CN116778520B - 一种海量证照数据质量检验方法 - Google Patents

Abstract

本申请属于图像数据处理技术领域，提供了一种海量证照数据质量检验方法，包括：通过获得像素点i的分布变化特征数值，对证照灰度图像中异常像素点进行凸显表征；通过获得局部区域中的像素点i与其他任一像素点j之间的分布度量距离，对证照灰度图像中异常像素点进行优化表征；获得像素点i的分布度量阈值，进一步获得像素点i的关联像素点，根据分布度量距离和关联像素点，计算获得像素点i的异常划分系数；然后计算获得局部划分阈值；判断识别局部区域中的异常像素点。本发明提供的方法，提高了海量证照数据检验过程中智能化和准确性效果，并且提高了海量证照数据计算过程中实时响应效果，降低了计算成本。

Description

一种海量证照数据质量检验方法

技术领域

本申请涉及图像数据处理技术领域，尤其涉及一种海量证照数据质量检验方法。

背景技术

随着计算机硬件性能的不断突破和新一代信息技术不断发展，资质证书、证件信息等证照数据也由纸质转向电子数据化，广泛应用于日常工作生活中。数字化电子证照数据相较于纸质证照具有存储密度高，污染小，便于管理等特点。

在数字化电子证照数据采集存储过程中，由于存储介质等诸多复杂环境因素影响，证照数据常出现数据缺失、混乱异常等问题。发生数据缺失的电子证照，不利于证照使用时的识别辨认，对证照的应用造成较大影响，因此需要对收集获取得到的证照数据进行检验评价。

现有技术中，证照数据检验评价主要采用的方法有阈值分割niblack算法中，但是传统阈值分割niblack算法中的经验参数需要人为设定主观性较强，在证照灰度图像中分割效果较差。

因此，亟需一种证照数据质量检验方法，以提高对证照数据质量检验的准确性。

发明内容

本申请提供了一种海量证照数据质量检验方法，以提高对证照数据质量检验的准确性。

提供了一种海量证照数据质量检验方法，所述方法包括：

采集并处理证照数据，获得证照灰度图像；

在所述证照灰度图像中获得以任一像素点i为中心的局部区域，分析所述局部区域中的所有像素点的变化特点，计算获得所述像素点i的分布变化特征数值，根据所述分布变化特征数值对所述证照灰度图像中异常像素点进行凸显表征；

根据所述分布变化特征数值，计算获得所述局部区域中的所述像素点i与其他任一像素点j之间的分布度量距离，根据所述分布度量距离对所述证照灰度图像中异常像素点进行优化表征；

根据分布度量距离，获得所述像素点i的分布度量阈值，根据所述分布度量阈值获得所述像素点i的关联像素点；

根据分布度量距离和所述关联像素点，计算获得所述像素点i的异常划分系数；

根据所述异常划分系数，结合所述局部区域中所有像素点灰度值的均值和所有像素点灰度值的方差，计算获得局部划分阈值；

根据所述局部划分阈值，判断识别所述局部区域中的异常像素点。

在本发明的一些实施例中，所述方法还包括：

根据所述证照灰度图像中所有异常像素点的个数和总像素点的个数，计算获得所述证照灰度图像的质量因子，所述质量因子的计算方法为：

式中，表示证照灰度图像的质量因子；/>表示划分后得到的证照灰度图像中异常像素点个数；/>表示证照灰度图像中所有不同位置处的像素点个数；

根据所述质量因子，判断所述证照灰度图像的质量。

在本发明的一些实施例中，分析所述局部区域中的所有像素点的变化特点，计算获得所述像素点i的分布变化特征数值，包括：

分析所述局部区域的所有像素点，获得所述局部区域中像素点灰度值的分布频率；

根据所述分布频率，计算获得所述像素点i的分布熵；

根据所述分布熵，计算获得所述像素点i的分布变化特征数值。

在本发明的一些实施例中，所述分布频率的计算方法为：

式中，表示局部区域中第/>个位置处的像素点灰度值的分布频率；/>表示局部区域中第/>个位置处的像素点灰度值对应量化后的变化特征区间中像素点的总个数；/>表示局部区域中像素点的总个数。

在本发明的一些实施例中，所述分布熵的计算方法为：

式中，表示像素点i的分布熵；/>表示量化后的变化特征区间数量；/>表示以像素点/>为中心的局部区域中局部区域中第/>个位置处的像素点灰度值的分布频率。

在本发明的一些实施例中，所述分布变化特征数值计算方法为：

式中，表示像素点i的分布变化特征数值；局部区域中所有像素点灰度值最大为，局部区域中所有像素点灰度值最小为/>；/>表示像素点i的分布熵。

在本发明的一些实施例中，所述分布度量距离计算方法为：

式中，表示像素点/>和像素点/>的分布度量距离，/>表示了像素点/>和像素点/>领域中八个不同位置处的像素点数量；/>分别表示了像素点/>和像素点/>八领域中不同像素点计算得到的分布变化特征数值构成的序列中第/>个位置处的数值大小；/>表示归一化函数，将数据归一化到区间/>上。

在本发明的一些实施例中，所述分布度量阈值计算方法为：

式中，表示像素点i的分布度量阈值；/>为以像素点/>为中心的局部区域中的像素点总个数；/>表示像素点/>和像素点/>的分布度量距离。

在本发明的一些实施例中，所述异常划分系数计算方法为：

式中，表示像素点/>的异常划分系数；/>为归一化函数，将计算结果归一化到区间/>上；/>表示像素点/>的关联像素点个数；/>表示局部区域中像素点的总个数；表示像素点/>与第/>个位置处的像素点的分布度量距离，/>表示像素点/>与第+1位置处的像素点的分布度量距离。

在本发明的一些实施例中，所述局部划分阈值的计算方法为：

式中，表示证照灰度图像的局部划分阈值；根据所述异常划分系数，/>表示局部区域中所有像素点灰度值的均值；/>表示局部区域中所有像素点灰度值的方差；/>表示像素点/>的异常划分系数。

由以上实施例可见，本申请实施例提供的海量证照数据质量检验方法，具有的有益效果如下：

本发明实施例结合证照灰度图像中异常变化的像素点灰度值变化分布特点计算构建得到证照灰度图像分布变化特征数值，对证照灰度图像中异常像素点进行突显表征。同时，根据证照灰度图像中不同像素点位置的变化特点计算得到相应的分布度量距离，然后对海量证照数据的像素点进行优化表征，避免原始证照灰度图像冗余数据信息后续进一步计算过程中计算成本较高影响。进一步地，本发明实施例结合证照灰度图像中分布度量距离计算获取得到关联像素点，并根据该关联像素点的分布变化特征对传统niblack算法中经验参数进行优化计算，有效地规避了传统计算过程中经验参数需要操作人员人为设置主观性较强，易受实验操作人员经验影响导致最终证照异常像素点划分误差较大的影响，提高了海量证照数据检验过程中智能化和准确性效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种海量证照数据质量检验方法基本流程示意图；

图2为本申请实施例提供的一种分布变化特征数值的获得方法基本流程示意图。

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中的技术方案，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面将结合附图，对本实施例提供的一种基于扫描技术的钢结构表面缺陷检测方法进行详细介绍。

图1为本申请实施例提供的一种海量证照数据质量检验方法基本流程示意图，如图1所示，该方法具体包括如下步骤：

S100：采集并处理证照数据，获得证照灰度图像。

通过CCD相机等图像采集模块对证照数据进行收集，获取得到证照灰度图像。为了减弱证照数据收集过程中出现的弱光照导致的证照光照不均匀变化的现象，使用LED环形光源对采集的过程中的证照数据进行光照增强。

以CCD为主的图像采集设备采集获取的证照灰度图像具有RGB三个不同的颜色通道，对RGB三个不同通道的数据使用高斯滤波方法进行优化处理，尽可能减弱甚至消除在采集工作环境中存在的异常噪声对后续计算过程中误差影响。同时，为了后续在RGB三个不同通道重复计算，使用加权平均法将RGB证照数据图像转化得到相应的证照灰度图像。

S200：在证照灰度图像中获得以任一像素点i为中心的局部区域，分析局部区域中的所有像素点的变化特点，计算获得像素点i的分布变化特征数值，根据分布变化特征数值对证照灰度图像中异常像素点进行凸显表征。

对于收集获取步骤S100获取得到证照灰度图像数据，若存储过程中出现数据缺失异常，在得到的证照灰度图像中就会出现异常坏点。收集得到的证照灰度图像中出现的异常坏点在像素点灰度值上会与周围正常区域的像素点灰度值出现较大的差异，因此通过对证照灰度图像数据变化特点进行计算表征以识别证照灰度图像中出现的异常坏点。

在本发明的一些实施例中，以证照灰度图像中的任一个像素点为中心可以获取得到大小为/>的局部区域，其中，/>可以取经验值为5，在此局部区域中对证照灰度图像中的像素点灰度值大小分布情况进行计算表征。

在以像素点为中心的局部区域中，像素点总个数为/>。假设以像素点/>为中心的局部区域中，所有像素点灰度值最大为/>、像素点灰度值最小为/>，则该局部区域中所有像素点变化特征区间为/>。取经验值/>，将该像素点变化特征区间进行量化，假设量化后的变化特征区间数量为/>。通过对证照灰度图像中局部区域中的像素点变化特征区间进行量化，可以有效地对当前像素点局部区域中的像素点灰度值分布变化特点进行计算表征。

图2为本申请实施例提供的一种分布变化特征数值的获得方法基本流程示意图，如图2所示，在本发明的一些实施例中，分析局部区域中的所有像素点的变化特点，计算获得像素点i的分布变化特征数值，包括步骤：

S201：分析局部区域的所有像素点，获得局部区域中像素点灰度值的分布频率。

分析局部区域的所有像素点，获得局部区域中像素点灰度值的分布频率，分布频率的计算方法为：

式中，表示以像素点/>为中心的局部区域中局部区域中第/>个位置处的像素点灰度值的分布频率；/>表示以像素点/>为中心的局部区域中局部区域中第/>个位置处的像素点灰度值对应量化后的变化特征区间中像素点的总个数；/>表示以像素点/>为中心的局部区域中局部区域中像素点的总个数。

S202：根据分布频率，计算获得像素点i的分布熵。

步骤S201获得了局部区域中第个位置处的像素点灰度值的分布频率，进一步的，可以根据分布频率，计算获得像素点i的分布熵，分布熵的的计算方法为：

式中，表示像素点i的分布熵；/>表示量化后的变化特征区间数量；/>表示以像素点/>为中心的局部区域中局部区域中第/>个位置处的像素点灰度值的分布频率。

S203：根据分布熵，计算获得像素点i的分布变化特征数值。

步骤S202获得了像素点i的分布熵，结合所有像素点灰度值最大值、像素点灰度值最小值/>，计算获得像素点i的分布变化特征数值，分布变化特征数值计算方法为：

式中，表示像素点i的分布变化特征数值；/>表示局部区域中所有像素点灰度值最大值，/>表示局部区域中所有像素点灰度值最小值；/>表示像素点i的分布熵。

通过上述公式可以计算得到证照灰度图像的局部区域中像素点位置处的分布变化特征数值/>的大小。在一定的局部区域中，正常区域证照灰度图像的像素点灰度值变化分布变化差异应较小，此时局部区域中的最大和最小像素点灰度值相差也较小，同时在局部区域中像素点的分布熵越小，说明对应局部区域中的像素点灰度值分布相对集中，像素点/>位于正常区域的可能性也越高。反之，当像素点/>位于证照灰度图像异常区域时，在该局部区域的中像素点灰度值分布差异相对较大，此时计算得到的分布变化特征数值/>也会相对较大。因此，根据分布变化特征数值/>可以对证照灰度图像中像素点i对应的局部区域进行异常变化像素点凸显表征。在本发明的一些实施例中，可以将局部区域的所有像素点灰度值的均值作为阈值进行判断，当像素点i的分布变化特征数值/>大于该阈值时判定像素点i为异常变化像素点，对像素点i进行凸显表征；反之，判定像素点i为正常像素点。

S300：根据分布变化特征数值，计算获得局部区域中的像素点i与其他任一像素点j之间的分布度量距离，根据分布度量距离对证照灰度图像中异常像素点进行优化表征。

在实际应用场景中，海量的证照数据计算过程中耗时较高，为了避免海量的证照数据在计算过程中无法及时计算和成本较高的缺陷，需要对像素点的分布变化特征数值进行优化计算。由于不同位置处的像素点灰度值存在较高的相似性，因此图像是一种高冗余的信息表现形式。可以根据证照灰度图像中信息分布变化情况对证照灰度图像中特征像素点进行标识，避免海量证照数据中所有像素点参与计算时造成的计算成本较高的问题。

在以像素点为中心的局部区域中，根据步骤S200在不同位置处的像素点均可以计算获取得到分布变化特征数值大小。根据不同像素点的分布变化特征数值大小对该局部区域中的像素点进行进一步计算。计算获得局部区域中的像素点i与其他任一像素点j之间的分布度量距离，分布度量距离计算方法为：

式中，表示像素点/>和像素点/>的分布度量距离，/>表示了像素点/>和像素点/>领域中八个不同位置处的像素点数量；/>分别表示了像素点/>和像素点/>八领域中不同像素点计算得到的分布变化特征数值构成的序列中第/>个位置处的数值大小；/>表示归一化函数，将数据归一化到区间/>上。

根据分布度量距离对证照灰度图像中异常像素点进行优化表征，即根据分布度量距离将证照灰度图像中异常像素点进行着重突显筛选。进一步减弱了原始证照灰度图像数据中的冗余信息，较为有效地提高了海量证照数据计算过程中实时响应效果，降低了计算成本。

S400：根据分布度量距离，获得像素点i的分布度量阈值，根据分布度量阈值获得像素点i的关联像素点。

通过步骤S300计算得到像素点和像素点/>的分布度量距离/>的数值大小，当像素点/>周围八领域中不同像素点的分布变化特征数值与像素点/>周围八领域中不同像素点的分布特征值数值序列差异越大时，两个序列之间第/>个位置处的数值差异也会相对较大，此时计算获取得到的像素点/>和像素点/>的分布度量距离/>的数值也会相对较大，说明像素点/>特征与像素点/>特征相差较大，此时像素点/>为像素/>的关联像素点。通过对像素点及其周围领域中不同位置像素点的分布变化特征数值变化情况根据上述公式对像素点/>和像素点/>的相关变化特性进行表征，可以获取得到像素点/>及其关联像素点。

在本发明的一些实施例中，根据分布度量距离，获得像素点i的分布度量阈值，分布度量阈值计算方法为：

式中，表示像素点i的分布度量阈值；/>为以像素点/>为中心的局部区域中的像素点总个数；/>表示像素点/>和像素点/>的分布度量距离。

当像素点位置处的分布度量距离大于该分布度量阈值/>时，认为像素点/>与像素点/>之间差异性较大，关联性较弱，即与像素点/>表征了不同的数据信息，因此记像素点/>为像素点/>的关联像素点。

S500：根据分布度量距离和关联像素点，计算获得像素点i的异常划分系数。

根据步骤400获得分布度量距离和关联像素点，计算获得像素点i的异常划分系数，异常划分系数计算方法为：

式中，表示像素点/>的异常划分系数；/>为归一化函数，将计算结果归一化到区间/>上；/>表示像素点/>的关联像素点个数；/>表示局部区域中像素点的总个数；表示像素点/>与第/>个位置处的像素点的分布度量距离，/>表示像素点/>与第+1位置处的像素点的分布度量距离。

当以像素点为中心的局部区域中，像素点/>的关联像素点数量越多，同时不同分布度量距离直接数值差异越大，说明该局部区域中像素点/>为证照灰度图像中异常像素点的可能性越高。

S600：根据异常划分系数，结合局部区域中所有像素点灰度值的均值和所有像素点灰度值的方差，计算获得局部划分阈值。

为以像素点i为中心的局部区域中所有像素点灰度值的均值，/>为以像素点i为中心的局部区域中所有像素点灰度值的方差大小，以及异常划分系数/>的数值大小，并结合该数值对的niblack二值化算法进行优化，得到证照灰度图像中局部划分阈值/>的数值大小。局部划分阈值/>的计算方法为：

式中，表示证照灰度图像的局部划分阈值；根据异常划分系数，/>表示局部区域中所有像素点灰度值的均值；/>表示局部区域中所有像素点灰度值的方差；/>表示像素点/>的异常划分系数。

S700：根据局部划分阈值，判断识别局部区域中的异常像素点。

根据步骤S600计算获得证照灰度图像中像素点位置处的局部划分阈值的数值大小，将该局部区域中像素点灰度值大于局部划分阈值的像素点记为1，为证照灰度图像中异常像素点。反之将像素点灰度值小于该局部划分阈值的像素点记为0，为证照灰度图像中正常像素点。根据该优化阈值可以划分得到证照数据中异常像素点。有效地规避了传统计算过程中经验参数需要操作人员人为设置主观性较强，易受实验操作人员经验影响导致最终证照异常像素点划分误差较大的问题，提高了海量证照数据检验过程中智能化和准确性效果。

S800：根据证照灰度图像中所有异常像素点的个数和总像素点的个数，计算获得证照灰度图像的质量因子。

根据证照灰度图像中所有异常像素点的个数和总像素点的个数，计算获得证照灰度图像的质量因子，质量因子的计算方法为：

式中，表示证照灰度图像的质量因子；/>表示划分后得到的证照灰度图像中异常像素点个数；/>表示证照灰度图像中所有不同位置处的像素点个数。

S900：根据质量因子，判断证照灰度图像的质量。

当证照灰度图像的质量因子数值越大时，越接近1时，认为此时收集获取得到的证照灰度图像质量较高，证照灰度图像中存在异常损坏的可能性越小；反之，当计算得到的证照灰度图像的质量因子的数值较小，越接近0时，认为此时收集获取得到的证照灰度图像质量较差，需要重新对该证照灰度图像进行采集。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

需要说明的是，除非另有规定和限定，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (4)

1.一种海量证照数据质量检验方法，其特征在于，所述方法包括：

采集并处理证照数据，获得证照灰度图像；

在所述证照灰度图像中获得以任一像素点i为中心的局部区域，分析所述局部区域中的所有像素点的变化特点，计算获得所述像素点i的分布变化特征数值；

根据所述分布变化特征数值，计算获得所述局部区域中的所述像素点i与其他任一像素点j之间的分布度量距离；

根据分布度量距离，获得所述像素点i的分布度量阈值，根据所述分布度量阈值获得所述像素点i的关联像素点；

根据分布度量距离和所述关联像素点，计算获得所述像素点i的异常划分系数；

根据所述异常划分系数，结合所述局部区域中所有像素点灰度值的均值和所有像素点灰度值的方差，计算获得局部划分阈值；

根据所述局部划分阈值，判断识别所述局部区域中的异常像素点；

分析所述局部区域中的所有像素点的变化特点，计算获得所述像素点i的分布变化特征数值，包括：

分析所述局部区域的所有像素点，获得所述局部区域中像素点灰度值的分布频率；

根据所述分布频率，计算获得所述像素点i的分布熵；

根据所述分布熵，计算获得所述像素点i的分布变化特征数值；

所述分布频率的计算方法为：

式中，表示局部区域中第/>个位置处的像素点灰度值的分布频率；/>表示局部区域中第/>个位置处的像素点灰度值对应量化后的变化特征区间中像素点的总个数；/>表示局部区域中像素点的总个数；

所述分布熵的计算方法为：

式中，表示像素点i的分布熵；/>表示量化后的变化特征区间数量；/>表示以像素点/>为中心的局部区域中局部区域中第/>个位置处的像素点灰度值的分布频率；

所述分布变化特征数值计算方法为：

式中，表示像素点i的分布变化特征数值；局部区域中所有像素点灰度值最大为，局部区域中所有像素点灰度值最小为/>；/>表示像素点i的分布熵；

所述分布度量距离计算方法为：

式中，表示像素点/>和像素点/>的分布度量距离，/>表示了像素点/>和像素点/>领域中八个不同位置处的像素点数量；/>分别表示了像素点/>和像素点/>八领域中不同像素点计算得到的分布变化特征数值构成的序列中第/>个位置处的数值大小；表示归一化函数，将数据归一化到区间/>上；

所述异常划分系数计算方法为：

式中，表示像素点/>的异常划分系数；/>为归一化函数，将计算结果归一化到区间/>上；/>表示像素点/>的关联像素点个数；/>表示局部区域中像素点的总个数；表示像素点/>与第/>个位置处的像素点的分布度量距离，/>表示像素点/>与第+1位置处的像素点的分布度量距离。

2.根据权利要求1所述的一种海量证照数据质量检验方法，其特征在于，所述方法还包括：

根据所述证照灰度图像中所有异常像素点的个数和总像素点的个数，计算获得所述证照灰度图像的质量因子，所述质量因子的计算方法为：

式中，表示证照灰度图像的质量因子；/>表示划分后得到的证照灰度图像中异常像素点个数；/>表示证照灰度图像中所有不同位置处的像素点个数；

根据所述质量因子，判断所述证照灰度图像的质量。

3.根据权利要求1所述的一种海量证照数据质量检验方法，其特征在于，所述分布度量阈值计算方法为：

式中，表示像素点i的分布度量阈值；/>为以像素点/>为中心的局部区域中的像素点总个数；/>表示像素点/>和像素点/>的分布度量距离。

4.根据权利要求1所述的一种海量证照数据质量检验方法，其特征在于，所述局部划分阈值的计算方法为：

式中，表示证照灰度图像的局部划分阈值；根据所述异常划分系数，/>表示局部区域中所有像素点灰度值的均值；/>表示局部区域中所有像素点灰度值的方差；/>表示像素点/>的异常划分系数。