一種無參考質量模糊圖像預測方法、終端及存儲介質與流程

2023-10-05 21:19:09

本發明涉及圖像處理
技術領域：
：，尤其涉及一種無參考質量模糊圖像預測方法、終端及存儲介質。
背景技術：
：：目前指紋識別已經日新月異，同時指紋識別的設備和應用也越來越多，假設有位殘疾用戶，因為某次事故失去了某個手指受傷後失去某個指紋，同時已經無法獲取該手指的原始完整指紋，這時，該用戶就在使用很多設備的時候，就會有障礙。受傷後的手指指紋即為待預測圖像。現有技術中，針對待預測圖像的預測並沒有有效的技術實現，因此，實現待預測圖像的預測是一種亟待解決的技術問題。技術實現要素：本發明的主要目的在於提出一種無參考質量模糊圖像預測方法、終端及存儲介質，旨在解決對殘缺不全的待預測圖片進行預測的技術問題。為實現上述目的，本發明提供的一種無參考質量模糊圖像預測方法，所述方法包括：將待預測圖像轉化為灰度圖像；以及，獲取參考圖像的高斯模糊失真圖像的第一特徵向量和第二特徵向量，其中，所述第一特徵向量為所述參考圖像的紋理特徵構成的特徵向量，所述第二特徵向量為所述參考圖像經低通濾波後的紋理特徵構成的特徵向量；根據所述灰度圖像，提取所述待預測圖像的結構特徵，並計算得到所述待預測圖像與所述參考圖像之間的結構相似度，以及所述第一特徵向量和所述第二特徵向量的紋理相似度；根據預設神經網絡預測模型，以所述結構相似度和所述紋理相似度為輸入樣本，將得到的輸出結果作為所述待預測圖像的預測圖像。可選的，所述將待預測圖像轉化為灰度圖像，包括：將待預測圖像轉化為尺寸為512*512的灰度圖像。可選的，所述計算所述第一特徵向量和所述第二特徵向量的紋理相似度，包括：計算所述第一特徵向量和所述第二特徵向量的歐幾裡得距離；將計算得到的歐幾裡得距離作為紋理相似度。可選的，所述預設神經網絡預測模型的隱層節點的個數的計算公式為：其中，n、m表示輸入輸出節點的個數，a為1至10之間的任一數值。可選的，所述第一特徵向量和所述第二特徵向量均為34維的特徵向量。相較於現有技術，本發明提出的終端通過計算待評價圖像和參考圖像之間的紋理相似性作為圖像局部細節信息的度量最後，將兩個相似性指標作為神經網絡預測模型的輸入，得到預測的圖像，從而補全信息缺失的圖片。此外，為實現上述目的，本發明還提出一種終端，所述終端包括：存儲器、處理器及通信總線；所述通信總線用於實現處理器和存儲器之間的連接通信；所述處理器用於執行存儲器中存儲的無參考質量模糊圖像預測程序，以實現以下步驟：將待預測圖像轉化為灰度圖像；以及，獲取參考圖像的高斯模糊失真圖像的第一特徵向量和第二特徵向量，其中，所述第一特徵向量為所述參考圖像的紋理特徵構成的特徵向量，所述第二特徵向量為所述參考圖像經低通濾波後的紋理特徵構成的特徵向量；根據所述灰度圖像，提取所述待預測圖像的結構特徵，並計算得到所述待預測圖像與所述參考圖像之間的結構相似度，以及所述第一特徵向量和所述第二特徵向量的紋理相似度；根據預設神經網絡預測模型，以所述結構相似度和所述紋理相似度為輸入樣本，將得到的輸出結果作為所述待預測圖像的預測圖像。可選的，所述處理器用於執行所述無參考質量模糊圖像預測程序，以實現以下步驟：將待預測圖像轉化為尺寸為512*512的灰度圖像。可選的，所述處理器用於執行所述無參考質量模糊圖像預測程序，以實現以下步驟：計算所述第一特徵向量和所述第二特徵向量的歐幾裡得距離；將計算得到的歐幾裡得距離作為紋理相似度。可選的，所述處理器用於執行所述無參考質量模糊圖像預測程序，以實現隱層節點的個數的計算，具體公式為：其中，n、m表示輸入輸出節點的個數，a為1至10之間的任一數值。可選的，所述處理器用於執行所述無參考質量模糊圖像預測程序，以實現以下步驟：所述第一特徵向量和所述第二特徵向量均為34維的特徵向量。相較於現有技術，本發明提出的終端通過計算待評價圖像和參考圖像之間的紋理相似性作為圖像局部細節信息的度量最後，將兩個相似性指標作為神經網絡預測模型的輸入，得到預測的圖像，從而補全信息缺失的圖片。為實現上述目的，本發明還提出一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現以下步驟：將待預測圖像轉化為灰度圖像；以及，獲取參考圖像的高斯模糊失真圖像的第一特徵向量和第二特徵向量，其中，所述第一特徵向量為所述參考圖像的紋理特徵構成的特徵向量，所述第二特徵向量為所述參考圖像經低通濾波後的紋理特徵構成的特徵向量；根據所述灰度圖像，提取所述待預測圖像的結構特徵，並計算得到所述待預測圖像與所述參考圖像之間的結構相似度，以及所述第一特徵向量和所述第二特徵向量的紋理相似度；根據預設神經網絡預測模型，以所述結構相似度和所述紋理相似度為輸入樣本，將得到的輸出結果作為所述待預測圖像的預測圖像。可選的，所述一個或者多個程序還可被所述一個或者多個處理器執行，以實現以下步驟：將待預測圖像轉化為尺寸為512*512的灰度圖像。可選的，所述一個或者多個程序還可被所述一個或者多個處理器執行，以實現以下步驟：計算所述第一特徵向量和所述第二特徵向量的歐幾裡得距離；將計算得到的歐幾裡得距離作為紋理相似度。可選的，所述一個或者多個程序還可被所述一個或者多個處理器執行，以實現以下計算：其中，n、m表示輸入輸出節點的個數，a為1至10之間的任一數值。可選的，所述一個或者多個程序還可被所述一個或者多個處理器執行，以實現以下步驟：所述第一特徵向量和所述第二特徵向量均為34維的特徵向量。相較於現有技術，本發明提出的計算機可讀存儲介質通過計算待評價圖像和參考圖像之間的紋理相似性作為圖像局部細節信息的度量最後，將兩個相似性指標作為神經網絡預測模型的輸入，得到預測的圖像，從而補全信息缺失的圖片。附圖說明圖1為實現本發明各個實施例的一個可選的移動終端的硬體結構示意圖；圖2為如圖1所示的移動終端的無線通信系統示意圖；圖3為本發明所述的無參考質量模糊圖像預測方法的流程示意圖；圖4為本發明本實施方式的獲取殘缺指紋的示意圖；圖5為本發明本實施方式的殘缺指紋預測後輸出示意圖；圖6為本發明所述的無參考質量模糊圖像預測方法的一個實施例實施流程示意圖；圖7為本發明所述的終端模塊示意圖；圖8為本發明所述的計算機可讀存儲介質模塊示意圖。附圖標記：本發明目的的實現、功能特點及優點將結合實施例，參照附圖做進一步說明。具體實施方式應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。在後續的描述中，使用用於表示元件的諸如「模塊」、「部件」或「單元」的後綴僅為了有利於本發明的說明，其本身沒有特定的意義。因此，「模塊」、「部件」或「單元」可以混合地使用。終端可以以各種形式來實施。例如，本發明中描述的終端可以包括諸如手機、平板電腦、筆記本電腦、掌上電腦、個人數字助理(personaldigitalassistant，pda)、便捷式媒體播放器(portablemediaplayer，pmp)、導航裝置、可穿戴設備、智能手環、計步器等移動終端，以及諸如數字tv、臺式計算機等固定終端。後續描述中將以移動終端為例進行說明，本領域技術人員將理解的是，除了特別用於移動目的的元件之外，根據本發明的實施方式的構造也能夠應用於固定類型的終端。請參閱圖1，其為實現本發明各個實施例的一種移動終端的硬體結構示意圖，該移動終端100可以包括：rf(radiofrequency，射頻)單元101、wifi模塊102、音頻輸出單元103、a/v(音頻/視頻)輸入單元104、傳感器105、顯示單元106、用戶輸入單元107、接口單元108、存儲器109、處理器110、以及電源111等部件。本領域技術人員可以理解，圖1中示出的移動終端結構並不構成對移動終端的限定，移動終端可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件布置。下面結合圖1對移動終端的各個部件進行具體的介紹：射頻單元101可用於收發信息或通話過程中，信號的接收和發送，具體的，將基站的下行信息接收後，給處理器110處理；另外，將上行的數據發送給基站。通常，射頻單元101包括但不限於天線、至少一個放大器、收發信機、耦合器、低噪聲放大器、雙工器等。此外，射頻單元101還可以通過無線通信與網絡和其他設備通信。上述無線通信可以使用任一通信標準或協議，包括但不限於gsm(globalsystemofmobilecommunication，全球移動通訊系統)、gprs(generalpacketradioservice，通用分組無線服務)、cdma2000(codedivisionmultipleaccess2000，碼分多址2000)、wcdma(widebandcodedivisionmultipleaccess,寬帶碼分多址)、td-scdma(timedivision-synchronouscodedivisionmultipleaccess，時分同步碼分多址)、fdd-lte(frequencydivisionduplexing-longtermevolution，頻分雙工長期演進)和tdd-lte(timedivisionduplexing-longtermevolution，分時雙工長期演進)等。wifi屬於短距離無線傳輸技術，移動終端通過wifi模塊102可以幫助用戶收發電子郵件、瀏覽網頁和訪問流式媒體等，它為用戶提供了無線的寬帶網際網路訪問。雖然圖1示出了wifi模塊102，但是可以理解的是，其並不屬於移動終端的必須構成，完全可以根據需要在不改變發明的本質的範圍內而省略。音頻輸出單元103可以在移動終端100處於呼叫信號接收模式、通話模式、記錄模式、語音識別模式、廣播接收模式等等模式下時，將射頻單元101或wifi模塊102接收的或者在存儲器109中存儲的音頻數據轉換成音頻信號並且輸出為聲音。而且，音頻輸出單元103還可以提供與移動終端100執行的特定功能相關的音頻輸出(例如，呼叫信號接收聲音、消息接收聲音等等)。音頻輸出單元103可以包括揚聲器、蜂鳴器等等。a/v輸入單元104用於接收音頻或視頻信號。a/v輸入單元104可以包括圖形處理器(graphicsprocessingunit，gpu)1041和麥克風1042，圖形處理器1041對在視頻捕獲模式或圖像捕獲模式中由圖像捕獲裝置(如攝像頭)獲得的靜態圖片或視頻的圖像數據進行處理。處理後的圖像幀可以顯示在顯示單元106上。經圖形處理器1041處理後的圖像幀可以存儲在存儲器109(或其它存儲介質)中或者經由射頻單元101或wifi模塊102進行發送。麥克風1042可以在電話通話模式、記錄模式、語音識別模式等等運行模式中經由麥克風1042接收聲音(音頻數據)，並且能夠將這樣的聲音處理為音頻數據。處理後的音頻(語音)數據可以在電話通話模式的情況下轉換為可經由射頻單元101發送到移動通信基站的格式輸出。麥克風1042可以實施各種類型的噪聲消除(或抑制)算法以消除(或抑制)在接收和發送音頻信號的過程中產生的噪聲或者幹擾。移動終端100還包括至少一種傳感器105，比如光傳感器、運動傳感器以及其他傳感器。具體地，光傳感器包括環境光傳感器及接近傳感器，其中，環境光傳感器可根據環境光線的明暗來調節顯示面板1061的亮度，接近傳感器可在移動終端100移動到耳邊時，關閉顯示面板1061和/或背光。作為運動傳感器的一種，加速計傳感器可檢測各個方向上(一般為三軸)加速度的大小，靜止時可檢測出重力的大小及方向，可用於識別手機姿態的應用(比如橫豎屏切換、相關遊戲、磁力計姿態校準)、振動識別相關功能(比如計步器、敲擊)等；至於手機還可配置的指紋傳感器、壓力傳感器、虹膜傳感器、分子傳感器、陀螺儀、氣壓計、溼度計、溫度計、紅外線傳感器等其他傳感器，在此不再贅述。顯示單元106用於顯示由用戶輸入的信息或提供給用戶的信息。顯示單元106可包括顯示面板1061，可以採用液晶顯示器(liquidcrystaldisplay，lcd)、有機發光二極體(organiclight-emittingdiode,oled)等形式來配置顯示面板1061。用戶輸入單元107可用於接收輸入的數字或字符信息，以及產生與移動終端的用戶設置以及功能控制有關的鍵信號輸入。具體地，用戶輸入單元107可包括觸控面板1071以及其他輸入設備1072。觸控面板1071，也稱為觸控螢幕，可收集用戶在其上或附近的觸摸操作(比如用戶使用手指、觸筆等任何適合的物體或附件在觸控面板1071上或在觸控面板1071附近的操作)，並根據預先設定的程式驅動相應的連接裝置。觸控面板1071可包括觸摸檢測裝置和觸摸控制器兩個部分。其中，觸摸檢測裝置檢測用戶的觸摸方位，並檢測觸摸操作帶來的信號，將信號傳送給觸摸控制器；觸摸控制器從觸摸檢測裝置上接收觸摸信息，並將它轉換成觸點坐標，再送給處理器110，並能接收處理器110發來的命令並加以執行。此外，可以採用電阻式、電容式、紅外線以及表面聲波等多種類型實現觸控面板1071。除了觸控面板1071，用戶輸入單元107還可以包括其他輸入設備1072。具體地，其他輸入設備1072可以包括但不限於物理鍵盤、功能鍵(比如音量控制按鍵、開關按鍵等)、軌跡球、滑鼠、操作杆等中的一種或多種，具體此處不做限定。進一步的，觸控面板1071可覆蓋顯示面板1061，當觸控面板1071檢測到在其上或附近的觸摸操作後，傳送給處理器110以確定觸摸事件的類型，隨後處理器110根據觸摸事件的類型在顯示面板1061上提供相應的視覺輸出。雖然在圖1中，觸控面板1071與顯示面板1061是作為兩個獨立的部件來實現移動終端的輸入和輸出功能，但是在某些實施例中，可以將觸控面板1071與顯示面板1061集成而實現移動終端的輸入和輸出功能，具體此處不做限定。接口單元108用作至少一個外部裝置與移動終端100連接可以通過的接口。例如，外部裝置可以包括有線或無線頭戴式耳機埠、外部電源(或電池充電器)埠、有線或無線數據埠、存儲卡埠、用於連接具有識別模塊的裝置的埠、音頻輸入/輸出(i/o)埠、視頻i/o埠、耳機埠等等。接口單元108可以用於接收來自外部裝置的輸入(例如，數據信息、電力等等)並且將接收到的輸入傳輸到移動終端100內的一個或多個元件或者可以用於在移動終端100和外部裝置之間傳輸數據。存儲器109可用於存儲軟體程序以及各種數據。存儲器109可主要包括存儲程序區和存儲數據區，其中，存儲程序區可存儲作業系統、至少一個功能所需的應用程式(比如聲音播放功能、圖像播放功能等)等；存儲數據區可存儲根據手機的使用所創建的數據(比如音頻數據、電話本等)等。此外，存儲器109可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如至少一個磁碟存儲器件、快閃記憶體器件、或其他易失性固態存儲器件。處理器110是移動終端的控制中心，利用各種接口和線路連接整個移動終端的各個部分，通過運行或執行存儲在存儲器109內的軟體程序和/或模塊，以及調用存儲在存儲器109內的數據，執行移動終端的各種功能和處理數據，從而對移動終端進行整體監控。處理器110可包括一個或多個處理單元；優選的，處理器110可集成應用處理器和調製解調處理器，其中，應用處理器主要處理作業系統、用戶界面和應用程式等，調製解調處理器主要處理無線通信。可以理解的是，上述調製解調處理器也可以不集成到處理器110中。移動終端100還可以包括給各個部件供電的電源111(比如電池)，優選的，電源111可以通過電源管理系統與處理器110邏輯相連，從而通過電源管理系統實現管理充電、放電、以及功耗管理等功能。儘管圖1未示出，移動終端100還可以包括藍牙模塊等，在此不再贅述。為了便於理解本發明實施例，下面對本發明的移動終端所基於的通信網絡系統進行描述。請參閱圖2，圖2為本發明實施例提供的一種通信網絡系統架構圖，該通信網絡系統為通用移動通信技術的lte系統，該lte系統包括依次通訊連接的ue(userequipment，用戶設備)201，e-utran(evolvedumtsterrestrialradioaccessnetwork，演進式umts陸地無線接入網)202，epc(evolvedpacketcore，演進式分組核心網)203和運營商的ip業務204。具體地，ue201可以是上述終端100，此處不再贅述。e-utran202包括enodeb2021和其它enodeb2022等。其中，enodeb2021可以通過回程(backhaul)(例如x2接口)與其它enodeb2022連接，enodeb2021連接到epc203，enodeb2021可以提供ue201到epc203的接入。epc203可以包括mme(mobilitymanagemententity，移動性管理實體)2031，hss(homesubscriberserver，歸屬用戶伺服器)2032，其它mme2033，sgw(servinggateway，服務網關)2034，pgw(pdngateway，分組數據網絡網關)2035和pcrf(policyandchargingrulesfunction，政策和資費功能實體)2036等。其中，mme2031是處理ue201和epc203之間信令的控制節點，提供承載和連接管理。hss2032用於提供一些寄存器來管理諸如歸屬位置寄存器(圖中未示)之類的功能，並且保存有一些有關服務特徵、數據速率等用戶專用的信息。所有用戶數據都可以通過sgw2034進行發送，pgw2035可以提供ue201的ip地址分配以及其它功能，pcrf2036是業務數據流和ip承載資源的策略與計費控制策略決策點，它為策略與計費執行功能單元(圖中未示)選擇及提供可用的策略和計費控制決策。ip業務204可以包括網際網路、內聯網、ims(ipmultimediasubsystem，ip多媒體子系統)或其它ip業務等。雖然上述以lte系統為例進行了介紹，但本領域技術人員應當知曉，本發明不僅僅適用於lte系統，也可以適用於其他無線通信系統，例如gsm、cdma2000、wcdma、td-scdma以及未來新的網絡系統等，此處不做限定。基於上述移動終端硬體結構以及通信網絡系統，提出本發明方法各個實施例。如圖3所示，是本發明所述的無參考質量模糊圖像預測方法流程示意圖。該方法應用於移動終端100上，所述移動終端100包括存儲器和控制器。在本實施例中，所述內容自動分享方法可以分為以下步驟：步驟s310為轉化步驟：將待預測圖像轉化為灰度圖像；步驟s320為獲得步驟：獲取參考圖像的高斯模糊失真圖像的第一特徵向量和第二特徵向量，其中，所述第一特徵向量為所述參考圖像的紋理特徵構成的特徵向量，所述第二特徵向量為所述參考圖像經低通濾波後的紋理特徵構成的特徵向量；步驟s330為計算步驟：根據所述灰度圖像，提取所述待預測圖像的結構特徵，並計算得到所述待預測圖像與所述參考圖像之間的結構相似度，以及所述第一特徵向量和所述第二特徵向量的紋理相似度；步驟s340為預測步驟：根據預設神經網絡預測模型，以所述結構相似度和所述紋理相似度為輸入樣本，將得到的輸出結果作為所述待預測圖像的預測圖像。上述這些步驟根據不同的需求調整順序，或者省略某些步驟。或者還可以根據需求補充其他的步驟。在本實施例中，所述移動終端100為終端設備，包括，但不限於手機、平板、電子書、個人電腦等。s310，將待預測圖像轉化為灰度圖像。本發明實施例中，待預測圖像為信息不全的殘缺圖像，首先將該待預測圖像進行預處理，將其轉化為灰度圖像，具體的，可以將待預測圖像轉化成尺寸大小為512×512的灰度圖像。需要說明的是，原始的信息不全圖像一般情況下均為彩色圖像，彩色圖像為包含rgb的3原色圖像，如果直接採用原圖像進行處理就要分析3組原色的信息，而將彩色圖像轉化灰度圖像只要分析一組灰度圖像的信息即可，可以提高圖像處理的效率。s320，獲得參考圖像的高斯模糊失真圖像的第一特徵向量和第二特徵向量，其中，所述第一特徵向量為所述參考圖像的紋理特徵構成的特徵向量，所述第二特徵向量為所述參考圖像經低通濾波後的紋理特徵構成的特徵向量。本發明實施例中，可以採用灰度共生矩陣法和小波變換法提取圖像資料庫多幅高斯模糊失的紋理特徵。並將該紋理特徵用特徵向量進行表示，即第一特徵向量，具體的，第一特徵向量可以是一組34維的特徵向量。需要說明的是，可以首先採用灰度共生矩陣法提取待預測圖像的8維紋理特徵向量，然後選用biorl4.4小波對待預測圖像進行4層小波分解，分別提取每個子帶在每個分解層上的能量分布的均值和方差構成一個26維紋理特徵向量，結合灰度共生矩陣法提取的8維紋理特徵向量，最終組成一個34維的向量。灰度共生矩陣是一種通過研究灰度的空間相關特性來描述紋理的常用方法。由於紋理是由灰度分布在空間位置上反覆出現而形成的，因而在圖像空間中相隔某距離的兩像素之間會存在一定的灰度關係，即圖像中灰度的空間相關特性。灰度共生矩陣就是一種通過研究灰度的空間相關特性來描述紋理的常用方法。灰度直方圖是對圖像上單個像素具有某個灰度進行統計的結果，而灰度共生矩陣是對圖像上保持某距離的兩像素分別具有某灰度的狀況進行統計得到的。示例性的，取(n×n)中任一圖像塊圖像一點，(x，y)及偏離它的另一點(x+a，y+b)，設該點對的灰度值為(g1，g2)。令點(x，y)在整個畫面上移動，則會得到各種(g1，g2)值，設灰度值的級數為k，則(g1，g2)的組合共有k的平方種。對於整個畫面，統計出每一種(g1，g2)值出現的次數，然後排列成一個方陣，再用(g1，g2)出現的總次數將它們歸一化為出現的概率p(g1，g2)，這樣的方陣稱為灰度共生矩陣。距離差分值(a，b)取不同的數值組合，可以得到不同情況下的聯合概率矩陣。(a，b)取值要根據紋理周期分布的特性來選擇，對於較細的紋理，選取(1，0)、(1，1)、(2，0)等小的差分值。當a＝1，b＝0時，像素對是水平的，即0度掃描；當a＝0，b＝1時，像素對是垂直的，即90度掃描；當a＝1，b＝1時，像素對是右對角線的，即45度掃描；當a＝-1，b＝1時，像素對是左對角線，即135度掃描。這樣，兩個象素灰度級同時發生的概率，就將(x，y)的空間坐標轉化為「灰度對」(g1，g2)的描述，形成了灰度共生矩陣。小波變換是一種強有力的時頻分析工具，可以應用於信號處理、圖像處理、模式識別等領域，它在時域和頻域均有很好的局部化特徵。簡單的說就是對一個函數用一定的小波基函數在時間與空間上進行局部化的數學變換，通過小波基的平移可以獲取原函數在該小波基下的時間信息，然後通過縮放小波基的尺度獲得頻率信息。主要還是計算的是小波與局部信號的近似係數。離散小波變換最終獲得是在不同頻率尺度下，原始信號在時間域的近似信號與細節信號。本發明實施例中，對高斯模糊圖像進行低通濾波，低通濾波器選用中值濾波器，濾波窗口大小為9×9，並提取低通濾波後圖像的紋理特徵向量，即第二特徵向量，具體的，第二特徵向量可以為一組34維的特徵向量。需要說明的是，清晰圖像比模糊圖像包含更豐富的高頻信息，清晰圖像經過低通濾波器後損失成分多，而模糊圖像經過低通濾波器後損失成分少。無參考結構清晰度(nrss)圖像質量評價方法就是通過低通濾波器來構造參考圖像，通過計算待預測圖像與參考圖像的結構相似度值來評價模糊失真圖像質量。結構相似度越小，圖像越清晰，反之結構相似度越大，圖像越模糊。需要說明的是，本發明實施例中s310可以在s320之前執行，實際應用中，也可以是s320也可以在s310之前執行，還可以是s310與s320並行執行，本發明實施例在此不做具體限定。s330，根據所述灰度圖像，提取所述待預測圖像的結構特徵，計算得到所述待預測圖像與所述參考圖像之間的結構相似度，以及所述第一特徵向量和所述第二特徵向量的紋理相似度。需要說明的是，根據待預測圖像對應灰度圖像的梯度信息，可以找到的梯度信息最為豐富的n個塊。可以理解的是，待預測圖像分為多個塊，計算每塊的方差,方差越大說明梯度信息越豐富，找出其中方差最大的n塊，即為梯度信息最為豐富的n個塊。n的值大小直接影響評價結果，同時也影響算法運行時間，所以在塊的選擇上至關重要，直接影響圖片預測的結果。具體的，計算待預測圖像的無參考結構清晰度nrss的運算公式：其中，n為梯度信息最為豐富的n個塊，xi、yi為是指從灰度圖像的左上角與當前點所圍成的舉行區域內所有像素點。ssim為圖像的結構相似度：ssim(x,y)＝lα(x,y)·cβ(x,y)·sγ(x,y)簡單起見，可以令：α＝β＝γ＝1，l為亮度比較，c為對比度比較，s為結構信息比較，x、y為像素點的具體值。具體的，可以計算得到圖像清晰度作為待預測圖像與參考圖像之間的結構相似度。本領域技術人員可以理解的是，計算所述第一特徵向量和所述第二特徵向量的紋理相似度可以通過計算所述第一特徵向量和所述第二特徵向量的歐幾裡得距離；將計算得到的歐幾裡得距離作為紋理相似度。其中，x(i)、y(i)分別表示提取的高斯模糊圖像紋理相似度的第一特徵向量和提取濾波後高斯模糊圖像的紋理相似度的第二特徵向量，i表示向量的維數，d表示第一特徵向量和第二特徵向量的維度數。s340，根據預設神經網絡預測模型，以所述結構相似度和所述紋理相似度為輸入樣本，將得到的輸出結果作為所述待預測圖像的預測圖像。bp神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。bp網絡能學習和存貯大量的輸入-輸出模式映射關係，而無需事前揭示描述這種映射關係的數學方程。它的學習規則是使用梯度下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。bp神經網絡模型拓撲結構包括輸入層(input)、隱層(hiddenlayer)和輸出層(outputlayer)。本發明實施例中，建立bp神經網絡預測模型的技術過程可以是：網絡以圖像的紋理相似度和結構相似度作為輸入樣本，資料庫中失真模糊圖像的主觀評價值dmos作為輸出樣本，建立一個單隱層的bp神經網絡預測模型。隱層節點的個數根據經驗公式：其中m、n表示輸入、輸出節點的個數，a為1～10之間的任一數值數；具體的，輸入、輸出節點以及a的值還可以進行實驗確定。經過多次的實驗結果表明，當隱層的節點個數為9時，迭代次數最少，預測值與輸出樣本值之間的誤差最小，因此確定網絡的隱層節點個數為9。相較於現有技術，本發明提出的終端通過計算待評價圖像和參考圖像之間的紋理相似性作為圖像局部細節信息的度量最後，將兩個相似性指標作為神經網絡預測模型的輸入，得到預測的圖像，從而補全信息缺失的圖片。圖4、圖5所示，所述移動終端100為終端設備，包括，但不僅限於手機、平板、電子書、個人電腦等，只要能夠存儲並執行無參考質量模糊圖像預測程序即可。圖4為無參考質量模糊圖像預測程序獲取的待處理圖片為殘缺指紋、圖4為無參考質量模糊圖像預測程序對待處理圖片進行預測後的輸出指紋。以下具體介紹實施例。如圖6所示，是本發明所述的無參考質量模糊圖像預測方法的第一實施例流程示意圖。在本實施例中，根據不同的需求，圖6所示的流程圖中的步驟執行順序可以改變，某些步驟可以省略。步驟s610，移動終端100獲取需要處理的殘缺指紋圖像，並對殘缺指紋進行灰度處理。可以理解的是，用戶將需要進行預測的殘缺指紋圖像放入圖像待預測庫，無參考質量模糊圖像預測程序可以隨機也可以按照一定的順序從中去除需要進行指紋恢復的圖像。步驟s620，檢測得到的殘缺指紋灰度圖像是否符合預設的要求，若是，則執行步驟s630；否則，返回步驟s610，重新獲取殘缺指紋圖像。步驟s630，從預設圖像資料庫中隨機獲取高斯模糊失真圖像，並對高斯模糊失真圖像進行分析，以獲得紋理特徵結構對應的特徵向量。實際應用中，可以在執行s610和s620之後執行s630，也可以先執行s630再執行s610和s620，或者，s630與s610和s620同步進行，本發明實施例僅僅是示例性的，不做具體限定。步驟s640，提取所述待預測圖像的結構特徵，並採用低通濾波器對高斯模糊失真圖像進濾波處理，並得到濾波後的圖像對應的表示紋理特徵的向量。本領域技術人員可以理解的是，經過低通濾波後的圖片相比較濾波前的圖片存在一定的差異，那麼從他們分別對應的紋理特徵中即可獲得具體的差異情況，也即能過獲得紋理相似度。步驟s650，計算經過低通濾波器對高斯模糊失真圖像前、後的圖像對應的特徵向量的紋理相似度。步驟s660，結構相似度和紋理相似度作為輸入至bp神經網絡預測模型，得到輸出的預測圖像。需要補充的是，在本實施例中，所述移動終端100執行步驟s610-s660後的結果，在其他實施例中，上述步驟可以省略或者調換順序，或者被替換，例如，可以先計算紋理相似度再計算結構相似度等等。首先，本發明提出一種終端700。如圖8所示，本發明所述的終端的一個實施例的模塊示意圖。在本實施例中，所述終端700可以被分割成一個或多個模塊，所述一個或多個模塊被存儲於所述存儲器710中，並由一個或多個處理器720(本實施例中的所述控制器120)所執行，以完成本發明。具體的，圖片緩存清除設備包括：存儲器710、處理器720及通信總線730；所述通信總線用於實現處理器和存儲器之間的連接通信；所述處理器用於執行存儲器中存儲的無參考質量模糊圖像預測程序，以實現以下步驟：將待預測圖像轉化為灰度圖像；以及，獲取參考圖像的高斯模糊失真圖像的第一特徵向量和第二特徵向量，其中，所述第一特徵向量為所述參考圖像的紋理特徵構成的特徵向量，所述第二特徵向量為所述參考圖像經低通濾波後的紋理特徵構成的特徵向量；根據所述灰度圖像，提取所述待預測圖像的結構特徵，並計算得到所述待預測圖像與所述參考圖像之間的結構相似度，以及所述第一特徵向量和所述第二特徵向量的紋理相似度；根據預設神經網絡預測模型，以所述結構相似度和所述紋理相似度為輸入樣本，將得到的輸出結果作為所述待預測圖像的預測圖像。具體的，所述處理器用於執行所述無參考質量模糊圖像預測程序，以實現以下步驟：將待預測圖像轉化為尺寸為512*512的灰度圖像。具體的，所述處理器用於執行所述無參考質量模糊圖像預測程序，以實現以下步驟：計算所述第一特徵向量和所述第二特徵向量的歐幾裡得距離；將計算得到的歐幾裡得距離作為紋理相似度。具體的，所述處理器用於執行所述無參考質量模糊圖像預測程序，以實現隱層節點的個數的計算，具體公式為：其中，n、m表示輸入輸出節點的個數，a為1至10之間的任一數值。具體的，所述處理器用於執行所述無參考質量模糊圖像預測程序，以實現以下步驟：所述第一特徵向量和所述第二特徵向量均為34維的特徵向量。相較於現有技術，本發明提出的終端通過計算待評價圖像和參考圖像之間的紋理相似性作為圖像局部細節信息的度量最後，將兩個相似性指標作為神經網絡預測模型的輸入，得到預測的圖像，從而補全信息缺失的圖片。本發明實施例中，待預測圖像為信息不全的殘缺圖像，首先將該待預測圖像進行預處理，將其轉化為灰度圖像，具體的，可以將待預測圖像轉化成尺寸大小為512×512的灰度圖像。需要說明的是，原始的信息不全圖像一般情況下均為彩色圖像，彩色圖像為包含rgb的3原色圖像，如果直接採用原圖像進行處理就要分析3組原色的信息，而將彩色圖像轉化灰度圖像只要分析一組灰度圖像的信息即可，可以提高圖像處理的效率。本發明實施例中，可以採用灰度共生矩陣法和小波變換法提取圖像資料庫多幅高斯模糊失的紋理特徵。並將該紋理特徵用特徵向量進行表示，即第一特徵向量，具體的，第一特徵向量可以是一組34維的特徵向量。需要說明的是，可以首先採用灰度共生矩陣法提取待預測圖像的8維紋理特徵向量，然後選用biorl4.4小波對待預測圖像進行4層小波分解，分別提取每個子帶在每個分解層上的能量分布的均值和方差構成一個26維紋理特徵向量，結合灰度共生矩陣法提取的8維紋理特徵向量，最終組成一個34維的向量。灰度共生矩陣是一種通過研究灰度的空間相關特性來描述紋理的常用方法。由於紋理是由灰度分布在空間位置上反覆出現而形成的，因而在圖像空間中相隔某距離的兩像素之間會存在一定的灰度關係，即圖像中灰度的空間相關特性。灰度共生矩陣就是一種通過研究灰度的空間相關特性來描述紋理的常用方法。灰度直方圖是對圖像上單個像素具有某個灰度進行統計的結果，而灰度共生矩陣是對圖像上保持某距離的兩像素分別具有某灰度的狀況進行統計得到的。示例性的，取(n×n)中任一圖像塊圖像一點，(x，y)及偏離它的另一點(x+a，y+b)，設該點對的灰度值為(g1，g2)。令點(x，y)在整個畫面上移動，則會得到各種(g1，g2)值，設灰度值的級數為k，則(g1，g2)的組合共有k的平方種。對於整個畫面，統計出每一種(g1，g2)值出現的次數，然後排列成一個方陣，再用(g1，g2)出現的總次數將它們歸一化為出現的概率p(g1，g2)，這樣的方陣稱為灰度共生矩陣。距離差分值(a，b)取不同的數值組合，可以得到不同情況下的聯合概率矩陣。(a，b)取值要根據紋理周期分布的特性來選擇，對於較細的紋理，選取(1，0)、(1，1)、(2，0)等小的差分值。當a＝1，b＝0時，像素對是水平的，即0度掃描；當a＝0，b＝1時，像素對是垂直的，即90度掃描；當a＝1，b＝1時，像素對是右對角線的，即45度掃描；當a＝-1，b＝1時，像素對是左對角線，即135度掃描。這樣，兩個象素灰度級同時發生的概率，就將(x，y)的空間坐標轉化為「灰度對」(g1，g2)的描述，形成了灰度共生矩陣。小波變換是一種強有力的時頻分析工具，可以應用於信號處理、圖像處理、模式識別等領域，它在時域和頻域均有很好的局部化特徵。簡單的說就是對一個函數用一定的小波基函數在時間與空間上進行局部化的數學變換，通過小波基的平移可以獲取原函數在該小波基下的時間信息，然後通過縮放小波基的尺度獲得頻率信息。主要還是計算的是小波與局部信號的近似係數。離散小波變換最終獲得是在不同頻率尺度下，原始信號在時間域的近似信號與細節信號。本發明實施例中，對高斯模糊圖像進行低通濾波，低通濾波器選用中值濾波器，濾波窗口大小為9×9，並提取低通濾波後圖像的紋理特徵向量，即第二特徵向量，具體的，第二特徵向量可以為一組34維的特徵向量。需要說明的是，清晰圖像比模糊圖像包含更豐富的高頻信息，清晰圖像經過低通濾波器後損失成分多，而模糊圖像經過低通濾波器後損失成分少。無參考結構清晰度(nrss)圖像質量評價方法就是通過低通濾波器來構造參考圖像，通過計算待預測圖像與參考圖像的結構相似度值來評價模糊失真圖像質量。結構相似度越小，圖像越清晰，反之結構相似度越大，圖像越模糊。需要說明的是，根據待預測圖像的梯度信息，可以找到的梯度信息最為豐富的n個塊。可以理解的是，待預測圖像分為多個塊，計算每塊的方差,方差越大說明梯度信息越豐富，找出其中方差最大的n塊，即為梯度信息最為豐富的n個塊。n的值大小直接影響評價結果，同時也影響算法運行時間，所以在塊的選擇上至關重要，直接影響圖片預測的結果。具體的，計算待預測圖像的無參考結構清晰度nrss的運算公式：其中，n為梯度信息最為豐富的n個塊，xi、yi為是指從灰度圖像的左上角與當前點所圍成的舉行區域內所有像素點。ssim為圖像的結構相似度：ssim(x,y)＝lα(x,y)·cβ(x,y)·sγ(x,y)簡單起見，可以令：α＝β＝γ＝1，l為亮度比較，c為對比度比較，s為結構信息比較，x、y為像素點的具體值。具體的，可以計算得到圖像清晰度作為待預測圖像與參考圖像之間的結構相似度。本領域技術人員可以理解的是，計算所述第一特徵向量和所述第二特徵向量的紋理相似度可以通過計算所述第一特徵向量和所述第二特徵向量的歐幾裡得距離；將計算得到的歐幾裡得距離作為紋理相似度。其中，x(i)、y(i)分別表示提取的高斯模糊圖像紋理相似度的第一特徵向量和提取濾波後高斯模糊圖像的紋理相似度的第二特徵向量，i表示向量的維數，d表示第一特徵向量和第二特徵向量的維度數。bp神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。bp網絡能學習和存貯大量的輸入-輸出模式映射關係，而無需事前揭示描述這種映射關係的數學方程。它的學習規則是使用梯度下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。bp神經網絡模型拓撲結構包括輸入層(input)、隱層(hiddenlayer)和輸出層(outputlayer)。本發明實施例中，建立bp神經網絡預測模型的技術過程可以是：網絡以圖像的紋理相似度和結構相似度作為輸入樣本，資料庫中失真模糊圖像的主觀評價值dmos作為輸出樣本，建立一個單隱層的bp神經網絡預測模型。隱層節點的個數根據經驗公式：其中m、n表示輸入、輸出節點的個數，a為1～10之間的任一數值數；具體的，輸入、輸出節點以及a的值還可以進行實驗確定。經過多次的實驗結果表明，當隱層的節點個數為9時，迭代次數最少，預測值與輸出樣本值之間的誤差最小，因此確定網絡的隱層節點個數為9。相較於現有技術，本發明提出的終端通過計算待評價圖像和參考圖像之間的紋理相似性作為圖像局部細節信息的度量最後，將兩個相似性指標作為神經網絡預測模型的輸入，得到預測的圖像，從而補全信息缺失的圖片。參見圖8，本發明還提出計算機可讀存儲介質800，所述計算機可讀存儲介質存儲有一個或者多個程序810(程序1至程序n)，所述一個或者多個程序可被一個或者多個處理器820(處理器1至處理器m)執行，以實現以下步驟：將待預測圖像轉化為灰度圖像；以及，獲取參考圖像的高斯模糊失真圖像的第一特徵向量和第二特徵向量，其中，所述第一特徵向量為所述參考圖像的紋理特徵構成的特徵向量，所述第二特徵向量為所述參考圖像經低通濾波後的紋理特徵構成的特徵向量；根據所述灰度圖像，提取所述待預測圖像的結構特徵，並計算得到所述待預測圖像與所述參考圖像之間的結構相似度，以及所述第一特徵向量和所述第二特徵向量的紋理相似度；根據預設神經網絡預測模型，以所述結構相似度和所述紋理相似度為輸入樣本，將得到的輸出結果作為所述待預測圖像的預測圖像。進一步地，所述一個或者多個程序還可被所述一個或者多個處理器執行，以實現以下步驟：將待預測圖像轉化為尺寸為512*512的灰度圖像。進一步地，所述一個或者多個程序還可被所述一個或者多個處理器執行，以實現以下步驟：計算所述第一特徵向量和所述第二特徵向量的歐幾裡得距離；將計算得到的歐幾裡得距離作為紋理相似度。進一步地，所述一個或者多個程序還可被所述一個或者多個處理器執行，以實現以下計算：其中，n、m表示輸入輸出節點的個數，a為1至10之間的任一數值。進一步地，所述一個或者多個程序還可被所述一個或者多個處理器執行，以實現以下步驟：所述第一特徵向量和所述第二特徵向量均為34維的特徵向量。相較於現有技術，本發明提出的計算機可讀存儲介質通過計算待評價圖像和參考圖像之間的紋理相似性作為圖像局部細節信息的度量最後，將兩個相似性指標作為神經網絡預測模型的輸入，得到預測的圖像，從而補全信息缺失的圖片。上述本發明實施例序號僅僅為了描述，不代表實施例的優劣。通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到上述實施例方法可藉助軟體加必需的通用硬體平臺的方式來實現，當然也可以通過硬體，但很多情況下前者是更佳的實施方式。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質(如rom/ram、磁碟、光碟)中，包括若干指令用以使得一臺終端設備(可以是手機，計算機，伺服器，空調器，或者網絡設備等)執行本發明各個實施例所述的方法。以上僅為本發明的可選實施例，並非因此限制本發明的專利範圍，凡是利用本發明說明書及附圖內容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的
技術領域：
：，均同理包括在本發明的專利保護範圍內。當前第1頁12當前第1頁12