[发明专利]一种商品图像视觉质量的自动分级方法

权利要求书

1.一种商品图像视觉质量的自动分级方法，其特征在于，包括以下步骤：

（1）将一批量图片作为训练样本，定义质量等级(非常好、好、一般、差、极差)，人工标定每张图片的质量等级；提取颜色直方图、颜色简洁度、颜色和谐度以及图片规则度作为训练样本的训练特征；

（2）训练步骤1中提取的特征，得到上述特征向量的特征权值；

（3）建立图像质量自动分级SVM模型；

（4）图像质量预分级，具体步骤如下：

（4.1）提取模糊度：模糊因子提取主要分为两步：提取边缘以及计算模糊因子；

首先得到水平方向和竖直方向的边缘图；

其次求得模糊因子图BR(x,y)以及反模糊因子，公式如下：

BRh(x,y)=|f(x,y)-12Ah(x,y)|12Ah(x,y);]]>

BRv(x,y)=|f(x,y)-12Av(x,y)|12Av(x,y);]]>

式中，A_h(x,y)、A_v(x,y)分别为水平方向和竖直方向的边缘图，f(x,y)为原图；BR_h(x,y)、BR_V(x,y)分别表示水平方向和竖直方向的模糊因子，而反模糊因子则为BR_h(x,y)和BR_V(x,y)最大值；

最后计算模糊均值和模糊比率；计算公式如下：

Blurmean=SumblurBlurcnt]]>Blurratio=BlurcntEdgecnt;]]>

式中，Sum_blur为反模糊因子的值和，Blur_cnt为满足反模糊因子小于模糊度T的像素的个数和；Edge_cnt为水平和竖直方向边缘像素的个数，Blur_mean表示模糊均值，Blur_rato表示模糊比率；

（4.2）提取噪音比：噪音是影响图片质量的重要因子，具体步骤如下：

首先对原图进行中值滤波，并求得滤波后水平方向以及竖直方向的边缘图；

其次求得噪音图N_cnd(x,y)，计算公式如下：

式中，D_h(x,y)、D_v(x,y)分别是水平方向和竖直方向的边缘图，D_h-mean、D_v-nean分别为水平方向和竖直方向上的阈值，N_cand(x,y)、N_cand分别表示噪音值和噪音图；

最后计算噪音均值以及噪音比，计算公式如下：

Nosiemean=SumnoiseNosiecnt]]>Nosieratio=NoisecntM*N]]>

式中，Sum_noise、Noise_cnt分别为噪音图的像素值值的和以及噪音图非零值像素个数，Noise_mean、Noise_cnt分别表示噪音均值和噪音比，M、N为噪音图的长和宽；

进行模糊度和噪音比的融合：进行模糊度和噪音比的融合公式如下：

Metric=1-(w₁Blur_mean+w₂Blur_ratio+w₃Noise_mean+w₄Noise_ratio)；

式中，Metric表示融合后特征值，Blur_mean表示模糊均值，Blur_rato表示模糊比率，，Noise_mean表示噪音均值，Noise_cnt表示噪音比；

（4.3）提取weber对比度以及颜色对比度：

其中，weber对比度公式如下：

fwc=1M×NΣx=0mΣy=0nI(x,y)-IavgIavg;]]>

式中，f_wc表示weber对比度，m、n为图像的长和宽，I_avg为图像的均值，I(x,y)表示在点(x,y)的像素值；

颜色对比度公式如下：

f_cc=(‖M_R||/‖R||)/(‖M_I‖|/‖I‖)；

式中，f_cc表示颜色对比度，R为主体商品区域，I为原图，M_R、M_I表示商品主体区域和原图区域像素值变化聚类像素的个数；

（4.4）文字特征提取步骤如下：

（4.4.1）离线学习训练图像中红色文字logo区域像素点值，根据公式计算色度的均值M和协方差C；

（4.4.2）对于输入的每个像素，计算与离线训练模型的距离，检测输入相似是否为红色文字区域；

（4.4.3）阈值分割得到二值掩码图像，提取各个连通区域；

（4.4.4）对各个连通区域根据ORC算法精确定位是否属于文字logo区域，并识别文字在图像中的位置以及个数；

（4.5）提取待分级图片特征，特征为步骤1中所述特征；

（4.6）根据步骤2中计算得到的特征向量权值，对步骤5提取的特征进行多特征融合；

（4.7）对步骤6得到的融合特征作为输入参数送入步骤3中所建立的SVM模型，得到待分级图片质量级别。