一种图像质量评估方法及系统与流程

1.本发明属于图像处理及计算机视觉技术领域，具体涉及一种图像质量评估方法及系统。


背景技术：

2.在日常的资料审核过程中，采集到的图像是否符合相关规范，是审核任务或是其他很多下游任务的重要前提。一般图像质量相关的规范包含但不限于图像是否是原图、图像是否完整、图像是否模糊、图像是否存在ps痕迹等等。如何快速、自动地进行图像质量判断并打分，对自动化资料审核、资料审批程序来说至关重要。
3.现有的资料审核方式大致分为两种：(1)人工审核。这种方式在面对大批量资料审核、审批时，就显得的力不从心，这时候往往就需要花费大量的人力和时间投入到审核图像的工作中，导致成本过高，出错率也得不到缓解；(2)半人工半自动。这种方式一般采用传统图像处理模式，对图像某一方面，比如清晰度，进行判断，然后再由人工对图片进行一遍校对；这种方式由于采用传统技术的原因，往往不能很好的支持所有采集方式(扫描仪、高拍仪、手机等等)采集到的图片，尤其是手机拍照采集的图片，因此，这种半人工半自动也费时、费力。现在的审核资料业务流程中，需要对图像进行多维度、多功能、全面的质量判断，不仅仅是单方面的判断，而且也需要支持所有采集方式采集的图片。
4.随着深度学习、卷积神经网络技术的发展，其推动了各个计算机机器视觉相关领域的技术快速发展。深度学习、卷积神经网络技术相对传统技术的优势在于：自动提取特征编码，无需手工设定固定特征，可根据样本标记训练，提升预测效果，相对传统方式来说性能更加突出。因此，本发明基于深度学习和卷积神经网络技术，提供一种多维度的图像质量评估方法及系统，具有良好的应用前景。


技术实现要素：

5.针对现有技术存在的上述问题，本发明从实际业务场景出发，抽离出具体的、针对图像质量的多维度评估方式：(1)图像类型的判断，审批业务流程中，往往需要判断上传的图片是原图还是复印件或是手机电脑屏拍件等等，来优先决定上传的图片是否符合规范；(2)图像的完整性，就是需要判断上传的待评估图片是否完整、是否存在缺边缺角的情况；(3)图像清晰度，需要判断上传的图片是否清晰可见，为后续人工查验做准备；(4)图像是否存在光斑；5、图像是否存在ps痕迹，图像中信息是否被ps篡改过，图像是否存在拼接或是否存在其他改动的情况。
6.基于上述多维度评估方式，本发明提供一种图像质量评估方法及系统，采用像素级别的图像分割-分类技术有效区分出证件的有效区域和背景区域，并结合使用深度学习、卷积神经网络技术以及一些传统方法、先验知识对图像进行多维度质量评估预测，提取预测结果高效精准，有效提高了图像质量评估处理速度、评估结果的准确性。
7.为实现以上技术目的，本发明采用以下技术方案：
8.一种图像质量评估方法，所述方法包括如下步骤：
9.步骤s1：图像预处理：对原始图像进行等比例缩放，进行图像归一化，将图像缺少部分用默认值填充，得到预处理之后的图像；
10.步骤s2：图像有效位置预测及图像过滤：基于像素级的分割-分类技术模型，检测并确定预处理之后图像中的证件图位置信息和证件图类别信息，所述证件图类别信息包括但不局限于证件、卡件、文档、票据；若图像中不含有待评估的证件图，则将相应的证件图类别信息结果设置为空；根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像；
11.步骤s3：待评估图像校正：通过步骤s2得到图像中待评估证件图的位置之后，分割出证件图并校正，之后需要处理的图像就只包含需要评估质量的证件图；
12.步骤s4：多维度质量评估：得到需要评估质量的证件图之后，使用基于深度学习、卷积神经网络技术的模型为主要手段，对证件图分别从图像类型、图像完整性、图像清晰度、图像光斑和ps判断5个维度进行质量评估，并给出对应的分数；
13.步骤s5：对每个维度的得分进行归一化至百分制，并将结果结构化成json数据格式，最终输出质量评估结果。
14.进一步地，所述步骤s2具体包括如下步骤：
15.步骤s21：将步骤s1预处理后的图像输送到cnn卷积神经网络，进行处理得到特征图；所述cnn卷积神经网络包括但不局限于resnet、vgg、mobilenet卷积神经网络中的一种；
16.步骤s22：对特征图的每一个像素位置设定固定个数的roi，然后将roi区域送入rpn网络进行前景和背景二分类以及坐标回归，以获得精炼后的roi区域；
17.步骤s23：对步骤s22中获得的roi区域执行区域特征聚集操作，即先将原图和特征图的像素对应起来，然后将特征图和固定的特征对应起来，最后对这些roi区域进行多类别分类、候选框回归和引入全卷积网络生成掩码mask，完成分割、分类任务，最终得到图像中待评估证件图的有效精准位置和证件图类别信息；
18.步骤s24：若图像中不含有待评估的证件图，则将相应的证件图类别信息结果设置为空；根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像。
19.更进一步地，所述步骤s21中，所述cnn卷积神经网络采用resnet18作为特征提取网络。
20.更进一步地，所述步骤s4中多维度质量评估具体包括：
21.图像类型判断：采用传统方式 基于卷积神经网络的级联式分类模型方式，对待评估图像进行处理分析，得出图像类型并给出相应分数，并最终输出得分最高的图像类型和相应的图像类型得分；所述图像类型包括原件、复印件、电脑屏拍件和非电脑屏拍件；
22.图像完整性判断：根据图像类型判断结果，采用深度学习训练好的完整性分类模型，对待评估图像进行分析、分类，得出图像完整性得分；
23.图像清晰度判断：一方面采用深度学习训练好的清晰度分类模型，对待评估图像进行分析、分类，得出清晰度分数；另一方面通过对图像灰度化之后，计算图像梯度值，通过梯度值判断图像清晰度；最后结合两方面的得分，输出图像清晰度得分；
24.图像光斑检测：基于图像光斑检测模型，首先对待评估图像进行检测，得出光斑可能区域；然后结合光斑的一些形状和色彩信息，对可能区域进行再校准；最后通过光斑多
少、大小给出相应的得分判断；
25.ps判断：首先，采用深度学习训练好的ps分类模型，对待评估图像进行分析、分类，得出图像可能被ps篡改的分数；然后通过对图像数据中数据的分析，判断是否存在被篡改的数据，或数据中是否存在与ps软件(photoshop软件)相关的信息，比如数据中是否含有“photoshop”字样等，对图像进行再次筛选，得出图像被ps(photoshop软件)修改的最终得分。
26.更进一步地，所述步骤s4中，图像类型判断具体包括：
27.步骤s401：基于传统方式，获取图像的位深度，若位深度不是24位真彩色图像，则直接返回图像类型为复印件并给出分数；若位深度是24位真彩色图像，则继续进入下一步；
28.步骤s402：基于卷积神经网络的级联式分类方式，使用多个分类模型对图像进行级联式分类，分别针对复印件、电脑屏拍件、非电脑屏拍件和原件依次进行分类筛选，并返回得分最高的图像类型和相应的图像类型分数；所述步骤s402具体包括：
29.步骤s4021：使用全图像类型分类模型，对图像进行分类，若分类结果中最高得分为复印件，则返回图像类型为复印件并给出分数，否则继续进入下一步；
30.步骤s4022：使用原件-电脑屏拍件分类模型对图像进行分类，若分类结果中最高得分为电脑屏拍件，则返回图像类型为电脑屏拍件并给出分数，否则继续进入下一步；
31.步骤s4022：使用原件-非电脑屏拍件分类模型对图像进行分类，若分类结果中最高得分为非电脑屏拍件，则返回图像类型为非电脑屏拍件并给出分数；若分类结果中最高得分为原件，则返回图像类型为原件并给出分数；
32.步骤s4023：输出图像分类结果。
33.同时，本发明还提供了一种图像质量评估系统，用于执行上述任一种图像质量评估方法，所述系统包括：图像预处理模块、图像有效位置预测及图像过滤模块、待评估图像校正模块、多维度质量评估模块和归一化输出模块；
34.所述图像预处理模块用于对原始图像进行等比例缩放，进行图像归一化，将图像缺少部分用默认值填充，得到预处理之后的图像；
35.所述图像有效位置预测及图像过滤模块包括像素级的分割-分类技术模型，所述图像有效位置预测及图像过滤模块基于分割-分类技术模型，检测并确定预处理之后图像中的证件图位置信息和相应的证件图类别信息，所述证件图类别信息包括但不局限于证件、卡件、文档、票据；若图像中不含有待评估的证件图，则将相应的证件图类别信息结果设置为空；根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像；
36.所述待评估图像校正模块在得到图像中证件图的位置之后，分割出证件图并校正，之后模块需要处理的图像就只包含需要评估质量的证件图；
37.所述多维度质量评估模块在得到需要评估质量的证件图之后，使用基于深度学习、卷积神经网络技术的模型为主要手段，对证件图分别从图像类型、图像完整性、图像清晰度、图像光斑和ps判断5个维度进行质量评估，并给出对应的分数；
38.所述归一化输出模块对每个维度的得分进行归一化，将得分归一化至百分制，并结构化为json数据格式，最后输出质量评估结果。
39.进一步地，所述分割-分类技术模型包括cnn卷积神经网络、rpn网络、区域特征聚集模型和图像过滤模型；
40.所述cnn卷积神经网络对输入的预处理后的图像进行处理得到特征图；所述cnn卷积神经网络包括但不局限于resnet、vgg、mobilenet卷积神经网络中的一种；
41.所述rpn网络对特征图的每一个像素位置设定固定个数的roi，然后将roi区域送入rpn网络进行前景和背景二分类以及坐标回归，以获得精炼后的roi区域；
42.所述区域特征聚集模型对获得的roi区域执行区域特征聚集操作，先将原图和特征图的像素对应起来，然后将特征图和固定的特征对应起来，最后对这些roi区域进行多类别分类、候选框回归和引入全卷积网络生成掩码mask，完成分割、分类任务，最终得到图像中待评估证件图的有效精准位置和证件图类别信息；
43.所述图像过滤模型根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像。
44.更进一步地，所述cnn卷积神经网络采用resnet18作为特征提取网络。
45.更进一步地，所述多维度质量评估模块包括图像类型分析模型、图像完整性分析模型、图像清晰度分析模型、图像光斑检测模型和ps分析模型；
46.所述图像类型分析模型：采用传统方式 基于卷积神经网络的级联式分类模型方式，对待评估图像进行处理分析，得出图像类型并给出相应分数，并最终输出得分最高的图像类型和相应的图像类型得分；所述图像类型包括原件、复印件、电脑屏拍件和非电脑屏拍件；
47.所述图像完整性分析模型：根据图像类型判断结果，采用深度学习训练好的完整性分类模型，对待评估图像进行分析、分类，得出图像完整性得分；
48.所述图像清晰度分析模型：一方面采用深度学习训练好的清晰度分类模型，对待评估图像进行分析、分类，得出清晰度分数；另一方面通过对图像灰度化之后，计算图像梯度值，通过梯度值判断图像清晰度；最后结合两方面的得分，输出图像清晰度得分；
49.所述图像光斑检测模型：首先对待评估图像进行检测，得出光斑可能区域；然后结合光斑的一些形状和色彩信息，对可能区域进行再校准；最后通过光斑多少、大小给出相应的得分判断；
50.所述ps分析模型：首先采用深度学习训练好的ps分类模型，对待评估图像进行分析、分类，得出图像可能被ps篡改的分数；然后通过对图像数据中数据的分析，判断是否存在被篡改的数据，或数据中是否存在与ps软件(photoshop软件)相关的信息，比如数据中是否含有“photoshop”字样，对图像进行再次筛选，得出图像被ps(photoshop软件)修改的最终得分。
51.更进一步地，所述图像类型分析模型包括位深度分类模型和级联式分类模型；
52.所述位深度分类模型基于传统方式，获取图像的位深度，若位深度不是24位真彩色图像，则直接返回图像类型为复印件；若位深度是24位真彩色图像，则继续进入级联式分类模型进行分类；
53.所述级联式分类模型基于卷积神经网络的级联式分类方式，使用多个分类模型对图像进行级联式分类，分别针对复印件-电脑屏拍件-非电脑屏拍件-原件依次进行分类筛选，并返回得分最高的图像类型和相应的图像类型分数；所述所述级联式分类模型具体包括全图像类型分类模型、原件-电脑屏拍件分类模型和原件-非电脑屏拍件分类模型；所述级联式分类模型的具体分类步骤为：
54.首先，使用全图像类型分类模型，对图像进行分类，若分类结果中最高得分为复印件，则返回图像类型为复印件并给出分数，否则继续进入原件-电脑屏拍件分类模型；
55.其次，使用原件-电脑屏拍件分类模型对图像进行分类，若分类结果中最高得分为电脑屏拍件，则返回图像类型为电脑屏拍件并给出分数，否则继续进入原件-非电脑屏拍件分类模型；
56.然后，使用原件-非电脑屏拍件分类模型对图像进行分类，若分类结果中最高得分为非电脑屏拍件，则返回图像类型为非电脑屏拍件并给出分数；若分类结果中最高得分为原件，则返回图像类型为原件并给出分数；
57.最后，输出图像分类结果。
58.与现有技术相比，本发明所产生的有益效果是：
59.(1)本发明基于像素级的分割-分类技术模型，对图像中的待评估证件图进行有效位置预测分割及证件图类别检测，通过证件图有效位置分割，能够尽可能地排除其他非待评估图片的区域对后续评估工作的干扰，使得整个提取分析结果更加精准、高效；通过删除过滤掉证件图类别信息为空的图像，能够自动过滤掉不包含待评估证件图的图像，例如，当需要对身份证的图片进行质量评估时，本发明能自动找出身份证图片的位置，对于没有身份证的图片会直接返回，可有效加快处理流程和速度；
60.(2)本发明的多维度质量评估模块在得到需要评估质量的证件图之后，使用基于深度学习、卷积神经网络技术的模型为主要手段，对证件图分别从图像类型(原件、复印件、电脑屏拍件、非电脑屏拍件)、图像完整性、图像清晰度(是否模糊)、图像光斑(是否存在光斑)和ps判断(是否存在ps处理痕迹)多个维度进行特征提取、质量评估和打分，这一机制结合了传统规则算法和深度学习算法的优势，提升了评估结果的准确性；
61.(3)现有的图像类型判断方式，是基于传统的图像位深度判断方式或者是单一的分类模型进行图像类型判断，只能对原件和其他一种图像类型进行区分，如只能区分图像为原件还是复印件，或者只能区分图像为原件还是电脑屏拍件，支持的图像类别较少，分类精度低，容易产生错误分类结果；而本发明的图像类型判断基于图像类型分类模型，采用传统方式 基于卷积神经网络的级联式分类模型方式，且先采用简单的传统方式对图像进行初步分类筛选，再采用基于卷积神经网络的级联式分类模型，按照复印件-电脑屏拍件-非电脑屏拍件-原件的顺序依次进行分类筛选，从图像样本本身的特点出发，使用多个不同的分类模型从易到难逐次筛选，可以先把特征较为明显的图像类型优先筛选出来，再把特征不易区分的图像放在后面模型中进行精准分类，既显著提高了图像类型判断的效率，又可以有效提高图像的分类精度，保证了分类结果的准确性。
附图说明
62.图1为本发明实施例的图像质量评估方法算法流程图；
63.图2为本发明实施例的图像分割技术流程图；
64.图3为本发明实施例的图像像素级分割技术效果图；
65.图4为本发明实施例的多维度质量检测流程图；
66.图5为本发明实施例的图像类型质量评估流程图。
具体实施方式
67.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
68.结合图1-5所示，本发明提供了一种图像质量评估方法，所述方法包括如下步骤：
69.步骤s1：图像预处理：对原始图像进行等比例缩放，进行图像归一化，将图像缺少部分用默认值填充，得到预处理之后的图像；
70.步骤s2：图像有效位置预测及图像过滤：基于像素级的分割-分类技术模型，检测并确定预处理之后图像中的证件图位置信息和相应的证件图类别信息，所述证件图类别信息包括但不局限于证件、卡件、文档、票据；若图像中不含有待评估的证件图，则将相应的证件图类别信息结果设置为空；根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像；具体来说，所述步骤s2可以分为以下步骤：
71.步骤s21：将步骤s1预处理后的图像输送到cnn卷积神经网络，进行处理得到特征图；所述cnn卷积神经网络包括但不局限于resnet、vgg、mobilenet卷积神经网络中的一种；作为优选方案，所述cnn卷积神经网络采用resnet18作为特征提取网络，以兼顾处理速度和检测精度的要求。
72.步骤s22：对特征图的每一个像素位置设定固定个数的roi(region of interest，感兴趣区域)，然后将roi区域送入rpn(region proposal net，区域生成网络)网络进行前景和背景二分类以及坐标回归，以获得精炼后的roi区域；
73.步骤s23：对步骤s22中获得的roi区域执行区域特征聚集操作，即先将原图和特征图的像素对应起来，然后将特征图和固定的特征对应起来，最后对这些roi区域进行多类别分类、候选框回归和引入全卷积网络(fully convolution network，fcn)生成掩码mask，完成分割、分类任务，最终得到图像中待评估证件图的有效精准位置和证件图类别信息；
74.步骤s24：若图像中不含有待评估的证件图，则将相应的证件图类别信息结果设置为空，根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像；根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像。
75.步骤s3：待评估图像校正：通过步骤s2得到图像中待评估证件图的位置之后，分割出证件图并校正，之后需要处理的图像就只包含需要评估质量的证件图；
76.步骤s4：多维度质量评估：得到需要评估质量的证件图之后，使用基于深度学习、卷积神经网络技术的模型为主要手段，对证件图分别从图像类型、图像完整性、图像清晰度、图像光斑和ps判断5个维度进行质量评估，并给出对应的分数；所述步骤s4中多维度质量评估具体包括：
77.图像类型判断：采用传统方式 基于卷积神经网络的级联式分类模型方式，对待评估图像进行处理分析，得出图像类型并给出相应分数，并最终输出得分最高的图像类型和相应的图像类型得分；所述图像类型包括原件、复印件、电脑屏拍件和非电脑屏拍件((非电脑屏拍件是指手机、摄像机等其他屏拍件))；
78.图像完整性判断：根据图像类型判断结果，采用深度学习训练好的完整性分类模型，对待评估图像进行分析、分类征，得出图像完整性得分；其中，对于一些特殊的证件图
像，比如包含文字内容的二代身份证等，图像完整性分析模型会结合证件图中文字信息、文字位置信息等传统方式，对图像完整性做出最终的得分判断；
79.图像清晰度判断：一方面采用深度学习训练好的清晰度分类模型，对待评估图像进行分析、分类，得出清晰度分数；另一方面通过对图像灰度化之后，计算图像梯度值，通过梯度值判断图像清晰度；最后结合两方面的得分，输出图像清晰度得分；
80.图像光斑检测模型：基于图像光斑检测模型，首先对待评估图像进行检测，得出光斑可能区域；然后结合光斑的一些形状和色彩信息，对可能区域进行再校准；最后通过光斑多少、大小给出相应的得分判断；
81.ps判断：首先，采用深度学习训练好的ps分类模型，对待评估图像进行分析、分类，得出图像可能被ps篡改的分数；然后通过对图像数据中数据的分析，判断是否存在被篡改的数据，或或数据中是否存在与ps软件(photoshop软件)相关的信息，比如数据中是否含有“photoshop”字样等，对图像进行再次筛选，得出ps(photoshop软件)的最终得分。
82.其中，所述图像类型判断的流程如图5所示，具体包括如下步骤：
83.步骤s401：基于传统方式，获取图像的位深度，若位深度不是24位真彩色图像，则直接返回图像类型为复印件；若位深度是24位真彩色图像，则继续进入下一步；
84.步骤s402：基于卷积神经网络的级联式分类方式，使用多个分类模型对图像进行级联式分类，分别针对复印件-电脑屏拍件-非电脑屏拍件-原件依次进行分类筛选，并返回得分最高的图像类型和相应的图像类型分数；所述步骤s402具体包括：
85.步骤s4021：使用全图像类型分类模型，对图像进行分类，若分类结果中最高得分为复印件，则返回图像类型为复印件并给出分数，否则继续进入下一步；
86.步骤s4022：使用原件-电脑屏拍件分类模型对图像进行分类，若分类结果中最高得分为电脑屏拍件，则返回图像类型为电脑屏拍件并给出分数，否则继续进入下一步；
87.步骤s4022：使用原件-非电脑屏拍件分类模型对图像进行分类，若分类结果中最高得分为非电脑屏拍件，则返回图像类型为非电脑屏拍件并给出分数；若分类结果中最高得分为原件，则返回图像类型为原件并给出分数；
88.步骤s4023：输出图像分类结果。
89.之所以按照复印件-电脑屏拍件-非电脑屏拍件-原件的顺序依次进行分类筛选，原因在于：(1)只使用单一的分类模型的话，分类精度较低，尤其是现今的电子产品配备的摄像头像素越来越高，手机屏拍件和原价的相似度很高，如果只使用一个分类模型去做的话，分类效果不理想；(2)从图像样本本身的特点出发，使用多个不同的分类模型从易到难逐次筛选，可以先把特征较为明显的图像类型优先筛选出来，再把特征不易区分的图像放在后面模型中进行精准分类，既显著提高了图像类型判断的效率，又可以有效提高图像的分类精度，保证了分类结果的准确性。
90.步骤s5：对每个维度的得分进行归一化，统一归一化至百分制，并将结果结构化为json数据格式，最终输出质量评估结果。
91.此外，本发明还提供了一种图像质量评估系统，用于执行上述的图像质量评估方法，所述系统包括：图像预处理模块、图像有效位置预测模块、待评估图像校正模块、多维度质量评估模块和归一化输出模块；具体地，
92.(1)所述图像预处理模块：用于对原始图像进行等比例缩放，进行图像归一化，将
图像缺少部分用默认值填充，得到预处理之后的图像；
93.(2)所述图像有效位置预测及图像过滤模块：包括像素级的分割-分类技术模型，所述图像有效位置预测及图像过滤模块基于分割-分类技术模型，检测并确定预处理之后图像中的证件图位置信息和相应的证件图类别信息，所述证件图类别信息包括但不局限于证件、卡件、文档、票据等常用图像类别；若图像中不含有待评估的证件图，则相应的证件图类别信息为空；根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像；
94.所述分割-分类技术模型包括cnn卷积神经网络、rpn网络、区域特征聚集模型和图像过滤模型；
95.所述cnn卷积神经网络对输入的预处理后的图像进行处理得到特征图；所述cnn卷积神经网络包括但不局限于resnet、vgg、mobilenet卷积神经网络中的一种；作为优选方案，所述cnn卷积神经网络采用resnet18作为特征提取网络，以兼顾处理速度和检测精度的要求。
96.所述rpn网络对特征图的每一个像素位置设定固定个数的roi，然后将roi区域送入rpn网络进行前景和背景二分类以及坐标回归，以获得精炼后的roi区域；
97.所述区域特征聚集模型对获得的roi区域执行区域特征聚集操作，先将原图和特征图的像素对应起来，然后将特征图和固定的特征对应起来，最后对这些roi区域进行多类别分类、候选框回归和引入全卷积网络生成掩码mask，完成分割、分类任务，最终得到图像中待评估证件图的有效精准位置和证件图类别信息；
98.所述图像过滤模型根据得到的证件图类别信息，删除过滤掉证件图类别信息为空的图像。
99.(3)所述待评估图像校正模块：在得到图像中证件图的位置之后，分割出证件图并校正，之后需要处理的图像就只包含需要评估质量的证件图；
100.(4)所述多维度质量评估模块：在得到需要评估质量的证件图之后，使用基于深度学习、卷积神经网络技术的模型为主要手段，对证件图分别从图像类型、图像完整性、图像清晰度、图像光斑和ps判断5个维度进行质量评估，并给出对应的分数；
101.所述多维度质量评估模块包括图像类型分析模型、图像完整性分析模型、图像清晰度分析模型、图像光斑检测模型和ps分析模型；
102.所述图像类型分析模型，采用传统方式 基于卷积神经网络的级联式分类模型方式，对待评估图像进行处理分析，得出图像类型并给出相应分数，并最终输出得分最高的图像类型和相应的图像类型得分；所述图像类型包括原件、复印件、电脑屏拍件和非电脑屏拍件；
103.所述图像完整性分析模型：根据图像类型判断结果，对采用深度学习训练好的完整性分类模型，对待评估图像进行分析、分类，得出图像完整性得分；其中，对于一些特殊的证件图像，比如包含文字内容的二代身份证等，图像完整性分析模型会结合证件图中文字信息、文字位置信息等传统方式，对图像完整性做出最终的得分判断；
104.所述图像清晰度分析模型：一方面采用深度学习训练好的清晰度分类模型，对待评估图像进行分析、分类，得出清晰度分数；另一方面通过对图像灰度化之后，计算图像梯度值，通过梯度值判断图像清晰度；最后结合两方面的得分，输出图像清晰度得分；
105.所述图像光斑检测模型：首先对待评估图像进行检测，得出光斑可能区域；然后结
合光斑的一些形状和色彩信息，对可能区域进行再校准；最后通过光斑多少、大小给出相应的得分判断；
106.所述ps分析模型：首先采用深度学习训练好的ps分类模型，对待评估图像进行分析、分类，得出图像可能被ps篡改的分数；然后通过对图像数据中数据的分析，判断是否存在被篡改的数据，或数据中是否存在与ps软件(photoshop软件)相关的信息，比如数据中是否含有“photoshop”字样，对图像进行再次筛选，得出图像被ps(photoshop软件)修改的最终得分。。
107.其中，所述图像类型分析模型又包括位深度分类模型和级联式分类模型；
108.所述位深度分类模型基于传统方式，获取图像的位深度，若位深度不是24位真彩色图像，则直接返回图像类型为复印件；若位深度是24位真彩色图像，则继续进入级联式分类模型进行分类；
109.所述级联式分类模型基于卷积神经网络的级联式分类方式，使用多个分类模型对图像进行级联式分类，获取图像分别针对电脑屏拍件、手机屏拍件和原件的分类结果，所述所述级联式分类模型具体包括全类别分类模型、原件-电脑屏拍件分类模型和原件-手机屏拍件分类模型；所述级联式分类模型的具体分类步骤为：
110.所述级联式分类模型基于卷积神经网络的级联式分类方式，使用多个分类模型对图像进行级联式分类，分别针对复印件-电脑屏拍件-非电脑屏拍件-原件依次进行分类筛选，并返回得分最高的图像类型和相应的图像类型分数；所述所述级联式分类模型具体包括全图像类型分类模型、原件-电脑屏拍件分类模型和原件-非电脑屏拍件分类模型；所述级联式分类模型的具体分类步骤为：
111.首先，使用全图像类型分类模型，对图像进行分类，若分类结果中最高得分为复印件，则返回图像类型为复印件并给出分数，否则继续进入原件-电脑屏拍件分类模型；
112.其次，使用原件-电脑屏拍件分类模型对图像进行分类，若分类结果中最高得分为电脑屏拍件，则返回图像类型为电脑屏拍件并给出分数，否则继续进入原件-非电脑屏拍件分类模型；
113.然后，使用原件-非电脑屏拍件分类模型对图像进行分类，若分类结果中最高得分为非电脑屏拍件，则返回图像类型为非电脑屏拍件并给出分数；若分类结果中最高得分为原件，则返回图像类型为原件并给出分数；
114.最后，输出图像分类结果。
115.(5)所述归一化输出模块：对每个维度的得分进行归一化，将得分归一化至百分制，并结构化为json数据格式，最后输出质量评估结果。
116.以上所述仅为本技术的实施例而已，并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。