CN107481238A - 图像质量评估方法及装置 - Google Patents
图像质量评估方法及装置 Download PDFInfo
- Publication number
- CN107481238A CN107481238A CN201710854415.9A CN201710854415A CN107481238A CN 107481238 A CN107481238 A CN 107481238A CN 201710854415 A CN201710854415 A CN 201710854415A CN 107481238 A CN107481238 A CN 107481238A
- Authority
- CN
- China
- Prior art keywords
- target area
- image
- quality
- profile
- quality evaluation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013441 quality evaluation Methods 0.000 claims abstract description 83
- 238000001303 quality assessment method Methods 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000003628 erosive effect Effects 0.000 claims description 9
- 238000005530 etching Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明一方面提供了一种图像质量评估方法及装置。该图像质量评估方法包括:对待评估图像进行目标检测,以确定至少一个目标区域;对该至少一个目标区域分别进行质量评估,以确定该至少一个目标区域中的每个目标区域的质量评估结果;基于所确定的该至少一个目标区域中的每个目标区域的质量评估结果,对待评估图像进行质量评估。本发明所提供的图像质量评估方法使得图像质量评估过程关注感兴趣的目标区域,忽略无关紧要的区域的图像质量,从而实现对待评估图像进行质量评估,评估速度快,评估精度较高,客观有效地评估了待评估图像的质量。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种图像质量评估方法及装置。
背景技术
随着数码相机、监控摄像头、手机等数码设备的普及,数字图像应用越来越广泛。而实际应用中,比如:人脸识别、OCR、图像分类、智能监控等,对图像的质量也有一定的要求,如何有效地评估一副图像质量的好坏已经变得越来越重要。目前的图像质量评估方法,无论是有参考的方式还是无参考的评估方式,都基本上是基于对整副图像进行处理,得到其对应的质量指标。事实上,计算机用这种方式进行质量评估时并没有真正体现出人眼视觉的处理过程。人眼视觉***在评估周边场景时会实现自动对焦,这种对焦过程也就相当于寻找真正感兴趣的目标区域,也就是目标检测。图像中感兴趣区域(ROI)的质量对实际应用才更有意义。
因此,亟需一种图像质量评估方法和装置,使得图像质量评估过程更关注感兴趣的目标区域,忽略无关紧要的区域的图像质量。
发明内容
本发明针对上述问题,提出一种图像质量评估方法及装置。
本发明一方面提供了一种图像质量评估方法,所述方法包括:对待评估图像进行目标检测,以确定至少一个目标区域;对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果;基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
在一种实施方式中,对所述待评估图像进行目标检测的步骤包括:对从所述待评估图像得到的二值化图像的轮廓进行分类,以确定文本轮廓;基于所确定的文本轮廓,在指定方向上对文本进行合并,以确定所述至少一个目标区域。
在一种实施方式中,基于以下至少一个操作所确定的参数来对所述二值化图像的轮廓进行分类:确定所述二值化图像的轮廓内的非零像素个数;确定所述二值化图像的轮廓的高宽比以及宽高比;确定所述二值化图像的轮廓的指定方向范围内的指定方向邻域范围内存在的相似宽度轮廓的数目和相似高度轮廓的数目。
在一种实施方式中,基于所确定的文本轮廓,在指定方向上对文本进行合并的步骤包括:通过设置膨胀算子和腐蚀算子,在指定方向上对所确定的文本轮廓进行膨胀操作和腐蚀操作。
在一种实施方式中,对所述至少一个目标区域分别进行质量评估的步骤包括:基于所确定的所述至少一个目标区域和图像质量评估模型,确定所述至少一个目标区域中的每个目标区域的质量评估结果。
在一种实施方式中,对所述至少一个目标区域分别进行质量评估的步骤包括:基于对像素灰度值的统计来对所述至少一个目标区域中的每个目标区域进行质量评估。
在一种实施方式中,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估的步骤包括:通过质量加权平均的方式,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
在一种实施方式中,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果的步骤包括:采用无参考质量评价指标,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果,其中,所述无参考质量评价指标包括边缘强度、噪声率或统一亮度分布中的至少一个。
本发明另一方面提供了一种图像质量评估装置,所述装置包括:目标检测单元,被配置为对待评估图像进行目标检测,以确定至少一个目标区域;目标区域质量评估单元,被配置为对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果;待评估图像质量评估单元,被配置为基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
在一种实施方式中,所述目标检测单元包括:轮廓分类单元,被配置为从所述待评估图像得到的二值化图像的轮廓进行分类,以确定文本轮廓;文本合并单元,被配置为基于所确定的文本轮廓,在指定方向上对文本进行合并,以确定所述至少一个目标区域。
在一种实施方式中,所述轮廓分类单元还被配置为:基于以下至少一个操作所确定的参数来对所述二值化图像的轮廓进行分类:确定所述二值化图像的轮廓内的非零像素个数;确定所述二值化图像的轮廓的高宽比以及宽高比;以及确定所述二值化图像的轮廓的指定方向范围内的指定方向邻域范围内存在的相似宽度轮廓的数目和相似高度轮廓的数目。
在一种实施方式中,所述文本合并单元还被配置为:通过设置膨胀算子和腐蚀算子,在指定方向上对所确定的文本轮廓进行膨胀操作和腐蚀操作。
在一种实施方式中,所述目标区域质量评估单元还被配置为:基于所确定的所述至少一个目标区域和图像质量评估模型,确定所述至少一个目标区域中的每个目标区域的质量评估结果。
在一种实施方式中,所述目标区域质量评估单元还被配置为:基于对像素灰度值的统计来对所述至少一个目标区域中的每个目标区域进行质量评估。
在一种实施方式中,所述待评估图像质量评估单元还被配置为:通过质量加权平均的方式,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
在一种实施方式中,所述目标区域质量评估单元还被配置为:采用无参考质量评价指标,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果,其中,所述无参考质量评价指标包括边缘强度、噪声率或统一亮度分布中的至少一个。
本发明的另一方面还提供了一种计算机存储介质,其上存储有处理器可执行程序,当所述处理器执行所述可执行程序时,进行以下步骤:对待评估图像进行目标检测,以确定至少一个目标区域;对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果;基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
在一种实施方式中,当所述处理器执行所述可执行程序时,对所述待评估图像进行目标检测的步骤包括:对从所述待评估图像得到的二值化图像的轮廓进行分类,以确定文本轮廓;基于所确定的文本轮廓,在指定方向上对文本进行合并,以确定所述至少一个目标区域。
在一种实施方式中,当所述处理器执行所述可执行程序时,基于以下至少一个操作所确定的参数来对所述二值化图像的轮廓进行分类:确定所述二值化图像的轮廓内的非零像素个数;确定所述二值化图像的轮廓的高宽比以及宽高比;确定所述二值化图像的轮廓的指定方向范围内的指定方向邻域范围内存在的相似宽度轮廓的数目和相似高度轮廓的数目。
在一种实施方式中,当所述处理器执行所述可执行程序时,基于所确定的文本轮廓,在指定方向上对文本进行合并的步骤包括:通过设置膨胀算子和腐蚀算子,在指定方向上对所确定的文本轮廓进行膨胀操作和腐蚀操作。
在一种实施方式中,当所述处理器执行所述可执行程序时,对所述至少一个目标区域分别进行质量评估的步骤包括:基于所确定的所述至少一个目标区域和图像质量评估模型,确定所述至少一个目标区域中的每个目标区域的质量评估结果。
在一种实施方式中,当所述处理器执行所述可执行程序时,对所述至少一个目标区域分别进行质量评估的步骤包括:基于对像素灰度值的统计来对所述至少一个目标区域中的每个目标区域进行质量评估。
在一种实施方式中,当所述处理器执行所述可执行程序时,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估的步骤包括:通过质量加权平均的方式,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
在一种实施方式中,当所述处理器执行所述可执行程序时,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果的步骤包括:采用无参考质量评价指标,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果,其中,所述无参考质量评价指标包括边缘强度、噪声率或统一亮度分布中的至少一个。
本发明所提供的图像质量评估方法使得图像质量评估过程通过关注感兴趣的目标区域,忽略无关紧要的区域的图像质量,从而实现对待评估图像进行质量评估,评估速度快,评估精度较高,客观有效地评估了待评估图像的质量,使质量评估结果尽可能与人眼感知保持一致。
附图说明
图1是根据本发明实施例的图像质量评估方法的流程图;
图2是根据本发明实施例的文本图像质量评估方法的流程图;
图3是根据本发明实施例的一个文本图像的示例;
图4是图3的文本图像的二值化图像;
图5是对图3进行目标检测后得到的文本行区域的示意图;
图6是根据本发明实施例的图像质量评估模型的合成图像的一个示意图;
图7是图3的文本图像的评估结果;
图8是根据本发明实施例的另一个文本图像的示例;
图9是图8的文本图像的二值化图像;
图10是图8进行目标检测后得到的文本行区域的示意图;
图11是图8的文本图像的评估结果;
图12是根据本发明实施例的图像质量评估装置的示意图。
具体实施方式
在以下优选的实施例的具体描述中,将参考构成本发明一部分的所附的附图。所附的附图通过示例的方式示出了能够实现本发明的特定的实施例。示例的实施例并不旨在穷尽根据本发明的所有实施例。可以理解,在不偏离本发明的范围的前提下,可以利用其他实施例,也可以进行结构性或者逻辑性的修改。因此,以下的具体描述并非限制性的,且本发明的范围由所附的权利要求所限定。
图1是根据本发明实施例的图像质量评估方法的流程图。
本发明提供了一种质量评估方法,该方法包括如图1所示的步骤:
S101:对待评估图像进行目标检测,以确定至少一个目标区域;
S102:对该至少一个目标区域分别进行质量评估,以确定该至少一个目标区域中的每个目标区域的质量评估结果;
S103:基于所确定的该至少一个目标区域的每个目标区域的质量评估结果,对待评估图像进行质量评估。
为了评估图像质量,首先需要检测图像中的目标区域。应理解的是,感兴趣的目标区域不同,采用目标检测方法不同。对待评估图像可以采用基于传统的特征提取方式进行目标检测、基于深度神经网络的方式进行目标检测(如CTPN方法)、基于统计的目标检测方法(比如,Haar分类器)、基于深度学习的目标检测方法(比如,Fater-rcnn)等,其中,待评估图像可以包括任意对象,譬如,动物、人脸、食品、汽车或文本行图像等。本文的待评估图像可以是彩色图像,也可以是灰度图像。进行目标检测之后返回的结果为多个感兴趣的目标区域,这些目标区域以图像的形式保存。
本文中,质量评估采用无参考质量评价指标,具体包括边缘强度、噪声率或统一亮度分布等。此外,在质量评估之前可以采用基于机器学习的方法训练质量评估模型,以用于对输入的待评估图像进行质量评估。模型训练需要预先收集各种目标区域图像,并进行质量标注,质量标注的大小,比如由数值0-100范围内的整数表示,标注数值越大表示对应图像质量越好,应理解,也可以采用其它合适的方式对质量标注的大小进行定义。在一种实施方式中,模型训练采用基于深度学习(卷积神经网络CNN)的训练方法,以确定较高准确度的图像质量模型。
此外,本文中,基于确定的至少一个目标区域中的每个目标区域的质量评估结果对待评估图像进行质量评估时,采用对至少一个目标区域中的每个目标质量区域的质量评估结果进行加权平均的方式,可以根据各个目标区域的重要性分别赋权值,目标区域的重要性取决于目标区域的大小、清晰度、对该目标区域的感兴趣程度等。当认为目标区域具有相同重要性时,加权平均的方式演变为各个目标区域的质量评估结果的算术平均。
以下结合附图对实施例作进行进一步详细的描述。
图2是根据本发明的文本图像质量评估方法的流程图,如图2所示,该方法包括如下步骤:
S201:输入待评估图像;
在该步骤中,待评估图像为文本图像(例如图3或图8所示),文本行是图像中感兴趣的目标,对文本行进行目标检测的目的是检测出文本行在图像中的位置。
S202:如果待评估图像是彩色图像,则执行步骤S103,否则跳过S103执行步骤S204;
S203:对彩色图像进行灰度化处理;
S204:对待处理灰度图像进行二值化处理;
在该步骤中,当输入的待评估图像为灰度图像(例如图3和图8所示)时,待评估图像即为待处理灰度图像,在执行完步骤S202后不经过步骤S203,直接到步骤S204,对待评估图像进行二值化处理;当输入的待评估图像为彩色图像时,待评估灰度图像为经过步骤S203灰度化处理的图像。本实施例中采用局部自适应二值化方法对待处理灰度图像进行二值化处理,即根据像素邻域的像素值分布来确定像素位置上的二值化阈值,对待处理灰度图像中的所有像素点,执行如下操作:
以像素点为中心,选取N×N邻域区域,在一种实施方式中,N在[2,5]之间;
计算该邻域范围内所有像素的均值;
将上步中计算得到的均值减去补偿常量Q,得到该像素的阈值,在一种实施方式中,Q在[2,7]之间;
将该像素值与上步求得的阈值作比较,若该像素值大于该阈值,则在图像中将该像素值设置为255,否则在图像中将该像素值设置为0。对图3和图8的图像进行二值化处理后,可得到对应的如图4和图9所示的二值化图像。
S205:对二值化图像的所有轮廓进行分类并去除非文本类轮廓,以确定文本轮廓,对二值化图像中的每一个轮廓进行如下操作:
确定轮廓范围内的非零像素值的个数nonz;
确定轮廓的高宽比hw以及宽高比wh;
确定轮廓的横向轮廓范围内横向邻域范围内(应理解,横向可以替换为纵向或任意合适的方向)存在的相似宽度轮廓数目SW和相似高度的轮廓数目SH;
若nonz小于第一阈值,和/或hw大于第二阈值并且SH小于第三阈值,和/或wh大于第四阈值且SW小于第五阈值,则认为上述轮廓皆为非文本轮廓,在二值化图像中将轮廓范围内所有位置的像素值置为0。在一种实施方式中,第一阈值在[2,5]之间,第二阈值在[8,12]之间,第三阈值在[2,5]之间,第四阈值在[8,12]之间,以及第五阈值在[2,5]之间。宽度为W并且高度为H的轮廓的相似宽度轮廓定义为该轮廓宽度范围在[0.7W,1.3W]之间,相似高度轮廓的轮廓高度在[0.7H,1.3H]之间。
S206:基于所确定的文本轮廓,对文本行进行合并,以确定文本行区域;
在该步骤中,具体地,将经步骤S205处理后的二值化图像中的轮廓在水平方向上(应理解,也可以在垂直方向上或任意合适的方向上)进行膨胀操作和腐蚀操作,得到文本行区域。其中,膨胀操作是对操作对象进行边界添加,而腐蚀则是删除对象边界的某些像素,其中,边界的定义由相应的操作算子给出,如膨胀算子大小为5×1,则以此像素为中心,将5×1的邻域范围内的像素均设置为目标像素,步骤S204、S205完成后,再利用大小为5×1的膨胀算子进行20次膨胀操作,以及利用大小为5×1的腐蚀算子进行15次腐蚀操作,以所有轮廓的外接矩形为掩码,可得到图像的文本行区域,应理解,在具体操作中,本领域技术人员可以对膨胀算子、膨胀操作次数和腐蚀次数做适当的调整。图5和图10为待评估图像完成步骤S206之后得到的文本行区域。
步骤S207:对S106中检测到的文本行区域进行质量评估。
在质量评估步骤之前,采用基于深度学习的方法预先训练一个面向文本行区域的图像质量评估模型。其中,训练的文本行数据可以自己合成,也可以直接从文本图像中截取标注。自合成的文本行首先从常用的中文单字、英文单词以及中英文常用标点符号中随机选取候选字符组成字符串,然后将字符串与不同背景图像相融合,再添加不同程度的模糊,再压缩成不同程度的质量并保存。根据合成图像的质量参数,标记对应图像的质量,大小为0-100之间,图6为合成图像的一个示意图。
分别将图5中的10个文本行区域和图10中的4个文本行区域输入到训练好的面向文本行区域的图像质量评估模型,得到相应的文本行区域质量评估结果。图7显示了图5的所有文本行区域line_1、line_2、line_3、line_4、line_5、line_6、line_7、line_8、line_9和line_10的质量评估结果,图11显示了图10的所有文本行区域line_1a、line_2a、line_3a和line_4a的质量评估结果。
步骤S108:基于S107中得到的文本行区域的质量评估结果,通过质量加权平均的方式对待评估图像进行质量评估;
其中,加权值根据目标区域的重要性来确定,在本实施例中,假定目标区域的重要性相同,于是加权平均的方式简化为算术平均的方式,图3的文本图像的质量评估结果为图6所示的所有文本行区域line_1、line_2、line_3、line_4、line_5、line_6、line_7、line_8、line_9和line_10的质量评估结果的平均值,大小为16,图8的文本图像的质量评估结果为图11所示的所有文本行区域line_1a、line_2a、line_3a和line_4a的质量评估结果的平均值,大小为97。
通过上述描述可以看出,采用上述实施例的质量评估方法,关注感兴趣的目标区域,评估速度快,评估精度较高,有效地评估文本图像的质量,方便对质量不同的文本图像做后续处理。
在另一实施例中,质量评估的流程同样可以包括步骤S101、S102和S103。具体而言,在目标检测步骤中可以采用基于深度学***均的方式对待评估图像进行质量评估。
图12根据本发明实施例的图像质量评估装置的示意图。
本发明还提供了如图12所示的一种质量评估装置1200,该装置包括目标检测单元1201、目标区域质量评估单元1202和待评估图像质量评估单元1203。具体地,目标检测单元1201被配置为对待评估图像进行检测,以确目标区域。目标区域质量评估单元1202被配置为对目标检测单元1201中确定的目标区域进行质量评估,以确定目标区域的质量评估结果。待评估图像质量评估单元1203被配置为基于目标区域质量评估单元1202中所确定的目标区域的质量评估结果,对待评估图像进行质量评估。譬如,待评估图像质量评估单元1203可以通过质量加权平均的方式对待评估图像进行质量评估。
此外,目标检测单元1201包括轮廓分类模块1202a和文本合并模块1202b。轮廓分类单元1202a被配置为基于以下至少一个操作所确定的参数来对所述二值化图像的轮廓进行分类,以确定文本轮廓:确定二值化图像的轮廓内的非零像素个数nonz;确定二值化图像的轮廓的高宽比hw以及宽高比wh;以及确定二值化图像的轮廓的指定方向范围内的指定方向邻域范围内存在的相似宽度轮廓的数目SW和相似高度轮廓的数目SH。文本合并单元1202b还被配置为通过设置膨胀算子和腐蚀算子,在指定方向上对所确定的文本轮廓进行膨胀操作和腐蚀操作。文本合并单元1202b被配置为基于轮廓分类单元1202a中所确定的文本轮廓,在指定方向上对文本进行合并,以确定目标区域。
在一种实施方式中,目标区域质量评估单元1202还被配置为基于所确定的目标区域和图像质量评估模型,确定目标区域的质量评估结果。
在另一种实施方式中,目标区域质量评估单元1202还被配置为基于对像素灰度值的统计来对目标区域进行质量评估。
图1、2中的质量评估方法的流程还代表机器可读指令,该机器可读指令包括由处理器执行的程序。该程序可被实体化在被存储于有形计算机可读介质的软件中,该有形计算机可读介质如CD-ROM、软盘、硬盘、数字通用光盘(DVD)、蓝光光盘或其它形式的存储器。替代的,图1中的示例方法中的一些步骤或所有步骤可利用专用集成电路(ASIC)、可编程逻辑器件(PLD)、现场可编程逻辑器件(EPLD)、离散逻辑、硬件、固件等的任意组合被实现。另外,虽然图1所示的流程图描述了该质量评估方法,但可对该质量评估方法中的步骤进行修改、删除或合并。
如上所述,可利用编码指令(如计算机可读指令)来实现图1的示例过程,该编程指令存储于有形计算机可读介质上,如硬盘、闪存、只读存储器(ROM)、光盘(CD)、数字通用光盘(DVD)、高速缓存器、随机访问存储器(RAM)和/或任何其他存储介质,在该存储介质上信息可以存储任意时间(例如,长时间,永久地,短暂的情况,临时缓冲,和/或信息的缓存)。如在此所用的,该术语有形计算机可读介质被明确定义为包括任意类型的计算机可读存储的信号。附加地或替代地,可利用编码指令(如计算机可读指令)实现图1的示例过程,该编码指令存储于非暂时性计算机可读介质,如硬盘,闪存,只读存储器,光盘,数字通用光盘,高速缓存器,随机访问存储器和/或任何其他存储介质,在该存储介质信息可以存储任意时间(例如,长时间,永久地,短暂的情况,临时缓冲,和/或信息的缓存)。
虽然参照特定的示例来描述了本发明,其中这些特定的示例仅仅旨在是示例性的,而不是对本发明进行限制,但对于本领域普通技术人员来说显而易见的是,在不脱离本发明的精神和保护范围的基础上,可以对所公开的实施例进行改变、增加或者删除。
Claims (24)
1.一种图像质量评估方法,其特征在于,包括:
对待评估图像进行目标检测,以确定至少一个目标区域;
对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果;
基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
2.根据权利要求1所述的图像质量评估方法,其特征在于,对所述待评估图像进行目标检测的步骤包括:
对从所述待评估图像得到的二值化图像的轮廓进行分类,以确定文本轮廓;
基于所确定的文本轮廓,在指定方向上对文本进行合并,以确定所述至少一个目标区域。
3.根据权利要求2所述的图像质量评估方法,其特征在于,基于以下至少一个操作所确定的参数来对所述二值化图像的轮廓进行分类:
确定所述二值化图像的轮廓内的非零像素个数;
确定所述二值化图像的轮廓的高宽比以及宽高比;
确定所述二值化图像的轮廓的指定方向范围内的指定方向邻域范围内存在的相似宽度轮廓的数目和相似高度轮廓的数目。
4.根据权利要求2所述的图像质量评估方法,其特征在于,基于所确定的文本轮廓,在指定方向上对文本进行合并的步骤包括:
通过设置膨胀算子和腐蚀算子,在指定方向上对所确定的文本轮廓进行膨胀操作和腐蚀操作。
5.根据权利要求1所述的图像质量评估方法,其特征在于,对所述至少一个目标区域分别进行质量评估的步骤包括:
基于所确定的所述至少一个目标区域和图像质量评估模型,确定所述至少一个目标区域中的每个目标区域的质量评估结果。
6.根据权利要求1所述的图像质量评估方法,其特征在于,对所述至少一个目标区域分别进行质量评估的步骤包括:
基于对像素灰度值的统计来对所述至少一个目标区域中的每个目标区域进行质量评估。
7.根据权利要求1所述的图像质量评估方法,其特征在于,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估的步骤包括:
通过质量加权平均的方式,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
8.根据权利要求1所述的图像质量评估方法,其特征在于,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果的步骤包括:
采用无参考质量评价指标,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果,
其中,所述无参考质量评价指标包括边缘强度、噪声率或统一亮度分布中的至少一个。
9.一种图像质量评估装置,其特征在于,包括:
目标检测单元,被配置为对待评估图像进行目标检测,以确定至少一个目标区域;
目标区域质量评估单元,被配置为对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果;
待评估图像质量评估单元,被配置为基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
10.根据权利要求9所述的图像质量评估装置,其特征在于,所述目标检测单元包括:
轮廓分类单元,被配置为对从所述待评估图像得到的二值化图像的轮廓进行分类,以确定文本轮廓;
文本合并单元,被配置为基于所确定的文本轮廓,在指定方向上对文本进行合并,以确定所述至少一个目标区域。
11.根据权利要求10所述的图像质量评估装置,其特征在于,所述轮廓分类单元还被配置为:基于以下至少一个操作所确定的参数来对所述二值化图像的轮廓进行分类:
确定所述二值化图像的轮廓内的非零像素个数;
确定所述二值化图像的轮廓的高宽比以及宽高比;
确定所述二值化图像的轮廓的指定方向范围内的指定方向邻域范围内存在的相似宽度轮廓的数目和相似高度轮廓的数目。
12.根据权利要求10所述的图像质量评估装置,其特征在于,所述文本合并单元还被配置为:通过设置膨胀算子和腐蚀算子,在指定方向上对所确定的文本轮廓进行膨胀操作和腐蚀操作。
13.根据权利要求9所述的图像质量评估装置,其特征在于,所述目标区域质量评估单元还被配置为:基于所确定的所述至少一个目标区域和图像质量评估模型,确定所述至少一个目标区域中的每个目标区域的质量评估结果。
14.根据权利要求9所述的图像质量评估装置,其特征在于,所述目标区域质量评估单元还被配置为:基于对像素灰度值的统计来对所述至少一个目标区域中的每个目标区域进行质量评估。
15.根据权利要求9所述的图像质量评估装置,其特征在于,所述待评估图像质量评估单元还被配置为:
通过质量加权平均的方式,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
16.根据权利要求9所述的图像质量评估装置,其特征在于,所述目标区域质量评估单元还被配置为:采用无参考质量评价指标,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果,其中,所述无参考质量评价指标包括边缘强度、噪声率或统一亮度分布中的至少一个。
17.一种计算机存储介质,其上存储有处理器可执行程序,当所述处理器执行所述可执行程序时,进行以下步骤:.
对待评估图像进行目标检测,以确定至少一个目标区域;
对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果;
基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
18.根据权利要求17所述的计算机存储介质,其特征在于,当所述处理器执行所述可执行程序时,对所述待评估图像进行目标检测的步骤包括:
对从所述待评估图像得到的二值化图像的轮廓进行分类,以确定文本轮廓;
基于所确定的文本轮廓,在指定方向上对文本进行合并,以确定所述至少一个目标区域。
19.根据权利要求18所述的计算机存储介质,其特征在于,当所述处理器执行所述可执行程序时,基于以下至少一个操作所确定的参数来对所述二值化图像的轮廓进行分类:
确定所述二值化图像的轮廓内的非零像素个数;
确定所述二值化图像的轮廓的高宽比以及宽高比;
确定所述二值化图像的轮廓的指定方向范围内的指定方向邻域范围内存在的相似宽度轮廓的数目和相似高度轮廓的数目。
20.根据权利要求18所述的计算机存储介质,其特征在于,当所述处理器执行所述可执行程序时,基于所确定的文本轮廓,在指定方向上对文本进行合并的步骤包括:
通过设置膨胀算子和腐蚀算子,在指定方向上对所确定的文本轮廓进行膨胀操作和腐蚀操作。
21.根据权利要求17所述的计算机存储介质,其特征在于,当所述处理器执行所述可执行程序时,对所述至少一个目标区域分别进行质量评估的步骤包括:
基于所确定的所述至少一个目标区域和图像质量评估模型,确定所述至少一个目标区域中的每个目标区域的质量评估结果。
22.根据权利要求17所述的计算机存储介质,其特征在于,当所述处理器执行所述可执行程序时,对所述至少一个目标区域分别进行质量评估的步骤包括:
基于对像素灰度值的统计来对所述至少一个目标区域中的每个目标区域进行质量评估。
23.根据权利要求17所述的计算机存储介质,其特征在于,当所述处理器执行所述可执行程序时,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估的步骤包括:
通过质量加权平均的方式,基于所确定的所述至少一个目标区域中的每个目标区域的质量评估结果,对所述待评估图像进行质量评估。
24.根据权利要求17所述的计算机存储介质,其特征在于,当所述处理器执行所述可执行程序时,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果的步骤包括:
采用无参考质量评价指标,对所述至少一个目标区域分别进行质量评估,以确定所述至少一个目标区域中的每个目标区域的质量评估结果,其中,所述无参考质量评价指标包括边缘强度、噪声率或统一亮度分布中的至少一个。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710854415.9A CN107481238A (zh) | 2017-09-20 | 2017-09-20 | 图像质量评估方法及装置 |
SG11201907815V SG11201907815VA (en) | 2017-09-20 | 2018-09-19 | Method for assessing image quality and device thereof |
JP2020504760A JP2020513133A (ja) | 2017-09-20 | 2018-09-19 | 画像品質の評価方法及び装置 |
PCT/CN2018/106451 WO2019057067A1 (zh) | 2017-09-20 | 2018-09-19 | 图像质量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710854415.9A CN107481238A (zh) | 2017-09-20 | 2017-09-20 | 图像质量评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107481238A true CN107481238A (zh) | 2017-12-15 |
Family
ID=60586643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710854415.9A Pending CN107481238A (zh) | 2017-09-20 | 2017-09-20 | 图像质量评估方法及装置 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2020513133A (zh) |
CN (1) | CN107481238A (zh) |
SG (1) | SG11201907815VA (zh) |
WO (1) | WO2019057067A1 (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122231A (zh) * | 2018-01-10 | 2018-06-05 | 山东华软金盾软件股份有限公司 | 监控视频下基于roi拉普拉斯算法的图像质量评价方法 |
CN108460766A (zh) * | 2018-04-12 | 2018-08-28 | 四川和生视界医药技术开发有限公司 | 一种视网膜图像清晰度评估方法以及评估装置 |
CN108596084A (zh) * | 2018-04-23 | 2018-09-28 | 宁波Gqy视讯股份有限公司 | 一种充电桩自动识别方法及装置 |
CN108805172A (zh) * | 2018-05-08 | 2018-11-13 | 重庆瑞景信息科技有限公司 | 一种面向对象的图像效能盲评价方法 |
CN108875731A (zh) * | 2017-12-28 | 2018-11-23 | 北京旷视科技有限公司 | 目标识别方法、装置、***及存储介质 |
CN109104568A (zh) * | 2018-07-24 | 2018-12-28 | 苏州佳世达光电有限公司 | 监控摄像头的智能清洁驱动方法及驱动*** |
WO2019057067A1 (zh) * | 2017-09-20 | 2019-03-28 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
CN109948625A (zh) * | 2019-03-07 | 2019-06-28 | 上海汽车集团股份有限公司 | 文本图像清晰度评估方法及***、计算机可读存储介质 |
CN110245577A (zh) * | 2019-05-23 | 2019-09-17 | 复钧智能科技(苏州)有限公司 | 目标车辆识别方法、装置及车辆实时监控*** |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN110287826A (zh) * | 2019-06-11 | 2019-09-27 | 北京工业大学 | 一种基于注意力机制的视频目标检测方法 |
CN110414519A (zh) * | 2019-06-27 | 2019-11-05 | 众安信息技术服务有限公司 | 一种图片文字的识别方法及其识别装置 |
CN110827261A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 图像质量检测方法及装置、存储介质及电子设备 |
CN110874547A (zh) * | 2018-08-30 | 2020-03-10 | 富士通株式会社 | 从视频中识别对象的方法和设备 |
CN111192241A (zh) * | 2019-12-23 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种人脸图像的质量评估方法、装置及计算机存储介质 |
CN111368837A (zh) * | 2018-12-25 | 2020-07-03 | 中移(杭州)信息技术有限公司 | 一种图像质量评价方法、装置、电子设备及存储介质 |
CN111417981A (zh) * | 2018-03-12 | 2020-07-14 | 华为技术有限公司 | 一种图像清晰度检测方法及装置 |
CN111595267A (zh) * | 2020-05-18 | 2020-08-28 | 浙江大华技术股份有限公司 | 确定物体相位值的方法、装置、存储介质及电子装置 |
CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
CN112396050A (zh) * | 2020-12-02 | 2021-02-23 | 上海优扬新媒信息技术有限公司 | 图像的处理方法、设备以及存储介质 |
CN112396574A (zh) * | 2019-08-02 | 2021-02-23 | 浙江宇视科技有限公司 | 一种车牌图像质量处理方法、装置、存储介质及电子设备 |
WO2021082819A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
CN112801132A (zh) * | 2020-12-28 | 2021-05-14 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
CN112991313A (zh) * | 2021-03-29 | 2021-06-18 | 清华大学 | 图像质量的评估方法及装置、电子设备和存储介质 |
CN113506260A (zh) * | 2021-07-05 | 2021-10-15 | 北京房江湖科技有限公司 | 一种人脸图像质量评估方法、装置、电子设备及存储介质 |
CN113537192A (zh) * | 2021-06-30 | 2021-10-22 | 北京百度网讯科技有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN113627419A (zh) * | 2020-05-08 | 2021-11-09 | 百度在线网络技术(北京)有限公司 | 兴趣区域评估方法、装置、设备和介质 |
CN113781428A (zh) * | 2021-09-09 | 2021-12-10 | 广东电网有限责任公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN114067006A (zh) * | 2022-01-17 | 2022-02-18 | 湖南工商大学 | 一种基于离散余弦变换的屏幕内容图像质量评价方法 |
CN114219803A (zh) * | 2022-02-21 | 2022-03-22 | 浙江大学 | 一种三阶段图像质量评估的检测方法与*** |
CN114387254A (zh) * | 2022-01-12 | 2022-04-22 | 中国平安人寿保险股份有限公司 | 一种文档质量分析方法、装置、计算机设备及存储介质 |
WO2024119322A1 (zh) * | 2022-12-05 | 2024-06-13 | 深圳华大生命科学研究院 | 灰度图像质量评估的方法及装置、电子设备和存储介质 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110236544B (zh) * | 2019-05-29 | 2023-05-02 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测***及方法 |
CN110232381B (zh) * | 2019-06-19 | 2023-06-20 | 梧州学院 | 车牌分割方法、装置、计算机设备及计算机可读存储介质 |
CN111046886B (zh) * | 2019-12-12 | 2023-05-12 | 吉林大学 | 号码牌自动识别方法、装置、设备及计算机可读存储介质 |
CN111192258A (zh) * | 2020-01-02 | 2020-05-22 | 广州大学 | 一种图像质量评估方法及装置 |
CN111275681B (zh) * | 2020-01-19 | 2023-09-01 | 浙江大华技术股份有限公司 | 图片质量的确定方法及装置、存储介质、电子装置 |
CN111696083B (zh) * | 2020-05-20 | 2024-05-14 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112365451B (zh) * | 2020-10-23 | 2024-06-21 | 微民保险代理有限公司 | 图像质量等级的确定方法、装置、设备及计算机可读介质 |
CN112287898B (zh) * | 2020-11-26 | 2024-07-05 | 深源恒际科技有限公司 | 一种图像的文本检测质量评价方法及*** |
CN112767318B (zh) * | 2020-12-31 | 2023-07-25 | 科大讯飞股份有限公司 | 一种图像处理效果的评价方法、装置、存储介质及设备 |
CN113450323B (zh) * | 2021-06-22 | 2022-12-06 | 深圳盈天下视觉科技有限公司 | 质量检测方法、装置、电子设备及计算机可读存储介质 |
CN113724196A (zh) * | 2021-07-16 | 2021-11-30 | 北京工业大学 | 图像质量评价方法、装置、设备及存储介质 |
CN115239961B (zh) * | 2022-09-21 | 2022-12-20 | 江苏跃格智能装备有限公司 | 一种激光切割机工作状态监测方法 |
CN116246273B (zh) * | 2023-03-07 | 2024-03-22 | 广州市易鸿智能装备有限公司 | 图像标注一致性评价方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533474A (zh) * | 2008-03-12 | 2009-09-16 | 三星电子株式会社 | 基于视频图像的字符和图像识别***和方法 |
CN102054271A (zh) * | 2009-11-02 | 2011-05-11 | 富士通株式会社 | 文本行检测方法和装置 |
US20160283787A1 (en) * | 2008-01-18 | 2016-09-29 | Mitek Systems, Inc. | Systems and methods for mobile image capture and content processing of driver's licenses |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3400151B2 (ja) * | 1994-12-08 | 2003-04-28 | 株式会社東芝 | 文字列領域抽出装置および方法 |
JP3710164B2 (ja) * | 1995-05-02 | 2005-10-26 | キヤノン株式会社 | 画像処理装置及び方法 |
JP2003208568A (ja) * | 2002-01-10 | 2003-07-25 | Ricoh Co Ltd | 画像処理装置、画像処理方法、及び同方法に用いるプログラム |
JP2007156741A (ja) * | 2005-12-02 | 2007-06-21 | Koito Ind Ltd | 文字抽出方法、文字抽出装置およびプログラム |
JP4821869B2 (ja) * | 2009-03-18 | 2011-11-24 | 富士ゼロックス株式会社 | 文字認識装置、画像読取装置、およびプログラム |
CN103049893B (zh) * | 2011-10-14 | 2015-12-16 | 深圳信息职业技术学院 | 一种图像融合质量评价的方法及装置 |
CN106686377B (zh) * | 2016-12-30 | 2018-09-04 | 佳都新太科技股份有限公司 | 一种基于深层神经网络的视频重点区域确定方法 |
CN107123122B (zh) * | 2017-04-28 | 2020-06-12 | 深圳大学 | 无参考图像质量评价方法及装置 |
CN107481238A (zh) * | 2017-09-20 | 2017-12-15 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
-
2017
- 2017-09-20 CN CN201710854415.9A patent/CN107481238A/zh active Pending
-
2018
- 2018-09-19 SG SG11201907815V patent/SG11201907815VA/en unknown
- 2018-09-19 JP JP2020504760A patent/JP2020513133A/ja active Pending
- 2018-09-19 WO PCT/CN2018/106451 patent/WO2019057067A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160283787A1 (en) * | 2008-01-18 | 2016-09-29 | Mitek Systems, Inc. | Systems and methods for mobile image capture and content processing of driver's licenses |
CN101533474A (zh) * | 2008-03-12 | 2009-09-16 | 三星电子株式会社 | 基于视频图像的字符和图像识别***和方法 |
CN102054271A (zh) * | 2009-11-02 | 2011-05-11 | 富士通株式会社 | 文本行检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
周景超: "视频文本检测算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
王志明: "无参考图像质量评价综述", 《自动化学报》 * |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019057067A1 (zh) * | 2017-09-20 | 2019-03-28 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
CN108875731A (zh) * | 2017-12-28 | 2018-11-23 | 北京旷视科技有限公司 | 目标识别方法、装置、***及存储介质 |
CN108122231B (zh) * | 2018-01-10 | 2021-09-24 | 山东华软金盾软件股份有限公司 | 监控视频下基于roi拉普拉斯算法的图像质量评价方法 |
CN108122231A (zh) * | 2018-01-10 | 2018-06-05 | 山东华软金盾软件股份有限公司 | 监控视频下基于roi拉普拉斯算法的图像质量评价方法 |
CN111417981A (zh) * | 2018-03-12 | 2020-07-14 | 华为技术有限公司 | 一种图像清晰度检测方法及装置 |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN108460766B (zh) * | 2018-04-12 | 2022-02-25 | 四川和生视界医药技术开发有限公司 | 一种视网膜图像清晰度评估方法以及评估装置 |
CN108460766A (zh) * | 2018-04-12 | 2018-08-28 | 四川和生视界医药技术开发有限公司 | 一种视网膜图像清晰度评估方法以及评估装置 |
CN108596084A (zh) * | 2018-04-23 | 2018-09-28 | 宁波Gqy视讯股份有限公司 | 一种充电桩自动识别方法及装置 |
CN108805172A (zh) * | 2018-05-08 | 2018-11-13 | 重庆瑞景信息科技有限公司 | 一种面向对象的图像效能盲评价方法 |
CN109104568A (zh) * | 2018-07-24 | 2018-12-28 | 苏州佳世达光电有限公司 | 监控摄像头的智能清洁驱动方法及驱动*** |
CN110874547A (zh) * | 2018-08-30 | 2020-03-10 | 富士通株式会社 | 从视频中识别对象的方法和设备 |
CN110874547B (zh) * | 2018-08-30 | 2023-09-12 | 富士通株式会社 | 从视频中识别对象的方法和设备 |
CN111368837B (zh) * | 2018-12-25 | 2023-12-05 | 中移(杭州)信息技术有限公司 | 一种图像质量评价方法、装置、电子设备及存储介质 |
CN111368837A (zh) * | 2018-12-25 | 2020-07-03 | 中移(杭州)信息技术有限公司 | 一种图像质量评价方法、装置、电子设备及存储介质 |
CN109948625A (zh) * | 2019-03-07 | 2019-06-28 | 上海汽车集团股份有限公司 | 文本图像清晰度评估方法及***、计算机可读存储介质 |
CN110245577A (zh) * | 2019-05-23 | 2019-09-17 | 复钧智能科技(苏州)有限公司 | 目标车辆识别方法、装置及车辆实时监控*** |
CN110287826A (zh) * | 2019-06-11 | 2019-09-27 | 北京工业大学 | 一种基于注意力机制的视频目标检测方法 |
CN110287826B (zh) * | 2019-06-11 | 2021-09-17 | 北京工业大学 | 一种基于注意力机制的视频目标检测方法 |
CN110414519B (zh) * | 2019-06-27 | 2023-11-14 | 众安信息技术服务有限公司 | 一种图片文字的识别方法及其识别装置、存储介质 |
CN110414519A (zh) * | 2019-06-27 | 2019-11-05 | 众安信息技术服务有限公司 | 一种图片文字的识别方法及其识别装置 |
CN112396574A (zh) * | 2019-08-02 | 2021-02-23 | 浙江宇视科技有限公司 | 一种车牌图像质量处理方法、装置、存储介质及电子设备 |
CN112396574B (zh) * | 2019-08-02 | 2024-02-02 | 浙江宇视科技有限公司 | 一种车牌图像质量处理方法、装置、存储介质及电子设备 |
US11836898B2 (en) | 2019-10-31 | 2023-12-05 | Beijing Kingsoft Cloud Network Technology Co., Ltd. | Method and apparatus for generating image, and electronic device |
WO2021082819A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
CN110827261A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 图像质量检测方法及装置、存储介质及电子设备 |
CN111192241B (zh) * | 2019-12-23 | 2024-02-13 | 深圳市优必选科技股份有限公司 | 一种人脸图像的质量评估方法、装置及计算机存储介质 |
CN111192241A (zh) * | 2019-12-23 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种人脸图像的质量评估方法、装置及计算机存储介质 |
CN113627419A (zh) * | 2020-05-08 | 2021-11-09 | 百度在线网络技术(北京)有限公司 | 兴趣区域评估方法、装置、设备和介质 |
CN111595267A (zh) * | 2020-05-18 | 2020-08-28 | 浙江大华技术股份有限公司 | 确定物体相位值的方法、装置、存储介质及电子装置 |
CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
CN112396050A (zh) * | 2020-12-02 | 2021-02-23 | 上海优扬新媒信息技术有限公司 | 图像的处理方法、设备以及存储介质 |
CN112396050B (zh) * | 2020-12-02 | 2023-09-15 | 度小满科技(北京)有限公司 | 图像的处理方法、设备以及存储介质 |
CN112801132A (zh) * | 2020-12-28 | 2021-05-14 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
CN112801132B (zh) * | 2020-12-28 | 2024-01-02 | 泰康同济(武汉)医院 | 一种图像处理方法和装置 |
CN112991313B (zh) * | 2021-03-29 | 2021-09-14 | 清华大学 | 图像质量的评估方法及装置、电子设备和存储介质 |
CN112991313A (zh) * | 2021-03-29 | 2021-06-18 | 清华大学 | 图像质量的评估方法及装置、电子设备和存储介质 |
CN113537192A (zh) * | 2021-06-30 | 2021-10-22 | 北京百度网讯科技有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN113537192B (zh) * | 2021-06-30 | 2024-03-26 | 北京百度网讯科技有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN113506260B (zh) * | 2021-07-05 | 2023-08-29 | 贝壳找房(北京)科技有限公司 | 一种人脸图像质量评估方法、装置、电子设备及存储介质 |
CN113506260A (zh) * | 2021-07-05 | 2021-10-15 | 北京房江湖科技有限公司 | 一种人脸图像质量评估方法、装置、电子设备及存储介质 |
CN113781428A (zh) * | 2021-09-09 | 2021-12-10 | 广东电网有限责任公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN114387254A (zh) * | 2022-01-12 | 2022-04-22 | 中国平安人寿保险股份有限公司 | 一种文档质量分析方法、装置、计算机设备及存储介质 |
CN114067006B (zh) * | 2022-01-17 | 2022-04-08 | 湖南工商大学 | 一种基于离散余弦变换的屏幕内容图像质量评价方法 |
CN114067006A (zh) * | 2022-01-17 | 2022-02-18 | 湖南工商大学 | 一种基于离散余弦变换的屏幕内容图像质量评价方法 |
CN114219803B (zh) * | 2022-02-21 | 2022-07-15 | 浙江大学 | 一种三阶段图像质量评估的检测方法与*** |
CN114219803A (zh) * | 2022-02-21 | 2022-03-22 | 浙江大学 | 一种三阶段图像质量评估的检测方法与*** |
WO2024119322A1 (zh) * | 2022-12-05 | 2024-06-13 | 深圳华大生命科学研究院 | 灰度图像质量评估的方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2020513133A (ja) | 2020-04-30 |
WO2019057067A1 (zh) | 2019-03-28 |
SG11201907815VA (en) | 2019-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481238A (zh) | 图像质量评估方法及装置 | |
CN109902677B (zh) | 一种基于深度学习的车辆检测方法 | |
CN110738101B (zh) | 行为识别方法、装置及计算机可读存储介质 | |
CN108171104B (zh) | 一种文字检测方法及装置 | |
CN110874841A (zh) | 参照边缘图像的客体检测方法及装置 | |
CN111259878A (zh) | 一种检测文本的方法和设备 | |
KR101652261B1 (ko) | 카메라를 이용한 오브젝트 검출 방법 | |
CN110555433A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN106780727B (zh) | 一种车头检测模型重建方法及装置 | |
JP6698191B1 (ja) | 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN113537037A (zh) | 路面病害识别方法、***、电子设备及存储介质 | |
CN111598884A (zh) | 图像数据处理方法、设备及计算机存储介质 | |
CN117351011B (zh) | 屏幕缺陷检测方法、设备和可读存储介质 | |
KR20200039043A (ko) | 객체 인식 장치 및 그 동작 방법 | |
CN111652140A (zh) | 基于深度学习的题目精准分割方法、装置、设备和介质 | |
CN112733823A (zh) | 手势姿态识别关键帧提取方法、装置及可读存储介质 | |
CN114419006A (zh) | 一种随背景变化的灰度视频文字类水印去除方法及*** | |
JP2010002960A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
JP4516994B2 (ja) | デジタル画像の背景色を決定するための方法およびシステム | |
CN110287752A (zh) | 一种点阵码检测方法及装置 | |
CN116110030A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN114550062A (zh) | 图像中运动对象的确定方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1248383 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171215 |
|
WD01 | Invention patent application deemed withdrawn after publication |