CN111798406A - 一种图片质量评价方法和系统 - Google Patents
一种图片质量评价方法和系统 Download PDFInfo
- Publication number
- CN111798406A CN111798406A CN202010224632.1A CN202010224632A CN111798406A CN 111798406 A CN111798406 A CN 111798406A CN 202010224632 A CN202010224632 A CN 202010224632A CN 111798406 A CN111798406 A CN 111798406A
- Authority
- CN
- China
- Prior art keywords
- picture
- target picture
- evaluation
- information
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 171
- 230000000007 visual effect Effects 0.000 claims abstract description 83
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图片质量评价方法和系统，涉及计算机技术领域。该方法的一具体实施方式包括：获取目标图片以及目标图片所归属视觉规范项目的项目标识，提取目标图片的图片信息；根据图片信息，计算目标图片的设定评价参数的度量值；根据项目标识，获取评价参数的基准值；其中，基准值是通过计算多张基准图片的评价参数的度量值来确定的；按照设定的比较规则，将目标图片的度量值与基准值进行比较，得到目标图片的评价结果。该实施方式通过提取目标图片的图片信息，生成数字化评价参数，之后与评价参数的基准值进行比较，实现了图片质量的自动化评价，提高了评价效率，且评价结果客观公正。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种图片质量评价方法和系统。
背景技术
在互联网的实际业务中，需要用户界面(User Interface，UI)设计师设计大量图片。为了保证多个UI设计师设计的图片具有相对一致性，需要设定一系列的视觉规范。比如，图片的各个部分趋于一个整体，核心对象趋向于图片中心，图片的色彩变化不突兀，图片保持相对整齐等。
现有技术中，通常由UI设计师根据视觉规范来评价图片质量，并且图片设计完毕后，由UI设计师或者项目相关人员进行存储管理。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
对图片质量的评价由人工进行，评价主观性强，效率低；图片由UI设计师或者项目相关人员存储，管理分散，难以相互参考比较。
发明内容
有鉴于此，本发明实施例提供一种图片质量评价方法和系统，通过提取目标图片的图片信息，生成数字化评价参数，之后与评价参数的基准值进行比较，实现了图片质量的自动化评价，提高了评价效率，且评价结果客观公正。
为实现上述目的，根据本发明实施例的一个方面，提供了一种图片质量评价方法。
本发明实施例的一种图片质量评价方法，包括：获取目标图片以及所述目标图片所归属视觉规范项目的项目标识，提取所述目标图片的图片信息；根据所述图片信息，计算所述目标图片的设定评价参数的度量值；根据所述项目标识，获取所述评价参数的基准值；其中，所述基准值是通过计算多张基准图片的所述评价参数的度量值来确定的；按照设定的比较规则，将所述目标图片的度量值与所述基准值进行比较，得到所述目标图片的评价结果。
可选地，所述评价参数包括图片的对象数量、接近性、相似性和整齐性中的任意一个或者多个；其中，所述接近性用于衡量核心对象到图片中心的距离远近，所述相似性用于衡量图片的色彩变化情况，所述整齐性用于衡量图片的整齐情况。
可选地，在所述评价参数包括所述对象数量的情况下，提取所述目标图片的图片信息，包括：获取所述目标图片的第一尺寸信息，以及所述目标图片所包含对象的第二尺寸信息；根据所述图片信息，计算所述目标图片的对象数量的度量值，包括：按照设定缩放比例缩小所述第一尺寸信息，得到基准尺寸信息；遍历所述目标图片包含的对象，统计所述目标图片中第二尺寸信息大于所述基准尺寸信息的对象总数，所述对象总数即为所述对象数量的度量值。
可选地，在所述评价参数包括所述接近性的情况下，提取所述目标图片的图片信息，包括：将所述目标图片划分为N×M的格子区域，按照所述格子区域初始化坐标轴的刻度，确定所述目标图片的中心坐标；其中，N和M为整数；获取所述目标图片的像素信息，根据所述像素信息和设定过滤条件，过滤所述目标图片的像素点，得到目标像素点；根据所述图片信息，计算所述目标图片的接近性的度量值，包括：计算所述目标像素点所隶属的格子区域的矩阵中心，将所述矩阵中心映射为对应的键；统计具有相同键的所述目标像素点的数量，得到所述键对应的格子区域的信息量；计算前K个大信息量的格子区域的矩阵中心与所述中心坐标的距离，将K个所述距离累加求和得到所述接近性的度量值；其中，K为整数。
可选地，所述像素信息为像素点的颜色值，所述过滤条件为当前像素点的颜色值与所述当前像素点的上下左右四个方向的像素点的颜色值之差的绝对值均小于设定阈值；根据所述像素信息和设定过滤条件，过滤所述目标图片的像素点，包括：将所述当前像素点的颜色值与分别所述当前像素点的上下左右四个方向的像素点的颜色值做差，得到四个差值；如果所述四个差值的绝对值均小于所述阈值，则过滤所述当前像素点。
可选地，在所述评价参数包括所述相似性的情况下，提取所述目标图片的图片信息，包括：提取所述目标图片的多个像素点的颜色值；根据所述图片信息，计算所述目标图片的相似性的度量值，包括：将所述目标图片的多个像素点的颜色值分别与其上下左右四个方向的像素点的颜色值做差，将差值的平方和累加；根据累加结果计算所述目标图片的平均颜色值差，所述平均颜色值差即为所述相似性的度量值。
可选地，在所述评价参数包括所述整齐性的情况下，提取所述目标图片的图片信息，包括：获取所述目标图片的第一尺寸信息；根据所述图片信息，计算所述目标图片的整齐性的度量值，包括：根据所述第一尺寸信息，将所述目标图片缩放为设定尺寸；将缩放后的目标图片对应的灰度图数据作为一维数组，统计所述一维数组中数组元素出现的概率；根据所述概率计算所述目标图片的信息熵，所述信息熵即为所述整齐性的度量值。
可选地，根据多张基准图片的所述评价参数的度量值，确定所述评价参数的基准值，包括：将所述多张基准图片的所述评价参数的度量值累加求和后，除以所述多张基准图片的图片数量，得到所述评价参数的基准值。为实现上述目的，根据本发明实施例的另一方面，提供了一种图片质量评价系统。
本发明实施例的一种图片质量评价系统，包括：提取模块，用于获取目标图片以及所述目标图片所归属视觉规范项目的项目标识，提取所述目标图片的图片信息；计算模块，用于根据所述图片信息，计算所述目标图片的设定评价参数的度量值；获取模块，用于根据所述项目标识，获取所述评价参数的基准值；其中，所述基准值是通过计算多张基准图片的所述评价参数的度量值来确定的；比较模块，用于按照设定的比较规则，将所述目标图片的度量值与所述基准值进行比较，得到所述目标图片的评价结果。
可选地，所述评价参数包括图片的对象数量、接近性、相似性和整齐性中的任意一个或者多个；其中，所述接近性用于衡量核心对象到图片中心的距离远近，所述相似性用于衡量图片的色彩变化情况，所述整齐性用于衡量图片的整齐情况。
可选地，在所述评价参数包括所述对象数量的情况下，所述提取模块，还用于：获取所述目标图片的第一尺寸信息，以及所述目标图片所包含对象的第二尺寸信息；所述计算模块，还用于：按照设定缩放比例缩小所述第一尺寸信息，得到基准尺寸信息；以及遍历所述目标图片包含的对象，统计所述目标图片中第二尺寸信息大于所述基准尺寸信息的对象总数，所述对象总数即为所述对象数量的度量值。
可选地，在所述评价参数包括所述接近性的情况下，所述提取模块，还用于：将所述目标图片划分为N×M的格子区域，按照所述格子区域初始化坐标轴的刻度，确定所述目标图片的中心坐标；其中，N和M为整数；以及获取所述目标图片的像素信息，根据所述像素信息和设定过滤条件，过滤所述目标图片的像素点，得到目标像素点；所述计算模块，还用于：计算所述目标像素点所隶属的格子区域的矩阵中心，将所述矩阵中心映射为对应的键；统计具有相同键的所述目标像素点的数量，得到所述键对应的格子区域的信息量；以及计算前K个大信息量的格子区域的矩阵中心与所述中心坐标的距离，将K个所述距离累加求和得到所述接近性的度量值；其中，K为整数。
可选地，所述像素信息为像素点的颜色值，所述过滤条件为当前像素点的颜色值与所述当前像素点的上下左右四个方向的像素点的颜色值之差的绝对值均小于设定阈值；所述提取模块，还用于：将所述当前像素点的颜色值与分别所述当前像素点的上下左右四个方向的像素点的颜色值做差，得到四个差值；如果所述四个差值的绝对值均小于所述阈值，则过滤所述当前像素点。
可选地，在所述评价参数包括所述相似性的情况下，所述提取模块，还用于：提取所述目标图片的多个像素点的颜色值；所述计算模块，还用于：将所述目标图片的多个像素点的颜色值分别与其上下左右四个方向的像素点的颜色值做差，将差值的平方和累加；以及根据累加结果计算所述目标图片的平均颜色值差，所述平均颜色值差即为所述相似性的度量值。
可选地，在所述评价参数包括所述整齐性的情况下，所述提取模块，还用于：获取所述目标图片的第一尺寸信息；所述计算模块，还用于：根据所述第一尺寸信息，将所述目标图片缩放为设定尺寸；将缩放后的目标图片对应的灰度图数据作为一维数组，统计所述一维数组中数组元素出现的概率；以及根据所述概率计算所述目标图片的信息熵，所述信息熵即为所述整齐性的度量值。
可选地，所述系统还包括：确定模块，用于将所述多张基准图片的所述评价参数的度量值累加求和后，除以所述多张基准图片的图片数量，得到所述评价参数的基准值。
为实现上述目的，根据本发明实施例的另一方面，提供了一种图片质量评价系统。
为实现上述目的，根据本发明实施例的再一方面，提供了一种电子设备。
本发明实施例的一种电子设备，包括：一个或多个处理器；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，使得所述一个或多个处理器实现本发明实施例的一种图片质量评价方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种图片质量评价方法。
上述发明中的一个实施例具有如下优点或有益效果：通过提取目标图片的图片信息，生成数字化评价参数，之后与评价参数的基准值进行比较，实现了图片质量的自动化评价，提高了评价效率，且评价结果客观公正；针对产品需求设定图片的评价参数，实现了定制化的图片评价；比较图片中各对象的第二尺寸信息与基准尺寸信息的大小，以统计其中需要关注的对象的对象总数，实现了对象数量这一指标的数字化，且在保证评价效果的情况下，提高了评价速度。
上述发明中的一个实施例具有如下优点或有益效果：使用大信息量的格子区域的矩阵中心与图片中心的距离之和作为关键对象到图片中心的距离，实现了接近性这一指标的数字化；通过剔除与上下左右的像素点的颜色值相接近的像素点，确定了关键对象的轮廓，便于后续统计格子区域的信息量；使用图片中全部像素点的平均颜色值差来衡量图片的色彩变化情况，实现了相似性这一指标的数字化；使用信息熵衡量图片的混乱度，实现了整齐性这一指标的数字化；统计基准图片中评价参数的度量值，进而结合图片数量得到基准值，进一步保证了评价结果的客观性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的图片质量评价方法的主要步骤的示意图；
图2是根据本发明实施例的图片质量评价方法的主要流程示意图；
图3是本发明实施例的视觉规范项目表管理界面的示意图；
图4是本发明实施例的视觉规范主基调图管理界面的示意图；
图5是本发明实施例的评价参数的基准值的展示结果示意图；
图6是本发明实施例的上传图片检测评分界面的示意图；
图7是本发明实施例的目标图片的评价结果示意图；
图8是本发明实施例的视觉规范检测日志表管理界面的示意图；
图9是本发明实施例的对象数量的基准值计算过程示意图；
图10是本发明实施例的接近性的基准值计算过程示意图；
图11是本发明实施例的相似性的基准值计算过程示意图；
图12是本发明实施例的整齐性的基准值计算过程示意图；
图13是根据本发明实施例的图片质量评价系统的主要模块的示意图；
图14是本发明实施例可以应用于其中的示例性系统架构图；
图15是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的图片质量评价方法的主要步骤的示意图。如图1所示，本发明实施例的图片质量评价方法，由图片质量评价系统实现，主要包括如下步骤：
步骤S101：获取目标图片以及所述目标图片所归属视觉规范项目的项目标识，提取所述目标图片的图片信息。其中，目标图片为待评价的图片。用户针对某个视觉规范项目提交目标图片，以向图片质量评价系统发起图片评价请求。图片质量评价系统在接收到图片评价请求后，获取用户提交的目标图片，以及视觉规范项目的项目标识。之后从目标图片中提取图片信息。
步骤S102：根据所述图片信息，计算所述目标图片的设定评价参数的度量值。其中，评价参数即评价图片质量的指标，可以为图片的对象数量、接近性、相似性和整齐性中的任意一个或者多个。对象数量即图片所包含的对象总数，接近性用于衡量核心对象到图片中心的距离远近，相似性用于衡量图片的色彩变化情况，整齐性用于衡量图片的整齐情况。
评价参数不同，所需的图片信息也不相同。比如，评价参数为对象数量时，图片信息为目标图片的第一尺寸信息，以及目标图片所包含对象的第二尺寸信息；评价参数为接近性时，图片信息为目标图片的中心坐标以及目标像素点；评价参数为相似性时，图片信息为目标图片的多个像素点的颜色值；评价参数为整齐性时，图片信息为目标图片的第一尺寸信息。
步骤S103：根据所述项目标识，获取所述评价参数的基准值。其中，基准值是通过计算多张基准图片的评价参数的度量值来确定的。具体地，计算多张基准图片的评价参数的度量值，将全部度量值累加求和后除以多张基准图片的图片数量，即可得到评价参数的基准值。预先保存各视觉规范项目的项目标识以及评价参数的基准值。后续基于项目标识即可获取对应视觉规范项目的评价参数的基准值。
步骤S104：按照设定的比较规则，将所述目标图片的度量值与所述基准值进行比较，得到所述目标图片的评价结果。比较目标图片的对象数量的度量值与基准值的大小，如果度量值偏离基准值大于设定阈值，则说明目标图片的对象数量不符合评价标准。比较目标图片的接近性、相似性、整齐性的度量值与各自基准值的大小，如果度量值大于对应基准值的设定倍数，则说明目标图片的接近性、相似性、整齐性不符合评价标准。至此实现了图片质量的自动化评价。
图2是根据本发明实施例的图片质量评价方法的主要流程示意图。如图2所示，本发明实施例的图片质量评价方法，主要包括如下步骤：
步骤S201：构建视觉规范文件。其中，视觉规范文件包括视觉规范项目表、视觉规范主基调图表和视觉规范检测日志表。视觉规范项目表，用于记录视觉规范的各个参数。视觉规范主基调图表，用于存储针对视觉规范项目上传的基准图片。视觉规范检测日志表，用于记录对目标图片进行质量评价的评价历史。下面结合表1-表3对视觉规范文件进行详细说明。
表1为实施例的视觉规范项目表，该表包括字段名称、字段类型和说明三个数据字段。其中，project_id为视觉规范项目的项目标识；project_config为视觉规范评价基准，可以为json格式，包括对象数量group_number的基准值、接近性center_distance的基准值、相似性variance的基准值和整齐性entropy的基准值四个字段。
表1
表2为实施例的视觉规范主基调图表，该表包括字段名称、字段类型和说明三个数据字段。其中，referpic_id为基准图片标识；project_id为基准图片隶属的视觉规范项目的项目标识，referpic_path为基准图片(即主基调图)的存储路径。基准图片用于计算视觉规范项目表中project_config的四个字段。
表2
| 字段名称 | 字段类型 | 说明 |
| referpic_id | int(11) | unsigned |
| project_id | int(11) | 隶属的视觉规范项目 |
| referpic_path | varchar(255) | 主基调图存储路径 |
| creator | varchar(255) | 创建者 |
| created_at | datetime | 纪录创建时间 |
表3为实施例的视觉规范检测日志表，该表包括字段名称、字段类型和说明三个数据字段。其中，targetpic_id为目标图片标识；project_id为目标图片隶属的视觉规范项目的项目标识；平台是指使用本实施例的图片质量评价方法进行图片质量评价的平台。
表3
| 字段名称 | 字段类型 | 说明 |
| targetpic_id | int(11) | unsigned |
| project_id | int(11) | 隶属的视觉规范项目 |
| name | varchar(255) | 目标图片的图片说明 |
| targetpic_path | varchar(255) | 目标图片存储路径 |
| check_result | longtext | 评价结果 |
| login | varchar(255) | 登录平台进行评价的用户 |
| created_at | datetime | 纪录创建时间 |
步骤S202：根据视觉规范文件建立视觉规范项目表管理界面，以使用户通过视觉规范项目表管理界面上传隶属当前视觉规范项目的基准图片。用户在视觉规范项目表管理界面(见图3)的操作字段点击【主基调图管理】按钮，进入视觉规范主基调图管理界面(见图4)，通过该界面即可上传隶属当前视觉规范项目的基准图片。
图3是本发明实施例的视觉规范项目表管理界面的示意图。如图3所示，本发明实施例的视觉规范项目表管理界面中可以包括id、视觉规范项目名、视觉规范主基调计算结果、创建者、纪录创建时间和操作等字段。其中，id为当前视觉规范项目的项目标识。
操作字段能够实现主基调图管理、自动计算基准参数、上传图片检测评分、编辑、复制、删除等功能。编辑功能用于让用户重新上传图片，复制功能用于复制该条记录以便修改生成新的数据，且这两个功能属于优化功能，可以删除。另外，该界面还可以实现添加新数据功能，用户点击该界面相应位置，即可添加新的视觉规范项目。
图4是本发明实施例的视觉规范主基调图管理界面的示意图。如图4所示，本发明实施例的视觉规范主基调图管理界面中可以包括id、隶属项目、主基调图存储路径、创建者、记录创建时间和操作等字段。其中，id为基准图片标识，比如图片1-3的id分别为4、5和6。
操作字段能够实现编辑、复制、删除功能，且这些功能属于优化功能，可以删除。另外，该界面同样可以实现添加新数据功能，用户点击该界面相应位置，即可上传新的基准图片。
步骤S203：当视觉规范项目表管理界面的自动计算基准参数功能被触发后，获取隶属当前视觉规范项目的基准图片，计算评价参数的基准值。其中，评价参数即图片的对象数量group_number、接近性center_distance、相似性variance和整齐性entropy。
当用户点击视觉规范项目表管理界面的【自动计算基准参数】按钮后，将触发图片质量评价系统获取当前视觉规范项目的项目标识，读取隶属于当前视觉规范项目的视觉规范主基调图表中所有的基准图片，之后根据基准图片的图片信息依次自动计算各评价参数的基准值。具体计算过程见后续关于图9至图12的描述。
步骤S204：将评价参数的基准值在视觉规范项目表管理界面进行显示，并存储到视觉规范文件。实施例中，将评价参数的基准值在视觉规范项目表管理界面的视觉规范主基调计算结果字段进行展示。同时，将评价参数的基准值打包为指定数据格式，比如json格式后，存储到视觉规范项目表的project_config字段。
图5是本发明实施例的评价参数的基准值的展示结果示意图。如图5所示，经步骤S203的处理后，测试视觉规范这一项目的各评价参数的基准值为：对象数量group_number＝8，接近性center_distance＝100，相似性variance＝6284，整齐性entropy＝7.1172646166933。
计算完评价参数的基准值后，即可针对当前视觉规范项目上传目标图片，并进行图片质量的评价检测。
步骤S205：当视觉规范项目表管理界面的上传图片检测评分功能被触发后，展示上传图片检测评分界面，以使用户通过上传图片检测评分界面上传目标图片。当用户点击视觉规范项目表管理界面的【上传图片检测评分】按钮后，将触发图片质量评价系统展示上传图片检测评分界面(见图6)，通过该界面即可上传隶属当前视觉规范项目的目标图片。
图6是本发明实施例的上传图片检测评分界面的示意图。如图6所示，本发明实施例的上传图片检测评分界面包括图片说明、选择文件按钮、提交按钮和取消按钮。其中，图片说明用于用户标记图片用途，比如XX项目YY广告轮播图，方便用户查找自己的图片。用户点击【选择文件】按钮，即可上传需要进行检测评价的目标图片。
步骤S206：获取用户上传的目标图片以及该目标图片隶属的视觉规范项目的项目标识，计算目标图片的评价参数的度量值。此处的评价参数的度量值即对象数量group_number、接近性center_distance、相似性variance和整齐性entropy的度量值，度量值的具体计算过程见后续关于图9至图12的描述。
步骤S207：根据项目标识，获取对应视觉规范项目的评价参数的基准值。根据项目标识，取出对应的视觉规范项目表的project_config字段，并进行json解码，得到对象数量group_number、接近性center_distance、相似性variance和整齐性entropy的基准值。
步骤S208：按照设定的比较规则，将目标图片的评价参数的度量值与基准值进行比较，得到目标图片的评价结果。比较规则根据各个评价参数以及实际需求设定。对于对象数量group_number，比较规则可以是度量值偏离基准值大于设定阈值；对于接近性center_distance、相似性variance和整齐性entropy，比较规则可以是度量值大于对应基准值的设定倍数。需要注意的是，为不同评价参数的基准值所设定的倍数可以相同，可以不同。下面对每个评价参数分别举例说明。
比较目标图片的对象数量group_number的度量值与基准值，如果度量值大于基准值且大于数量大于2个，则目标图片的对象数量group_n umber不符合标准，可以建议用户适当减少目标图片上的较大对象(比如高度或者宽度大于图片的1/10)的数量；如果度量值小于基准值且小于数量大于2个，则目标图片的对象数量group_number不符合标准，可以建议用户适当增加目标图片上的较大对象的数量；如果度量值偏离(包括大于和小于)基准值小于等于2个，则目标图片的对象数量g roup_number符合标准。
比较目标图片的接近性center_distance的度量值与基准值，接近性center_distance的值越小表示核心对象越接近图片中心。如果度量值大于基准值的1.1倍，则目标图片的接近性center_distance不符合标准，可以建议用户将目标图片的核心对象靠近图片中心；如果度量值小于等于基准值的1.1倍，则目标图片的接近性center_distance符合标准。
比较目标图片的相似性variance的度量值与基准值，相似性variance的值越小表示图片色彩变化越缓慢。如果度量值大于基准值的1.1倍，则目标图片的相似性variance不符合标准，可以提示用户目标图片的渐变色太突兀，请修改；如果度量值小于等于基准值的1.1倍，则目标图片的相似性variance符合标准。
比较目标图片的整齐性entropy的度量值与基准值，整齐性entropy的值越小表示图片越整齐。如果度量值大于基准值的1.1倍，则目标图片的整齐性entropy不符合标准，可以提示用户目标图片上的对象不够整齐，请修改；如果度量值小于等于基准值的1.1倍，则目标图片的整齐性entropy符合标准。
图7是本发明实施例的目标图片的评价结果示意图。如图7所示，按照步骤S206-步骤S208，计算某张目标图片的各评价参数的度量值(即图7的上传图片得分)，之后与对应评价参数的基准值(即图7的基准分数)进行对比，即可到获得对目标图片的评价、建议以及说明。由图7可知，目标图片的图片物件数量不符合标准，可以建议用户适当减少图片上较大物件的数量。需要注意的是，图片物件为图片所包含对象的一种示例。
步骤S208：将评价结果存储到视觉规范文件。将每个目标图片的评价结果保留到视觉规范文件，方便用户相互比较参考。实施例中，将评价结果存储到视觉规范检测日志表的check_result字段。通过上述步骤设计图片质量的评价参数并且数字化评价参数，使得在遵循视觉规范的前提下，实现了图片质量的自动化评价。
图8是本发明实施例的视觉规范检测日志表管理界面的示意图。如图8所示，本发明实施例的视觉规范检测日志表管理界面可以包括id、隶属项目、图片说明、上传图片、评价结果、登录用户、纪录创建时间和操作等字段。其中，id为目标图片标识，比如图片4、5的id分别为6和5。上传图片字段即用户上传的进行质量评价的目标图片。
由图8可知，图片4和图片5均为用户上传的，隶属于测试视觉规范这一项目的目标图片。其中，图片4的图片物件数量和接近性不符合标准，相似性和整齐性符合标准；图片5的图片物件数量不符合标准，接近性、相似性和整齐性符合标准。
上述实施例的图片质量评价方法可用于UI设计作品的审核评价，还可制作为平台为企业提供定制化的图片质量评价。比如可以针对业务产品线需求定制评价参数的基准值，从而使得该业务产品线的设计图基于统一的评价基准，保留得分相近的图片，从而获得一致性。比如业务产品线是政法相关产品，则基于政法需求定制基准值，得到的图片就会相对严肃；如果业务产品线是动漫相关产品，则基于动漫需求定制基准值，得到的图片就会比较活跃。
下面对实施例中每个评价参数的基准值和各图片中每个评价参数的度量值的计算过程进行详细说明。
图9是本发明实施例的对象数量的基准值计算过程示意图。如图9所示，本发明实施例的对象数量的基准值基于对基准图片进行处理得到，具体计算过程包括如下步骤：
步骤S901：初始化totalNumber和picCount。其中，totalNumber表示所有的基准图片中，满足设定条件(即需要关注)的对象数量；picCount为隶属当前视觉规范项目的基准图片的图片数量。实施例中，将totalNumber和picCount均初始化为0。
步骤S902：判断基准图片是否遍历结束，如果未遍历结束，则执行步骤S903；如果遍历结束，则执行步骤S907。实施例中，通过python(一种跨平台的计算机程序设计语言)和opencv库来识别图片中的对象数量。opencv库是一个基于BSD许可(开源)发行的跨平台计算机视觉库。
步骤S903：获取当前基准图片的第一尺寸信息，按照设定缩放比例初始化基准尺寸信息。其中，第一尺寸信息包括第一宽度和第一高度；基准尺寸信息包括基准宽度maxWidth和基准高度maxHeight，可用以下公式计算：
一张图片中通常包含很多对象，但是人眼一般只关注5-7个对象，故可以基于经验设定缩放比例，比如1/9、1/10、1/11等来得到基准尺寸信息，并将大于基准尺寸信息的对象作为需要关注的对象，将小于等于基准尺寸信息的对象滤除。
步骤S904：检测当前基准图片所包含对象的对象轮廓，确定每个对象的第二尺寸信息。其中，第二尺寸信息包括第二宽度和第二高度。把当前基准图片转化为灰度图后，再把灰度图转化为二值图像，检测二值图像中的对象轮廓，确定每个对象的宽度和高度。其中，二值图像是指在图像中灰度等级只有两种，也就是说，图像中任何像素点的灰度值均为0或者255，分别代表黑色和白色。
需要注意的是，实施例中并不限定步骤S903和步骤S904的执行顺序，可以先执行步骤S904后再执行步骤S903。
步骤S905：初始化计数器realCount，遍历当前基准图片所包含的对象。计数器realCount表示当前基准图片中满足设定条件的对象数量。实施例中，初始化计数器realCount为0。
步骤S906：使用计数器realCount统计当前基准图片中第二宽度大于基准宽度，或者第二高度大于基准高度的对象总数，并累计到totalNumber，执行步骤S902。如果当前基准图片中，当前对象的第二宽度大于基准宽度，或者第二高度大于基准高度，则置realCount＝realCount+1，该数量即为当前基准图片中对象数量group_numbe的度量值。totalNumber可用以下公式计算：
totalNumber＝totalNumber+realCount 公式2
步骤S907：以totalNumber为被除数，picCount为除数做除法运算，得到对象数量的基准值。基准图片遍历结束后，即可计算对象数量group_numbe的基准值，该基准值可用以下公式计算：
group_numbe的基准值＝totalNumber/picCount 公式3
在一可选的实施例中，目标图片中对象数量group_numbe的度量值的计算方式，与当前基准图片中对象数量group_numbe的度量值的计算方式相同。具体见步骤S903至步骤S906，步骤S906所得的对象总数即对象数量group_numbe的度量值。需要注意的是，此度量值基于对目标图片进行处理得到。
图10是本发明实施例的接近性的基准值计算过程示意图。如图10所示，本发明实施例的接近性的基准值基于对基准图片进行处理得到，具体计算过程包括如下步骤：
步骤S1001：初始化distanceTotal、infoArr、gzDistanceX、gzDistanceY和xNumber。distanceTotal代表指标距离之和，infoArr用于存储保留的像素点(即目标像素点)，gzDistanceX为将x轴划分为N部分的尺子(即x轴的刻度)，gzDistanceY为将y轴划分为M部分的尺子(即y轴的刻度)，xNumber代表标尺变量。其中，N和M为大于1的整数。
实施例中，distanceTotal初始化为0；xNumber初始化为10；N和M均为10，此时gzDistanceX即为将x轴划分为10部分的尺子，gzDistanceY即为将y轴划分为10部分的尺子，两者可用以下公式计算：
步骤S1002：判断基准图片是否遍历结束，如果未遍历结束，则执行步骤S1003；如果遍历结束，则执行步骤S1011。
步骤S1003：将当前基准图片划分为N×M的格子区域，按照初始化的gzDistanceX和gzDistanceY确定当前基准图片的中心坐标。仍旧以N和M均为10为例，将当前基准图片划分为10×10的格子区域，其中，x轴坐标为0-9，y轴坐标为0-9，共100个格子，则中心坐标为(4.5,4.5)。
步骤S1004：获取当前基准图片的像素信息。实施例中，获取当前基准图片的全部像素点的RGB颜色值。
步骤S1005：判断当前基准图片的x轴坐标是否遍历结束，如果未遍历结束，则执行步骤S1006；如果遍历结束，则执行步骤S1009。
步骤S1006：判断当前基准图片的y轴坐标是否遍历结束，如果未遍历结束，则执行步骤S1007；如果遍历结束，则执行步骤S1005。
步骤S1007：根据像素信息和设定的过滤条件，检测当前像素点是否需要丢弃，如果需要丢弃，则执行步骤S1006；如果不需要丢弃，则执行步骤S1008。该步骤用于剔除那些与上下左右相接近的像素点，得到核心对象的轮廓。其中，过滤条件为当前像素点的颜色值与当前像素点的上下左右四个方向的像素点的颜色值之差的绝对值均小于设定阈值。
实施例中，将当前像素点的R颜色值、G颜色值、B颜色值，分别与其上下左右四个方向的像素点的R颜色值、G颜色值、B颜色值作比较，如果两者差值的绝对值均小于阈值(比如30)，则丢弃该当前像素点。需要注意的是，如果当前像素点的某一方向没有像素点，则也认为两者差值的绝对值小于阈值。
步骤S1008：计算当前像素点所隶属的格子区域的矩阵中心，将矩阵中心映射为对应的键，执行步骤S1006。假设当前像素点(x,y)所隶属的格子区域的矩阵中心用(infoX,infoY)表示，则矩阵中心(infoX,infoY)可用以下公式计算：
为了方便后续排序，需要将矩阵中心(infoX,infoY)映射到一维维度，得到对应的键key。映射过程可用以下公式表示：
key＝infoX*xNumber+infoY 公式6
步骤S1009：统计具有相同键的目标像素点的数量，得到该键对应的格子区域的信息量。其中，目标像素点即步骤S1007保留的像素点。每个矩阵中心的键key是唯一的，且键key与矩阵中心(infoX,infoY)之间存在如下关系：
则每个格子区域的信息量可以用以下公式表示：
infoArr[key]＝infoArr[key]+1 公式8
步骤S1010：计算前K个大信息量的格子区域的矩阵中心与中心坐标的距离，将K个距离累加求和得到distanceTotal，执行步骤S1002。经步骤S1009即可得到100个格子区域各自的信息量，之后对infoArr按照信息量大小进行倒序排序，初始化distance＝0，calcCount＝0；遍历infoArr，将key还原成矩阵中心(infoX,infoY)，计算其与中心坐标(4.5,4.5)的距离，累加到distance，并置calcCount＝calcCount+1。
之后判断calcCount是否大于K(K为大于1的整数，比如10)，如果calcCount小于等于K，则累加distanceTotal；如果calcCount大于K，则停止累加。其中，distanceTotal可以用以下公式表示：
distanceTotal＝distanceTotal+distance 公式9该实施例中，把轮廓落在每个格子区域的数量，称之为每个格子区域的信息量。信息量最大的格子区域离图片中心越近越合适，故可以将信息量最大的10个格子区域与图片中心的相对距离之和作为接近性的度量值(即distanceTotal)。
步骤S1011：以distanceTotal为被除数，picCount为除数做除法运算，得到接近性的基准值。基准图片遍历结束后，即可计算接近性center_distance的基准值，该基准值可以用以下公式表示：
center_distance的基准值＝distanceTotal/picCount 公式10
在一可选的实施例中，目标图片中接近性center_distance的度量值的计算方式，与当前基准图片中接近性center_distance的度量值的计算方式相同。具体见步骤S1003至步骤S1010，步骤S1010所得的distanceTotal即接近性center_distance的度量值。需要注意的是，此度量值基于对目标图片进行处理得到。
图11是本发明实施例的相似性的基准值计算过程示意图。如图11所示，本发明实施例的相似性的基准值基于对基准图片进行处理得到，具体计算过程包括如下步骤：
步骤S1101：判断基准图片是否遍历结束，如果未遍历结束，则执行步骤S1102；如果遍历结束，则执行步骤S1104。
步骤S1102：提取当前基准图片的每个像素点的颜色值，将每个像素点的颜色值分别与其上下左右四个方向的像素点的颜色值做差，得到差值。实施例中，提取当前基准图片的每个像素点的R颜色值、G颜色值和B颜色值，将每个像素点的R颜色值、G颜色值和B颜色值分别与上下左右四个方向的像素点的R颜色值、G颜色值和B颜色值的做差。
步骤S1103：将差值的平方和累加后与像素点的总数相除，得到当前基准图片的平均颜色值差，执行步骤S1101。该平均颜色差即为当前基准图片中相似性variance的度量值。像素点的总数即当前基准图片的全部像素点的数量。
步骤S1104：将全部基准图片的平均颜色值差累加求和后，除以基准图片的图片数量，即可得到相似性的基准值。
在一可选的实施例中，目标图片中相似性variance的度量值的计算方式，与当前基准图片中相似性variance的度量值的计算方式相同。具体见步骤S1102至步骤S1103，步骤S1103所得的平均颜色值差即相似性variance的度量值。需要注意的是，此度量值基于对目标图片进行处理得到。
图12是本发明实施例的整齐性的基准值计算过程示意图。如图12所示，本发明实施例的整齐性的基准值基于对基准图片进行处理得到，且将图片的信息熵作为整齐性的评价标准，具体计算过程包括如下步骤：
步骤S1201：判断基准图片是否遍历结束，如果未遍历结束，则执行步骤S1202；如果遍历结束，则执行步骤S1205。
步骤S1202：获取当前基准图片的第一尺寸信息，初始化changeWi dth和changeHeight。第一尺寸信息即当前基准图片的宽度和高度。实际应用中，图片尺寸不定，有大有小，如果图片太大，会导致计算量很大，计算机无法处理，故可以使用changeWidth将图片缩放成统一宽度。实施例中，changeWidth＝300，changeHeight＝取整(height/300)，height为当前基准图片的高度。
步骤S1203：将当前基准图片缩放为changeWidth和changeHeight。对于尺寸较小的图片计算机完全可以直接处理，无需缩放，故在一优选的实施例中，可以先判断图片宽度是否超过阈值(比如300)，如果超过，则缩小为阈值；再判断图片高度是否超过阈值(比如300)，如果超过，则缩小为阈值，避免计算机无法处理。
步骤S1204：将缩放后的当前基准图片对应的灰度图数据作为一维数组，统计一维数组中数组元素出现的概率，计算当前基准图片的信息熵，执行步骤S1201。信息熵是物质混乱度或者无序性的量度，越是混乱的物质信息熵越大。
本步骤首先将缩放后的当前基准图片转化为灰度图，灰度图中灰度等级有256种，即图像中任何像素点的灰度值为0至255中的一个。之后将灰度图数据作为一维数组，计算当前基准图片的信息熵H，计算公式如下：
式中，pi为一维数组中第i个元素出现的概率。比如一维数组(1,2,1,3,1,4,5)，共7个数字，1出现的次数为3，则1出现的概率为3/7。
步骤S1205：将全部基准图片的信息熵累加求和后，除以基准图片的图片数量，即可得到整齐性的基准值。
在一可选的实施例中，目标图片中整齐性entropy的度量值的计算方式，与当前基准图片中整齐性entropy的度量值的计算方式相同。具体见步骤S1202至步骤S1204，步骤S1204所得的信息熵即整齐性entropy的度量值。需要注意的是，此度量值基于对目标图片进行处理得到。
通过本发明实施例的图片质量评价方法可以看出，通过提取目标图片的图片信息，生成数字化评价参数，之后与评价参数的基准值进行比较，实现了图片质量的自动化评价，提高了评价效率，且评价结果客观公正。
图13是根据本发明实施例的图片质量评价系统的主要模块的示意图。如图13所示，本发明实施例的图片质量评价系统1300，主要包括：
提取模块1301，用于获取目标图片以及所述目标图片所归属视觉规范项目的项目标识，提取所述目标图片的图片信息。其中，目标图片为待评价的图片。用户针对某个视觉规范项目提交目标图片，以向图片质量评价系统发起图片评价请求。图片质量评价系统在接收到图片评价请求后，获取用户提交的目标图片，以及视觉规范项目的项目标识。之后从目标图片中提取图片信息。
计算模块1302，用于根据所述图片信息，计算所述目标图片的设定评价参数的度量值。其中，评价参数即评价图片质量的指标，可以为图片的对象数量、接近性、相似性和整齐性中的任意一个或者多个。对象数量即图片所包含的对象总数，接近性用于衡量核心对象到图片中心的距离远近，相似性用于衡量图片的色彩变化情况，整齐性用于衡量图片的整齐情况。
评价参数不同，所需的图片信息也不相同。比如，评价参数为对象数量时，图片信息为目标图片的第一尺寸信息，以及目标图片所包含对象的第二尺寸信息；评价参数为接近性时，图片信息为目标图片的中心坐标以及目标像素点；评价参数为相似性时，图片信息为目标图片的多个像素点的颜色值；评价参数为整齐性时，图片信息为目标图片的第一尺寸信息。
获取模块1303，用于根据所述项目标识，获取所述评价参数的基准值。其中，基准值是通过计算多张基准图片的评价参数的度量值来确定的。具体地，计算多张基准图片的评价参数的度量值，将全部度量值累加求和后除以多张基准图片的图片数量，即可得到评价参数的基准值。预先保存各视觉规范项目的项目标识以及评价参数的基准值。后续基于项目标识即可获取对应视觉规范项目的评价参数的基准值。
比较模块1304，用于按照设定的比较规则，将所述目标图片的度量值与所述基准值进行比较，得到所述目标图片的评价结果。比较目标图片的对象数量的度量值与基准值的大小，如果度量值偏离基准值大于设定阈值，则说明目标图片的对象数量不符合评价标准。比较目标图片的接近性、相似性、整齐性的度量值与各自基准值的大小，如果度量值大于对应基准值的设定倍数，则说明目标图片的接近性、相似性、整齐性不符合评价标准。至此实现了图片质量的自动化评价。
另外，本发明实施例的图片质量评价系统1300还可以包括：确定模块，用于将多张基准图片的所述评价参数的度量值累加求和后，除以所述多张基准图片的图片数量，得到所述评价参数的基准值。
从以上描述可以看出，通过提取目标图片的图片信息，生成数字化评价参数，之后与评价参数的基准值进行比较，实现了图片质量的自动化评价，提高了评价效率，且评价结果客观公正。
图14示出了可以应用本发明实施例的图片质量评价方法或图片质量评价系统的示例性系统架构1400。
如图14所示，系统架构1400可以包括终端设备1401、1402、1403，网络1404和服务器1405。网络1404用以在终端设备1401、1402、1403和服务器1405之间提供通信链路的介质。网络1404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备1401、1402、1403通过网络1404与服务器1405交互，以接收或发送消息等。终端设备1401、1402、1403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备1401、1402、1403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器1405可以是提供各种服务的服务器，例如用户利用终端设备1401、1402、1403上传的目标图片进行处理的后台管理服务器。后台管理服务器可以获取目标图片，计算目标图片的处理评价参数的度量值，将度量值与基准值比较，并将比较结果反馈给终端设备。
需要说明的是，本申请实施例所提供的图片质量评价方法一般由服务器1405执行，相应地，图片质量评价系统一般设置于服务器1405中。
应该理解，图14中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读介质。
本发明的电子设备包括：一个或多个处理器；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，使得所述一个或多个处理器实现本发明实施例的一种图片质量评价方法。
本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种图片质量评价方法。
下面参考图15，其示出了适用于来实现本发明实施例的电子设备的计算机系统1500的结构示意图。图15示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图15所示，计算机系统1500包括中央处理单元(CPU)1501，其可以根据存储在只读存储器(ROM)1502中的程序或者从存储部分1508加载到随机访问存储器(RAM)1503中的程序而执行各种适当的动作和处理。在RAM 1503中，还存储有计算机系统1500操作所需的各种程序和数据。CPU 1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(I/O)接口1505也连接至总线1504。
以下部件连接至I/O接口1505：包括键盘、鼠标等的输入部分1506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1507；包括硬盘等的存储部分1508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1510上，以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
特别地，根据本发明公开的实施例，上文主要步骤图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1509从网络上被下载和安装，和/或从可拆卸介质1511被安装。在该计算机程序被中央处理单元(CPU)1501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品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，上述模块、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，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示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，框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括提取模块、计算模块、获取模块和比较模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，提取模块还可以被描述为“获取目标图片以及所述目标图片所归属视觉规范项目的项目标识，提取所述目标图片的图片信息的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取目标图片以及所述目标图片所归属视觉规范项目的项目标识，提取所述目标图片的图片信息；根据所述图片信息，计算所述目标图片的设定评价参数的度量值；根据所述项目标识，获取所述评价参数的基准值；其中，所述基准值是通过计算多张基准图片的所述评价参数的度量值来确定的；按照设定的比较规则，将所述目标图片的度量值与所述基准值进行比较，得到所述目标图片的评价结果。
根据本发明实施例的技术方案，通过提取目标图片的图片信息，生成数字化评价参数，之后与评价参数的基准值进行比较，实现了图片质量的自动化评价，提高了评价效率，且评价结果客观公正。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (12)
1.一种图片质量评价方法，其特征在于，包括：
获取目标图片以及所述目标图片所归属视觉规范项目的项目标识，提取所述目标图片的图片信息；
根据所述图片信息，计算所述目标图片的设定评价参数的度量值；
根据所述项目标识，获取所述评价参数的基准值；其中，所述基准值是通过计算多张基准图片的所述评价参数的度量值来确定的；
按照设定的比较规则，将所述目标图片的度量值与所述基准值进行比较，得到所述目标图片的评价结果。
2.根据权利要求1所述的方法，其特征在于，所述评价参数包括图片的对象数量、接近性、相似性和整齐性中的任意一个或者多个；其中，所述接近性用于衡量核心对象到图片中心的距离远近，所述相似性用于衡量图片的色彩变化情况，所述整齐性用于衡量图片的整齐情况。
3.根据权利要求2所述的方法，其特征在于，在所述评价参数包括所述对象数量的情况下，提取所述目标图片的图片信息，包括：
获取所述目标图片的第一尺寸信息，以及所述目标图片所包含对象的第二尺寸信息；
根据所述图片信息，计算所述目标图片的对象数量的度量值，包括：
按照设定缩放比例缩小所述第一尺寸信息，得到基准尺寸信息；
遍历所述目标图片包含的对象，统计所述目标图片中第二尺寸信息大于所述基准尺寸信息的对象总数，所述对象总数即为所述对象数量的度量值。
4.根据权利要求2所述的方法，其特征在于，在所述评价参数包括所述接近性的情况下，提取所述目标图片的图片信息，包括：
将所述目标图片划分为N×M的格子区域，按照所述格子区域初始化坐标轴的刻度，确定所述目标图片的中心坐标；其中，N和M为整数；
获取所述目标图片的像素信息，根据所述像素信息和设定过滤条件，过滤所述目标图片的像素点，得到目标像素点；
根据所述图片信息，计算所述目标图片的接近性的度量值，包括：
计算所述目标像素点所隶属的格子区域的矩阵中心，将所述矩阵中心映射为对应的键；
统计具有相同键的所述目标像素点的数量，得到所述键对应的格子区域的信息量；
计算前K个大信息量的格子区域的矩阵中心与所述中心坐标的距离，将K个所述距离累加求和得到所述接近性的度量值；其中，K为整数。
5.根据权利要求4所述的方法，其特征在于，所述像素信息为像素点的颜色值，所述过滤条件为当前像素点的颜色值与所述当前像素点的上下左右四个方向的像素点的颜色值之差的绝对值均小于设定阈值；
根据所述像素信息和设定过滤条件，过滤所述目标图片的像素点，包括：
将所述当前像素点的颜色值与分别所述当前像素点的上下左右四个方向的像素点的颜色值做差，得到四个差值；
如果所述四个差值的绝对值均小于所述阈值，则过滤所述当前像素点。
6.根据权利要求2所述的方法，其特征在于，在所述评价参数包括所述相似性的情况下，提取所述目标图片的图片信息，包括：
提取所述目标图片的多个像素点的颜色值；
根据所述图片信息，计算所述目标图片的相似性的度量值，包括：
将所述目标图片的多个像素点的颜色值分别与其上下左右四个方向的像素点的颜色值做差，将差值的平方和累加；
根据累加结果计算所述目标图片的平均颜色值差，所述平均颜色值差即为所述相似性的度量值。
7.根据权利要求2所述的方法，其特征在于，在所述评价参数包括所述整齐性的情况下，提取所述目标图片的图片信息，包括：
获取所述目标图片的第一尺寸信息；
根据所述图片信息，计算所述目标图片的整齐性的度量值，包括：
根据所述第一尺寸信息，将所述目标图片缩放为设定尺寸；
将缩放后的目标图片对应的灰度图数据作为一维数组，统计所述一维数组中数组元素出现的概率；
根据所述概率计算所述目标图片的信息熵，所述信息熵即为所述整齐性的度量值。
8.根据权利要求1至7的任一项所述的方法，其特征在于，根据多张基准图片的所述评价参数的度量值，确定所述评价参数的基准值，包括：
将所述多张基准图片的所述评价参数的度量值累加求和后，除以所述多张基准图片的图片数量，得到所述评价参数的基准值。
9.一种图片质量评价系统，其特征在于，包括：
提取模块，用于获取目标图片以及所述目标图片所归属视觉规范项目的项目标识，提取所述目标图片的图片信息；
计算模块，用于根据所述图片信息，计算所述目标图片的设定评价参数的度量值；
获取模块，用于根据所述项目标识，获取所述评价参数的基准值；其中，所述基准值是通过计算多张基准图片的所述评价参数的度量值来确定的；
比较模块，用于按照设定的比较规则，将所述目标图片的度量值与所述基准值进行比较，得到所述目标图片的评价结果。
10.根据权利要求9所述的系统，其特征在于，所述评价参数包括图片的对象数量、接近性、相似性和整齐性中的任意一个或者多个；其中，所述接近性用于衡量核心对象到图片中心的距离远近，所述相似性用于衡量图片的色彩变化情况，所述整齐性用于衡量图片的整齐情况。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
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，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
12.一种计算机可读介质，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1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010224632.1A CN111798406A (zh) | 2020-03-26 | 2020-03-26 | 一种图片质量评价方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010224632.1A CN111798406A (zh) | 2020-03-26 | 2020-03-26 | 一种图片质量评价方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111798406A true CN111798406A (zh) | 2020-10-20 |
Family
ID=72806416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010224632.1A Pending CN111798406A (zh) | 2020-03-26 | 2020-03-26 | 一种图片质量评价方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798406A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113075208A (zh) * | 2021-03-24 | 2021-07-06 | 贵州省草业研究所 | 基于图片采集的牛羊发酵饲料质量智能评价方法和装置 |
| CN113128374A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的敏感皮肤检测方法和敏感皮肤检测装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108900774A (zh) * | 2018-08-03 | 2018-11-27 | 崔跃 | 一种具有辅助拍摄功能的自动拍摄系统 |
| CN109214995A (zh) * | 2018-08-20 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 图片质量的确定方法、装置和服务器 |
| US20190080443A1 (en) * | 2017-09-11 | 2019-03-14 | International Business Machines Corporation | Quality evaluation |
| CN110532232A (zh) * | 2019-08-20 | 2019-12-03 | 珠海格力电器股份有限公司 | 一种对上传图片进行处理的方法及装置 |
| CN110889817A (zh) * | 2019-11-19 | 2020-03-17 | 中国人民解放军海军工程大学 | 图像融合质量评价方法及装置 |
-
2020
- 2020-03-26 CN CN202010224632.1A patent/CN111798406A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190080443A1 (en) * | 2017-09-11 | 2019-03-14 | International Business Machines Corporation | Quality evaluation |
| CN108900774A (zh) * | 2018-08-03 | 2018-11-27 | 崔跃 | 一种具有辅助拍摄功能的自动拍摄系统 |
| CN109214995A (zh) * | 2018-08-20 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 图片质量的确定方法、装置和服务器 |
| CN110532232A (zh) * | 2019-08-20 | 2019-12-03 | 珠海格力电器股份有限公司 | 一种对上传图片进行处理的方法及装置 |
| CN110889817A (zh) * | 2019-11-19 | 2020-03-17 | 中国人民解放军海军工程大学 | 图像融合质量评价方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113075208A (zh) * | 2021-03-24 | 2021-07-06 | 贵州省草业研究所 | 基于图片采集的牛羊发酵饲料质量智能评价方法和装置 |
| CN113128374A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的敏感皮肤检测方法和敏感皮肤检测装置 |
| CN113128374B (zh) * | 2021-04-02 | 2024-05-14 | 西安融智芙科技有限责任公司 | 基于图像处理的敏感皮肤检测方法和敏感皮肤检测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280477B (zh) | 用于聚类图像的方法和装置 | |
| CN114187633B (zh) | 图像处理方法及装置、图像生成模型的训练方法及装置 | |
| CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
| CN113434527B (zh) | 数据处理的方法、装置、电子设备和存储介质 | |
| CN111274341A (zh) | 一种网点选址方法和装置 | |
| CN111798406A (zh) | 一种图片质量评价方法和系统 | |
| CN109919220B (zh) | 用于生成视频的特征向量的方法和装置 | |
| CN109409419B (zh) | 用于处理数据的方法和装置 | |
| CN113837194A (zh) | 图像处理方法、图像处理装置、电子设备以及存储介质 | |
| CN112100177A (zh) | 数据存储方法、装置、计算机设备及存储介质 | |
| CN112561636A (zh) | 一种推荐方法、装置、终端设备及介质 | |
| CN117150138A (zh) | 一种基于高维空间映射的科技资源组织方法及系统 | |
| US9881210B2 (en) | Generating a computer executable chart visualization by annotating a static image | |
| CN111666481A (zh) | 数据挖掘方法、装置、计算机可读介质及电子设备 | |
| CN114969089A (zh) | 数据获得方法、装置、电子设备及存储介质 | |
| CN113762305B (zh) | 一种脱发类型的确定方法和装置 | |
| CN115116080A (zh) | 表格解析方法、装置、电子设备和存储介质 | |
| CN113627454B (zh) | 物品信息聚类方法、推送方法和装置 | |
| CN113468354A (zh) | 推荐图表的方法、装置、电子设备及计算机可读介质 | |
| US10642864B2 (en) | Information processing device and clustering method | |
| CN114416945A (zh) | 一种词云图显示方法、装置、设备及介质 | |
| GB2552969A (en) | Image processing system | |
| CN114820011A (zh) | 用户群体聚类方法、装置、计算机设备和存储介质 | |
| CN107368597B (zh) | 信息输出方法和装置 | |
| CN111898027A (zh) | 确定特征维度的方法、装置、电子设备和计算机可读介质 |
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 |