图像质量分析方法和装置与流程

本公开涉及图像处理技术领域，尤其涉及一种图像质量分析方法和装置。

背景技术：

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。

技术实现要素：

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取，比如使用sobel边缘检测算法预先对待处理图片进行梯度提取，之后以梯度图而不是待处理图片作为卷积神经网络的输入，从而可根据卷积神经网络中预先训练的多个卷积核直接在边缘特征上提取待处理图像的相关特征。

在步骤S130中，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，则确定待处理图片的图像质量。

可以理解，卷积神经网络中预设有模糊图像的边缘特征和清晰图像的边缘特征，进而通过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分类，从而可根据分类结果确定待处理图片的图像质量。

在本公开的一个实施例中，如果预设的卷积神经网络，识别该梯度图的边缘特征与预设的卷积神经网络中预设的模糊图像的边缘特征匹配，预先训练的多个卷积核则将该梯度图的边缘特征分类为图像质量模糊的边缘特征，从而确定待处理图片的图像质量模糊。

在本公开的另一个实施例中，如果预设的卷积神经网络，识别该梯度图的边缘特征与预设的清晰图像边缘特征匹配，预先训练的多个卷积核则将梯度图的边缘特征分类为图像质量清晰的边缘特征，从而确定待处理图片的图像质量清晰。

在一实施例中，例如可以通过预设一阈值，在梯度图的边缘特征与预设图像边缘特征之间的匹配度小于该阈值时，确定梯度图的边缘特征与预设图像边缘特征不匹配；在梯度图的边缘特征与预设图像边缘特征之间的匹配度大于或等于该阈值时，确定梯度图的边缘特征与预设图像边缘特征匹配。

综上所述，本公开实施例的图像质量分析方法，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。

基于以上实施例，需要说明的是，在搭建好上述具有一层卷积层，多个卷积核的卷积神经网络后，需要对该卷积神经网络进行训练，以通过对卷积神经网络进行反复的刺激，不断调整预设的多个卷积核的值等，从而通过训练得到可以准确识别出图像质量的卷积神经网络。

下面结合对卷积神经网络的训练对图像质量分析方法进行说明，说明如下：

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。该图像质量分析方法包括：

在步骤S310中，对样本图片进行梯度提取获取样本梯度图。

在步骤S320中，将样本梯度图输入预设的卷积神经网络，训练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。

示例地，可对样本图片进行梯度提取，并将样本梯度图输入预设的神经网络，以通过训练卷积神经网络中预设的多个卷积核，而不断修正卷积核的值。从而通过对预设的多个卷积核的训练，可以得到多个收敛的卷积核，比如得到多个7*7的卷积核，该卷积核用以准确分类模糊图像边缘特征和清晰图像边缘特征。

需要强调的是，上述通过样本图片训练卷积神经网络中预设的多个卷积核可以是多次，每次训练的样本图片不同，训练的次数越多，训练得到的多个卷积核分类模糊图像边缘特征和清晰图像边缘特征越准确。

示例地，在训练完成卷积神经网络中预设的多个卷积核后，只需要将待处理图片或样本图片输入到训练好的卷积神经网络中，即可通过预先训练的多个卷积核将待处理图片进行二分类，分为图像质量模糊图像和图像质量清晰图像，便于根据该分类结果确定待处理图像的图像质量。

在步骤S330中，对待处理图片进行梯度提取获取梯度图，对梯度图中的像素进行归一化处理，获取与梯度图对应的灰度图。

在步骤S340中，将灰度图输入预设的卷积神经网络。

在步骤S350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。

具体而言，在本公开的一个实施例中，作为一种实施方式，对待处理图片进行图像质量分析时，可以获取待处理图片进行梯度提取获取梯度图，并对梯度图中的像素进行归一化处理，将像素值归一到0-255的范围，以获取与梯度图对应的灰度图，进而将灰度图输入预设的卷积神经网络，从而可根据卷积神经网络中预先训练的多个卷积核直接在灰度图上提取待处理图像的相关特征。

在步骤S360中，如果梯度图的边缘特征与预设的模糊图像边缘特征匹配，则确定待处理图片的图像质量模糊。

在步骤S370中，如果梯度图的边缘特征与预设的清晰图像边缘特征匹配，则确定待处理图片的图像质量清晰。

在本公开的一个实施例中，如果梯度图的边缘特征与预设的模糊图像边缘特征匹配，预先训练好的多个卷积核将该梯度图的边缘特征分类为图像质量模糊的边缘特征，从而确定待处理图片的图像质量模糊。

如果梯度图的边缘特征与预设的清晰图像边缘特征匹配，预先训练好的多个卷积核将该梯度图的边缘特征分类为图像清晰模糊的边缘特征，从而确定待处理图片的图像质量清晰。

综上所述，本公开实施例的图像质量分析方法，使用样本图片的梯度训练预设的卷积神经网络中预设的多个卷积核，以根据多个卷积核分类模糊图像边缘特征和清晰图像边缘特征。由此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。

下述为本公开图像质量分析装置实施例，可以被配置为执行本公开图像质量分析方法实施例。对于本公开图像质量分析装置实施例中未披露的细节，请参照本公开图像质量分析方法实施例。

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。

如图4所示，该图像质量分析装置包括：

第一提取模块410，被配置为对待处理图片进行梯度提取获取梯度图。

输入模块420，被配置为将梯度图输入预设的卷积神经网络。

处理模块430，被配置为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。

确定模块440，被配置为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，确定待处理图片的图像质量。

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，第一提取模块410可预先对待处理图片进行梯度提取，比如第一提取模块410使用sobel边缘检测算法预先对待处理图片进行梯度提取，之后输入模块420以梯度图而不是待处理图片作为卷积神经网络的输入，从而处理模块430可根据卷积神经网络中预先训练的多个卷积核直接在边缘特征上提取待处理图像的相关特征。

在本公开的一个实施例中，如果卷积神经网络，识别该梯度图的边缘特征与卷积神经网络中预设的模糊图像的边缘特征匹配，处理模块430通过预先训练的多个卷积核则将该梯度图的边缘特征分类为图像质量模糊的边缘特征，从而确定模块440确定待处理图片的图像质量模糊。

在本公开的另一个实施例中，如果预设的卷积神经网络，识别该梯度图的边缘特征与预设的清晰图像边缘特征匹配，处理模块430通过预先训练的多个卷积核则将梯度图的边缘特征分类为图像质量清晰的边缘特征，从而确定模块440确定待处理图片的图像质量清晰。

综上所述，本公开实施例的图像质量分析装置，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，确定待处理图片的图像质量。由此，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。

基于以上实施例，需要说明的是，在搭建好上述具有一层卷积层，多个卷积核的卷积神经网络后，需要对该卷积神经网络进行训练，以通过对卷积神经网络进行反复的刺激，不断调整预设的多个卷积核的值等，从而通过训练得到可以准确识别出图像质量的卷积神经网络。

下面结合对卷积神经网络的训练对图像质量分析装置进行说明，说明如下：

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。在如图4所示的基础上，该图像分析装置还包括：

第二提取模块450，被配置为对样本图片进行梯度提取获取样本梯度图。

训练模块460，被配置为将样本梯度图输入预设的卷积神经网络，训练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。

具体地，第二提取模块450可对样本图片进行梯度提取，训练模块460将样本梯度图输入预设的神经网络，以通过训练卷积神经网络中预设的多个卷积核，而不断修正卷积核的值。从而通过对预设的多个卷积核的训练，可以得到多个收敛的卷积核，比如得到多个7*7的卷积核，该卷积核用以准确分类模糊图像边缘特征和清晰图像边缘特征。

进一步地，在训练完成卷积神经网络中预设的多个卷积核后，输入模块420只需要将第一提取模块410提取的待处理图片或样本图片的梯度图，输入到训练好的卷积神经网络中，处理模块430即可通过预先训练的多个卷积核将待处理图片进行二分类，分为图像质量模糊图像和图像质量清晰图像，便于确定模块440根据该分类结果确定待处理图像的图像质量。

具体而言，在本公开的一个实施例中，作为一种实施方式，对待处理图片进行图像质量分析时，处理模块430可以获取第一提取模块410提取的待处理图片进行梯度提取获取梯度图，输入模块420对梯度图中的像素进行归一化处理，将像素值归一到0-255的范围，以获取与梯度图对应的灰度图，进而将灰度图输入预设的卷积神经网络，从而处理模块430可根据卷积神经网络中预先训练的多个卷积核直接在灰度图上提取待处理图像的相关特征。

综上所述，本公开实施例的图像质量分析装置，使用样本图片的梯度训练卷积神经网络中预设的多个卷积核，以根据多个卷积核分类模糊图像边缘特征和清晰图像边缘特征。由此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。

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。例如，装置1000可以是移动电话，计算机，平板设备，个人数字助理等。

参照图6，装置1000可以包括以下一个或多个组件：处理组件1002，存储器1004，电源组件1006，多媒体组件1008，音频组件1010，输入/输出(I/O)的接口1012，传感器组件1014，以及通信组件1016。

处理组件1002通常控制装置1000的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1002可以包括一个或多个处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1002可以包括一个或多个模块，便于处理组件1002和其他组件之间的交互。例如，处理组件1002可以包括多媒体模块，以方便多媒体组件1008和处理组件1002之间的交互。

存储器1004被配置为存储各种类型的数据以支持在装置1000的操作。这些数据的示例包括被配置为在装置1000上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1006为装置1000的各种组件提供电力。电源组件1006可以包括电源管理系统，一个或多个电源，及其他与为装置1000生成、管理和分配电力相关联的组件。

多媒体组件1008包括在所述装置1000和用户之间的提供一个输出接口的触控显示屏。在一些实施例中，触控显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括一个前置摄像头和/或后置摄像头。当装置1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括一个麦克风(MIC)，当装置1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中，音频组件1010还包括一个扬声器，被配置为输出音频信号。

I/O接口1012为处理组件1002和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1014包括一个或多个传感器，被配置为为装置1000提供各个方面的状态评估。例如，传感器组件1014可以检测到装置1000的打开/关闭状态，组件的相对定位，例如所述组件为装置1000的显示器和小键盘，传感器组件1014还可以检测装置1000或装置1000一个组件的位置改变，用户与装置1000接触的存在或不存在，装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器，如CMOS或CCD图像传感器，被配置为在成像应用中使用。在一些实施例中，该传感器组件1014还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1016还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，被配置为执行上述图像质量分析方法(图1-图3所示的方法)。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1004，上述指令可由装置1000的处理器1020执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行一种图像质量分析方法，所述方法包括：

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。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未公开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，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。