你会如何对手机图库中模糊，暗淡和嘈杂的图像做出反应？删除那些质量差的图片？或者让他们实现您的存储？

如果我们可以自动选择质量较差的图像同时删除它们，这将非常有用。

从商业角度来看，想象用户必须经历一堆质量不好的图像（他们无法摆脱），他们会不停地滚动屏幕？

基本上，我们不太可能点击一些不感兴趣的东西。从良好的意图出发，通过为买家提供良好的体验让买家满意，上市销售的可能性也会增加。

不可避免地，质量差的图像数量非常大。我们需要一个可以解决这个问题的自动化系统。

计算机视觉和机器学习的结合在使用MNIST数据集的数字识别， 图像识别直到面部情绪检测方面有一些进步 ，但很少讨论用于确定图像质量的模型。

图像的质量充满了主观性，但我们相信每个决定都有“灰色区域”和几乎每个人都对应的另一个区域。我们尝试捕获该区域以构建模型以确定图像质量。

“基本上，所有模型都是错误的，但有些模型很有用”--George EP Box

我们根据人眼判断图像的方式以及计算机可以处理与图像质量相关的图像来开发模型。

由于计算机将图像看作数百万个单独的像素，每个像素都有颜色和alpha值，我们使用opencv和python从像素中提取多个指标，用于机器学习模型特征。Github中提供了特征提取的代码

功能包括：

1.红色，绿色，蓝色和灰度值的均值和方差

第一组特征是图像的红色，绿色，蓝色和灰度值的均值和方差。灰度值是从RGB值与公式的线性组合获得的Grayscale = 0.30R + 0.59G + 0.11B 。我们认为灰度值的平均值是图像的亮度或亮度。

2.不同的像素率

根据不同像素的数量除以图像的大小来计算不同的像素速率。该指标可以告诉我们图像背景的平坦程度或模糊程度，可以区分彩色图像。

3.对比

对比度是使对象（或其在图像或显示器中的表示）可区分的亮度或颜色的差异

4.饱和度

饱和度 是指图像中的颜色强度。为了获得该值，我们只需将RGB值格式转换为图像的HSV值格式。

5.模糊

可以通过图像的拉普拉斯核的变化来计算模糊。

6.锐度

清晰度由不同色调或颜色的区域之间的边界定义。我们根据灰度图像的梯度计算锐度。

从整体形象判断是不公平的

考虑这张照片

这是一个散景图像，具有良好的质量，但如果我们计算模糊，它将被视为质量差的图像。具有对比背景的图像的相同示例。为了解决这个问题，我们尝试将图像切割成3x3部分，结果比以前好多了。

我们使用9个部分的图像和整个图像功能来加工学习模型。我们比较了几种模型，最终测试数据的准确度为82％（标签为0表示不良，1表示良好）。

通过自动了解图像质量，我们可以实现自动图像增强器的推荐，或者只要用户上传照片就给用户提供图像质量的分数。

我们相信图像质量检测是增加应用程序参与度和列表流动性的最关键因素之一。