CN106447660B - 图片检测方法和装置 - Google Patents

图片检测方法和装置 Download PDF

Info

Publication number
CN106447660B
CN106447660B CN201610856323.XA CN201610856323A CN106447660B CN 106447660 B CN106447660 B CN 106447660B CN 201610856323 A CN201610856323 A CN 201610856323A CN 106447660 B CN106447660 B CN 106447660B
Authority
CN
China
Prior art keywords
gradient
picture
suspicious region
pixel
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610856323.XA
Other languages
English (en)
Other versions
CN106447660A (zh
Inventor
刘霄
文石磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201610856323.XA priority Critical patent/CN106447660B/zh
Publication of CN106447660A publication Critical patent/CN106447660A/zh
Application granted granted Critical
Publication of CN106447660B publication Critical patent/CN106447660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图片检测方法和装置，其中，方法包括以下步骤：计算输入的图片中每个像素点的梯度值响应，以生成图片对应的梯度图；根据梯度图建立对应的梯度积分图；利用梯度积分图筛选出可疑区域，并记录可疑区域的位置信息；根据可疑区域的位置信息对可疑区域进行连接性判断；如果可疑区域通过连接性判断，则确定图片为马赛克图片。该方法能够提高检测精度，降低将图片中矩形区域误判为马赛克的概率。

Description

图片检测方法和装置
技术领域
本发明涉及图像检测技术领域，尤其涉及一种图片检测方法和装置。
背景技术
随着科技的发展，许多场景需要对图片进行马赛克检测，例如消费者向消费网站上传图片，如果图片存在马赛克，则会影响图片美观；在广告领域，在配图广告中，需要为搜索广告配相关图片，如果图片存在马赛克，则图片不够美观，进而导致点击量降低。
目前，现有马赛克检测技术对原图像进行角点检测，如果预选块区域内包含有角点，则认为该区域为马赛克，也可对图片中每个像素点的色彩特征与预设的特征进行匹配，根据匹配结果判断是否有马赛克。
但是，上述现有技术中基于单一预选区域匹配或者基于单一特征匹配进行的判断，容易将普通图片中色彩均匀的矩形区域误判断为马赛克区域，降低了马赛克检测的准确性。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种图片检测方法，该方法能够提高检测精度，降低将图片中矩形区域误判为马赛克的概率。
本发明的第二个目的在于提出一种图片检测装置。
为了实现上述目的，本发明第一方面实施例提出了一种图片检测方法，包括计算输入的图片中每个像素点的梯度值响应，以生成图片对应的梯度图；根据梯度图建立对应的梯度积分图；利用梯度积分图筛选出可疑区域，并记录可疑区域的位置信息；根据可疑区域的位置信息对可疑区域进行连接性判断；如果可疑区域通过连接性判断，则确定图片为马赛克图片。该方法能够提高图片中马赛克的检测精度，降低了将图片中矩形区域误判为马赛克的概率。
本发明实施例的图片检测方法，通过计算输入的图片中每个像素点的梯度值响应，得到图片的梯度图，根据梯度图建立对应的梯度积分图，利用梯度积分图筛选出可疑区域并记录下可以区域的可疑区域的位置信息，根据位置信息对可疑区域进行连接性判断，如果通过连接性判断，则图片为马赛克图片。该方法能够提高检测精度，降低将图片中矩形区域误判为马赛克的概率。
另外，本发明实施例的图片检测方法，还具有如下附加的技术特征：
在本发明的一个实施例中，计算输入的图片中每个像素点的梯度值响应，包括：将图片转换为灰度图；计算灰度图中每个像素点的灰度值；根据灰度值计算出每个像素点的梯度值响应。
在本发明的一个实施例中，利用梯度积分图筛选出可疑区域，包括：枚举梯度积分图中所有的矩形区域；计算矩形区域中梯度的第一平均值以及矩形区域四条边梯度的第二平均值；确定第一平均值小于第一阈值，且第二平均值大于第二阈值的矩形区域为可疑区域。
在本发明的一个实施例中，根据可疑区域的位置信息对可疑区域进行连接性判断，包括：根据可疑区域的位置信息计算任意两个可疑区域之间的距离；当距离小于预设距离时，确定可疑区域通过连接性判断。
为达上述目的，本发明第二方面实施例的图片检测装置，包括生成模块，用于计算输入的图片中每个像素点的梯度值响应，以生成图片对应的梯度图；建立模块，用于根据梯度图建立对应的梯度积分图；筛选模块，用于利用梯度积分图筛选出可疑区域，并记录可疑区域的位置信息；判断模块，用于根据可疑区域的位置信息对可疑区域进行连接性判断；确定模块，用于如果可疑区域通过连接性判断，则确定图片为马赛克图片。
本发明实施例的图片检测装置，通过计算输入的图片中每个像素点的梯度值响应，得到图片的梯度图，根据梯度图建立对应的梯度积分图，利用梯度积分图筛选出可疑区域并记录下可以区域的可疑区域的位置信息，根据位置信息对可疑区域进行连接性判断，如果通过连接性判断，则图片为马赛克图片。该方法能够提高检测精度，降低将图片中矩形区域误判为马赛克的概率。
另外，本发明实施例的图片检测装置，还具有如下附加的技术特征：
在本发明的一个实施例中，生成模块，包括：转换单元，将图片转换为灰度图；第一计算单元，用于计算灰度图中每个像素点的灰度值；第二计算单元，用于根据灰度值计算出每个像素点的梯度值响应。
在本发明的一个实施例中，第二计算单元，用于获取每个像素点的横向梯度和纵向梯度；用于根据横向梯度和纵向梯度计算出每个像素点的梯度值响应。
在本发明的一个实施例中，筛选模块，包括：枚举单元，用于枚举梯度积分图中所有的矩形区域；第三计算单元，用于计算矩形区域中梯度的第一平均值以及矩形区域四条边梯度的第二平均值；第一确定单元，用于确定第一平均值小于第一阈值，且第二平均值大于第二阈值的矩形区域为可疑区域。
在本发明的一个实施例中，判断模块，包括：第四计算单元，用于根据可疑区域的位置信息计算任意两个可疑区域之间的距离；第二确定单元，用于当距离小于预设距离时，确定可疑区域通过连接性判断。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是根据本发明一个实施例的图片检测方法的流程图；
图2是根据本发明一个实施例的待检测图片对应的灰度图；
图3是根据本发明一个实施例的待检测图片对应的梯度图；
图4是根据本发明一个实施例的待检测图片对应的梯度积分图；
图5是根据本发明一个实施例的通过查询梯度积分图得到矩形区域中所有像素点的梯度值响应之和的示意图；
图6是根据本发明一个实施例的对梯度积分图中的可疑区域进行连接性判断的效果示意图；以及
图7是根据本发明一个实施例的图片检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的图片检测方法和装置。
图1是根据本发明一个实施例的图片检测方法的流程图。
如图1所示，图片检测方法可包括：
S1，计算输入的图片中每个像素点的梯度值响应，以生成图片对应的梯度图。
具体地，将输入的待检测图片转化为灰度图，计算灰度图中每个像素点的灰度值，根据每个像素点的灰度值获取每个像素点的横向梯度和纵向梯度，根据横向梯度和纵向梯度计算出每个像素点的梯度值响应，由此得到图片对应的梯度图。
在本发明的一个实施例中，一张待检测图片可被转化为如图2所示的灰度图。计算该灰度图中每一个像素点的梯度值响应，从而生成对应的梯度图。
假设一个像素点(x,y)的灰度值为p(x,y)，其中，x是像素点的横坐标，y是像素点的纵坐标。像素点(x,y)的梯度可以分为横向梯度和纵向梯度，横向梯度为是在像素点(x,y)右侧相邻的像素点(x+1,y)的灰度值p(x+1,y)与在像素点(x,y)左侧相邻的像素点(x-1,y)的灰度值p(x-1,y)之差，即p(x+1,y)-p(x-1,y)；纵向梯度为是在像素点(x,y)上方相邻的像素点(x,y+1)的灰度值p(x,y+1)与在像素点(x,y)下方相邻的像素点(x,y-1)的灰度值p(x,y-1)之差，即p(x,y+1)-p(x,y-1)。
在获取到像素点(x,y)的横向梯度和纵向梯度之后，可根据公式一计算出该像素点的梯度值响应。
公式一：
即像素点(x,y)的横向梯度p(x+1,y)-p(x-1,y)与纵向梯度p(x,y+1)-p(x,y-1)的平方和再开方。
根据梯度值响应公式，计算输入的图片中每个像素点的梯度值响应，可得到如图3所示的待检测图片对应的梯度图。
S2，根据梯度图建立对应的梯度积分图。
具体地，根据图片对应的梯度图可利用现有技术中的积分图算法计算得到图片的梯度积分图。如图4所示，可得到图3对应的梯度积分图。
在发明实施例中，需要理解的，梯度积分图中某像素点的值是梯度图的左上角与当前像素点所围成的矩形区域内所有像素点的梯度值响应之和。
S3，利用梯度积分图筛选出可疑区域，并记录可疑区域的位置信息。
具体地，枚举梯度积分图中所有的矩形区域，计算每个矩形区域中梯度的第一平均值以及矩形区域四条边梯度的第二平均值。如果第一平均值小于第一阈值，并且第二平均值大于第二阈值，那么该矩形区域为可疑区域，记录下该可疑区域的位置信息，最终筛选得到所有可疑区域和对应可疑区域的位置信息。其中，位置信息可以是矩形四个顶点的坐标信息。
其中，矩形区域中梯度的第一平均值等于矩形区域中所有像素点的梯度值响应之和除以像素点的个数。
在本发明实施例中，矩形区域中所有像素点的梯度值响应之和，能够根据梯度积分图查询得到，结合图5说明通过查询梯度积分图得到矩形区域中所有像素点的梯度值响应之和的方法，示例如下：
例如，求梯度积分图中矩形区域R4内的梯度值响应之和sum(R4)，梯度积分图中点1处的值I1等于梯度图的左上角与像素点1所围的矩形区域内所有像素点的梯度响应值之和sum(R1)，即I1＝sum(R1)。同理可得，点2处的值I2＝sum(R1)+sum(R2)，点3处的值I3＝sum(R1)+sum(R3)，点4处的值I4＝sum(R1)+sum(R2)+sum(R3)+sum(R4)。所以，矩形区域R4内的梯度值响应之和sum(R4)＝I1+I4-(I2+I3)，其中，I1，I2，I3，I4的值可以通过梯度积分图查到。
在本发明实施例中，需要理解的是，矩形区域的四条边可以看作四个矩形区域，所以四条边的梯度和通过积分图查询得到。每个条边的梯度和除以对应的像素点的个数得到第二平均值，其中，第二平均值大于第二阈值指的是每条边的平均值均大于第二阈值。
通过查询梯度积分图得到矩形区域中梯度值响应之和和四条边的梯度值响应之和，进而计算出第一平均值和第二平均值。如果第一平均值小于第一阈值，第二平均值大于第二阈值，则筛选出该矩形区域是可疑区域，并记录下可疑区域的位置信息。
S4，根据可疑区域的位置信息对可疑区域进行连接性判断。
具体地，获取筛选出的任意两个可疑区域的位置信息，计算两个可疑区域之间的距离。如果两个可疑区域之间的距离是否小于预设距离，则两个可疑区域通过了连接性判断；如果这两个区域没有通过连接性判断，继续选取两个可疑区域，判断是否通过连接性判断。
在本发明的一个实施例中，对图6红色框中的可疑区域a与可疑区域b进行连接性判断。首先根据可疑区域a和可疑区域b的位置信息，如顶点坐标，计算得到可疑区域a和可疑区域b的之间的距离，再比较两个可疑区域之间的距离与预设距离之间的大小。
假设，获取到可疑区域a的四个点的坐标分别为(x1,y1)，(x2,y1)，(x1,y2)，(x2,y2)，可疑区域b的四个顶点的坐标为(x1,y3)，(x2,y3)，(x1,y4)，(x2,y4)，其中，y1>y2>y3>y4。由两个可疑区域的坐标信息可知，可疑区域a与可疑区域b之间的距离为y2-y3。
假设，预设距离为d。如果可疑区域a与可疑区域b之间的距离为y2-y3小于d，那么可疑区域a可疑区域b通过了连接性判断，且a在b的上方。
需要理解的是，任意的两个可疑区域a和可疑区域b的长与宽基本相同，如果可疑区域a与可疑区域b通过连接性判断，则两个可疑区域的连接性位置关系属于以下情况之一：1)a在b的上方；2)a在b的下方；3)a在b的左边；4)a在b的右边。
S5，如果可疑区域通过连接性判断，则确定图片为马赛克图片。
在本发明的一个实施例中，如果梯度积分图中有可疑区域a与可疑区域b通过连接性判断，则确定图片为马赛克图片。
本发明实施例的图片检测方法，通过计算输入的图片中每个像素点的梯度值响应，得到图片的梯度图，根据梯度图建立对应的梯度积分图，利用梯度积分图筛选出可疑区域并记录下可以区域的可疑区域的位置信息，根据位置信息对可疑区域进行连接性判断，如果通过连接性判断，则图片为马赛克图片。该方法能够提高检测精度，降低将图片中矩形区域误判为马赛克的概率。
为了实现上述实施例，本发明还提出了一种图片检测装置，图7是根据本发明一个实施例的图片检测装置的结构示意图。
如图7所示，图片检测装置包括：生成模块110、建立模块120、筛选模块130、判断模块140、确定模块150。
生成模块110，用于计算输入的图片中每个像素点的梯度值响应，以生成图片对应的梯度图。生成模块110包括转换单元111、第一计算单元112、第二计算单元113。
转换单元111，用于将图片转换为灰度图。
第一计算单元112，用于计算灰度图中每个像素点的灰度值。
第二计算单元113，用于根据灰度值计算出每个像素点的梯度值响应。
具体地，生成模块110中的转换单元111将输入的待检测的图片转换为灰度图，生成模块110中第一计算单元111计算灰度图中每个像素点的灰度值，生成模块110中的第二计算单元112中的获取每个像素点的横向梯度和纵向梯度，并根据横向梯度和纵向梯度计算出每个像素点的梯度值响应，最后生成模块110根据图片中每个像素点的梯度值响应生成与待检测图片对应的梯度图。
建立模块120，用于根据梯度图建立对应的梯度积分图。
具体地，建立模块120根据图片对应的梯度图利用现有技术中的积分图算法得到图片对应的梯度积分图。
在发明实施例中，需要理解的是，根据梯度图利用积分图算法得到梯度积分图，梯度积分图中某像素点的值是梯度图的左上角与当前像素点所围成的矩形区域内所有像素点的梯度值响应之和。
筛选模块130，用于利用梯度积分图筛选出可疑区域，并记录可疑区域的位置信息。筛选模块130包括枚举单元131、第三计算单元132、第一确定单元133。
枚举单元131，用于枚举梯度积分图中所有的矩形区域。
第三计算单元132，用于计算矩形区域中梯度的第一平均值以及矩形区域四条边梯度的第二平均值。
第一确定单元133，用于确定第一平均值小于第一阈值，且第二平均值大于第二阈值的矩形区域为可疑区域。
具体地，筛选模块130中的枚举单元131枚举梯度积分图中所有的矩形区域，筛选模块130中的第三计算单元132计算每个矩形区域中梯度的第一平均值以及矩形区域四条边梯度的第二平均值。如果第一平均值小于第一阈值，并且第二平均值大于第二阈值，那么筛选模块130中的第一确定单元133确定该矩形区域为可疑区域。筛选模块130记录该可疑区域的位置信息，最终筛选模块130筛选出所有的可疑区域并记录下每个可疑区域的对应的位置信息，其中，位置信息可以是矩形四个顶点的坐标信息。
其中，矩形区域中梯度的第一平均值等于矩形区域中所有像素点的梯度值响应之和除以像素点的个数，矩形区域中所有像素点的梯度值响应之和通过查询梯度积分图得到。
在本发明实施例中，需要理解的是，矩形区域的四条边可以看作四个矩形区域，所以四条边的梯度和通过积分图查询得到。每条边的梯度和除以对应的像素点的个数得到第二平均值，其中，第二平均值大于第二阈值指的是每条边的平均值均大于第二阈值。
通过查询梯度积分图得到矩形区域中梯度值响应之和和四条边的梯度值响应之和，进而第三计算单元132计算出第一平均值和第二平均值，如果第一平均值小于第一阈值，第二平均值大于第二阈值，则第一确定单元133确定该矩形区域是可疑区域，筛选模块130记录下可疑区域的位置信息。
判断模块140，用于根据可疑区域的位置信息对可疑区域进行连接性判断。判断模块140包括第四计算单元141、第二确定单元142。
第四计算单元141，用于根据可疑区域的位置信息计算任意两个可疑区域之间的距离。
第二确定单元142，用于当距离小于预设距离时，确定可疑区域通过连接性判断。
具体地，判断模块140中的第四计算单元141根据获取的任意两个可疑区域的位置信息，计算两个可疑区域之间的距离。如果两个可疑区域之间的距离小于预设距离，判断模块140中的第二确定单元142确定这两个可疑区域通过了连接性判断；如果这两个可疑区域没有通过连接性判断，判断模块140继续选取两个可疑区域，判断是否通过连接性判断。
其中，两个可疑区域的之间的距离第四计算单元141可以根据可疑区域的位置信息顶点坐标计算得到，示例如下：
例如，第四计算单元141获取到可疑区域a的四个点的坐标分别为(x1,y1)，(x2,y1)，(x1,y2)，(x2,y2)，可疑区域b的四个顶点的坐标为(x1,y3)，(x2,y3)，(x1,y4)，(x2,y4)，其中，y1>y2>y3>y4。计算得到可疑区域a与可疑区域b之间的距离为y2-y3。
假设，预设距离为d。如果可疑区域a与可疑区域b之间的距离为y2-y3小于d，那么第二确定单元142确定可疑区域a可疑区域b通过了连接性判断，且a在b的上方。
在本发明实施例中，需要理解的是，任意的两个可疑区域a和可疑区域b的长与宽基本相同，如果可疑区域a与可疑区域b通过连接性判断，则两个可疑区域的连接性位置关系属于以下情况之一：1)a在b的上方；2)a在b的下方；3)a在b的左边；4)a在b的右边。
确定模块150，用于如果可疑区域通过连接性判断，则确定图片为马赛克图片。
在本发明的一个实施例中，如果有可疑区域a与可疑区域b通过连接性判断，确定模块150确定图片为马赛克图片。
需要说明的是，前述对图片检测方法实施例的解释说明也适用于该实施例的图片检测装置，此处不再赘述。
本发明实施例的图片检测装置，通过计算输入的图片中每个像素点的梯度值响应，得到图片的梯度图，根据梯度图建立对应的梯度积分图，利用梯度积分图筛选出可疑区域并记录下可以区域的可疑区域的位置信息，根据位置信息对可疑区域进行连接性判断，如果通过连接性判断，则图片为马赛克图片。该方法能够提高检测精度，降低将图片中矩形区域误判为马赛克的概率。
在本说明书的描述中，参考术语：“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种图片检测方法，其特征在于，包括：
计算输入的图片中每个像素点的梯度值响应，以生成所述图片对应的梯度图；
根据所述梯度图建立对应的梯度积分图；
利用所述梯度积分图筛选出可疑区域，并记录所述可疑区域的位置信息，所述利用所述梯度积分图筛选出可疑区域，包括：枚举所述梯度积分图中所有的矩形区域；计算所述矩形区域中梯度的第一平均值以及所述矩形区域四条边中每条边梯度的第二平均值；确定所述第一平均值小于第一阈值，且所述第二平均值大于第二阈值的矩形区域为可疑区域，其中，所述第二平均值大于第二阈值指的是每条边梯度的第二平均值均大于第二阈值；
根据所述可疑区域的位置信息对所述可疑区域进行连接性判断；
如果所述可疑区域通过所述连接性判断，则确定所述图片为马赛克图片。
2.如权利要求1所述的方法，其特征在于，计算输入的图片中每个像素点的梯度值响应，包括：
将所述图片转换为灰度图；
计算所述灰度图中每个像素点的灰度值；
根据所述灰度值计算出所述每个像素点的梯度值响应。
3.如权利要求2所述的方法，其特征在于，根据所述灰度值计算出所述每个像素点的梯度值响应，包括：
获取所述每个像素点的横向梯度和纵向梯度；
根据所述横向梯度和所述纵向梯度计算出所述每个像素点的梯度值响应。
4.如权利要求1所述的方法，其特征在于，根据所述可疑区域的位置信息对所述可疑区域进行连接性判断，包括：
根据所述可疑区域的位置信息计算任意两个可疑区域之间的距离；
当所述距离小于预设距离时，确定所述可疑区域通过所述连接性判断。
5.一种图片检测装置，其特征在于，包括：
生成模块，用于计算输入的图片中每个像素点的梯度值响应，以生成所述图片对应的梯度图；
建立模块，用于根据所述梯度图建立对应的梯度积分图；
筛选模块，用于利用所述梯度积分图筛选出可疑区域，并记录所述可疑区域的位置信息，所述筛选模块包括：枚举单元，用于枚举所述梯度积分图中所有的矩形区域；第三计算单元，用于计算所述矩形区域中梯度的第一平均值以及所述矩形区域四条边中每条边梯度的第二平均值；第一确定单元，用于确定所述第一平均值小于第一阈值，且所述第二平均值大于第二阈值的矩形区域为可疑区域，其中，所述第二平均值大于第二阈值指的是每条边梯度的第二平均值均大于第二阈值；
判断模块，用于根据所述可疑区域的位置信息对所述可疑区域进行连接性判断；
确定模块，用于如果所述可疑区域通过所述连接性判断，则确定所述图片为马赛克图片。
6.如权利要求5所述的装置，其特征在于，所述生成模块，包括：
转换单元，用于将所述图片转换为灰度图；
第一计算单元，用于计算所述灰度图中每个像素点的灰度值；
第二计算单元，用于根据所述灰度值计算出所述每个像素点的梯度值响应。
7.如权利要求6所述的装置，其特征在于，所述第二计算单元，用于：
获取所述每个像素点的横向梯度和纵向梯度，并根据所述横向梯度和所述纵向梯度计算出所述每个像素点的梯度值响应。
8.如权利要求5所述的装置，其特征在于，所述判断模块，包括：
第四计算单元，用于根据所述可疑区域的位置信息计算任意两个可疑区域之间的距离；
第二确定单元，用于当所述距离小于预设距离时，确定所述可疑区域通过所述连接性判断。
CN201610856323.XA 2016-09-27 2016-09-27 图片检测方法和装置 Active CN106447660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610856323.XA CN106447660B (zh) 2016-09-27 2016-09-27 图片检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610856323.XA CN106447660B (zh) 2016-09-27 2016-09-27 图片检测方法和装置

Publications (2)

Publication Number Publication Date
CN106447660A CN106447660A (zh) 2017-02-22
CN106447660B true CN106447660B (zh) 2019-01-25

Family

ID=58170764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610856323.XA Active CN106447660B (zh) 2016-09-27 2016-09-27 图片检测方法和装置

Country Status (1)

Country Link
CN (1) CN106447660B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI697871B (zh) * 2019-04-01 2020-07-01 中華電信股份有限公司 影像中含有馬賽克之檢查系統及其方法
CN111062331B (zh) * 2019-12-18 2023-09-05 银河互联网电视有限公司 图像的马赛克检测方法、装置、电子设备及存储介质
CN117789977A (zh) * 2023-11-30 2024-03-29 华中科技大学同济医学院附属同济医院 一种新型压疮智能预警和预防一体化方法和***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5510915A (en) * 1994-08-02 1996-04-23 Ge; Shichao Out-Active-Matrix-LCD
CN101551900A (zh) * 2008-03-31 2009-10-07 新奥特（北京）视频技术有限公司 一种视频马赛克图像检测方法
CN102087652A (zh) * 2009-12-08 2011-06-08 百度在线网络技术（北京）有限公司 图像筛选方法及其***
CN102542282A (zh) * 2010-12-16 2012-07-04 北京大学 一种无源图像马赛克检测方法及装置
KR20120084826A (ko) * 2011-01-21 2012-07-31 중앙대학교 산학협력단 에지 정보를 이용한 색종이 모자이크 영상 생성 장치 및 방법
CN102682287A (zh) * 2012-04-17 2012-09-19 电子科技大学 基于显著度信息的行人检测方法
CN103079029A (zh) * 2013-02-06 2013-05-01 上海风格信息技术股份有限公司 一种基于宏块边缘信息的数字电视马赛克识别方法
CN103281559A (zh) * 2013-05-31 2013-09-04 于京 视频质量检测的方法及***
CN103873852A (zh) * 2012-12-11 2014-06-18 上海文广互动电视有限公司 多模态并行的视频质量故障检测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5510915A (en) * 1994-08-02 1996-04-23 Ge; Shichao Out-Active-Matrix-LCD
CN101551900A (zh) * 2008-03-31 2009-10-07 新奥特（北京）视频技术有限公司 一种视频马赛克图像检测方法
CN102087652A (zh) * 2009-12-08 2011-06-08 百度在线网络技术（北京）有限公司 图像筛选方法及其***
CN102542282A (zh) * 2010-12-16 2012-07-04 北京大学 一种无源图像马赛克检测方法及装置
KR20120084826A (ko) * 2011-01-21 2012-07-31 중앙대학교 산학협력단 에지 정보를 이용한 색종이 모자이크 영상 생성 장치 및 방법
CN102682287A (zh) * 2012-04-17 2012-09-19 电子科技大学 基于显著度信息的行人检测方法
CN103873852A (zh) * 2012-12-11 2014-06-18 上海文广互动电视有限公司 多模态并行的视频质量故障检测方法及装置
CN103079029A (zh) * 2013-02-06 2013-05-01 上海风格信息技术股份有限公司 一种基于宏块边缘信息的数字电视马赛克识别方法
CN103281559A (zh) * 2013-05-31 2013-09-04 于京 视频质量检测的方法及***

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
An Improved Video Mosaic Block Detection Method Considering the Boundary of Macroblock;Quanwu Dong 等;《2012 Eighth International Conference on Intelligent Information Hiding and Multimedia Signal Processing》;20121231;195-198
Fast Mosaic Detection for Real-time Video Based on Template Matching Strategy;Huabing Zhang 等;《2012 International Conference on Image Analysis and Signal Processing》;20121231;1-4
Robust detection of mosaic regions in visual image data;Seok-Woo Jang 等;《Cluster Comput》;20160912;第19卷(第4期);2285-2293
Video Mosaic Block Detection Based on Template Matching and SVM;Xiaodong Huang 等;《The 9th International Conference for Young Computer Scientists》;20081231;1082-1086
基于比例梯度的马赛克检测算法;何滋鱼;《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》;20160815;第2016年卷(第08期);I138-825
监控摄像头干扰及图像异常检测***;李想;《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》;20160115;第2016年卷(第01期);I138-769
视频图像质量检测技术研究与实践;梁志敏;《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》;20131115;第2013年卷(第11期);I138-780
运动人体跟踪及特征行为识别;苏伯超;《中国博士学位论文全文数据库 信息科技辑（月刊）》;20110515;第2011年卷(第05期);I138-36

Also Published As

Publication number Publication date
CN106447660A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
Son et al. Real-time illumination invariant lane detection for lane departure warning system
CN106056155B (zh) 基于边界信息融合的超像素分割方法
CN105608456B (zh) 一种基于全卷积网络的多方向文本检测方法
CN105678700B (zh) 基于预测梯度的图像插值方法及***
CN105117726B (zh) 基于多特征区域累积的车牌定位方法
CN108921089A (zh) 车道线检测方法、装置和***及存储介质
CN104899586B (zh) 对图像中包含的文字内容进行识别方法及装置
CN106447660B (zh) 图片检测方法和装置
CN103136742B (zh) 前景检测装置及方法
CN101211411B (zh) 一种人体检测的方法和装置
CN107886507B (zh) 一种基于图像背景和空间位置的显著区域检测方法
CN107169953A (zh) 基于hog特征的桥梁混凝土表面裂缝检测方法
CN104766071B (zh) 一种应用于无人驾驶汽车的交通灯快速检测算法
CN108564814A (zh) 一种基于图像的停车场车位检测方法及装置
CN109670515A (zh) 一种用于无人机影像中建筑物变化的检测方法及***
CN101246593B (zh) 一种彩色图像边缘检测方法及设备
CN105139404A (zh) 一种可检测拍摄质量的证照相机及拍摄质量检测方法
CN108205649A (zh) 驾驶员开车接打电话的状态识别方法及装置
CN103049904B (zh) 一种图像提取方法及其***、电子证书制作方法及其***
CN111932537A (zh) 对象形变检测方法、装置、计算机设备和存储介质
CN106778633B (zh) 一种基于区域分割的行人识别方法
CN101551852A (zh) 训练***、训练方法和检测方法
CN102819850A (zh) 基于局部自适应色差阈值的彩色图像边缘检测的方法
CN108038486A (zh) 一种文字检测方法
CN105070094B (zh) 一种基于机器视觉的车位检测***及车位检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant