图像质量分析方法和装置制造方法及图纸

本公开关于一种图像质量分析方法和装置，属于图像处理技术领域。其中方法包括：对待处理图片进行梯度提取获取梯度图，将梯度图输入预设的卷积神经网络；根据预设的卷积神经网络中预先训练的多个卷积核对梯度图的边缘特征进行处理；根据梯度图的边缘特征与预设的图像边缘特征之间的匹配度，确定待处理图片的图像质量。该方法通过卷积神经网络分析待处理图片的图像质量，提高了确定待处理图片的图像质量的准确率和效率。

Image quality analysis method and apparatus

The invention discloses a method and a device for analyzing image quality, which belongs to the technical field of image processing. The method comprises the following steps: treat the image gradient extraction gradient map, the convolution neural network gradient map input preset; processed according to a plurality of convolution kernel gradient map edge pre training convolutional neural network of presupposition; based on the degree of matching between the edge gradient map with preset image edge characteristics, determine the image quality of image processing. In this method, the image quality of the image to be processed is analyzed by convolution neural network, and the accuracy and efficiency of the image quality of the image to be processed are improved.

【技术实现步骤摘要】

本公开涉及图像处理
，尤其涉及一种图像质量分析方法和装置。
技术介绍
随着智能手机等终端设备的普及，人们习惯于通过终端设备进行拍照以记录生活的点滴，而有些用户拍摄的图片可能因为发生模糊，而导致图片的质量不高，因此，为了节省终端设备的内存，需要检测到质量不高的图片以进行相关处理，比如进行删除等。
技术实现思路
为克服相关技术中存在的问题，本公开实施例提供了一种图像质量分析方法和装置。所述技术方案如下：根据本公开实施例的第一方面，提供一种图像质量分析方法，该方法包括：对待处理图片进行梯度提取获取梯度图，将所述梯度图输入预设的卷积神经网络；根据所述预设的卷积神经网络中预先训练的多个卷积核对所述梯度图的边缘特征进行处理；根据所述梯度图的边缘特征与预设图像边缘特征之间的匹配度，确定所述待处理图片的图像质量。如上所述的方法，所述根据所述梯度图的边缘特征与预设图像边缘特征之间的匹配度，确定所述待处理图片的图像质量，包括：在所述梯度图的边缘特征与预设的清晰图像边缘特征匹配时，确定所述待处理图片的图像质量清晰；、在所述梯度图的边缘特征与预设的模糊图像边缘特征匹配时，确定所述待处理图片的图像质量模糊。如上所述的方法，所述将所述梯度图输入预设的卷积神经网络，包括：对所述梯度图中的像素进行归一化处理，获取与所述梯度图对应的灰度图；将所述灰度图输入所述预设的卷积神经网络。如上所述的方法，还包括：对样本图片进行梯度提取获取样本梯度图；将所述样本梯度图输入所述预设的卷积神经网络，训练所述预设的卷积神经网络中预设的多个卷积核，以分类模糊图像边缘特征和清晰图像边缘特征。如上所述的方法，所述预设的卷积神经网络包括：一层卷积层，以及多个卷积核。根据本公开实施例的第二方面，提供一种图像质量分析装置，所述装置包括：第一提取模块，用于对待处理图片进行梯度提取获取梯度图；输入模块，用于将所述梯度图输入预设的卷积神经网络；处理模块，用于根据所述预设的卷积神经网络中预先训练的多个卷积核对所述梯度图的边缘特征进行处理；确定模块，用于根据所述梯度图的边缘特征与预设图像边缘特征之间的匹配度，确定所述待处理图片的图像质量。如上所述的装置，所述确定模块用于：在所述梯度图的边缘特征与预设的清晰图像边缘特征匹配时，确定所述待处理图片的图像质量清晰；在所述梯度图的边缘特征与预设的模糊图像边缘特征匹配时，确定所述待处理图片的图像质量模糊。如上所述的装置，所述输入模块用于：对所述梯度图中的像素进行归一化处理，获取与所述梯度图对应的灰度图；将所述灰度图输入所述预设的卷积神经网络。如上所述的装置，还包括：第二提取模块，用于对样本图片进行梯度提取获取样本梯度图；训练模块，用于将所述样本梯度图输入所述预设的卷积神经网络，训练所述预设的卷积神经网络中预设的多个卷积核，以分类模糊图像边缘特征和清晰图像边缘特征。如上所述的装置，所述预设的卷积神经网络包括：一层卷积层，以及多个卷积核。根据本公开实施例的第三方面，提供另一种图像质量分析装置，所述装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：对待处理图片进行梯度提取获取梯度图，将所述梯度图输入预设的卷积神经网络；根据所述预设的卷积神经网络中预先训练的多个卷积核对所述梯度图的边缘特征进行处理；根据所述梯度图的边缘特征与预设图像边缘特征之间的匹配度，确定所述待处理图片的图像质量。本公开实施例提供的技术方案可以包括以下有益效果：对待处理的图片进行梯度提取以获取梯度图，并将梯度图输入预设的卷积神经网络，以根据卷积神经网路中预先训练的多个卷积核对梯度图的边缘特征进行处理，并根据梯度图的边缘特征与预设图像边缘特征之间的匹配度，确定该待处理图片的图像质量。由此，通过预设的卷积神经网络分析待处理图片的图像质量，提高了确定待处理图片的图像质量的准确率和效率。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，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起被配置为解释本公开的原理。图1是根据一示例性实施例示出的一种图像质量分析方法的流程图；图2是根据一示例性实施例示出的一种基于深度学习技术进行图像识别的方法示例图；图3是根据本公开另一示例性实施例示出的一种图像质量分析方法的流程图；图4是根据一示例性实施例示出的一种图像质量分析装置的框图；图5是根据另一示例性实施例示出的一种图像质量分析装置的框图；以及图6是根据又一示例性实施例示出的一种图像分析装置的框图。通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。下面参考附图描述本公开实施例的图像质量分析方法和装置。图1是根据一示例性实施例示出的一种图像质量分析方法的流程图。如图1所示，该图像质量分析方法可以包括如下几个步骤：在步骤S110中，对待处理图片进行梯度提取获取梯度图，将梯度图输入预设的卷积神经网络。在步骤S120中，根据预设的卷积神经网络中预先训练的多个卷积核对梯度图的边缘特征进行处理。目前，卷积神经网络由于具有识别效率高、旋转缩放不变性等优点，且不需要对待处理图片进行复杂的前期预处理，可以直接输入原始图片，具有较强的实用性，因此，卷积神经网络在图像识别领域被越来越广泛的应用。通常，卷积神经网络具有多层结构，包括一个输入层，在一个输入层后包括若干个降采样层和若干个卷积层，最后为输入层。其中，输入层用于接收待处理图片，每个卷积层包括多个相同尺寸的特征图，并且每个特征图的像素，对应于前一层制定的若干特征图相应窗口位置的像素集合，每个降采样层包括多个相同尺寸的特征图，并且降采样层的每张特征图，对应于前一层卷积层的一张特征图，降采样层的特征图像素对应于前一层相应特征图的采样区域。也就是说，卷积神经网络基于深度学习技术进行图像识别，深度学习技术的显著特点是在进行图像识别时，可以提取待处理图片从底层(边缘等)到上层(具体形状)的各层级图像特征。即卷积神经网络的层数越多，其提取的图像特征越上层。如图2所示，在对待处理图片进行人脸识别时，卷积神经网络先提取最底层的待处理图片的边缘特征，再提取人脸的部分器官与待处理图像中的局部纹理，最后提取人脸的图像特征。然而本公开实施例的图像分析方法中，利用预设的卷积神经网络识别待处理图片的图像质量，而图像质量取决于待处理图片最底层的边缘特征。在本公开实施例中，预设的卷积神经网络例如可以包括一个卷积层但是包括多个卷积核(比如30个)，从而通过该预设的卷积神经网络对图像质量进行分析。在本实施例中，卷积核适用于分类模糊图像与清晰图像的边缘特征。在实际应用时，为了提高卷积神经网路对图像质量进行识别的识别效率，可预先对待处理图片进行梯度提本文档来自技高网...

【技术保护点】
一种图像质量分析方法，其特征在于，包括以下步骤：对待处理图片进行梯度提取获取梯度图，将所述梯度图输入预设的卷积神经网络；根据所述预设的卷积神经网络中预先训练的多个卷积核对所述梯度图的边缘特征进行处理；根据所述梯度图的边缘特征与预设图像边缘特征之间的匹配度，确定所述待处理图片的图像质量。

【技术特征摘要】
1.一种图像质量分析方法，其特征在于，包括以下步骤：对待处理图片进行梯度提取获取梯度图，将所述梯度图输入预设的卷积神经网络；根据所述预设的卷积神经网络中预先训练的多个卷积核对所述梯度图的边缘特征进行处理；根据所述梯度图的边缘特征与预设图像边缘特征之间的匹配度，确定所述待处理图片的图像质量。2.如权利要求1所述的方法，其特征在于，所述根据所述梯度图的边缘特征与预设图像边缘特征之间的匹配度，确定所述待处理图片的图像质量，包括：在所述梯度图的边缘特征与预设的清晰图像边缘特征匹配时，确定所述待处理图片的图像质量清晰；在所述梯度图的边缘特征与预设的模糊图像边缘特征匹配时，确定所述待处理图片的图像质量模糊。3.如权利要求1或2所述的方法，其特征在于，所述将所述梯度图输入预设的卷积神经网络，包括：对所述梯度图中的像素进行归一化处理，获取与所述梯度图对应的灰度图；将所述灰度图输入所述预设的卷积神经网络。4.如权利要求1或2所述的方法，其特征在于，还包括：对样本图片进行梯度提取获取样本梯度图；将所述样本梯度图输入所述预设的卷积神经网络，训练所述预设的卷积神经网络中预设的多个卷积核，以分类模糊图像边缘特征和清晰图像边缘特征。5.如权利要求1或2所述的方法，其特征在于，所述预设的卷积神经网络包括：一层卷积层，以及多个卷积核。6.一种图像质量分析装置，其特征在于，包括：第一提取模块，用于对待处理图片进行梯度提取获取梯度图；输入模块，用于将所述梯度图输入预设的卷积神经网络；处理模块，用于根据...

【专利技术属性】
技术研发人员：龙飞，杨松，陈志军，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京;11