一种无参考质量模糊图像预测方法、终端及存储介质与流程

文档序号:11231199阅读:319来源:国知局
本发明涉及图像处理
技术领域
:,尤其涉及一种无参考质量模糊图像预测方法、终端及存储介质。
背景技术
::目前指纹识别已经日新月异,同时指纹识别的设备和应用也越来越多,假设有位残疾用户,因为某次事故失去了某个手指受伤后失去某个指纹,同时已经无法获取该手指的原始完整指纹,这时,该用户就在使用很多设备的时候,就会有障碍。受伤后的手指指纹即为待预测图像。现有技术中,针对待预测图像的预测并没有有效的技术实现,因此,实现待预测图像的预测是一种亟待解决的技术问题。技术实现要素:本发明的主要目的在于提出一种无参考质量模糊图像预测方法、终端及存储介质,旨在解决对残缺不全的待预测图片进行预测的技术问题。为实现上述目的,本发明提供的一种无参考质量模糊图像预测方法,所述方法包括:将待预测图像转化为灰度图像;以及,获取参考图像的高斯模糊失真图像的第一特征向量和第二特征向量,其中,所述第一特征向量为所述参考图像的纹理特征构成的特征向量,所述第二特征向量为所述参考图像经低通滤波后的纹理特征构成的特征向量;根据所述灰度图像,提取所述待预测图像的结构特征,并计算得到所述待预测图像与所述参考图像之间的结构相似度,以及所述第一特征向量和所述第二特征向量的纹理相似度;根据预设神经网络预测模型,以所述结构相似度和所述纹理相似度为输入样本,将得到的输出结果作为所述待预测图像的预测图像。可选的,所述将待预测图像转化为灰度图像,包括:将待预测图像转化为尺寸为512*512的灰度图像。可选的,所述计算所述第一特征向量和所述第二特征向量的纹理相似度,包括:计算所述第一特征向量和所述第二特征向量的欧几里得距离;将计算得到的欧几里得距离作为纹理相似度。可选的,所述预设神经网络预测模型的隐层节点的个数的计算公式为:其中,n、m表示输入输出节点的个数,a为1至10之间的任一数值。可选的,所述第一特征向量和所述第二特征向量均为34维的特征向量。相较于现有技术,本发明提出的终端通过计算待评价图像和参考图像之间的纹理相似性作为图像局部细节信息的度量最后,将两个相似性指标作为神经网络预测模型的输入,得到预测的图像,从而补全信息缺失的图片。此外,为实现上述目的,本发明还提出一种终端,所述终端包括:存储器、处理器及通信总线;所述通信总线用于实现处理器和存储器之间的连接通信;所述处理器用于执行存储器中存储的无参考质量模糊图像预测程序,以实现以下步骤:将待预测图像转化为灰度图像;以及,获取参考图像的高斯模糊失真图像的第一特征向量和第二特征向量,其中,所述第一特征向量为所述参考图像的纹理特征构成的特征向量,所述第二特征向量为所述参考图像经低通滤波后的纹理特征构成的特征向量;根据所述灰度图像,提取所述待预测图像的结构特征,并计算得到所述待预测图像与所述参考图像之间的结构相似度,以及所述第一特征向量和所述第二特征向量的纹理相似度;根据预设神经网络预测模型,以所述结构相似度和所述纹理相似度为输入样本,将得到的输出结果作为所述待预测图像的预测图像。可选的,所述处理器用于执行所述无参考质量模糊图像预测程序,以实现以下步骤:将待预测图像转化为尺寸为512*512的灰度图像。可选的,所述处理器用于执行所述无参考质量模糊图像预测程序,以实现以下步骤:计算所述第一特征向量和所述第二特征向量的欧几里得距离;将计算得到的欧几里得距离作为纹理相似度。可选的,所述处理器用于执行所述无参考质量模糊图像预测程序,以实现隐层节点的个数的计算,具体公式为:其中,n、m表示输入输出节点的个数,a为1至10之间的任一数值。可选的,所述处理器用于执行所述无参考质量模糊图像预测程序,以实现以下步骤:所述第一特征向量和所述第二特征向量均为34维的特征向量。相较于现有技术,本发明提出的终端通过计算待评价图像和参考图像之间的纹理相似性作为图像局部细节信息的度量最后,将两个相似性指标作为神经网络预测模型的输入,得到预测的图像,从而补全信息缺失的图片。为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现以下步骤:将待预测图像转化为灰度图像;以及,获取参考图像的高斯模糊失真图像的第一特征向量和第二特征向量,其中,所述第一特征向量为所述参考图像的纹理特征构成的特征向量,所述第二特征向量为所述参考图像经低通滤波后的纹理特征构成的特征向量;根据所述灰度图像,提取所述待预测图像的结构特征,并计算得到所述待预测图像与所述参考图像之间的结构相似度,以及所述第一特征向量和所述第二特征向量的纹理相似度;根据预设神经网络预测模型,以所述结构相似度和所述纹理相似度为输入样本,将得到的输出结果作为所述待预测图像的预测图像。可选的,所述一个或者多个程序还可被所述一个或者多个处理器执行,以实现以下步骤:将待预测图像转化为尺寸为512*512的灰度图像。可选的,所述一个或者多个程序还可被所述一个或者多个处理器执行,以实现以下步骤:计算所述第一特征向量和所述第二特征向量的欧几里得距离;将计算得到的欧几里得距离作为纹理相似度。可选的,所述一个或者多个程序还可被所述一个或者多个处理器执行,以实现以下计算:其中,n、m表示输入输出节点的个数,a为1至10之间的任一数值。可选的,所述一个或者多个程序还可被所述一个或者多个处理器执行,以实现以下步骤:所述第一特征向量和所述第二特征向量均为34维的特征向量。相较于现有技术,本发明提出的计算机可读存储介质通过计算待评价图像和参考图像之间的纹理相似性作为图像局部细节信息的度量最后,将两个相似性指标作为神经网络预测模型的输入,得到预测的图像,从而补全信息缺失的图片。附图说明图1为实现本发明各个实施例的一个可选的移动终端的硬件结构示意图;图2为如图1所示的移动终端的无线通信系统示意图;图3为本发明所述的无参考质量模糊图像预测方法的流程示意图;图4为本发明本实施方式的获取残缺指纹的示意图;图5为本发明本实施方式的残缺指纹预测后输出示意图;图6为本发明所述的无参考质量模糊图像预测方法的一个实施例实施流程示意图;图7为本发明所述的终端模块示意图;图8为本发明所述的计算机可读存储介质模块示意图。附图标记:本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。具体实施方式应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。终端可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(personaldigitalassistant,pda)、便捷式媒体播放器(portablemediaplayer,pmp)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字tv、台式计算机等固定终端。后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本发明的实施方式的构造也能够应用于固定类型的终端。请参阅图1,其为实现本发明各个实施例的一种移动终端的硬件结构示意图,该移动终端100可以包括:rf(radiofrequency,射频)单元101、wifi模块102、音频输出单元103、a/v(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解,图1中示出的移动终端结构并不构成对移动终端的限定,移动终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。下面结合图1对移动终端的各个部件进行具体的介绍:射频单元101可用于收发信息或通话过程中,信号的接收和发送,具体的,将基站的下行信息接收后,给处理器110处理;另外,将上行的数据发送给基站。通常,射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于gsm(globalsystemofmobilecommunication,全球移动通讯系统)、gprs(generalpacketradioservice,通用分组无线服务)、cdma2000(codedivisionmultipleaccess2000,码分多址2000)、wcdma(widebandcodedivisionmultipleaccess,宽带码分多址)、td-scdma(timedivision-synchronouscodedivisionmultipleaccess,时分同步码分多址)、fdd-lte(frequencydivisionduplexing-longtermevolution,频分双工长期演进)和tdd-lte(timedivisionduplexing-longtermevolution,分时双工长期演进)等。wifi属于短距离无线传输技术,移动终端通过wifi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图1示出了wifi模块102,但是可以理解的是,其并不属于移动终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将射频单元101或wifi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。a/v输入单元104用于接收音频或视频信号。a/v输入单元104可以包括图形处理器(graphicsprocessingunit,gpu)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或wifi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据),并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。移动终端100还包括至少一种传感器105,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度,接近传感器可在移动终端100移动到耳边时,关闭显示面板1061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061,可以采用液晶显示器(liquidcrystaldisplay,lcd)、有机发光二极管(organiclight-emittingdiode,oled)等形式来配置显示面板1061。用户输入单元107可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作),并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器110,并能接收处理器110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071,用户输入单元107还可以包括其他输入设备1072。具体地,其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种,具体此处不做限定。进一步的,触控面板1071可覆盖显示面板1061,当触控面板1071检测到在其上或附近的触摸操作后,传送给处理器110以确定触摸事件的类型,随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中,触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能,具体此处不做限定。接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(i/o)端口、视频i/o端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器109可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。处理器110是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器109内的软件程序和/或模块,以及调用存储在存储器109内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元;优选的,处理器110可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器110中。移动终端100还可以包括给各个部件供电的电源111(比如电池),优选的,电源111可以通过电源管理系统与处理器110逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。尽管图1未示出,移动终端100还可以包括蓝牙模块等,在此不再赘述。为了便于理解本发明实施例,下面对本发明的移动终端所基于的通信网络系统进行描述。请参阅图2,图2为本发明实施例提供的一种通信网络系统架构图,该通信网络系统为通用移动通信技术的lte系统,该lte系统包括依次通讯连接的ue(userequipment,用户设备)201,e-utran(evolvedumtsterrestrialradioaccessnetwork,演进式umts陆地无线接入网)202,epc(evolvedpacketcore,演进式分组核心网)203和运营商的ip业务204。具体地,ue201可以是上述终端100,此处不再赘述。e-utran202包括enodeb2021和其它enodeb2022等。其中,enodeb2021可以通过回程(backhaul)(例如x2接口)与其它enodeb2022连接,enodeb2021连接到epc203,enodeb2021可以提供ue201到epc203的接入。epc203可以包括mme(mobilitymanagemententity,移动性管理实体)2031,hss(homesubscriberserver,归属用户服务器)2032,其它mme2033,sgw(servinggateway,服务网关)2034,pgw(pdngateway,分组数据网络网关)2035和pcrf(policyandchargingrulesfunction,政策和资费功能实体)2036等。其中,mme2031是处理ue201和epc203之间信令的控制节点,提供承载和连接管理。hss2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能,并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过sgw2034进行发送,pgw2035可以提供ue201的ip地址分配以及其它功能,pcrf2036是业务数据流和ip承载资源的策略与计费控制策略决策点,它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。ip业务204可以包括因特网、内联网、ims(ipmultimediasubsystem,ip多媒体子系统)或其它ip业务等。虽然上述以lte系统为例进行了介绍,但本领域技术人员应当知晓,本发明不仅仅适用于lte系统,也可以适用于其他无线通信系统,例如gsm、cdma2000、wcdma、td-scdma以及未来新的网络系统等,此处不做限定。基于上述移动终端硬件结构以及通信网络系统,提出本发明方法各个实施例。如图3所示,是本发明所述的无参考质量模糊图像预测方法流程示意图。该方法应用于移动终端100上,所述移动终端100包括存储器和控制器。在本实施例中,所述内容自动分享方法可以分为以下步骤:步骤s310为转化步骤:将待预测图像转化为灰度图像;步骤s320为获得步骤:获取参考图像的高斯模糊失真图像的第一特征向量和第二特征向量,其中,所述第一特征向量为所述参考图像的纹理特征构成的特征向量,所述第二特征向量为所述参考图像经低通滤波后的纹理特征构成的特征向量;步骤s330为计算步骤:根据所述灰度图像,提取所述待预测图像的结构特征,并计算得到所述待预测图像与所述参考图像之间的结构相似度,以及所述第一特征向量和所述第二特征向量的纹理相似度;步骤s340为预测步骤:根据预设神经网络预测模型,以所述结构相似度和所述纹理相似度为输入样本,将得到的输出结果作为所述待预测图像的预测图像。上述这些步骤根据不同的需求调整顺序,或者省略某些步骤。或者还可以根据需求补充其他的步骤。在本实施例中,所述移动终端100为终端设备,包括,但不限于手机、平板、电子书、个人电脑等。s310,将待预测图像转化为灰度图像。本发明实施例中,待预测图像为信息不全的残缺图像,首先将该待预测图像进行预处理,将其转化为灰度图像,具体的,可以将待预测图像转化成尺寸大小为512×512的灰度图像。需要说明的是,原始的信息不全图像一般情况下均为彩色图像,彩色图像为包含rgb的3原色图像,如果直接采用原图像进行处理就要分析3组原色的信息,而将彩色图像转化灰度图像只要分析一组灰度图像的信息即可,可以提高图像处理的效率。s320,获得参考图像的高斯模糊失真图像的第一特征向量和第二特征向量,其中,所述第一特征向量为所述参考图像的纹理特征构成的特征向量,所述第二特征向量为所述参考图像经低通滤波后的纹理特征构成的特征向量。本发明实施例中,可以采用灰度共生矩阵法和小波变换法提取图像数据库多幅高斯模糊失的纹理特征。并将该纹理特征用特征向量进行表示,即第一特征向量,具体的,第一特征向量可以是一组34维的特征向量。需要说明的是,可以首先采用灰度共生矩阵法提取待预测图像的8维纹理特征向量,然后选用biorl4.4小波对待预测图像进行4层小波分解,分别提取每个子带在每个分解层上的能量分布的均值和方差构成一个26维纹理特征向量,结合灰度共生矩阵法提取的8维纹理特征向量,最终组成一个34维的向量。灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法。由于纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系,即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度直方图是对图像上单个像素具有某个灰度进行统计的结果,而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。示例性的,取(n×n)中任一图像块图像一点,(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2)。令点(x,y)在整个画面上移动,则会得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率p(g1,g2),这样的方阵称为灰度共生矩阵。距离差分值(a,b)取不同的数值组合,可以得到不同情况下的联合概率矩阵。(a,b)取值要根据纹理周期分布的特性来选择,对于较细的纹理,选取(1,0)、(1,1)、(2,0)等小的差分值。当a=1,b=0时,像素对是水平的,即0度扫描;当a=0,b=1时,像素对是垂直的,即90度扫描;当a=1,b=1时,像素对是右对角线的,即45度扫描;当a=-1,b=1时,像素对是左对角线,即135度扫描。这样,两个象素灰度级同时发生的概率,就将(x,y)的空间坐标转化为“灰度对”(g1,g2)的描述,形成了灰度共生矩阵。小波变换是一种强有力的时频分析工具,可以应用于信号处理、图像处理、模式识别等领域,它在时域和频域均有很好的局部化特征。简单的说就是对一个函数用一定的小波基函数在时间与空间上进行局部化的数学变换,通过小波基的平移可以获取原函数在该小波基下的时间信息,然后通过缩放小波基的尺度获得频率信息。主要还是计算的是小波与局部信号的近似系数。离散小波变换最终获得是在不同频率尺度下,原始信号在时间域的近似信号与细节信号。本发明实施例中,对高斯模糊图像进行低通滤波,低通滤波器选用中值滤波器,滤波窗口大小为9×9,并提取低通滤波后图像的纹理特征向量,即第二特征向量,具体的,第二特征向量可以为一组34维的特征向量。需要说明的是,清晰图像比模糊图像包含更丰富的高频信息,清晰图像经过低通滤波器后损失成分多,而模糊图像经过低通滤波器后损失成分少。无参考结构清晰度(nrss)图像质量评价方法就是通过低通滤波器来构造参考图像,通过计算待预测图像与参考图像的结构相似度值来评价模糊失真图像质量。结构相似度越小,图像越清晰,反之结构相似度越大,图像越模糊。需要说明的是,本发明实施例中s310可以在s320之前执行,实际应用中,也可以是s320也可以在s310之前执行,还可以是s310与s320并行执行,本发明实施例在此不做具体限定。s330,根据所述灰度图像,提取所述待预测图像的结构特征,计算得到所述待预测图像与所述参考图像之间的结构相似度,以及所述第一特征向量和所述第二特征向量的纹理相似度。需要说明的是,根据待预测图像对应灰度图像的梯度信息,可以找到的梯度信息最为丰富的n个块。可以理解的是,待预测图像分为多个块,计算每块的方差,方差越大说明梯度信息越丰富,找出其中方差最大的n块,即为梯度信息最为丰富的n个块。n的值大小直接影响评价结果,同时也影响算法运行时间,所以在块的选择上至关重要,直接影响图片预测的结果。具体的,计算待预测图像的无参考结构清晰度nrss的运算公式:其中,n为梯度信息最为丰富的n个块,xi、yi为是指从灰度图像的左上角与当前点所围成的举行区域内所有像素点。ssim为图像的结构相似度:ssim(x,y)=lα(x,y)·cβ(x,y)·sγ(x,y)简单起见,可以令:α=β=γ=1,l为亮度比较,c为对比度比较,s为结构信息比较,x、y为像素点的具体值。具体的,可以计算得到图像清晰度作为待预测图像与参考图像之间的结构相似度。本领域技术人员可以理解的是,计算所述第一特征向量和所述第二特征向量的纹理相似度可以通过计算所述第一特征向量和所述第二特征向量的欧几里得距离;将计算得到的欧几里得距离作为纹理相似度。其中,x(i)、y(i)分别表示提取的高斯模糊图像纹理相似度的第一特征向量和提取滤波后高斯模糊图像的纹理相似度的第二特征向量,i表示向量的维数,d表示第一特征向量和第二特征向量的维度数。s340,根据预设神经网络预测模型,以所述结构相似度和所述纹理相似度为输入样本,将得到的输出结果作为所述待预测图像的预测图像。bp神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。bp网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。bp神经网络模型拓扑结构包括输入层(input)、隐层(hiddenlayer)和输出层(outputlayer)。本发明实施例中,建立bp神经网络预测模型的技术过程可以是:网络以图像的纹理相似度和结构相似度作为输入样本,数据库中失真模糊图像的主观评价值dmos作为输出样本,建立一个单隐层的bp神经网络预测模型。隐层节点的个数根据经验公式:其中m、n表示输入、输出节点的个数,a为1~10之间的任一数值数;具体的,输入、输出节点以及a的值还可以进行实验确定。经过多次的实验结果表明,当隐层的节点个数为9时,迭代次数最少,预测值与输出样本值之间的误差最小,因此确定网络的隐层节点个数为9。相较于现有技术,本发明提出的终端通过计算待评价图像和参考图像之间的纹理相似性作为图像局部细节信息的度量最后,将两个相似性指标作为神经网络预测模型的输入,得到预测的图像,从而补全信息缺失的图片。图4、图5所示,所述移动终端100为终端设备,包括,但不仅限于手机、平板、电子书、个人电脑等,只要能够存储并执行无参考质量模糊图像预测程序即可。图4为无参考质量模糊图像预测程序获取的待处理图片为残缺指纹、图4为无参考质量模糊图像预测程序对待处理图片进行预测后的输出指纹。以下具体介绍实施例。如图6所示,是本发明所述的无参考质量模糊图像预测方法的第一实施例流程示意图。在本实施例中,根据不同的需求,图6所示的流程图中的步骤执行顺序可以改变,某些步骤可以省略。步骤s610,移动终端100获取需要处理的残缺指纹图像,并对残缺指纹进行灰度处理。可以理解的是,用户将需要进行预测的残缺指纹图像放入图像待预测库,无参考质量模糊图像预测程序可以随机也可以按照一定的顺序从中去除需要进行指纹恢复的图像。步骤s620,检测得到的残缺指纹灰度图像是否符合预设的要求,若是,则执行步骤s630;否则,返回步骤s610,重新获取残缺指纹图像。步骤s630,从预设图像数据库中随机获取高斯模糊失真图像,并对高斯模糊失真图像进行分析,以获得纹理特征结构对应的特征向量。实际应用中,可以在执行s610和s620之后执行s630,也可以先执行s630再执行s610和s620,或者,s630与s610和s620同步进行,本发明实施例仅仅是示例性的,不做具体限定。步骤s640,提取所述待预测图像的结构特征,并采用低通滤波器对高斯模糊失真图像进滤波处理,并得到滤波后的图像对应的表示纹理特征的向量。本领域技术人员可以理解的是,经过低通滤波后的图片相比较滤波前的图片存在一定的差异,那么从他们分别对应的纹理特征中即可获得具体的差异情况,也即能过获得纹理相似度。步骤s650,计算经过低通滤波器对高斯模糊失真图像前、后的图像对应的特征向量的纹理相似度。步骤s660,结构相似度和纹理相似度作为输入至bp神经网络预测模型,得到输出的预测图像。需要补充的是,在本实施例中,所述移动终端100执行步骤s610-s660后的结果,在其他实施例中,上述步骤可以省略或者调换顺序,或者被替换,例如,可以先计算纹理相似度再计算结构相似度等等。首先,本发明提出一种终端700。如图8所示,本发明所述的终端的一个实施例的模块示意图。在本实施例中,所述终端700可以被分割成一个或多个模块,所述一个或多个模块被存储于所述存储器710中,并由一个或多个处理器720(本实施例中的所述控制器120)所执行,以完成本发明。具体的,图片缓存清除设备包括:存储器710、处理器720及通信总线730;所述通信总线用于实现处理器和存储器之间的连接通信;所述处理器用于执行存储器中存储的无参考质量模糊图像预测程序,以实现以下步骤:将待预测图像转化为灰度图像;以及,获取参考图像的高斯模糊失真图像的第一特征向量和第二特征向量,其中,所述第一特征向量为所述参考图像的纹理特征构成的特征向量,所述第二特征向量为所述参考图像经低通滤波后的纹理特征构成的特征向量;根据所述灰度图像,提取所述待预测图像的结构特征,并计算得到所述待预测图像与所述参考图像之间的结构相似度,以及所述第一特征向量和所述第二特征向量的纹理相似度;根据预设神经网络预测模型,以所述结构相似度和所述纹理相似度为输入样本,将得到的输出结果作为所述待预测图像的预测图像。具体的,所述处理器用于执行所述无参考质量模糊图像预测程序,以实现以下步骤:将待预测图像转化为尺寸为512*512的灰度图像。具体的,所述处理器用于执行所述无参考质量模糊图像预测程序,以实现以下步骤:计算所述第一特征向量和所述第二特征向量的欧几里得距离;将计算得到的欧几里得距离作为纹理相似度。具体的,所述处理器用于执行所述无参考质量模糊图像预测程序,以实现隐层节点的个数的计算,具体公式为:其中,n、m表示输入输出节点的个数,a为1至10之间的任一数值。具体的,所述处理器用于执行所述无参考质量模糊图像预测程序,以实现以下步骤:所述第一特征向量和所述第二特征向量均为34维的特征向量。相较于现有技术,本发明提出的终端通过计算待评价图像和参考图像之间的纹理相似性作为图像局部细节信息的度量最后,将两个相似性指标作为神经网络预测模型的输入,得到预测的图像,从而补全信息缺失的图片。本发明实施例中,待预测图像为信息不全的残缺图像,首先将该待预测图像进行预处理,将其转化为灰度图像,具体的,可以将待预测图像转化成尺寸大小为512×512的灰度图像。需要说明的是,原始的信息不全图像一般情况下均为彩色图像,彩色图像为包含rgb的3原色图像,如果直接采用原图像进行处理就要分析3组原色的信息,而将彩色图像转化灰度图像只要分析一组灰度图像的信息即可,可以提高图像处理的效率。本发明实施例中,可以采用灰度共生矩阵法和小波变换法提取图像数据库多幅高斯模糊失的纹理特征。并将该纹理特征用特征向量进行表示,即第一特征向量,具体的,第一特征向量可以是一组34维的特征向量。需要说明的是,可以首先采用灰度共生矩阵法提取待预测图像的8维纹理特征向量,然后选用biorl4.4小波对待预测图像进行4层小波分解,分别提取每个子带在每个分解层上的能量分布的均值和方差构成一个26维纹理特征向量,结合灰度共生矩阵法提取的8维纹理特征向量,最终组成一个34维的向量。灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法。由于纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系,即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度直方图是对图像上单个像素具有某个灰度进行统计的结果,而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。示例性的,取(n×n)中任一图像块图像一点,(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2)。令点(x,y)在整个画面上移动,则会得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率p(g1,g2),这样的方阵称为灰度共生矩阵。距离差分值(a,b)取不同的数值组合,可以得到不同情况下的联合概率矩阵。(a,b)取值要根据纹理周期分布的特性来选择,对于较细的纹理,选取(1,0)、(1,1)、(2,0)等小的差分值。当a=1,b=0时,像素对是水平的,即0度扫描;当a=0,b=1时,像素对是垂直的,即90度扫描;当a=1,b=1时,像素对是右对角线的,即45度扫描;当a=-1,b=1时,像素对是左对角线,即135度扫描。这样,两个象素灰度级同时发生的概率,就将(x,y)的空间坐标转化为“灰度对”(g1,g2)的描述,形成了灰度共生矩阵。小波变换是一种强有力的时频分析工具,可以应用于信号处理、图像处理、模式识别等领域,它在时域和频域均有很好的局部化特征。简单的说就是对一个函数用一定的小波基函数在时间与空间上进行局部化的数学变换,通过小波基的平移可以获取原函数在该小波基下的时间信息,然后通过缩放小波基的尺度获得频率信息。主要还是计算的是小波与局部信号的近似系数。离散小波变换最终获得是在不同频率尺度下,原始信号在时间域的近似信号与细节信号。本发明实施例中,对高斯模糊图像进行低通滤波,低通滤波器选用中值滤波器,滤波窗口大小为9×9,并提取低通滤波后图像的纹理特征向量,即第二特征向量,具体的,第二特征向量可以为一组34维的特征向量。需要说明的是,清晰图像比模糊图像包含更丰富的高频信息,清晰图像经过低通滤波器后损失成分多,而模糊图像经过低通滤波器后损失成分少。无参考结构清晰度(nrss)图像质量评价方法就是通过低通滤波器来构造参考图像,通过计算待预测图像与参考图像的结构相似度值来评价模糊失真图像质量。结构相似度越小,图像越清晰,反之结构相似度越大,图像越模糊。需要说明的是,根据待预测图像的梯度信息,可以找到的梯度信息最为丰富的n个块。可以理解的是,待预测图像分为多个块,计算每块的方差,方差越大说明梯度信息越丰富,找出其中方差最大的n块,即为梯度信息最为丰富的n个块。n的值大小直接影响评价结果,同时也影响算法运行时间,所以在块的选择上至关重要,直接影响图片预测的结果。具体的,计算待预测图像的无参考结构清晰度nrss的运算公式:其中,n为梯度信息最为丰富的n个块,xi、yi为是指从灰度图像的左上角与当前点所围成的举行区域内所有像素点。ssim为图像的结构相似度:ssim(x,y)=lα(x,y)·cβ(x,y)·sγ(x,y)简单起见,可以令:α=β=γ=1,l为亮度比较,c为对比度比较,s为结构信息比较,x、y为像素点的具体值。具体的,可以计算得到图像清晰度作为待预测图像与参考图像之间的结构相似度。本领域技术人员可以理解的是,计算所述第一特征向量和所述第二特征向量的纹理相似度可以通过计算所述第一特征向量和所述第二特征向量的欧几里得距离;将计算得到的欧几里得距离作为纹理相似度。其中,x(i)、y(i)分别表示提取的高斯模糊图像纹理相似度的第一特征向量和提取滤波后高斯模糊图像的纹理相似度的第二特征向量,i表示向量的维数,d表示第一特征向量和第二特征向量的维度数。bp神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。bp网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。bp神经网络模型拓扑结构包括输入层(input)、隐层(hiddenlayer)和输出层(outputlayer)。本发明实施例中,建立bp神经网络预测模型的技术过程可以是:网络以图像的纹理相似度和结构相似度作为输入样本,数据库中失真模糊图像的主观评价值dmos作为输出样本,建立一个单隐层的bp神经网络预测模型。隐层节点的个数根据经验公式:其中m、n表示输入、输出节点的个数,a为1~10之间的任一数值数;具体的,输入、输出节点以及a的值还可以进行实验确定。经过多次的实验结果表明,当隐层的节点个数为9时,迭代次数最少,预测值与输出样本值之间的误差最小,因此确定网络的隐层节点个数为9。相较于现有技术,本发明提出的终端通过计算待评价图像和参考图像之间的纹理相似性作为图像局部细节信息的度量最后,将两个相似性指标作为神经网络预测模型的输入,得到预测的图像,从而补全信息缺失的图片。参见图8,本发明还提出计算机可读存储介质800,所述计算机可读存储介质存储有一个或者多个程序810(程序1至程序n),所述一个或者多个程序可被一个或者多个处理器820(处理器1至处理器m)执行,以实现以下步骤:将待预测图像转化为灰度图像;以及,获取参考图像的高斯模糊失真图像的第一特征向量和第二特征向量,其中,所述第一特征向量为所述参考图像的纹理特征构成的特征向量,所述第二特征向量为所述参考图像经低通滤波后的纹理特征构成的特征向量;根据所述灰度图像,提取所述待预测图像的结构特征,并计算得到所述待预测图像与所述参考图像之间的结构相似度,以及所述第一特征向量和所述第二特征向量的纹理相似度;根据预设神经网络预测模型,以所述结构相似度和所述纹理相似度为输入样本,将得到的输出结果作为所述待预测图像的预测图像。进一步地,所述一个或者多个程序还可被所述一个或者多个处理器执行,以实现以下步骤:将待预测图像转化为尺寸为512*512的灰度图像。进一步地,所述一个或者多个程序还可被所述一个或者多个处理器执行,以实现以下步骤:计算所述第一特征向量和所述第二特征向量的欧几里得距离;将计算得到的欧几里得距离作为纹理相似度。进一步地,所述一个或者多个程序还可被所述一个或者多个处理器执行,以实现以下计算:其中,n、m表示输入输出节点的个数,a为1至10之间的任一数值。进一步地,所述一个或者多个程序还可被所述一个或者多个处理器执行,以实现以下步骤:所述第一特征向量和所述第二特征向量均为34维的特征向量。相较于现有技术,本发明提出的计算机可读存储介质通过计算待评价图像和参考图像之间的纹理相似性作为图像局部细节信息的度量最后,将两个相似性指标作为神经网络预测模型的输入,得到预测的图像,从而补全信息缺失的图片。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。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。以上仅为本发明的可选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的
技术领域
:,均同理包括在本发明的专利保护范围内。当前第1页12当前第1页12
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1