CN109978833A - 图像质量自动检测方法、***、设备及存储介质 - Google Patents
图像质量自动检测方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN109978833A CN109978833A CN201910162123.8A CN201910162123A CN109978833A CN 109978833 A CN109978833 A CN 109978833A CN 201910162123 A CN201910162123 A CN 201910162123A CN 109978833 A CN109978833 A CN 109978833A
- Authority
- CN
- China
- Prior art keywords
- region
- target image
- commodity
- fuzzy
- image
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像质量自动检测方法、***、设备及存储介质，包括如下步骤：获取目标图像，确定出目标图像中的模糊区域，当模糊区域在目标图像中所占面积比例小于预设置的第一比例阈值时，判定目标图像为合格图像；识别出目标图像的每一商品区域，判断商品区域是否为过曝光区域或欠曝光区域，当过曝光区域和/或欠曝光区域占所有商品区域小于预设置的第二比例阈值时，判定目标图像为合格图像；将依选出的合格图像通过预设置的图像内容分类模型筛选出质量合格图像。本发明能够根据目标图像中模糊区域、曝光区域和图像内容对目标图像进行筛选，筛选出质量合格图像，从而能够便于对目标图像中的商品进准确识别。
Description
技术领域
本发明涉及图像处理，具体地，涉及一种图像质量自动检测方法、***、设备及存储介质。
背景技术
随着计算机和智能手机中硬件部分的计算能力增强，近几年来，机器学习和计算机视觉技术取得了飞速的发展，很多研发人员做了大量的工作来研发可辅助人们日常任务的机器学习和计算机视觉算法。
在新零售领域，需要通过手机定期对货架或冰箱图像进行采集，并将采集后的图像汇集到后台***中。后台***利用图像识别技术获取图像中每个商品的种类，数目以及位置信息等。将生成的数据汇聚成报表，并定期更新商品数据报表后。便能够根据商品数据包括就可以对货架或冰箱上的商品情况完全掌控。
但是在通过手机对货架或冰箱的图像进行采集时，常常会因为手机的抖动或相机的曝光问题导致图像采集的不合格，导致无法对图像的进行识别或图像识别准确率较低，因此需要提供一种能够实现图像质量检测的方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种图像质量自动检测方法、***、设备及存储介质。
根据本发明提供的图像质量自动检测方法，包括如下步骤：
步骤S1：获取目标图像，确定出所述目标图像中的模糊区域，当所述模糊区域在所述目标图像中所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像；
步骤S2：识别出所述目标图像的每一商品区域，判断所述商品区域是否为过曝光区域或欠曝光区域，当所述过曝光区域和/或欠曝光区域占所有商品区域小于预设置的第二比例阈值时，判定所述目标图像为合格图像；
步骤S3：将依次经过步骤S1、步骤S2中或依次经过步骤S2、步骤S1筛选出的合格图像通过预设置的图像内容分类模型筛选出质量合格图像。
优选地，所述步骤S1包括如下步骤：
步骤S101：获取所述目标图像，对所述目标图像进行模糊区域检测，确定所述目标图像中的模糊区域，进而确定所述模糊区域的面积；
步骤S102：根据所述模糊区域的面积计算出所有模糊区域的面积在所述目标图像中所占面积比例；
步骤S103：判定所述所占面积比例是否小于预设置的所述第一比例阈值，并在当所述所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像。
优选地，所述步骤S2包括如下步骤：
步骤S201：识别出所述目标图像的每一商品区域，并生成每一所述商品区域的灰度直方图；
步骤S202：将每一所述商品区域的灰度直方图与预设置的该商品区域对应的基准灰度直方图相对比，将所述商品区域分为过曝光区域、欠曝区域和合格区域；
步骤S203：当所述目标图像中的曝光区域和/或欠曝区域的数量与该目标图像中商品区域的总数量比值小于预设置的第二比例阈值时，判定所述目标图像为合格图像。
优选地，在步骤S1和步骤S2之前还包括如下步骤：
步骤M1：获取多张用于场景分类的训练图像，对每一所述用于场景分类的训练图像进行应用场景的类别标注；
步骤M2：利用标注应用场景后的所述训练图像建立所述场景分类模型；
步骤M3：将所述目标图像输入所述场景分类模型进行场景分类，确定每一所述目标图像的场景类别，进而对每一场景类别中的目标图像执行步骤S1至步骤S3。
优选地，当所述目标图像为冰箱图像时，所述图像内容分类模型用于将如下任一种或任多种图像筛选掉：
-冰箱部分缺失的图像；
-冰箱门关闭的图像；
-具有两个冰箱的图像；
-冰箱区域在所述目标图像中所占面积比例小于预设置的第三比例阈值的图像。
优选地，所述步骤S101包括如下步骤：
步骤S1011：通过预设置的模糊区域检测模型对所述目标图像进行模糊区域检测，将所述目标图像中的失焦模糊区域和运行模糊区域识别出；
步骤S1012：将所述目标图像中失焦模糊区域、运动模糊区域和正常区域进行映射生成模糊映射图，并采用第一颜色区域表示失焦模糊区域，第二颜色区域表示运动模糊区域，第三颜色区域表示正常区域；
步骤S1013：累加第一颜色区域和第二颜色区域生成所述模糊区域的面积。
优选地，所述步骤S202包括如下步骤
步骤S2021：将每一所述商品区域的灰度直方图与预设置的该商品区域对应的基准灰度直方图相对比；
步骤S2022：将所述灰度直方图和所述基准灰度直方图分别按照灰度值顺序分为第一灰度区域和第二灰度区域，并确定第一灰度区域中像素点占所述商品区域的总像素数的第一比例和第二灰度区域中像素点占所述总像素数的第二比例；
步骤S2023：将所述第一比例和所述第二比例和与预设置的比例区间相比较，当所述第一比例和所述第二比例位于所述比例区间内时，则认定所述商品区域为合格区域，当所述第一比例低于所述比例区间下限内时，则认定所述商品区域为过曝光区域，当所述第二比例大于所述比例区间上限内时，则认定所述商品区域为欠曝区域。
本发明提供的图像质量自动检测***，用于实现权利要求1至7中任一项所述的图像质量自动检测方法，其特征在于，包括：
模糊检测模块，用于获取目标图像，确定出所述目标图像中的模糊区域，当所述模糊区域在所述目标图像中所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像；
曝光检测模块，用于识别出所述目标图像的每一商品区域，判断所述商品区域是否过曝光区域或欠曝光区域，当所述过曝光区域和/或欠曝光区域占所有商品区域小于预设置的第二比例阈值时，判定所述目标图像为合格图像；
内容分类模块，将依次经过模糊检测模块、曝光检测模块中或依次经过曝光检测模块、模糊检测模块筛选出的合格图像通过预设置的图像内容分类模型筛选出质量合格图像。
本发明提供的图像质量自动检测设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行所述图像质量自动检测方法的步骤。
本发明提供的计算机可读存储介质，用于存储程序，所述程序被执行时实现所述图像质量自动检测方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
本发明能够根据目标图像中模糊区域、曝光区域和图像内容对目标图像进行筛选，筛选出质量合格图像，从而能够便于对目标图像中的商品进准确识别，并可以提醒用户对质量不合格对象进行补拍；本发明能够在用户进行巡店时采集到照片中筛选出质量合格图像后，进而可以进行质量合格图像中商品的进行准确识别生成商品数据报表，实现对商场中商品状况的有效监控。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中图像质量自动检测方法的步骤流程图；
图2为本发明中对目标对象进行场景分类的步骤流程图；
图3为本发明中对目标图像中的模糊区域进行检测和筛选的步骤流程图；
图4为本发明中对目标图像中的模糊区域进行检测的步骤流程图；
图5为本发明中对目标图像中的曝光区域进行检测和筛选的步骤流程图；
图6为本发明中对目标图像中的曝光区域进行检测的步骤流程图；
图7为本发明中图像质量自动检测模块示意图；
图8为本发明中图像质量自动检测设备的结构示意图；以及
图9为本发明中计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明具体的应用场景可以为，当用户通过智能终端，如智能手机，对货架或冰箱上的目标商品进行采集，进行商品数据报表制作时，可以采用本发明对拍摄的目标图像仅检测，实施反馈所述目标图像是否模糊区域面积过大，是否存在过曝光区域和/或欠曝光区域过多，以及图像内容是否符合预设的规则，从而能够提醒用户对不合格的目标图像进行即使补拍，从而能够保证采集的图像均为质量合格图像，在图像识别时能够准备识别目标图像中的商品，生成更为完善的数据报表。
图1为本发明中图像质量自动检测方法的步骤流程图，如图1所示，本发明提供的图像质量自动检测方法，包括如下步骤：
步骤S1：获取目标图像，确定出所述目标图像中的模糊区域，当所述模糊区域在所述目标图像中所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像；
步骤S2：识别出所述目标图像的每一商品区域，判断所述商品区域是否为过曝光区域或欠曝光区域，当所述过曝光区域和/或欠曝光区域占所有商品区域小于预设置的第二比例阈值时，判定所述目标图像为合格图像；
步骤S3：将依次经过步骤S1、步骤S2中或依次经过步骤S2、步骤S1筛选出的合格图像通过预设置的图像内容分类模型筛选出质量合格图像。
在本实施例中，所述第一比例阈值设置为0.55，所述第一比例阈值设置为0.6。
在本实施例中，本发明能够根据目标图像中模糊区域、曝光区域和图像内容对目标图像进行筛选，筛选出质量合格图像，从而能够便于对目标图像中的商品进准确识别，并可以提醒用户对质量不合格对象进行补拍；本发明能够在用户进行巡店时采集到照片中筛选出质量合格图像后，进而可以进行质量合格图像中商品的进行准确识别生成商品数据报表，实现对商场中商品状况的有效监控。
当所述目标图像为冰箱图像时，所述图像内容分类模型用于将如下任一种或任多种图像筛选掉：
-冰箱部分缺失的图像；
-冰箱门关闭的图像；
-具有两个冰箱的图像；
-冰箱区域在所述目标图像中所占面积比例小于预设置的第三比例阈值的图像。
所述图像内容分类模型采用卷积神经网络结构，在深度学习框架下进行训练得到。在本实施例中，所述第三比例阈值为60％。
图2为本发明中对目标对象进行场景分类的步骤流程图，如图2所示，在步骤S1和步骤S2之前还包括如下步骤：
步骤M1：获取多张用于场景分类的训练图像，对每一所述用于场景分类的训练图像进行应用场景的类别标注；
步骤M2：利用标注应用场景后的所述训练图像建立所述场景分类模型；
步骤M3：将所述目标图像输入所述场景分类模型进行场景分类，确定每一所述目标图像的场景类别，进而对每一场景类别中的目标图像执行步骤S1至步骤S3。
在本实施例中，本发明首先对所述目标图像进行分类，从而便于在通过图像内容分类模型进行图像内容的筛选，筛选出质量合格图像。
在本实施例中，所述应用场景的类别包括如下任一种或任多种应用场景：
-冰箱；
-货架；
-地推商品；
-摆台；
-挂件架。
图3为本发明中对目标图像中的模糊区域进行检测和筛选的步骤流程图，如图3所示，所述步骤S1包括如下步骤：
步骤S101：获取所述目标图像，对所述目标图像进行模糊区域检测，确定所述目标图像中的模糊区域，进而确定所述模糊区域的面积；
步骤S102：根据所述模糊区域的面积计算出所有模糊区域的面积在所述目标图像中所占面积比例；
步骤S103：判定所述所占面积比例是否小于预设置的所述第一比例阈值，并在当所述所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像。
在本实施例中，对所述目标图像进行模糊区域检测时，采用模糊区域检测模型进行检测确定，所述糊区域检测模型采用卷积神经网络结构，在深度学习框架下进行训练得到。
图4为本发明中对目标图像中的模糊区域进行检测的步骤流程图，如图4所示，所述步骤S101包括如下步骤：
步骤S1011：通过预设置的模糊区域检测模型对所述目标图像进行模糊区域检测，将所述目标图像中的失焦模糊区域和运行模糊区域识别出；
步骤S1012：将所述目标图像中失焦模糊区域、运动模糊区域和正常区域进行映射生成模糊映射图，并采用第一颜色区域表示失焦模糊区域，第二颜色区域表示运动模糊区域，第三颜色区域表示正常区域；
步骤S1013：累加第一颜色区域和第二颜色区域生成所述模糊区域的面积。
在本实施例中，本发明中将模糊区域分为失焦模糊区域和运行模糊区域进行分别识别，并转化成不同的颜色区域，从而提高了模糊区域面积的计算效率。
图5为本发明中对目标图像中的曝光区域进行检测和筛选的步骤流程图，如图5所示，所述步骤S2包括如下步骤：
步骤S201：识别出所述目标图像的每一商品区域，并生成每一所述商品区域的灰度直方图；
步骤S202：将每一所述商品区域的灰度直方图与预设置的该商品区域对应的基准灰度直方图相对比，将所述商品区域分为过曝光区域、欠曝区域和合格区域；
步骤S203：当所述目标图像中的曝光区域和/或欠曝区域的数量与该目标图像中商品区域的总数量比值小于预设置的第二比例阈值时，判定所述目标图像为合格图像。
在本实施例中，本发明将每一所述商品区域的根据灰度直方图与基准灰度直方图的比较将商品区域分为过曝光区域、欠曝区域和合格区域，从而便于不合格图像区域的统计，便于不合格图像的排除。
图6为本发明中对目标图像中的曝光区域进行检测的步骤流程图，如图6所示，所述步骤S202包括如下步骤：
步骤S2021：将每一所述商品区域的灰度直方图与预设置的该商品区域对应的基准灰度直方图相对比；
步骤S2022：将所述灰度直方图和所述基准灰度直方图分别按照灰度值顺序分为第一灰度区域和第二灰度区域，并确定第一灰度区域中像素点占所述商品区域的总像素数的第一比例和第二灰度区域中像素点占所述总像素数的第二比例；
在本实施例中，所述第一灰度区域为灰度值0至127区域，第二灰度区域为灰度值128至255区域
在变形例中，可以对灰度直方图的第一比例和第二比例进行优化，如可以设所述灰度直方图的第一比例为a,第二比例为b,所述基准灰度直方图第一比例为A,第二比例为B；
对a进行第一次优化生成m，m＝a+0.5b,对b进行第一次优化生成n，n＝a+0.5b，对a进行第二次优化生成x，对b进行第二次优化生成y，
步骤S2023：将所述第一比例和所述第二比例和与预设置的比例区间相比较，当所述第一比例和所述第二比例位于所述比例区间内时，则认定所述商品区域为合格区域，当所述第一比例低于所述比例区间下限内时，则认定所述商品区域为过曝光区域，当所述第二比例大于所述比例区间上限内时，则认定所述商品区域为欠曝区域。其他类型认定为其他区域。
在本实施例中，所述比例区间为[0.5,0.7]。
在变形例中可以采用x和有与所述预设置的比例区间相比较，当所述x和所述y位于所述比例区间内时，则认定所述商品区域为合格区域，当所述x低于所述比例区间下限内时，则认定所述商品区域为过曝光区域，当所述y大于所述比例区间上限内时，则认定所述商品区域为欠曝区域。
图7为本发明中图像质量自动检测模块示意图，如图7所示，本发明提供的图像质量自动检测***，用于实现所述的图像质量自动检测方法，包括：
模糊检测模块，用于获取目标图像，确定出所述目标图像中的模糊区域，当所述模糊区域在所述目标图像中所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像；
曝光检测模块，用于识别出所述目标图像的每一商品区域，判断所述商品区域是否过曝光区域或欠曝光区域，当所述过曝光区域和/或欠曝光区域占所有商品区域小于预设置的第二比例阈值时，判定所述目标图像为合格图像；
内容分类模块，将依次经过模糊检测模块、曝光检测模块中或依次经过曝光检测模块、模糊检测模块筛选出的合格图像通过预设置的图像内容分类模型筛选出质量合格图像。
本发明实施例中还提供一种图像质量自动检测设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行图像质量自动检测的步骤。
如上，该实施例中能够根据目标图像中模糊区域、曝光区域和图像内容对目标图像进行筛选，筛选出质量合格图像，从而能够便于对目标图像中的商品进准确识别，并可以提醒用户对质量不合格对象进行补拍。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
图8是本发明中基于增强现实的网购辅助设备的结构示意图。下面参照图8来描述根据本发明的这种实施方式的电子设备600。图8显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图8中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储平台等。
本发明实施例中还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的图像拼接方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示，该实施例的计算机可读存储介质的程序在执行时，能够根据目标图像中模糊区域、曝光区域和图像内容对目标图像进行筛选，筛选出质量合格图像，从而能够便于对目标图像中的商品进准确识别，并可以提醒用户对质量不合格对象进行补拍。
图9是本发明的计算机可读存储介质的结构示意图。参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本实施例中，本发明能够根据目标图像中模糊区域、曝光区域和图像内容对目标图像进行筛选，筛选出质量合格图像，从而能够便于对目标图像中的商品进准确识别，并可以提醒用户对质量不合格对象进行补拍；本发明能够在用户进行巡店时采集到照片中筛选出质量合格图像后，进而可以进行质量合格图像中商品的进行准确识别生成商品数据报表，实现对商场中商品状况的有效监控。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种图像质量自动检测方法，其特征在于，包括如下步骤：
步骤S1：获取目标图像，确定出所述目标图像中的模糊区域，当所述模糊区域在所述目标图像中所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像；
步骤S2：识别出所述目标图像的每一商品区域，判断所述商品区域是否为过曝光区域或欠曝光区域，当所述过曝光区域和/或欠曝光区域占所有商品区域小于预设置的第二比例阈值时，判定所述目标图像为合格图像；
步骤S3：将依次经过步骤S1、步骤S2中或依次经过步骤S2、步骤S1筛选出的合格图像通过预设置的图像内容分类模型筛选出质量合格图像。
2.根据权利要求1所述的图像质量自动检测方法，其特征在于，所述步骤S1包括如下步骤：
步骤S101：获取所述目标图像，对所述目标图像进行模糊区域检测，确定所述目标图像中的模糊区域，进而确定所述模糊区域的面积；
步骤S102：根据所述模糊区域的面积计算出所有模糊区域的面积在所述目标图像中所占面积比例；
步骤S103：判定所述所占面积比例是否小于预设置的所述第一比例阈值，并在当所述所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像。
3.根据权利要求1所述的图像质量自动检测方法，其特征在于，所述步骤S2包括如下步骤：
步骤S201：识别出所述目标图像的每一商品区域，并生成每一所述商品区域的灰度直方图；
步骤S202：将每一所述商品区域的灰度直方图与预设置的该商品区域对应的基准灰度直方图相对比，将所述商品区域分为过曝光区域、欠曝区域和合格区域；
步骤S203：当所述目标图像中的曝光区域和/或欠曝区域的数量与该目标图像中商品区域的总数量比值小于预设置的第二比例阈值时，判定所述目标图像为合格图像。
4.根据权利要求1所述的图像质量自动检测方法，其特征在于，在步骤S1和步骤S2之前还包括如下步骤：
步骤M1：获取多张用于场景分类的训练图像，对每一所述用于场景分类的训练图像进行应用场景的类别标注；
步骤M2：利用标注应用场景后的所述训练图像建立所述场景分类模型；
步骤M3：将所述目标图像输入所述场景分类模型进行场景分类，确定每一所述目标图像的场景类别，进而对每一场景类别中的目标图像执行步骤S1至步骤S3。
5.根据权利要求1所述的图像质量自动检测方法，其特征在于，当所述目标图像为冰箱图像时，所述图像内容分类模型用于将如下任一种或任多种图像筛选掉：
-冰箱部分缺失的图像；
-冰箱门关闭的图像；
-具有两个冰箱的图像；
-冰箱区域在所述目标图像中所占面积比例小于预设置的第三比例阈值的图像。
6.根据权利要求2所述的图像质量自动检测方法，其特征在于，所述步骤S101包括如下步骤：
步骤S1011：通过预设置的模糊区域检测模型对所述目标图像进行模糊区域检测，将所述目标图像中的失焦模糊区域和运行模糊区域识别出；
步骤S1012：将所述目标图像中失焦模糊区域、运动模糊区域和正常区域进行映射生成模糊映射图，并采用第一颜色区域表示失焦模糊区域，第二颜色区域表示运动模糊区域，第三颜色区域表示正常区域；
步骤S1013：累加第一颜色区域和第二颜色区域生成所述模糊区域的面积。
7.根据权利要求3所述的图像质量自动检测方法，其特征在于，所述步骤S202包括如下步骤
步骤S2021：将每一所述商品区域的灰度直方图与预设置的该商品区域对应的基准灰度直方图相对比；
步骤S2022：将所述灰度直方图和所述基准灰度直方图分别按照灰度值顺序分为第一灰度区域和第二灰度区域，并确定第一灰度区域中像素点占所述商品区域的总像素数的第一比例和第二灰度区域中像素点占所述总像素数的第二比例；
步骤S2023：将所述第一比例和所述第二比例和与预设置的比例区间相比较，当所述第一比例和所述第二比例位于所述比例区间内时，则认定所述商品区域为合格区域，当所述第一比例低于所述比例区间下限内时，则认定所述商品区域为过曝光区域，当所述第二比例大于所述比例区间上限内时，则认定所述商品区域为欠曝区域。
8.一种图像质量自动检测***，用于实现权利要求1至7中任一项所述的图像质量自动检测方法，其特征在于，包括：
模糊检测模块，用于获取目标图像，确定出所述目标图像中的模糊区域，当所述模糊区域在所述目标图像中所占面积比例小于预设置的第一比例阈值时，判定所述目标图像为合格图像；
曝光检测模块，用于识别出所述目标图像的每一商品区域，判断所述商品区域是否过曝光区域或欠曝光区域，当所述过曝光区域和/或欠曝光区域占所有商品区域小于预设置的第二比例阈值时，判定所述目标图像为合格图像；
内容分类模块，将依次经过模糊检测模块、曝光检测模块中或依次经过曝光检测模块、模糊检测模块筛选出的合格图像通过预设置的图像内容分类模型筛选出质量合格图像。
9.一种图像质量自动检测设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述图像质量自动检测方法的步骤。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7中任意一项所述图像质量自动检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910162123.8A CN109978833A (zh) | 2019-03-05 | 2019-03-05 | 图像质量自动检测方法、***、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910162123.8A CN109978833A (zh) | 2019-03-05 | 2019-03-05 | 图像质量自动检测方法、***、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109978833A true CN109978833A (zh) | 2019-07-05 |
Family
ID=67077924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910162123.8A Pending CN109978833A (zh) | 2019-03-05 | 2019-03-05 | 图像质量自动检测方法、***、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978833A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415225A (zh) * | 2019-07-22 | 2019-11-05 | 南充折衍智能光电科技有限公司 | 一种基于多信息融合的手指静脉图像质量评价方法 |
| CN111191054A (zh) * | 2019-12-18 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 媒体数据的推荐方法、装置 |
| CN111539962A (zh) * | 2020-01-10 | 2020-08-14 | 济南浪潮高新科技投资发展有限公司 | 一种目标图像分类方法、装置以及介质 |
| CN112329522A (zh) * | 2020-09-24 | 2021-02-05 | 上海品览数据科技有限公司 | 一种基于深度学习和图像处理的货架商品模糊检测方法 |
| CN112954229A (zh) * | 2021-02-08 | 2021-06-11 | 青岛海尔电冰箱有限公司 | 基于灰度值调节补光灯光强的方法、设备及冰箱 |
| CN114264657A (zh) * | 2020-09-16 | 2022-04-01 | 南亚科技股份有限公司 | 晶圆检验方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101399924A (zh) * | 2007-09-25 | 2009-04-01 | 展讯通信（上海）有限公司 | 基于亮度直方图的自动曝光方法和装置 |
| CN101448174A (zh) * | 2008-12-26 | 2009-06-03 | 深圳华为通信技术有限公司 | 一种图像质量评价装置和方法 |
| CN101685542A (zh) * | 2008-09-24 | 2010-03-31 | 索尼株式会社 | 电子设备、模糊图像分拣方法以及程序 |
| JP2012124652A (ja) * | 2010-12-07 | 2012-06-28 | Ricoh Co Ltd | 撮像装置及び画像処理方法 |
| CN103218778A (zh) * | 2013-03-22 | 2013-07-24 | 华为技术有限公司 | 一种图像和视频的处理方法及装置 |
| CN107945156A (zh) * | 2017-11-14 | 2018-04-20 | 宁波江丰生物信息技术有限公司 | 一种自动评价数字病理扫描图像画质的方法 |
| CN108734162A (zh) * | 2018-04-12 | 2018-11-02 | 上海扩博智能技术有限公司 | 商品图像中目标识别方法、***、设备及存储介质 |
| CN108986075A (zh) * | 2018-06-13 | 2018-12-11 | 浙江大华技术股份有限公司 | 一种优选图像的判断方法及装置 |
| TWI645373B (zh) * | 2017-11-13 | 2018-12-21 | 瑞昱半導體股份有限公司 | 自動曝光控制方法與使用其之電子裝置 |
-
2019
- 2019-03-05 CN CN201910162123.8A patent/CN109978833A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101399924A (zh) * | 2007-09-25 | 2009-04-01 | 展讯通信（上海）有限公司 | 基于亮度直方图的自动曝光方法和装置 |
| CN101685542A (zh) * | 2008-09-24 | 2010-03-31 | 索尼株式会社 | 电子设备、模糊图像分拣方法以及程序 |
| CN101448174A (zh) * | 2008-12-26 | 2009-06-03 | 深圳华为通信技术有限公司 | 一种图像质量评价装置和方法 |
| JP2012124652A (ja) * | 2010-12-07 | 2012-06-28 | Ricoh Co Ltd | 撮像装置及び画像処理方法 |
| CN103218778A (zh) * | 2013-03-22 | 2013-07-24 | 华为技术有限公司 | 一种图像和视频的处理方法及装置 |
| TWI645373B (zh) * | 2017-11-13 | 2018-12-21 | 瑞昱半導體股份有限公司 | 自動曝光控制方法與使用其之電子裝置 |
| CN107945156A (zh) * | 2017-11-14 | 2018-04-20 | 宁波江丰生物信息技术有限公司 | 一种自动评价数字病理扫描图像画质的方法 |
| CN108734162A (zh) * | 2018-04-12 | 2018-11-02 | 上海扩博智能技术有限公司 | 商品图像中目标识别方法、***、设备及存储介质 |
| CN108986075A (zh) * | 2018-06-13 | 2018-12-11 | 浙江大华技术股份有限公司 | 一种优选图像的判断方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| HOJATOLLAH YEGANEH 等，: "Objective Quality Assessment of Tone-Mapped Images", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 刘望明，: "基于图像质量评价的降低航片冗余度研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 方临明，: "《公关魅影 职场和生活必知的摄影秘决》", 31 January 2018, 浙江摄影出版社 * |
| 朱学芳 等，: "《计算机图像处理导论》", 30 June 2003, 科学技术文献出版社 * |
| 王艳红 等，: "《影视传播实验教学理论探索与实践创新》", 30 June 2011, 上海三联书店 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415225A (zh) * | 2019-07-22 | 2019-11-05 | 南充折衍智能光电科技有限公司 | 一种基于多信息融合的手指静脉图像质量评价方法 |
| CN111191054A (zh) * | 2019-12-18 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 媒体数据的推荐方法、装置 |
| CN111191054B (zh) * | 2019-12-18 | 2024-02-13 | 腾讯科技（深圳）有限公司 | 媒体数据的推荐方法、装置 |
| CN111539962A (zh) * | 2020-01-10 | 2020-08-14 | 济南浪潮高新科技投资发展有限公司 | 一种目标图像分类方法、装置以及介质 |
| CN114264657A (zh) * | 2020-09-16 | 2022-04-01 | 南亚科技股份有限公司 | 晶圆检验方法及*** |
| CN112329522A (zh) * | 2020-09-24 | 2021-02-05 | 上海品览数据科技有限公司 | 一种基于深度学习和图像处理的货架商品模糊检测方法 |
| CN112954229A (zh) * | 2021-02-08 | 2021-06-11 | 青岛海尔电冰箱有限公司 | 基于灰度值调节补光灯光强的方法、设备及冰箱 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978833A (zh) | 图像质量自动检测方法、***、设备及存储介质 | |
| CN108734162B (zh) | 商品图像中目标识别方法、***、设备及存储介质 | |
| CN106650662B (zh) | 目标对象遮挡检测方法及装置 | |
| CN111723786A (zh) | 一种基于单模型预测的安全帽佩戴检测方法及装置 | |
| CN111325258A (zh) | 特征信息获取方法、装置、设备及存储介质 | |
| CN106355367A (zh) | 仓库监控管理装置 | |
| Cheng et al. | Smoke detection and trend prediction method based on Deeplabv3+ and generative adversarial network | |
| CN108280455A (zh) | 人体关键点检测方法和装置、电子设备、程序和介质 | |
| CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
| CN108198130A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN108205680A (zh) | 图像特征提取集成电路、方法、终端 | |
| CN108389230A (zh) | 冰箱容量自动检测方法、***、设备及存储介质 | |
| CN109618149A (zh) | 设备成像质量的测试方法、装置和智能设备 | |
| CN110443317A (zh) | 一种纸档资料电子化的方法、装置和电子设备 | |
| CN103946887A (zh) | 注视位置估计***、注视位置估计***的控制方法、注视位置估计装置、注视位置估计装置的控制方法、程序以及信息存储介质 | |
| CN114255377A (zh) | 一种智能货柜的差异商品检测分类方法 | |
| CN110505397A (zh) | 相机选择的方法、装置及计算机存储介质 | |
| CN106529455A (zh) | 一种基于SoC FPGA的快速人体姿态识别方法 | |
| Rana et al. | Learning-based adaptive tone mapping for keypoint detection | |
| CN111797867A (zh) | ***资源优化方法、装置、存储介质及电子设备 | |
| CN106874835B (zh) | 一种图像处理方法及装置 | |
| Wang et al. | Smoking behavior detection algorithm based on YOLOv8-MNC | |
| CN108776959A (zh) | 图像处理方法、装置及终端设备 | |
| CN108446693A (zh) | 待识别目标的便捷标记方法、***、设备及存储介质 | |
| CN114360053A (zh) | 一种动作识别方法、终端及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
| RJ01 | Rejection of invention patent application after publication |