[发明专利]图像的马赛克检测方法、装置、电子设备及存储介质

说明书

本发明实施例公开了一种图像的马赛克检测方法、装置、电子设备及存储介质，方法包括：对获取的待检测图像进行预处理，得到待检测图像的二值梯度图；根据二值梯度图的起始点将二值梯度图划分为若干个预设大小的网格；根据基准点对每个网格进行区域生长，然后合并网格；获取合并网格后的二值梯度图中的连通区域的轮廓图，并对轮廓图进行矩形拟合，得到矩形；当矩形满足预设条件且满足条件的矩形数量大于预设阈值时，判定待检测图像为马赛克图像。本发明实现了视频质量检测中的图像马赛克的自动检测，且整个检测过程简单，检测速度快，对图像内容的依赖性低，提高了图像马赛克检测的准确性，扩大了图像马赛克检测的适用范围。

技术领域

本发明涉及计算机技术领域，具体涉及一种图像的马赛克检测方法、装置、电子设备及存储介质。

背景技术

现有技术中对图像的马赛克检测方法有以下三类：基于边缘和模板匹配的检测方法，基于区域分析的检测方法以及基于神经网络模型训练的检测方法。其中，基于边缘和模板匹配的检测方法先对图像进行边缘检测等预处理，然后从边缘找寻马赛克交叉点，最后进行模板匹配；基于区域分析的检测方法采用区域生长的方式，在图像中选择一个基准点，在该基准点的上下左右四个方向进行扩张，直到无法扩张；基于神经网络模型训练的检测方法利用标记出马赛克区域的图片作为训练样本，对神经网络模型进行训练，达到马赛克检测的目的。

但是，现有的基于边缘和模板匹配的检测方法检测速度慢，对模板的依赖性强，误检率和漏检率都比较高；基于区域分析的检测方法的难点是基准点的选择，基准点选择不好，对检测的准确率影响很大，算法的复杂度也会大大地增加；基于神经网络模型训练的检测方法的难点是训练样本的收集及训练模型的选择，样本收集不好，会影响检测的准确率，模型选择不好，会影响检测的速度。

因此，现有技术对模板和训练样本的依赖性太强，或者对基准点的选择要求过高，计算复杂度高，适用范围有限，时效性差。

发明内容

由于现有方法存在上述问题，本发明实施例提出一种图像的马赛克检测方法、装置、电子设备及存储介质。

第一方面，本发明实施例提出一种图像的马赛克检测方法，包括：

对获取的待检测图像进行预处理，得到所述待检测图像的二值梯度图；

根据所述二值梯度图的起始点将所述二值梯度图划分为若干个预设大小的网格；

将每个网格的中心点作为基准点，根据所述基准点对每个网格进行区域生长，然后合并网格；

获取合并网格后的二值梯度图中的连通区域的轮廓图，并对所述轮廓图进行矩形拟合，得到矩形；

当所述矩形满足预设条件且满足条件的矩形数量大于预设阈值时，判定所述待检测图像为马赛克图像。

可选地，所述对获取的待检测图像进行预处理，得到所述待检测图像的二值梯度图，具体包括：

对获取的待检测图像进行灰度化处理，得到灰度图；

计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度，得到最大梯度图；

对所述最大梯度图进行二值化处理，得到所述待检测图像的二值梯度图。

可选地，所述计算所述灰度图的水平方向梯度、垂直方向梯度和最大梯度，得到最大梯度图，具体包括：

使用索贝尔sobel算子计算所述灰度图的水平方向梯度图H和垂直方向梯度图V，公式如下：

其中，I是所述灰度图，*表示卷积运算；

使用水平方向梯度图H和垂直方向梯度图V相同像素点的两个像素值的最大值作为最大梯度图M对应像素点的像素值，公式如下：