CN112419275A - 图像质量确定方法、装置及系统 - Google Patents

Abstract

本申请实施例公开了一种图像质量确定方法、装置及系统，其中方法包括：将接收到的证照类文档图像转化为灰度图像；确定所述灰度图像的边缘像素点，分别判断所述边缘像素点中所有Roof结构的边缘像素点是否满足模糊条件，计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为所述图像的模糊度的指标；根据预设的第一计算规则计算所述图像的纹理噪声的指标；根据预设的第二计算规则计算所述图像的对比度的指标；利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定。相比现有技术，本申请能够准确确定出证照类文档图片的质量。

Description

图像质量确定方法、装置及系统

技术领域

本申请涉及图像处理技术领域，具体涉及一种图像质量确定方法、装置及系统。

背景技术

在金融业务，如企业向金融机构申请贷款的过程中，需要将企业提供其营业执照内容录入系统以进行后续的风险管理流程。采用机器自动化识别的方式替代手工录入，能极大降低录入成本并提高录入效率。

现有系统在进行图片校正，去红章等预处理后对图片内容进行识别，预处理可以提高原本倾斜，有红章的图片的图像质量，从而有效提高识别准确率。然而，图像质量受复杂因素影响，失焦导致的模糊，纸张纹理，光照过强等因素均会显著降低图像质量，使图片内容难以准确识别。

为了减少了因图像质量差导致的识别错误，在利用识别系统识别图片内容前先分析图片的图像质量优劣，对质量较低的图片不进行后续处理，而是提示用户重新上传，因此图像质量确定的准确性至关重要，而现有技术中图像质量确定的方法均是对广义图片的图像质量进行确定，虽然也可以对证照类文档图片的质量进行确定，但是不能准确确定出证照类文档图片的质量。

发明内容

本申请提供了一种图像质量确定方法、装置及系统，能够准确确定出证照类文档图片的质量。

本申请提供了如下方案：

第一方面提供一种图像质量确定方法，所述方法包括：

将接收到的证照类文档图像转化为灰度图像；

确定所述灰度图像的边缘像素点，分别判断所述边缘像素点中所有Roof结构的边缘像素点是否满足模糊条件，计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为所述图像的模糊度的指标；

根据预设的第一计算规则计算所述图像的纹理噪声的指标；

根据预设的第二计算规则计算所述图像的对比度的指标；

利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定。

进一步地，所述确定所述灰度图像的边缘像素点包括：

对所述灰度图像进行三阶小波变换，提取每阶小波变换得到的低频分量；

利用三个低频分量按照预设规则确定边缘像素点。

进一步地，所述根据预设的第一计算规则计算所述图像的纹理噪声的指标包括：

对所述灰度图像进行三阶小波变换时，提取对所述灰度图像进行一阶小波变换后获得的对角线方向分量HH₁、水平方向分量HL₁和垂直方向分量LH₁；

利用如下公式计算纹理噪声的指标

进一步地，所述根据预设的第二计算规则计算所述图像的对比度的指标包括：

将所述灰度图像分成k₁＝k₂个区块后，利用如下公式分别计算各个区块的标准差：

其中，σ为区块中所有像素点的强度标准差，n为区块中像素点的个数，I_i是指区块中各个像素点的强度，

是指区块中所有像素点的强度平均值；

分别将所述各个区块的标准差与预设的敏感度阈值比较，将标准差小于预设的敏感度阈值的区块筛除；

对剩余的其他区块利用如下公式计算对比度的指标RME：

其中，RME是指根均提升，k₁和k₂分别是指灰度图像中每行和每列区块的个数；i和j分别是指区块位于灰度图像中的横坐标和纵坐标；I_i,j是指区块中点的像素强度，n是指各个区块像素点的个数，I₁、I₂……I_n是指区块中各个像素点强度。

进一步地，所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

判断所述模糊度的指标是否大于第一阈值、所述纹理噪声的指标是否大于第二阈值和所述对比度的指标是否小于第三阈值，若是，则所述图像被确定为低质量，若否，则所述图像被确定为高质量。

进一步地，所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

将所述模糊度的指标、所述纹理噪声的指标和所述对比度的指标作为变量输入预先训练的第一机器学习模型中，其中预先训练的第一机器学习模型的训练集为已标注图像质量的图像样本数据集合；

所述预先训练的第一机器学习模型对所述图像的质量进行确定。

进一步地，所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

将所述模糊度的指标、所述纹理噪声的指标和所述对比度的指标作为变量输入预先训练的第二机器学习模型中，其中预先训练的第二机器学习模型的训练集为已标注OCR准确率的图像样本数据集合；

所述预先训练的第二机器学习模型计算出所述图像的OCR准确率预估值，所述图像的OCR准确率预估值大于预设的第四阈值时，则所述图像被确定为高质量，否则，所述图像被确定为低质量。

进一步地，所述方法还包括：

将质量满足要求的图像传输至OCR识别系统中进行识别。

本申请第二方面提供一种图像质量确定装置，所述装置包括：

图像转化单元，用于将接收到的证照类文档图像转化为灰度图像；

第一计算单元，用于确定所述灰度图像的边缘像素点，分别判断所述边缘像素点中所有Roof结构的边缘像素点是否满足模糊条件，计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为所述图像的模糊度的指标；

第二计算单元，用于根据预设的第一计算规则计算所述图像的纹理噪声的指标；

第三计算单元，用于根据预设的第二计算规则计算所述图像的对比度的指标；

确定单元，用于利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定。

本申请第三方面提供一种计算机系统，所述系统包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行上述的方法。

根据本申请提供的具体实施例，本申请公开了以下技术效果：通过计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为模糊度的指标，由于证照类文档图片的大部分内容为文字内容，而文字边缘两侧强度一致，文字的边缘像素点多为Roof结构，仅考虑Roof结构的边缘像素点是否满足模糊条件，可以更加准确的判断字体模糊的情况；根据预设的第一计算规则计算纹理噪声的指标；根据预设的第二计算规则计算对比度的指标；利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定，可以更加准确的对图像的质量进行确定。

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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例1提供的图像质量确定方法流程图；

图2示出了本申请实施例2提供的图像质量确定装置结构图；

图3示出了本申请实施例3提供的计算机系统结构图。

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所获得的所有其他实施例，都属于本申请保护的范围。

如背景技术所述，为了减少了因图像质量差导致的识别错误，在利用OCR识别图片内容前先分析图片的图像质量优劣，对质量较低的图片不进行后续处理，而是提示用户重新上传，因此图像质量确定的准确性至关重要，而现有技术中图像质量确定的方法均是对广义图片的图像质量进行确定，虽然也可以对证照类文档图片的质量进行确定，但是不具有针对性，不能准确确定出证照类文档图片的质量。

为此本申请提出一种图像质量确定方法，通过计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为模糊度的指标，由于证照类文档图片的大部分内容为文字内容，而文字边缘两侧强度一致，文字的边缘像素点多为Roof结构，仅考虑Roof结构的边缘像素点是否模糊，可以更加准确的判断字体模糊的情况；根据预设的第一计算规则计算纹理噪声的指标；根据预设的第二计算规则计算对比度的指标；利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定，可以更加准确的对图像的质量进行确定。

实施例1

本申请实施例提供一种图像质量确定方法，以该方法应用于图像质量确定装置中来举例说明，该装置可以被配置于任一计算机设备中，以使该计算机设备可以执行图像质量确定方法。

如图1所示，上述方法包括：

S11、将接收到的证照类文档图像转化为灰度图像；

S12、确定所述灰度图像的边缘像素点，分别判断所述边缘像素点中所有Roof结构的边缘像素点是否满足模糊条件，计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为所述图像的模糊度的指标；

边缘像素点共有四种结构类型：Dirac结构、Astep结构、Gstep结构和Roof结构，由于证照类文档图片的大部分内容为文字内容，而文字边缘两侧强度一致，因此文字的边缘像素点多为Roof结构，仅考虑Roof结构的边缘像素点是否满足模糊条件，可以更加准确地判断字体模糊的情况，因此计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值来量化图像的模糊度，作为图像的模糊度的指标，其中判断Roof结构的边缘像素点是否满足模糊条件是根据该边缘像素点在一阶低频分量中的强度是否小于设定的阈值可确定其是否模糊。

S13、根据预设的第一计算规则计算所述图像的纹理噪声的指标；

S14、根据预设的第二计算规则计算所述图像的对比度的指标；

由于图片质量受复杂因素影响，失焦导致的图像模糊，纸张有纹理，图像光照过强等因素均会显著降低图片质量，因此在确定图像质量时，需要综合考虑，分别计算出图像的纹理噪声和对比度的指标。

S15、利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定。

所述确定所述灰度图像的边缘像素点包括：

对所述灰度图像进行三阶小波变换，提取每阶小波变换得到的低频分量；

利用三个低频分量按照预设规则确定边缘像素点。

确定灰度图像的边缘像素点，需要先对灰度图像进行三阶小波变换，每一阶小波变换都会获得一个低频分量，进行三阶小波变换就会获得三个低频分量，利用三个低频分量按照预设规则确定边缘像素点。

所述根据预设的第一计算规则计算所述图像的纹理噪声的指标包括：

对所述灰度图像进行三阶小波变换时，提取对所述灰度图像进行一阶小波变换后获得的对角线方向分量HH₁、水平方向分量HL₁和垂直方向分量LH₁；

利用如下公式计算纹理噪声的指标

由于纸张折叠、受潮等因素，或相机的波浪纹，会导致图片产生一系列的纹理噪声。这些纹理噪声往往会隔断文本内容，直接影响检测模型对文字内容的检测，严重影响OCR准确率，由于证照类文档图片的纹理噪声具有方向性，需要综合考虑图片的对角线方向、水平方向和垂直方向上的纹理噪声，取三个方向中最强的纹理噪声作为图片的纹理噪声，更加可以准确确定图片的图像质量，因此计算时取对角线方向分量HH₁、水平方向分量HL₁和垂直方向分量LH₁三者中的绝对值中位数的最大值。

所述根据预设的第二计算规则计算所述图像的对比度的指标包括：

将所述灰度图像分成k₁×k₂个区块后，利用如下公式分别计算各个区块的标准差：

其中，σ为区块中所有像素点的强度标准差，n为区块中像素点的个数，I_i是指区块中各个像素点的强度，

是指区块中所有像素点的强度平均值；

分别将所述各个区块的标准差与预设的敏感度阈值比较，将标准差小于预设的敏感度阈值的区块筛除；

对剩余的其他区块利用如下公式计算对比度的指标RME：

其中，RME(Root Mean Enhance)是指根均提升，k₁和k₂分别是指灰度图像中每行和每列区块的个数；i和j分别是指区块位于灰度图像中的横坐标和纵坐标；I_i,j是指区块中点的像素强度，n是指各个区块像素点的个数，I₁、I₂……I_n是指区块中各个像素点强度。

低对比度的文档图片中，文字一般较浅，和纸张背景的区分度低，一般可正确检测，但会影响识别的准确率。对于证照类文档图片而言，没有文字内容的部分往往差异不大，并且可以不用考虑该部分的对比度，因此在将灰度图像分成k₁×k₂个区块后，计算每个区块的标准差，并将计算得到的各个区块的标准差与预设的敏感度阈值比较，将标准差小于预设的敏感度阈值的区块筛除，不考虑该部分的对比度，可以过滤掉纯纸张背景部分，专注于计算文字和文字所在背景的对比度，更加准确的确定图像质量。

所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

判断所述模糊度的指标是否大于第一阈值、所述纹理噪声的指标是否大于第二阈值和所述对比度的指标是否小于第三阈值，若是，则所述图像被确定为低质量，若否，则所述图像被确定为高质量。

对图像的质量进行确定时，可以分别判断模糊度的指标、纹理噪声的指标和对比度的指标与第一阈值、第二阈值和第三阈值的大小，适用于数据量较大，且无标注的图片资源。

所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

将所述模糊度的指标、所述纹理噪声的指标和所述对比度的指标作为参数输入预先训练的第一机器学习模型中，其中预先训练的第一机器学习模型的训练集为已标注图像质量的图像样本数据集合；

所述预先训练的第一机器学习模型对所述图像的质量进行确定。

由于通过阈值来判断图像质量时，每次仅考虑单个指标，会造成对图像质量确定的不准确，例如一图像同时存在一定程度的纹理噪声、模糊度和低对比度，但是又都未达到阈值，该图像会被确定为高质量，但不易于识别，对OCR识别系统来说，该图像为低质量，因此在OCR识别系统研发初期，通过人为对图片进行标注为“高质量”和“低质量”，将问题转化为机器学习二分类任务，可以快速准确的对图像的质量进行确定。

所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

将所述模糊度的指标、所述纹理噪声的指标和所述对比度的指标作为变量输入预先训练的第二机器学习模型中，其中预先训练的第二机器学习模型的训练集为已标注OCR准确率的图像样本数据集合；

所述预先训练的第二机器学习模型计算出所述图像的OCR准确率预估值，所述图像的OCR准确率预估值大于预设的第四阈值时，则所述图像被确定为高质量，否则，所述图像被确定为低质量。

人为对图片进行标注为“高质量”和“低质量”时，会存在观察者评判具有主观性的问题，当一张质量较差的图片出现在一张质量很差的图片后，往往会被标注为“高质量”，此外，部分对于人类而言的低质量特征可能不会影响OCR识别系统的识别效果，比如角度倾斜，纸张陈旧等。因此可以使用OCR准确率作为标签，将问题转化为机器学习预测OCR准确率的回归问题，OCR识别系统对图片进行识别，图片已标注有正确的文字内容，将识别到的文字内容和标注的文字内容比对来计算OCR准确率，将OCR准确率作为图像样本的标签，用已标注OCR准确率的图像样本数据集合训练第二机器学习模型，利用训练的第二机器学习模型计算出图像的OCR准确率，OCR准确率越高，图像的质量也就越高。

所述方法还包括：

将质量满足要求的图像传输至OCR识别系统中进行识别。

实施例2

对应上述方法，本申请实施例提供一种图像质量确定装置，如图2所示，所述装置包括：

图像转化单元21，用于将接收到的证照类文档图像转化为灰度图像；

第一计算单元22，用于确定所述灰度图像的边缘像素点，分别判断所述边缘像素点中所有Roof结构的边缘像素点是否满足模糊条件，计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为所述图像的模糊度的指标；

边缘像素点共有四种结构类型：Dirac结构、Astep结构、Gstep结构和Roof结构，由于证照类文档图片的大部分内容为文字内容，而文字边缘两侧强度一致，因此文字的边缘像素点多为Roof结构，仅考虑Roof结构的边缘像素点是否模糊，可以更加准确的判断字体模糊的情况，因此计算模糊的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值来量化图像的模糊度，作为图像的模糊度的指标。

第二计算单元23，用于根据预设的第一计算规则计算所述图像的纹理噪声的指标；

第三计算单元24，用于根据预设的第二计算规则计算所述图像的对比度的指标；

由于图片质量受复杂因素影响，失焦导致的图像模糊，纸张有纹理，图像光照过强等因素均会显著降低图片质量，因此在确定图像质量时，需要综合考虑，分别计算出图像的纹理噪声和对比度的指标。

确定单元25，用于利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定。

本申请实施例提供一种图像质量确定装置，与本申请实施例所提供的图像质量确定方法属于同一申请构思，可执行本申请实施例所提供的图像质量确定方法，具备执行图像质量确定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，可参见本申请实施例提供的图像质量确定方法，此处不再加以赘述。

实施例3

对应上述方法和装置，本申请实施例3提供一种计算机系统，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行实施例1的方法步骤，如执行以下操作：

将接收到的证照类文档图像转化为灰度图像；

确定所述灰度图像的边缘像素点，分别判断所述边缘像素点中所有Roof结构的边缘像素点是否满足模糊条件，计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为所述图像的模糊度的指标；

根据预设的第一计算规则计算所述图像的纹理噪声的指标；

根据预设的第二计算规则计算所述图像的对比度的指标；

利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定。

其中，图3示例性的展示出了计算机系统的架构，具体可以包括处理器1510，视频显示适配器1511，磁盘驱动器1512，输入/输出接口1513，网络接口1514，以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520之间可以通过通信总线1530进行通信连接。

其中，处理器1510可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。

存储器1520可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1520可以存储用于控制计算机系统1500运行的操作系统1521，用于控制计算机系统1500的低级别操作的基本输入输出系统(BIOS)1522。另外，还可以存储网页浏览器1523，数据存储管理1524，以及图标字体处理系统1525等等。上述图标字体处理系统1525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。

输入/输出接口1513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

网络接口1514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1530包括一通路，在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520)之间传输信息。

另外，该计算机系统1500还可以从虚拟资源对象领取条件信息数据库1541中获得具体领取条件的信息，以用于进行条件判断，等等。

需要说明的是，尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，存储器1520，总线1530等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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，云服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上对本申请所提供的图像质量确定方法、装置及系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种图像质量确定方法，其特征在于，所述方法包括：

将接收到的证照类文档图像转化为灰度图像；

确定所述灰度图像的边缘像素点，分别判断所述边缘像素点中所有Roof结构的边缘像素点是否满足模糊条件，计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为所述图像的模糊度的指标；

根据预设的第一计算规则计算所述图像的纹理噪声的指标；

根据预设的第二计算规则计算所述图像的对比度的指标；

利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定。

2.如权利要求1所述的图像质量确定方法，其特征在于，所述确定所述灰度图像的边缘像素点包括：

对所述灰度图像进行三阶小波变换，提取每阶小波变换得到的低频分量；

利用三个低频分量按照预设规则确定边缘像素点。

3.如权利要求2所述的图像质量确定方法，其特征在于，所述根据预设的第一计算规则计算所述图像的纹理噪声的指标包括：

对所述灰度图像进行三阶小波变换时，提取对所述灰度图像进行一阶小波变换后获得的对角线方向分量HH₁、水平方向分量HL₁和垂直方向分量LH₁；

利用如下公式计算纹理噪声的指标

4.如权利要求1所述的图像质量确定方法，其特征在于，所述根据预设的第二计算规则计算所述图像的对比度的指标包括：

将所述灰度图像分成k₁×k₂个区块后，利用如下公式分别计算各个区块的标准差：

其中，σ为区块中所有像素点的强度标准差，n为区块中像素点的个数，I_i是指区块中各个像素点的强度，

是指区块中所有像素点的强度平均值；

分别将所述各个区块的标准差与预设的敏感度阈值比较，将标准差小于预设的敏感度阈值的区块筛除；

对剩余的其他区块利用如下公式计算对比度的指标RME：

其中，RME是指根均提升，k₁和k₂分别是指灰度图像中每行和每列区块的个数；i和j分别是指区块位于灰度图像中的横坐标和纵坐标；I_i，j是指区块中点的像素强度，n是指各个区块像素点的个数，I₁、I₂......I_n是指区块中各个像素点强度。

5.如权利要求1至4任意一项所述的图像质量确定方法，其特征在于，所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

判断所述模糊度的指标是否大于第一阈值、所述纹理噪声的指标是否大于第二阈值和所述对比度的指标是否小于第三阈值，若是，则所述图像被确定为低质量，若否，则所述图像被确定为高质量。

6.如权利要求1至4任意一项所述的图像质量确定方法，其特征在于，所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

将所述模糊度的指标、所述纹理噪声的指标和所述对比度的指标作为变量输入预先训练的第一机器学习模型中，其中预先训练的第一机器学习模型的训练集为已标注图像质量的图像样本数据集合；

获取所述预先训练的第一机器学习模型对所述图像的质量进行确定的结果。

7.如权利要求1至4任意一项所述的图像质量确定方法，其特征在于，所述利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定包括：

将所述模糊度的指标、所述纹理噪声的指标和所述对比度的指标作为变量输入预先训练的第二机器学习模型中，其中预先训练的第二机器学习模型的训练集为已标注OCR准确率的图像样本数据集合；

所述预先训练的第二机器学习模型计算出所述图像的OCR准确率预估值，所述图像的OCR准确率预估值大于预设的第四阈值时，则所述图像被确定为高质量，否则，所述图像被确定为低质量。

8.如权利要求1所述的图像质量确定方法，其特征在于，所述方法还包括：

将质量满足要求的图像传输至OCR识别系统中进行识别。

9.一种图像质量确定装置，其特征在于，所述装置包括：

图像转化单元，用于将接收到的证照类文档图像转化为灰度图像；

第一计算单元，用于确定所述灰度图像的边缘像素点，分别判断所述边缘像素点中所有Roof结构的边缘像素点是否满足模糊条件，计算满足模糊条件的Roof结构的边缘像素点的个数与所有Roof结构的边缘像素点的个数的比值作为所述图像的模糊度的指标；

第二计算单元，用于根据预设的第一计算规则计算所述图像的纹理噪声的指标；

第三计算单元，用于根据预设的第二计算规则计算所述图像的对比度的指标；

确定单元，用于利用所述模糊度的指标、纹理噪声的指标和对比度的指标对所述图像的质量进行确定。

10.一种计算机系统，其特征在于，所述系统包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1-8任一项所述的方法。

Images