CN111899243A - 一种图像清晰度评价方法、设备和计算机可读存储介质 - Google Patents
一种图像清晰度评价方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111899243A CN111899243A CN202010747394.2A CN202010747394A CN111899243A CN 111899243 A CN111899243 A CN 111899243A CN 202010747394 A CN202010747394 A CN 202010747394A CN 111899243 A CN111899243 A CN 111899243A
- Authority
- CN
- China
- Prior art keywords
- sub
- region
- image
- gradient value
- calculation
- 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
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种图像清晰度评价方法、设备和计算机可读存储介质,该方法包括获取待处理图像;将所述待处理图像划分成至少两个子区域;计算每个所述子区域的梯度值;对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标,能够准确高效的评价图像清晰度。
Description
技术领域
本申请涉及图像检测领域,具体而言,涉及一种图像清晰度评价方法、设备和计算机可读存储介质。
背景技术
随着科技的发展,智能图像识别已经代替人工图像识别,基于图像来做光学字符识别(Optical Character Recognition,OCR)时,图像中文字的清晰度往往对识别的准确度有很大的影响。现有技术中,直接使用梯度值表示图像清晰度,但是会存在对清晰度评价不准确的问题,例如:同样内容同样清晰度的大小不同的图像,大图像对应的梯度值会远远大于小图像对应的梯度值;同样大小同样清晰度的区域,每个区域的文字数量不同,文字多的区域的梯度值往往会比文字少的区域的梯度值大很多。
另一方面,目前也出现了一些基于深度学习的清晰度评价方法,这样的方法往往需要大量样本的标注,在使用的时候往往需要比较大的计算量,影响模型在手机等端上设备的部署和使用。
因此,如何准确高效评价图像清晰度成为亟待解决的问题。
发明内容
第一方面,一种图像清晰度评价方法,包括:
获取待处理图像;
将所述待处理图像划分成至少两个子区域;
计算每个所述子区域的梯度值;
对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;
根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标。
因此,通过获取待处理图像;将所述待处理图像划分成至少两个子区域计算每个所述子区域的梯度值;对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标,能够根据图像中的大小和信息熵计算清晰度评价指标,去除不适合参加计算的子区域,能提高评价图像清晰度的准确率,进而能准确高效的评价图像清晰度。
结合第一方面,在一种可能的实施方式中,所述对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标,包括:
根据每个所述子区域的大小,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值;
根据每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
因此,根据每个所述子区域的大小,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值;根据每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标,能够获得归一化后的梯度值,进而获得每个所述子区域的清晰度评价指标,进而能得到准确的评价图像清晰度指标。
结合第一方面,在另一种可能的实施方式中,所述根据每个所述子区域的大小,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值,包括:
根据每个所述子区域的像素数和每个所述子区域图像的所述梯度值,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值。
因此,通过每个所述子区域的像素数和每个所述子区域图像的所述梯度值,对每个所述子区域的所述梯度值进行归一化计算,能够有效的减少图像大小对于图像清晰度评价的影响,进而提高图像清晰度评价的准确性。
结合第一方面,在另一种可能的实施方式中,所述根据每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标,包括:
根据所述归一化后的梯度值和每个所述子区域的所述信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
因此通过归一化后的梯度值和每个所述子区域的所述信息熵,对所述归一化后的梯度值进行进一步归一化计算,能有效的减少由于子区域中的信息过少,对清晰度评价指标的影响,进而提高图像清晰度的准确性。
结合第一方面,在另一种可能的实施方式中,所述将所述待处理图像划分成至少两个子区域之前,所述方法还包括:
获取原始图像,对所述原始图像进行灰度转化处理,获得所述待处理图像。
因此,对原始图像进行灰度转化处理,能够提高清晰度评价指标计算的效率。
结合第一方面,在另一种可能的实施方式中,所述根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标,包括:
除去所述信息熵小于阈值的所述子区域;
对剩下的每个所述子区域图像的所述清晰度评价指标进行融合计算。
因此,通过除去所述信息熵小于阈值的所述子区域对剩下的每个所述子区域图像的所述清晰度评价指标进行融合计算,能够将不适合参加整体清晰度计算的区域去除,进而提高清晰度评价指标的准确性。
因此,通过获取待处理图像;将所述待处理图像划分成至少两个子区域计算每个所述子区域的梯度值;对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标,能够根据图像的大小和信息熵计算清晰度评价指标,去除不适合参加计算的子区域,能提高评价图像清晰度的准确率,进而能准确高效的评价图像清晰度。
第二方面,一种图像清晰度评价设备,包括:
获取单元,用于获取待处理图像;
划分单元,用于将所述待处理图像划分成至少两个子区域;
计算单元,用于计算每个所述子区域的梯度值;
归一化单元,用于对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;
融合计算单元,用于根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标。
结合第二方面,在一种可能的实施方式中,所述归一化单元具体用于:
根据每个所述子区域的大小,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值;
根据每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
结合第二方面,在另一种可能的实施方式中,所述归一化单元具体用于:
根据所述子区域图像的像素数和所述子区域图像的梯度值,对所述子区域图像的所述梯度值进行归一化计算,获得归一化后的梯度值。
结合第二方面,在另一种可能的实施方式中,所述归一化单元具体用于:
根据所述归一化后的梯度值和每个所述子区域的所述信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
结合第二方面,在另一种可能的实施方式中,所述获取单元具体用于:
获取原始图像,对所述原始图像进行灰度转化处理,获得所述待处理图像。
结合第二方面,在另一种可能的实施方式中,所述融合计算单元具体用于:
除去所述信息熵小于阈值的所述子区域;
对剩下的每个所述子区域图像的所述清晰度评价指标进行融合计算。
因此,第二方面及其多种实施方式,通过实现第一方面及其多种实施方式的方法,能够准确高效的评价图像清晰度。
第三方面,一种电子设备,包括:
处理器、存储器和总线,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现第一方面以及第一方面的所有实施方式中任一所述的图像清晰度评价方法。
第四方面,一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时,用于实现第一方面以及第一方面的所有实施方式中任一所述的图像清晰度评价方法。
因此,通过获取待处理图像;将所述待处理图像划分成至少两个子区域计算每个所述子区域的梯度值;对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标,能够根据图像中的大小和信息熵计算清晰度评价指标,去除不适合参加计算的子区域,能提高评价图像清晰度的准确率,进而能准确高效的评价图像清晰度。
本申请中突破了原有需要大量样本标注的基于深度学习清晰度评价方法,计算速度更快,方便在手机、电脑等用户终端上部署和使用,从而使图像清晰度的评价过程更加高效。
为使本申请的上述目的、特征和优点能更明显易懂,下文将列举实施例,并配合所附附图,作详细说明如下。
附图说明
图1是本申请实施例示出的一种图像清晰度评价方法的整体流程图;
图2是本申请实施例示出的一种图像清晰度评价设备的内部单元图;
图3是本申请实施例示出的一种电子设备内部单元图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对附图中提供的本申请的实施例的详情描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护范围。
下面将结合附图,对本申请实施例中的技术方案进行描述。
应理解,本申请实施例中可以应用于多种场景中,例如,线上保险操作的文本识别,保险稽查中的文本识别等。本申请实施例并不限于此。
在已有方案中智能图像识别已经代替人工图像识别,基于图像来做OCR识别时,图像中文字的清晰度往往对识别的准确度有很大的影响。传统的文本图像清晰度评价方法,往往基于图像中的梯度信息、亮度、方差、直方图统计等信息来判断图像的清晰度,通过这些方法判断图像清晰度存在着一定的误差。
鉴于上述情况本申请实施例提供了一种图像清晰度评价方法、设备和计算机可读存储介质,通过获取待处理图像;将所述待处理图像划分成至少两个子区域;计算每个所述子区域的梯度值;对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标,解决了上述问题。
下面结合图1具体例子,应用于文本图像中,如图1所示的方法,包括:
110,获取待处理图像。
具体的,获取原始图像,对所述原始图像进行灰度转化处理,获得所述待处理图像。
具体的,服务器获取原始图像,例如:显示有文字的保单、显示有照片的保单等,在服务器获取原始图像后,将原始图像进行灰度处理,获得待处理图像。
应理解,原始图像可以是全部都是文字信息的图像,也可以是全部都是照片的图像,也可以是既有文字信息也有照片的图像。本申请实施例并不限于此。
应理解,原始图像是未经任何处理的图像,办公人员通过扫描、拍照等形式上传到服务器中,服务器获取得到。
因此,服务器通过对所述原始图像进行灰度转化处理,可以提高图像清晰度评价的效率。
上文描述了服务器获取原始图像后,对原始图像进行灰度转化处理,获得待处理图像的过程,下面将描述将待处理图像划分成至少两个子区域的过程。
120,将所述待处理图像划分成至少两个子区域。
具体的,文字在文本图像中的分布变化很大,有的图像中文字占满了图像,有的图像中文字只分布在一个较小的区域。文本区域是我们关注的区域,为了更准确的计算文本图像的整体清晰度评价指标,本申请把文本图像分成至少两个子区域,例如:可以将图像平均分为6个子区域(横向3个,纵向2个),每个子区域的像素为180*180;也可以将图像分为4个子区域(横向2个,纵向2个)。本申请实施例并不限于此。
应理解,将待处理图像划分成至少两个子区域,可以是划分成等分大小的区域,也可以是大小不一的子区域。本申请实施例并不限于此。
应理解,子区域的形状可以是矩形、正方形等。本申请实施例并不限于此。
因此,通过将所述待处理图像划分成至少两个子区域,能够将待处理图像分割,从而能够使后续步骤的计算更加准确。
上面描述了将待处理图像划分成至少两个子区域的步骤,下文将描述计算每个子区域的梯度值的过程。
130,计算每个所述子区域的梯度值。
具体的,用Bi表示每个子区域,例如:第一个子区域用B1表示、第二个子区域用B2表示,首先计算每个子区域中每个像素点的梯度值,本申请实施例中利用Sobel算子来提取每个子区域中的每个像素点的梯度值,然后计算每个子区域中全部梯度的累计值。
应理解,常用的梯度算子包括Sobel算子,Robert算子,Prewitt算子等。Sobel算子是基于一阶导数的边缘检测算子,由于Sobel算子的计算中引入了类似局部平均的运算,因此Sobel算子对噪声具有平滑作用,能很好的消除噪声的影响,因此本申请实施例中采用Sobel算子来计算梯度。
应理解,Sobel算子包含两组3*3的模板。X方向模板对垂直边缘响应最大,Y方向模板对水平边缘响应最大。水平方向的梯度通过公式(1)计算,垂直方向的梯度通过公式(2)计算,总梯度通过公式(3)计算。
其中,Gx表示每个像素点在X方向上的梯度值,Gy表示每个像素点在Y方向上的梯度值,G表示每个像素点对应的总梯度值,I表示原始图像。
文本图像在X,Y方向都有比较强的梯度信息,因此融合两个方向的梯度,获得每个子区域中每个像素的梯度值Gi,例如:第一个子区域中第一个像素的梯度值为G1、第一个子区域中第二个像素的梯度值为G2,以此类推,将所有的Gi梯度值累加计算,获得每个子区域的梯度值Ti,例如:第一个子区域的梯度值为T1、第二个子区域的梯度值为T2,以此类推。
上面描述了计算每个子区域的梯度值的过程,下文将描述对每个子区域的梯度值进行归一化计算,获得每个子区域的清晰度评价指标的过程。
140,对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标。
具体的,根据所述子区域图像的大小,对所述子区域图像的所述梯度值进行归一化计算,获得归一化后的梯度值;根据所述子区域图像信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得所述子区域图像的清晰度评价指标。
具体的,根据所述子区域图像的像素数和所述子区域图像的梯度值,对所述子区域图像的所述梯度值进行归一化计算,获得归一化后的梯度值。根据所述归一化后的梯度值和所述每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得所述每个所述子区域的清晰度评价指标。
具体的,首先根据每个子区域对应的梯度值Ti,和每个子区域的像素数进行归一化,通过公式(4)计算得到归一化后的梯度值,用Ni表示,例如:第一个子区域的梯度值为N1、第二个子区域的梯度值为N2,使用的公式为。
Ni=Ti/(w*h) (4)
其中,Ni表示每个子区域归一化后的梯度值,Ti表示每个子区域的梯度值,w*h表示每个子区域的像素数。
然后,根据上述获得的每个子区域归一化后的梯度值,和每个子区域的信息熵,进行进一步归一化计算,获得每个子区域的清晰度评价指标。本申请实施例中定义信息熵的公式(5)为:
其中,H表示每个子区域的信息熵,pi表示每个子区域中灰度值为i的像素所占的比例。
通过上述公式(5)计算得到每个子区域的信息熵后,根据公式(6)进行进一步的归一化计算,得到每个子区域的清晰度评价指标。
Ci=Ni/(Hia) (6)
其中,Ci表示每个子区域的清晰度评价指标,Ni表示每个子区域归一化后的梯度值,Hi表示每个子区域的信息熵,a表示在实验中得到的经验常数值。
应理解,实验中得到的经验常数值a,可以是2,也可以是3,本申请实施例不限于此。
应理解,归一化计算是指在计算过程中对梯度值、信息熵等参数进行公式计算的过程。
因此,本申请实施例,根据子区域图像的像素数和子区域图像的梯度值,对子区域图像的梯度值进行归一化计算;根据归一化后的梯度值和每个子区域的信息熵,对归一化后的梯度值进行进一步归一化计算,能够获得归一化后的梯度值,进而获得每个所述子区域的清晰度评价指标,进而能得到准确高效的评价图像清晰度指标。
上文描述了对每个子区域的梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标的过程,下面将描述根据阈值对所述每个所述子区域的清晰度评价指标进行筛选后,将所述筛选后的所述每个所述子区域清晰度评价指标进行融合计算,获得总体清晰度评价指标的过程。
150,根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标。
具体的,除去信息熵小于阈值的所述每个所述子区域;对剩下的所述每个所述子区域图像的清晰度评价指标进行融合计算。
具体的,划分的子区域中,有的子区域可能不存在文字,或存在的文字极少,不适合参加整体清晰度的计算,需要将这些区域从总的区域中移除。文字很少的子区域其相应的图像信息比较少,计算每个子区域的信息熵,当区域的信息熵H小于一定的阈值Ht时,该区域不参加最终清晰度评价指标的计算。
应理解,信息熵阈值可以是0,代表此子区域内没有信息,也可以是任何信息熵阈值,在此不做具体限定。
具体的,在除去信息熵小于阈值的子区域后,将剩余的每个子区域的清晰度评价指标进行融合计算,可以将剩余的各个子区域的清晰度评价指标做平均值计算,得到整个图像的清晰度评价指标,也可以去掉其中的最大值和最小值再做平均值计算。本申请实施例并不限于此。
因此,通过除去所述信息熵小于阈值的所述子区域对剩下的每个所述子区域图像的所述清晰度评价指标进行融合计算,能够将不适合参加整体清晰度计算的区域去除,进而提高清晰度评价指标的准确性。
应注意,图1的例子仅仅是为了帮助本领域技术人员理解本申请实施例,而非要将本申请实施例限于所例示的具体场景。本领域技术人员根据所给出的图1的例子,显然可以进行各种等价的修改或变化,这样的修改或变化也落入本申请实施例的范围内。
应理解,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上文描述了本申请实施例的一种图像清晰度评价方法,下面结合图2详细描述本申请实施例的一种图像清晰度评价设备的内部单元,结合图3详细描述本申请实施例的一种电子设备。
如图2所示,具体的,该设备包括获取单元210、划分单元220、计算单元230、归一化单元240和融合计算单元250。
具体的,获取单元,用于获取待处理图像;划分单元,用于将所述待处理图像划分成至少两个子区域;计算单元,用于计算每个所述子区域的梯度值;归一化单元,用于对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;融合计算单元,用于根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标。
在一种可能的实施方式中,所述归一化单元具体用于:根据每个所述子区域的大小,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值;根据每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
在另一种可能的实施方式中,所述归一化单元具体用于:根据所述子区域图像的像素数和所述子区域图像的梯度值,对所述子区域图像的所述梯度值进行归一化计算,获得归一化后的梯度值。
在另一种可能的实施方式中,所述归一化单元具体用于:根据所述归一化后的梯度值和每个所述子区域的所述信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
在另一种可能的实施方式中,所述获取单元具体用于:获取原始图像,对所述原始图像进行灰度转化处理,获得所述待处理图像。
在另一种可能的实施方式中,所述融合计算单元具体用于:除去所述信息熵小于阈值的所述子区域;对剩下的每个所述子区域图像的所述清晰度评价指标进行融合计算。
应理解,图2所示的设备能够实现图1方法实施例中的各个过程。其中的各个模块的操作和/或功能,分别为了实现图1方法实施例中的相应流程。具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时,用于实现上述实施例中任一所述的图像清晰度评价方法。
本申请还提供一种电子设备,包括:处理器、存储器和总线,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现上述实施例中任一所述的图像清晰度评价方法。
图3示出了本申请实施例提供的一种电子设备300的结构框图,如图3所示。包括处理器310、存储器320和至少一个总线330。其中,总线用于实现这些组件直接的连接通信。其中,本申请实施例中处理器可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,计算机设备可以执行上述图1方法实施例中的各个步骤。
可以理解,图3所示的结构仅为示意,所述计算机设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时实现上述任一方法实施例的方法,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,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。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,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,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种图像清晰度评价方法,其特征在于,包括:
获取待处理图像;
将所述待处理图像划分成至少两个子区域;
计算每个所述子区域的梯度值;
对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;
根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标。
2.根据权利要求1所述的方法,其特征在于,所述对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标,包括:
根据每个所述子区域的大小,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值;
根据每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
3.根据权利要求2所述的方法,其特征在于,所述根据每个所述子区域的大小,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值,包括:
根据每个所述子区域的像素数和每个所述子区域的所述梯度值,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值。
4.根据权利要求2或3所述的方法,其特征在于,所述根据每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标,包括:
根据所述归一化后的梯度值和每个所述子区域的所述信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
5.根据权利要求1至3任意一项所述的方法,其特征在于,所述将所述待处理图像划分成至少两个子区域之前,所述方法还包括:
获取原始图像,对所述原始图像进行灰度转化处理,获得所述待处理图像。
6.根据权利要求1至3任意一项所述的方法,其特征在于,所述根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标,包括:
除去所述信息熵小于阈值的所述子区域;
对剩下的每个所述子区域的所述清晰度评价指标进行融合计算。
7.一种图像清晰度评价设备,其特征在于,包括:
获取单元,用于获取待处理图像;
划分单元,用于将所述待处理图像划分成至少两个子区域;
计算单元,用于计算每个所述子区域的梯度值;
归一化单元,用于对每个所述子区域的所述梯度值进行归一化计算,获得每个所述子区域的清晰度评价指标;
融合计算单元,用于根据信息熵阈值,对每个所述子区域进行筛选,将筛选后的每个所述子区域的所述清晰度评价指标进行融合计算,获得总体清晰度评价指标。
8.根据权利要求7所述的设备,其特征在于,所述归一化单元具体用于:
根据每个所述子区域的大小,对每个所述子区域的所述梯度值进行归一化计算,获得归一化后的梯度值;
根据每个所述子区域的信息熵,对所述归一化后的梯度值进行进一步归一化计算,获得每个所述子区域的清晰度评价指标。
9.一种电子设备,其特征在于,包括:
处理器、存储器和总线,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现如权利要求1-6中任一项所述的图像清晰度评价方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时实现如权利要求1-6任一项所述的图像清晰度评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747394.2A CN111899243A (zh) | 2020-07-28 | 2020-07-28 | 一种图像清晰度评价方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747394.2A CN111899243A (zh) | 2020-07-28 | 2020-07-28 | 一种图像清晰度评价方法、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111899243A true CN111899243A (zh) | 2020-11-06 |
Family
ID=73183341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010747394.2A Pending CN111899243A (zh) | 2020-07-28 | 2020-07-28 | 一种图像清晰度评价方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899243A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668640A (zh) * | 2020-12-28 | 2021-04-16 | 泰康保险集团股份有限公司 | 一种文本图像质量评估方法、装置、设备及介质 |
CN112818737A (zh) * | 2020-12-18 | 2021-05-18 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
CN112907548A (zh) * | 2021-02-26 | 2021-06-04 | 依未科技(北京)有限公司 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
CN113052815A (zh) * | 2021-03-23 | 2021-06-29 | Oppo广东移动通信有限公司 | 图像清晰度确定方法及装置、存储介质和电子设备 |
CN113596439A (zh) * | 2021-07-16 | 2021-11-02 | 北京科技大学 | 基于图像模糊评价的摄像头模组局部解析力失效检测方法 |
WO2023246193A1 (zh) * | 2022-06-24 | 2023-12-28 | 北京京东振世信息技术有限公司 | 一种图像清晰度确定方法、装置、设备及存储介质 |
CN117725949A (zh) * | 2023-12-21 | 2024-03-19 | 广州讯宝电子科技有限公司 | 一种带屏扫码器及其扫描方法 |
-
2020
- 2020-07-28 CN CN202010747394.2A patent/CN111899243A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818737A (zh) * | 2020-12-18 | 2021-05-18 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
CN112818737B (zh) * | 2020-12-18 | 2024-02-02 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
CN112668640A (zh) * | 2020-12-28 | 2021-04-16 | 泰康保险集团股份有限公司 | 一种文本图像质量评估方法、装置、设备及介质 |
CN112668640B (zh) * | 2020-12-28 | 2023-10-17 | 泰康保险集团股份有限公司 | 一种文本图像质量评估方法、装置、设备及介质 |
CN112907548A (zh) * | 2021-02-26 | 2021-06-04 | 依未科技(北京)有限公司 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
CN113052815A (zh) * | 2021-03-23 | 2021-06-29 | Oppo广东移动通信有限公司 | 图像清晰度确定方法及装置、存储介质和电子设备 |
CN113596439A (zh) * | 2021-07-16 | 2021-11-02 | 北京科技大学 | 基于图像模糊评价的摄像头模组局部解析力失效检测方法 |
WO2023246193A1 (zh) * | 2022-06-24 | 2023-12-28 | 北京京东振世信息技术有限公司 | 一种图像清晰度确定方法、装置、设备及存储介质 |
CN117725949A (zh) * | 2023-12-21 | 2024-03-19 | 广州讯宝电子科技有限公司 | 一种带屏扫码器及其扫描方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899243A (zh) | 一种图像清晰度评价方法、设备和计算机可读存储介质 | |
CN110569899B (zh) | 坝面缺陷分类模型训练方法及装置 | |
CN110135411B (zh) | 名片识别方法和装置 | |
WO2020098250A1 (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
CN110211119B (zh) | 图像质量评估方法、装置、电子设备及可读存储介质 | |
CN108108731B (zh) | 基于合成数据的文本检测方法及装置 | |
CN111274957A (zh) | 网页页面验证码识别方法、装置、终端和计算机存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111553431A (zh) | 图片清晰度检测方法、装置、计算机设备及存储介质 | |
JP6341059B2 (ja) | 文字認識装置、文字認識方法、およびプログラム | |
Wu et al. | Screen content image quality assessment based on the most preferred structure feature | |
CN108304838B (zh) | 一种图片信息识别方法及终端 | |
CN115713630A (zh) | 基于人工智能的低质量盖章图像大数据识别方法及系统 | |
Rai et al. | Document quality estimation using spatial frequency response | |
CN112861874A (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 | |
CN113744253A (zh) | 一种基于人工智能图像识别系统 | |
CN110942081B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN113326893A (zh) | 车牌识别模型的训练、识别方法、装置及电子设备 | |
CN111179226A (zh) | 视野图的识别方法、装置及计算机存储介质 | |
CN111709943B (zh) | 一种工件超视野识别方法、装置、存储介质及电子设备 | |
CN111428067B (zh) | 公文图片获取方法、装置及电子设备 | |
CN117011866A (zh) | 合同图像的分割方法、装置及电子设备 | |
CN115359543B (zh) | 一种基于区块链的远程用印方法与系统 | |
CN115100656B (zh) | 空白答题卡识别方法、系统、存储介质及计算机设备 | |
CN111898602B (zh) | 一种图像中的凭证号码区域识别方法、装置及设备 |
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 |