[发明专利]基于稀疏表示与SVM的分任务铁路货车图像质量判断方法

说明书

基于稀疏表示与SVM的分任务铁路货车图像质量判断方法，属于图像处理技术领域。为了解决现有的图像质量判断方法对货车图像进行检测时存在准确率低甚至失效的问题。本发明将货车图像送入训练好的质量判断网络得到图像质量判断结果；质量判断网络的确定过程中：根据亮度、清晰度、对称性、拉伸程度与噪声的正样本和负样本构建5个质量判断数据集并对每幅图像的图像质量评分，作为质量标签；针对五种质量判断任务，提取图像不同特征并采用稀疏表示进行特征编码，并分别构建和训练不同的质量判断模型，根据五个质量判断模型得到五个质量分数确定最终质量分数，作为图像质量判断的判断结果。主要用于铁路货车图像质量判断。

技术领域

本发明涉及铁路货车图像质量判断方法。属于图像处理技术领域。

背景技术

铁路货车一直一来承担着重要的运输角色，铁路部门需要经常对铁路货车进行安全检查，以保证铁路货车的安全稳定运行。长期以来，铁路货车的设备检测基本都是采用人工查看图像的方法对货运列车进行全车检查，一直存在高成本、效率低等问题。采用人工查看图像的方式，工作枯燥，容易懈怠，有效工作时间有限，效率进一步降低，而且非常容易出现遗漏部件、误报等情况，难以保障准确率。

相比于人工查图像的故障检测方式，采用深度学习方式对车辆图像进行自动化故障检测的方法可以显著提高检测效率，降低成本，减少人工检测中由于人员疲劳、懈怠造成的误检、漏检等情况。但是这种方式对于图像的质量要求比较高，低质量的图像对后续故障检测任务有极大的负面影响，加大了故障检测难度，降低了故障检测的准确程度。因此十分有必要在故障检测前对获取的图像进行质量进行判断，对低质量的图像进行处理，并对相机进行调整，提高后续故障检测任务的准确率。但是目前的图像质量判断大都依赖于人工完成，即主观质量评价方法，这种方式不仅存在人为差异导致的判断准确率差异大的不足，而且存在效率极低、工作量非常大的问题。目前也有一些图像质量的自动判断方法，即图像客观质量评价方法，虽然这些方法的判断标准已经不再依赖于人为主观因素，采用计算机模拟人的质量评价过程，省时省力，但是实际应用中，由于检测对象的不同，应用的任务不同，每个领域/任务对于图像质量的要求也是不同的，所以目前的图像质量判断也有针对性，不能应用于各种领域，由于货车图像是在其高速行驶的情况下获得的，图像存在存在畸变噪声等质量退化现象，且质量评判的标准与现有的自然图像、美学图像等质量评价的标准不同，所以利用现有的方法对铁路货车图像进行图像质量判断准确率低、甚至失效，如果采用依赖于现有的方法判断出的质量符合要求的图片进行货车的故障检测会存在极大的安全隐患。

发明内容

本发明是为了解决现有的图像质量判断方法对货车图像进行检测时存在准确率低甚至失效的问题。

基于稀疏表示与SVM的分任务铁路货车图像质量判断方法，包括以下步骤：

首先，获得铁路货车通过图像；

然后，将图像送入训练好的质量判断网络，得到图像质量判断结果；

所述质量判断网络的确定过程包括以下步骤：

s1、分别在采集到的图像中挑选亮度、清晰度、对称性、拉伸程度与噪声的正样本和负样本，构建亮度、清晰度、对称性、拉伸程度与噪声质量判断数据集；

分别确定5个质量判断数据集中的每幅图像的图像质量评分，作为质量标签；

s2、针对亮度、清晰度、对称性、拉伸程度和噪声五种质量判断任务，提取图像不同特征并采用稀疏表示进行特征编码，并分别构建不同的质量判断模型；

s3、将五个质量判断任务对应的质量判断模型得到五个质量分数S_i,i∈{1,2,...,5}，最终质量分数为将最终质量得分作为图像质量判断的判断结果。

进一步地，步骤s2所述针对亮度、清晰度、对称性、拉伸程度和噪声五种质量判断任务，提取图像不同特征并采用稀疏表示进行特征编码，并分别构建不同的质量判断模型的过程包括以下步骤：