TWI532013B - Image quality analysis method and system - Google Patents

Image quality analysis method and system Download PDF

Info

Publication number
TWI532013B
TWI532013B TW100143931A TW100143931A TWI532013B TW I532013 B TWI532013 B TW I532013B TW 100143931 A TW100143931 A TW 100143931A TW 100143931 A TW100143931 A TW 100143931A TW I532013 B TWI532013 B TW I532013B
Authority
TW
Taiwan
Prior art keywords
area
image
color
target
region
Prior art date
Application number
TW100143931A
Other languages
English (en)
Other versions
TW201314628A (zh
Inventor
Yu Deng
Ke Chen
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Publication of TW201314628A publication Critical patent/TW201314628A/zh
Application granted granted Critical
Publication of TWI532013B publication Critical patent/TWI532013B/zh

Links

Classifications

    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Description

圖像的品質分析方法及系統
本申請案係有關圖像的識別技術，尤其有關一種圖像的品質分析方法及裝置。
隨著網上購物的日益流行，越來越多的商家透過圖像而向用戶進行產品的展示。產品圖像的品質好壞影響著產品的展示效果，不管是對產品購買者的購買體驗還是商家的產品銷售量都有著重要的影響。這裏，產品圖像的清晰度、圖像中產品與背景的對比度等都可以作為產品圖像的品質分析因素，決定著產品圖像的品質。
隨著社交網路及各種其他網路的發展，用戶會在網上展示各種各樣的照片，例如：人物照片、自然風光照片、家居擺設等各種照片，針對這些目標物拍攝後形成的圖像中，目標物和背景的對比度、圖像的清晰度等都會影響到圖像的品質好壞，這些照片圖像的品質好壞也會影響到圖像的展示及傳播效果。
現有技術中對於圖像品質進行分析的系統，一般僅是對圖像本身的清晰度進行分析，無法對圖像的品質進行綜合分析。尤其是對產品圖像的品質分析評價還停留於人工進行主觀識別、評價分析的階段，沒有專門針對產品圖像的品質分析方法。
有鑒於此，本申請案想要解決的技術問題是，提供一種圖像的品質分析方法及裝置，以便能夠進行圖像的品質分析。
為此，本申請案實施例採用如下技術方案：本申請案實施例提供一種圖像的品質分析方法，包括：從圖像中確定目標區域和背景區域；根據所述目標區域和/或背景區域而計算圖像的特徵參數；及將計算得到的特徵參數作為預設的品質而計算模型的輸入值，以計算得到所述特徵參數對應的圖像品質分析結果。本申請案實施例一種圖像的品質分析系統，包括：確定單元，用以從圖像中確定目標區域和背景區域；第一計算單元，用以根據所述目標區域和/或背景區域而計算圖像的特徵參數；第二計算單元，用以將計算得到的特徵參數輸入到預設的品質計算模型中，以計算得到所述特徵參數對應的圖像品質分析結果。
對於上述技術方案的技術效果分析如下：本申請案實施例中首先從圖像中確定目標區域和背景區域；根據所述目標區域和/或背景區域而計算圖像的特徵參數；最後，將計算得到的特徵參數輸入到預設的品質 計算模型中，以得到所述特徵參數對應的圖像品質分析結果。從而實現了對於圖像的品質分析。
為使本領域技術人員更加清楚的理解本申請案實施例，首先介紹本申請案實施例可以應用的網路環境。如圖1所示，包括網站伺服器110以及用戶端120，所述用戶端120用以向網站伺服器110傳輸圖像；所述網站伺服器110用以對接收到的每一個圖像進行品質分析，將品質分析結果送回給用戶端120。
以下，結合附圖而詳細說明本申請案實施例之圖像品質分析方法及系統的實現。
圖2為本申請案實施例之圖像品質分析方法流程示意圖，該方法可以適用於網站伺服器110中；如圖2所示，該方法包括：步驟201：從圖像中確定目標區域和背景區域；步驟202：根據所述目標區域和/或背景區域而計算圖像的特徵參數；步驟203：將計算得到的特徵參數作為預設的品質計算模型的輸入值，以計算得到所述特徵參數對應的圖像品質分析結果。
所述目標區域為針對目標物拍攝、製作後所形成的圖像中目標物所覆蓋的區域，也就是說，圖像中背景區域之外的區域，以產品圖像為例，其目標區域為產品區域；以 人物圖像為例，其目標區域為人物覆蓋區域。在圖2所示的本申請案實施例中，首先從圖像中確定目標區域和背景區域；根據所述目標區域和/或背景區域而計算圖像的特徵參數；最後，將計算得到的特徵參數輸入到預設的品質計算模型中，以得到所述特徵參數對應的圖像品質分析結果。從而實現了對於圖像的品質分析。
在圖2的基礎上，透過圖3對本申請案實施例之圖像品質分析方法進行更為詳細的說明。如圖3所示，該方法包括：步驟301：獲取圖像的資料。
其中，在具體實現中，所述圖像的來源可能不同，例如，可能是直接從用戶端獲取圖像的資料，或者，也可以是預先從用戶端獲取並儲存於網站伺服器的圖像等，這裏並不限定。
步驟302：確定該圖像的預設面積比例的外邊框區域。
例如，可以預設面積比例為20%，則位於目標圖像最週邊的20%面積的區域，即為所確定的外邊框區域。
一般地說，可以認為在多數的圖像中，尤其是產品圖像中，目標物拍攝中的背景所形成的圖像一般係位於目標物圖像的週邊，而目標物所形成的圖像則位於整個圖像的較為中心的位置；具體到產品的拍攝，產品拍攝中的背景所形成的圖像一般係位於產品圖像的週邊，而產品所形成的圖像則位於整個產品圖像的較為中心的位置。因此，一 般外邊框區域所包含的圖像主要是背景所形成的圖像；而圖像中背景部分一般顏色較為單一，亦即，區域平坦度較高。從而，透過對外邊框區域進行後續步驟中的操作，即可以確定出整個圖像的背景區域的主要顏色以及背景區域的種子區域，透過種子區域向外的生長，最終得到整個背景區域，亦即，完成了背景區域以及目標區域的確定。
其中，種子區域是指本申請案實施例進行圖像處理時所確定的初始區域。
步驟303：對所述外邊框區域進行聚類處理，以得到n1類顏色的顏色區域；其中，所述聚類處理可以包括：首先每一個圖元對應一個類別，然後計算不同類別的中心之間的距離，若距離小於閾值，則將兩類合併；如此重複地疊代，直到不存在中心之間的距離小於閾值的兩類為止，則聚類完成。
其中，這裏的n1類顏色中，每一種顏色所對應的顏色區域可能是一個區域，也可能是互不連通的多個區域。
步驟304：分別計算n1類顏色的顏色區域在外邊框區域中所占的面積比重，以選擇出面積比重超過比重閾值的n2類顏色的顏色區域；步驟305：分別計算選擇出的n2類顏色的顏色區域的區域平坦度，以選擇出區域平坦度超過平坦度閾值的n3類顏色的顏色區域，將這些區域平坦度超過平坦度閾值的顏色區域作為背景區域的種子區域。
其中，n1n2n3>0，n1、n2、n3為自然數。
以上的步驟304和步驟305是從n1類顏色的顏色區域中確定背景區域所包含的顏色，也就是說，將外邊框區域中所占面積比重最大，且區域平坦度最高的n3類顏色作為背景區域所包含的顏色。而這n3類顏色的顏色區域即為背景區域的種子區域。
步驟306：以種子區域為中心，確定與種子區域相鄰的各個圖元點與其相鄰種子區域中的圖元點之間的顏色歐氏距離不大於圖像標準差的預設倍數時，將該圖元點添加到種子區域中，直到種子區域相鄰的所有圖元點與其相鄰種子區域中的圖元點之間的顏色歐氏距離大於圖像標準差的預設倍數為止。
所述預設倍數一般大於0且小於1，較佳地，可以設定為0.5。
本步驟是一個種子區域根據顏色標準差進行區域生長的過程，透過該過程，可以將每一個種子區域周圍的背景區域添加到種子區域中來，從而最終得到所有的背景區域的過程。
透過本步驟的處理，越複雜的圖像會具有更高的圖像標準差，則種子區域具有更強的生長能力，不容易欠生長，反之，簡單的圖像的生長能力較弱，不容易產生過生長的情況。
步驟307：將圖像中所有種子區域確定為背景區域，所有種子區域之外的區域，亦即，背景區域之外的區域確定為目標區域。
以上的步驟302~步驟307即為從圖像中確定目標區域的一種具體實現步驟。透過步驟303~步驟305，從外邊框區域中確定背景區域所包含的顏色，以及進行區域生長的種子區域；後續透過步驟306中對種子區域進行生長，從而可以得到外邊框區域之外區域中的背景區域，完成了各個種子區域的生長後，可以認為，所有種子區域構成了該圖像的背景區域；而背景區域之外的區域則為圖像中目標物所對應的圖像，亦即，為目標區域。
步驟308：根據所述目標區域和/或背景區域而計算圖像的特徵參數。
其中，所述特徵參數可以包括：背景複雜度，和/或，前背景對比度，和/或，全局清晰度，和/或，目標物尺寸，如產品尺寸；具體地說，1、背景複雜度，用以表示圖像的雜亂程度。
所述背景複雜度可以透過平均梯度值來表示，一般地說，平均梯度值越大，則背景複雜度越高，背景越複雜。
所述平均梯度值的計算方法可以包括：根據所述背景區域，以提取出該背景區域的平均梯度值。
所述提取背景區域的平均梯度值的方法可以包括：使用sobel運算元來求取圖像的梯度強度圖G；根據所述梯度強度圖G而統計背景區域的梯度強度總和Sg和背景區域的圖元點個數Pn；根據所述梯度強度總和Sg以及圖元點個數Pn而計算背景區域的平均梯度值T，公式可以為： T=Sg/Pn。
2、前背景對比度，用以反映目標區域和背景區域的對比強度。
所述前背景對比度的計算方法可以包括：對目標區域進行聚類處理，得到預設n類顏色的顏色區域，並計算每一種顏色區域在目標區域中的面積比重Ai(i大於等於1，小於等於n)；並且，對背景區域進行聚類處理，得到預設m類顏色區域，並計算每一種顏色區域在目標區域中的面積比重Dj(j大於等於1，小於等於m)；n和m為自然數；計算目標區域中每種顏色與背景區域中每一種顏色之間的歐式距離Lij；根據顏色之間的歐氏距離以及顏色的面積比重計算所述前背景對比度M。
具體的計算公式可以為：
3、全局清晰度，用以反映目標區域中圖像的整體清晰程度。
所述全局清晰度的計算方法可以包括： 步驟A：將目標區域分為N*N大小的圖像塊，對每一個圖像塊的圖元值Ri進行DCT變換，得到該圖像塊的DCT係數矩陣Ci；N的取值與圖像的大小有關，如果圖像越大，則N的取值通常越大，圖像越小，則N的取值通常越小。
步驟B：根據圖像塊的DCT係數矩陣Ci，創建該圖像塊的統計直方圖H，對H中的每一個bin賦值的公式為：
其中，i=(1,...,M)，M為目標區域中小塊的個數，Ci(k)是矩陣Ci中第k個元素的值，DCTmin為預設閾值。
步驟C：透過加權矩陣W和各個圖像塊的統計直方圖而估計目前目標區域的全局清晰度S，具體公式為：
其中，Vmax為預設閾值。
其中，加權矩陣W的行列數與N的取值有關，例如N=8時，一個8*8的加權矩陣W的實例如下表1所示：
4、目標物尺寸，用以反映目標區域在整個圖像區域中的比例。
其中，目標物尺寸可以透過目標區域的面積比重，和/或，目標物的長度和寬度來予以表示。
其中，所述目標區域的面積比重的計算方法可以包括：確定目標區域的面積以及整個圖像區域的總面積；計算目標區域在圖像區域中的面積比重。
所述目標物的長度和寬度的計算方法可以包括：確定目標區域的最小外接矩形，以得到該最小外接矩形的長度和寬度，將該外接矩形的長度和寬度分別作為目標物的長度和寬度。
步驟309：將計算得到的圖像的特徵參數輸入預設的品質計算模型中，以計算得到所述特徵參數對應的圖像品質分析結果，該圖像品質分析結果即為該圖像的品質分析結果。其中，所述品質計算模型為：以特徵參數作為輸 入，圖像品質分析結果作為輸出的計算模型。
其中，所述預設的品質計算模型的建立過程一般在進行產品品質分析之前完成，所述建立方法可以包括：抽取一定數量的圖像作為訓練樣本，分別對所述圖像進行上述特徵參數的提取；並且，預先設定每一個圖像的圖像品質分析結果；根據所述圖像的特徵參數以及圖像品質分析結果而進行訓練，以學習出以圖像的特徵參數作為輸入、圖像品質分析結果作為輸出的SVM擬合模型，將該SVM擬合模型作為所述預設品質計算模型。
其中，進行模型建立時所提取的特徵參數與後續進行某一圖像的品質分析時所提取的特徵參數應相同，否則，將會出現品質分析結果的偏差。另外，所述圖像品質分析結果可以為百分制的得分、十分制的得分、或者品質分析等級等，可以根據實際情況進行設定。
例如，在進行模型建立時，分別提取的特徵參數為：平均梯度值，前背景對比度，目標物的長度和寬度，以及目標區域的面積比重；而預設的每一個訓練樣本的品質分析結果是百分制的得分；則基於SVM的回歸模型而進行上述特徵參數與品質分析結果之間的訓練，即可以得到：以平均梯度值，前背景對比度，目標物的長度和寬度，以及目標區域的面積比重為輸入，以百分制的品質分析結果為輸出的SVM擬合模型(亦即，品質計算模型)；後續在進行某一圖像的品質分析時，只要提取該圖像的平均梯 度值，前背景對比度，目標物的長度和寬度，以及目標區域的面積比重等特徵參數，輸入到SVM擬合模型中，即可以根據該計算模型計算得到該圖像對應的百分制品質分析得分。
與上述圖像的品質分析方法相對應的，本申請案實施例還提供一種圖像的品質分析系統，如圖4所示，該系統可以包括：確定單元410，用以從圖像中確定目標區域和背景區域；第一計算單元420，用以根據所述目標區域和/或背景區域而計算圖像的特徵參數；及第二計算單元430，用以將計算得到的特徵參數作為預設的品質計算模型的輸入值，以計算得到所述特徵參數對應的圖像品質分析結果。
其中，如圖5所示，確定單元410可以包括：第一確定子單元510，用以確定圖像的預設面積比例的外邊框區域；聚類單元520，用以對所述外邊框區域進行聚類處理，以得到預設n1類顏色的顏色區域，第二確定子單元530，用以根據所述n1類顏色的顏色區域而確定背景區域的種子區域；生長子單元540，用來以種子區域為中心，確定與種子區域相鄰的各個圖元點與其相鄰種子區域中的圖元點之間的顏色歐氏距離不大於圖像標準差的預設倍數時，將該 圖元點添加到種子區域中，直到種子區域相鄰的所有圖元點與其相鄰種子區域中的圖元點之間的顏色歐氏距離大於圖像標準差的預設倍數為止；第三確定子單元550，用以將所有種子區域作為圖像的背景區域，所有種子區域之外的區域作為圖像的目標區域。
較佳地，如圖5所示，第二確定子單元530可以包括：第一計算子模組5301，用來分別計算n1類顏色的顏色區域在外邊框區域中所占的面積比重，以選擇出面積比重超過比重閾值的n2類顏色的顏色區域；第二計算子模組5302，用來分別計算所述n2類顏色的顏色區域的區域平坦度，以選擇出區域平坦度超過平坦度閾值的n3類顏色的顏色區域，將所述n3類顏色的顏色區域作為所述種子區域；n1n2n3，且，n2、n3為自然數。
其中，圖像的特徵參數可以包括：背景複雜度，和/或，前背景對比度，和/或，全局清晰度，和/或，產品尺寸。
第一計算單元420可以包括：第一計算子單元，用以根據所述背景區域，提取出該背景區域的平均梯度值，將該平均梯度值作為背景複雜度的數值；具體地說，第一計算子單元可以用來：使用sobel運 算元而求取圖像的梯度強度圖G；根據所述梯度強度圖G而統計背景區域的梯度強度總和Sg和背景區域的圖元點個數Pn；根據所述梯度強度總和Sg以及圖元點個數Pn而計算背景區域的平均梯度值T，公式可以為：T=Sg/Pn。
和/或，第二計算子單元，用以對目標區域進行聚類處理，得到預設n類顏色區域，並計算每種顏色區域在目標區域中的比重值Ai，i大於等於1且小於等於n；並且，對背景區域進行聚類處理，得到預設m類顏色區域，並計算每種顏色區域在目標區域中的比重值Dj，j大於等於1且小於等於m；計算目標區域中每一種顏色與背景區域中每一種顏色之間的歐式距離Lij；根據顏色之間的歐氏距離以及顏色的比重值而計算所述前背景對比度 和/或：第三計算子單元，用以將目標區域劃分為預設大小的圖像塊，對每一個圖像塊的圖元值進行DCT變換，以得到該圖像塊的DCT係數矩陣；根據各個圖像塊的DCT係數矩陣而創建對應圖像塊的統計直方圖；根據各個圖像塊的統計直方圖以及加權矩陣而計算目標區域的全局清晰度。
和/或， 第四計算子單元，用以確定目標區域的面積以及整個圖像區域的總面積；計算目標區域在圖像區域中的面積比 重；和/或，計算目標區域中最小外接矩形，以得到該矩形的長度值和寬度值。
較佳地，如圖4所示，該系統還可以包括： 訓練單元440，用以抽取一定數量的圖像作為訓練樣本，分別對所述圖像進行特徵參數的提取；並且，預先設定每一個圖像的圖像品質分析結果；根據所述圖像的特徵參數以及圖像品質分析結果進行訓練，學習出以圖像的特徵參數作為輸入、圖像品質分析結果作為輸出的SVM擬合模型，將該SVM擬合模型作為所述預設品質計算模型。
圖4~5所示的圖像的品質分析系統中，由確定單元從圖像中確定目標區域和背景區域，第一計算單元根據所述目標區域和/或背景區域而計算圖像的特徵參數，第二計算單元將計算得到的特徵參數輸入到預設的品質計算模型中，以得到所述特徵參數對應的圖像品質分析結果，從而實現了對於圖像的品質分析。
本申請案實施例之圖像的品質分析方法及系統不僅可以適用於如圖1所示的網路系統下，還可以適用於其他環境下的圖像的品質分析，例如直接設置於商戶所在的用戶端，為商戶提供對於產品圖像的品質分析等。
在現有技術中，由於僅透過人工來進行主觀識別、分析，因此，商家提供的產品圖像品質參差不齊，產品的展示效果差，此時，用戶如果進行對應產品的瀏覽時，往往會因為產品圖像的品質問題而放棄對該產品的購買，轉而 瀏覽其他商家的相同產品。因此，用戶在進行某一項產品的購買時，會由網上購物所屬網站的網站伺服器根據用戶輸入的產品特徵進行產品搜索，針對該產品的搜索結果，用戶需要點擊各個搜索結果，基於產品圖像等資訊來尋找合適產品進行購買。由於產品圖像的品質差別，用戶往往需要多次點擊不同商家的產品進行瀏覽，才能最終透過品質好的產品圖像尋找到合適的產品，進而達成交易。這裏，用戶對於某一項產品的多次瀏覽，必然會佔用用戶所在用戶端與商家展示產品所在的網站伺服器之間的傳輸帶寬，浪費傳輸資源；而且，用戶所在用戶端多次與網站伺服器進行交互，也會增加網站伺服器的資料處理壓力，降低網站伺服器的資料處理速度和效率。
因此，以上所述的本申請案實施例之產品圖像的品質分析方法所得到的產品圖像的品質分析結果可以應用於網站伺服器的產品搜索過程中，作為網站伺服器進行產品搜索時，對產品搜索結果進行進一步篩選的依據，以上只是對產品搜索的一個舉例，可以輕易想到的，本申請案實施例可以應用於各種目標物圖像的搜索，具體地說，在以上的圖2和圖3所示的實施例計算得到圖像的品質分析結果後，可以進一步包括以下的步驟：網站伺服器接收用戶的搜索請求，根據搜索請求中攜帶的目標物特徵資訊而進行目標物的搜索，以得到目標物搜索結果；依序判斷目標物搜索結果中各個目標物的圖像品質分 析結果是否大於預設的分析結果閾值，如果否，從搜索結果中刪除該目標物對應的資訊；如果是，在搜索結果中保留該目標物對應的資訊。
或者，網站伺服器也可以不進行搜索結果的篩選，所述判斷步驟可以替換為：根據各個目標物的圖像品質分析結果而對目標物搜索結果進行排序，將排序後的搜索結果向用戶展現。
當然，在實際應用中，還可以將本申請案實施例所述的圖像的品質分析方法應用於其他的應用環境中，這裏不再贅述。
其中，一個目標物可能對應多個目標物圖像，此時，對於一個目標物的圖像品質分析結果可以根據目標物對應的圖像的品質分析結果而進行計算，例如計算出平均數或者總和等等，這裏不限定。
相應地，圖4和圖5所示的系統可以進一步包括：搜索單元，用以接收用戶的搜索請求，根據搜索請求中攜帶的目標物特徵資訊而進行目標物的搜索，以得到目標物搜索結果；第三計算單元，用以根據目標物對應的各個圖像的品質分析結果而計算目標物對應的圖像品質分析結果；判斷單元，用以依序判斷目標物搜索結果中各個目標物的圖像品質分析結果是否大於預設的分析結果閾值，如果否，從目標物搜索結果中刪除該目標物對應的資訊；如果是，在目標物搜索結果中保留該目標物資訊； 或者，該方法還包括：搜索單元，用以接收用戶的搜索請求，根據搜索請求中攜帶的目標物特徵資訊而進行目標物的搜索，以得到目標物搜索結果；第三計算單元，用以根據目標物對應的各個圖像的品質分析結果而計算目標物對應的圖像品質分析結果；排序單元，用以根據目標物的圖像品質分析結果而對目標物搜索結果進行排序。
在本申請案實施例之圖像品質分析方法和系統的應用舉例中，網站伺服器在進行目標物的搜索時，對目標物搜索結果按照目標物的圖像品質分析結果而進行篩選或者排序，從而使得用戶瀏覽的所有目標物或者用戶最先瀏覽的目標物，其目標物所對應的圖像品質較好，從而減少了用戶對於圖像品質不好的目標物的瀏覽次數，從而減少了用戶端與的網站伺服器之間的傳輸帶寬佔用，節省了網路傳輸資源；而且，用戶所在用戶端與網站伺服器進行交互的次數減少，會相應降低網站伺服器的資料處理壓力，提高網站伺服器的資料處理速度和效率。
本領域普通技術人員可以理解，實現上述實施例的方法的過程可以透過程式指令相關的硬體來予以完成，所述的程式可以被儲存於可讀取儲存媒體中，該程式在執行時執行上述方法中的對應步驟。所述的儲存媒體可以為例如：ROM/RAM、磁碟、光碟等。
以上所述僅是本申請案的較佳實施方式，應當指出， 對於本技術領域的普通技術人員來說，在不脫離本申請案之原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本申請案的保護範圍。
110‧‧‧網站伺服器
120‧‧‧用戶端
410‧‧‧確定單元
420‧‧‧第一計算單元
430‧‧‧第二計算單元
440‧‧‧訓練單元
510‧‧‧第一確定子單元
520‧‧‧聚類單元
530‧‧‧第二確定子單元
540‧‧‧生長子單元
550‧‧‧第三確定子單元
5301‧‧‧第一計算子模組
5302‧‧‧第二計算子模組
圖1為本申請案實施例所適用的網路結構示意圖；圖2為本申請案實施例之一種圖像的品質分析方法流程示意圖；圖3為本申請案實施例之另一種圖像的品質分析方法流程示意圖；圖4為本申請案實施例之一種圖像的品質分析系統結構示意圖；圖5為本申請案實施例之圖像的品質分析系統中一個單元的實現結構示意圖。

Claims (9)

  1. 一種圖像的品質分析方法，其特徵在於，包括：從圖像中確定目標區域和背景區域；根據該目標區域和/或該背景區域而計算該圖像的特徵參數；及將計算得到的特徵參數作為預設的品質而計算模型的輸入值，以計算得到該特徵參數對應的圖像品質分析結果，其中，該從圖像中確定目標區域和背景區域包括：確定該圖像的預設面積比例的外邊框區域；對該外邊框區域進行聚類處理，以得到預設n1類顏色的顏色區域，其中，n1為自然數；根據該n1類顏色的顏色區域而確定該背景區域的種子區域；以該種子區域為中心，確定與該種子區域相鄰的各個圖元點與其相鄰種子區域中的圖元點之間的顏色歐氏距離不大於圖像標準差的預設倍數時，將該圖元點添加到該種子區域中，直到該種子區域相鄰的所有圖元點與其相鄰種子區域中的圖元點之間的顏色歐氏距離大於圖像標準差的預設倍數為止；及將所有種子區域作為該圖像的背景區域，所有種子區域之外的區域作為該圖像的目標區域，且其中，該根據該n1類顏色的顏色區域而確定該背景區域的種子區域包括： 分別計算該n1類顏色的顏色區域在外邊框區域中所占的面積比重，以選擇出面積比重超過比重閾值的n2類顏色的顏色區域；及分別計算該n2類顏色的顏色區域的區域平坦度，以選擇出區域平坦度超過平坦度閾值的n3類顏色的顏色區域，將該n3類顏色的顏色區域作為該種子區域，其中，n1n2n3，且，n2、n3為自然數。
  2. 根據申請專利範圍第1項所述的方法，其中，該圖像的特徵參數包括：背景複雜度，和/或，前背景對比度，和/或，全局清晰度，和/或，目標物尺寸。
  3. 根據申請專利範圍第2項所述的方法，其中，根據該目標區域和/或該背景區域而計算該圖像的背景複雜度包括：根據該背景區域，提取出該背景區域的平均梯度值，將該平均梯度值作為背景複雜度的數值。
  4. 根據申請專利範圍第2項所述的方法，其中，根據該目標區域和/或該背景區域而計算該圖像的前背景對比度包括：對目標區域進行聚類處理，以得到預設n類顏色區域，並計算每一種顏色區域在目標區域中的比重值Ai，i係大於等於1且小於等於n；並且，對背景區域進行聚類處理，以得到預設m類顏色區域，並計算每一種顏色區域在目標區域中的比重值Dj，j係大於等於1且小於等於m，其中，n和m為自然數； 計算目標區域中每一種顏色與背景區域中每一種顏色之間的歐式距離Lij；及根據顏色之間的歐氏距離以及顏色的比重值而計算該 前背景對比度
  5. 根據申請專利範圍第2項所述的方法，其中，根據該目標區域和/或該背景區域而計算該圖像的全局清晰度包括：將目標區域劃分為預設大小的圖像塊，對每一個圖像塊的圖元值進行DCT變換，以得到該圖像塊的DCT係數矩陣；根據各個圖像塊的DCT係數矩陣以創建對應圖像塊的統計直方圖；及根據各個圖像塊的統計直方圖以及加權矩陣而計算目標區域的全局清晰度。
  6. 根據申請專利範圍第2項所述的方法，其中，根據該目標區域和/或該背景區域而計算該圖像的目標物尺寸包括：確定目標物區域的面積以及整個圖像區域的總面積；計算目標區域在圖像區域中的面積比重；和/或，計算目標區域中最小外接矩形，以得到該矩形的長度值和寬度值。
  7. 根據申請專利範圍第1項所述的方法，其中，預設的品質計算模型的建立方法為： 抽取一定數量的圖像作為訓練樣本，分別對該等圖像進行特徵參數的提取；並且，預先設定每一個圖像的圖像品質分析結果；及根據該等圖像的特徵參數以及圖像品質分析結果而進行訓練，以學習出以圖像的特徵參數作為輸入、圖像品質分析結果作為輸出的SVM擬合模型，而將該SVM擬合模型作為該預設品質計算模型。
  8. 根據申請專利範圍第1項所述的方法，其中，還包括：接收用戶的搜索請求，根據搜索請求中攜帶的目標物特徵資訊而進行目標物的搜索，以得到目標物搜索結果；根據目標物對應的各個圖像的品質分析結果而計算目標物對應的圖像品質分析結果；依序判斷該搜索結果中各個目標物的圖像品質分析結果是否大於預設的分析結果閾值，如果否，從該搜索結果中刪除該目標物對應的資訊；如果是，在該搜索結果中保留該產品對應的資訊；或者，該方法還包括：接收用戶的搜索請求，根據搜索請求中攜帶的目標物特徵資訊而進行目標物的搜索，以得到目標物搜索結果；根據目標物對應的各個圖像的品質分析結果而計算目標物對應的圖像品質分析結果；及根據該目標物的圖像品質分析結果而對目標物搜索結果進行排序。
  9. 一種圖像的品質分析系統，其特徵在於，包括：確定單元，用以從圖像中確定目標區域和背景區域；第一計算單元，用以根據該目標區域和/或該背景區域而計算該圖像的特徵參數；及第二計算單元，用以將計算得到的特徵參數輸入到預設的品質計算模型中，以計算得到該特徵參數對應的圖像品質分析結果，其中，該從圖像中確定目標區域和背景區域包括：確定該圖像的預設面積比例的外邊框區域；對該外邊框區域進行聚類處理，以得到預設n1類顏色的顏色區域，其中，n1為自然數；根據該n1類顏色的顏色區域而確定該背景區域的種子區域；以該種子區域為中心，確定與該種子區域相鄰的各個圖元點與其相鄰種子區域中的圖元點之間的顏色歐氏距離不大於圖像標準差的預設倍數時，將該圖元點添加到該種子區域中，直到該種子區域相鄰的所有圖元點與其相鄰種子區域中的圖元點之間的顏色歐氏距離大於圖像標準差的預設倍數為止；及將所有種子區域作為該圖像的背景區域，所有種子區域之外的區域作為該圖像的目標區域，且其中，該根據該n1類顏色的顏色區域而確定該背景區域的種子區域包括：分別計算該n1類顏色的顏色區域在外邊框區域中所 占的面積比重，以選擇出面積比重超過比重閾值的n2類顏色的顏色區域，及分別計算該n2類顏色的顏色區域的區域平坦度，以選擇出區域平坦度超過平坦度閾值的n3類顏色的顏色區域，將該n3類顏色的顏色區域作為該種子區域，其中，n1n2n3，且，n2、n3為自然數。
TW100143931A 2011-09-23 2011-11-30 Image quality analysis method and system TWI532013B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110286895.6A CN103020947B (zh) 2011-09-23 2011-09-23 一种图像的质量分析方法及装置

Publications (2)

Publication Number Publication Date
TW201314628A TW201314628A (zh) 2013-04-01
TWI532013B true TWI532013B (zh) 2016-05-01

Family

ID=47969514

Family Applications (1)

Application Number Title Priority Date Filing Date
TW100143931A TWI532013B (zh) 2011-09-23 2011-11-30 Image quality analysis method and system

Country Status (8)

Country Link
US (2) US8897604B2 (zh)
EP (2) EP2758939A1 (zh)
JP (1) JP5779720B2 (zh)
CN (1) CN103020947B (zh)
ES (1) ES2661612T3 (zh)
HK (1) HK1179035A1 (zh)
TW (1) TWI532013B (zh)
WO (1) WO2013044019A1 (zh)

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977629B2 (en) 2011-05-24 2015-03-10 Ebay Inc. Image-based popularity prediction
US20140226907A1 (en) * 2013-02-14 2014-08-14 Google Inc. Automated detection of distracting images
US20140267707A1 (en) * 2013-03-14 2014-09-18 Motorola Solutions, Inc. Method and apparatus for filtering devices within a security social network
US9167048B2 (en) 2013-03-14 2015-10-20 Motorola Solutions, Inc. Method and apparatus for filtering devices within a security social network
US9386050B2 (en) 2013-03-14 2016-07-05 Motorola Solutions, Inc. Method and apparatus for filtering devices within a security social network
CN104240228B (zh) 2013-06-24 2017-10-24 阿里巴巴集团控股有限公司 一种应用于网站的特定图片的检测方法及装置
US20150134302A1 (en) 2013-11-14 2015-05-14 Jatin Chhugani 3-dimensional digital garment creation from planar garment photographs
CN104837007B (zh) * 2014-02-11 2018-06-05 阿里巴巴集团控股有限公司 一种数字图像质量分级的方法和装置
US10026010B2 (en) * 2014-05-14 2018-07-17 At&T Intellectual Property I, L.P. Image quality estimation using a reference image portion
US9747556B2 (en) * 2014-08-20 2017-08-29 Vertafore, Inc. Automated customized web portal template generation systems and methods
US20160092956A1 (en) 2014-09-30 2016-03-31 Jonathan Su Garment size mapping
US10660533B2 (en) * 2014-09-30 2020-05-26 Rapsodo Pte. Ltd. Remote heart rate monitoring based on imaging for moving subjects
CN104581379A (zh) * 2014-12-31 2015-04-29 乐视网信息技术（北京）股份有限公司 视频预览图的选取方法及选取装置
CN104598921A (zh) * 2014-12-31 2015-05-06 乐视网信息技术（北京）股份有限公司 视频预览图的选取方法及选取装置
CN105205361B (zh) * 2015-08-26 2018-08-14 努比亚技术有限公司 一种图像筛选方法和装置
CN105389780A (zh) * 2015-10-28 2016-03-09 维沃移动通信有限公司 一种图像处理方法及移动终端
US10410330B2 (en) * 2015-11-12 2019-09-10 University Of Virginia Patent Foundation System and method for comparison-based image quality assessment
US9922411B2 (en) * 2015-11-30 2018-03-20 Disney Enterprises, Inc. Saliency-weighted video quality assessment
CN106991095B (zh) * 2016-01-21 2021-09-28 阿里巴巴集团控股有限公司 机器异常的处理方法、学习速率的调整方法及装置
CN106127752A (zh) * 2016-06-20 2016-11-16 北京小米移动软件有限公司 图像质量分析方法和装置
CN106686308B (zh) * 2016-12-28 2018-02-16 平安科技（深圳）有限公司 图像焦距检测方法和装置
US10467507B1 (en) * 2017-04-19 2019-11-05 Amazon Technologies, Inc. Image quality scoring
CN107274391A (zh) * 2017-06-07 2017-10-20 梧州市兴能农业科技有限公司 一种水下图像目标提取系统
US20190147620A1 (en) * 2017-11-14 2019-05-16 International Business Machines Corporation Determining optimal conditions to photograph a point of interest
CN107958455B (zh) * 2017-12-06 2019-09-20 百度在线网络技术（北京）有限公司 图像清晰度评估方法、装置、计算机设备及存储介质
CN108875518A (zh) * 2017-12-15 2018-11-23 北京旷视科技有限公司 图像处理与图像分类方法、装置和系统及存储介质
CN108447058B (zh) * 2018-03-30 2020-07-14 北京理工大学 一种图像质量评价方法及系统
US10747811B2 (en) * 2018-05-22 2020-08-18 Adobe Inc. Compositing aware digital image search
CN113408403A (zh) * 2018-09-10 2021-09-17 创新先进技术有限公司 活体检测方法、装置和计算机可读存储介质
CN109410169B (zh) * 2018-09-11 2020-06-05 广东智媒云图科技股份有限公司 一种图像背景干扰度的识别方法及装置
US10445915B1 (en) * 2019-04-09 2019-10-15 Coupang Corp. Systems and methods for efficient management and modification of images
US11397977B1 (en) * 2019-06-26 2022-07-26 Block, Inc. Integration of image capturing mechanism into ecommerce application
KR102350192B1 (ko) * 2019-07-19 2022-01-17 한국과학기술연구원 검색 데이터베이스를 구축하기 위한 관심영상 선별 방법 및 이를 수행하는 영상 관제 시스템
CN112435159A (zh) * 2019-08-26 2021-03-02 珠海金山办公软件有限公司 一种图像处理的方法、装置、计算机存储介质及终端
CN110796624B (zh) 2019-10-31 2022-07-05 北京金山云网络技术有限公司 一种图像生成方法、装置及电子设备
CN110969602B (zh) * 2019-11-26 2023-09-05 北京奇艺世纪科技有限公司 一种图像清晰程度检测方法及装置
CN111212223B (zh) * 2020-01-10 2021-01-22 奥比中光科技集团股份有限公司 一种设定成像参数的方法、系统及计算机可读存储介质
US11803896B2 (en) * 2020-03-17 2023-10-31 Ebay Inc. Method, system, and medium for network and speed enhancement for distributing unified images via a computer network
CN113205011A (zh) * 2021-04-19 2021-08-03 Oppo广东移动通信有限公司 图像掩膜确定方法及装置、存储介质和电子设备

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5048095A (en) 1990-03-30 1991-09-10 Honeywell Inc. Adaptive image segmentation system
JP3063073B2 (ja) * 1995-06-30 2000-07-12 富士ゼロックス株式会社 画像解析表現付加装置
US6282317B1 (en) * 1998-12-31 2001-08-28 Eastman Kodak Company Method for automatic determination of main subjects in photographic images
US6816847B1 (en) * 1999-09-23 2004-11-09 Microsoft Corporation computerized aesthetic judgment of images
US6839466B2 (en) * 1999-10-04 2005-01-04 Xerox Corporation Detecting overlapping images in an automatic image segmentation device with the presence of severe bleeding
US6473522B1 (en) * 2000-03-14 2002-10-29 Intel Corporation Estimating text color and segmentation of images
US6587576B1 (en) * 2000-05-17 2003-07-01 Ncr Corporation Method of quantifying the quality of a gray scale image of a document and an apparatus therefor
US6965684B2 (en) * 2000-09-15 2005-11-15 Canon Kabushiki Kaisha Image processing methods and apparatus for detecting human eyes, human face, and other objects in an image
US6847733B2 (en) * 2001-05-23 2005-01-25 Eastman Kodak Company Retrieval and browsing of database images based on image emphasis and appeal
US20030123737A1 (en) 2001-12-27 2003-07-03 Aleksandra Mojsilovic Perceptual method for browsing, searching, querying and visualizing collections of digital images
US7512286B2 (en) 2003-10-27 2009-03-31 Hewlett-Packard Development Company, L.P. Assessing image quality
US7672491B2 (en) 2004-03-23 2010-03-02 Siemens Medical Solutions Usa, Inc. Systems and methods providing automated decision support and medical imaging
US7467222B2 (en) * 2006-05-12 2008-12-16 Shutterfly, Inc. Image ranking for imaging products and services
US7958067B2 (en) 2006-07-12 2011-06-07 Kofax, Inc. Data classification methods using machine learning techniques
JP2008052672A (ja) * 2006-08-28 2008-03-06 Oki Electric Ind Co Ltd 価格情報検索装置、価格情報検索システム及び価格情報検索方法
US8090222B1 (en) * 2006-11-15 2012-01-03 Google Inc. Selection of an image or images most representative of a set of images
KR100833987B1 (ko) 2006-11-16 2008-05-30 한국전자통신연구원 영상 검색 장치 및 그 방법
EP2137696A2 (en) 2007-03-16 2009-12-30 STI Medical Systems, LLC A method to provide automated quality feedback to imaging devices to achieve standardized imaging data
TW200840365A (en) 2007-03-23 2008-10-01 Ind Tech Res Inst Motion-blur degraded image restoration method
US8446652B2 (en) * 2007-05-17 2013-05-21 Ancestry.com Operations, Inc. Image quality monitoring and tagging at scan time
US8086007B2 (en) 2007-10-18 2011-12-27 Siemens Aktiengesellschaft Method and system for human vision model guided medical image quality assessment
US8270695B2 (en) 2008-10-07 2012-09-18 Carestream Health, Inc. Diagnostic image processing with automatic self image quality validation
JP4747219B2 (ja) * 2009-04-08 2011-08-17 キヤノン株式会社 画像処理装置、画像処理方法
JP5544764B2 (ja) * 2009-06-09 2014-07-09 ソニー株式会社 画像処理装置および方法、並びにプログラム
US8370282B1 (en) * 2009-07-22 2013-02-05 Google Inc. Image quality measures
US8311364B2 (en) 2009-09-25 2012-11-13 Eastman Kodak Company Estimating aesthetic quality of digital images
US8675957B2 (en) * 2010-11-18 2014-03-18 Ebay, Inc. Image quality assessment to merchandise an item

Also Published As

Publication number Publication date
EP2758939A1 (en) 2014-07-30
US8897604B2 (en) 2014-11-25
JP2014524631A (ja) 2014-09-22
US9176989B2 (en) 2015-11-03
WO2013044019A1 (en) 2013-03-28
TW201314628A (zh) 2013-04-01
CN103020947B (zh) 2016-04-06
ES2661612T3 (es) 2018-04-02
JP5779720B2 (ja) 2015-09-16
CN103020947A (zh) 2013-04-03
HK1179035A1 (zh) 2013-09-19
US20150043810A1 (en) 2015-02-12
US20130108152A1 (en) 2013-05-02
EP2833324B1 (en) 2017-12-06
EP2833324A1 (en) 2015-02-04

Similar Documents

Publication Publication Date Title
TWI532013B (zh) Image quality analysis method and system
US20240086971A1 (en) Systems, methods, and storage media for training a machine learning model
CN107944035B (zh) 一种融合视觉特征和用户评分的图像推荐方法
US10176429B2 (en) Image-based popularity prediction
TWI623842B (zh) Image search and method and device for acquiring image text information
WO2017000109A1 (zh) 搜索方法、搜索装置、用户设备和计算机程序产品
TWI640878B (zh) Query word fusion method, product information publishing method, search method and system
US20210264161A1 (en) Systems and methods for image or video performance heat map generation
US20160110794A1 (en) E-commerce recommendation system and method
WO2020233432A1 (zh) 一种信息推荐方法及装置
CN109086779B (zh) 一种基于卷积神经网络的注意力目标识别方法
CN112015998B (zh) 一种基于用户画像的商品推荐方法
WO2020238515A1 (zh) 图像匹配方法、装置、设备、介质和程序产品
WO2019233077A1 (zh) 业务对象的排序
CN103412938A (zh) 一种基于图片交互式多目标提取的商品比价方法
WO2017128997A1 (zh) 业务处理方法、数据处理方法及装置
CN111949887A (zh) 物品推荐方法、装置及计算机可读存储介质
US11947616B2 (en) Systems and methods for implementing session cookies for content selection
AU2019100969A4 (en) Chinese Food Recognition and Search System
Shao et al. Research on automatic identification system of tobacco diseases
CN107944946B (zh) 商品标签生成方法及装置
WO2018120575A1 (zh) 网页主图识别方法和装置
WO2020098163A1 (zh) 产品数据推送方法及装置、计算机非易失性可读存储介质
CN108228833B (zh) 一种利用用户倾向性学习解决社区项目推荐任务的方法
WO2017041559A1 (zh) 一种信息提供方法及系统

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees