CN104637046A - 图像检测方法和装置 - Google Patents

Abstract

本发明公开了一种图像检测方法和装置，其中，该方法包括：对目标图像中的目标图像区域进行多次卷积遍历，得到多个卷积结果，其中，在每次进行卷积遍历时，使用卷积模板进行卷积，该卷积模板被配置用于体现目标图像区域中参与卷积计算的像素之间的差异；根据多次卷积遍历得到的多个卷积结果得到目标图像区域的清晰度特征，并根据清晰度特征确定目标图像区域的清晰度。本发明能够准确地确定图像区域的清晰度，具有良好的检测精度；并且，由于对图像的区域进行的计算方式主要为卷积，所以能避免采用复杂的运算，有效降低了检测的复杂度，并且简单的计算方法有助于对目标图像的多个区域进行并行检测，从而有效缩短了检测所占用的时间，显著提高了检测效率。

Description

图像检测方法和装置

技术领域

本发明涉及图像处理领域，并且特别地，涉及一种图像检测方法和装置。

背景技术

在进行图像处理时，在很多情况下都需要对图像中的模糊区域进行检测，从而确定模糊区域的边界。

目前常用的模糊区域检测方案主要包括：（方法1）基于边缘扩散进行检测、（方法2）基于小波变换进行检测、（方法3）基于离散余弦变换（DCT）进行检测技术、（方法4）基于Kurtosis算法进行检测。

但是，上述检测方案需要进行大量的计算，并且在检测的过程中需要使用图像中的多个特征，实现的复杂度较高，因此，对于图像进行检测时难以通过并行的方式对各个区域进行检测，并且，上述方案的检测精度并不高。

针对相关技术中图像区域检测方法复杂度高、效率和精度低的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中图像区域检测方法复杂度高、效率和精度低的问题，本发明提出一种图像检测方法和装置，避免采用复杂的计算，提高了检测效率，并且具有良好的检测精度。

为了实现上述目的，根据本发明的一个方面，提供了一种图像中的区域检测方法。该方法包括：

对目标图像中的目标图像区域进行多次卷积遍历，得到多个卷积结果，其中，在每次进行卷积遍历时，使用卷积模板进行卷积，该卷积模板被配置用于体现目标图像区域中参与卷积计算的像素之间的差异；

根据多次卷积遍历得到的多个卷积结果得到目标图像区域的清晰度特征，并根据清晰度特征确定目标图像区域的清晰度。

根据本发明的另一方面，提供了一种图像中的区域检测装置。该装置包括：计算模块，用于对目标图像中的目标图像区域进行多次卷积遍历，得到多个卷积结果，其中，在每次进行卷积遍历时，使用卷积模板进行卷积，该卷积模板被配置用于体现目标图像区域中参与卷积计算的像素之间的差异；确定模块，用于根据多次卷积遍历得到的多个卷积结果得到所述目标图像区域的清晰度特征，并根据所述清晰度特征确定目标图像区域的清晰度。

本发明通过对图像区域进行多次卷积遍历，确定出图像区域的清晰度特征，由于清晰度较高与清晰度较低的区域相比，清晰度特征中包含的多次卷积遍历的结果之间的差异较小（即，子特征之间的差异变化较小），从而能够准确地确定图像区域的清晰度，具有良好的检测精度；并且，由于对图像的区域进行的计算方式为卷积，所以能避免采用复杂的运算，有效降低了检测的复杂度，并且简单的计算方法有助于对目标图像的多个区域进行并行检测，从而有效缩短了检测所占用的时间，显著提高了检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的图像检测方法的流程图；

图2是根据本发明实施例的图像检测方案对图像进行一次至三次卷积（一至三阶微分）后的效果示意图；

图3是根据本发明实施例的图像检测方案对清晰和模糊图像分别进行多阶微分后的效果示意图；

图4是根据本发明实施例的多阶微分与像素数量变化关系的示意图；

图5是在4×4的滑动窗内进行微分的示意图；

图6a是通过直方图表示每一阶微分后得到的结果的示意图；

图6b是多阶微分的结果进行拼接得到最终特征的示意图；

图7是模糊区域与清楚区域之间特征区分度分布的示意图；

图8是根据本发明实施例的图像检测装置的框图；

图9是实现本发明技术方案的计算机的示例性结构框图。

具体实施方式

在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。

在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

图1示出了根据本发明实施例的图像中的区域检测方法。

如图1所示，根据本发明实施例的图像中的区域检测方法包括：

步骤S101，对目标图像中的目标图像区域进行多次卷积遍历，得到多个卷积结果，其中，在每次进行卷积遍历时，使用卷积模板进行卷积，该卷积模板被配置用于体现目标图像区域中参与卷积计算的像素之间的差异；

步骤S103，根据多次卷积遍历得到的多个卷积结果得到目标图像区域的清晰度特征，并根据清晰度特征确定目标图像区域的清晰度（从另一个角度来看，也可以理解为在确定清晰度时，其实上也就确定了图像的模糊度）。

在对目标图像区域中的像素进行卷积遍历时，是指对目标图像中的全部像素或部分相邻或非相邻像素组成的像素阵列的像素值进行卷积，该像素值可以像素的灰度值，也可以是像素的RGB通道值，也可以是像素的其他参数。

应当注意的是，在对目标图像区域进行多次卷积遍历时，后执行的卷积遍历实际上是在前一次卷积遍历执行后的结果基础上进行的。例如，在对原始目标图像区域进行一次卷积遍历后，当进行第二次卷积遍历时，实际上第二次卷积遍历是在第一次卷积遍历后的目标图像区域基础上进行的卷积，当进行第三次卷积遍历时，实际上第三次卷积遍历是在第二次卷积遍历后的目标图像区域基础上进行的卷积。

其中，卷积模板被配置用于体现目标图像区域中参与卷积计算的像素之间的差异，因此，在通过卷积模板对像素进行卷积遍历时，实际上是计算像素间的像素值的差，所以，当卷积的双方是相邻像素的情况下，也可以认为卷积遍历过程实际上是在对目标图像区域进行微分计算，而对目标图像区域进行多次卷积遍历实际上可以理解为是在计算目标图像区域的多阶微分，例如，进行一次卷积遍历的过程可以认为是进行一阶微分，进行二次卷积遍历的过程则可以认为是进行二阶微分，以此类推。具体地，在进行一阶微分时，实际上是对相邻像素做减法，即，右边像素值减去左边像素值（减数与被减数也可以调换），下边像素值减去上边像素值（减数与被减数也可以调换），而N阶微分图相当于对N-1阶微分图做一阶微分。

下面将对卷积遍历过程中所使用的卷积模板以及卷积模板的使用方式进行描述。在每次进行卷积遍历时，需要进行多次卷积计算，在每次卷积计算中，相当于参与卷积计算的每个像素对应于卷积模板中的一个值，并根据卷积模板中的值对像素进行卷积。在一个实施例中，可以对两个像素进行卷积，此时，可以将卷积的过程理解为将一个像素的像素值与1相乘，将另一个像素的像素值与-1相乘，此时，采用的卷积模板可以参照以下的表1和表2所示。

-1

+1

表1

-1
	+1

表2

其中，借助于表1所示的卷积模板，能够将左侧的像素与-1相乘，将右侧相邻的像素与1相乘，之后求和。借助于表2所示的卷积模板，则能够将上方的像素与-1相乘，将下方相邻的像素与1相乘，之后求和。

在其他实施例中，还可以借助其他形式的卷积模板，例如，可以借助于表3至表7所示的卷积模板。

-1	+1
		-1	+1

表3

-1	-1
		+1	+1

表4

-1	0	+1
			-1	0	+1

表5

-1	0	+1
			0	0	0
-1	0	+1

表6

-1	0	-1
			0	0	0
+1	0	+1

表7

其中，借助于表3所示的卷积模板，能够进行如下卷积运算：

将左上方的像素与-1相乘，将右上方相邻的像素与1相乘，之后求和，假设得到结果A；将左下方的像素与-1相乘，将右下方相邻的像素与+1相乘，之后求和，假设得到结果B；之后，对A、B进行求和运算，得到基于表3所示卷积模板所对应像素的计算结果F。

类似地，借助于表4所示的卷积模板，能够进行如下卷积运算：

将左上方的像素与-1相乘，将左下方相邻的像素与+1相乘，之后求和，假设得到结果C；将右上方的像素与-1相乘，将右下方相邻的像素与+1相乘，之后求和，假设得到结果D；之后，对C、D进行求和运算，得到基于表4所示卷积模板所对应像素的计算结果F。

类似地，通过表5、表6和表7所示的卷积模板同样进行类似的运算，区别在于，在进行卷积时，实际上得到了非相邻像素间的差值，表5、表6和表7中“0”所对应的像素因为与0相乘，因此在求和时不会影响计算结果。

在本发明的其他实施例中，还可以采用其他形式的卷积模板，卷积模板的规模和其中的数值可以根据实际需要进行灵活配置，只要卷积模板能够体现出参与卷积计算的像素间差异即可。

另外，在进行多次卷积遍历时，可以使用完全相同的卷积模板，也可以在进行一次卷积遍历时使用一卷积模板，在二次卷积遍历时，使用另一不同的卷积模板。

并且，目标图像区域的清晰度特征可以包括多个子特征，在对目标图像区域进行每次卷积遍历后，将得到一个子特征，这样，多次卷积结果得到的多个子特征就能够构成目标图像区域的清晰度特征。

另外，在确定目标图像的清晰度（模糊度）或清晰（模糊）区域时，往往以目标图像区域为单位进行确定，并且以目标图像区域为单位进行测量，而目标图像区域所包含的像素规模将大于卷积模板的规模，所以在对目标图像区域进行每次卷积遍历时，需要以像素为单位，将本次卷积所使用的卷积模板作为滑动窗在目标图像区域中移动以遍历图像区域中的部分或全部像素，在每次移动卷积模板的情况下均在至少横向或至少纵向上对卷积模板当前对应的像素进行卷积，确定表示像素间差异的参数；对多次移动卷积模板得到的参数进行统计，将统计后的结果作为一子特征。也就是说，不论是对目标图像进行一次卷积遍历、二次卷积遍历、三次卷积遍历、还是更高次的卷积遍历，在每一次卷积遍历过程中，如果卷积模板小于图像区域的规模，都会多次移动卷积模板并在每一次移动时都得到卷积结果，而多次移动后得到的所有卷积结果的统计，就可以作为本次卷积遍历（例如，一次卷积遍历、二次卷积遍历或其他次卷积遍历）后的得到的子特征。

也就是说，卷积模板位于初始位置时，对卷积模板当前所对应的像素进行卷积，例如，可以单独使用表1至表7所示的模板对像素进行卷积，得到一结果（例如，上述的结果F），将该结果称为F₁，之后将卷积模板向一方向（横向或纵向）移动一个像素，对卷积模板当前对应的像素进行卷积得到卷积结果，例如，F₂，以此类推，通过多次横向和/或纵向移动，使得卷积模板遍历目标图像区域中的部分或所有位置（卷积模板的移动方式不限，只要能够遍历目标图像区域中的所有位置即可），在每次移动后都会进行卷积并得到表示卷积模板当前对应像素间差异的参数（可以认为该参数表示差异的幅度），假设进行了N次移动，得到结果F₁、F₂、……、F_N+1，之后，对多次移动卷积模板后得到的参数进行统计，就能够得到对目标图像区域进行本次卷积遍历后得到的子特征。

在对目标图像区域进行多次卷积的过程中，每次卷积都可以参照上述方式进行，得到一统计结果。

例如，当单独使用表1所示模板进行卷积遍历的过程中，每次移动卷积模板对两个像素进行卷积计算时，实际上都是在横向上进行像素间的卷积，得到横向上像素间的差异，最终，得到的子特征实际上反应了横向上像素间的差异。当单独使用表2所示的卷积模板进行卷积遍历的过程中，每次移动卷积模板对两个像素进行卷积计算时，实际上都是在纵向上进行像素间的卷积，得到纵向上像素间的差异，最终，得到的子特征实际上反应了纵向上像素间的差异。

另外，表1至表7所示的卷积模板（也可以是其他未示出的卷积模板）可以组合使用，此时，组合使用的每个卷积模板可以称为卷积子模板，在使用两个卷积模板时，每次进行卷积遍历过程中使用的卷积模板至少可以包括第一子模板和/或第二子模板，其中，所述第一子模板用于获取横向上像素之间的差异，所述第二子模板用于获取纵向上像素之间的差异，像素间差异的参数根据横向上和/或纵向上的卷积结果得到。这样，每次移动模板进行卷积时，就不仅仅能够单独得到横向上或纵向上像素间的差异，而是可以结合横向和纵向上的差异，得到综合反映横向和纵向上差异的参数。例如，可以将表1与表2所示的模板组合使用。此时，假设卷积模板在初始位置时，表1左侧的“-1”对应一个像素P，表2中上方的“-1”同样对应于该像素P，表1右侧的“+1”对应该像素P右侧相邻的像素，表2中下方的“+1”对应于该像素P下方相邻的像素。这样，通过表1所示的卷积模板进行卷积，得到结果A，通过表2所示的卷积模板进行卷积可以得到结果B，之后计算（A²+B²）得到结果F₁，F₁就是能够表示像素P与右侧相邻像素与下方相邻像素之间差异的参数，该参数表示的是像素之间水平方向上的差异和垂直方向上的差异，该参数可以称为差异的幅度值（在另一实施例中，也可以将（A²+B²）的平方根作为幅度值，这样，在后续每次移动卷积模板计算幅度值时，也需要进行相同的计算）。之后，将两个卷积子模板进行移动，保证表1和表2所示模板的“-1”对应于像素P以外的另一像素，根据上述的方式得到幅度值F₂，直至遍历目标图像区域中所有的像素，假设进行了N次移动，得到结果F₁、F₂、……、F_N+1，将针对每个像素得到的幅度值进行汇总和统计，就能够得到本次对目标图像区域进行卷积遍历后得到的子特征。

类似地，还可以将表3和表4所示的模板按照上述方式组合使用，也可以将表6和表7所示的卷积模板按照上述方式组合使用。

在一个实施例中，在确定目标图像区域的清晰度时，可以根据多个子特征之间的差异，确定目标图像区域的清晰度，其中，子特征之间的差异越小则表示目标图像区域的清晰度越高。因此，在本实施例中，可以将目标图像区域的多个子特征进行相互比较。

由于在对目标图像区域进行每次卷积遍历后，得到的都是一个统计后的子特征，因此，为了方便进行子特征之间的差异比对，在统计时，可以通过图形和/或图表对一次卷积遍历过程中多次移动卷积模板得到的卷积结果进行统计，产生通过本次卷积遍历过程得到的子特征。在一个可选实施例中，可以借助于直方图来确定上述结果F₁、F₂、……、F_N+1落入不同区间的次数，将统计的结果作为对目标图像区域进行本次卷积遍历后得到的子特征，例如，直方图的横坐标表示结果值的不同区间，纵坐标表示落入每个区间的结果的次数。借助于形象的表现，能够提高比较的效率，提高比较的准确性。此外，也可以通过数组、曲线图等其他方式来统计并表示一次卷积遍历过程中多次移动卷积模板后得到的卷积结果，将统计后的结果作为对目标图像区域进行本次卷积遍历后得到的子特征。

在另一实施例中，可以通过样本训练的方式来进行卷积结果的差异化比对。此时，需要预先通过给定图像以及该给定图像的清晰度特征（可以包括多个子特征）以及对应的清晰度作为样本进行训练（例如，可以对分类器进行训练），得到确定图像区域的清晰度时的判断规律；并且，在确定目标图像区域的清晰度时，可以根据判断规律以及目标图像区域的清晰度特征（其中同样可以可以包括多个子特征，也可以是一个总体的清晰度特征），确定目标图像区域的清晰度。由于用于训练的给定图像的清晰度是已知，所以在通过多个图像（包括清楚的图像、模糊的图像、清晰度一般的图像等）进行训练后，就能够学习到清楚/模糊的图像区域的多次卷积遍历得到的子特征之间的差异，进而获得判断规律，借助于该判断规律，就能够确定目标图像区域的清晰度。在训练时，输入给定图像的多个子特征可以是通过直方图表示的统计结果，这样，在实际应用中进行比对时，输入的目标图像区域的清晰度特征（包括多个子特征）同样是通过直方图表示的统计结果，从而便于快速地比对。

在确定目标图像区域的清晰度时，不论是将多个子特征进行彼此间比较，还是基于训练后得到的比较规则进行比较，得到的比较结果都可以进行量化，即，对于目标图像区域的清晰度，可以得到一个数值，称为清晰度值，例如，可以通过0来表示目标图像区域为模糊，通过1来表示目标图像区域为清晰；或者，也可以根据通过多个数值来表示目标图像区域的多个清晰程度或多个模糊程度（例如，当数值高于一预定值时，认为目标图像区域是清晰的）。

在实际应用中，上述的目标图像区域可以是需要检测的目标图像的部分区域（目标图像区域的像素规模可以8×8、16×16，也可以是其他规模），而目标图像可以包含多个目标图像区域，而对于每个目标图像区域，都可以得到一表示清晰度的数值；在对目标图像的多个目标图像区域均确定了清晰度的情况下，就可以根据多个目标图像区域的清晰度确定目标图像的清晰区域和/或模糊区域，还可以对多个目标图像区域的清晰度值进行求和，得到整个目标图像的清晰度值。例如，在通过0表示目标图像区域为模糊，通过1表示目标图像为清晰的实施例中，通过将多个目标图像区域的清晰度值进行求和（或加权求和），得到的结果就可以表示目标图像中所包含的清晰的图像区域的个数，另外，还可以根据目标图像中目标图像区域的总数以及清晰的目标图像区域的数量，确定清晰的目标图像区域在目标图像中所占的比例，进而有助于判断目标图像是否是清晰的。并且，对于目标图像得到清晰度值，可以通过百分比的方式进行显示，例如，假设目标图像中有40%的图像区域是清晰的，则可以显示“40%”，可选地，可以配以柱状图来表示该比例（对模糊区域，同样可以通过类似的方式，这样就量化显示该了图像中模糊或者清楚区域的面积）。

对于对目标图像中的模糊区域、和/或清晰区域、和/或模糊区域与清晰区域之间的边界，可以进行区别化标识，从而在显示目标图像区域时，能够清楚地体现出清晰的区域和模糊的区域。例如，可以对模糊区域进行黑白显示而不显示彩色图像，或者，可以对清晰区域（或模糊区域）的位置显示特定符号，以提示该区域是清晰（或模糊）的；或者可以对模糊区域进行变暗显示；此外，还可以在清晰区域与模糊区域之间的边界处绘制线条，从而进行区域的分隔。

在实际应用中，本发明的上述方案可以对多种场景中提供的目标图像进行检测，例如，可以对图像采集设备进行自动/手动对焦过程中采集的图像进行检测，而通过对不同清晰度的区域进行区别化标识和显示，能够让图像采集设备将当前对焦过程中的清晰和/或模糊区域明确地提示给图像采集设备的使用者，当使用者改变取景位置或焦距时，本发明能够及时且快速地对当前的图像进行清晰度的确定，并显示清楚区域和/或模糊区域的位置和范围，从而有助于使用者根据实际需求对期望的对象进行清晰的拍照或拍摄，有效提高了用户体验。

具体而言，在自动对焦的情况下，借助于本发明的方案，可以检测主目标或者用户指定区域是否合焦，如该区域模糊，判定为不合焦，然后驱动镜头直到该区域清楚为止。相机合焦质量的好坏取决于判断是否合焦算法的精确度。本发明的精确度远高于传统算法，所以能提高相机自动对焦的性能。

在手动对焦的情况下，用户使用相机拍摄时，主要通过液晶显示屏或者取景框来判断拍摄目标是否合焦。但是因为液晶显示屏和取景框分辨率较低，用户很难准确判断所拍摄照片哪部分是清楚的哪部分是模糊的。利用本发明，在检出模糊清楚区域后，可以对其进行增强对比显示，比如改变亮度，增强清楚区域边缘等。这样用户便能清楚的知道当前照片哪一部分是清楚的哪一部分是模糊的，利用这些信息可以快速准确的按自己的意图对焦。

此外，目标图像还可以是已经拍照完毕得到的图像，由于对目标图像能够得到一个清晰度值，因此，可以将目标图像的清晰度值与清晰度阈值进行比较，从而确定目标图像是否清晰。在实际应用中，可能存在大量的图像有待根据清晰度进行筛选，例如，用户可能获得了大量未经筛选的照片，而借助本发明的方案，能够快速地确定每个图像的清晰度值，并分别与清晰度阈值进行比较，从而根据清晰度对大量图像进行分类，例如，可以直接将清晰度低于预定阈值的图像删除或存入其他文件夹，便于用户快速地筛选照片。另外，在筛选照片时，可以将本发明的技术与其它技术（比如Saliency）相结合，从而判断用户想拍摄的主目标是否清楚，如果主目标模糊则判断该照片失败（例如，后续可以删除该照片）。

由于本发明的技术方案采用的主要是卷积计算，因此，计算复杂度很低，计算速率很快，因此，有助于大规模并行执行，不仅能够在图像帧或照片内的多个图像区域进行并行处理，还能过对多个图像帧或照片进行并行处理，从而具有很高的处理效率，减少用户的等待。

另外，在现有技术中，可以通过轮廓的强弱来区分模糊和清楚区域，但是，也有很多情况是无法通过轮廓的强弱来区分模糊和清楚区域的，因此，传统技术中很多基于边缘检测的技术将存在较大的误差。而本发明基于多次卷积的结果来确定图像区域的清晰度，实际上是判断像素之间的变化趋势，因此具有很好的检测精度，能够很好地克服上述问题。

如上所述，由于在每次基于卷积模板进行卷积遍历时，如果卷积的像素仅仅是相邻的两个像素，并且一个像素与1相乘，而另一像素与-1相乘，则该卷积实际上可以等同于微分运算的过程，所以下面将从微分的角度，详细描述本发明技术方案的细节。其中，在仅获取相邻两个像素的差异的情况下，一次卷积遍历过程可以认为是进行一阶微分，进行二次卷积遍历过程则可以认为是进行二阶微分，以此类推。

参照图2，可以看出，经过对原图进行一阶微分、二阶微分、和三阶微分，模糊区域的轮廓随着微分的阶数升高而变弱，清楚区域的轮廓则变化较小。参照图3，可以看出，对清楚区域进行一阶微分、二阶微分、和三阶微分，微分的结果变化并不显著，但是对模糊区域进行一阶微分、二阶微分、和三阶微分，微分的结果差异较为明显。本发明正是基于这一出发点，提出了改进方案。

由于微分的过程实际上是加减法运算，因此，对原像素进行一阶微分（一次卷积遍历）后，像素的规模会减少1，在此基础上进行二阶微分（二次卷积遍历）后，像素规模会进一步减少1，以此类推。如图4所示，假设原像素数为N+3，则在进行三阶微分（三次卷积遍历）后，像素数将变为N。

图5是在4×4的滑动窗内进行微分的示意图。

其中，一阶微分可以参照以下公式进行：

$\frac{\mathrm{dI}}{\mathrm{dx}}\≈\frac{\mathrm{\ΔI}}{\mathrm{\Δx}}=\frac{I_{x+1}-I_x}{(x+1)-x}=I_{x+1}-I_x={\mathrm{\ΔI}}_x$

$\frac{\mathrm{dI}}{\mathrm{dy}}\≈\frac{\mathrm{\ΔI}}{\mathrm{\Δy}}=\frac{I_{y+1}-I_y}{(y+1)-y}=I_{y+1}-I_y={\mathrm{\ΔI}}_y.$

二阶微分可以参照以下公式进行：

$\frac{d{\mathrm{\ΔI}}_x}{\mathrm{dx}}\≈{\mathrm{\ΔI}}_{x+1}-{\mathrm{\ΔI}}_x={\mathrm{\Δ}}^2{I}_x$

$\frac{d{\mathrm{\ΔI}}_y}{\mathrm{dy}}\≈{\mathrm{\ΔI}}_{y+1}-{\mathrm{\ΔI}}_y={\mathrm{\Δ}}^2{I}_y.$

三阶微分可以参照以下公式进行：

$\frac{d{\mathrm{\Δ}}^2{I}_x}{\mathrm{dx}}\≈{\mathrm{\Δ}}^2{I}_{x+1}-{\mathrm{\Δ}}^2{I}_x={\mathrm{\Δ}}^3{I}_x$

$\frac{d{\mathrm{\Δ}}^2{I}_y}{\mathrm{dy}}\≈{\mathrm{\Δ}}^2{I}_{y+1}-{\mathrm{\Δ}}^2{I}_y={\mathrm{\Δ}}^3{I}_y.$

特征的提取可以基于N×N的目标图像区域，一个目标图像区域中提取一个最终特征，该最终特征就可以作为上述的清晰度特征，而该最终特征可以包括多个子特征，（每个子特征可以是如图6a所示直方图表示的特征），在一个目标图像区域中提取结果时，可以多次移动滑动窗，每移动一次滑动窗（每次移动后，将滑动窗当前覆盖的区域视为上述的目标图像区域），提取一次微分结果（滑动窗处于初始位置时，也进行一次提取），并且可以对多次提取的微分结果进行统计，得到上述的一个子特征。滑动窗的大小可以是16乘以16，也可以是其他尺寸（例如，16乘以8、8乘以8等），在每次移动滑动窗得到当前需要检测清晰度的目标图像区域时，可以移动多个像素，例如，可以移动8像素、16像素或其他值。其中，目标图像区域中，对每个点每次提取的微分结果表示为：

图6a示出了通过直方图来表示对图像区域进行每一阶微分后得到的结果分布，也就是说，图6a所示的直方图可以认为是构成最终清晰度特征的一个子特征，其中，直方图的横坐标表示结果所在的范围，每个柱为一个bin，每次得到的结果都能够找到对应的区间，每次得到的结果所在的区间可以表示为根据每次得到的结果所对应范围的n的取值，对相应的bin进行“+1”操作。图6b示出了进行三阶微分后得到的结果的汇总。即，进行三阶微分后，最终的清晰度特征由一阶微分的结果、二阶微分的结果、和三阶微分的结果组合后得到，其中，一阶微分的结果、二阶微分的结果、三阶微分的结果都分别可以视为上述的一个子特征，三个子特征的组合就是该图像区域的清晰度特征。

参见图7可以看出，对于清楚区域和模糊区域的直方图结果中Bin的差值进行归一化后，模糊区域与清楚区域的特征有很强的区分度，并且集中在高值区域。这样，就能够区分图像中的清楚区域和模糊区域。

在进行区分时，可以借助于分类器来进行。首先，应当对分类器进行训练，具体地，应当提供训练图片，并从目标区域（patch）中提取特征，进而得到多个特征向量（即，每个特征向量都对应于一个目标图像区域，为该目标图像区域的清晰度特征，可以由多个子特征进行组合表示），由于训练图片的清楚区域和/或模糊区域是已知的，这样就能够使分类器学习到判断图像是否清晰（模糊）的规则，并存储在字典中。根据字典中存储的规则，分类器就能够类似的方式确定待检测图片中的清楚（模糊）区域。

根据本发明的实施例，还提供了一种图像检测装置。

如图8所示，根据本发明实施例的图像检测装置包括：

计算模块81，用于对目标图像中的目标图像区域进行多次卷积遍历，得到多个卷积结果，其中，在每次进行卷积遍历时，使用卷积模板进行卷积，该卷积模板被配置用于体现目标图像区域中参与卷积计算的像素之间的差异；

确定模块82，用于根据多次卷积遍历得到的多个卷积结果得到目标图像区域的清晰度特征，并根据清晰度特征确定目标图像区域的清晰度。

其中，上述清晰度特征包括多个子特征，在所述计算模块对所述目标图像区域进行每次卷积遍历后得到一个子特征。

并且，在进行每次卷积得到子特征时，计算模块81用于以像素为单位，将本次卷积所使用的卷积模板作为滑动窗在目标图像区域中移动以遍历图像区域中的部分或全部像素，在每次移动卷积模板的情况下均在至少横向或至少纵向上对卷积模板当前对应的像素进行卷积，确定表示像素间差异的参数；并且，计算模块81还用于对多次移动卷积模板后得到的参数进行统计，将统计结果作为子特征。

其中，上述卷积模板包括第一子模板和/或第二子模板，其中，第一子模板用于获取横向上像素的卷积结果，第二子模板用于获取纵向上像素的卷积结果，计算模块81用于根据横向上和/或纵向上的卷积结果得到像素间差异的参数。

根据本发明实施例的图像检测装置可以进一步包括：

图形化模块（未示出），用于通过图形和/或图表对多次移动卷积模板得到的参数进行统计，将统计后得到的图形和/或图表作为本次卷积得到的子特征。

在一实施例中，确定模块82可用于根据多次卷积遍历得到的多个子特征之间的差异，确定目标图像区域的清晰度，其中，子特征之间的差异越小则表示目标图像区域的清晰度越高。

另一实施例中，该装置可以进一步包括：

训练模块（未示出），用于预先通过给定图像以及该给定图像的清晰度特征以及对应的清晰度作为样本进行训练（例如，可以对分类器进行训练），得到确定图像区域的清晰度时的判断规律；并且，确定模块82用于根据判断规律以及目标图像区域的清晰度特征，确定目标图像区域的清晰度。

此外，目标图像区域可以为需要检测的目标图像的部分区域，也可以是需要检测的目标图像的全部，并且，在目标图像区域为目标图像的部分区域的情况下，确定模块82可以进一步用于在对目标图像的多个目标图像区域均确定了清晰度的情况下，根据多个目标图像区域的清晰度确定目标图像的清晰区域和/或模糊区域，其中，多个目标图像区域覆盖目标图像的部分或全部区域。

并且，目标图像为图像采集设备自动/手动对焦过程中采集的图像。

此外，该装置还可以进一步包括：

标识模块（未示出），用于对目标图像中的模糊区域、和/或清晰区域、和/或模糊区域与清晰区域之间的边界进行区别化标识。

另外，确定模块81进一步用于对每个目标图像区域，通过数值来表示该目标图像区域是否为清晰区域；并且，确定模块进一步用于根据多个目标图像区域的数值，对目标图像的清晰度进行量化，得到量化后的清晰度结果。

该装置可以进一步包括：

比较模块（未示出），用于将目标图像的量化后的清晰度结果与清晰度阈值进行比较，确定目标图像是否清晰。

根据本发明实施例的上述装置同样能够执行方法实施例中所描述的处理，这里不再重复。

综上所述，本发明通过对图像区域进行多次卷积遍历，确定出图像区域的清晰度特征，由于清晰度较高与清晰度较低的区域相比，多次卷积遍历后结果之间的差异较小（子特征之间的差异变化较小），从而能够准确地确定图像区域的清晰度，具有良好的检测精度；并且，由于对图像的区域进行的计算方式为卷积，所以能避免采用复杂的运算，有效降低了检测的复杂度，并且简单的计算方法有助于对目标图像的多个区域进行并行检测，从而有效缩短了检测所占用的时间，显著提高了检测效率。另外，在确定了模糊区域和/或清楚区域后，可以通过区别化的体现方式提示用户，方便用户进行图像拍摄；另外，本发明还可适用于对大量图片进行筛选，为用户提供便利。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用它们的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。

在通过软件和/或固件实现本发明的实施例的情况下，从存储介质或网络向具有专用硬件结构的计算机，例如图9所示的通用计算机900安装构成该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等等。

在图9中，中央处理模块（CPU）801根据只读存储器（ROM）802中存储的程序或从存储部分808加载到随机存取存储器（RAM）803的程序执行各种处理。在RAM803中，也根据需要存储当CPU801执行各种处理等等时所需的数据。CPU801、ROM802和RAM803经由总线804彼此连接。输入/输出接口805也连接到总线804。

下述部件连接到输入/输出接口805：输入部分806，包括键盘、鼠标等等；输出部分807，包括显示器，比如阴极射线管（CRT）、液晶显示器（LCD）等等，和扬声器等等；存储部分808，包括硬盘等等；和通信部分809，包括网络接口卡比如LAN卡、调制解调器等等。通信部分809经由网络比如因特网执行通信处理。

根据需要，驱动器810也连接到输入/输出接口805。可拆卸介质811比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器810上，使得从中读出的计算机程序根据需要被安装到存储部分808中。

在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质811安装构成软件的程序。

本领域的技术人员应当理解，这种存储介质不局限于图9所示的其中存储有程序、与装置相分离地分发以向用户提供程序的可拆卸介质811。可拆卸介质811的例子包含磁盘（包含软盘（注册商标））、光盘（包含光盘只读存储器（CD-ROM）和数字通用盘（DVD））、磁光盘（包含迷你盘（MD）（注册商标））和半导体存储器。或者，存储介质可以是ROM802、存储部分808中包含的硬盘等等，其中存有程序，并且与包含它们的装置一起被分发给用户。

还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

虽然已经详细说明了本发明及其优点，但是应当理解在不脱离由所附的权利要求所限定的本发明的精神和范围的情况下可以进行各种改变、替代和变换。而且，本申请的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。

Claims (24)

1.一种图像检测方法，其特征在于，包括：

对目标图像中的目标图像区域进行多次卷积遍历，得到多个卷积结果，其中，在每次进行卷积遍历时，使用卷积模板进行卷积，该卷积模板被配置用于体现所述目标图像区域中参与卷积计算的像素之间的差异；

根据多次卷积遍历得到的所述多个卷积结果得到所述目标图像区域的清晰度特征，并根据所述清晰度特征确定所述目标图像区域的清晰度。

2.根据权利要求1所述的图像检测方法，其特征在于，所述清晰度特征包括多个子特征，在对所述目标图像区域进行每次卷积遍历后得到一个子特征。

3.根据权利要求2所述的图像检测方法，其特征在于，得到子特征的处理包括：

以像素为单位，将本次卷积所使用的卷积模板作为滑动窗在目标图像区域中移动以遍历所述图像区域中的部分或全部像素，在每次移动卷积模板的情况下均在至少横向或至少纵向上对卷积模板当前对应的像素进行卷积，确定表示像素间差异的参数；

对多次移动卷积模板得到的参数进行统计，将统计后的结果作为子特征。

4.根据权利要求3所述的图像检测方法，其特征在于，所述卷积模板包括第一子模板和/或第二子模板，其中，所述第一子模板用于获取横向上像素之间的差异，所述第二子模板用于获取纵向上像素之间的差异，像素间差异的参数根据横向上和/或纵向上的卷积结果得到。

5.根据权利要求3所述的图像检测方法，其特征在于，通过图形和/或图表对多次移动卷积模板得到的参数进行统计，将统计后得到的图形和/或图表作为本次卷积得到的子特征。

6.根据权利要求2所述的图像检测方法，其特征在于，确定所述目标图像区域的清晰度包括：

根据所述多个子特征之间的差异，确定所述目标图像区域的清晰度，其中，子特征之间的差异越小则表示目标图像区域的清晰度越高。

7.根据权利要求1所述的图像检测方法，其特征在于，进一步包括：

预先通过给定图像以及该给定图像的清晰度特征和对应的清晰度作为样本进行训练，得到确定图像区域的清晰度时的判断规律；

并且，确定所述目标图像区域的清晰度包括：

根据所述判断规律以及所述目标图像区域的清晰度特征，确定所述目标图像区域的清晰度。

8.根据权利要求1所述的图像检测方法，其特征在于，所述目标图像区域为需要检测的目标图像的部分区域，并且，所述区域检测方法进一步包括：

在对所述目标图像的多个目标图像区域均确定了清晰度的情况下，根据所述多个目标图像区域的清晰度确定所述目标图像的清晰区域和/或模糊区域，其中，所述多个目标图像区域覆盖所述目标图像的部分或全部区域。

9.根据权利要求8所述的图像检测方法，其特征在于，所述目标图像为图像采集设备自动/手动对焦过程中采集的图像。

10.根据权利要求8或9所述的图像检测方法，其特征在于，对所述目标图像中的模糊区域、和/或清晰区域、和/或模糊区域与清晰区域之间的边界进行区别化标识。

11.根据权利要求8所述的图像检测方法，其特征在于，进一步包括：

对于每个目标图像区域，通过数值来表示该目标图像区域是否为清晰区域；

根据所述多个目标图像区域的数值，对所述目标图像的清晰度进行量化，得到量化后的清晰度结果。

12.根据权利要求11所述的图像检测方法，其特征在于，进一步包括：

将所述目标图像的量化后的清晰度结果与清晰度阈值进行比较，确定所述目标图像是否清晰。

13.一种图像检测装置，其特征在于，包括：

计算模块，用于对目标图像中的目标图像区域进行多次卷积遍历，得到多个卷积结果，其中，在每次进行卷积遍历时，使用卷积模板进行卷积，该卷积模板被配置用于体现所述目标图像区域中参与卷积计算的像素之间的差异；

确定模块，用于根据多次卷积遍历得到的所述多个卷积结果得到所述目标图像区域的清晰度特征，并根据所述清晰度特征确定所述目标图像区域的清晰度。

14.根据权利要求13所述的图像检测装置，其特征在于，所述清晰度特征包括多个子特征，在所述计算模块对所述目标图像区域进行每次卷积遍历后得到一个子特征。

15.根据权利要求14所述的图像检测装置，其特征在于，在得到每个子特征时，所述计算模块用于以像素为单位，将本次卷积所使用的卷积模板作为滑动窗在目标图像区域中移动以遍历所述图像区域中的部分或全部像素，在每次移动卷积模板的情况下均在至少横向或至少纵向上对卷积模板当前对应的像素进行卷积，确定表示像素间差异的参数，并对多次移动卷积模板后得到的参数进行统计，将统计后的结果作为子特征。

16.根据权利要求15所述的图像检测装置，其特征在于，所述卷积模板包括第一子模板和/或第二子模板，其中，所述第一子模板用于获取横向上像素的卷积结果，所述第二子模板用于获取纵向上像素的卷积结果，所述计算模块用于根据横向上和/或纵向上的卷积结果得到像素间差异的参数。

17.根据权利要求15所述的图像检测装置，其特征在于，进一步包括：

图形化模块，用于通过图形和/或图表对多次移动卷积模板得到的卷积结果进行统计，将统计后得到的图形和/或图表作为本次卷积得到的子特征。

18.根据权利要求14所述的图像检测装置，其特征在于，所述确定模块用于根据所述多个子特征之间的差异，确定所述目标图像区域的清晰度，其中，子特征之间的差异越小则表示目标图像区域的清晰度越高。

19.根据权利要求13所述的图像检测装置，其特征在于，进一步包括：

训练模块，用于预先通过给定图像以及该给定图像的清晰度特征和对应的清晰度作为样本进行训练，得到确定图像区域的清晰度时的判断规律；

并且，所述确定模块用于根据所述判断规律以及所述目标图像区域的清晰度特征，确定所述目标图像区域的清晰度。

20.根据权利要求13所述的图像检测装置，其特征在于，所述目标图像区域为需要检测的目标图像的部分区域，并且，所述确定模块进一步用于在对所述目标图像的多个目标图像区域均确定了清晰度的情况下，根据所述多个目标图像区域的清晰度确定所述目标图像的清晰区域和/或模糊区域，其中，所述多个目标图像区域覆盖所述目标图像的部分或全部区域。

21.根据权利要求20所述的图像检测装置，其特征在于，所述目标图像为图像采集设备自动/手动对焦过程中采集的图像。

22.根据权利要求20或21所述的图像检测装置，其特征在于，进一步包括：

标识模块，用于对所述目标图像中的模糊区域、和/或清晰区域、和/或模糊区域与清晰区域之间的边界进行区别化标识。

23.根据权利要求20所述的图像检测装置，其特征在于，所述确定模块进一步用于对每个目标图像区域，通过数值来表示该目标图像区域是否为清晰区域；并且，所述确定模块进一步用于根据所述多个目标图像区域的数值，对所述目标图像的清晰度进行量化，得到量化后的清晰度结果。

24.根据权利要求23所述的图像检测装置，其特征在于，进一步包括：

比较模块，用于将所述目标图像的量化后的清晰度结果与清晰度阈值进行比较，确定所述目标图像是否清晰。