WO2014060617A1 - Method and system for processing digital images, method and system for classifying digital images - Google Patents

Method and system for processing digital images, method and system for classifying digital images Download PDF

Info

Publication number
WO2014060617A1
WO2014060617A1 PCT/ES2013/070639 ES2013070639W WO2014060617A1 WO 2014060617 A1 WO2014060617 A1 WO 2014060617A1 ES 2013070639 W ES2013070639 W ES 2013070639W WO 2014060617 A1 WO2014060617 A1 WO 2014060617A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
digital image
classification
digital
parameters
Prior art date
Application number
PCT/ES2013/070639
Other languages
Spanish (es)
French (fr)
Inventor
Valentín Miguel MORENO PELAYO
Jesús ROBLEDANO ARILLO
Original Assignee
Universidad Carlos Iii De Madrid
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 Universidad Carlos Iii De Madrid filed Critical Universidad Carlos Iii De Madrid
Publication of WO2014060617A1 publication Critical patent/WO2014060617A1/en

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Definitions

  • the present invention belongs to the field of digital image processing and classification methods. Specifically, it refers to a method and system of digital image processing and to a method and system of classification of digital images according to a degree of quality, preferably this degree of quality being "very bad", “bad”, “regular”, " good very good”.
  • the main technical problem that the invention solves is that of automatically reviewing the quality of digital images such as those resulting from a document scanning process of any kind.
  • the normal thing in this type of images is to have quality problems, due to the performance of different factors that are very difficult to control 100% during the digital capture process: involuntary errors of the personnel assigned to the capture equipment, defects that it introduces the device due to wear of components due to use, technical failures or changes in temperature that affect performance, document preservation problems, calibration defects, etc.
  • the intervention of a human expert who decides if the image is valid for its understanding or presentation has traditionally been used. This presents the problem of reviewing, one by one, images of files that can sometimes have hundreds of pages.
  • Flexibility is required due to several factors, such as the existence of complex correlations between the perceptual and physical attributes in which the subjective quality of the digital images resides, the difficulty or great effort required for their identification and the quantification of their correlation, the difficulty in establishing weights between attributes or the need to use multiple trial and error processes for establishing acceptance ranges.
  • the present invention solves the problem described above by a processing method according to claim 1, a digital image classification method according to claim 3, a processing system according to claim 7 and a digital image classification system according to claim 8
  • the methods and systems according to the invention are applicable in the quality control of digital images.
  • the dependent claims define preferred embodiments of the invention.
  • the degree of quality of any image is to define which image assessment, among a plurality of predefined degrees, corresponds to any image.
  • the assessment will be carried out as "very bad”, “bad”, “regular”, “good”, “very good”.
  • Other degrees of validity can also be defined, such as “valid” or "invalid”.
  • This method performs supervised learning tasks.
  • the objective of supervised learning is to create a function capable of predicting the value corresponding to any valid input object after having seen a series of examples, training data. To do this, you have to generalize from the data presented to situations not previously seen.
  • the training data comprise pairs of objects (usually vectors): the input data being a component of the pair, in the case of the invention the quality parameters extracted from the digital images, and the other the desired results, in the case of The invention labels assessing the quality of images.
  • the output of the function is a class tag in the classification processes.
  • the quality of an image is determined by different image quality parameters. These parameters can be objective (based on the contrast of the image, curvature, inclination, noise, etc.) and others can be subjective and depend on the perception of the image by the expert. There is not necessarily a linear relationship between performance in the objective quality parameters and the subjective quality assessment of a human image observer. This phenomenon is especially evident when different quality parameters interact together in an image, creating a complex network of interactions in which the decrease in performance in one parameter can cause the opposite effect in another parameter. In this way the perception of human quality is not always directly related to the sum of the yields in the measured quality parameters. Modeling subjective quality assessment is, therefore, a complex process and requires a method that approximates the assessment of the quality of digital images in the way a human expert would do.
  • the image quality parameters that the method selects for each image are relative to the physical and objective characteristics of the image and are relevant to the digital images according to the purpose pursued.
  • the digital images received are sets of elements such as a digital representation of a real image, a set of image quality parameters and an image quality assessment label that defines its degree of quality, preferably the evaluation being "very bad ",” bad ",” regular “,” good “,” very good ".
  • the method decides or selects, for each tagged image, the image quality parameter (s) it considers most relevant chosen from the preset set of image quality parameters that are received. That is, learn to differentiate which physical characteristics of the images are the relevant ones to discriminate them by their degree of quality, such as "very bad”, “bad”, “fair”, “good”, “very good”, or in another example "valid” or "invalid".
  • These parameters may have been provided by an image quality parameter extraction method. Labels may have been provided by an expert in the field according to their subjective criteria. Once the method has learned what parameters or physical attributes of the images (chosen from a predetermined list of parameters) are those that discriminate them because of their quality, a model is created that follows guidelines generated from learning. The result is a classification model that has been adapted to the most relevant parameters that affect the quality of the input images and the previous validity labels, such as "very bad”, “bad”, “regular”, "good “,” very good”.
  • the classification model is created from, for example, rule induction algorithms or others types of algorithms such as networks of neurons, vector machines, genetic algorithms, etc.
  • the classification model created with the processing method serves to be used in a method of classification of digital images as image evaluation, preferably the evaluation being "very bad”, “bad”, “regular”, “good”, “very good. "
  • This method allows to automatically determine the degree of quality of any digital image according to at least one image quality parameter.
  • To determine automatically the degree of quality of any digital image is to determine which image assessment corresponds to any image.
  • the classification model obtained from a digital image processing method according to the first inventive aspect is applied to digital input images.
  • a digital image is a two-dimensional representation of an image from a numerical matrix, often in binary, ones and zeros.
  • This classification model and all the image quality parameters that the processing model has selected for Determine the quality of digital images are provided to the method of classification.
  • the method accepts input images, they are automatically classified according to a degree of image evaluation, preferably the evaluation being "very bad”, “bad”, “regular”, “good”, “very good”, following the model of classification implemented.
  • a third inventive aspect presents a digital image processing system characterized in that it implements the steps of the method of the first inventive aspect and because it comprises at least one processor adapted to process input images and decide and extract the parameters that affect image quality. , and a model generator adapted to generate one or more classification models.
  • the processor is adapted to analyze the input images in terms of their quality characteristics and image assessment labels.
  • the model generator is a means of processing that are adapted to generate the classification model according to the quality parameters of the digital input images and their labels. This processor and this generator implement the steps of an image processing method according to the first inventive aspect.
  • a fourth inventive aspect presents an image quality control system comprising at least one automatic classifier adapted to implement the steps of a classification method according to the second inventive aspect.
  • the automatic classifier is a device comprising processing means that implement the steps of a classification method.
  • a fifth inventive aspect presents a computer program, characterized in that it comprises program code means for performing the steps of a method according to any of the first and second inventive aspects.
  • a sixth inventive aspect presents a support readable by a computer, characterized in that it contains a computer program comprising program code means for performing the steps of a method according to any of the first and second inventive aspects.
  • a seventh inventive aspect presents an electronic signal that contains information characterized in that it allows the reconstruction of a computer program according to the sixth inventive aspect.
  • Figure 1 This figure shows as an example the result of obtaining poor quality images due to curvature, contrast and noise.
  • FIG. 2 This figure represents a digital image classification system in an embodiment of the invention where different functional blocks adapted to perform the tasks according to the methods are appreciated.
  • each digital image is represented by a vector of parameters whose elements comprise:
  • an image rating label that defines the degree of image quality, preferably the rating being "very bad”, “bad”, “fair”, “good”, “very good”.
  • the classification model is performed by at least one artificial intelligence algorithm monitored by rule induction algorithms.
  • rules induction algorithms such as neural networks, vector machines, genetic algorithms, etc. They are also appropriate for learning.
  • the rule induction algorithm receives a sample of digital images as a set of cases, or learning examples. These examples are represented by a digital image which in a particular embodiment is a binary representation of a real image, a set of image quality parameters and also the image valuation attribute or label. From the input images a decision tree or a set of rules is generated that provides the classification of the learning examples
  • a set of digital images such as that of Figure 1 is taken.
  • This set includes digital images of scanned texts from a book, image assessment labels and their image quality parameters:
  • the learning algorithm reads the image assessment labels and the set of image quality parameters for each image. Associating physical characteristics of each one selects the image quality parameters that it considers relevant.
  • a classification model is generated that adapts to the set of input images and the default output, in this case the image assessment label.
  • the curvature value is measured as the ratio between the actual size in terms of horizontal dimension of the two pages of the open book and that of the pages in the digital image, it is expressed as a percentage by the following equation: Size in Image / Actual size * 100.
  • Figure 1A represents two samples with images whose curvature influences to assess quality.
  • the image on the right has a more pronounced curvature than is observed because the image size is smaller than the actual image. Therefore, the Image Size / Actual Size * 100 measure will give a smaller value for image 1A on the right than for the one on the left.
  • the alignment value is measured as the angle that forms a line of the document that should appear straight in the image with the corresponding edge of the image.
  • Figure 1 B shows an image that is tilted with respect to the image that should have been obtained if the scanning had been successful.
  • the alignment is measured as the angle that forms the page in the image with the vertical axis on the right which is the position where an image would have been obtained in case of total quality in terms of alignment.
  • the contrast is measured as explained below.
  • a control chart with a set of gray density patches is used that presents objective colorimetric data according to a widely accepted colorimetric space standard, such as the well-known CIELAB D50.
  • the X-rite Colorchecker card that conforms to these requirements is used. To measure the last row patches that correspond to the gray colors are used.
  • the adequacy of the contrast of the digital image is measured from this chart, applying the DeltaE CIE76 method taking as values the average colorimetric values of all the pixels of each density patch of the chart and the colorimetric values corresponding to those patches measured About the letter.
  • noise is defined as a percentage of the difference in pixel values, between the darkest and lightest patch.
  • noise is a factor that visually affects the quality of digitalization since it degrades the original text.
  • the image on the left has a much higher amount of noise than the one on the right.
  • SNR (dB) 20 Iog10 [(SB - SN) / ⁇ / ⁇ ]
  • the classification model is determined by the relationship between the parameters of the digital images and the output that the processing method must give, that is, previously assigned image assessment labels. That is to say, the relationship between the parameters chosen to measure the quality is determined and, in the particular case of the example, the rules are obtained:
  • the relevant quality parameters selected by the classification model are:
  • the classification model generated by the processing method is implemented by an image classification method according to the second inventive aspect and which is also the object of the invention.
  • a step of calculating the success of the classifier by means of validation techniques and the observation of statistical data is included.
  • the calculation of the success validates the results obtained for a subset of images for which the result was already known.
  • the calculation of the success includes validation techniques that are carried out with a tagged set of images, for example, cross-validation.
  • Cross-validation is a technique used to evaluate the results of a statistical analysis and ensure that they are independent of the partition between training and test data. It consists of repeating and calculating the arithmetic mean obtained from the evaluation measures on different partitions. It is used in environments where the main objective is prediction and it is wanted to estimate how accurate a model will be carried out.
  • the calculation of the success includes the observation of statistical data with a matrix called confusion.
  • a confusion matrix is a visualization tool that is used in supervised learning. Each column of the matrix represents the number of predictions of each class, while each row represents the instances in the real class.
  • the error rate of the classifier is not representative of how well the classifier performs the task. . If for example there are 990 samples of class 1 ("valid") and only 10 of class 2 ("not valid"), the classifier can easily have a bias towards class 1. If the classifier classifies all samples as class 1 its accuracy will be 99%. This does not mean that it is a good classifier, since it has a 100% error in the classification of class 2 samples.
  • a processor (2) adapted to process digital input images and select image quality parameters, where each digital image is represented by a vector of parameters whose elements comprise:
  • an image rating tag preferably the rating being "very bad”, “bad”, “fair”, “good”, “very good”,
  • a model generator (3) adapted to generate at least one classification model and that implements the steps of a processing method according to the digital image processing method described above.
  • FIG. 2 An embodiment of the digital image classification system according to the invention is shown in Figure 2.
  • This system has an automatic classifier (4) adapted to implement the steps of a method of classification of digital images according to the invention as described.
  • the image classification system of Figure 2 further comprises an image processing system as described above, adapted to generate a digital image classification model by selecting at least one image quality parameter from the set of image quality parameters received and the label for each image received.
  • the image classification system comprises means for calculating success (6) that determine how much similarity the automatic classifier has had (4) with what a human expert classifier would do.
  • each digital image is represented by a vector of parameters whose elements comprise: a set of image quality parameters and an image assessment label, preferably the evaluation being "very bad", “bad”, “regular”, "good “,” very good”.
  • These element vectors are input of a digital image processing system comprising a processor (2) adapted to process digital input images and select image quality parameters.
  • the system also comprises a model generator (3) adapted to generate at least one classification model.
  • the automatic classifier (4) obtains the digital images (5) to classify and also the classification model from the generator (3) of a classification model.
  • the automatic classifier (4) applies the classification model to the digital images (5) to be classified, extracts all the image quality parameters of each digital image selected by the digital image processing method and classifies the images with a rating of image, preferably the evaluation being "very bad”, “bad”, “fair”, “good”, “very good”.
  • the success calculator (6) determines the validity of the results by verifying the result of classifying images for a sample of images of which the image assessment labels are already known.

Abstract

The invention relates to the field of methods for processing and classifying digital images. Concretely, it relates to a method and a system for processing digital images and to a method and a system for classifying digital images according to a quality grading, said quality grading preferably being "very bad", "bad", "regular", "good", "very good", said method comprising the steps of: receiving a set of digital images as a vector of parameters, selecting at least one image quality parameter of the set for each digital image, and developing a model for the classification of digital images using all of the image quality parameters selected in the previous step and the tag for each image, in order to define the validity or non-validity of any image.

Description

MÉTODO Y SISTEMA DE PROCESAMIENTO DE IMÁGENES DIGITALES. MÉTODO Y SISTEMA DE CLASIFICACIÓN DE IMÁGENES DIGITALES  METHOD AND SYSTEM OF PROCESSING OF DIGITAL IMAGES. METHOD AND SYSTEM OF CLASSIFICATION OF DIGITAL IMAGES
OBJETO DE LA INVENCIÓN OBJECT OF THE INVENTION
La presente invención pertenece al campo de métodos de procesamiento y clasificación de imágenes digitales. En concreto se refiere a un método y sistema de procesamiento de imágenes digitales y a un método y sistema de clasificación de imágenes digitales según un grado de calidad, preferentemente este grado de calidad siendo "muy mala", "mala", "regular", "buena"," muy buena". The present invention belongs to the field of digital image processing and classification methods. Specifically, it refers to a method and system of digital image processing and to a method and system of classification of digital images according to a degree of quality, preferably this degree of quality being "very bad", "bad", "regular", " good very good".
ANTECEDENTES DE LA INVENCIÓN El principal problema técnico que resuelve la invención es el de revisar de manera automática la calidad de imágenes digitales como por ejemplo las resultantes de un proceso de digitalización de documentos de cualquier tipo. Lo normal en este tipo de imágenes es tener problemas de calidad, debido a la actuación de diferentes factores que son muy difíciles de controlar al 100% durante el proceso de captura digital: errores involuntarios del personal asignado a los equipos de captura, defectos que introduce el dispositivo debido al desgaste de componentes por el uso, fallos técnicos o cambios en la temperatura que afectan al rendimiento, problemas de conservación de los documentos, defectos de calibración, etc. Para la revisión de calidad de imágenes digitales tradicionalmente se ha utilizado la intervención de un experto humano que decide si la imagen es válida para su comprensión o presentación. Esto presenta el problema de revisar, una a una, imágenes de archivos que en ocasiones pueden tener centenares de páginas. Existen en el estado de la técnica métodos de control de calidad de documentos digitales como el nombrado en la patente JP2005050354 "Method for quantifying measure of quality of documenf en el que se explica cómo a partir de unos valores predeterminados de la combinación de unos parámetros de calidad se obtiene la medida de la calidad mediante un único valor. En una segunda patente, US2007036394, "Method for measuring and quantizing document quality', se mide y cuantifica un único parámetro de calidad; este parámetro es una fracción de los objetos en el espacio en blanco del documento. Pero éstos y otros tipos de métodos no permiten afrontar con eficacia muchos de los procesos de control de calidad que son requeridos en contextos de uso diversos debido a que actúan sobre la base de un número de parámetros predeterminados sometidos a unos rangos de aceptación no muy flexibles. La flexibilidad es requerida debido a varios factores, tales como la existencia de correlaciones complejas entre los atributos perceptuales y físicos en que reside la calidad subjetiva de las imágenes digitales, la dificultad o gran esfuerzo requerido para su identificación y la cuantificación de su correlación, la dificultad de establecer ponderaciones entre los atributos o la necesidad de usar procesos de prueba y error múltiples para el establecimiento de rangos de aceptación. BACKGROUND OF THE INVENTION The main technical problem that the invention solves is that of automatically reviewing the quality of digital images such as those resulting from a document scanning process of any kind. The normal thing in this type of images is to have quality problems, due to the performance of different factors that are very difficult to control 100% during the digital capture process: involuntary errors of the personnel assigned to the capture equipment, defects that it introduces the device due to wear of components due to use, technical failures or changes in temperature that affect performance, document preservation problems, calibration defects, etc. For the quality review of digital images, the intervention of a human expert who decides if the image is valid for its understanding or presentation has traditionally been used. This presents the problem of reviewing, one by one, images of files that can sometimes have hundreds of pages. There are in the state of the art methods of quality control of digital documents such as the one named in the patent JP2005050354 "Method for quantifying measure of quality of documenf in which it is explained how from predetermined values of the combination of some parameters of quality the quality measurement is obtained by a single value In a second patent, US2007036394, "Method for measuring and quantizing document quality ', a single quality parameter is measured and quantified; This parameter is a fraction of the objects in the blank of the document. But these and other types of methods do not allow to effectively address many of the quality control processes that are required in diverse usage contexts because they act on the basis of a number of predetermined parameters subject to not very flexible acceptance ranges. Flexibility is required due to several factors, such as the existence of complex correlations between the perceptual and physical attributes in which the subjective quality of the digital images resides, the difficulty or great effort required for their identification and the quantification of their correlation, the difficulty in establishing weights between attributes or the need to use multiple trial and error processes for establishing acceptance ranges.
Es por tanto necesario un método y dispositivo que resuelvan el problema técnico de validar automáticamente la calidad de las imágenes basándose en parámetros físicos y que la validación sea tan fiable, completa y precisa como la que haría un experto. DESCRIPCIÓN DE LA INVENCIÓN It is therefore necessary a method and device that solve the technical problem of automatically validating the quality of the images based on physical parameters and that the validation is as reliable, complete and accurate as an expert would do. DESCRIPTION OF THE INVENTION
La presente invención resuelve el problema anteriormente descrito mediante un método de procesamiento según la reivindicación 1 , un método de clasificación de imágenes digitales según la reivindicación 3, un sistema de procesamiento según la reivindicación 7 y un sistema de clasificación de imágenes digitales según la reivindicación 8. Los métodos y sistemas según la invención son de aplicación en el control de calidad de imágenes digitales. Las reivindicaciones dependientes definen realizaciones preferidas de la invención. The present invention solves the problem described above by a processing method according to claim 1, a digital image classification method according to claim 3, a processing system according to claim 7 and a digital image classification system according to claim 8 The methods and systems according to the invention are applicable in the quality control of digital images. The dependent claims define preferred embodiments of the invention.
En un primer aspecto inventivo se presenta un método de procesamiento de imágenes digitales caracterizado porque cada imagen digital se representa mediante un vector de parámetros cuyos elementos comprenden: In a first inventive aspect a method of digital image processing is presented characterized in that each digital image is represented by a vector of parameters whose elements comprise:
• un conjunto de parámetros de calidad de imagen,  • a set of image quality parameters,
• una etiqueta de valoración de imagen, que define el grado de calidad de la imagen, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena"," muy buena" , comprendiendo el método las etapas de  • an image assessment label, which defines the degree of image quality, preferably the evaluation being "very bad", "bad", "regular", "good", "very good", the method comprising the steps of
• recibir al menos una imagen digital como un vector de parámetros de calidad de imagen,  • receive at least one digital image as a vector of image quality parameters,
• seleccionar al menos un parámetro de calidad de imagen del conjunto de parámetros para cada imagen digital, y  • select at least one image quality parameter from the parameter set for each digital image, and
· elaborar un modelo de clasificación de imágenes digitales utilizando todos los parámetros de calidad de imagen seleccionados en el paso anterior y la etiqueta para cada imagen, para definir el grado de calidad de una imagen cualquiera. · Develop a digital image classification model using all Image quality parameters selected in the previous step and the label for each image, to define the degree of quality of any image.
Definir el grado de calidad de una imagen cualquiera es definir qué valoración de imagen, de entre una pluralidad de grados predefinidos, corresponde a una imagen cualquiera. Preferentemente, la valoración se realizará como "muy mala", "mala", "regular", "buena", "muy buena". También pueden definirse otros grados de validez, como por ejemplo "válido" o "no válido". Este método desempeña tareas de aprendizaje supervisado. El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de entrenamiento. Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente. Los datos de entrenamiento comprenden pares de objetos (normalmente vectores): siendo una componente del par los datos de entrada, en el caso de la invención los parámetros de calidad extraídos de las imágenes digitales, y la otra los resultados deseados, en el caso de la invención las etiquetas de valoración de la calidad de las imágenes. La salida de la función es una etiqueta de clase en los procesos de clasificación. To define the degree of quality of any image is to define which image assessment, among a plurality of predefined degrees, corresponds to any image. Preferably, the assessment will be carried out as "very bad", "bad", "regular", "good", "very good". Other degrees of validity can also be defined, such as "valid" or "invalid". This method performs supervised learning tasks. The objective of supervised learning is to create a function capable of predicting the value corresponding to any valid input object after having seen a series of examples, training data. To do this, you have to generalize from the data presented to situations not previously seen. The training data comprise pairs of objects (usually vectors): the input data being a component of the pair, in the case of the invention the quality parameters extracted from the digital images, and the other the desired results, in the case of The invention labels assessing the quality of images. The output of the function is a class tag in the classification processes.
La calidad de una imagen viene determinada por diferentes parámetros de calidad de imagen. Estos parámetros pueden ser objetivos (atendiendo al contraste de la imagen, curvatura, inclinación, ruido, etc.) y otros pueden ser subjetivos y dependen de la percepción de la imagen por parte del experto. No existe necesariamente una relación lineal entre el rendimiento en los parámetros de calidad objetivos y la apreciación de calidad subjetiva de un observador humano de la imagen. Este fenómeno es especialmente manifiesto cuando interaccionan diferentes parámetros de calidad de forma conjunta en una imagen, creándose una compleja red de interacciones en la que la merma de rendimiento en un parámetro puede provocar el efecto contrario en otro parámetro. De esta forma la percepción de calidad humana no siempre es directamente relacionable con la suma de los rendimientos en los parámetros de calidad medidos. La modelación de la valoración subjetiva de calidad es, por tanto, un proceso complejo y requiere un método que aproxime la valoración de la calidad de las imágenes digitales a la manera a como lo haría un experto humano. Los parámetros de calidad de imagen que el método selecciona para cada imagen son relativos a las características físicas y objetivas de la imagen y son los relevantes para las imágenes digitales de acuerdo al propósito que se persigue. Las imágenes digitales que se reciben son conjuntos de elementos tales como una representación digital de una imagen real, un conjunto de parámetros de calidad de imagen y una etiqueta de valoración de calidad de imagen que define su grado de calidad, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena", "muy buena". The quality of an image is determined by different image quality parameters. These parameters can be objective (based on the contrast of the image, curvature, inclination, noise, etc.) and others can be subjective and depend on the perception of the image by the expert. There is not necessarily a linear relationship between performance in the objective quality parameters and the subjective quality assessment of a human image observer. This phenomenon is especially evident when different quality parameters interact together in an image, creating a complex network of interactions in which the decrease in performance in one parameter can cause the opposite effect in another parameter. In this way the perception of human quality is not always directly related to the sum of the yields in the measured quality parameters. Modeling subjective quality assessment is, therefore, a complex process and requires a method that approximates the assessment of the quality of digital images in the way a human expert would do. The image quality parameters that the method selects for each image are relative to the physical and objective characteristics of the image and are relevant to the digital images according to the purpose pursued. The digital images received are sets of elements such as a digital representation of a real image, a set of image quality parameters and an image quality assessment label that defines its degree of quality, preferably the evaluation being "very bad "," bad "," regular "," good "," very good ".
El método decide o selecciona, para cada imagen etiquetada, el o los parámetros de calidad de imagen que considera más relevantes elegidos del conjunto preestablecido de parámetros de calidad de imagen que se reciben. Es decir, aprende a diferenciar qué características físicas de las imágenes son las relevantes para discriminarlas por su grado de calidad, como por ejemplo "muy mala", "mala", "regular", "buena"," muy buena", o en otro ejemplo "válida" o "no válida". The method decides or selects, for each tagged image, the image quality parameter (s) it considers most relevant chosen from the preset set of image quality parameters that are received. That is, learn to differentiate which physical characteristics of the images are the relevant ones to discriminate them by their degree of quality, such as "very bad", "bad", "fair", "good", "very good", or in another example "valid" or "invalid".
Como ya se ha comentado, estos parámetros de calidad son muy variados y pueden encontrarse entre el grupo de elementos tales como: As already mentioned, these quality parameters are very varied and can be found among the group of elements such as:
Variables tecnológicas: resolución de muestreo, profundidad de bit, método de compresión, ratio de compresión;  Technological variables: sampling resolution, bit depth, compression method, compression ratio;
Parámetros físicos: capacidad resolutiva mediante funciones de transferencia de contraste (MTF), función de conversión opto-electrónica (OECF), rango dinámico, relación Señal/Ruido, espectro de frecuencia de ruido, aberraciones ópticas, aberraciones cromáticas, distorsiones ópticas, error en la codificación de color, uniformidad en el registro de intensidad de luz, error de cuantización, clipping, compresión;  Physical parameters: resolution capacity through contrast transfer functions (MTF), opto-electronic conversion function (OECF), dynamic range, Signal to Noise ratio, noise frequency spectrum, optical aberrations, chromatic aberrations, optical distortions, error in color coding, uniformity in the recording of light intensity, quantization error, clipping, compression;
Parámetros mecánicos: curvatura, inclinación, reflejos, elementos ajenos, dobleces, fragmentación, inversión, giro, suciedad.  Mechanical parameters: curvature, inclination, reflections, foreign elements, folds, fragmentation, inversion, rotation, dirt.
Estos parámetros pueden haber sido proporcionados por un método de extracción de parámetros de calidad de imagen. Las etiquetas pueden haber sido provistas por un experto en la materia atendiendo a su criterio subjetivo. Una vez el método ha aprendido qué parámetros o atributos físicos de las imágenes (escogidos de un listado predeterminado de parámetros) son los que las discriminan por su grado de calidad, se crea un modelo que sigue unas pautas generadas a partir del aprendizaje. El resultado es un modelo de clasificación que se ha adaptado a los parámetros más relevantes que afectan a la calidad de las imágenes de entrada y a las etiquetas previas de validez, tal como "muy mala", "mala", "regular", "buena"," muy buena". El modelo de clasificación es creado a partir de, por ejemplo, algoritmos de inducción de reglas u otros tipos de algoritmos como redes de neuronas, máquinas vectoriales, algoritmos genéticos, etc. These parameters may have been provided by an image quality parameter extraction method. Labels may have been provided by an expert in the field according to their subjective criteria. Once the method has learned what parameters or physical attributes of the images (chosen from a predetermined list of parameters) are those that discriminate them because of their quality, a model is created that follows guidelines generated from learning. The result is a classification model that has been adapted to the most relevant parameters that affect the quality of the input images and the previous validity labels, such as "very bad", "bad", "regular", "good "," very good". The classification model is created from, for example, rule induction algorithms or others types of algorithms such as networks of neurons, vector machines, genetic algorithms, etc.
El modelo de clasificación creado con el método de procesamiento sirve para ser utilizado en un método de clasificación de imágenes digitales como valoración de imagen, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena"," muy buena". The classification model created with the processing method serves to be used in a method of classification of digital images as image evaluation, preferably the evaluation being "very bad", "bad", "regular", "good", "very good. "
En un segundo aspecto inventivo se presenta un método de clasificación de imágenes digitales. In a second inventive aspect a method of classification of digital images is presented.
Este método permite determinar de manera automática el grado de calidad de una imagen digital cualquiera atendiendo a al menos un parámetro de calidad de imagen. This method allows to automatically determine the degree of quality of any digital image according to at least one image quality parameter.
Determinar de manera automática el grado de calidad de una imagen digital cualquiera es determinar qué valoración de imagen corresponde a una imagen cualquiera. To determine automatically the degree of quality of any digital image is to determine which image assessment corresponds to any image.
Este método está caracterizado porque comprende las etapas de This method is characterized in that it comprises the stages of
• proporcionar al menos un modelo de clasificación y una selección de al menos un parámetro seleccionado por un método de procesamiento de imágenes digitales según el primer aspecto inventivo, siendo el al menos un parámetro seleccionado compatible con el modelo de clasificación de imágenes digitales elaborado en el método del primer aspecto inventivo,  • provide at least one classification model and a selection of at least one parameter selected by a digital image processing method according to the first inventive aspect, the at least one selected parameter being compatible with the digital image classification model developed in the method of the first inventive aspect,
• proveer al menos una imagen digital,  • provide at least one digital image,
• extraer todos los parámetros de calidad de imagen de la imagen digital seleccionados por el método de procesamiento de imágenes digitales, que deben ser los mismos que los utilizados en la creación del modelo y  • extract all image quality parameters from the digital image selected by the digital image processing method, which must be the same as those used in the creation of the model and
• clasificar automáticamente la imagen provista, asignándole una etiqueta de valoración de imagen que define su grado de calidad, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena"," muy buena", de acuerdo al modelo de clasificación y a los parámetros de calidad de imagen extraídos.  • Automatically classify the provided image, assigning it an image assessment label that defines its degree of quality, preferably the evaluation being "very bad", "bad", "regular", "good", "very good", according to classification model and the image quality parameters extracted.
El modelo de clasificación obtenido a partir de un método de procesamiento de imágenes digitales según el primer aspecto inventivo, se aplica a imágenes digitales de entrada. Una imagen digital es una representación bidimensional de una imagen a partir de una matriz numérica, frecuentemente en binario, unos y ceros. Este modelo de clasificación y todos los parámetros de calidad de imágenes que ha seleccionado el modelo de procesamiento para determinar la calidad de las imágenes digitales son proporcionados al método de clasificación. The classification model obtained from a digital image processing method according to the first inventive aspect is applied to digital input images. A digital image is a two-dimensional representation of an image from a numerical matrix, often in binary, ones and zeros. This classification model and all the image quality parameters that the processing model has selected for Determine the quality of digital images are provided to the method of classification.
Para las imágenes de entrada se extraen todos los parámetros de calidad que el método de procesamiento ha determinado como relevantes para medir la calidad de las imágenes digitales. For the input images, all the quality parameters that the processing method has determined are relevant to measure the quality of the digital images are extracted.
Conforme el método acepta imágenes de entrada, éstas son clasificadas automáticamente según un grado de valoración de imagen, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena", "muy buena", siguiendo el modelo de clasificación implementado. As the method accepts input images, they are automatically classified according to a degree of image evaluation, preferably the evaluation being "very bad", "bad", "regular", "good", "very good", following the model of classification implemented.
Un tercer aspecto inventivo presenta un sistema de procesamiento de imágenes digitales caracterizado porque implementa las etapas del método del primer aspecto inventivo y porque comprende al menos un procesador adaptado para procesar unas imágenes de entrada y decidir y extraer los parámetros que afectan a la calidad de imagen, y un generador de modelos adaptado para generar uno o varios modelos de clasificación. A third inventive aspect presents a digital image processing system characterized in that it implements the steps of the method of the first inventive aspect and because it comprises at least one processor adapted to process input images and decide and extract the parameters that affect image quality. , and a model generator adapted to generate one or more classification models.
El procesador está adaptado para analizar las imágenes de entrada en cuanto a sus características de calidad y las etiquetas de valoración de imagen. El generador de modelos son unos medios de procesamiento que están adaptados para generar el modelo de clasificación atendiendo a los parámetros de calidad de las imágenes digitales de entrada y sus etiquetas. Este procesador y este generador implementan las etapas de un método de procesamiento de imágenes según el primer aspecto inventivo. Un cuarto aspecto inventivo presenta un sistema de control de calidad de imagen que comprende al menos un clasificador automático adaptado para implementar las etapas de un método de clasificación según el segundo aspecto inventivo. The processor is adapted to analyze the input images in terms of their quality characteristics and image assessment labels. The model generator is a means of processing that are adapted to generate the classification model according to the quality parameters of the digital input images and their labels. This processor and this generator implement the steps of an image processing method according to the first inventive aspect. A fourth inventive aspect presents an image quality control system comprising at least one automatic classifier adapted to implement the steps of a classification method according to the second inventive aspect.
El clasificador automático es un dispositivo que comprende medios de procesamiento que implementan las etapas de un método de clasificación. The automatic classifier is a device comprising processing means that implement the steps of a classification method.
Las principales ventajas del método y sistema de clasificación según la invención son las siguientes: The main advantages of the method and classification system according to the invention are the following:
• Emulan automáticamente la metodología aplicada por un experto en control de calidad de imagen, ya que se aplican como base a la clasificación los parámetros que aplican los expertos e incluso se tienen en cuenta procesos inconscientes que aplican los expertos para valorar si las imágenes según su calidad. • Automatically emulate the methodology applied by an expert in image quality control, since the parameters applied by the experts are applied as a basis for the classification and even unconscious processes that the experts apply to Assess whether the images according to their quality.
• Discriminan deficiencias asociadas a parámetros concretos y resultados globales (fruto de la correlación entre el conjunto de parámetros de calidad implicados), ya que evalúa la apariencia de la imagen digitalizada en conjunto en lugar de tomar parámetros aislados y evaluar sus valores.  • They discriminate deficiencies associated with specific parameters and global results (the result of the correlation between the set of quality parameters involved), since it evaluates the appearance of the digitized image as a whole instead of taking isolated parameters and evaluating their values.
• Sus resultados son comparables a los resultados obtenidos por un experto en control de calidad.  • Your results are comparable to the results obtained by a quality control expert.
Un quinto aspecto inventivo presenta un programa de ordenador, caracterizado porque comprende medios de código de programa para realizar las etapas de un método según cualquiera de los aspectos inventivos primero y segundo. A fifth inventive aspect presents a computer program, characterized in that it comprises program code means for performing the steps of a method according to any of the first and second inventive aspects.
Un sexto aspecto inventivo presenta un soporte legible por un ordenador, caracterizado porque contiene un programa de ordenador que comprende medios de código de programa para realizar las etapas de un método según cualquiera de los aspectos inventivos primero y segundo. A sixth inventive aspect presents a support readable by a computer, characterized in that it contains a computer program comprising program code means for performing the steps of a method according to any of the first and second inventive aspects.
Un séptimo aspecto inventivo presenta una señal electrónica que contiene información caracterizada porque permite reconstruir un programa de ordenador según el sexto aspecto inventivo. A seventh inventive aspect presents an electronic signal that contains information characterized in that it allows the reconstruction of a computer program according to the sixth inventive aspect.
Todas las características técnicas y/o etapas de métodos descritas en esta memoria (incluyendo las reivindicaciones, descripción y dibujos) pueden combinarse en cualquier combinación, exceptuando las combinaciones de tales características mutuamente excluyentes. All technical characteristics and / or method steps described herein (including claims, description and drawings) may be combined in any combination, except for combinations of such mutually exclusive characteristics.
DESCRIPCIÓN DE LOS DIBUJOS DESCRIPTION OF THE DRAWINGS
Estas y otras características y ventajas de la invención, se pondrán más claramente de manifiesto a partir de la descripción detallada que sigue de una forma preferida de realización, dada únicamente a título de ejemplo ilustrativo y no limitativo, con referencia a las figuras que se acompañan. These and other features and advantages of the invention will become more clearly apparent from the detailed description that follows in a preferred embodiment, given only by way of illustrative and non-limiting example, with reference to the accompanying figures. .
Figura 1 En esta figura se muestra como ejemplo el resultado de obtener imágenes de poca calidad debido a curvatura, contraste y ruido. Figure 1 This figure shows as an example the result of obtaining poor quality images due to curvature, contrast and noise.
Figura 2 En esta figura se representa un sistema de clasificación de imágenes digitales en una realización de la invención donde se aprecian distintos bloques funcionales adaptados para realizar las tareas según los métodos. Figure 2 This figure represents a digital image classification system in an embodiment of the invention where different functional blocks adapted to perform the tasks according to the methods are appreciated.
EXPOSICIÓN DETALLADA DE LA INVENCIÓN DETAILED EXHIBITION OF THE INVENTION
Método de procesamiento de imágenes digitales Digital image processing method
En una realización del método de procesamiento de imágenes digitales, cada imagen digital se representa mediante un vector de parámetros cuyos elementos comprenden: In an embodiment of the digital image processing method, each digital image is represented by a vector of parameters whose elements comprise:
- un conjunto de parámetros de calidad de imagen, y  - a set of image quality parameters, and
una etiqueta de valoración de imagen que define el grado de calidad de la imagen, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena"," muy buena". El método de procesamiento de imágenes digitales según esta realización comprende las etapas de  an image rating label that defines the degree of image quality, preferably the rating being "very bad", "bad", "fair", "good", "very good". The method of digital image processing according to this embodiment comprises the steps of
recibir al menos una imagen digital como un vector de parámetros de calidad de imagen,  receive at least one digital image as a vector of image quality parameters,
seleccionar al menos un parámetro de calidad de imagen para cada imagen digital del conjunto, y  select at least one image quality parameter for each digital image in the set, and
elaborar un modelo de clasificación de imágenes digitales utilizando todos los parámetros de calidad de imagen seleccionados y la etiqueta para cada imagen, para definir la validez o invalidez de una imagen cualquiera. En una realización del método de procesamiento de imágenes digitales el modelo de clasificación se realiza mediante al menos un algoritmo de inteligencia artificial supervisado mediante algoritmos de inducción de reglas. No obstante, otros tipos de algoritmos como redes de neuronas, máquinas vectoriales, algoritmos genéticos, etc. también son apropiados para el aprendizaje.  Develop a digital image classification model using all the selected image quality parameters and the label for each image, to define the validity or invalidity of any image. In an embodiment of the digital image processing method the classification model is performed by at least one artificial intelligence algorithm monitored by rule induction algorithms. However, other types of algorithms such as neural networks, vector machines, genetic algorithms, etc. They are also appropriate for learning.
En el método de procesamiento, el algoritmo de inducción de reglas recibe una muestra de imágenes digitales como un conjunto de casos, o ejemplos de aprendizaje. Estos ejemplos se representan por una imagen digital que en una realización particular es una representación binaria de una imagen real, un conjunto de parámetros de calidad de imagen y además el atributo o etiqueta valoración de imagen. A partir de las imágenes de entrada se genera un árbol de decisión o un conjunto de reglas que proporciona la clasificación de los ejemplos de aprendizaje. In the processing method, the rule induction algorithm receives a sample of digital images as a set of cases, or learning examples. These examples are represented by a digital image which in a particular embodiment is a binary representation of a real image, a set of image quality parameters and also the image valuation attribute or label. From the input images a decision tree or a set of rules is generated that provides the classification of the learning examples
Para describir un ejemplo de realización se toma un conjunto de imágenes digitales como el de la figura 1. Este conjunto comprende imágenes digitales de textos escaneados de un libro, etiquetas de valoración de imagen y sus parámetros de calidad de imagen: To describe an exemplary embodiment, a set of digital images such as that of Figure 1 is taken. This set includes digital images of scanned texts from a book, image assessment labels and their image quality parameters:
curvatura,  curvature,
alineación,  alignment,
contraste y  contrast and
ruido.  noise.
El algoritmo de aprendizaje lee las etiquetas de valoración de imagen y el conjunto de parámetros de calidad de imagen para cada imagen. Asociando características físicas de cada una selecciona los parámetros de calidad de imagen que considera relevantes. Se genera un modelo de clasificación que se adapta al conjunto de imágenes de entrada y a la salida predeterminada, en este caso la etiqueta valoración de imagen. The learning algorithm reads the image assessment labels and the set of image quality parameters for each image. Associating physical characteristics of each one selects the image quality parameters that it considers relevant. A classification model is generated that adapts to the set of input images and the default output, in this case the image assessment label.
En este ejemplo de realización el valor de curvatura se mide como la relación entre el tamaño real en cuanto a dimensión horizontal de las dos páginas del libro abierto y el de las páginas en la imagen digital, se expresa como porcentaje mediante la siguiente ecuación: Tamaño en Imagen/Tamaño real * 100. In this embodiment, the curvature value is measured as the ratio between the actual size in terms of horizontal dimension of the two pages of the open book and that of the pages in the digital image, it is expressed as a percentage by the following equation: Size in Image / Actual size * 100.
La figura 1A representa dos muestras con imágenes cuya curvatura influye para evaluar la calidad. La imagen de la derecha presenta una curvatura más acentuada que se observa porque el tamaño de la imagen es menor que el de la imagen real. Por tanto, la medida Tamaño en Imagen/Tamaño real * 100 dará un valor menor para la imagen 1A de la derecha que para la de la izquierda. Figure 1A represents two samples with images whose curvature influences to assess quality. The image on the right has a more pronounced curvature than is observed because the image size is smaller than the actual image. Therefore, the Image Size / Actual Size * 100 measure will give a smaller value for image 1A on the right than for the one on the left.
En este ejemplo de realización el valor de alineación se mide como el ángulo que forma una línea del documento que en la imagen debería aparecer recta con el borde correspondiente de la imagen. In this embodiment, the alignment value is measured as the angle that forms a line of the document that should appear straight in the image with the corresponding edge of the image.
En la figura 1 B se aprecia una imagen que está inclinada con respecto a la imagen que se debería haber obtenido en caso de que la digitalización hubiera sido exitosa. En esta imagen la alineación se mide como el ángulo que forma la página en la imagen con el eje vertical de la derecha que es la posición donde una imagen habría sido obtenida en caso de calidad total en cuanto a alineación. En este ejemplo de realización el contraste se mide como se explica a continuación. Se usa una carta de control con un juego de parches de densidades de gris que presenta datos objetivos colorimétricos de acuerdo a un estándar de espacio colorimétrico de amplia aceptación, como el conocido CIELAB D50. Se usa la carta Colorchecker de X-rite que se ajusta a estos requisitos. Para hacer la medición se usan los parches de la última fila que corresponden con los colores grises. Se mide la adecuación del contraste de la imagen digital a partir de esta carta, aplicando el método DeltaE CIE76 tomando como valores el promedio de valores colorimétricos de todos los píxeles de cada parche de densidad de la carta y los valores colorimétricos correspondientes a esos parches medidos sobre la carta. El método DeltaE(AE) es de amplio uso en colorimetría; se basa en medir la distancia euclidiana entre dos colores representados en un mismo espacio colorimétrico. Para el espacio CIELAB se aplica la siguiente ecuación: ΔΕ* = sqrt[(AL*)2 + (Aa*)2 + (Ab*)2], asumiendo que está representado en un eje cartesiano de coordenadas (L, a*, b*) donde: L: corresponde al eje de luminosidad, Figure 1 B shows an image that is tilted with respect to the image that should have been obtained if the scanning had been successful. In this image the alignment is measured as the angle that forms the page in the image with the vertical axis on the right which is the position where an image would have been obtained in case of total quality in terms of alignment. In this exemplary embodiment, the contrast is measured as explained below. A control chart with a set of gray density patches is used that presents objective colorimetric data according to a widely accepted colorimetric space standard, such as the well-known CIELAB D50. The X-rite Colorchecker card that conforms to these requirements is used. To measure the last row patches that correspond to the gray colors are used. The adequacy of the contrast of the digital image is measured from this chart, applying the DeltaE CIE76 method taking as values the average colorimetric values of all the pixels of each density patch of the chart and the colorimetric values corresponding to those patches measured About the letter. The DeltaE (AE) method is widely used in colorimetry; It is based on measuring the Euclidean distance between two colors represented in the same color space. For the CIELAB space, the following equation applies: ΔΕ * = sqrt [(AL *) 2 + (Aa *) 2 + (Ab *) 2 ], assuming that it is represented on a Cartesian coordinate axis (L, a *, b *) where: L: corresponds to the axis of luminosity,
a*: al eje de opuestos verdes-rojos (-a*, +a*), y a *: to the axis of green-red opposites (-a *, + a *), and
b*: al eje azules-amarillos (-b*, +b*). b *: to the blue-yellow axis (-b *, + b *).
Así se mide la diferencia colorimétrica promedio entre la representación digital de los parches de grises de la carta y los datos colorimétricos de cada píxel de la imagen digital a analizar. This measures the average colorimetric difference between the digital representation of the gray patches of the chart and the colorimetric data of each pixel of the digital image to be analyzed.
En este ejemplo de realización el ruido se define como porcentaje de la diferencia de valores de píxel, entre el parche más oscuro y el más claro. Como se aprecia en la figura 1C el ruido es un factor que afecta visualmente a la calidad de la digitalización puesto que degrada el texto original. En esta figura, la imagen de la izquierda tiene una cantidad de ruido muy superior a la de la derecha. En este ejemplo de realización el ruido se define como la ratio Señal/Ruido (SNR), mediante la siguiente ecuación: SNR (dB)= 20 Iog10 [(SB - SN) / Λ/Μ], donde S es la señal calculada sobre un margen de densidades de 1 ,5D, cuyo rango es SB (la densidad menor del rango) y SN (la densidad mayor del rango) y NM es el promedio del valor de ruido calculado sobre una densidad media de valor aproximado de 0,7D. In this embodiment, noise is defined as a percentage of the difference in pixel values, between the darkest and lightest patch. As can be seen in Figure 1C, noise is a factor that visually affects the quality of digitalization since it degrades the original text. In this figure, the image on the left has a much higher amount of noise than the one on the right. In this embodiment, noise is defined as the Signal / Noise Ratio (SNR), using the following equation: SNR (dB) = 20 Iog10 [(SB - SN) / Λ / Μ], where S is the signal calculated over a range of densities of 1.5D, whose range is SB (the lowest density of the range) and SN (the highest density of the range) and NM is the average of the noise value calculated over an average density of approximate value of 0.7D .
En este ejemplo de realización el modelo de clasificación se determina por la relación entre los parámetros de las imágenes digitales y la salida que debe dar el método de procesamiento, esto es, etiquetas de valoración de imagen previamente asignadas. Es decir, se determina la relación entre los parámetros escogidos para medir la calidad y, en el caso particular del ejemplo, se obtienen las reglas: In this exemplary embodiment, the classification model is determined by the relationship between the parameters of the digital images and the output that the processing method must give, that is, previously assigned image assessment labels. That is to say, the relationship between the parameters chosen to measure the quality is determined and, in the particular case of the example, the rules are obtained:
Si contraste <= 3 y curvatura > 66 y alineación> 0.2 entonces If contrast <= 3 and curvature> 66 and alignment> 0.2 then
Imagen buena  Good image
Si no, si curvatura <= 99 entonces  If not, if curvature <= 99 then
Imagen mala  Bad image
Si no  If not
Imagen buena.  Good image.
En este ejemplo de realización, por lo tanto, los parámetros de calidad relevantes seleccionados por el modelo de clasificación son: In this embodiment, therefore, the relevant quality parameters selected by the classification model are:
contraste,  contrast,
alineación y  alignment and
- curvatura.  - curvature
El modelo de clasificación generado por el método de procesamiento lo implementa un método de clasificación de imágenes según el segundo aspecto inventivo y que también es objeto de la invención. The classification model generated by the processing method is implemented by an image classification method according to the second inventive aspect and which is also the object of the invention.
Método de clasificación de imágenes digitales Digital image classification method
En una realización del método de clasificación de imágenes digitales se comprenden las etapas de In an embodiment of the digital image classification method, the steps of
· proporcionar al menos un modelo de clasificación obtenido por un método de procesamiento de imágenes digitales, · Provide at least one classification model obtained by a digital image processing method,
• proveer al menos una imagen digital,  • provide at least one digital image,
• extraer todos los parámetros de calidad de imagen de la imagen digital seleccionados por el método de procesamiento de imágenes digitales y  • extract all image quality parameters from the digital image selected by the digital image processing method and
· clasificar automáticamente la imagen provista, mediante la asignación de una etiqueta de valoración de imagen que define su grado de calidad, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena"," muy buena", de acuerdo al modelo de clasificación y a los parámetros de calidad de imagen extraídos. Siguiendo con el ejemplo anterior, los parámetros de las imágenes digitales de entrada que son extraídos son los relevantes, es decir, contraste, alineación y curvatura. El modelo de clasificación que se aplica a cada imagen digital es el mencionado previamente: · Automatically classify the image provided, by assigning an image assessment label that defines its degree of quality, preferably the evaluation being "very bad", "bad", "regular", "good", "very good", according to the classification model and the extracted image quality parameters. Following the previous example, the parameters of the digital input images that are extracted are the relevant ones, that is, contrast, alignment and curvature. The kind of Classification that applies to each digital image is the one mentioned previously:
Si contraste <= 3 y curvatura > 66 y alineación > 0.2 entonces If contrast <= 3 and curvature> 66 and alignment> 0.2 then
Imagen buena  Good image
Si no, si curvatura <= 99 entonces  If not, if curvature <= 99 then
Imagen buena  Good image
Si no  If not
Imagen mala En una realización del método de clasificación, se incluye una etapa de cálculo del acierto del clasificador mediante técnicas de validación y la observación de datos estadísticos. El cálculo del acierto valida los resultados obtenidos para un subconjunto de imágenes para las que ya se conocía el resultado. En una realización el cálculo del acierto incluye técnicas de validación que se realizan con un conjunto etiquetado de imágenes, por ejemplo, la validación cruzada. La validación cruzada es una técnica utilizada para evaluar los resultados de un análisis estadístico y garantizar que son independientes de la partición entre datos de entrenamiento y prueba. Consiste en repetir y calcular la media aritmética obtenida de las medidas de evaluación sobre diferentes particiones. Se utiliza en entornos donde el objetivo principal es la predicción y se quiere estimar cómo de preciso es un modelo que se llevará a cabo a la práctica. Es una técnica muy utilizada en proyectos de inteligencia artificial para validar modelos generados. En una realización el cálculo del acierto incluye la observación de datos estadísticos con una matriz denominada de confusión. En el campo de la inteligencia artificial una matriz de confusión es una herramienta de visualización que se emplea en aprendizaje supervisado. Cada columna de la matriz representa el número de predicciones de cada clase, mientras que cada fila representa a las instancias en la clase real.  Bad image In an embodiment of the classification method, a step of calculating the success of the classifier by means of validation techniques and the observation of statistical data is included. The calculation of the success validates the results obtained for a subset of images for which the result was already known. In one embodiment, the calculation of the success includes validation techniques that are carried out with a tagged set of images, for example, cross-validation. Cross-validation is a technique used to evaluate the results of a statistical analysis and ensure that they are independent of the partition between training and test data. It consists of repeating and calculating the arithmetic mean obtained from the evaluation measures on different partitions. It is used in environments where the main objective is prediction and it is wanted to estimate how accurate a model will be carried out. It is a technique widely used in artificial intelligence projects to validate generated models. In one embodiment, the calculation of the success includes the observation of statistical data with a matrix called confusion. In the field of artificial intelligence, a confusion matrix is a visualization tool that is used in supervised learning. Each column of the matrix represents the number of predictions of each class, while each row represents the instances in the real class.
Si en los datos de entrada el número de muestras de clases diferentes, en este caso de clases "válida" y "no válida", es muy dispar, la tasa de error del clasificador no es representativa de lo bien que realiza la tarea el clasificador. Si por ejemplo hay 990 muestras de la clase 1 ("válida") y sólo 10 de la clase 2 ("no válida"), el clasificador puede tener fácilmente un sesgo hacia la clase 1. Si el clasificador clasifica todas las muestras como clase 1 su precisión será del 99%. Esto no significa que sea un buen clasificador, pues tiene un 100% de error en la clasificación de las muestras de la clase 2. If in the input data the number of samples of different classes, in this case of "valid" and "invalid" classes, is very different, the error rate of the classifier is not representative of how well the classifier performs the task. . If for example there are 990 samples of class 1 ("valid") and only 10 of class 2 ("not valid"), the classifier can easily have a bias towards class 1. If the classifier classifies all samples as class 1 its accuracy will be 99%. This does not mean that it is a good classifier, since it has a 100% error in the classification of class 2 samples.
Sistema de procesamiento de imágenes digitales Digital Image Processing System
En una realización el sistema de procesamiento de imágenes digitales comprendeIn one embodiment the digital image processing system comprises
• un procesador (2) adaptado para procesar unas imágenes digitales de entrada y seleccionar unos parámetros de calidad de imagen, donde cada imagen digital se representa mediante un vector de parámetros cuyos elementos comprenden: • a processor (2) adapted to process digital input images and select image quality parameters, where each digital image is represented by a vector of parameters whose elements comprise:
un conjunto de parámetros de calidad de imagen, y  a set of image quality parameters, and
una etiqueta de valoración de imagen, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena"," muy buena" ,  an image rating tag, preferably the rating being "very bad", "bad", "fair", "good", "very good",
• un generador (3) de modelos adaptado para generar al menos un modelo de clasificación y que implementa las etapas de un método de procesamiento según el método de procesamiento de imágenes digitales descrito anteriormente.  • a model generator (3) adapted to generate at least one classification model and that implements the steps of a processing method according to the digital image processing method described above.
Sistema de clasificación de imágenes digitales. Digital image classification system.
En la figura 2 se representa una realización del sistema de clasificación de imágenes digitales según la invención. Este sistema presenta un clasificador automático (4) adaptado para implementar las etapas de un método de clasificación de imágenes digitales según la invención como el descrito. An embodiment of the digital image classification system according to the invention is shown in Figure 2. This system has an automatic classifier (4) adapted to implement the steps of a method of classification of digital images according to the invention as described.
El sistema de clasificación de imágenes de la figura 2 comprende además un sistema de procesamiento de imágenes como el descrito anteriormente, adaptado para generar un modelo de clasificación de imágenes digitales seleccionando al menos un parámetro de calidad de imagen del conjunto de parámetros de calidad de imagen recibidos y la etiqueta para cada imagen recibida. The image classification system of Figure 2 further comprises an image processing system as described above, adapted to generate a digital image classification model by selecting at least one image quality parameter from the set of image quality parameters received and the label for each image received.
En una realización, el sistema de clasificación de imágenes comprende medios de cálculo de acierto (6) que determinan qué grado de similitud ha tenido el clasificador automático (4) con lo que haría un experto humano clasificador. In one embodiment, the image classification system comprises means for calculating success (6) that determine how much similarity the automatic classifier has had (4) with what a human expert classifier would do.
Como se ve en la figura 2, se dispone de una muestra (1) significativa de imágenes digitales donde cada imagen digital se representa mediante un vector de parámetros cuyos elementos comprenden: un conjunto de parámetros de calidad de imagen y una etiqueta de valoración de imagen, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena"," muy buena". Estos vectores de elementos son entrada de un sistema de procesamiento de imágenes digitales que comprende un procesador (2) adaptado para procesar unas imágenes digitales de entrada y seleccionar unos parámetros de calidad de imagen. El sistema además comprende un generador de modelos (3) adaptado para generar al menos un modelo de clasificación. Por otro lado se dispone de una muestra de imágenes digitales (5) a clasificar. El clasificador automático (4) obtiene las imágenes digitales (5) para clasificar y además el modelo de clasificación desde el generador (3) de un modelo de clasificación. El clasificador automático (4) aplica el modelo de clasificación a las imágenes digitales (5) a clasificar, extrae todos los parámetros de calidad de imagen de cada imagen digital seleccionados por el método de procesamiento de imágenes digitales y clasifica las imágenes con una valoración de imagen, preferentemente la valoración siendo "muy mala", "mala", "regular", "buena"," muy buena". As seen in figure 2, there is a significant sample (1) of digital images where each digital image is represented by a vector of parameters whose elements comprise: a set of image quality parameters and an image assessment label, preferably the evaluation being "very bad", "bad", "regular", "good "," very good". These element vectors are input of a digital image processing system comprising a processor (2) adapted to process digital input images and select image quality parameters. The system also comprises a model generator (3) adapted to generate at least one classification model. On the other hand there is a sample of digital images (5) to be classified. The automatic classifier (4) obtains the digital images (5) to classify and also the classification model from the generator (3) of a classification model. The automatic classifier (4) applies the classification model to the digital images (5) to be classified, extracts all the image quality parameters of each digital image selected by the digital image processing method and classifies the images with a rating of image, preferably the evaluation being "very bad", "bad", "fair", "good", "very good".
El calculador de acierto (6) determina la validez de los resultados verificando el resultado de clasificar imágenes para una muestra de imágenes de las que ya se conocen las etiquetas de valoración de imagen. The success calculator (6) determines the validity of the results by verifying the result of classifying images for a sample of images of which the image assessment labels are already known.

Claims

REIVINDICACIONES
1. - Método de procesamiento de imágenes digitales caracterizado porque: 1. - Digital image processing method characterized by:
cada imagen digital se representa mediante un vector de parámetros cuyos elementos comprenden: Each digital image is represented by a vector of parameters whose elements include:
• un conjunto de parámetros de calidad de imagen,  • a set of image quality parameters,
• una etiqueta de valoración de imagen que define el grado de calidad de la imagen, y porque comprende las etapas de  • an image assessment label that defines the degree of image quality, and because it comprises the stages of
• recibir al menos una imagen digital como un vector de parámetros de calidad de imagen,  • receive at least one digital image as a vector of image quality parameters,
• seleccionar al menos un parámetro de calidad de imagen del conjunto para cada imagen digital, y  • select at least one set image quality parameter for each digital image, and
• elaborar un modelo de clasificación de imágenes digitales utilizando todos los parámetros de calidad de imagen seleccionados en el paso anterior y la etiqueta para cada imagen, para definir el grado de calidad de una imagen cualquiera.  • Develop a digital image classification model using all the image quality parameters selected in the previous step and the label for each image, to define the degree of quality of any image.
2. - Método de procesamiento de imágenes digitales según la reivindicación 1 donde la elaboración del modelo de clasificación se realiza mediante al menos un algoritmo de inteligencia artificial supervisado. 2. - Digital image processing method according to claim 1 wherein the classification model is elaborated by means of at least one supervised artificial intelligence algorithm.
3. - Método de clasificación de imágenes digitales caracterizado porque comprende las etapas de 3. - Method of classification of digital images characterized in that it comprises the stages of
• proporcionar al menos un modelo de clasificación obtenido por un método de procesamiento de imágenes digitales según cualquiera de las reivindicaciones anteriores, · proveer al menos una imagen digital,  • provide at least one classification model obtained by a digital image processing method according to any of the preceding claims, · provide at least one digital image,
• extraer todos los parámetros de calidad de imagen de la imagen digital seleccionados por el método de procesamiento de imágenes digitales y  • extract all image quality parameters from the digital image selected by the digital image processing method and
• clasificar automáticamente la imagen provista, asignándole una etiqueta de valoración de imagen que define su grado de calidad, de acuerdo al modelo de clasificación y a los parámetros de calidad de imagen extraídos.  • Automatically classify the image provided by assigning an image assessment label that defines its degree of quality, according to the classification model and the extracted image quality parameters.
4.- Método de clasificación según la reivindicación 3, caracterizado porque comprende una etapa de cálculo del acierto del método de clasificación mediante técnicas de validación y la observación de datos estadísticos. 4. Classification method according to claim 3, characterized in that it comprises a step of calculating the correctness of the classification method by means of validation techniques and the observation of statistical data.
5.- Método de clasificación según la reivindicación 4 caracterizado porque las técnicas de validación de la etapa del cálculo del acierto se realizan con un conjunto etiquetado de imágenes o validación cruzada. 5.- Classification method according to claim 4 characterized in that the validation techniques of the step of the calculation of the success are carried out with a set labeled of images or cross validation.
6.- Método de clasificación según la reivindicación 4 ó 5 caracterizado porque la observación de datos estadísticos de la etapa del cálculo del acierto se realiza con una matriz de confusión. 6. Classification method according to claim 4 or 5, characterized in that the observation of statistical data of the step of the calculation of the success is carried out with a confusion matrix.
7. - Sistema de procesamiento de imágenes digitales caracterizado porque comprende 7. - Digital image processing system characterized in that it comprises
« un procesador (2) adaptado para procesar unas imágenes digitales de entrada y seleccionar unos parámetros de calidad de imagen, donde cada imagen digital se representa mediante un vector de parámetros cuyos elementos comprenden:  «A processor (2) adapted to process digital input images and select image quality parameters, where each digital image is represented by a vector of parameters whose elements comprise:
un conjunto de parámetros de calidad de imagen, y  a set of image quality parameters, and
una etiqueta de valoración de imagen que define el grado de calidad de la imagen,  an image assessment label that defines the degree of image quality,
• un generador (3) de modelos adaptado para generar al menos un modelo de clasificación y porque está adaptado para implementar las etapas de un método de procesamiento según la reivindicación 1 ó 2.  • a model generator (3) adapted to generate at least one classification model and because it is adapted to implement the steps of a processing method according to claim 1 or 2.
8. - Sistema de clasificación de imágenes digitales caracterizado porque comprende al menos un clasificador automático (4) adaptado para implementar las etapas de un método de clasificación de imágenes digitales según cualquiera de las reivindicaciones 3 a 6. 8. - Digital image classification system characterized in that it comprises at least one automatic classifier (4) adapted to implement the steps of a method of digital image classification according to any of claims 3 to 6.
9. - Sistema según la reivindicación 8 caracterizado porque comprende además un sistema de procesamiento de imágenes según la reivindicación 7. 9. - System according to claim 8 characterized in that it further comprises an image processing system according to claim 7.
10. - Sistema según cualquiera de las reivindicaciones 8 ó 9 caracterizado porque 10. - System according to any of claims 8 or 9 characterized in that
comprende medios de cálculo de acierto (6). it includes means of calculation of success (6).
11. - Programa de ordenador, caracterizado porque comprende medios de código de programa para realizar las etapas de un método según cualquiera de las reivindicaciones 1 a 6 cuando dicho programa funciona en un ordenador. 11. - Computer program, characterized in that it comprises program code means for carrying out the steps of a method according to any one of claims 1 to 6 when said program operates on a computer.
12. - Programa de ordenador según la reivindicación 11 , caracterizado porque está copiado en un medio legible por un ordenador. 12. - Computer program according to claim 11, characterized in that it is copied in a medium readable by a computer.
13. - Soporte legible por un ordenador, caracterizado porque contiene un programa de ordenador que comprende medios de código de programa para realizar las etapas de un método según cualquiera de las reivindicaciones 1 a 6, cuando dicho programa funciona en un ordenador. 13. - Support readable by a computer, characterized in that it contains a computer program comprising program code means for carrying out the steps of a method according to any of claims 1 to 6, when said program operates on a computer.
14. - Señal electrónica que contiene información caracterizada porque permite reconstruir un programa de ordenador según cualquiera de las reivindicaciones 1 1 a 12. 14. - Electronic signal containing information characterized in that it allows the reconstruction of a computer program according to any of claims 1 1 to 12.
PCT/ES2013/070639 2012-10-16 2013-09-16 Method and system for processing digital images, method and system for classifying digital images WO2014060617A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ES201231579A ES2461635B1 (en) 2012-10-16 2012-10-16 METHOD AND SYSTEM OF CLASSIFICATION OF DIGITAL IMAGES
ESP201231579 2012-10-16

Publications (1)

Publication Number Publication Date
WO2014060617A1 true WO2014060617A1 (en) 2014-04-24

Family

ID=50487605

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2013/070639 WO2014060617A1 (en) 2012-10-16 2013-09-16 Method and system for processing digital images, method and system for classifying digital images

Country Status (2)

Country Link
ES (1) ES2461635B1 (en)
WO (1) WO2014060617A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1693799A2 (en) * 2002-09-20 2006-08-23 Seiko Epson Corporation Method and device for image selection and output
EP1913868A1 (en) * 2006-10-19 2008-04-23 Esaote S.p.A. System for determining diagnostic indications
US20090232409A1 (en) * 2008-03-17 2009-09-17 Xerox Corporation Automatic generation of a photo guide

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1693799A2 (en) * 2002-09-20 2006-08-23 Seiko Epson Corporation Method and device for image selection and output
EP1913868A1 (en) * 2006-10-19 2008-04-23 Esaote S.p.A. System for determining diagnostic indications
US20090232409A1 (en) * 2008-03-17 2009-09-17 Xerox Corporation Automatic generation of a photo guide

Also Published As

Publication number Publication date
ES2461635B1 (en) 2015-02-13
ES2461635A1 (en) 2014-05-20

Similar Documents

Publication Publication Date Title
US11922626B2 (en) Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
Zhang et al. Hazerd: an outdoor scene dataset and benchmark for single image dehazing
RU2494460C2 (en) Device and method to process images, and software
CN111738064B (en) Haze concentration identification method for haze image
Yuan et al. A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
CN109872335A (en) A kind of automatic read tablet method and its system for PD-L1 antibody stained slice
CN114066857A (en) Infrared image quality evaluation method and device, electronic equipment and readable storage medium
JP4383352B2 (en) Histological evaluation of nuclear polymorphism
CN115439654B (en) Method and system for finely dividing weakly supervised farmland plots under dynamic constraint
US20140241618A1 (en) Combining Region Based Image Classifiers
CN111656393A (en) Histological image analysis
CN111753873A (en) Image detection method and device
CN110751170A (en) Panel quality detection method, system, terminal device and computer readable medium
CN114882306A (en) Topographic map scale identification method and device, storage medium and electronic equipment
Teodoro et al. Identification of beach hydromorphological patterns/forms through image classification techniques applied to remotely sensed data
CN112215831B (en) Method and system for evaluating quality of face image
JP3696212B2 (en) Generation of image used for matching in pattern recognition, and method, apparatus, and program for pattern recognition using the image
ES2461635B1 (en) METHOD AND SYSTEM OF CLASSIFICATION OF DIGITAL IMAGES
CN113436735A (en) Body weight index prediction method, device and storage medium based on face structure measurement
Gibson et al. A no-reference perceptual based contrast enhancement metric for ocean scenes in fog
WO2023034441A1 (en) Imaging test strips
CN111179245B (en) Image quality detection method, device, electronic equipment and storage medium
JP2018077719A (en) Fracture analyzer and fracture analysis method
Schmidt et al. Evaluation of the performance of image classification methods in the identification of vegetation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13846946

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13846946

Country of ref document: EP

Kind code of ref document: A1