【技术实现步骤摘要】
本申请涉及图像处理的领域，尤其涉及一种基于人工智能的图像质检方法及系统。
技术介绍
1、随着数字技术的迅猛发展，档案数字化已成为新兴的信息形态。在档案数字化过程中，档案的文件扫描是一项重要工作，它不仅关系到档案信息的准确性和完整性，而且直接影响到后续的档案管理和利用效率。
2、扫描文件有时会出现重影缺陷，主要是由于以下几个原因：
3、扫描设备故障：扫描设备可能存在硬件故障或软件问题，例如扫描头出现损坏或误差、传感器检测不准确等。这些问题会导致扫描设备无法准确捕捉和记录图像信息，进而导致扫描图像出现重影。
4、扫描头或传感器稳定性问题：在扫描过程中，如果扫描头或传感器在扫描文档时出现移动或不稳定的情况，图像可能会出现重影效果。这可能是由于设备设计、加工精度或使用中的振动等问题引起的。
5、扫描文档移动不稳定：扫描文件时，如果扫描文档的移动不稳定，则会导致扫描过程中的图像出现重影。这种不稳定的移动可能是由于使用者的手部不规律移动、文档与扫描器接触不紧密等原因造成的。
6、对于扫描文件得到图像产生的重影效果的检测通常使用图像分类技术，但由于从图像整体上来看存在重影的图像与正常图像之间差距通常不明显，提取出的特征差距通常不大，无法通过简单图像分类将有重影的图像识别出来。
技术实现思路
1、为了精准的捕捉文件扫描时可能出现的重影缺陷，提高图像质检的准确性和可靠性，本申请提供一种基于人工智能的图像质检方法及系统。
2、第一
3、一种基于人工智能的图像质检方法，包括步骤：
4、获取正常图像样本及重影图像样本的灰度图；计算灰度图中像素点的梯度值，根据像素点梯度值动态的设定像素点的梯度方向，根据梯度值及梯度方向确定配对点的匹配方向；计算匹配步长，根据匹配方向和匹配步长，得到配对点，每个像素点及其对应的配对点组成一个点对；根据任意点对，在尺寸为256256且所有元素值为0的矩阵中进行元素赋值，遍历所有的点对，生成灰度共生矩阵，其中，将任意像素点的灰度值及对应的配对点的灰度值分别作为横坐标及纵坐标，将矩阵中横坐标及纵坐标对应位置的元素值加一；将根据正常图像样本生成的灰度共生矩阵标注为0，根据重影图像样本生成的灰度共生矩阵标注为1，输入到预设的神经网络模型中以对神经网络模型进行训练，训练好的神经网络模型作为分类模型；将根据待质检的图像生成的灰度共生矩阵输入到分类模型中，生成重影图像的识别结果。
5、可选的，计算灰度图中像素点的梯度值，根据像素点梯度值动态的设定像素点的梯度方向，根据梯度值及梯度方向确定配对点的匹配方向，包括：划分初始背景区域、初始文字区域和初始重影区域；通过sobel算子计算得到像素点的横向梯度值和纵向梯度值；将像素点的灰度值与初始背景区域的灰度值的差值作为第一差值，将像素点的灰度值与初始文字区域的灰度值的差值作为第二差值，将像素点的灰度值与初始重影区域的灰度值的差值作为第三差值；比较第一差值、第二差值及第三差值的差值大小，若与第一差值的差值大小最小，判定像素点为最终背景区域的像素点，若与第二差值的差值大小最小，判定像素点为最终文字区域的像素点，若与第三差值的差值大小最小，判定像素点为最终重影区域的像素点；若判定为最终背景区域的像素点或文字区域的像素点，配对点的匹配方向为垂直于梯度方向，若判定为最终重影区域，配对点的匹配方向为梯度方向。
6、可选的，划分初始背景区域、初始文字区域和初始重影区域，包括：根据灰度图构建灰度直方图，取灰度直方图中的峰值最大值的点所对应的灰度值作为初始背景区域的灰度值、离峰值最大值距离最远的峰值点对应的灰度值作为初始文字区域的灰度值；初始背景区域的灰度值与初始文字区域的灰度值的平均值作为初始重影区域灰度值。
7、可选的，计算匹配步长，匹配步长的计算公式为：
8、，，其中，表示第步时配对点的匹配步长，表示第步中生成的点对中像素点的灰度值，表示第步生成的点对中配对点的灰度值，代表灰度值差距，为对取整，为取最小值，表示第步时配对点的匹配步长，匹配步长最多增长到8。
9、可选的，将根据正常图像样本生成的灰度共生矩阵标注为0，根据重影图像样本生成的灰度共生矩阵标注为1，输入到预设的神经网络模型中以对神经网络模型进行训练，训练好的神经网络模型作为分类模型，对神经网络模型进行训练所使用的损失函数为交叉熵损失函数。
10、第二方面，本申请提供一种基于人工智能的图像质检系统，采用如下的技术方案：
11、一种基于人工智能的图像质检系统，处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据上述的基于人工智能的图像质检方法。
12、本申请具有以下技术效果：
13、通过创新的图像处理技术，根据图像梯度的动态调整，实现了生成灰度共生矩阵时的方向和步长大小的即时适应，能够更加灵活地捕捉文本图像中不同部分的纹理特征，精准的捕捉文件扫描时可能出现的重影缺陷，更准确地描述重影图像与正常图像之间的差异，从而为神经网络提供更具判别性的特征，提高图像质检的准确性和可靠性。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的图像质检方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于人工智能的图像质检方法，其特征在于，计算灰度图中像素点的梯度值，根据像素点梯度值动态的设定像素点的梯度方向，根据梯度值及梯度方向确定配对点的匹配方向，包括：
3.根据权利要求2所述的基于人工智能的图像质检方法，其特征在于，划分初始背景区域、初始文字区域和初始重影区域，包括：
4.根据权利要求1所述的基于人工智能的图像质检方法，其特征在于，计算匹配步长，匹配步长的计算公式为：
5.根据权利要求1所述的基于人工智能的图像质检方法，其特征在于，将根据正常图像样本生成的灰度共生矩阵标注为0，根据重影图像样本生成的灰度共生矩阵标注为1，输入到预设的神经网络模型中以对神经网络模型进行训练，训练好的神经网络模型作为分类模型，对神经网络模型进行训练所使用的损失函数为交叉熵损失函数。
6.一种基于人工智能的图像质检系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-5任一项所
...【技术特征摘要】
1.一种基于人工智能的图像质检方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于人工智能的图像质检方法，其特征在于，计算灰度图中像素点的梯度值，根据像素点梯度值动态的设定像素点的梯度方向，根据梯度值及梯度方向确定配对点的匹配方向，包括：
3.根据权利要求2所述的基于人工智能的图像质检方法，其特征在于，划分初始背景区域、初始文字区域和初始重影区域，包括：
4.根据权利要求1所述的基于人工智能的图像质检方法，其特征在于，计算匹配步长，匹配步长的计算公式为：
...
【专利技术属性】
技术研发人员：丁忠亮，向楠，曾德官，
申请(专利权)人：湖北楚天龙实业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。