[发明专利]一种基于频段信息的优质图像分类方法和系统

权利要求书

1.一种基于频段信息的优质图像分类方法，其特征在于，包括：

获得训练集，对训练集中的图像设置标签，所述标签分为两类：是否被破坏、以及是否存在过度锐化和\或伪影；

使用高斯高通滤波获取图像的频段信息；

利用频段信息获取图像特征；

利用训练集中图像的图像特征，训练图像结构判别模型和训练过度锐化伪影判别模型；根据训练得到的图像结构判别模型和过度锐化伪影判别模型能够获得图像集中的优质图像。

2.如权利要求1所述的一种基于频段信息的优质图像分类方法，其特征在于，所述图像结构判别模型和训练过度锐化伪影判别模型均为基于二叉树的支持向量机的机器学习模型。

3.如权利要求1所述的一种基于频段信息的优质图像分类方法，其特征在于，还包括获得图像构成的测试集并对测试集中的图像设置所述标签的步骤，测试集用于测试获得的测试图像结构判别模型和过度锐化伪影判别模型的准确性。

4.如权利要求1所述的一种基于频段信息的优质图像分类方法，其特征在于，所述图像特征包括图像信息熵、高频分量信息熵、中低频分量信息熵、高频分量的均值和高频分量的梯度均值。

5.如权利要求1所述的一种基于频段信息的优质图像分类方法，其特征在于，所述利用频段信息获取图像特征具体为：

其中，E1、E2和E3分别为图像信息熵、高频分量信息熵和中低频分量信息熵；AP为高频分量的均值；AG为高频分量的梯度均值；I为输入图像；I_high为I对应的高频分量，I-I_high为I对应的中低频分量；I_high_g为高频分量的梯度；m和n为图像的尺寸，m为图像的宽，n为图像的高；i为像素编号；entropy为图像一维熵。

6.如权利要求5所述的一种基于频段信息的优质图像分类方法，其特征在于，所述图像一维熵entropy表示为：

其中，i为图像的某个像素值，p_i为i在图像中出现的概率。

7.如权利要求1所述的一种基于频段信息的优质图像分类方法，其特征在于，所述高斯高通滤波的传递函数为：

其中，D₀为截止频率；D(u,v)为频域中的点(u,v)到频率原点的距离，即

8.如权利要求1所述的一种基于频段信息的优质图像分类方法，其特征在于，所述图像结构判别模型用于判断图像结构是否被破坏，过度锐化伪影判别模型用于判断图像是否存在过度锐化和\或伪影，所述优质图像的结构未被破坏且没有过度锐化和\或伪影。

9.一种基于频段信息的优质图像分类系统，其特征在于，包括：

第一获取模块，用于获得训练集，所述训练集中的图像设置有标签，所述标签分为两类：是否被破坏、以及是否存在过度锐化和\或伪影；

第一计算模块，用于使用高斯高通滤波获取图像的频段信息；

第二计算模块，用于利用频段信息获取图像特征；

训练模块，用于利用训练集中图像的图像特征训练图像结构判别模型和训练过度锐化伪影判别模型；根据训练得到的图像结构判别模型和过度锐化伪影判别模型能够获得图像集中的优质图像。

10.一种优质图像获得方法，其特征在于，包括如下步骤：

S1、获得待判断图像；

S2、对待判断图像使用高斯高通滤波获取待判断图像的频段信息；

S3、根据待判断图像的频段信息获取待判断图像的图像特征；

S4、将S3得到的图像特征作为的输入图像结构判别模型中；

S5、将S4图像结构判别模型输出的图像结构未被破坏所对应的图像特征输入到过度锐化伪影判别模型中，过度锐化伪影判别模型输出的没有过度锐化和\或伪影所对应的图像特征；

S6、根据S5得到的没有过度锐化和\或伪影所对应的图像特征，获得优质图像；

所述图像结构判别模型和过度锐化伪影判别模型均为采用所述权利要求1至8中任意一项所述的一种基于频段信息的优质图像分类方法获得。