CN105488511B - 图像的识别方法及装置 - Google Patents
图像的识别方法及装置 Download PDFInfo
- Publication number
- CN105488511B CN105488511B CN201510834031.1A CN201510834031A CN105488511B CN 105488511 B CN105488511 B CN 105488511B CN 201510834031 A CN201510834031 A CN 201510834031A CN 105488511 B CN105488511 B CN 105488511B
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- distribution map
- fuzzy distribution
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于图像的识别方法及装置。该方法包括:获取当前图像中每个像素点的梯度值;确定每个像素点的邻域;根据预设梯度阈值和每个像素点的邻域中的各像素点的梯度值,确定当前图像的初始模糊分布图;将初始模糊分布图进行处理,以得到初始模糊分布图中的最大连通区域;当最大连通区域位于初始模糊分布图的目标中心区域时,确定最大连通区域为当前图像的前景区域,且当前图像为前景清晰、背景模糊的图像。该技术方案,可以在确定出该最大连通区域后,如果该最大连通区域刚好位于该初始模糊分布图的目标中心区域,则能够准确地确定该当前图像为前景清晰、背景模糊的图像。
Description
技术领域
本公开涉及图像识别技术领域,尤其涉及图像的识别方法及装置。
背景技术
现有技术中的图像识别技术只能识别整张图是否模糊,无法识别一些前背景模糊度显著不同的图像,如背景虚化的图像。为了更好地识别前背景模糊度显著不同的图像,其最佳的解决方法就是将前景和背景分开,以分别识别前景模糊度和背景模糊度,但这涉及到将模糊度不同图像的前景和背景进行分割的问题,而这种将前景和背景进行分割的方法复杂度较高,处理起来相当麻烦。
发明内容
本公开实施例提供了图像的识别方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种图像的识别方法,包括:
获取当前图像中每个像素点的梯度值;
确定所述每个像素点的邻域;
根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图;
将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
当所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
在一个实施例中,所述方法还包括:
当所述最大连通区域没有位于所述目标中心区域时,确定所述当前图像为预设模糊图像。
在一个实施例中,所述方法还包括:
当所述最大连通区域位于所述目标中心区域时,确定所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值;
根据所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值,确定所述最大连通区域中的所有像素点的像素值的均值;
根据所述像素值的均值确定所述前景区域的模糊度。
在一个实施例中,所述方法还包括:
根据所述初始模糊分布图的尺寸大小、所述初始模糊分布图的中心点和第一预设半径,确定所述目标中心区域。
在一个实施例中,所述获取当前图像中每个像素点的梯度值,包括:
对所述当前图像进行归一化处理,得到归一化图像;
使用预设图像模板,将所述归一化图像进行卷积处理,以得到卷积处理后的所述归一化图像中的每个像素点的横向梯度和纵向梯度;
根据所述每个像素点的横向梯度和纵向梯度,获取所述每个像素点的梯度值。
在一个实施例中,所述每个像素点的邻域包括:以所述每个像素点的坐标值为中心,以预设长度为第二预设半径的区域;
所述根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图,包括:
确定所述每个像素点的邻域中梯度值大于所述预设梯度阈值的目标像素点;
确定所述目标像素点的梯度的均值;
根据所述每个像素点的邻域对应的所述梯度的均值、和所述每个像素点的坐标值,生成所述初始模糊分布图。
在一个实施例中,所述将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域,包括:
将所述初始模糊分布图进行二值化处理;
将二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域;
从所述至少一个连通区域中确定出所述最大连通区域。
在一个实施例中,所述将所述初始模糊分布图进行二值化处理,包括:
将所述初始模糊分布图中的每个像素点的像素值与预设像素值阈值进行比较;
确定所述初始模糊分布图中像素值大于所述预设像素值阈值的第一像素点和确定所述初始模糊分布图中像素值小于或等于所述预设像素值阈值的第二像素点;
将所述第一像素点的像素值设置为第一像素值,将所述第二像素点的像素值设置为第二像素值;
所述将二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域,包括:
按照所述第一像素值和所述第二像素值,对二值化处理后的所述初始模糊分布图进行连通域分析,以得到所述至少一个连通区域,其中,所述至少一个连通区域每个连通区域中的各像素点的像素值均为所述第一像素值或均为所述第二像素值。
根据本公开实施例的第二方面,提供一种图像的识别装置,包括:
获取模块,用于获取当前图像中每个像素点的梯度值;
第一确定模块,用于确定所述获取模块获取的所述每个像素点的邻域;
第二确定模块,用于根据预设梯度阈值和所述第一确定模块确定的所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图;
处理模块,用于将所述第二确定模块确定的所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
第三确定模块,用于当所述处理模块获得的所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
在一个实施例中,所述装置还包括:
第四确定模块,用于当所述处理模块获得的所述最大连通区域没有位于所述目标中心区域时,确定所述当前图像为预设模糊图像。
在一个实施例中,所述装置还包括:
第五确定模块,用于当所述最大连通区域位于所述目标中心区域时,确定所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值;
第六确定模块,用于根据所述第五确定模块确定的所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值,确定所述最大连通区域中的所有像素点的像素值的均值;
第七确定模块,用于根据所述第六确定模块确定的所述像素值的均值确定所述前景区域的模糊度。
在一个实施例中,所述装置还包括:
第八确定模块,用于根据所述初始模糊分布图的尺寸大小、所述初始模糊分布图的中心点和第一预设半径,确定所述目标中心区域。
在一个实施例中,所述获取模块包括:
第一处理子模块,用于对所述当前图像进行归一化处理,得到归一化图像;
第二处理子模块,用于使用预设图像模板,将所述第一处理子模块获得的所述归一化图像进行卷积处理,以得到卷积处理后的所述归一化图像中的每个像素点的横向梯度和纵向梯度;
获取子模块,用于根据所述第二处理子模块获得的所述每个像素点的横向梯度和纵向梯度,获取所述每个像素点的梯度值。
在一个实施例中,所述每个像素点的邻域包括:以所述每个像素点的坐标值为中心,以预设长度为第二预设半径的区域;
所述第二确定模块包括:
第一确定子模块,用于确定所述每个像素点的邻域中梯度值大于所述预设梯度阈值的目标像素点;
第二确定子模块,用于确定所述第一确定子模块确定的所述目标像素点的梯度的均值;
生成子模块,用于根据所述第二确定子模块确定的所述每个像素点的邻域对应的所述梯度的均值、和所述每个像素点的坐标值,生成所述初始模糊分布图。
在一个实施例中,所述处理模块包括:
第三处理子模块,用于将所述初始模糊分布图进行二值化处理;
分析子模块,用于将所述第三处理子模块获得的二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域;
第三确定子模块,用于从所述分析子模块获得的所述至少一个连通区域中确定出所述最大连通区域。
在一个实施例中,所述第三处理子模块包括:
比较单元,用于将所述初始模糊分布图中的每个像素点的像素值与预设像素值阈值进行比较;
确定单元,用于确定所述比较单元得到的所述初始模糊分布图中像素值大于所述预设像素值阈值的第一像素点和确定所述比较单元得到的所述初始模糊分布图中像素值小于或等于所述预设像素值阈值的第二像素点;
设置单元,用于将所述确定单元确定的所述第一像素点的像素值设置为第一像素值,将所述确定单元确定的所述第二像素点的像素值设置为第二像素值;
所述分析子模块包括:
分析单元,用于按照所述设置单元设置的所述第一像素值和所述第二像素值,对二值化处理后的所述初始模糊分布图进行连通域分析,以得到所述至少一个连通区域,其中,所述至少一个连通区域每个连通区域中的各像素点的像素值均为所述第一像素值或均为所述第二像素值。
根据本公开实施例的第三方面,提供了一种图像的识别装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取当前图像中每个像素点的梯度值;
确定所述每个像素点的邻域;
根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图;
将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
当所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开的实施例提供的技术方案,可以根据该预设梯度阈值和当前图像中每个像素点的邻域中的各像素点的梯度值,将该初始模糊分布图进行处理以得到该初始模糊分布图中的最大连通区域,而该最大连通区域表征该当前图像中对应的区域是清晰的,且前景图像又通常位于该当前图像的中心区域,因而在确定出该最大连通区域后,如果该最大连通区域刚好位于该初始模糊分布图的目标中心区域,则能够准确地确定该当前图像为前景清晰、背景模糊的图像。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像的识别方法的流程图。
图2是根据一示例性实施例示出的另一种图像的识别方法的流程图。
图3是根据一示例性实施例一示出的又一种图像的识别方法的流程图。
图4是根据一示例性实施例一示出的再一种图像的识别方法的流程图。
图5是根据一示例性实施例一示出的再一种图像的识别方法的流程图。
图6是根据一示例性实施例一示出的再一种图像的识别方法的流程图。
图7是根据一示例性实施例一示出的再一种图像的识别方法的流程图。
图8是根据一示例性实施例一示出的再一种图像的识别方法的流程图。
图9是根据一示例性实施例示出的一种图像的识别装置的框图。
图10是根据一示例性实施例示出的另一种图像的识别装置的框图。
图11是根据一示例性实施例示出的又一种图像的识别装置的框图。
图12是根据一示例性实施例示出的再一种图像的识别装置的框图。
图13是根据一示例性实施例示出的再一种图像的识别装置的框图。
图14是根据一示例性实施例示出的再一种图像的识别装置的框图。
图15是根据一示例性实施例示出的再一种图像的识别装置的框图。
图16是根据一示例性实施例示出的再一种图像的识别装置的框图。
图17是根据一示例性实施例示出的适用于指图像的识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
现有技术中的图像识别技术只能识别整张图是否模糊,无法识别一些前背景模糊度显著不同的图像,如背景虚化的图像。为了更好地识别前背景模糊度显著不同的图像,其最佳的解决方法就是将前景和背景分开,以分别识别前景模糊度和背景模糊度,但这涉及到将模糊度不同图像的前景和背景进行分割的问题,而这种将前景和背景进行分割的方法复杂度较高,处理起来相当麻烦。
为了解决上述技术问题,本公开实施例提供了一种图像的识别方法,该方法可用于图像的识别程序、系统或装置中,且该方法对应的执行主体可以是终端(如平板、手机、计算机等),如图1所示,该方法包括步骤S101-S105:
在步骤S101中,获取当前图像中每个像素点的梯度值;
在步骤S102中,确定每个像素点的邻域;
当前图像中每个像素点都有一个横坐标值和纵坐标值,若某个像素点的横坐标值和纵坐标值为(i,j),则其邻域P的横坐标范围为i-R到i+R,纵坐标范围为j-R到j+R的区域,其中R为邻域半径。
在步骤S103中,根据预设梯度阈值和每个像素点的邻域中的各像素点的梯度值,确定当前图像的初始模糊分布图;
该初始模糊分布图中的每个像素点的像素值都是该像素点在当前图像的邻域中梯度值高于预设梯度阈值的像素点的梯度值的均值,因而该均值可以用来表征该邻域最有可能达到的最大清晰度进而间接表示该邻域的模糊度,所以,该初始模糊分布图可以用来衡量该当前图像的清晰度以及该当前图像是否为前景清晰的图像,其中,某个像素点的邻域的梯度值高于该预设梯度阈值的像素点的梯度值的均值越高,表示该邻域的清晰度越高,模糊度越低。
在步骤S104中,将初始模糊分布图进行处理,以得到初始模糊分布图中的最大连通区域;
将该初始模糊分布图进行处理后,可能会得到若干个连通区域,为了便于确定该当前图像是否为前景清晰的图像,可以从该初始模糊分布图中选择连通面积最大的最大连通区域,且该最大连通区域是像素值最大,是均为1的区域、或者像素值均为255的区域。
另外,该初始模糊分布图的大小和该当前图像的大小相等。
在步骤S105中,当最大连通区域位于初始模糊分布图的目标中心区域时,确定最大连通区域为当前图像的前景区域,且当前图像为前景清晰、背景模糊的图像。
由于该最大连通区域中的每个像素点的像素值的像素值均是最大的,因而该最大连通区域可以表征该当前图像中清晰度最高的最大区域,该最大连通区域表征该当前图像中对应的区域是清晰的,而前景图像又通常位于该当前图像的中心区域,所以,该最大连通区域位于该目标中心区域时,说明该最大连通区域在该当前图像中对应的清晰区域位于该当前图像的中心,则可以准确确定该最大连通区域为当前图像的前景区域,且当前图像为前景清晰、背景模糊的图像,相应的该最大连通区域在该当前图像中对应的区域的图像块是该当前图像的前景,剩余部分区域对应的图像块是该当前图像的背景。如图2所示,在一个实施例中,上述方法还可包括:
在步骤S201中,当最大连通区域没有位于目标中心区域时,确定当前图像为预设模糊图像。
当该最大连通区域没有位于该目标中心区域时,说明该最大连通区域在该当前图像中对应的清晰区域并不位于该当前图像的中心,该最大连通区域在该当前图像中对应的清晰区域位于该当前图像的边缘,则可以确定最大连通区域并不是该当前图像的前景区域,该当前图像整体模糊、或前景位置太偏,如接近图像边界,此时,可以确定该当前图像为整体模糊的预设模糊图像、或者该当前图像为前景、背景模糊度差距很小的预设模糊图像。
如图3所示,在一个实施例中,方法还包括:
在步骤S301中,当最大连通区域位于目标中心区域时,确定最大连通区域中各像素点在初始模糊分布图中的第一像素值;
在步骤S302中,根据最大连通区域中各像素点在初始模糊分布图中的第一像素值,确定最大连通区域中的所有像素点的像素值的均值;
在步骤S303中,根据像素值的均值确定前景区域的模糊度。
在确定该最大连通区域位于该目标中心区域时,可以确定该最大连通区域中各像素点在初始模糊分布图中的第一像素值即最大连通区域中各像素点在初始模糊分布图中的原像素值,进而根据该各像素点在初始模糊分布图中的第一像素值,确定出最大连通区域中所有像素点在该初始模糊分布图中的像素值的均值,然后使用该像素值的均值确定该当前图像的前景区域的模糊度,其中,该像素值的均值越大,该当前图像中的前景区域的清晰度越高,模糊度越低。
如图4所示,在一个实施例中,方法还包括:
在步骤S401中,根据初始模糊分布图的尺寸大小、初始模糊分布图的中心点和第一预设半径,确定目标中心区域。
由于初始模糊分布图与当前图像的尺寸大小完全相同,且为了方便处理,可以均是正方形的,因而,在确定该目标中心区域时,可以根据初始模糊分布图的尺寸大小、该初始模糊分布图的中心点和前景区域通常的第一预设半径(如该第一预设半径可以是64mm),来准确确定该目标中心区域,其中,由于该初始模糊分布图与该当前图像的尺寸大小完全相同,因而,该初始模糊分布图的中心点就是该当前图像的中心点,该初始模糊分布图的目标中心区域就是该当前图像的目标中心区域。
如图5所示,在一个实施例中,上述步骤S101可被执行为:
在步骤B1中,对当前图像进行归一化处理,得到归一化图像;
归一化处理是为了使该当前图像的尺寸规格更加标准,以便于后期对该当前图像进行其他操作,具体的处理方式可以将该当前图像进行缩放,使其宽度为256pixel。
在步骤B2中,使用预设图像模板,将归一化图像进行卷积处理,以得到卷积处理后的归一化图像中的每个像素点的横向梯度和纵向梯度;
该预设图像模板可以是3*3的图像模板,而这类3*3的图像模板的横向梯度模板可以是[-1 0 1;
-1 0 1;
-1 0 1]
纵向梯度模板可以是:
[-1 -1 -1;
0 0 0;
1 1 1]
而使用预设图像模板中的横向梯度模板和纵向梯度模板,可以对该当前图像进行卷积处理,从而得到每个像素点的横向梯度dx和纵向梯度dy。
在步骤B3中,根据每个像素点的横向梯度和纵向梯度,获取每个像素点的梯度值。
根据该每个像素点的横向梯度dx和纵向梯度dy,可以准确地得到该每个像素点的梯度值,具体的计算方法如下:
该每个像素点的梯度值d=sqrt(dx^2+dy^2),其中,sqrt()表示求平方根。
如图6所示,在一个实施例中,每个像素点的邻域包括:以每个像素点的坐标值为中心,以预设长度为第二预设半径的区域;
上述步骤S103可被执行为:
在步骤C1中,确定每个像素点的邻域中梯度值大于预设梯度阈值的目标像素点;
每个像素点的邻域中梯度值大于该预设梯度阈值(例如:可以是20)的目标像素点是该邻域中清晰度较高的像素点。
在步骤C2中,确定目标像素点的梯度的均值;
由于每个邻域的目标像素点均是该邻域中清晰度较高的像素点,因而,每个邻域的目标像素点的梯度的均值可以用来表征该邻域中可能达到的最大清晰度。
在步骤C3中,根据每个像素点的邻域对应的梯度的均值、和每个像素点的坐标值,生成初始模糊分布图。
根据每个像素点的邻域对应的该梯度的均值、和该每个像素点的坐标值,生成初始模糊分布图后,该初始模糊分布图中每个像素点的像素值就是相应像素点在该当前图像中邻域的梯度的均值,例如:初始模糊分布图中坐标值为(i,j)的像素点a的像素值为该当前图像中坐标值为(i,j)的像素点a,在该当前图像中的邻域P中梯度值大于该预设梯度阈值的目标像素点的平均梯度值,而由于每个邻域的目标像素点的梯度的均值均可以用来表征该邻域中可能达到的最大清晰度,因而该初始模糊分布图中每个像素点的像素值均表示该当前图像中相应的一个邻域可能达到的最大清晰度,这使得该初始模糊分布图能够从整体上反映出该当前图像的清晰区域和模糊程度,进而使得该初始模糊分布图可以用来判断当前图像是否为前景清晰的图像。
如图7所示,在一个实施例中,上述步骤S104可被执行为:
在步骤D1中,将初始模糊分布图进行二值化处理;
在步骤D2中,将二值化处理后的初始模糊分布图进行连通域分析,得到初始模糊分布图的至少一个连通区域;
在步骤D3中,从至少一个连通区域中确定出最大连通区域。
在获取最大连通区域时,需要先将该初始模糊分布图进行二值化处理,然后在该初始模糊分布图进行形态学操作,填补空洞,从而实现对二值化处理后的初始模糊分布图进行连通域分析,使得每个连通区域中像素值均是相等的,从而得到至少一个连通区域,进而从该至少一个连通区域中确定出连通面积最大的最大连通区域,而该最大连通区域是用于判断该当前区域是否为前景清晰的区域,所以,该最大连通区域同时又是二值化处理后的初始模糊分布图中像素值最大的区域。
如图8所示,在一个实施例中,上述步骤D1可被执行为:
在步骤E1中,将初始模糊分布图中的每个像素点的像素值与预设像素值阈值进行比较;其中,该预设像素值阈值一般为该初始模糊分布图的所有像素点的像素值的均值。
在步骤E2中,确定初始模糊分布图中像素值大于预设像素值阈值的第一像素点和确定初始模糊分布图中像素值小于或等于预设像素值阈值的第二像素点;
在步骤E3中,将第一像素点的像素值设置为第一像素值,将第二像素点的像素值设置为第二像素值;
二值化的过程就是将该初始模糊分布图中像素值大于该预设像素值阈值的第一像素点的像素值均置为相同的如均置为第一像素值,同时,将该初始模糊分布图中像素值小于或等于该预设像素值阈值的第二像素点也置为相同的如均置为第二像素值,为了便于后期进行连通域分析,原则上第一像素值与第二像素值只要是不同的、且该第一像素值大于该第二像素值即可,但为了方便系统进行二值化操作,第一像素值通常为1、或者为255,而第二像素值可以均为0,而当该第一像素值通常为1时,该最大连通区域的像素值就均为1,当该第一像素值通常为255时,该最大连通区域的像素值就均为255,当然,为了方便系统更加快速地进行二值化操作可以将第一像素值置为1,这样处理起来速度会更快。
上述步骤D2可被执行为:
在步骤E4中,按照第一像素值和第二像素值,对二值化处理后的初始模糊分布图进行连通域分析,以得到至少一个连通区域,其中,至少一个连通区域每个连通区域中的各像素点的像素值均为第一像素值或均为第二像素值。
将二值化处理后的初始模糊分布图进行连通域分析的过程就是将该初始模糊分布图中第一像素点的像素值均置为第一像素值、且将位置相邻的第一像素点进行连通,同时将该初始模糊分布图中第二像素点的像素值均置为第二像素值、且将位置相邻的第二像素点进行连通,从而得到像素值均为第一像素值或均为第二像素值的至少一个连通区域。
对应本公开实施例提供的上述图像的识别方法,本公开实施例还提供一种图像的识别装置,如图9所示,该装置包括:
获取模块901,被配置为获取当前图像中每个像素点的梯度值;
第一确定模块902,被配置为确定所述获取模块901获取的所述每个像素点的邻域;
当前图像中每个像素点都有一个横坐标值和纵坐标值,若某个像素点的横坐标值和纵坐标值为(i,j),则其邻域P的横坐标范围为i-R到i+R,纵坐标范围为j-R到j+R的区域,其中R为邻域半径。
第二确定模块903,被配置为根据预设梯度阈值和所述第一确定模块902确定的所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图;
该初始模糊分布图中的每个像素点的像素值都是该像素点在当前图像的邻域中梯度值高于预设梯度阈值的像素点的梯度值的均值,因而该均值可以用来表征该邻域最有可能达到的最大清晰度进而间接表示该邻域的模糊度,所以,该初始模糊分布图可以用来衡量该当前图像的清晰度以及该当前图像是否为前景清晰的图像,其中,某个像素点的邻域的梯度值高于该预设梯度阈值的像素点的梯度值的均值越高,表示该邻域的清晰度越高,模糊度越低。处理模块904,被配置为将所述第二确定模块903确定的所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
将该初始模糊分布图进行处理后,可能会得到若干个连通区域,为了便于确定该当前图像是否为前景清晰的图像,可以从该初始模糊分布图中选择连通面积最大的最大连通区域,且该最大连通区域是像素值最大,是均为1的区域、或者像素值均为255的区域。
另外,该初始模糊分布图的大小和该当前图像的大小相等。
第三确定模块905,被配置当所述处理模块904获得的所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
由于该最大连通区域中的每个像素点的像素值的像素值均是最大的,因而该最大连通区域可以表征该当前图像中清晰度最高的最大区域,该最大连通区域表征该当前图像中对应的区域是清晰的,而前景图像又通常位于该当前图像的中心区域,所以,该最大连通区域位于该目标中心区域时,说明该最大连通区域在该当前图像中对应的清晰区域位于该当前图像的中心,则可以准确确定该最大连通区域为当前图像的前景区域,且当前图像为前景清晰、背景模糊的图像,相应的该最大连通区域在该当前图像中对应的区域的图像块是该当前图像的前景,剩余部分区域对应的图像块是该当前图像的背景。
如图10所示,在一个实施例中,上述装置还可包括:
第四确定模块1001,被配置为当所述处理模块904获得的所述最大连通区域没有位于所述目标中心区域时,确定所述当前图像为预设模糊图像。
当该最大连通区域没有位于该目标中心区域时,说明该最大连通区域在该当前图像中对应的清晰区域并不位于该当前图像的中心,该最大连通区域在该当前图像中对应的清晰区域位于该当前图像的边缘,则可以确定最大连通区域并不是该当前图像的前景区域,该当前图像整体模糊、或前景位置太偏,如接近图像边界,此时,可以确定该当前图像为整体模糊的预设模糊图像、或者该当前图像为前景、背景模糊度差距很小的预设模糊图像。
如图11所示,在一个实施例中,所述装置还包括:
第五确定模块1101,被配置为当所述最大连通区域位于所述目标中心区域时,确定所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值;
第六确定模块1102,被配置为根据所述第五确定模块1101确定的所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值,确定所述最大连通区域中的所有像素点的像素值的均值;
第七确定模块1103,被配置为根据所述第六确定模块1102确定的所述像素值的均值确定所述前景区域的模糊度。
在确定该最大连通区域位于该目标中心区域时,可以确定该最大连通区域中各像素点在初始模糊分布图中的第一像素值即最大连通区域中各像素点在初始模糊分布图中的原像素值,进而根据该各像素点在初始模糊分布图中的第一像素值,确定出最大连通区域中所有像素点在该初始模糊分布图中的像素值的均值,然后使用该像素值的均值确定该当前图像的前景区域的模糊度,其中,该像素值的均值越大,该当前图像中的前景区域的清晰度越高,模糊度越低。
如图12所示,在一个实施例中,所述装置还包括:
第八确定模块1201,被配置为根据所述初始模糊分布图的尺寸大小、所述初始模糊分布图的中心点和第一预设半径,确定所述目标中心区域。
由于初始模糊分布图与当前图像的尺寸大小完全相同,且为了方便处理,可以均是正方形的,因而,在确定该目标中心区域时,可以根据初始模糊分布图的尺寸大小、该初始模糊分布图的中心点和前景区域通常的第一预设半径(如该第一预设半径可以是64mm),来准确确定该目标中心区域,其中,由于该初始模糊分布图与该当前图像的尺寸大小完全相同,因而,该初始模糊分布图的中心点就是该当前图像的中心点,该初始模糊分布图的目标中心区域就是该当前图像的目标中心区域。
如图13所示,在一个实施例中,所述获取模块901包括:
第一处理子模块9011,被配置为对所述当前图像进行归一化处理,得到归一化图像;
归一化处理是为了使该当前图像的尺寸规格更加标准,以便于后期对该当前图像进行其他操作,具体的处理方式可以将该当前图像进行缩放,使其宽度为256pixel。
第二处理子模块9012,被配置为使用预设图像模板,将所述第一处理子模块9011获得的所述归一化图像进行卷积处理,以得到卷积处理后的所述归一化图像中的每个像素点的横向梯度和纵向梯度;
该预设图像模板可以是3*3的图像模板,而这类3*3的图像模板的横向梯度模板可以是[-1 0 1;
-1 0 1;
-1 0 1]
纵向梯度模板可以是:
[-1 -1 -1;
0 0 0;
2 1 1]
而使用预设图像模板中的横向梯度模板和纵向梯度模板,可以对该当前图像进行卷积处理,从而得到每个像素点的横向梯度dx和纵向梯度dy。
获取子模块9013,被配置为根据所述第二处理子模块9012获得的所述每个像素点的横向梯度和纵向梯度,获取所述每个像素点的梯度值。
根据该每个像素点的横向梯度dx和纵向梯度dy,可以准确地得到该每个像素点的梯度值,具体的计算方法如下:
该每个像素点的梯度值d=sqrt(dx^2+dy^2),其中,sqrt()表示求平方根。
如图14所示,在一个实施例中,所述每个像素点的邻域包括:以所述每个像素点的坐标值为中心,以预设长度为第二预设半径的区域;
所述第二确定模块903包括:
第一确定子模块9031,被配置为确定所述每个像素点的邻域中梯度值大于所述预设梯度阈值的目标像素点;
每个像素点的邻域中梯度值大于该预设梯度阈值(例如:可以是20)的目标像素点是该邻域中清晰度较高的像素点。
第二确定子模块9032,被配置为确定所述第一确定子模块9031确定的所述目标像素点的梯度的均值;
由于每个邻域的目标像素点均是该邻域中清晰度较高的像素点,因而,每个邻域的目标像素点的梯度的均值可以用来表征该邻域中可能达到的最大清晰度。
生成子模块9033,被配置为根据所述第二确定子模块9032确定的所述每个像素点的邻域对应的所述梯度的均值、和所述每个像素点的坐标值,生成所述初始模糊分布图。
根据每个像素点的邻域对应的该梯度的均值、和该每个像素点的坐标值,生成初始模糊分布图后,该初始模糊分布图中每个像素点的像素值就是相应像素点在该当前图像中邻域的梯度的均值,例如:初始模糊分布图中坐标值为(i,j)的像素点a的像素值为该当前图像中坐标值为(i,j)的像素点a,在该当前图像中的邻域P中梯度值大于该预设梯度阈值的目标像素点的平均梯度值,而由于每个邻域的目标像素点的梯度的均值均可以用来表征该邻域中可能达到的最大清晰度,因而该初始模糊分布图中每个像素点的像素值均表示该当前图像中相应的一个邻域可能达到的最大清晰度,这使得该初始模糊分布图能够从整体上反映出该当前图像的清晰区域和模糊程度,进而使得该初始模糊分布图可以用来判断当前图像是否为前景清晰的图像。
如图15所示,在一个实施例中,所述处理模块904包括:
第三处理子模块9041,被配置为将所述初始模糊分布图进行二值化处理;
分析子模块9042,被配置为将所述第三处理子模块9041获得的二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域;
第三确定子模块9043,被配置为从所述分析子模块9042获得的所述至少一个连通区域中确定出所述最大连通区域。
在获取最大连通区域时,需要先将该初始模糊分布图进行二值化处理,然后在该初始模糊分布图进行形态学操作,填补空洞,从而实现对二值化处理后的初始模糊分布图进行连通域分析,使得每个连通区域中像素值均是相等的,从而得到至少一个连通区域,进而从该至少一个连通区域中确定出连通面积最大的最大连通区域,而该最大连通区域是用于判断该当前区域是否为前景清晰的区域,所以,该最大连通区域同时又是二值化处理后的初始模糊分布图中像素值最大的区域。
如图16所示,在一个实施例中,所述第三处理子模块9041包括:
比较单元90411,用于将所述初始模糊分布图中的每个像素点的像素值与预设像素值阈值进行比较;其中,该预设像素值阈值一般为该初始模糊分布图的所有像素点的像素值的均值。
确定单元90412,用于确定所述比较单元90411得到的所述初始模糊分布图中像素值大于所述预设像素值阈值的第一像素点和确定所述比较单元90411得到的所述初始模糊分布图中像素值小于或等于所述预设像素值阈值的第二像素点;
设置单元90413,用于将所述确定单元90412确定的所述第一像素点的像素值设置为第一像素值,将所述第二像素点的像素值设置为第二像素值;
二值化的过程就是将该初始模糊分布图中像素值大于该预设像素值阈值的第一像素点的像素值均置为相同的如均置为第一像素值,同时,将该初始模糊分布图中像素值小于或等于该预设像素值阈值的第二像素点也置为相同的如均置为第二像素值,为了便于后期进行连通域分析,原则上第一像素值与第二像素值只要是不同的、且该第一像素值大于该第二像素值即可,但为了方便系统进行二值化操作,第一像素值通常为1、或者为255,而第二像素值可以均为0,而当该第一像素值通常为1时,该最大连通区域的像素值就均为1,当该第一像素值通常为255时,该最大连通区域的像素值就均为255,当然,为了方便系统更加快速地进行二值化操作可以将第一像素值置为1,这样处理起来速度会更快。
所述分析子模块9042包括:
分析单元90421,用于按照所述设置单元904131设置的所述第一像素值和所述第二像素值,对二值化处理后的所述初始模糊分布图进行连通域分析,以得到所述至少一个连通区域,其中,所述至少一个连通区域每个连通区域中的各像素点的像素值均为所述第一像素值或均为所述第二像素值。
将二值化处理后的初始模糊分布图进行连通域分析的过程就是将该初始模糊分布图中第一像素点的像素值均置为第一像素值、且将位置相邻的第一像素点进行连通,同时将该初始模糊分布图中第二像素点的像素值均置为第二像素值、且将位置相邻的第二像素点进行连通,从而得到像素值均为第一像素值或均为第二像素值的至少一个连通区域。
根据本公开实施例的第三方面,提供一种图像的识别装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
获取当前图像中每个像素点的梯度值;
确定所述每个像素点的邻域;
根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图;
将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
当所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
上述处理器还可被配置为:
当所述最大连通区域没有位于所述目标中心区域时,确定所述当前图像为预设模糊图像。
上述处理器还可被配置为:
所述方法还包括:
当所述最大连通区域位于所述目标中心区域时,确定所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值;
根据所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值,确定所述最大连通区域中的所有像素点的像素值的均值;
根据所述像素值的均值确定所述前景区域的模糊度。
上述处理器还可被配置为:
所述方法还包括:
根据所述初始模糊分布图的尺寸大小、所述初始模糊分布图的中心点和第一预设半径,确定所述目标中心区域。
上述处理器还可被配置为:
所述获取当前图像中每个像素点的梯度值,包括:
对所述当前图像进行归一化处理,得到归一化图像;
使用预设图像模板,将所述归一化图像进行卷积处理,以得到卷积处理后的所述归一化图像中的每个像素点的横向梯度和纵向梯度;
根据所述每个像素点的横向梯度和纵向梯度,获取所述每个像素点的梯度值。
上述处理器还可被配置为:
所述每个像素点的邻域包括:以所述每个像素点的坐标值为中心,以预设长度为第二预设半径的区域;
所述根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图,包括:
确定所述每个像素点的邻域中梯度值大于所述预设梯度阈值的目标像素点;
确定所述目标像素点的梯度的均值;
根据所述每个像素点的邻域对应的所述梯度的均值、和所述每个像素点的坐标值,生成所述初始模糊分布图。
上述处理器还可被配置为:
所述将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域,包括:
将所述初始模糊分布图进行二值化处理;
将二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域;
从所述至少一个连通区域中确定出所述最大连通区域。
上述处理器还可被配置为:
所述将所述初始模糊分布图进行二值化处理,包括:
将所述初始模糊分布图中的每个像素点的像素值与预设像素值阈值进行比较;
确定所述初始模糊分布图中像素值大于所述预设像素值阈值的第一像素点和确定所述初始模糊分布图中像素值小于或等于所述预设像素值阈值的第二像素点;
将所述第一像素点的像素值设置为第一像素值,将所述第二像素点的像素值设置为第二像素值;
所述将二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域,包括:
按照所述第一像素值和所述第二像素值,对二值化处理后的所述初始模糊分布图进行连通域分析,以得到所述至少一个连通区域,其中,所述至少一个连通区域每个连通区域中的各像素点的像素值均为所述第一像素值或均为所述第二像素值。
图17是根据一示例性实施例示出的一种用于图像的识别装置1700的框图,该装置适用于终端设备。例如,装置1700可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图17,装置1700可以包括以下一个或至少两个组件:处理组件1702,存储器1704,电源组件1706,多媒体组件1708,音频组件1710,输入/输出(I/O)的接口1712,传感器组件1714,以及通信组件1716。
处理组件1702通常控制装置1700的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1702可以包括一个或至少两个处理器1720来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1702可以包括一个或至少两个模块,便于处理组件1702和其他组件之间的交互。例如,处理组件1702可以包括多媒体模块,以方便多媒体组件1708和处理组件1702之间的交互。
存储器1704被配置为存储各种类型的数据以支持在设备1700的操作。这些数据的示例包括用于在装置1700上操作的任何存储对象或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件1706为装置1700的各种组件提供电力。电力组件1706可以包括电源管理系统,一个或至少两个电源,及其他与为装置1700生成、管理和分配电力相关联的组件。
多媒体组件1708包括在所述装置1700和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或至少两个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1708包括一个前置摄像头和/或后置摄像头。当设备1700处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1710被配置为输出和/或输入音频信号。例如,音频组件1710包括一个麦克风(MIC),当装置1700处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1704或经由通信组件1716发送。在一些实施例中,音频组件1710还包括一个扬声器,用于输出音频信号。
I/O接口1712为处理组件1702和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1714包括一个或至少两个传感器,用于为装置1700提供各个方面的状态评估。例如,传感器组件1714可以检测到设备1700的打开/关闭状态,组件的相对定位,例如所述组件为装置1700的显示器和小键盘,传感器组件1714还可以检测装置1700或装置1700一个组件的位置改变,用户与装置1700接触的存在或不存在,装置1700方位或加速/减速和装置1700的温度变化。传感器组件1714可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1714还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1714还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1716被配置为便于装置1700和其他设备之间有线或无线方式的通信。装置1700可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件1716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1716还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1700可以被一个或至少两个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1704,上述指令可由装置1700的处理器1720执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由上述装置1700的处理器执行时,使得上述装置1700能够执行一种图像的识别方法,包括:
获取当前图像中每个像素点的梯度值;
确定所述每个像素点的邻域;
根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图;
将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
当所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
在一个实施例中,上述方法还可包括:
当所述最大连通区域没有位于所述目标中心区域时,确定所述当前图像为预设模糊图像。
在一个实施例中,所述方法还包括:
当所述最大连通区域位于所述目标中心区域时,确定所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值;
根据所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值,确定所述最大连通区域中的所有像素点的像素值的均值;
根据所述像素值的均值确定所述前景区域的模糊度。
在一个实施例中,所述方法还包括:
根据所述初始模糊分布图的尺寸大小、所述初始模糊分布图的中心点和第一预设半径,确定所述目标中心区域。
在一个实施例中,所述获取当前图像中每个像素点的梯度值,包括:
对所述当前图像进行归一化处理,得到归一化图像;
使用预设图像模板,将所述归一化图像进行卷积处理,以得到卷积处理后的所述归一化图像中的每个像素点的横向梯度和纵向梯度;
根据所述每个像素点的横向梯度和纵向梯度,获取所述每个像素点的梯度值。
在一个实施例中,所述每个像素点的邻域包括:以所述每个像素点的坐标值为中心,以预设长度为第二预设半径的区域;
所述根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图,包括:
确定所述每个像素点的邻域中梯度值大于所述预设梯度阈值的目标像素点;
确定所述目标像素点的梯度的均值;
根据所述每个像素点的邻域对应的所述梯度的均值、和所述每个像素点的坐标值,生成所述初始模糊分布图。
在一个实施例中,所述将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域,包括:
将所述初始模糊分布图进行二值化处理;
将二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域;
从所述至少一个连通区域中确定出所述最大连通区域。
在一个实施例中,所述将所述初始模糊分布图进行二值化处理,包括:
将所述初始模糊分布图中的每个像素点的像素值与预设像素值阈值进行比较;
确定所述初始模糊分布图中像素值大于所述预设像素值阈值的第一像素点和确定所述初始模糊分布图中像素值小于或等于所述预设像素值阈值的第二像素点;
将所述第一像素点的像素值设置为第一像素值,将所述第二像素点的像素值设置为第二像素值;
所述将二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域,包括:
按照所述第一像素值和所述第二像素值,对二值化处理后的所述初始模糊分布图进行连通域分析,以得到所述至少一个连通区域,其中,所述至少一个连通区域每个连通区域中的各像素点的像素值均为所述第一像素值或均为所述第二像素值。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (18)
1.一种图像的识别方法,其特征在于,包括:
获取当前图像中每个像素点的梯度值;
确定所述每个像素点的邻域;
根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图,其中,所述初始模糊分布图用来衡量所述当前图像的清晰度;
将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
当所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
2.根据权利要求1所述的方法,其特征在于,
当所述最大连通区域没有位于所述目标中心区域时,确定所述当前图像为预设模糊图像。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当所述最大连通区域位于所述目标中心区域时,确定所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值;
根据所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值,确定所述最大连通区域中的所有像素点的像素值的均值;
根据所述像素值的均值确定所述前景区域的模糊度。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述初始模糊分布图的尺寸大小、所述初始模糊分布图的中心点和第一预设半径,确定所述目标中心区域。
5.根据权利要求1所述的方法,其特征在于,
所述获取当前图像中每个像素点的梯度值,包括:
对所述当前图像进行归一化处理,得到归一化图像;
使用预设图像模板,将所述归一化图像进行卷积处理,以得到卷积处理后的所述归一化图像中的每个像素点的横向梯度和纵向梯度;
根据所述每个像素点的横向梯度和纵向梯度,获取所述每个像素点的梯度值。
6.根据权利要求1所述的方法,其特征在于,
所述每个像素点的邻域包括:以所述每个像素点的坐标值为中心,以预设长度为第二预设半径的区域;
所述根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图,包括:
确定所述每个像素点的邻域中梯度值大于所述预设梯度阈值的目标像素点;
确定所述目标像素点的梯度的均值;
根据所述每个像素点的邻域对应的所述梯度的均值、和所述每个像素点的坐标值,生成所述初始模糊分布图。
7.根据权利要求1至6中任一项所述的方法,其特征在于,
所述将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域,包括:
将所述初始模糊分布图进行二值化处理;
将二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域;
从所述至少一个连通区域中确定出所述最大连通区域。
8.根据权利要求7所述的方法,其特征在于,
所述将所述初始模糊分布图进行二值化处理,包括:
将所述初始模糊分布图中的每个像素点的像素值与预设像素值阈值进行比较;
确定所述初始模糊分布图中像素值大于所述预设像素值阈值的第一像素点和确定所述初始模糊分布图中像素值小于或等于所述预设像素值阈值的第二像素点;
将所述第一像素点的像素值设置为第一像素值,将所述第二像素点的像素值设置为第二像素值;
所述将二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域,包括:
按照所述第一像素值和所述第二像素值,对二值化处理后的所述初始模糊分布图进行连通域分析,以得到所述至少一个连通区域,其中,所述至少一个连通区域每个连通区域中的各像素点的像素值均为所述第一像素值或均为所述第二像素值。
9.一种图像的识别装置,其特征在于,包括:
获取模块,用于获取当前图像中每个像素点的梯度值;
第一确定模块,用于确定所述获取模块获取的所述每个像素点的邻域;
第二确定模块,用于根据预设梯度阈值和所述第一确定模块确定的所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图,其中,所述初始模糊分布图用来衡量所述当前图像的清晰度;
处理模块,用于将所述第二确定模块确定的所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
第三确定模块,用于当所述处理模块获得的所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
第四确定模块,用于当所述处理模块获得的所述最大连通区域没有位于所述目标中心区域时,确定所述当前图像为预设模糊图像。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
第五确定模块,用于当所述最大连通区域位于所述目标中心区域时,确定所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值;
第六确定模块,用于根据所述第五确定模块确定的所述最大连通区域中各像素点在所述初始模糊分布图中的第一像素值,确定所述最大连通区域中的所有像素点的像素值的均值;
第七确定模块,用于根据所述第六确定模块确定的所述像素值的均值确定所述前景区域的模糊度。
12.根据权利要求9所述的装置,其特征在于,所述装置还包括:
第八确定模块,用于根据所述初始模糊分布图的尺寸大小、所述初始模糊分布图的中心点和第一预设半径,确定所述目标中心区域。
13.根据权利要求9所述的装置,其特征在于,
所述获取模块包括:
第一处理子模块,用于对所述当前图像进行归一化处理,得到归一化图像;
第二处理子模块,用于使用预设图像模板,将所述第一处理子模块获得的所述归一化图像进行卷积处理,以得到卷积处理后的所述归一化图像中的每个像素点的横向梯度和纵向梯度;
获取子模块,用于根据所述第二处理子模块获得的所述每个像素点的横向梯度和纵向梯度,获取所述每个像素点的梯度值。
14.根据权利要求9所述的装置,其特征在于,
所述每个像素点的邻域包括:以所述每个像素点的坐标值为中心,以预设长度为第二预设半径的区域;
所述第二确定模块包括:
第一确定子模块,用于确定所述每个像素点的邻域中梯度值大于所述预设梯度阈值的目标像素点;
第二确定子模块,用于确定所述第一确定子模块确定的所述目标像素点的梯度的均值;
生成子模块,用于根据所述第二确定子模块确定的所述每个像素点的邻域对应的所述梯度的均值、和所述每个像素点的坐标值,生成所述初始模糊分布图。
15.根据权利要求9至14中任一项所述的装置,其特征在于,
所述处理模块包括:
第三处理子模块,用于将所述初始模糊分布图进行二值化处理;
分析子模块,用于将所述第三处理子模块获得的二值化处理后的所述初始模糊分布图进行连通域分析,得到所述初始模糊分布图的至少一个连通区域;
第三确定子模块,用于从所述分析子模块获得的所述至少一个连通区域中确定出所述最大连通区域。
16.根据权利要求15所述的装置,其特征在于,
所述第三处理子模块包括:
比较单元,用于将所述初始模糊分布图中的每个像素点的像素值与预设像素值阈值进行比较;
确定单元,用于确定所述比较单元得到的所述初始模糊分布图中像素值大于所述预设像素值阈值的第一像素点和确定所述比较单元得到的所述初始模糊分布图中像素值小于或等于所述预设像素值阈值的第二像素点;
设置单元,用于将所述确定单元确定的所述第一像素点的像素值设置为第一像素值,将所述确定单元确定的所述第二像素点的像素值设置为第二像素值;
所述分析子模块包括:
分析单元,用于按照所述设置单元设置的所述第一像素值和所述第二像素值,对二值化处理后的所述初始模糊分布图进行连通域分析,以得到所述至少一个连通区域,其中,所述至少一个连通区域每个连通区域中的各像素点的像素值均为所述第一像素值或均为所述第二像素值。
17.一种判断图像模糊的装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取当前图像中每个像素点的梯度值;
确定所述每个像素点的邻域;
根据预设梯度阈值和所述每个像素点的邻域中的各像素点的梯度值,确定所述当前图像的初始模糊分布图,其中,所述初始模糊分布图用来衡量所述当前图像的清晰度;
将所述初始模糊分布图进行处理,以得到所述初始模糊分布图中的最大连通区域;
当所述最大连通区域位于所述初始模糊分布图的目标中心区域时,确定所述最大连通区域为所述当前图像的前景区域,且所述当前图像为前景清晰、背景模糊的图像。
18.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510834031.1A CN105488511B (zh) | 2015-11-25 | 2015-11-25 | 图像的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510834031.1A CN105488511B (zh) | 2015-11-25 | 2015-11-25 | 图像的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105488511A CN105488511A (zh) | 2016-04-13 |
CN105488511B true CN105488511B (zh) | 2018-11-23 |
Family
ID=55675483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510834031.1A Active CN105488511B (zh) | 2015-11-25 | 2015-11-25 | 图像的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488511B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106993091B (zh) * | 2017-03-29 | 2020-05-12 | 维沃移动通信有限公司 | 一种图像虚化方法及移动终端 |
CN110288560B (zh) * | 2018-03-16 | 2021-03-02 | 北京三快在线科技有限公司 | 一种图像模糊检测方法及装置 |
CN109447942B (zh) * | 2018-09-14 | 2024-04-23 | 平安科技(深圳)有限公司 | 图像模糊度确定方法、装置、计算机设备及存储介质 |
CN109146909B (zh) * | 2018-10-11 | 2021-09-14 | 陕西师范大学 | 一种图像目标识别方法 |
CN110148147B (zh) * | 2018-11-07 | 2024-02-09 | 腾讯大地通途(北京)科技有限公司 | 图像检测方法、装置、存储介质和电子装置 |
KR102640227B1 (ko) * | 2019-07-31 | 2024-02-22 | 코어포토닉스 리미티드 | 카메라 패닝 또는 모션에서 배경 블러링을 생성하는 시스템 및 방법 |
CN111161211B (zh) * | 2019-12-04 | 2023-11-03 | 成都华为技术有限公司 | 一种图像检测方法及装置 |
CN111175248B (zh) * | 2020-01-22 | 2021-03-30 | 中国农业科学院农产品加工研究所 | 智能化肉品质在线检测方法和检测系统 |
CN111489344A (zh) * | 2020-04-10 | 2020-08-04 | 湖南索莱智能科技有限公司 | 一种图像清晰度的确定方法、系统及相关装置 |
CN112099217B (zh) * | 2020-08-18 | 2022-10-28 | 宁波永新光学股份有限公司 | 一种显微镜自动对焦方法 |
CN112884797B (zh) * | 2021-02-02 | 2023-12-08 | 武汉钢铁有限公司 | 一种图像的背景去除方法、装置及电子设备 |
CN114037710A (zh) * | 2021-10-13 | 2022-02-11 | 北京百度网讯科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
CN113936316B (zh) * | 2021-10-14 | 2022-03-25 | 北京的卢深视科技有限公司 | Doe脱落检测方法、电子设备和计算机可读存储介质 |
CN113643217B (zh) * | 2021-10-15 | 2022-03-29 | 广州市玄武无线科技股份有限公司 | 视频去运动模糊方法、装置、终端设备及可读存储介质 |
-
2015
- 2015-11-25 CN CN201510834031.1A patent/CN105488511B/zh active Active
Non-Patent Citations (4)
Title |
---|
一种新的清晰度评价算法;余军等;《数字视频》;20131130;全文 * |
基于边缘特征的光学图像清晰度判定;倪军等;《中国激光》;20090131;第36卷(第1期);全文 * |
数字图像清晰度评价函数的通用评价能力研究;陈亮;《计算机工程与应用》;20130731;第49卷(第14期);全文 * |
视频监控中图像异常的分析与检测算法;王维虎;《华中师范大学学报》;20151031;第49卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105488511A (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488511B (zh) | 图像的识别方法及装置 | |
CN110688951B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN106454336B (zh) | 检测终端摄像头被遮挡的方法及装置和终端 | |
EP3200125B1 (en) | Fingerprint template input method and device | |
CN106651955B (zh) | 图片中目标物的定位方法及装置 | |
US10346669B2 (en) | Fingerprint entry prompting method and device | |
US10007841B2 (en) | Human face recognition method, apparatus and terminal | |
CN106650575A (zh) | 人脸检测方法及装置 | |
CN105046260B (zh) | 图像预处理方法及装置 | |
CN105528606A (zh) | 区域识别方法及装置 | |
US9924090B2 (en) | Method and device for acquiring iris image | |
CN105631797A (zh) | 水印添加方法及装置 | |
CN105631467A (zh) | 显示图片的方法及装置 | |
CN105528765A (zh) | 处理图像的方法及装置 | |
CN106339695A (zh) | 人脸相似检测方法、装置及终端 | |
CN106598429A (zh) | 移动终端的窗口调整方法及装置 | |
EP3627383A1 (en) | Anti-counterfeiting processing method, anti-counterfeiting processing apparatus and electronic device | |
CN105117680B (zh) | 一种识别信息卡的信息的方法和装置 | |
CN113409342A (zh) | 图像风格迁移模型的训练方法、装置及电子设备 | |
CN105139378A (zh) | 卡片边界检测方法及装置 | |
CN107911576A (zh) | 图像处理方法、装置和存储介质 | |
CN112927122A (zh) | 水印去除方法、装置及存储介质 | |
CN105224939B (zh) | 数字区域的识别方法和识别装置、移动终端 | |
CN105426904B (zh) | 照片处理方法、装置和设备 | |
CN104573642A (zh) | 人脸识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |