CN112329575A - 一种基于图像质量评价的鼻纹检测方法及装置 - Google Patents

一种基于图像质量评价的鼻纹检测方法及装置 Download PDF

Info

Publication number
CN112329575A
CN112329575A CN202011163798.3A CN202011163798A CN112329575A CN 112329575 A CN112329575 A CN 112329575A CN 202011163798 A CN202011163798 A CN 202011163798A CN 112329575 A CN112329575 A CN 112329575A
Authority
CN
China
Prior art keywords
nose
image
cat
print
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.)
Pending
Application number
CN202011163798.3A
Other languages
English (en)
Inventor
徐强
李凌
宋凯旋
喻辉
陈宇桥
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.)
Suzhou Zhongkehuaying Health Technology Co ltd
Suzhou Zhongke Advanced Technology Research Institute Co Ltd
Original Assignee
Suzhou Zhongkehuaying Health Technology Co ltd
Suzhou Zhongke Advanced Technology Research Institute 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 Suzhou Zhongkehuaying Health Technology Co ltd, Suzhou Zhongke Advanced Technology Research Institute Co Ltd filed Critical Suzhou Zhongkehuaying Health Technology Co ltd
Priority to CN202011163798.3A priority Critical patent/CN112329575A/zh
Publication of CN112329575A publication Critical patent/CN112329575A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域，具体涉及一种基于图像质量评价的鼻纹检测方法及装置。该方法及装置通过对猫原始图像进行亮度评价操作，获取亮度值；对猫鼻纹图像进行清晰度评价处理操作，得到的清晰鼻纹图像以及清晰值；对清晰鼻纹图像进行鼻纹分割处理，得到二值化鼻纹图像；对二值化鼻纹图像进行纹理质量评价操作，得到纹理质量值；判断亮度值、清晰值以及纹理质量值是否符合预设的第一比较条件；若不符合，则输出包含有未检测到猫鼻纹的提示信息；若符合，则将符合第一比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库，本发明基于图像质量评价的鼻纹检测方法及装置能够提高获采集到的猫鼻纹的质量。

Description

一种基于图像质量评价的鼻纹检测方法及装置
技术领域
本发明涉及图像识别技术领域，具体而言，涉及一种基于图像质量评价的鼻纹检测方法及装置。
背景技术
随着机器学习与人工智能，以及宠物数量的不断增加以及人们对宠物依赖程度的增加，会不断产出新的身份认证场景，为了安全、卫生的需要，国内各大城市都在为宠物猫进行身份认证。
而为保证猫身份认证的准确性，可通过猫的鼻纹识别进行猫的身份确认，但由于鼻纹识别技术的对于鼻纹纹路的清晰度要求较高，普通拍摄猫的照片很难达到这个要求；又由于猫的好动性，在对猫进行拍摄时，对清晰拍摄能够应用于鼻纹识别的有效的且高质量的猫的鼻纹图像存在很大的困难，易因图像不清晰、质量较低导致拍摄到的图像不能应用到鼻纹识别技术中进行识别，或者使用鼻纹识别技术中识别不出，从而导致后续鼻纹识别的失败或者准确率降低。
发明内容
本发明实施例提供了一种基于图像质量评价的鼻纹检测方法及装置，以至少解决传统鼻纹采集技术采集鼻纹质量不高的技术问题。
根据本发明的一实施例，提供了一种基于图像质量评价的鼻纹检测方法，包括以下步骤：
对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到猫原始图像的亮度值；
对猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值；
对清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像；
对二值化鼻纹图像进行纹理质量评价操作，得到二值化鼻纹图像的纹理质量值；
判断亮度值、清晰值以及纹理质量值是否符合预设的第一比较条件；
若亮度值、清晰值或纹理质量值不符合预设的第一比较条件，则输出包含有未检测到猫鼻纹的提示信息；
若亮度值、清晰值以及纹理质量值符合预设的第一比较条件，则将符合第一比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库。
进一步地，该方法还包括：
将猫原始图像输入训练好的猫鼻纹区域检测模型进行检测，得到检测结果；
当检测结果为未识别到猫鼻子的区域时，则输出包含有未识别出猫鼻子区域的提示信息；
当检测结果为识别到猫鼻子的区域时，则对猫原始图像进行猫鼻子区域的裁剪操作，得到裁剪出的猫鼻纹图像。
进一步地，对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到猫原始图像的亮度值的步骤包括：
对裁剪出的猫鼻纹图像对应的猫原始图像采用平均偏差算法进行亮度评价的计算，得到猫原始图像的亮度值。
进一步地，该方法还包括：
构建深度学习鼻纹检测模型；
对数据库中的猫图像进行标注，得到用于训练的分割数据集；
将猫鼻纹区域数据集输入深度学习鼻纹检测模型中进行迭代训练操作，得到训练好的猫鼻纹区域检测模型。
进一步地，对猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值的步骤包括：
对猫鼻纹图像采用拉普拉斯梯度函数进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值。
进一步地，对清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像的步骤包括：
对清晰鼻纹图像采用最大类间阈值分割算法进行鼻纹分割处理，得到分割后的二值化鼻纹图像。
进一步地，对二值化鼻纹图像进行纹理质量评价操作，得到二值化鼻纹图像的纹理质量值的步骤包括：
对二值化鼻纹图像进行纹理像素在二值化鼻纹图像像素中的占比的计算，得到二值化鼻纹图像的纹理质量值。
根据本发明的另一实施例，提供了一种基于图像质量评价的鼻纹检测装置，包括：
亮度评价模块，用于对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到猫原始图像的亮度值；
清晰度评价模块，用于对猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值；
鼻纹分割处理模块，用于对清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像；
纹理质量评价模块，用于对二值化鼻纹图像进行纹理质量评价操作，得到二值化鼻纹图像的纹理质量值；
比较条件判断模块，用于判断亮度值、清晰值以及纹理质量值是否符合预设的比较条件；
第一信息输出模块，用于若亮度值、清晰值或纹理质量值不符合预设的比较条件，则输出包含有未检测到猫鼻纹的提示信息；
鼻纹图像保存模块，用于若亮度值、清晰值以及纹理质量值符合预设的比较条件，则将符合比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库。
进一步地，该装置还包括：
鼻纹检测模块，用于将猫原始图像输入训练好的猫鼻纹区域检测模型进行检测，得到检测结果；
第二信息输出模块，用于当检测结果为未识别到猫鼻子的区域时，则输出包含有未识别出猫鼻子区域的提示信息；
鼻纹图像裁剪模块，用于当检测结果为识别到猫鼻子的区域时，则对猫原始图像进行猫鼻子区域的裁剪操作，得到裁剪出的猫鼻纹图像。
进一步地，该装置还包括：
检测模型构建模块，用于构建深度学习鼻纹检测模型；
数据集获取模块，用于对数据库中的猫图像进行标注，得到用于训练的分割数据集；
检测模型训练模块，用于将猫鼻纹区域数据集输入深度学习鼻纹检测模型中进行迭代训练操作，得到训练好的猫鼻纹区域检测模型。
本发明实施例中的基于图像质量评价的鼻纹检测方法及装置，通过对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作而获取亮度值，以避免过高或过低的亮度而影响图像的清晰度以及图像质量；同时，通过对猫鼻纹图像进行清晰度评价处理操作，获取相对于猫鼻纹图像清晰度较高的清晰鼻纹图像以及清晰值，以保证后续采集出的猫鼻纹的清晰度；进而，通过对清晰鼻纹图像进行鼻纹分割处理以及纹理质量评价操作，以获取相对于猫鼻纹图像鼻纹质量较高的鼻纹图像以及图像的纹理质量值，并将符合第一比较条件的亮度值、清晰值以及纹理质量值对应的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库，以保证获取到清晰度高、鼻纹质量高的鼻纹图像，本发明基于图像质量评价的鼻纹检测方法及装置能够提高采集到的猫鼻纹的质量。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于图像质量评价的鼻纹检测方法的流程图；
图2为本发明基于图像质量评价的鼻纹检测方法的猫鼻子检测流程图；
图3为本发明基于图像质量评价的鼻纹检测方法的训练猫鼻纹区域检测模型流程图；
图4为本发明基于图像质量评价的鼻纹检测装置的模块图；
图5为本发明基于图像质量评价的鼻纹检测装置的猫鼻子检测模块图；
图6为本发明基于图像质量评价的鼻纹检测装置的训练猫鼻纹区域检测模型模块图；
图7为本发明基于图像质量评价的鼻纹检测方法的鼻纹检测效果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明一实施例，提供了一种基于图像质量评价的鼻纹检测方法，参见图1，包括以下步骤：
S1：对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到猫原始图像的亮度值。
在本实施例中，图像亮度评价可以理解为是图像的明暗程度进行量化，例如，假设猫原始图像为f(x，y)＝i(x，y)r(x，y)，那么在进行亮度量化时，如果灰度值在[0，255]之间，则f的亮度值越接近0亮度越低，f的亮度值越接近255亮度越高；又因为图像的亮度、清晰度以及纹理质量之间并不是彼此独立的，其中一个特征的变换可能会同时引起图像其他特征的变化，即过高或过低的亮度会影响图像的清晰度以及图像质量。
具体地，本实施例对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，具体可以是采用全参考(full-reference)方法、半参考(reduced-reference)方法、或者平均偏差算法等来对猫原始图像进行亮度量化，以得到该猫原始图像的亮度值，以使后续能够对该亮度值进行进一步地评价，以避免后续因过高或过低的亮度而影响图像的清晰度以及图像质量，从而采集高质量、高清晰度的猫鼻纹，其中，还可以是采用其他评价方法进行图像的亮度评价，如无参考(no-reference)方法，此处不作具体限制。
S2：对猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值。
在本实施例中，清晰度评价处理是对猫鼻纹图像进行量化清晰指标，能够用来评价图像的清晰度，可以理解为清晰度数值越高，图像对焦就越清晰，而清晰度数值越低，图像对焦就越模糊，故为保证能够采集到高清晰度的猫鼻纹图像，从而采集高质量、高清晰度的猫鼻纹，本实施例通过对猫鼻纹图像进行清晰度评价处理，以实现该猫鼻纹图像的清晰度量化。
具体地，本实施例具体可以通过能量梯度法、拉普拉斯梯度函数等算法来对猫鼻纹图像进行清晰度的量化，还可以采用其他算法，如方差法，此处不作具体限制，然后，能够得到相对与猫鼻纹图像的清晰度较高的清晰鼻纹图像，以及该清晰鼻纹图像的清晰值，以使后续能够对该清晰值进行进一步地评价，以保证能够采集到高清晰度的猫鼻纹图像，从而采集高质量、高清晰度的猫鼻纹。
S3：对清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像。
在本实施例中，对清晰鼻纹图像进行鼻纹分割处理，是用于将清晰鼻纹图像中的猫鼻子的区域进行前景和背景的分离，以避免因背景干扰而降低采集到的猫鼻纹的质量，从而保证后续能够采集到高清晰度、高纹理质量的鼻纹图像。
具体地，本实施例对清晰鼻纹图像进行鼻纹分割处理，具体可以是采用训练好的鼻纹分割模型、或最大类间阈值分割法，还可以是其他分割方法，此处不作具体限制，对清晰鼻纹图像进行鼻纹分割处理通过将清晰鼻纹图像进行前景和背景的分离，能够避免因背景干扰而降低采集到的猫鼻纹的质量，从而保证后续能够采集到高清晰度、高纹理质量的鼻纹图像。
S4：对二值化鼻纹图像进行纹理质量评价操作，得到二值化鼻纹图像的纹理质量值。
在本实施例中，对二值化鼻纹图像进行纹理质量评价操作，是用于对图像在拍摄成像、传输或存储等过程中，由于拍摄的猫本身的鼻纹、环境等客观因素的影响，而产生的干扰或存在失真，进行纹理质量评价的处理，能够保证图像的平衡性，减少图像处理过程中的失真程度，以及减少对图像边缘、纹理以及分辨率等的影响，使得对图像中前景和背景、物体的轮廓、纹理等等能较好地区分，以保证获取到图像质量好、纹理质量高的猫鼻纹图像，从而采集到高质量、高清晰度的猫鼻纹。
具体地，通常可以理解为纹理质量值越高，图像的纹理质量越高，而纹理质量值越低，则图像的纹理质量越低，因此，本实施例具体可以通过纹理描述模型、基于区域的纹理描述算法，或者是通过计算纹理像素在二值化鼻纹图像像素中的占比等算法来对二值化鼻纹图像进行纹理质量的量化，还可以采用其他算法，如灰度共生矩阵，此处不作具体限制，然后，能够得到相对与二值化鼻纹图像的清晰度较高以及纹理质量较高的处理后的二值化鼻纹图像，以及该处理后的二值化鼻纹图像的纹理质量值，以使后续能够对该纹理质量值进行进一步地评价，以保证能够采集到图像质量好、高纹理质量的猫鼻纹图像，从而采集高质量、高清晰度的猫鼻纹。
S5：判断亮度值、清晰值以及纹理质量值是否符合预设的第一比较条件。
在本实施例中，第一比较条件是用于衡量亮度值、清晰值以及纹理质量值是否达到能够判断猫原始图像的亮度是能够保证图像清晰度和纹理质量的，清晰鼻纹图像是清晰的以及二值化鼻纹图像的纹理质量良好的标准，具体可以根据实际应用需求进行设置，此处不作具体限制。
具体地，假设第一比较条件为亮度值是否大于预设的亮度阈值，清晰值是否大于预设的清晰阈值，以及纹理质量值是否大于预设的纹理阈值，则判断亮度值、清晰值以及纹理质量值是否符合预设的第一比较条件，即将在步骤S1至步骤S4中获取到的亮度值、清晰值以及纹理质量值分别与预设的亮度阈值、预设的清晰阈值以及纹理阈值进行比较，从而判定亮度值、清晰值以及纹理质量值是否符合预设的第一比较条件。
S51：若亮度值、清晰值或纹理质量值不符合预设的第一比较条件，则输出包含有未检测到猫鼻纹的提示信息。
具体地，根据步骤S5中亮度值、清晰值以及纹理质量值分别与预设的亮度阈值、预设的清晰阈值以及纹理阈值进行比较的比较结果，当结果为亮度值小于或等于预设的亮度阈值，清晰值小于或等于预设的清晰阈值，或纹理质量值小于或等于纹理阈值，满足三个条件中的任一条件，即亮度值、清晰值或纹理质量值不符合预设的第一比较条件，可以理解为亮度值、清晰值或纹理质量值分别对应的猫原始图像亮度是不能保证后续图像处理的清晰度和纹理质量的、清晰鼻纹图像的清晰度不足，或者二值化鼻纹图像中的鼻纹纹理的质量不够高，不利于最终通过一系列处理而获取到的二值化鼻纹图像在后续鼻纹识别中的应用，而降低识别率，则可以将包含有未检测到猫鼻纹的提示信息输出至客户端以供用户进行使用或管理。
S52：若亮度值、清晰值以及纹理质量值符合预设的第一比较条件，则将符合第一比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库。
具体地，根据步骤S5中亮度值、清晰值以及纹理质量值分别与预设的亮度阈值、预设的清晰阈值以及纹理阈值进行比较的比较结果，当结果为亮度值大于预设的亮度阈值，清晰值大于预设的清晰阈值，以及纹理质量值大于纹理阈值，三个条件均满足，即亮度值、清晰值或纹理质量值符合预设的第一比较条件，可以理解为亮度值、清晰值或纹理质量值分别对应的猫原始图像亮度是能够保证后续图像处理的清晰度和纹理质量的、清晰鼻纹图像的清晰度足够，以及二值化鼻纹图像中的鼻纹纹理的质量足够高，能够使得最终通过一系列处理而获取到的二值化鼻纹图像应用于后续的鼻纹识别中，以保证鼻纹识别的准确率，则可以将符合第一比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库，同时，本实施例还将包含有采集到高质量、高清晰度的猫鼻纹的提示信息输出至客户端以供用户进行使用或管理。
本发明实施例中的基于图像质量评价的鼻纹检测方法，通过对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作而获取亮度值，以避免过高或过低的亮度影响而影响图像的清晰度以及图像质量；同时，通过对猫鼻纹图像进行清晰度评价处理操作，获取相对于猫鼻纹图像清晰度较高的清晰鼻纹图像以及清晰值，以保证后续采集出的猫鼻纹的清晰度；进而，通过对清晰鼻纹图像进行鼻纹分割处理以及纹理质量评价操作，以获取相对于猫鼻纹图像鼻纹质量较高的鼻纹图像以及图像的纹理质量值，并将符合第一比较条件的亮度值、清晰值以及纹理质量值对应的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库，以保证获取到清晰度高、鼻纹质量高的鼻纹图像，本发明基于图像质量评价的鼻纹检测方法能够提高采集到的猫鼻纹的质量；本发明计算复杂度低，简便实用，成本低。
需要说明的是，本发明实施例中的基于图像质量评价的鼻纹检测方法，在使用的过程中，不需要其他辅助设备，如鼻纹贴，高清相机等设备，能够实现节省成本；本实施例还能够支持多种部署方式，如端侧独享，端云协同部署等方式，以实现技术的方便移植。
作为优选的技术方案中，参见图2，在步骤S1之前，该方法还包括：
S21：将猫原始图像输入训练好的猫鼻纹区域检测模型进行检测，得到检测结果。
在本实施例中，训练好的猫鼻纹区域检测模型是通过采用大量的猫鼻纹图像进行处理后，制作好的鼻纹区域数据集对预先构建的深度学习鼻纹检测模型进行不断地迭代训练，而获取到的具有较高准确率的鼻纹区域的检测模型。
具体地，本实施例通过将猫原始图像输入训练好的猫鼻纹区域检测模型中进行鼻纹区域检测操作，能够输出识别到包含有猫鼻子的区域的检测结果，以及未识别到猫鼻子区域的检测结果，以使后续能够对识别到包含有猫鼻子的区域的猫原始图像进行进一步地鼻纹提取，以保证后续能够采集到高清晰度、高质量的鼻纹图像。
S22：当检测结果为未识别到猫鼻子的区域时，则输出包含有未识别出猫鼻子区域的提示信息。
具体地，当检测结果为未识别到猫鼻子的区域时，则可以理解为该猫原始图像中，没有拍摄或捕捉到能够应用于后续鼻纹识别技术中的猫鼻子的区域，不能对猫的鼻纹进行采集，故可以将包含有未识别出猫鼻子区域的提示信息输出至客户端以供用户进行使用或管理。
S23：当检测结果为识别到猫鼻子的区域时，则对猫原始图像进行猫鼻子区域的裁剪操作，得到裁剪出的猫鼻纹图像。
具体地，当检测结果为识别到猫鼻子的区域时，则可以理解为该猫原始图像中，拍摄或捕捉到了能够应用于后续鼻纹识别技术中的猫鼻子的区域，能够对猫的鼻纹进行进一步地采集，故本实施例通过对猫原始图像进行猫鼻子区域的裁剪操作，以准确获取包含有猫鼻子区域的猫鼻纹图像，以保证后续能够采集到高清晰度、高质量的鼻纹图像。
进一步地，为了保证后续处理以及采集到高清晰度的鼻纹图像，需要保证图像中具有猫鼻子的区域，本实施例通过对猫原始图像进行猫鼻子区域的裁剪操作，以准确获取包含有猫鼻子区域的猫鼻纹图像，具体可以是对猫原始图像采用旋转，改变尺寸，明暗变化、边缘裁剪等图像处理手段，还可以根据实际应用需求进行其他图像处理手段，此处不作具体限制，从而获取到处理好的包含有猫鼻子区域的猫鼻纹图像。
作为优选的技术方案中，对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到猫原始图像的亮度值的步骤包括：
对裁剪出的猫鼻纹图像对应的猫原始图像采用平均偏差算法进行亮度评价的计算，得到猫原始图像的亮度值。
在本实施例中，由于一个好的图像亮度评价算法需要保证连续的感知数据离散化，因此本实施例通过使用平均偏差的算法来对猫原始图像进行亮度的评价处理操作，以获取相对猫原始图像能够直观显示图像亮度的猫鼻纹图像，以及该猫鼻纹图像的亮度值。
其中，平均偏差是一种平均离差，而离差是总体各单位的标志值与算术平均数之差，则平均偏差就是每个原数据值与算术平均数之差的绝对值的均值，通常用符号A.D.(average deviation)表示。
具体地，本实施例通过计算猫原始图像的平均偏差，并将计算出的平均偏差作为该猫鼻纹图像的亮度值。
其中，平均偏差的表达式如下：
Figure BDA0002745169460000121
其中，A.D.为猫原始图像的平均偏差，x为图像像素，
Figure BDA0002745169460000122
为x的算术平均数，n为图像像素的总个数。
作为优选的技术方案中，参见图3，在步骤S21之前，该方法还包括：
S31：构建深度学习鼻纹检测模型。
具体的，为了能够获取到鼻纹区域检测准确率较高的模型，本实施例构建深度学习鼻纹检测模型是通过采用yolov3-tiny的深度学习网络，还可以根据实际应用需求采用其他网络，此处不作具体限制，以实现在一定程度上保证鼻纹区域检测的准确率。
S32：对数据库中的猫图像进行标注，得到用于训练的分割数据集。
具体地，在本实施例中，猫鼻纹区域数据集是预先处理和制作好的鼻纹区域训练集以及鼻纹区域测试集。
具体地，本实施例可以根据实际应用需要的数据类型在数据库中进行索引，以快速准确的获取到预先处理和制作好的鼻纹区域训练集以及鼻纹区域测试集，以供后续进行训练构建好的深度学习鼻纹检测模型。
S33：将猫鼻纹区域数据集输入深度学习鼻纹检测模型中进行迭代训练操作，得到训练好的猫鼻纹区域检测模型。
在本实施例中，训练好的猫鼻纹区域检测模型是用于提取猫图像的鼻纹特征，并能够根据提取出的鼻纹特征进行鼻纹区域识别的模型。
具体地，本实施例通过利用预先处理和制作好的鼻纹区域训练集以及鼻纹区域测试集对深度学习鼻纹检测模型进行大量的迭代训练，从而获取到能够得到用于提取猫图像的鼻纹特征，并能够根据提取出的鼻纹特征进行鼻纹区域识别的猫鼻纹区域检测模型。
作为优选的技术方案中，对猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值的步骤包括：
对猫鼻纹图像采用拉普拉斯梯度函数进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值。
具体地，由于一个好的图像清晰度评价函数需要具有单峰性，无偏性，灵敏性，因此本实施例通过使用拉普拉斯梯度函数来对猫鼻纹图像进行清晰度的评价处理操作，以获取相对猫鼻纹图像的清晰度较高的清晰鼻纹图像，以及该清晰鼻纹图像的清晰值，拉普拉斯梯度函数的实现方法可以是采用Sobel算子计算二阶x和y的导数，然后再求和，并将求和值作为该清晰鼻纹图像的清晰值。
其中，拉普拉斯梯度函数表达式如下：
Figure BDA0002745169460000141
其中，I＝(x,y)为二维图像，x，y为图像像素。
作为优选的技术方案中，对清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像的步骤包括：
对清晰鼻纹图像采用最大类间阈值分割算法进行鼻纹分割处理，得到分割后的二值化鼻纹图像。
在本实施例中，为了能够将清晰鼻纹图像中的猫鼻子的区域的前景和背景进行准确分离，以避免因背景干扰而降低采集到的猫鼻纹的质量，本实施例通过采用最大类间阈值分割算法对清晰鼻纹图像进行鼻纹分割处理，以获取精确分割后的包含有鼻纹纹理的二值化鼻纹图像。
其中，最大类间阈值(OTSU)是可以理解是通过计算能够使一张有色彩的图像过度为黑白的二值化图像的一个临界值，即最大类间阈值，以实现将清晰鼻纹图像中的猫鼻子的区域的前景和背景进行准确分离。
具体地，本实施例通过采用统计学、最大类间方差计算出能够用于较为精确地分割清晰鼻纹图像中的猫鼻子的区域的前景和背景的一个临界值，即最大类间阈值，然后，通过该最大类间阈值对清晰鼻纹图像中的猫鼻子的区域的前景和背景进行准确分离，以实现有色彩的清晰鼻纹图像转化为猫鼻子区域的前景和背景分离的黑白的二值化鼻纹图像。
作为优选的技术方案中，对二值化鼻纹图像进行纹理质量评价操作，得到二值化鼻纹图像的纹理质量值的步骤包括：
对二值化鼻纹图像进行纹理像素在二值化鼻纹图像像素中的占比的计算，得到二值化鼻纹图像的纹理质量值。
在本实施例中，由于理想中的高鼻纹质量的图像应该是纹理清晰，黑白相间的，而不会出现大片的纯黑或纯白图案的二值化鼻纹图像，参见图7，为了能够准确获取清晰鼻纹图像的纹理质量值，本实施例通过计算纹理像素在二值化鼻纹图像像素中的占比，并将该占比值作为该纹理质量值。
具体地，通常可以理解为纹理质量值越高，图像的纹理质量越高，而纹理质量值越低，则图像的纹理质量越低，因此针对二值化图像中的每一个像素值，该二值化图像上可能出现3种值，分别是：0，1以及-1；其中，像素值为1的部分，该部分一般出现在鼻纹图像的纹理区域，而为了鼻纹的纹理质量，本实施例将该值出现的个数统计为二值化鼻纹图像的纹理像素。
进一步地，本实施通过二值化鼻纹图像中的鼻纹区域的像素总数进行统计，然后，计算纹理像素在二值化鼻纹图像像素中的占比，并将该占比值作为该纹理质量值，能够得到相对与二值化鼻纹图像的清晰度较高以及纹理质量较高的处理后的二值化鼻纹图像，以及该处理后的二值化鼻纹图像的纹理质量值，以使后续能够对该纹理质量值进行进一步地评价，以保证能够采集到图像质量好、高纹理质量的猫鼻纹图像，从而采集高质量、高清晰度的猫鼻纹。
实施例2
根据本发明的另一实施例，提供了一种基于图像质量评价的鼻纹检测装置，参见图4，包括：
亮度评价模块401，用于对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到猫原始图像的亮度值；
在本实施例中，图像亮度评价可以理解为是图像的明暗程度进行量化，例如，假设猫原始图像为f(x，y)＝i(x，y)r(x，y)，那么在进行亮度量化时，如果灰度值在[0，255]之间，则f的亮度值越接近0亮度越低，f的亮度值越接近255亮度越高；又因为图像的亮度、清晰度以及纹理质量之间并不是彼此独立的，其中一个特征的变换可能会同时引起图像其他特征的变化，即过高或过低的亮度会影响图像的清晰度以及图像质量。
具体地，本实施例对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，具体可以是采用全参考(full-reference)方法、半参考(reduced-reference)方法、或者平均偏差算法等来对猫原始图像进行亮度量化，以得到该猫原始图像的亮度值，以使后续能够对该亮度值进行进一步地评价，以避免后续因过高或过低的亮度而影响图像的清晰度以及图像质量，从而采集高质量、高清晰度的猫鼻纹，其中，还可以是采用其他评价方法进行图像的亮度评价，如无参考(no-reference)方法，此处不作具体限制。
清晰度评价模块402，用于对猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值；
在本实施例中，清晰度评价处理是对猫鼻纹图像进行量化清晰指标，能够用来评价图像的清晰度，可以理解为清晰度数值越高，图像对焦就越清晰，而清晰度数值越低，图像对焦就越模糊，故为保证能够采集到高清晰度的猫鼻纹图像，从而采集高质量、高清晰度的猫鼻纹，本实施例通过对猫鼻纹图像进行清晰度评价处理，以实现该猫鼻纹图像的清晰度量化。
具体地，本实施例具体可以通过能量梯度法、拉普拉斯梯度函数等算法来对猫鼻纹图像进行清晰度的量化，还可以采用其他算法，如方差法，此处不作具体限制，然后，能够得到相对与猫鼻纹图像的清晰度较高的清晰鼻纹图像，以及该清晰鼻纹图像的清晰值，以使后续能够对该清晰值进行进一步地评价，以保证能够采集到高清晰度的猫鼻纹图像，从而采集高质量、高清晰度的猫鼻纹。
鼻纹分割处理模块403，用于对清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像；
在本实施例中，对清晰鼻纹图像进行鼻纹分割处理，是用于将清晰鼻纹图像中的猫鼻子的区域进行前景和背景的分离，以避免因背景干扰而降低采集到的猫鼻纹的质量，从而保证后续能够采集到高清晰度、高纹理质量的鼻纹图像。
具体地，本实施例对清晰鼻纹图像进行鼻纹分割处理，具体可以是采用训练好的鼻纹分割模型、或最大类间阈值分割法，还可以是其他分割方法，此处不作具体限制，对清晰鼻纹图像进行鼻纹分割处理通过将清晰鼻纹图像进行前景和背景的分离，能够避免因背景干扰而降低采集到的猫鼻纹的质量，从而保证后续能够采集到高清晰度、高纹理质量的鼻纹图像。
纹理质量评价模块404，用于对二值化鼻纹图像进行纹理质量评价操作，得到二值化鼻纹图像的纹理质量值；
在本实施例中，对二值化鼻纹图像进行纹理质量评价操作，是用于对图像在拍摄成像、传输或存储等过程中，由于拍摄的猫本身的鼻纹、环境等客观因素的影响，而产生的干扰或存在失真，进行纹理质量评价的处理，能够保证图像的平衡性，减少图像处理过程中的失真程度，以及减少对图像边缘、纹理以及分辨率等的影响，使得对图像中前景和背景、物体的轮廓、纹理等等能较好地区分，以保证获取到图像质量好、纹理质量高的猫鼻纹图像，从而采集到高质量、高清晰度的猫鼻纹。
具体地，通常可以理解为纹理质量值越高，图像的纹理质量越高，而纹理质量值越低，则图像的纹理质量越低，因此，本实施例具体可以通过纹理描述模型、基于区域的纹理描述算法，或者是通过计算纹理像素在二值化鼻纹图像像素中的占比等算法来对二值化鼻纹图像进行纹理质量的量化，还可以采用其他算法，如灰度共生矩阵，此处不作具体限制，然后，能够得到相对与二值化鼻纹图像的清晰度较高以及纹理质量较高的处理后的二值化鼻纹图像，以及该处理后的二值化鼻纹图像的纹理质量值，以使后续能够对该纹理质量值进行进一步地评价，以保证能够采集到图像质量好、高纹理质量的猫鼻纹图像，从而采集高质量、高清晰度的猫鼻纹。
比较条件判断模块405，用于判断亮度值、清晰值以及纹理质量值是否符合预设的比较条件；
在本实施例中，第一比较条件是用于衡量亮度值、清晰值以及纹理质量值是否达到能够判断猫原始图像的亮度是能够保证图像清晰度和纹理质量的，清晰鼻纹图像是清晰的以及二值化鼻纹图像的纹理质量良好的标准，具体可以根据实际应用需求进行设置，此处不作具体限制。
具体地，假设第一比较条件为亮度值是否大于预设的亮度阈值，清晰值是否大于预设的清晰阈值，以及纹理质量值是否大于预设的纹理阈值，则判断亮度值、清晰值以及纹理质量值是否符合预设的第一比较条件，即将在亮度评价模块401至纹理质量评价模块404中获取到的亮度值、清晰值以及纹理质量值分别与预设的亮度阈值、预设的清晰阈值以及纹理阈值进行比较，从而判定亮度值、清晰值以及纹理质量值是否符合预设的第一比较条件。
第一信息输出模块4051，用于若亮度值、清晰值或纹理质量值不符合预设的比较条件，则输出包含有未检测到猫鼻纹的提示信息；
具体地，根据比较条件判断模块405中亮度值、清晰值以及纹理质量值分别与预设的亮度阈值、预设的清晰阈值以及纹理阈值进行比较的比较结果，当结果为亮度值小于或等于预设的亮度阈值，清晰值小于或等于预设的清晰阈值，或纹理质量值小于或等于纹理阈值，满足三个条件中的任一条件，即亮度值、清晰值或纹理质量值不符合预设的第一比较条件，可以理解为亮度值、清晰值或纹理质量值分别对应的猫原始图像亮度是不能保证后续图像处理的清晰度和纹理质量的、清晰鼻纹图像的清晰度不足，或者二值化鼻纹图像中的鼻纹纹理的质量不够高，不利于最终通过一系列处理而获取到的二值化鼻纹图像在后续鼻纹识别中的应用，而降低识别率，则可以将包含有未检测到猫鼻纹的提示信息输出至客户端以供用户进行使用或管理。
鼻纹图像保存模块4052，用于若亮度值、清晰值以及纹理质量值符合预设的比较条件，则将符合比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库。
具体地，根据比较条件判断模块405中亮度值、清晰值以及纹理质量值分别与预设的亮度阈值、预设的清晰阈值以及纹理阈值进行比较的比较结果，当结果为亮度值大于预设的亮度阈值，清晰值大于预设的清晰阈值，以及纹理质量值大于纹理阈值，三个条件均满足，即亮度值、清晰值或纹理质量值符合预设的第一比较条件，可以理解为亮度值、清晰值或纹理质量值分别对应的猫原始图像亮度是能够保证后续图像处理的清晰度和纹理质量的、清晰鼻纹图像的清晰度足够，以及二值化鼻纹图像中的鼻纹纹理的质量足够高，能够使得最终通过一系列处理而获取到的二值化鼻纹图像应用于后续的鼻纹识别中，以保证鼻纹识别的准确率，则可以将符合第一比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库，同时，本实施例还将包含有采集到高质量、高清晰度的猫鼻纹的提示信息输出至客户端以供用户进行使用或管理。
本发明实施例中的基于图像质量评价的鼻纹检测装置，通过对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作而获取亮度值，以避免过高或过低的亮度而影响图像的清晰度以及图像质量；同时，通过对猫鼻纹图像进行清晰度评价处理操作，获取相对于猫鼻纹图像清晰度较高的清晰鼻纹图像以及清晰值，以保证后续采集出的猫鼻纹的清晰度；进而，通过对清晰鼻纹图像进行鼻纹分割处理以及纹理质量评价操作，以获取相对于猫鼻纹图像鼻纹质量较高的鼻纹图像以及图像的纹理质量值，并将符合第一比较条件的亮度值、清晰值以及纹理质量值对应的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库，以保证获取到清晰度高、鼻纹质量高的鼻纹图像，本发明基于图像质量评价的鼻纹检测装置能够提高采集到的猫鼻纹的质量；本发明计算复杂度低，简便实用，成本低。
需要说明的是，本发明实施例中的基于图像质量评价的鼻纹检测方法，在使用的过程中，不需要其他辅助设备，如鼻纹贴，高清相机等设备，能够实现节省成本；本实施例还能够支持多种部署方式，如端侧独享，端云协同部署等方式，以实现技术的方便移植。
作为优选的技术方案中，参见图5，该装置还包括：
鼻纹检测模块501，用于将猫原始图像输入训练好的猫鼻纹区域检测模型进行检测，得到检测结果；
在本实施例中，训练好的猫鼻纹区域检测模型是通过采用大量的猫鼻纹图像进行处理后，制作好的鼻纹区域数据集对预先构建的深度学习鼻纹检测模型进行不断地迭代训练，而获取到的具有较高准确率的鼻纹区域的检测模型。
具体地，本实施例通过将猫原始图像输入训练好的猫鼻纹区域检测模型中进行鼻纹区域检测操作，能够输出识别到包含有猫鼻子的区域的检测结果，以及未识别到猫鼻子区域的检测结果，以使后续能够对识别到包含有猫鼻子的区域的猫原始图像进行进一步地鼻纹提取，以保证后续能够采集到高清晰度、高质量的鼻纹图像。
第二信息输出模块5011，用于当检测结果为未识别到猫鼻子的区域时，则输出包含有未识别出猫鼻子区域的提示信息；
具体地，当检测结果为未识别到猫鼻子的区域时，则可以理解为该猫原始图像中，没有拍摄或捕捉到能够应用于后续鼻纹识别技术中的猫鼻子的区域，不能对猫的鼻纹进行采集，故可以将包含有未识别出猫鼻子区域的提示信息输出至客户端以供用户进行使用或管理。
鼻纹图像裁剪模块5012，用于当检测结果为识别到猫鼻子的区域时，则对猫原始图像进行猫鼻子区域的裁剪操作，得到裁剪出的猫鼻纹图像。
具体地，当检测结果为识别到猫鼻子的区域时，则可以理解为该猫原始图像中，拍摄或捕捉到了能够应用于后续鼻纹识别技术中的猫鼻子的区域，能够对猫的鼻纹进行进一步地采集，故本实施例通过对猫原始图像进行猫鼻子区域的裁剪操作，以准确获取包含有猫鼻子区域的猫鼻纹图像，以保证后续能够采集到高清晰度、高质量的鼻纹图像。
进一步地，为了保证后续处理以及采集到高清晰度的鼻纹图像，需要保证图像中具有猫鼻子的区域，本实施例通过对猫原始图像进行猫鼻子区域的裁剪操作，以准确获取包含有猫鼻子区域的猫鼻纹图像，具体可以是对猫原始图像采用旋转，改变尺寸，明暗变化、边缘裁剪等图像处理手段，还可以根据实际应用需求进行其他图像处理手段，此处不作具体限制，从而获取到处理好的包含有猫鼻子区域的猫鼻纹图像。
作为优选的技术方案中，对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到猫原始图像的亮度值的步骤包括：
对裁剪出的猫鼻纹图像对应的猫原始图像采用平均偏差算法进行亮度评价的计算，得到猫原始图像的亮度值。
在本实施例中，由于一个好的图像亮度评价算法需要保证连续的感知数据离散化，因此本实施例通过使用平均偏差的算法来对猫原始图像进行亮度的评价处理操作，以获取相对猫原始图像能够直观显示图像亮度的猫鼻纹图像，以及该猫鼻纹图像的亮度值。
其中，平均偏差是一种平均离差，而离差是总体各单位的标志值与算术平均数之差，则平均偏差就是每个原数据值与算术平均数之差的绝对值的均值，通常用符号A.D.(average deviation)表示。
具体地，本实施例通过计算猫原始图像的平均偏差，并将计算出的平均偏差作为该猫鼻纹图像的亮度值。
其中，平均偏差的表达式如下：
Figure BDA0002745169460000221
其中，A.D.为猫原始图像的平均偏差，x为图像像素，
Figure BDA0002745169460000222
为x的算术平均数，n为图像像素的总个数。
作为优选的技术方案中，参见图6，该装置还包括：
检测模型构建模601，用于构建深度学习鼻纹检测模型；
具体的，为了能够获取到鼻纹区域检测准确率较高的模型，本实施例构建深度学习鼻纹检测模型是通过采用yolov3-tiny的深度学习网络，还可以根据实际应用需求采用其他网络，此处不作具体限制，以实现在一定程度上保证鼻纹区域检测的准确率。
数据集获取模块602，用于对数据库中的猫图像进行标注，得到用于训练的分割数据集；
具体地，在本实施例中，猫鼻纹区域数据集是预先处理和制作好的鼻纹区域训练集以及鼻纹区域测试集，例如，通过对采集到大约4000张手机拍摄的猫近照，进行图像裁剪、尺寸调整等图像处理手段，以获取该猫鼻纹区域数据集。
具体地，本实施例可以根据实际应用需要的数据类型在数据库中进行索引，以快速准确的获取到预先处理和制作好的鼻纹区域训练集以及鼻纹区域测试集，以供后续进行训练构建好的深度学习鼻纹检测模型。
检测模型训练模块603，用于将猫鼻纹区域数据集输入深度学习鼻纹检测模型中进行迭代训练操作，得到训练好的猫鼻纹区域检测模型。
在本实施例中，训练好的猫鼻纹区域检测模型是用于提取猫图像的鼻纹特征，并能够根据提取出的鼻纹特征进行鼻纹区域识别的模型。
具体地，本实施例通过利用预先处理和制作好的鼻纹区域训练集以及鼻纹区域测试集对深度学习鼻纹检测模型进行大量的迭代训练，从而获取到能够得到用于提取猫图像的鼻纹特征，并能够根据提取出的鼻纹特征进行鼻纹区域识别的猫鼻纹区域检测模型。
作为优选的技术方案中，对猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值的步骤包括：
对猫鼻纹图像采用拉普拉斯梯度函数进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及清晰鼻纹图像的清晰值。
具体地，由于一个好的图像清晰度评价函数需要具有单峰性，无偏性，灵敏性，因此本实施例通过使用拉普拉斯梯度函数来对猫鼻纹图像进行清晰度的评价处理操作，以获取相对猫鼻纹图像的清晰度较高的清晰鼻纹图像，以及该清晰鼻纹图像的清晰值，拉普拉斯梯度函数的实现方法可以是采用Sobel算子计算二阶x和y的导数，然后再求和，并将求和值作为该清晰鼻纹图像的清晰值。
其中，拉普拉斯梯度函数表达式如下：
Figure BDA0002745169460000231
其中，I＝(x,y)为二维图像，x，y为图像像素。
作为优选的技术方案中，对清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像的步骤包括：
对清晰鼻纹图像采用最大类间阈值分割算法进行鼻纹分割处理，得到分割后的二值化鼻纹图像。
在本实施例中，为了能够将清晰鼻纹图像中的猫鼻子的区域的前景和背景进行准确分离，以避免因背景干扰而降低采集到的猫鼻纹的质量，本实施例通过采用最大类间阈值分割算法对清晰鼻纹图像进行鼻纹分割处理，以获取精确分割后的包含有鼻纹纹理的二值化鼻纹图像。
其中，最大类间阈值(OTSU)是可以理解是通过计算能够使一张有色彩的图像过度为黑白的二值化图像的一个临界值，即最大类间阈值，以实现将清晰鼻纹图像中的猫鼻子的区域的前景和背景进行准确分离。
具体地，本实施例通过采用统计学、最大类间方差计算出能够用于较为精确地分割清晰鼻纹图像中的猫鼻子的区域的前景和背景的一个临界值，即最大类间阈值，然后，通过该最大类间阈值对清晰鼻纹图像中的猫鼻子的区域的前景和背景进行准确分离，以实现有色彩的清晰鼻纹图像转化为猫鼻子区域的前景和背景分离的黑白的二值化鼻纹图像。
作为优选的技术方案中，对二值化鼻纹图像进行纹理质量评价操作，得到二值化鼻纹图像的纹理质量值的步骤包括：
对二值化鼻纹图像进行纹理像素在二值化鼻纹图像像素中的占比的计算，得到二值化鼻纹图像的纹理质量值。
在本实施例中，由于理想中的高鼻纹质量的图像应该是纹理清晰，黑白相间的，而不会出现大片的纯黑或纯白图案的二值化鼻纹图像，参见图7，为了能够准确获取清晰鼻纹图像的纹理质量值，本实施例通过计算纹理像素在二值化鼻纹图像像素中的占比，并将该占比值作为该纹理质量值。
具体地，通常可以理解为纹理质量值越高，图像的纹理质量越高，而纹理质量值越低，则图像的纹理质量越低，因此针对二值化图像中的每一个像素值，该二值化图像上可能出现3种值，分别是：0，1以及-1；其中，像素值为1的部分，该部分一般出现在鼻纹图像的纹理区域，而为了鼻纹的纹理质量，本实施例将该值出现的个数统计为二值化鼻纹图像的纹理像素。
进一步地，本实施通过二值化鼻纹图像中的鼻纹区域的像素总数进行统计，然后，计算纹理像素在二值化鼻纹图像像素中的占比，并将该占比值作为该纹理质量值，能够得到相对与二值化鼻纹图像的清晰度较高以及纹理质量较高的处理后的二值化鼻纹图像，以及该处理后的二值化鼻纹图像的纹理质量值，以使后续能够对该纹理质量值进行进一步地评价，以保证能够采集到图像质量好、高纹理质量的猫鼻纹图像，从而采集高质量、高清晰度的猫鼻纹。
与现有的鼻纹采集方法相比，本发明基于图像质量评价的鼻纹检测方法及装置的优点在于：
1.本实施例通过对猫原始鼻纹图像输入训练好的猫鼻纹区域检测模型进行检测，并对识别出猫鼻子区域的猫原始图像进行裁剪操作，以实现对猫鼻纹图像的猫鼻子区域的定位，以及对猫鼻纹图像进行分析处理，是通过合适的亮度量化机制、清晰度量化机制以及猫鼻纹纹质量量化机制来采集的合格的、高质量、高清晰度的猫鼻纹，从而提高采集到的猫鼻纹的质量；
2.本实施例在使用的过程中，不需要其他辅助设备，如鼻纹贴，高清相机等设备，能够实现节省成本；
3.本实施例还能够支持多种部署方式，如端侧独享，端云协同部署等方式，以实现技术的方便移植。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的***实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于图像质量评价的鼻纹检测方法，其特征在于，包括以下步骤：
对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到所述猫原始图像的亮度值；
对所述猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及所述清晰鼻纹图像的清晰值；
对所述清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像；
对所述二值化鼻纹图像进行纹理质量评价操作，得到所述二值化鼻纹图像的纹理质量值；
判断所述亮度值、所述清晰值以及所述纹理质量值是否符合预设的第一比较条件；
若所述亮度值、所述清晰值或所述纹理质量值不符合预设的第一比较条件，则输出包含有未检测到猫鼻纹的提示信息；
若所述亮度值、所述清晰值以及所述纹理质量值符合预设的第一比较条件，则将符合所述第一比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库。
2.根据权利要求1所述的基于图像质量评价的鼻纹检测方法，其特征在于，在所述对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到所述猫原始图像的亮度值的步骤之前，所述方法还包括：
将所述猫原始图像输入训练好的猫鼻纹区域检测模型进行检测，得到检测结果；
当所述检测结果为未识别到猫鼻子的区域时，则输出包含有未识别出猫鼻子区域的提示信息；
当所述检测结果为识别到猫鼻子的区域时，则对所述猫原始图像进行猫鼻子区域的裁剪操作，得到裁剪出的所述猫鼻纹图像。
3.根据权利要求1所述的基于图像质量评价的鼻纹检测方法，其特征在于，所述对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到所述猫原始图像的亮度值的步骤包括：
对裁剪出的猫鼻纹图像对应的猫原始图像采用平均偏差算法进行亮度评价的计算，得到所述猫原始图像的亮度值。
4.根据权利要求2所述的基于图像质量评价的鼻纹检测方法，其特征在于，在所述将所述猫原始图像输入训练好的猫鼻纹区域检测模型进行检测，得到检测结果的步骤之前，所述方法还包括：
构建深度学习鼻纹检测模型；
对数据库中的猫图像进行标注，得到用于训练的分割数据集；
将所述猫鼻纹区域数据集输入所述深度学习鼻纹检测模型中进行迭代训练操作，得到训练好的所述猫鼻纹区域检测模型。
5.根据权利要求1所述的基于图像质量评价的鼻纹检测方法，其特征在于，所述对所述猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及所述清晰鼻纹图像的清晰值的步骤包括：
对所述猫鼻纹图像采用拉普拉斯梯度函数进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及所述清晰鼻纹图像的清晰值。
6.根据权利要求1所述的基于图像质量评价的鼻纹检测方法，其特征在于，所述对所述清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像的步骤包括：
对所述清晰鼻纹图像采用最大类间阈值分割算法进行鼻纹分割处理，得到分割后的二值化鼻纹图像。
7.根据权利要求6所述的基于图像质量评价的鼻纹检测方法，其特征在于，所述对所述二值化鼻纹图像进行纹理质量评价操作，得到所述二值化鼻纹图像的纹理质量值的步骤包括：
对所述二值化鼻纹图像进行纹理像素在二值化鼻纹图像像素中的占比的计算，得到所述二值化鼻纹图像的纹理质量值。
8.一种基于图像质量评价的鼻纹检测装置，其特征在于，包括：
亮度评价模块，用于对裁剪出的猫鼻纹图像对应的猫原始图像进行亮度评价操作，得到所述猫原始图像的亮度值；
清晰度评价模块，用于对所述猫鼻纹图像进行清晰度评价处理操作，得到处理后的清晰鼻纹图像以及所述清晰鼻纹图像的清晰值；
鼻纹分割处理模块，用于对所述清晰鼻纹图像进行鼻纹分割处理，得到分割后的二值化鼻纹图像；
纹理质量评价模块，用于对所述二值化鼻纹图像进行纹理质量评价操作，得到所述二值化鼻纹图像的纹理质量值；
比较条件判断模块，用于判断所述亮度值、所述清晰值以及所述纹理质量值是否符合预设的比较条件；
第一信息输出模块，用于若所述亮度值、所述清晰值或所述纹理质量值不符合预设的比较条件，则输出包含有未检测到猫鼻纹的提示信息；
鼻纹图像保存模块，用于若所述亮度值、所述清晰值以及所述纹理质量值符合预设的比较条件，则将符合所述比较条件的二值化鼻纹图像、清晰鼻纹图像以及猫原始图像对应保存至数据库。
9.根据权利要求8所述的基于图像质量评价的鼻纹检测装置，其特征在于，所述装置还包括：
鼻纹检测模块，用于将所述猫原始图像输入训练好的猫鼻纹区域检测模型进行检测，得到检测结果；
第二信息输出模块，用于当所述检测结果为未识别到猫鼻子的区域时，则输出包含有未识别出猫鼻子区域的提示信息；
鼻纹图像裁剪模块，用于当所述检测结果为识别到猫鼻子的区域时，则对所述猫原始图像进行猫鼻子区域的裁剪操作，得到裁剪出的所述猫鼻纹图像。
10.根据权利要求8所述的基于图像质量评价的鼻纹检测装置，其特征在于，所述装置还包括：
检测模型构建模块，用于构建深度学习鼻纹检测模型；
数据集获取模块，用于对数据库中的猫图像进行标注，得到用于训练的分割数据集；
检测模型训练模块，用于将所述猫鼻纹区域数据集输入所述深度学习鼻纹检测模型中进行迭代训练操作，得到训练好的所述猫鼻纹区域检测模型。
CN202011163798.3A 2020-10-27 2020-10-27 一种基于图像质量评价的鼻纹检测方法及装置 Pending CN112329575A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011163798.3A CN112329575A (zh) 2020-10-27 2020-10-27 一种基于图像质量评价的鼻纹检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011163798.3A CN112329575A (zh) 2020-10-27 2020-10-27 一种基于图像质量评价的鼻纹检测方法及装置

Publications (1)

Publication Number Publication Date
CN112329575A true CN112329575A (zh) 2021-02-05

Family

ID=74296915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011163798.3A Pending CN112329575A (zh) 2020-10-27 2020-10-27 一种基于图像质量评价的鼻纹检测方法及装置

Country Status (1)

Country Link
CN (1) CN112329575A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114639141A (zh) * 2022-02-23 2022-06-17 支付宝(杭州)信息技术有限公司 鼻纹图片获取方法、装置、存储介质及电子设备
WO2024016715A1 (zh) * 2022-07-22 2024-01-25 宁德时代新能源科技股份有限公司 检测***的成像一致性的方法、装置和计算机存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567996A (zh) * 2012-01-05 2012-07-11 中国地质大学（武汉） 一种遥感卫星图像质量评价的方法
CN106856002A (zh) * 2016-11-22 2017-06-16 上海大学 一种无人机拍摄图像质量评价方法
CN109829381A (zh) * 2018-12-28 2019-05-31 北京旷视科技有限公司 一种犬只识别管理方法、装置、***及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567996A (zh) * 2012-01-05 2012-07-11 中国地质大学（武汉） 一种遥感卫星图像质量评价的方法
CN106856002A (zh) * 2016-11-22 2017-06-16 上海大学 一种无人机拍摄图像质量评价方法
CN109829381A (zh) * 2018-12-28 2019-05-31 北京旷视科技有限公司 一种犬只识别管理方法、装置、***及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
（美）罗伊·希尔克罗特（ROY SHILKROT）等著；唐灿译: "《深入理解OpenCV 实用计算机视觉项目解析 原书第3版》", 31 January 2020 *
曹欣等: "《结合清晰度的无参考图像质量评价》", 《计算机与数字工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114639141A (zh) * 2022-02-23 2022-06-17 支付宝(杭州)信息技术有限公司 鼻纹图片获取方法、装置、存储介质及电子设备
WO2024016715A1 (zh) * 2022-07-22 2024-01-25 宁德时代新能源科技股份有限公司 检测***的成像一致性的方法、装置和计算机存储介质

Similar Documents

Publication Publication Date Title
US7715596B2 (en) Method for controlling photographs of people
EP1825420B1 (en) Automatically determining acceptability of a digital image
CN109918971B (zh) 监控视频中人数检测方法及装置
CN111612104B (zh) 车辆定损图像获取方法、装置、介质和电子设备
CN111784675A (zh) 物品纹理信息处理的方法、装置、存储介质及电子设备
CN110913243A (zh) 一种视频审核的方法、装置和设备
CN111192241B (zh) 一种人脸图像的质量评估方法、装置及计算机存储介质
CN112329575A (zh) 一种基于图像质量评价的鼻纹检测方法及装置
Alaei et al. Image quality assessment based on regions of interest
CN114049499A (zh) 用于连续轮廓的目标对象检测方法、设备及存储介质
CN112381840B (zh) 一种用于定损视频中车辆外观部件标注的方法及***
CN112785572B (zh) 图像质量评估方法、装置以及计算机可读存储介质
CN109215047B (zh) 基于深海视频的运动目标检测方法和装置
Zhao et al. Automatic blur region segmentation approach using image matting
CN111815528A (zh) 基于卷积模型和特征融合的恶劣天气图像分类增强方法
CN112528939A (zh) 一种人脸图像的质量评价方法及装置
CN111753642B (zh) 一种确定关键帧的方法及装置
Biswas et al. A global-to-local approach to binarization of degraded document images
CN108769543B (zh) 曝光时间的确定方法及装置
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
Li et al. Two-layer average-to-peak ratio based saliency detection
Garg et al. Color based segmentation using K-mean clustering and watershed segmentation
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN112329574A (zh) 一种应用于猫鼻纹的自动采集方法及装置
CN106611417B (zh) 将视觉元素分类为前景或背景的方法及装置

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: 20210205

RJ01 Rejection of invention patent application after publication