442、以及文本检测模块443。
其中，文本角度检测模块用于使用预设的文本角度检测模型，识别图像中的文本的角度。
表格检测模块用于使用霍夫变换算法，检测图像中的表格的偏移量。
文本检测模块用于使用文字行检测算法，检测图像中的文字行的偏移量。
图像显示效果检测模块45，用于检测图像的清晰度。检测图像的清晰度包括：使用拉普拉斯算子，计算图像的水平梯度和竖直梯度。计算水平梯度与竖直梯度之和，作为清晰度参数。若清晰度参数小于第三预设阈值，确定图像的清晰度不满足要求。
图像类别检测模块46，用于使用分类模型，确定图像的类别。
本申请实施例还提供了一种基于图像处理的图像质量检测设备，请参阅图5，示出了该基于图像处理的图像质量检测设备的结构示意图，该设备可以包括：至少一个处理器501，至少一个通信接口502，至少一个存储器503和至少一个通信总线504；
在本申请实施例中，处理器501、通信接口502、存储器503、通信总线504的数量为至少一个，且处理器501、通信接口502、存储器503通过通信总线504完成相互间的通信；
处理器501可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器503可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可执行存储器存储的程序，实现如上项所述的基于图像处理的图像质量检测方法。
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的计算机程序，计算机程序被处理器执行时，实现如上所述的基于图像处理的图像质量检测方法。
最后，还需要说明的是，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操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于图像处理的图像质量检测方法，其特征在于，包括：
检测图像中的预设对象在所述图像经过处理后，是否变浅或丢失，所述预设对象包括红色像素、蓝色像素的至少一项；
检测所述图像是否具有瑕疵，所述瑕疵包括黑边和白边的至少一项；
其中，所述检测图像中的预设对象在所述图像经过处理后，是否变浅或丢失，包括：若第一预设区域的像素的数量小于第二预设区域的像素的数量，则确定所述预设对象丢失，若第一预设区域与所述第二预设区域的差值小于第一预设阈值，则确定所述预设对象变浅，所述第一预设区域为经过所述处理后的所述图像中所述预设对象所占的区域，所述第二预设区域为所述图像中所述预设对象所占的区域；
检测所述图像是否具有所述黑边，包括：获取所述图像的二值图像；将所述二值图像的边界像素设置为白色；从所述二值图像中获取像素数量在第一预设范围内的联通区域；若所述联通区域中包括所述边界像素，则检测到所述黑边；
检测所述图像是否具有所述白边，包括：使用第二预设范围，提取所述图像中的白色区域；按照所述白色区域和非白色区域，对所述图像进行二值化并反选，得到二值图像；获取所述二值图像中的最大联通区域；若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数，则检测到所述白边，所述预设倍数小于1；
检测第一图像与第二图像是否重复；
所述检测第一图像与第二图像是否重复，包括：
获取所述第一图像的指纹以及所述第二图像的指纹，其中，目标图像的指纹通过对所述目标图像的像素值进行编码获得，所述目标图像为任一个图像；
若所述第一图像的指纹与所述第二图像的指纹的距离小于第二预设阈值，则所述第一图像与所述第二图像重复。
2.根据权利要求1所述的方法，其特征在于，所述检测所述图像是否具有瑕疵，还包括：
使用多尺度CNN网络，检测所述图像中是否有污点。
3.根据权利要求1所述的方法，其特征在于，还包括：
检测所述图像是否为空白页面；
所述检测所述图像是否为空白页面，包括：
获取所述图像的指纹，其中，目标图像的指纹通过对所述目标图像的像素值进行编码获得，所述目标图像为任一个图像；
若所述图像的指纹与空白图像的指纹的距离小于第三预设阈值，则所述图像为所述空白页面。
4.根据权利要求3所述的方法，其特征在于，所述目标图像的指纹的获取过程包括：
将所述目标图像转换为灰度图像；
对所述灰度图像进行膨胀处理；
将所述膨胀处理后的图像缩放至预设尺度，得到缩放后图像；
计算所述缩放后图像中的像素的平均值；
遍历所述缩放后图像中的像素，若所述像素的灰度值小于所述平均值，将所述像素的灰度值设置为0，否则将所述像素的灰度值设置为1，得到二值图像；
将所述二值图像的像素值组合为数值串，得到所述目标图像的指纹。
5.根据权利要求1所述的方法，其特征在于，还包括以下至少一项：
检测多个所述图像中的页码是否重复；
检测所述图像的方向以及所述图像中的对象的偏移量，所述对象包括表格和文字；
检测所述图像的清晰度；
检测所述图像的类别；
其中，所述检测多个所述图像中的页码是否重复包括：
使用预设的模型从多个所述图像中识别页码；如不同的所述图像中的页码相同，则检测到重复页码，所述预设的模型包括：获取所述图像中的页码区域的第一模型、从所述页码区域中识别数字的第二模型和从所述页码区域中识别空格的第三模型；
所述检测所述图像的方向以及所述图像中的对象的偏移量包括：
使用预设的文本角度检测模型，识别所述图像中的文本的角度；
使用霍夫变换算法，检测所述图像中的表格的偏移量；
使用文字行检测算法，检测所述图像中的文字行的偏移量；
所述检测所述图像的清晰度包括：
使用拉普拉斯算子，计算所述图像的水平梯度和竖直梯度；
计算所述水平梯度与所述竖直梯度之和，作为清晰度参数；
若所述清晰度参数小于第四预设阈值，确定所述图像的清晰度不满足要求；
所述检测所述图像的类别包括：
使用分类模型，确定所述图像的类别。
6.一种基于图像处理的图像质量检测装置，特征在于，包括：
图像内容检测模块，用于检测图像中的预设对象在所述图像经过处理后，是否变浅或丢失，所述预设对象包括红色像素、蓝色像素的至少一项；所述检测图像中的预设对象在所述图像经过处理后，是否变浅或丢失，包括：若第一预设区域的像素的数量小于第二预设区域的像素的数量，则确定所述预设对象丢失，若第一预设区域与所述第二预设区域的差值小于第一预设阈值，则确定所述预设对象变浅，所述第一预设区域为经过所述处理后的所述图像中所述预设对象所占的区域，所述第二预设区域为所述图像中所述预设对象所占的区域；
图像瑕疵检测模块，用于检测所述图像是否具有瑕疵，所述瑕疵包括黑边和白边的至少一项；其中，检测所述图像是否具有所述黑边，包括：获取所述图像的二值图像；将所述二值图像的边界像素设置为白色；从所述二值图像中获取像素数量在第一预设范围内的联通区域；若所述联通区域中包括所述边界像素，则检测到所述黑边；
检测所述图像是否具有所述白边，包括：使用第二预设范围，提取所述图像中的白色区域；按照所述白色区域和非白色区域，对所述图像进行二值化并反选，得到二值图像；获取所述二值图像中的最大联通区域；若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数，则检测到所述白边，所述预设倍数小于1；
其中，所述图像重复性检测模块还用于：
检测第一图像与第二图像是否重复；
所述检测第一图像与第二图像是否重复，包括：获取所述第一图像的指纹以及所述第二图像的指纹，其中，目标图像的指纹通过对所述目标图像的像素值进行编码获得，所述目标图像为任一个图像；
若所述第一图像的指纹与所述第二图像的指纹的距离小于第二预设阈值，则所述第一图像与所述第二图像重复。
7.根据权利要求6所述的装置，其特征在于，还包括：
所述图像重复性检测模块还用于：
检测所述图像是否为空白页面；
所述检测所述图像是否为空白页面，包括：
获取所述图像的指纹，其中，目标图像的指纹通过对所述目标图像的像素值进行编码获得，所述目标图像为任一个图像；
若所述图像的指纹与空白图像的指纹的距离小于第三预设阈值，则所述图像为所述空白页面。
8.根据权利要求6所述的装置，其特征在于，所述图像重复性检测模块还用于：检测多个所述图像中的页码是否重复；所述检测多个所述图像中的页码是否重复包括：
使用预设的模型从多个所述图像中识别页码；如不同的所述图像中的页码相同，则检测到重复页码，所述预设的模型包括：获取所述图像中的页码区域的第一模型、从所述页码区域中识别数字的第二模型和从所述页码区域中识别空格的第三模型；
所述装置还包括：
图像角度检测模块，用于检测所述图像的方向以及所述图像中的对象的偏移量，所述对象包括表格和文字；所述检测所述图像的方向以及所述图像中的对象的偏移量包括：使用预设的文本角度检测模型，识别所述图像中的文本的角度；使用霍夫变换算法，检测所述图像中的表格的偏移量；使用文字行检测算法，检测所述图像中的文字行的偏移量；
图像显示效果检测模块，用于检测所述图像的清晰度；所述检测所述图像的清晰度包括：使用拉普拉斯算子，计算所述图像的水平梯度和竖直梯度；计算所述水平梯度与所述竖直梯度之和，作为清晰度参数；若所述清晰度参数小于第三预设阈值，确定所述图像的清晰度不满足要求；
图像类别检测模块，用于使用分类模型，确定所述图像的类别。
9.一种基于图像处理的图像质量检测设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1~5中任一项所述的基于图像处理的图像质量检测方法的各个步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1~5中任一项所述的基于图像处理的图像质量检测方法的各个步骤。
CN202010622248.7A 2020-06-30 2020-06-30 基于图像处理的图像质量检测方法及相关装置 Active CN111739014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010622248.7A CN111739014B (zh) 2020-06-30 2020-06-30 基于图像处理的图像质量检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010622248.7A CN111739014B (zh) 2020-06-30 2020-06-30 基于图像处理的图像质量检测方法及相关装置

Publications (2)

Publication Number Publication Date
CN111739014A CN111739014A (zh) 2020-10-02
CN111739014B true CN111739014B (zh) 2023-03-07

Family

ID=72652297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010622248.7A Active CN111739014B (zh) 2020-06-30 2020-06-30 基于图像处理的图像质量检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN111739014B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05145768A (ja) * 1991-11-15 1993-06-11 Ricoh Co Ltd カラー文書画像の適応符号化方式および復号方式
EP1288847A1 (en) * 2001-08-30 2003-03-05 Matsushita Electric Industrial Co., Ltd. Method and apparatus for identifying identical images
JP2005051383A (ja) * 2003-07-31 2005-02-24 Ricoh Co Ltd 画像歪み補正装置、画像読取装置、画像形成装置及びプログラム
CN108305240A (zh) * 2017-05-22 2018-07-20 腾讯科技（深圳）有限公司 图像质量检测方法及装置
CN110111245A (zh) * 2019-05-13 2019-08-09 Oppo广东移动通信有限公司 图像处理方法、装置、终端及计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190123790A (ko) * 2017-03-22 2019-11-01 드릴링 인포 인코포레이티드 전자 문서로부터 데이터 추출
US10984504B2 (en) * 2019-06-26 2021-04-20 Intel Corporation Advanced demosaicing with angle compensation and defective pixel correction

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05145768A (ja) * 1991-11-15 1993-06-11 Ricoh Co Ltd カラー文書画像の適応符号化方式および復号方式
EP1288847A1 (en) * 2001-08-30 2003-03-05 Matsushita Electric Industrial Co., Ltd. Method and apparatus for identifying identical images
JP2005051383A (ja) * 2003-07-31 2005-02-24 Ricoh Co Ltd 画像歪み補正装置、画像読取装置、画像形成装置及びプログラム
CN108305240A (zh) * 2017-05-22 2018-07-20 腾讯科技（深圳）有限公司 图像质量检测方法及装置
CN110111245A (zh) * 2019-05-13 2019-08-09 Oppo广东移动通信有限公司 图像处理方法、装置、终端及计算机可读存储介质

Also Published As

Publication number Publication date
CN111739014A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
JP4340701B2 (ja) デジタル画像のテキストを識別する方法およびシステム
CN107133622B (zh) 一种单词的分割方法和装置
JP5844783B2 (ja) テキスト領域を含むグレースケール文書画像を処理する方法、グレースケール文書画像の少なくともテキスト領域を二値化する方法、グレースケール文書画像においてグリッドを形成するテーブルの抽出方法及びプログラム
JP5008572B2 (ja) 画像処理方法、画像処理装置およびコンピュータ可読媒体
JP6998198B2 (ja) マルチバイナリゼーション画像処理
Chen et al. Decompose algorithm for thresholding degraded historical document images
JP2014531097A (ja) マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出
Mukherjee et al. Enhancement of image resolution by binarization
CN111681273A (zh) 图像分割方法、装置、电子设备及可读存储介质
JP4266030B2 (ja) デジタル画像の領域を検知する方法およびシステム
CN109948521B (zh) 图像纠偏方法和装置、设备及存储介质
CN109389110B (zh) 一种区域确定方法及装置
CN111507344A (zh) 从图像中识别出文字的方法和装置
CN111401290A (zh) 一种人脸检测方法及系统、计算机可读存储介质
CN112507876A (zh) 一种基于语义分割的有线表格图片解析方法和装置
CN115273115A (zh) 一种文档元素标注方法、装置、电子设备和存储介质
CN113033558A (zh) 一种用于自然场景的文本检测方法及装置、存储介质
JP4527127B2 (ja) デジタル画像の領域を検知するシステム
CN113129298B (zh) 文本图像的清晰度识别方法
CN113688838A (zh) 红色笔迹提取方法、系统、可读存储介质及计算机设备
CN112215266B (zh) 一种基于小样本学习的x光图像违禁物品检测方法
US20210407047A1 (en) Automatic Artifact Removal in a Digital Image
CN111739014B (zh) 基于图像处理的图像质量检测方法及相关装置
CN116012860B (zh) 一种基于图像识别的教师板书设计水平诊断方法及装置
JP7364639B2 (ja) デジタル化された筆記の処理

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