CN112950556B - 图像真实度评估方法、装置、系统及计算机可读存储介质 - Google Patents
图像真实度评估方法、装置、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112950556B CN112950556B CN202110175012.8A CN202110175012A CN112950556B CN 112950556 B CN112950556 B CN 112950556B CN 202110175012 A CN202110175012 A CN 202110175012A CN 112950556 B CN112950556 B CN 112950556B
- Authority
- CN
- China
- Prior art keywords
- image
- foreground
- effective target
- background
- evaluated
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims description 27
- 238000000034 method Methods 0.000 claims abstract description 74
- 230000011218 segmentation Effects 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 29
- 238000005192 partition Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像真实度评估方法、装置、系统及计算机可读存储介质，方法包括：构建预设图像色彩分布数据库；获取待评估图像，并判断待评估图像中是否存在有效目标；若存在有效目标，则构建有效目标对应的第一前景联合直方图和第一背景联合直方图；根据预设图像色彩分布数据库、第一前景联合直方图和第一背景联合直方图，分别计算有效目标的全局真实度评分值和局部真实度评分值；根据全局真实度评分值和局部真实度评分值，确定待评估图像的目标真实度评分值。本发明通过计算待评估图像中有效目标的全局真实度评分值和局部真实度评分值，来确定待评估图像的目标真实度评分值，以量化的形式直观明了地来衡量图像真实度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及图像真实度评估方法、装置、系统及计算机可读存储介质。
背景技术
随着图像编辑软件(Photoshop、美图等)的广泛应用，以及图像合成技术的快速发展，越来越多的高质量合成图像涌现出来，但这些以假乱真的图像也可能会诱发许多潜在的社会问题，因此，需要发展相关技术手段和工具来检测图像的真伪程度。
目前对图像进行真伪检测时，通常是采用二分类做法，虽然这种非黑即白的方法可以辨别图像的真伪，但是对图像进行真实度评估时缺乏有效的量化方案，也即，无法确定图像的真实度值是多少。因此，如何得到图像的真实度值成为本领域技术人员的主要研究方向。
发明内容
本发明的主要目的在于提出一种图像真实度评估方法、装置、系统及计算机可读存储介质，旨在解决对图像进行真实度评估时，无法确定图像的真实度值的技术问题。
为实现上述目的，本发明提供一种图像真实度评估方法，所述方法包括如下步骤：
构建预设图像色彩分布数据库；
获取待评估图像，并判断所述待评估图像中是否存在有效目标；
若存在有效目标，则构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图；
根据所述预设图像色彩分布数据库、所述第一前景联合直方图和所述第一背景联合直方图，分别计算所述有效目标的全局真实度评分值和局部真实度评分值；
根据所述全局真实度评分值和所述局部真实度评分值，确定所述待评估图像的目标真实度评分值。
优选地，所述构建预设图像色彩分布数据库的步骤包括：
获取只包含真实图像的图像数据集，确定各所述真实图像中的目标对象；
对各所述真实图像进行目标分割处理，并根据预设的目标筛选规则对各所述目标对象进行筛选，以确定有效目标对象；
为各所述有效目标对象建立索引，并分别生成各所述有效目标对象对应的第一分割前景掩模图和第一关联背景掩模图；
基于所述第一分割前景掩模图构建所述第一分割前景掩模图对应的有效目标对象的第二前景联合直方图，并基于所述第一关联背景掩模图构建所述第一关联背景掩模图对应的有效目标对象的第二背景联合直方图；
基于各所述有效目标对象的第二前景联合直方图和第二背景联合直方图，构建预设图像色彩分布数据库。
优选地，所述判断所述待评估图像中是否存在有效目标的步骤包括：
确定所述待评估图像中的待评估目标，并确定所述待评估目标在所述待评估图像中的像素占比；
判断所述像素占比是否在预设像素占比范围内；
若在所述预设像素占比范围内，则确定所述待评估图像中存在有效目标；
若不在所述预设像素占比范围内，则确定所述待评估图像中不存在有效目标。
优选地，所述构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图的步骤包括：
对所述待评估图像进行目标分割处理，并生成所述有效目标对应的第二分割前景掩模图和第二关联背景掩模图；
根据所述第二分割前景掩模图中的前景像素点，构建所述有效目标对应的第一前景联合直方图；
根据所述第二关联背景掩模图中的背景像素点，构建所述有效目标对应的第一背景联合直方图。
优选地，所述根据所述预设图像色彩分布数据库、所述第一前景联合直方图和所述第一背景联合直方图，分别计算所述有效目标的全局真实度评分值和局部真实度评分值的步骤包括：
获取所述预设图像色彩分布数据库中的第二前景联合直方图，并分别计算所述第一前景联合直方图和各所述第二前景联合直方图之间的前景相似距离；
根据所述前景相似距离和预设直方图筛选规则，从所述第二前景联合直方图中筛选出所述有效目标的相似前景联合直方图，并记录所述相似前景联合直方图在所述预设图像色彩分布数据库中的索引值；
根据所述索引值和所述第一背景联合直方图，确定所述有效目标的全局真实度评分值；
计算所述第一前景联合直方图和所述第一背景联合直方图之间的目标相似距离，并根据所述目标相似距离，确定所述有效目标的局部真实评分值。
优选地，所述根据所述索引值和所述第一背景联合直方图，确定所述有效目标的全局真实度评分值的步骤包括：
从所述预设图像色彩分布数据库中获取所述索引值对应的第二背景联合直方图，作为相似背景联合直方图，并计算所述第一背景联合直方图和所述相似背景联合直方图之间的背景相似距离；
根据所述背景相似距离确定所述有效目标的全局真实度评分值。
优选地，所述判断所述待评估图像中是否存在有效目标的步骤之后，还包括：
若不存在有效目标，则对所述待评估图像进行图像划分处理，得到对应的划分图像；
构建各所述划分图像对应的划分联合直方图，并计算各所述划分联合直方图之间的划分相似距离；
根据所述划分相似距离，确定所述待评估图像的真实度评分值。
此外，为实现上述目的，本发明还提供一种图像真实度评估装置，所述图像真实度评估装置包括：
第一构建模块，用于构建预设图像色彩分布数据库；
目标判断模块，用于获取待评估图像，并判断所述待评估图像中是否存在有效目标；
第二构建模块，用于若存在有效目标，则构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图；
评分计算模块，用于根据所述预设图像色彩分布数据库、所述第一前景联合直方图和所述第一背景联合直方图，分别计算所述有效目标的全局真实度评分值和局部真实度评分值；
评分确定模块，用于根据所述全局真实度评分值和所述局部真实度评分值，确定所述待评估图像的目标真实度评分值。
优选地，所述第一构建模块还用于：
获取只包含真实图像的图像数据集，确定各所述真实图像中的目标对象；
对各所述真实图像进行目标分割处理，并根据预设的目标筛选规则对各所述目标对象进行筛选，以确定有效目标对象；
为各所述有效目标对象建立索引，并分别生成各所述有效目标对象对应的第一分割前景掩模图和第一关联背景掩模图；
基于所述第一分割前景掩模图构建所述第一分割前景掩模图对应的有效目标对象的第二前景联合直方图，并基于所述第一关联背景掩模图构建所述第一关联背景掩模图对应的有效目标对象的第二背景联合直方图；
基于各所述有效目标对象的第二前景联合直方图和第二背景联合直方图，构建预设图像色彩分布数据库。
优选地，所述目标判断模块还用于：
确定所述待评估图像中的待评估目标，并确定所述待评估目标在所述待评估图像中的像素占比；
判断所述像素占比是否在预设像素占比范围内；
若在所述预设像素占比范围内，则确定所述待评估图像中存在有效目标；
若不在所述预设像素占比范围内，则确定所述待评估图像中不存在有效目标。
优选地，所述第二构建模块还用于：
对所述待评估图像进行目标分割处理，并生成所述有效目标对应的第二分割前景掩模图和第二关联背景掩模图；
根据所述第二分割前景掩模图中的前景像素点，构建所述有效目标对应的第一前景联合直方图；
根据所述第二关联背景掩模图中的背景像素点，构建所述有效目标对应的第一背景联合直方图。
优选地，所述评分计算模块还用于：
获取预设图像色彩分布数据库中的第二前景联合直方图，并分别计算所述第一前景联合直方图和各所述第二前景联合直方图之间的前景相似距离；
根据所述前景相似距离和预设直方图筛选规则，从所述第二前景联合直方图中筛选出所述有效目标的相似前景联合直方图，并记录所述相似前景联合直方图在所述预设图像色彩分布数据库中的索引值；
根据所述索引值和所述第一背景联合直方图，确定所述有效目标的全局真实度评分值；
计算所述第一前景联合直方图和所述第一背景联合直方图之间的目标相似距离，并根据所述目标相似距离，确定所述有效目标的局部真实评分值。
优选地，所述评分计算模块还用于：
从所述预设图像色彩分布数据库中获取所述索引值对应的第二背景联合直方图，作为相似背景联合直方图，并计算所述第一背景联合直方图和所述相似背景联合直方图之间的背景相似距离；
根据所述背景相似距离确定所述有效目标的全局真实度评分值。
优选地，所述图像真实度评估装置还包括划分确定模块，所述划分确定模块用于：
若不存在有效目标，则对所述待评估图像进行图像划分处理，得到对应的划分图像；
构建各所述划分图像对应的划分联合直方图，并计算各所述划分联合直方图之间的划分相似距离；
根据所述划分相似距离，确定所述待评估图像的真实度评分值。
此外，为实现上述目的，本发明还提供一种图像真实度评估系统，所述图像真实度评估系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像真实度评估程序，所述图像真实度评估程序被所述处理器执行时实现如上所述的图像真实度评估方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像真实度评估程序，所述图像真实度评估程序被处理器执行时实现如上所述的图像真实度评估方法的步骤。
本发明提出的图像真实度评估方法，通过构建预设图像色彩分布数据库；获取待评估图像，并判断待评估图像中是否存在有效目标；若存在有效目标，则构建有效目标对应的第一前景联合直方图和第一背景联合直方图；根据预设图像色彩分布数据库、第一前景联合直方图和第一背景联合直方图，分别计算有效目标的全局真实度评分值和局部真实度评分值；根据全局真实度评分值和局部真实度评分值，确定待评估图像的目标真实度评分值。本发明通过计算待评估图像中有效目标的全局真实度评分值和局部真实度评分值，来确定待评估图像的目标真实度评分值，以量化的形式直观明了地来衡量图像真实度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的系统结构示意图；
图2为本发明图像真实度评估方法第一实施例的流程示意图；
图3为本发明图像真实度评估方法目标分割处理后的图像示意图；
图4为本发明图像真实度评估方法分割前景掩模图和关联背景掩模图示意图；
图5为本发明图像真实度评估方法图像划分示意图；
图6为本发明图像真实度评估方法较佳实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的系统结构示意图。
本发明实施例系统可以是移动终端、PC端等。
如图1所示，该系统可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的系统结构并不构成对系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像真实度评估程序。
其中，操作系统是管理和控制图像真实度评估系统与软件资源的程序，支持网络通信模块、用户接口模块、图像真实度评估程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1002；用户接口模块用于管理和控制用户接口1003。
在图1所示的图像真实度评估系统中，所述图像真实度评估系统通过处理器1001调用存储器1005中存储的图像真实度评估程序，并执行下述图像真实度评估方法各个实施例中的操作。
基于上述硬件结构，提出本发明图像真实度评估方法实施例。
参照图2，图2为本发明图像真实度评估方法第一实施例的流程示意图，所述方法包括：
步骤S10，构建预设图像色彩分布数据库；
本实施例图像真实度评估方法运用于图像处理场景的图像真实度评估系统中。为描述方便，图像真实度评估系统以图像评估系统简称。随着图像编辑软件(Photoshop、美图等)的广泛应用，以及图像合成技术的快速发展，越来越多的高质量合成图像涌现出来，虽然这可以给大家带来娱乐、便利等，但这些以假乱真的图像也可能会诱发许多潜在的社会问题，因此，需要发展相关技术手段和工具来检测图像的真伪程度。
目前一般采用二分类法来检测图像的真伪程度，虽然采用这种方法可以辨别出图像的真伪，但是采用这种非黑即白的方法对图像进行真实度评估时，缺乏有效的量化方案，其中，量化指的是目标或任务具体明确，可以清晰度量。根据不同情况，量化可表现为具体的统计数字、范围衡量、时间长度等等。对图像进行真实度评估时缺乏有效的量化方案，也即，无法确定图像的真实度值是多少。因此，如何得到图像的真实度值成为本领域技术人员的主要研究方向。
在本实施例中，构建预设图像色彩分布数据库时，所使用的图像数据集中的图像要求是真实生成的，而且，真实图像的数量和内容多样性也会影响方案实施的准确性。理论上，真实图像的数量越多、图像的内容多样性越丰富，图像评估的准确度就越高。
步骤S20，获取待评估图像，并判断所述待评估图像中是否存在有效目标；
在本实施例中，由于实际应用时，图像评估系统一般用于处理特定场景中采集的图像，因此，待评估图像可以是与图像评估系统连接的各个移动终端上传的图像，也可以是在实际应用场景中实时采集的图像。判断待评估图像中是否存在有效目标，也即，判断待评估图像中的待评估目标是否为有效目标。
进一步地，所述判断所述待评估图像中是否存在有效目标的步骤包括：
步骤a1，确定所述待评估图像中的待评估目标，并确定所述待评估目标在所述待评估图像中的像素占比；
步骤a2，判断所述像素占比是否在预设像素占比范围内；
步骤a3，若在所述预设像素占比范围内，则确定所述待评估图像中存在有效目标；
步骤a4，若不在所述预设像素占比范围内，则确定所述待评估图像中不存在有效目标。
在本实施例中，判断待评估图像中是否存在有效目标，需要先确定待评估图像中的待评估目标，然后通过预设算法计算待评估目标在对应的待评估图像中的像素占比，即计算与待评估目标相关联的图像像素与该待评估图像像素总和之间的比值，然后再通过判断该像素占比是否在预设像素占比范围内，以此确定待评估图像中是否存在有效目标。
具体的，若预设像素占比范围中的最小像素占比阈值为Tmin＝0.15，最大像素占比阈值为Tmax＝0.65，即预设像素占比范围为[0.15，0.65]，当待评估目标在对应的待评估图像中的像素占比在[0.15，0.65]范围内时，说明该待评估目标为有效目标，则可确定该待评估图像中存在有效目标；当待评估目标在对应的待评估图像中的像素占比不在[0.15，0.65]范围内时，说明该待评估目标不是有效目标，则可确定该待评估图像中不存在有效目标。
步骤S30，若存在有效目标，则构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图；
在本实施例中，若待评估图像中存在有效目标，则对该待评估图像进行处理，然后基于处理后得到的图像信息构建该有效目标对应的第一前景联合直方图和第一背景联合直方图，以对该待评估图像进行真实度评估。
进一步地，所述构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图的步骤包括：
步骤b1，对所述待评估图像进行目标分割处理，并生成所述有效目标对应的第二分割前景掩模图和第二关联背景掩模图；
在本实施例中，对存在有效目标的待评估图像进行目标分割处理，得到该待评估图像对应的第二分割前景掩模图和第二关联背景掩模图的方法与构建预设图像色彩分布数据库时对各真实图像进行目标分割处理，并生成各有效目标对象对应的第一分割前景掩模图和第一关联背景掩模图的方法类似，此处不再赘述。
步骤b2，根据所述第二分割前景掩模图中的前景像素点，构建所述有效目标对应的第一前景联合直方图；
步骤b3，根据所述第二关联背景掩模图中的背景像素点，构建所述有效目标对应的第一背景联合直方图。
在本实施例中，联合直方图可以反映出在某像素范围内各像素对应的相对数量，因此，构建有效目标对应的第一前景联合直方图，需要依赖于有效目标对应的第二分割前景掩模图中的前景像素点；构建有效目标对应的第一背景联合直方图时，需要依赖于有效目标对应的第二关联背景掩模图中的背景像素点。具体的构建方法与构建预设图像数据库中的联合直方图的方法类似，此处不作详细描述。
由于实际应用场景中获取到的待评估图像不止一张，因此，获取到的待评估图像中有效目标的数目可能有多个。若获取到的待评估图像中有效目标的数目标记为Nobj，为了与预设图像色彩分布数据库中的前景联合直方图HistF[,,]进行区分，可将第i个有效目标对应的前景联合直方图记为evlHistFi[,,]，将对应的背景联合直方图记为evlHistBi[,,]，其中i的取值范围为[1，Nobj]。
步骤S40，根据所述预设图像色彩分布数据库、所述第一前景联合直方图和所述第一背景联合直方图，分别计算所述有效目标的全局真实度评分值和局部真实度评分值；
在本实施例中，通过图像的联合直方图可快速估算出有效目标对应的各个有效像素值在相应的待评估图像中的联合概率分布情况。根据有效目标的第一前景联合直方图evlHistFi[,,]和对应的第一背景联合直方图evlHistBi[,,]，分别计算该有效目标的全局真实度评分值和局部真实度评分值，可通过比较有效目标的第一前景联合直方图、第一背景联合直方图与预设图像色彩分布数据库中的第二前景联合直方图、第二背景联合直方图之间的相关性，从而计算出有效目标的全局真实度评分值和局部真实度评分值。
其中，全局真实度评分值是根据有效目标的第一前景联合直方图和预设图像色彩分布数据库中的第二前景联合直方图，以及有效目标的第一背景联合直方图和预设图像色彩分布数据库中的第二背景联合直方图得到的相关性评分；局部真实度评分值指的是有效目标的第一前景联合直方图与对应的第一背景联合直方图之间的相关性评分。
步骤S50，根据所述全局真实度评分值和所述局部真实度评分值，确定所述待评估图像的目标真实度评分值。
在本实施例中，将有效目标的全局真实度评分值和局部真实度评分值进行加权累加运算，可生成待评估图像的真实度评分值Score，待评估图像的真实度评分值的计算方法如下：
其中，Nobj为待评估图像中有效目标的数目，表示第i个有效目标的全局评分值golbalScorei的权重，/>表示第i个有效目标的局部评分值localScorei的权重，且
本实施例的图像真实度评估方法，通过构建预设图像色彩分布数据库；获取待评估图像，并判断待评估图像中是否存在有效目标；若存在有效目标，则构建有效目标对应的第一前景联合直方图和第一背景联合直方图；根据预设图像色彩分布数据库、第一前景联合直方图和第一背景联合直方图，分别计算有效目标的全局真实度评分值和局部真实度评分值；根据全局真实度评分值和局部真实度评分值，确定待评估图像的目标真实度评分值。本发明通过计算待评估图像中有效目标的全局真实度评分值和局部真实度评分值，来确定待评估图像的目标真实度评分值，以量化的形式直观明了地来衡量图像真实度。
进一步地，基于本发明图像真实度评估方法第一实施例，提出本发明图像真实度评估方法第二实施例。
图像真实度评估方法的第二实施例与图像真实度评估方法的第一实施例的区别在于，步骤S10还包括：
步骤c，获取只包含真实图像的图像数据集，确定各所述真实图像中的目标对象；
在本实施例中，构建预设图像色彩分布数据库时，需要先获取只包含真实图像的图像数据集，然后确定各张真实图像中的目标对象，如图像中的小鸟、飞机等目标对象，以此进一步确定各张真实图像中目标对象是否为有效的目标对象。
此外，构建预设图像色彩分布数据库时，还需要选取至少一个图像颜色空间来对图像进行处理，常见的图像颜色空间包括但不限于RGB(Red-Blue-Green)、HSV(Hue,Saturation,Value，即色调，色饱和度，色彩的浓淡关系)、Lab等颜色空间，其中，Lab是以一个亮度分量L(Lightness)，以及两个颜色分量a与b来表示颜色的，亮度分量L代表着图像的明暗度，分量a代表由绿色到红色的光谱变化，而分量b代表由蓝色到黄色的光谱变化。
需要说明的是，在实际应用中，若选取多个颜色空间来对图像进行处理，可为不同的颜色空间分配不同的权重值，以生成图像的真实度评估值。
步骤d，对各所述真实图像进行目标分割处理，并根据预设的目标筛选规则对各所述目标对象进行筛选，以确定有效目标对象；
在本实施例中，可采用现有的目标分割算法，对各张真实图像进行目标分割处理，即将真实图像中目标对象的轮廓图像和剩余部分图像分割出来，而且不同的实施例可以按需选择不同的目标分割算法。参照图3，图3为本发明图像真实度评估方法目标分割处理后的图像示意图，该图像中的目标对象为图中的小鸟，左半部分所示的图像为原真实图像对应的灰度图，经过目标分割处理后得到右半部分所示的图像，由此可见，经过目标分割处理后，可将该图像中小鸟的轮廓图和背景图分割开来。然后再根据预设的目标筛选规则，对分割出来的各个目标对象进行筛选，如可根据各个目标对象在对应的真实图像中的像素占比进行筛选，从而筛选出符合预设目标筛选规则的有效目标对象，及其对应的真实图像。
可以理解的，目标对象在对应的真实图像中的像素占比，可以反映出目标对象在真实图像中的比例大小，而当目标对象过大或过小时，在后续的统计分析过程中会影响到最终的图像真实度评估结果，因此，为了得出更为准确的图像真实度评估结果，需要对各真实图像中的目标对象进行筛选，以确定符合预设目标筛选规则的有效目标对象。
步骤e，为各所述有效目标对象建立索引，并分别生成各所述有效目标对象对应的第一分割前景掩模图和第一关联背景掩模图；
在本实施例中，索引是一种单独的、物理的对数据库表中一列或多列的值进行排序的一种存储结构，它是某个表中一列或若干列值的集合和相应的指向表中物理标识这些值的数据页的逻辑指针清单。建立索引的作用相当于构建图书的目录，可根据目录中的页码快速找到所需的内容。由此可见，为符合预设目标筛选规则的各个有效目标对象建立索引，不仅可以通过唯一的索引值来确保数据的唯一性，还可以加快数据的检索速度，有利于提高图像真实度评估的评估效率。
参照图4，图4为本发明图像真实度评估方法分割前景掩模图和关联背景掩模图示意图，该图像经过分割处理后的有效目标对象为图中所示的飞机，该图像中与飞机相关联的图像像素位置，即为分割前景掩模图中的有效图像区域，而关联背景掩模图的生成方法通常为：在图像中选取一个包含有效目标对象的区域(通常为矩形区域，也可以是整幅图像)，排除分割前景掩模图包含的有效图像区域，剩余的图像部分组成了关联背景掩模图，如图4中整幅图像的黑色像素位置组成了一种关联背景掩模图，而白色矩形框内的黑色像素位置组成了另外一种关联背景掩模图。
步骤f，基于所述第一分割前景掩模图构建所述第一分割前景掩模图对应的有效目标对象的第二前景联合直方图，并基于所述第一关联背景掩模图构建所述第一关联背景掩模图对应的有效目标对象的第二背景联合直方图；
在本实施例中，构建每个有效目标的前景联合直方图，是参考该有效目标对应的分割前景掩模图，而构建每个有效目标对象的背景联合直方图，是参考该有效目标对象对应的关联背景掩模图。具体的，构建各个有效目标对象对应的第二前景联合直方图和第二背景联合直方图，需要先读取各个有效目标对象对应的图像，并将其转换成Lab颜色空间的图像，可分别设置Lab颜色空间中在亮度分量L，以及两个颜色分量a与b这三个空间需要统计的颜色区间数，例如，设置L空间需要统计的颜色区间数BinN(L)＝20，分量a需要统计的颜色区间数BinN(a)＝20，以及分量b需要统计的颜色区间数BinN(b)＝20，再设置Lab各空间的最小最大度量值，例如，设置亮度分量L的最小度量值min(L)＝0，最大度量值max(L)＝100，分量a对应的最小最大度量值分别为min(a)＝-100、max(a)＝100，分量b对应的最小最大度量值分别为min(b)＝-100、max(b)＝100。再读取各个有效目标对象对应的分割前景掩模图，即第一分割前景掩模图，以及第一分割前景掩模图中各像素点当前分别在L、a、b这三个空间上的像素值，然后根据L、a、b三个空间上不同像素值范围内的像素值确定第二前景联合直方图的构建参数，从而根据构建参数来计算各张分割前景掩模图中前景像素点对应的第二前景联合直方图。构建第二前景联合直方图HistF[,,]时，其初始化为全零，是一个BinN(L)×BinN(a)×BinN(a)的三维矩阵。
具体的，若有效目标对象相关联的某像素点当前的像素值为val(L)、val(a)、val(b)，确定其对应的前景联合直方图HistF[,,]在L空间上的构建参数时，计算公式如下：
通过将val(L)与预设的min(L)、max(L)进行比较，并根据处于不同像素范围的val(L)，确定前景联合直方图HistF[,,]在L空间上的构建参数bin(L)。
同理地，确定前景联合直方图HistF[,,]在a空间上的构建参数bin(a)时，计算公式如下：
确定前景联合直方图HistF[,,]在b空间上的构建参数bin(b)时，计算公式如下：
然后统计第一分割前景掩模图中所有像素点，统计方法如下：
HistF[bin(L),bin(a),bin(b)]+＝1
其中，“+＝”是编程语言中的复合赋值运算符，如“a+＝1”，实质上相当于编程语言“a＝a+1”的意思。通过上述统计式子可逐一地对分割前景掩模图中的前景像素点进行统计，以统计分割前景掩模图中所有前景像素点，再通过预设的联合直方图构建函数构建对应的前景联合直方图HistF[,,]，方便用户从前景联合直方图就能了解到图像中的前景像素点在各像素范围内的相对数量。
完成分割前景掩模图中的像素统计后，可对前景联合直方图做归一化处理，以消除光照或者噪声所造成的影响。若Num(F)表示分割前景掩模图中的有效像素个数，那么，对HistF[,,]进行归一化处理的计算方法如下：
HistF[,,]/＝Num(F)
其中，“/＝”是编程语言中的一种复合赋值运算符，相当于把左边的变量除于右边变量的值赋予右边的变量，例如：“a/＝b”等价于“a＝a/b”。
另外，构建背景联合直方图HistB[,,]的方法与构建前景联合直方图HistF[,,]的方法类似，此处不再赘述。
步骤g，基于各所述有效目标对象的第二前景联合直方图和第二背景联合直方图，构建预设图像色彩分布数据库。
在本实施例中，统计每个有效目标对象的前景联合直方图，即第二前景联合直方图，是参考该有效目标对象对应的第一分割前景掩模图，而统计每个有效目标对象的背景联合直方图，即第二背景联合直方图，则是参考该有效目标对象对应的第一关联背景掩模图。将各个有效目标对象的第二前景联合直方图和第二背景联合直方图中所包含的统计信息，以文件或数据库形式存储于预设数据库中，即形成预设图像色彩分布数据库，得到评估待评估图像的真实度的参照数据库。
本实施例的图像真实度评估方法，预设图像色彩数据库中只包含各个有效目标对应的真实图像，因此，构建预设图像色彩数据库，有利于保证图像真实度评估的准确性。
进一步地，基于本发明图像真实度评估方法第一、第二实施例，提出本发明图像真实度评估方法第三实施例。
图像真实度评估方法的第三实施例与图像真实度评估方法的第一、第二实施例的区别在于，步骤S40还包括：
步骤h，获取所述预设图像色彩分布数据库中的第二前景联合直方图，并分别计算所述第一前景联合直方图和各所述第二前景联合直方图之间的前景相似距离；
步骤i，根据所述前景相似距离和预设直方图筛选规则，从所述第二前景联合直方图中筛选出所述有效目标的相似前景联合直方图，并记录所述相似前景联合直方图在所述预设图像色彩分布数据库中的索引值；
在本实施例中，计算有效目标的第一前景联合直方图evlHistFi[,,]与预设图像色彩分布数据库的第二前景联合直方图HistF[,,]之间的前景相似距离，通常采用相关性比较、卡方距离、十字交叉性、巴氏距离等方法来计算，然后根据得到的前景相似距离，筛选出与第一前景联合直方图最相似的一个或多个第二前景联合直方图，以作为有效目标的相似前景联合直方图。例如，可预先设置相似前景联合直方图的数目M，然后采用卡方距离计算方法计算evlHistFi[,,]与HistF[,,]之间的前景相似距离，由于采用卡方距离方法计算得到的前景相似距离值越小，则表明两个前景联合直方图越相似，因此，在计算出前景相似距离后，可将前景相似距离按照升序的方式排列，然后确定M个最小的前景相似距离，从而筛选出与evlHistFi[,,]最相似的M个HistF[,,]，并记录这M个HistF[,,]在预设图像色彩分布数据库中的索引值，其中，索引值可以是各个HistF[,,]在预设图像色彩分布数据库中对应索引上的字符等。
需要说明的是，一般认为在预设图像色彩数据库中都能找到与待评估图像中的有效目标相匹配的有效目标对象，这样比较有效目标的联合直方图与预设图像色彩数据库中的联合直方图之间的相似距离才有意义。
步骤j，根据所述索引值和所述第一背景联合直方图，确定所述有效目标的全局真实度评分值；
在本实施例中，由于构建预设图像色彩分布数据库时，为各个有效目标对象建立了索引，使得同一个目标对象对应的前景联合直方图和背景联合直方图都具有唯一且相同的索引值。因此，若索引值是根据第一前景联合直方图和第二前景联合直方图得到的，根据该索引值可以唯一地获取到预设图像色彩分布数据库中的第二背景联合直方图，然后根据第二背景联合直方图和第一背景联合直方图来确定有效目标的全局真实度评分值，体现了对图像进行真实度评估时的量化效果。
进一步地，步骤j还包括：
步骤j1，从所述预设图像色彩分布数据库中获取所述索引值对应的第二背景联合直方图，作为相似背景联合直方图，并计算所述第一背景联合直方图和所述相似背景联合直方图之间的背景相似距离；
步骤j2，根据所述背景相似距离确定所述有效目标的全局真实度评分值。
在本实施例中，每张图像都是分前景和背景的，一般来说，相机拍摄的主题部分叫做前景，如人物图像中，前景就是图像中的人物，图像中除了前景部分，剩下的部分就叫背景。因此，图像前景部分的像素和背景部分的像素是存在差异的，为了得出更加准确的图像真实度评分，一般先计算有效目标的第一背景联合直方图与预设图像色彩分布数据库中的第二背景联合直方图之间的背景相似距离，然后根据背景相似距离和对应的相似规则，来确定最相似的第二背景联合直方图，并记录对应的索引值。如采用卡方距离计算方法计算背景相似距离时，确定背景相似距离最小时的第二背景联合直方图，并记录其对应的索引值Idxj＝J，其中，J∈[1，M]，若将最相似时的背景相似距离记录为Disti(evlHistBi[,,],)，根据Disti(evlHistBi[,,],/>)可确定有效目标的全局真实度评分值golbalScorei。
将Disti(evlHistBi[,,],)映射为有效目标的全局真实度评分值的计算方法如下：
由于Disti(evlHistBi[,,],)为一个大于或等于0的值，为更加直观地反馈度量数据，可通过上述映射公式将golbalScorei进行归一化处理，使得有效目标的全局真实度评分对应的取值在(0,1)区间内。
步骤k，计算所述第一前景联合直方图和所述第一背景联合直方图之间的目标相似距离，并根据所述目标相似距离，确定所述有效目标的局部真实评分值。
在本实施例中，计算有效目标的前景联合直方图和背景联合直方图之间的目标相似距离，得到有效目标的局部真实度评分值，可以反映出待评估图像自身的图像质量评分，有利于更加准确地输出待评估图像的真实度评分值。在计算出多个目标相似距离后，确定最相似时的目标相似距离，记录为Disti(evlHistBi[,,],evlHistFi[,,])，然后将Disti(evlHistBi[,,],evlHistFi[,,])映射为该有效目标的局部真实度评分值localScorei，具体的计算方法如下：
本实施例的图像真实度评估方法，通过分别计算有效目标的全局真实度评分值和局部真实度评分值，有利于图像评估系统输出该有效目标所在图像的目标真实度评分值，可直观明了地展现评估图像真实度时的量化过程。
进一步地，基于本发明图像真实度评估方法第一、第二、第三实施例，提出本发明图像真实度评估方法第四实施例。
图像真实度评估方法的第四实施例与图像真实度评估方法的第一、第二、第三实施例的区别在于，所述判断所述待评估图像中是否存在有效目标的步骤之后，还包括：
步骤l，若不存在有效目标，则对所述待评估图像进行图像划分处理，得到对应的划分图像；
步骤m，构建各所述划分图像对应的划分联合直方图，并计算各所述划分联合直方图之间的划分相似距离；
步骤n，根据所述划分相似距离，确定所述待评估图像的真实度评分值。
在本实施例中，若待评估图像中不存在有效目标，则说明待评估图像中的待评估目标过大或过小，不利于后续的数据统计分析，甚至会影响到真实度评估的准确性，此时可对该待评估图像进行图像划分处理，如图5所示，若待评估图像是一幅宽为W，高为H的图像，进行图像划分处理时，可将待评估图像划分成互不重叠的两部分，并以容易区分的白、灰两种颜色进行标记，则可得到两张划分图像(图5中的灰色部分图像和白色部分图像)。构建这两张划分图像对应的划分联合直方图，并计算两个划分联合直方图之间的划分相似距离的方法与上述计算前景相似距离的方法类似，此处不再赘述。然后确定最相似时的划分相似距离D，并通过上述的映射方式，将D映射为待评估图像的真实度评分值。
本实施例的图像真实度评估方法，当待评估图像中不存在有效目标时，也可通过对图像进行划分处理后计算对应的真实度评分值，可提高图像资源的利用率。
本发明还提供一种图像真实度评估装置。参照图6，本发明图像真实度评估装置包括：
第一构建模块10，用于构建预设图像色彩分布数据库；
目标判断模块20，用于获取待评估图像，并判断所述待评估图像中是否存在有效目标；
第二构建模块30，用于若存在有效目标，则构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图；
评分计算模块40，用于根据所述预设图像色彩分布数据库、所述第一前景联合直方图和所述第一背景联合直方图，分别计算所述有效目标的全局真实度评分值和局部真实度评分值；
评分确定模块50，用于根据所述全局真实度评分值和所述局部真实度评分值，确定所述待评估图像的目标真实度评分值。
优选地，所述第一构建模块还用于：
获取只包含真实图像的图像数据集，确定各所述真实图像中的目标对象；
对各所述真实图像进行目标分割处理，并根据预设的目标筛选规则对各所述目标对象进行筛选，以确定有效目标对象；
为各所述有效目标对象建立索引，并分别生成各所述有效目标对象对应的第一分割前景掩模图和第一关联背景掩模图；
基于所述第一分割前景掩模图构建所述第一分割前景掩模图对应的有效目标对象的第二前景联合直方图，并基于所述第一关联背景掩模图构建所述第一关联背景掩模图对应的有效目标对象的第二背景联合直方图；
基于各所述有效目标对象的第二前景联合直方图和第二背景联合直方图，构建预设图像色彩分布数据库。
优选地，所述目标判断模块还用于：
确定所述待评估图像中的待评估目标，并确定所述待评估目标在所述待评估图像中的像素占比；
判断所述像素占比是否在预设像素占比范围内；
若在所述预设像素占比范围内，则确定所述待评估图像中存在有效目标；
若不在所述预设像素占比范围内，则确定所述待评估图像中不存在有效目标。
优选地，所述第二构建模块还用于：
对所述待评估图像进行目标分割处理，并生成所述有效目标对应的第二分割前景掩模图和第二关联背景掩模图；
根据所述第二分割前景掩模图中的前景像素点，构建所述有效目标对应的第一前景联合直方图；
根据所述第二关联背景掩模图中的背景像素点，构建所述有效目标对应的第一背景联合直方图。
优选地，所述评分计算模块还用于：
获取所述预设图像色彩分布数据库中的第二前景联合直方图，并分别计算所述第一前景联合直方图和各所述第二前景联合直方图之间的前景相似距离；
根据所述前景相似距离和预设直方图筛选规则，从所述第二前景联合直方图中筛选出所述有效目标的相似前景联合直方图，并记录所述相似前景联合直方图在所述预设图像色彩分布数据库中的索引值；
根据所述索引值和所述第一背景联合直方图，确定所述有效目标的全局真实度评分值；
计算所述第一前景联合直方图和所述第一背景联合直方图之间的目标相似距离，并根据所述目标相似距离，确定所述有效目标的局部真实评分值。
优选地，所述评分计算模块还用于：
从所述预设图像色彩分布数据库中获取所述索引值对应的第二背景联合直方图，作为相似背景联合直方图，并计算所述第一背景联合直方图和所述相似背景联合直方图之间的背景相似距离；
根据所述背景相似距离确定所述有效目标的全局真实度评分值。
优选地，所述图像真实度评估装置还包括划分确定模块，所述划分确定模块用于：
若不存在有效目标，则对所述待评估图像进行图像划分处理，得到对应的划分图像；
构建各所述划分图像对应的划分联合直方图，并计算各所述划分联合直方图之间的划分相似距离；
根据所述划分相似距离，确定所述待评估图像的真实度评分值。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有图像真实度评估程序，所述图像真实度评估程序被处理器执行时实现如上所述的图像真实度评估方法的步骤。
其中，在所述处理器上运行的图像真实度评估程序被执行时所实现的方法可参照本发明图像真实度评估方法各个实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端系统(可以是手机，计算机，服务器，空调器，或者网络系统等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书与附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种图像真实度评估方法，其特征在于，所述方法包括如下步骤：
构建预设图像色彩分布数据库；
获取待评估图像，并判断所述待评估图像中是否存在有效目标；
若存在有效目标，则构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图；
根据所述预设图像色彩分布数据库、所述第一前景联合直方图和所述第一背景联合直方图，分别计算所述有效目标的全局真实度评分值和局部真实度评分值；
根据所述全局真实度评分值和所述局部真实度评分值，确定所述待评估图像的目标真实度评分值；
所述构建预设图像色彩分布数据库的步骤包括：
获取只包含真实图像的图像数据集，确定各所述真实图像中的目标对象；
对各所述真实图像进行目标分割处理，并根据预设的目标筛选规则对各所述目标对象进行筛选，以确定有效目标对象；
为各所述有效目标对象建立索引，并分别生成各所述有效目标对象对应的第一分割前景掩模图和第一关联背景掩模图；
基于所述第一分割前景掩模图构建所述第一分割前景掩模图对应的有效目标对象的第二前景联合直方图，并基于所述第一关联背景掩模图构建所述第一关联背景掩模图对应的有效目标对象的第二背景联合直方图；
基于各所述有效目标对象的第二前景联合直方图和第二背景联合直方图，构建预设图像色彩分布数据库。
2.如权利要求1所述的图像真实度评估方法，其特征在于，所述判断所述待评估图像中是否存在有效目标的步骤包括：
确定所述待评估图像中的待评估目标，并确定所述待评估目标在所述待评估图像中的像素占比；
判断所述像素占比是否在预设像素占比范围内；
若在所述预设像素占比范围内，则确定所述待评估图像中存在有效目标；
若不在所述预设像素占比范围内，则确定所述待评估图像中不存在有效目标。
3.如权利要求1所述的图像真实度评估方法，其特征在于，所述构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图的步骤包括：
对所述待评估图像进行目标分割处理，并生成所述有效目标对应的第二分割前景掩模图和第二关联背景掩模图；
根据所述第二分割前景掩模图中的前景像素点，构建所述有效目标对应的第一前景联合直方图；
根据所述第二关联背景掩模图中的背景像素点，构建所述有效目标对应的第一背景联合直方图。
4.如权利要求1所述的图像真实度评估方法，其特征在于，所述根据所述预设图像色彩分布数据库、所述第一前景联合直方图和所述第一背景联合直方图，分别计算所述有效目标的全局真实度评分值和局部真实度评分值的步骤包括：
获取所述预设图像色彩分布数据库中的第二前景联合直方图，并分别计算所述第一前景联合直方图和各所述第二前景联合直方图之间的前景相似距离；
根据所述前景相似距离和预设直方图筛选规则，从所述第二前景联合直方图中筛选出所述有效目标的相似前景联合直方图，并记录所述相似前景联合直方图在所述预设图像色彩分布数据库中的索引值；
根据所述索引值和所述第一背景联合直方图，确定所述有效目标的全局真实度评分值；
计算所述第一前景联合直方图和所述第一背景联合直方图之间的目标相似距离，并根据所述目标相似距离，确定所述有效目标的局部真实评分值。
5.如权利要求4所述的图像真实度评估方法，其特征在于，所述根据所述索引值和所述第一背景联合直方图，确定所述有效目标的全局真实度评分值的步骤包括：
从所述预设图像色彩分布数据库中获取所述索引值对应的第二背景联合直方图，作为相似背景联合直方图，并计算所述第一背景联合直方图和所述相似背景联合直方图之间的背景相似距离；
根据所述背景相似距离确定所述有效目标的全局真实度评分值。
6.如权利要求1至5任一项所述的图像真实度评估方法，其特征在于，所述判断所述待评估图像中是否存在有效目标的步骤之后，还包括：
若不存在有效目标，则对所述待评估图像进行图像划分处理，得到对应的划分图像；
构建各所述划分图像对应的划分联合直方图，并计算各所述划分联合直方图之间的划分相似距离；
根据所述划分相似距离，确定所述待评估图像的真实度评分值。
7.一种图像真实度评估装置，其特征在于，所述图像真实度评估装置包括：
第一构建模块，用于构建预设图像色彩分布数据库；
目标目标判断模块，用于获取待评估图像，并判断所述待评估图像中是否存在有效目标；
第二构建模块，用于若存在有效目标，则构建所述有效目标对应的第一前景联合直方图和第一背景联合直方图；
评分评分计算模块，用于根据所述预设图像色彩分布数据库、所述第一前景联合直方图和所述第一背景联合直方图，分别计算所述有效目标的全局真实度评分值和局部真实度评分值；
评分确定模块，用于根据所述全局真实度评分值和所述局部真实度评分值，确定所述待评估图像的目标真实度评分值；
所述第一构建模块，还用于获取只包含真实图像的图像数据集，确定各所述真实图像中的目标对象；对各所述真实图像进行目标分割处理，并根据预设的目标筛选规则对各所述目标对象进行筛选，以确定有效目标对象；为各所述有效目标对象建立索引，并分别生成各所述有效目标对象对应的第一分割前景掩模图和第一关联背景掩模图；基于所述第一分割前景掩模图构建所述第一分割前景掩模图对应的有效目标对象的第二前景联合直方图，并基于所述第一关联背景掩模图构建所述第一关联背景掩模图对应的有效目标对象的第二背景联合直方图；基于各所述有效目标对象的第二前景联合直方图和第二背景联合直方图，构建预设图像色彩分布数据库。
8.一种图像真实度评估系统，其特征在于，所述图像真实度评估系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像真实度评估程序，所述图像真实度评估程序被所述处理器执行时实现如权利要求1至6中任一项所述的图像真实度评估方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像真实度评估程序，所述图像真实度评估程序被处理器执行时实现如权利要求1至6中任一项所述的图像真实度评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110175012.8A CN112950556B (zh) | 2021-02-07 | 2021-02-07 | 图像真实度评估方法、装置、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110175012.8A CN112950556B (zh) | 2021-02-07 | 2021-02-07 | 图像真实度评估方法、装置、系统及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112950556A CN112950556A (zh) | 2021-06-11 |
| CN112950556B true CN112950556B (zh) | 2024-05-10 |
Family
ID=76244355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110175012.8A Active CN112950556B (zh) | 2021-02-07 | 2021-02-07 | 图像真实度评估方法、装置、系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950556B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706944A (zh) * | 2009-11-03 | 2010-05-12 | 上海大学 | 基于量化表估计的检测jpeg图像篡改的方法 |
| CN108984648A (zh) * | 2018-06-27 | 2018-12-11 | 武汉大学深圳研究院 | 数字动画的主特征提取及动画视频的检索和篡改检测方法 |
| CN110175981A (zh) * | 2019-04-12 | 2019-08-27 | 浙江工业大学 | 基于多特征融合brisque算法的图像质量评价方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7778461B2 (en) * | 2006-05-05 | 2010-08-17 | New Jersey Institute Of Technology | System and/or method for image tamper detection |
| US8023747B2 (en) * | 2007-02-09 | 2011-09-20 | New Jersey Institute Of Technology | Method and apparatus for a natural image model based approach to image/splicing/tampering detection |
| US8373721B2 (en) * | 2009-12-14 | 2013-02-12 | National Taiwan University | Method of realism assessment of an image composite |
| IL245623B (en) * | 2016-05-11 | 2020-03-31 | Au10Tix Ltd | System and method for detecting forgeries |
-
2021
- 2021-02-07 CN CN202110175012.8A patent/CN112950556B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706944A (zh) * | 2009-11-03 | 2010-05-12 | 上海大学 | 基于量化表估计的检测jpeg图像篡改的方法 |
| CN108984648A (zh) * | 2018-06-27 | 2018-12-11 | 武汉大学深圳研究院 | 数字动画的主特征提取及动画视频的检索和篡改检测方法 |
| CN110175981A (zh) * | 2019-04-12 | 2019-08-27 | 浙江工业大学 | 基于多特征融合brisque算法的图像质量评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| Efficient implementation of pre-processing techniquesfor image forgery detection;Amira Baumy等;《2017 Japan-Africa Conference on Electronics, Communications and Computers (JAC-ECC)》;20180305;全文 * |
| Fake Colorized Image Detection;Yuanfang Guo等;《IEEE Transactions on Information Forensics and Security 》;20180216;全文 * |
| JPEG篡改图像盲取证算法研究;郝丽娟;《中国优秀硕士学位论文全文数据库》;20140116;全文 * |
| 基于双信息统计与引力聚类的图像篡改检测算法;左悦;汪小威;;包装工程;20190610(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112950556A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020164282A1 (zh) | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 | |
| US7936377B2 (en) | Method and system for optimizing an image for improved analysis of material and illumination image features | |
| CN108182421A (zh) | 视频分割方法和装置 | |
| CN111666900B (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
| CN114648594B (zh) | 一种基于图像识别的纺织品颜色检测方法及系统 | |
| CN114719966A (zh) | 光源确定方法、装置、电子设备及存储介质 | |
| CN112149476A (zh) | 目标检测方法、装置、设备和存储介质 | |
| CN112651945A (zh) | 一种基于多特征的多曝光图像感知质量评价方法 | |
| CN112308704A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| JP4506409B2 (ja) | 領域分割方法及び装置、画像認識処理装置、プログラム、記録媒体 | |
| CN112950556B (zh) | 图像真实度评估方法、装置、系统及计算机可读存储介质 | |
| JP3696212B2 (ja) | パターン認識における照合に用いられる画像の生成ならびに同画像を用いたパターン認識のための方法、装置、およびプログラム | |
| JPH0573663A (ja) | ３次元物体の画像認識法 | |
| CN113469019B (zh) | 一种景观图像特征值计算方法、装置、设备及存储介质 | |
| Vandenbroucke et al. | Unsupervised color-image segmentation by multicolor space iterative pixel classification | |
| RU2740736C1 (ru) | Способ обработки изображений дистанционного зондирования земли с помощью нейронной сети со штрафом на точность границы сегментации | |
| CN113820012B (zh) | 一种多光谱图像处理方法及装置 | |
| CN116563589A (zh) | 夜间目标检测方法、装置、设备及存储介质 | |
| CN112749731A (zh) | 一种基于深度神经网络的票据数量识别方法及系统 | |
| CN111209428A (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
| CN110598799A (zh) | 一种目标检测结果的评测方法、装置、设备及存储介质 | |
| CN116309581B (zh) | 一种微光成像单元的成像评价方法、系统及存储介质 | |
| Bruni et al. | Perceptual-based color quantization | |
| CN118135065B (zh) | 隧道的动态灰度图生成方法、系统、存储介质及电子设备 | |
| CN117315438B (zh) | 基于兴趣点的图像色彩美学评估方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |