基于高斯模糊的理赔材料图像质量控制方法、系统以及设备

技术领域

本发明涉及图像处理领域，尤其涉及一种基于高斯模糊的理赔材料图像质量控制方法、系统以及设备。

背景技术

随着金融科技赋能保险领域，一些业务场景由于高重复率和经验导向的特性非常适合运用人工智能进行替代，为保险企业在未来的系统智能化升级过程中起到了降本增效的作用。对于保险理赔来说，理赔材料的图像质量控制，直接影响到理赔的定损、核赔等后续流程的时效，同时对于保险公司内部风险控制反欺诈具有重要的意义。保险行业一定程度上属于人员密集型行业，中国保险企业的人力成本大约占总成本的30％，通过系统检测进行理赔材料的图像质量控制一定意义上节省了大量重复的人力劳动，直接降低了企业的盈利水平。因此理赔材料图像质量控制对于保险公司理赔系统的智能化具有重要的意义。

图像质量评价是指通过对图像信号进行相关特性分析，评价图像的视觉失真程度。在图像清晰度判别中，往往因为生成图像(拍摄角度亮度色调等)的各种因素，导致清晰度判断低下，与人为主观感受差距过大。

又因为理赔材料多为人为(客户)拍摄，其无法具有统一性、规范性，对于客户拍摄上传的图片是否可以使用，传统行业只能通过业务人员人工判断其结果是否清晰，因此关于理赔材料的图像清晰度判断为无参考图像质量判断。

在传统图像质量判断中，由于以上各种原因，实际应用时多使用全参考图像质量评价和半参考图像质量评价，这类方法多通过特征提取等方式，量化参考图像与失真图像的差异，往往需要图像的规范与统一。

发明内容

本发明的目的之一在于提供一种基于高斯模糊的理赔材料图像质量控制方法、系统以及设备，能够针对理赔材料的无参考图像质量分析，提高该领域的图像清晰度判断准确率，辅助业务人员更好地跟进流程，提高效率。

本发明的目的之一在于提供一种基于高斯模糊的理赔材料图像质量控制方法、系统以及设备，能够通过将许多针对图像清晰度算法的结合，同时针对理赔材料领域，将清晰度的判断与主观及人为判断达到最优解，大幅提高了清晰图像筛选的准确率和实际应用效率。

为了实现上述至少一个发明目的，本发明提供了一种基于高斯模糊的理赔材料图像质量控制方法，所述基于高斯模糊的理赔材料图像质量控制方法包括以下步骤：

获取输入的理赔材料的图像；

建立理赔材料图像质量评分模型，综合处理图像清晰度评估指标算法，执行理赔材料图像的计算机视觉图像质量评分；以及

获取理赔材料图像质量评分模型的理赔材料图像的图像质量评分结果，高斯模糊比较理赔材料图像，执行基于计算机视觉的无参考图像质量指标分析；

输出理赔材料图像清晰判断结果。

在一些实施例中，其中基于计算机视觉的无参考图像质量指标分析步骤中，还包括以下步骤：高斯模糊比较理赔材料图像，对同一张图像执行竖向多次模糊比较，获取待测图像和模糊图像通过理赔材料图像质量评分模型的综合算法计算得到的图像指标，根据这些指标的变化情况确定清晰度值的高低，计算结果变化越小则该图像越清晰，反之则模糊。

在一些实施例中，其中所述基于高斯模糊的理赔材料图像质量控制方法还包括以下步骤：执行最终图像清晰度各类算法指标的归一化处理；以及加权计算最终图像质量评分。

在一些实施例中，其中所述基于高斯模糊的理赔材料图像质量控制方法还包括以下步骤：

获取输入的所有理赔材料图像的综合清晰度评分；以及

根据清晰度层级的阈值将输入的图像分类成清晰或非清晰图片，同时建立图像清晰度数据库，记录每张图像的清晰度得分；

其中采用高斯模糊对待测理赔材料图像执行多次模糊的默认模糊次数被预设为4-5次；

其中清晰度层级的阈值被预设划分为2、3、5个层级；

其中对阈值执行判定时，得到的每种基础算法的变化值通过加权的方式计算出最终的图像清晰值，其权值通过执行基于机器学习的逻辑回归与支持向量机SVM算法得到相应的权值参数。

在一些实施例中，其中图像清晰度评估指标算法选自Brenner梯度算法、Laplacian梯度算法、SMD灰度方差算法、SMD2灰度方差乘积算法、能量梯度算法、Vollath函数算法、熵函数算法、EAV点锐度算法、NRSS梯度结构相似度的一种或多种。

根据本发明的另一方面，还提供了一种基于高斯模糊的理赔材料图像质量控制设备，包括：

存储器，用于存储软件应用程序，

处理器，用于执行所述软件应用程序，所述软件应用程序的各程序相对应地执行所述的基于高斯模糊的理赔材料图像质量控制方法中的步骤。

根据本发明的另一方面，还提供了一种基于高斯模糊的理赔材料图像质量控制系统，所述基于高斯模糊的理赔材料图像质量控制系统包括理赔材料图像质量控制客户子系统以及理赔材料图像质量控制服务子系统，所述理赔材料图像质量控制客户子系统设置有人机交互单元，用于输入理赔材料的图像，所述理赔材料图像质量控制服务子系统被配置为：获取输入的理赔材料的图像；建立理赔材料图像质量评分模型，综合处理图像清晰度评估指标算法，执行理赔材料图像的计算机视觉图像质量评分；以及获取理赔材料图像质量评分模型的理赔材料图像的图像质量评分结果，高斯模糊比较理赔材料图像，执行基于计算机视觉的无参考图像质量指标分析；所述理赔材料图像质量控制服务子系统输出理赔材料图像清晰判断结果至所述理赔材料图像质量控制客户子系统。

在一些实施例中，其中所述理赔材料图像质量控制服务子系统包括图像质量评分单元以及无参考图像质量指标分析单元，所述图像质量评分单元建立理赔材料图像质量评分模型，综合处理图像清晰度评估指标算法，其中算法选自Brenner梯度算法、Laplacian梯度算法、SMD灰度方差算法、SMD2灰度方差乘积算法、能量梯度算法、Vollath函数算法、熵函数算法、EAV点锐度算法、NRSS梯度结构相似度的一种或多种；所述无参考图像质量指标分析单元包括高斯模糊比较图像模块，用于高斯模糊比较理赔材料图像，对同一张图像执行竖向多次模糊比较，获取待测图像和模糊图像通过理赔材料图像质量评分模型的综合算法计算得到的图像指标，根据这些指标的变化情况确定清晰度值的高低，计算结果变化越小则该图像越清晰，反之则模糊。

在一些实施例中，其中所述无参考图像质量指标分析单元还包括算法指标归一化模块、加权计算模块以及图像清晰判断结果处理模块，通过所述高斯模糊比较图像模块的图像质量的竖向对比，根据其指标的变化情况，所述算法指标归一化模块执行最终图像清晰度各类算法指标的归一化处理；所述加权计算模块获取所述图像质量评分单元中每种基础算法的变化值，并通过加权的方式计算出最终的图像清晰值，其权值通过基于机器学习的逻辑回归与支持向量机SVM算法得到相应的权值参数；所述图像清晰判断结果处理模块获取所有图像的综合清晰度评分，发送至所述理赔材料图像质量控制客户子系统；所述图像清晰判断结果处理模块还根据清晰度层级的阈值将输入的图像分类成清晰或非清晰图片，同时建立图像清晰度得分数据库记录每张图像的清晰度得分。

在一些实施例中，其中所述理赔材料图像质量控制服务子系统采用高斯模糊对待测理赔材料图像执行多次模糊的默认模糊次数被预设为4-5次；其中执行阈值判定时，清晰度层级的阈值被预设划分为2、3、5个层级。

附图说明

图1是根据本发明的一个实施例的一种基于高斯模糊的理赔材料图像质量控制方法的步骤流程图。

图2是根据本发明的上述实施例的所述基于高斯模糊的理赔材料图像质量控制方法中综合处理图像清晰度评估指标算法时采用的各类指标算法。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

本发明为涉及计算机程序的发明。如图1所示为基于本发明的一种基于高斯模糊的理赔材料图像质量控制方法的流程图，阐述了为解决本发明提出的问题，以计算机程序处理流程为基础，通过计算机执行按上述流程编制的计算机程序，对计算机外部对象或者内部对象进行控制或处理的解决方案。通过本发明的所述基于高斯模糊的理赔材料图像质量控制方法，能够利用计算机系统，针对理赔材料的无参考图像质量分析，提高该领域的图像清晰度判断准确率，辅助业务人员更好地跟进流程，提高效率，能够通过将许多针对图像清晰度算法的结合，同时针对理赔材料领域，将清晰度的判断与主观及人为判断达到最优解，大幅提高了清晰图像筛选的准确率和实际应用效率。可以理解的是，本发明所称“计算机”不仅仅指台式电脑、笔记本电脑、平板等设备，还包括其他能够按照程序运行，处理数据的智能电子设备。

具体地，所述基于高斯模糊的理赔材料图像质量控制方法包括以下步骤：

获取输入的理赔材料的图像；

建立理赔材料图像质量评分模型，综合处理图像清晰度评估指标算法，执行理赔材料图像的计算机视觉图像质量评分，其中图像清晰度评估指标算法选自Brenner梯度算法、Laplacian梯度算法、SMD灰度方差算法、SMD2灰度方差乘积算法、能量梯度算法、Vollath函数算法、熵函数算法、EAV点锐度算法、NRSS梯度结构相似度的一种或多种；

获取理赔材料图像质量评分模型的理赔材料图像的图像质量评分结果，执行基于计算机视觉的无参考图像质量指标分析。

具体地，在基于计算机视觉的无参考图像质量指标分析步骤中，还包括以下步骤：

高斯模糊比较理赔材料图像，对同一张图像执行竖向多次模糊比较，获取待测图像和模糊图像通过理赔材料图像质量评分模型的综合算法计算得到的图像指标，根据这些指标的变化情况确定清晰度值的高低，计算结果变化越小则该图像越清晰，反之则模糊；

执行最终图像清晰度各类算法指标的归一化处理；

加权计算最终图像质量评分；

输出理赔材料图像清晰判断结果。

所述基于高斯模糊的理赔材料图像质量控制方法还包括以下步骤：

获取输入的所有理赔材料图像的综合清晰度评分；

根据清晰度层级的阈值将输入的图像分类成清晰或非清晰图片，同时建立图像清晰度数据库，记录每张图像的清晰度得分。

如图2所示，在具体的实施例中，理赔材料图像质量评分模型中综合处理图像清晰度评估指标算法包括但不限于Brenner梯度算法、Laplacian梯度算法、SMD灰度方差算法、SMD2灰度方差乘积算法、能量梯度算法、Vollath函数算法、熵函数算法、EAV点锐度算法、NRSS梯度结构相似度。由于图像质量受到多种因素影像，其主要有：亮度、对比度、色调、边界、噪点、模糊等等，因此综合以上算法，能够降低对于不同环境和主观判断各自存在的差异。

在无参考图像的质量评价中，图像的清晰度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应，图像的清晰度不高表现出图像的模糊。在具体的实施例中，基于计算机视觉的无参考图像质量指标分析步骤中，能够提高理赔材料的图像的清晰度。

由于无参考图像的不确定性和非规范化，对于不同的图像难以有规范性的统一标准，因此无法通过多张图像的横向对比来得到清晰度指标。在本发明的所述基于高斯模糊的理赔材料图像质量控制方法的具体的实施例中，采取竖向的对同一张图像的二次甚至多次模糊处理，得到待测图像和模糊图像通过各种算法计算得到的图像指标，根据这些指标的变化情况来确定清晰度值的高低：计算结果变化越小则说明该图像越清晰，反之则模糊，从而能够减少无参考图像的不确定性和非规范化，使不同的图像有规范性的统一标准，获得清晰度指标。

在理赔材料的图像中，多数为静态方式的拍照。除去理赔员等员工的拍照，多数为客户远程拍照上传，因此对于其角度、方向、大小尺寸等难以界定严格的规范。而通过本发明的所述基于高斯模糊的理赔材料图像质量控制方法，在收集到需要的理赔影像材料后，可采用高斯模糊来对待测图像进行二次或多次模糊，模糊次数可根据实际情况进行确定。模糊次数越多，理论上得到的清晰度变化值越准确，但模糊次数越高，生成的退化图像也越模糊，其参考价值也越来越低。最终根据技术测试，将默认模糊次数设定为4-5次，也可根据实际需求做改变。

在本发明的所述基于高斯模糊的理赔材料图像质量控制方法的具体的实施例中，对阈值执行判定时，通过上述的图像质量的竖向对比，根据其指标的变化情况，可做最终图像清晰度各类算法指标的归一化处理。针对图像是否清晰这一问题，可将阈值划分成2、3、5个层级，具体分级可根据实际需求而制订。对于阈值的判定，可将得到的每种基础算法的变化值通过加权的方式计算出最终的图像清晰值，其权值可以通过基于机器学习的逻辑回归与支持向量机(SVM)算法得到相应的权值参数。

进一步地，通过本发明的所述基于高斯模糊的理赔材料图像质量控制方法，可得到输入的所有图像的综合清晰度评分，可根据清晰度层级的阈值将输入的图像分类成清晰或非清晰图片，同时在后台记录每张图像的清晰度得分。

通过本发明的所述基于高斯模糊的理赔材料图像质量控制方法，在无参考图像质量评价中，能够采用通用的评价方法，同时在实际应用系统中，能够克服由于应用场景的差异性、客户需求的不同和图像清晰度判断因素的复杂性的问题。本发明的所述基于高斯模糊的理赔材料图像质量控制方法，通过将许多针对图像清晰度算法的结合，同时针对理赔材料这一领域，将清晰度的判断与主观及人为判断达到最优解，大幅提高了清晰图像筛选的准确率和实际应用效率。

本领域的技术人员能够理解的是，可以以方法、系统或计算机程序产品的形式提供本发明的实施例。因此，本发明可采取全硬件实施例、全软件实施例，或者组合软件和硬件的实施例的形式。

本领域的技术人员可以理解的是，本发明的所述基于高斯模糊的理赔材料图像质量控制方法，可以通过硬件、软件，或者软、硬件结合来实现。本发明的所述基于高斯模糊的理赔材料图像质量控制方法可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按方法运行。

本发明可以嵌入在计算机程序产品中，它包括使此处描述的方法得以实施的所有特征。所述计算机程序产品被包含在一个或多个计算机可读存储介质中，所述计算机可读存储介质具有包含于其中的计算机可读程序代码。根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时能够执行本发明的方法的步骤。计算机存储介质是计算机存储器中用于存储某种不连续物理量的媒体。计算机存储介质包括但不限于半导体、磁盘存储器、磁芯、磁鼓、磁带、激光盘等。本领域的技术人员可以理解的是，计算机存储介质并不局限于前述举例，前述例子仅仅作为举例而并不限于本发明。

根据本发明的另一方面，还提供了一种基于高斯模糊的理赔材料图像质量控制设备，该基于高斯模糊的理赔材料图像质量控制设备包括：软件应用程序、用于存储软件应用程序的存储器，以及处理器，用于执行该软件应用程序。该软件应用程序的各程序能够相对应地执行本发明的该基于高斯模糊的理赔材料图像质量控制方法中的步骤。

硬件和软件的典型的结合可以是带有计算机程序的通用计算机系统，当程序被加载并被执行时，控制计算机系统，从而可以执行本发明揭露的基于高斯模糊的理赔材料图像质量控制方法。

本领域的技术人员可以理解的是，该基于高斯模糊的理赔材料图像质量控制设备可以被体现为台式电脑、笔记本、移动智能设备等，但是前述仅仅作为举例，还包括其他搭载有本发明的该软件应用程序的智能分析设备。

与本发明方法的实施例相对应，根据本发明的另一方面，还提供了一种基于高斯模糊的理赔材料图像质量控制系统，所述基于高斯模糊的理赔材料图像质量控制系统为本发明的所述基于高斯模糊的理赔材料图像质量控制方法在计算机程序改进上的应用。

具体地，所述基于高斯模糊的理赔材料图像质量控制系统包括理赔材料图像质量控制客户子系统以及理赔材料图像质量控制服务子系统，所述理赔材料图像质量控制客户子系统设置有人机交互单元，用于输入理赔材料的图像，所述理赔材料图像质量控制服务子系统被配置为：获取输入的理赔材料的图像；建立理赔材料图像质量评分模型，综合处理图像清晰度评估指标算法，执行理赔材料图像的计算机视觉图像质量评分；以及获取理赔材料图像质量评分模型的理赔材料图像的图像质量评分结果，高斯模糊比较理赔材料图像，执行基于计算机视觉的无参考图像质量指标分析；所述理赔材料图像质量控制服务子系统输出理赔材料图像清晰判断结果至所述理赔材料图像质量控制客户子系统。

更具体地，所述理赔材料图像质量控制服务子系统包括图像质量评分单元以及无参考图像质量指标分析单元，所述图像质量评分单元建立理赔材料图像质量评分模型，综合处理图像清晰度评估指标算法，其中算法选自Brenner梯度算法、Laplacian梯度算法、SMD灰度方差算法、SMD2灰度方差乘积算法、能量梯度算法、Vollath函数算法、熵函数算法、EAV点锐度算法、NRSS梯度结构相似度的一种或多种；所述无参考图像质量指标分析单元包括高斯模糊比较图像模块，用于高斯模糊比较理赔材料图像，对同一张图像执行竖向多次模糊比较，获取待测图像和模糊图像通过理赔材料图像质量评分模型的综合算法计算得到的图像指标，根据这些指标的变化情况确定清晰度值的高低，计算结果变化越小则该图像越清晰，反之则模糊。

更具体地，所述无参考图像质量指标分析单元还包括算法指标归一化模块、加权计算模块以及图像清晰判断结果处理模块，通过所述高斯模糊比较图像模块的图像质量的竖向对比，根据其指标的变化情况，所述算法指标归一化模块执行最终图像清晰度各类算法指标的归一化处理；所述加权计算模块获取所述图像质量评分单元中每种基础算法的变化值，并通过加权的方式计算出最终的图像清晰值，其权值通过基于机器学习的逻辑回归与支持向量机SVM算法得到相应的权值参数；所述图像清晰判断结果处理模块获取所有图像的综合清晰度评分，发送至所述理赔材料图像质量控制客户子系统；所述图像清晰判断结果处理模块还根据清晰度层级的阈值将输入的图像分类成清晰或非清晰图片，同时建立图像清晰度得分数据库记录每张图像的清晰度得分。

更具体地，在具体的实施例中，采用高斯模糊对待测理赔材料图像执行多次模糊的默认模糊次数被预设为4-5次；在所述无参考图像质量指标分析单元执行阈值判定时，清晰度层级的阈值被预设划分为2、3、5个层级。

本领域的技术人员可以理解的是，已参考根据本发明的方法、系统及计算机程序产品的流程图和/或方框图说明了本发明。流程图和/或方框图中的每个方框，以及流程图和/或方框图中的方框的组合显然可由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、嵌入式处理器或者其他可编程的数据处理设备的处理器，以产生一台机器，从而指令(所述指令通过计算机或者其他可编程数据处理设备的处理器)产生用于实现在流程图和/或方框图的一个或多个方框中规定的功能的装置。

本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离该原理下，本发明的实施方式可以有任何变形或修改。