CN105809704A - 识别图像清晰度的方法及装置 - Google Patents

Abstract

本公开是关于一种识别图像清晰度的方法及装置，其中，识别图像清晰度的方法包括：采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；分别对感兴趣区域识别结果和至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；将待识别图像、感兴趣区域处理结果和边缘图像处理结果输入第二卷积神经网络，得到待识别图像的清晰度。本公开实施例可以更好地对用户关注的区域进行分析，使得图像清晰度识别结果更接近用户的认知，并且可以更好地识别背景虚化等复杂场景的图像清晰度，应用性强。

Description

识别图像清晰度的方法及装置

技术领域

本公开涉及图像处理技术领域，尤其涉及一种识别图像清晰度的方法及装置。

背景技术

图像清晰度评估一直是图像处理领域的一项重要内容，在图像的压缩、通信、打印、显示、重建、增强等领域有着较为广泛的应用。

通常，用户有很多图像，需要图像识别算法识别出哪些图像更清晰，进而可以进行排序或删除等操作。由于用户图像各式各样，清晰度评估算法会面临各种场景，而传统的图像识别方法很难做到兼顾各种场景。例如，对于背景虚化图像，传统的图像识别方法很难判断出其是清晰图片还是模糊照片。

因此，迫切需要提供一种有效的识别图像清晰度的方法，以适应各种场景下图像的清晰度识别。

发明内容

为克服相关技术中存在的问题，本公开提供一种识别图像清晰度的方法及装置。

根据本公开实施例的第一方面，提供一种识别图像清晰度的方法，包括：

采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；

分别对所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；

将所述待识别图像、所述感兴趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述待识别图像的清晰度；

其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。

在一实施例中，所述方法还包括：

对所述第一待训练的卷积神经网络进行模型训练获得第一卷积神经网络；

所述对所述第一待训练的卷积神经网络进行模型训练获得第一卷积神经网络，包括：

计算卷积特征值，包括将待识别图像样本及其标定的感兴趣区域和标定的边缘图像输入到第一待训练的卷积神经网络的卷积层进行处理，得到卷积特征值；

计算损失函数值，包括将所述卷积特征值输入到所述第一待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；

当所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行调整，迭代计算所述卷积特征值和所述损失函数值，直至迭代次数达到预设次数，获得所述第一卷积神经网络。

在一实施例中，所述对所述感兴趣区域识别结果进行调整，得到感兴趣区域处理结果，包括：

将所述感兴趣区域识别结果缩放到所述待识别图像的大小；

对缩放后的感兴趣区域识别结果进行平滑滤波处理，得到所述感兴趣区域处理结果。

在一实施例中，所述对所述至少一个边缘图像识别结果进行调整，得到边缘图像处理结果，包括：

将所述至少一个边缘图像识别结果均缩放到所述待识别图像的大小；

计算缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均值，根据所述平均值获得所述边缘图像处理结果。

在一实施例中，所述方法还包括：

对所述第二待训练的卷积神经网络进行模型训练获得第二卷积神经网络；

所述对所述第二待训练的卷积神经网络进行模型训练获得第二卷积神经网络，包括：

计算卷积特征值，包括将待识别图像样本及其感兴趣区域处理结果、边缘图像处理结果和预设的图像样本的清晰度分数输入到第二待训练的卷积神经网络的卷积层进行处理，得到所述卷积特征值；

计算全连接特征值，包括将所述卷积特征值输入到所述第二待训练的卷积神经网络的全连接层进行计算，得到全连接特征值；

计算损失函数值，包括将所述全连接特征值输入到所述第二待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；

当所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行调整，迭代计算所述卷积特征值、所述全连接特征值和所述损失函数值，直至迭代次数达到预设次数，获得所述第二卷积神经网络。

在一实施例中，所述损失函数包括感兴趣区域损失函数和边缘图像损失函数。

根据本公开实施例的第二方面，提供一种识别图像清晰度的装置，包括：

识别模块，被配置为采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；

调整模块，被配置为分别对所述识别模块识别得到的所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；

获得模块，被配置为将所述待识别图像、所述调整模块得到的所述感兴趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述待识别图像的清晰度；

其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。

在一实施例中，所述装置还包括：

第一训练获得模块，被配置为对所述第一待训练的卷积神经网络进行模型训练获得第一卷积神经网络；

所述第一训练获得模块包括：

第一计算子模块，被配置为计算卷积特征值，包括将待识别图像样本及其标定的感兴趣区域和标定的边缘图像输入到第一待训练的卷积神经网络的卷积层进行处理，得到卷积特征值；

第二计算子模块，被配置为计算损失函数值，包括将所述第一计算子模块计算的所述卷积特征值输入到所述第一待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；

调整计算获得子模块，被配置为当所述第二计算子模块计算的所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行调整，迭代计算所述卷积特征值和所述损失函数值，直至迭代次数达到预设次数，获得所述第一卷积神经网络。

在一实施例中，所述调整模块包括：

第一缩放子模块，被配置为将所述感兴趣区域识别结果缩放到所述待识别图像的大小；

处理子模块，被配置为对所述第一缩放子模块缩放后的感兴趣区域识别结果进行平滑滤波处理，得到所述感兴趣区域处理结果。

在一实施例中，所述调整模块包括：

第二缩放子模块，被配置为将所述至少一个边缘图像识别结果均缩放到所述待识别图像的大小；

计算获得子模块，被配置为计算获得所述第二缩放子模块缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均图像值，所述平均图像即为根据所述平均值获得所述边缘图像处理结果。

在一实施例中，所述装置还包括：

第二训练获得模块，被配置为对所述第二待训练的卷积神经网络进行模型训练获得第二卷积神经网络；

所述第二训练获得模块包括：

第一计算子模块，被配置为计算卷积特征值，包括将待识别图像样本及其感兴趣区域处理结果、边缘图像处理结果和预设的图像样本的清晰度分数输入到第二待训练的卷积神经网络的卷积层进行处理，得到所述卷积特征值；

第二计算子模块，被配置为计算全连接特征值，包括将所述第一计算子模块计算的所述卷积特征值输入到所述第二待训练的卷积神经网络的全连接层进行计算，得到全连接特征值；

第三计算子模块，被配置为计算损失函数值，包括将所述第二计算子模块计算的所述全连接特征值输入到所述第二待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；

调整计算获得子模块，被配置当所述第三计算子模块计算的所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行调整，迭代计算所述卷积特征值、所述全连接特征值和所述损失函数值，直至迭代次数达到预设次数，获得所述第二卷积神经网络。

在一实施例中，所述损失函数包括感兴趣区域损失函数和边缘图像损失函数。

根据本公开实施例的第三方面，提供一种识别图像清晰度的装置，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：

采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；

分别对所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；

将所述待识别图像、所述感兴趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述待识别图像的清晰度；

其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。

本公开的实施例提供的技术方案可以包括以下有益效果：通过采用第一卷积神经网络对输入的待识别图像及其感兴趣区域和边缘图像进行识别，使得识别图像清晰度的过程中，可以更好地融合感兴趣区域和边缘图像，从而可以更好地对用户关注的区域进行分析，使得图像清晰度识别结果更接近用户的认知，并且可以更好地识别背景虚化等复杂场景的图像清晰度，应用性强。

通过将待识别图像样本、标定的感兴趣区域和标定的边缘图像输入第一待训练的卷积神经网络进行训练，不仅提高了训练效率，而且使得通过训练好的第一卷积神经网络输出的结果更接近标定值。

通过将感兴趣区域识别结果缩放到待识别图像的大小，并对缩放后的感兴趣区域识别结果进行平滑滤波处理，以填补空洞，从而得到感兴趣区域处理结果，实现方式简单。

通过将至少一个边缘图像识别结果均缩放到待识别图像的大小，并计算缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均值，根据该平均值获得边缘图像处理结果，实现方式简单。

通过将待识别图像样本、感兴趣区域处理结果、边缘图像处理结果和预设的清晰度分数输入第二待训练的卷积神经网络进行训练，使得通过训练好的第二卷积神经网络输出的待识别图像的清晰度分数更接近预设的清晰度分数。

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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种识别图像清晰度的方法的流程图。

图2A是根据一示例性实施例示出的一种待识别图像的示意图。

图2B是图2A所示待识别图像的感兴趣区域的示意图。

图3A是根据一示例性实施例示出的另一种待识别图像的示意图。

图3B是图3A所示待识别图像的边缘图像的示意图。

图4是根据一示例性实施例示出的一种获得第一卷积神经网络的流程图。

图5是根据一示例性实施例示出的一种获得第二卷积神经网络的流程图。

图6是根据一示例性实施例示出的一种识别图像清晰度的装置的框图。

图7是根据一示例性实施例示出的另一种识别图像清晰度的装置的框图。

图8是根据一示例性实施例示出的另一种识别图像清晰度的装置的框图。

图9是根据一示例性实施例示出的另一种识别图像清晰度的装置的框图。

图10是根据一示例性实施例示出的另一种识别图像清晰度的装置的框图。

图11是根据一示例性实施例示出的一种适用于识别图像清晰度的装置的框图。

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发明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、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种识别图像清晰度的方法的流程图，如图1所示，该识别图像清晰度的方法可应用于图像识别设备上，该方法包括以下步骤S101-S103：

在步骤S101中，采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果。

在该实施例中，第一卷积神经网络可以是通过对图像样本及其标定的图像样本的感兴趣区域和标定的图像样本的边缘图像进行训练获得的。可以将待识别图像的感兴趣区域和边缘图像输入到训练好的第一卷积神经网络中，从而得到感兴趣区域识别结果和至少一个边缘图像识别结果。训练好的第一卷积神经网络可以包括至少一个卷积层，例如，可以包括三个卷积层或者五个卷积层等。当第一卷积神经网络包括三个卷积层时，可以得到三个边缘图像识别结果。

其中，感兴趣区域(ROI)是从待识别图像中选择的一个用户感兴趣的图像区域，该区域是用户图像分析所关注的重点。例如，图2A为一个待识别图像，则图2B可以为图2A所示待识别图像的感兴趣区域。边缘图像可以是待识别图像中非背景对象的轮廓图像，而边缘图像对于识别图像的清晰度具有重要意义，因此，该实施例将边缘图像也输入到第一卷积神经网络中。例如，图3A为一个待识别图像，则图3B可以为图3A所示待识别图像的边缘图像。

在步骤S102中，分别对感兴趣区域识别结果和至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果。

在该实施例中，对感兴趣区域识别结果进行处理可以为：将感兴趣区域识别结果缩放到待识别图像的大小，并对缩放后的感兴趣区域识别结果进行平滑滤波处理，以填补空洞，从而得到感兴趣区域处理结果。

在该实施例中，对至少一个边缘图像识别结果进行处理可以为：将至少一个边缘图像识别结果均缩放到待识别图像的大小，并计算缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均值，根据该平均值生成平均图像，该平均图像即为边缘图像处理结果。

在步骤S103中，将待识别图像、感兴趣区域处理结果和边缘图像处理结果输入第二卷积神经网络，得到待识别图像的清晰度。

在该实施例中，第二卷积神经网络可以是通过对图像样本及其标定的图像样本的感兴趣区域处理结果和标定的图像样本的边缘图像处理进行训练获得的。可以将待识别图像、感兴趣区域处理结果和边缘图像处理结果输入训练好的第二卷积神经网络，得到待识别图像的清晰度分数，从而可以获知待识别图像的清晰度。

上述识别图像清晰度的方法实施例，通过采用第一卷积神经网络对输入的待识别图像及其感兴趣区域和边缘图像进行识别，使得识别图像清晰度的过程中，可以更好地融合感兴趣区域和边缘图像，从而可以更好地对用户关注的区域进行分析，使得图像清晰度识别结果更接近用户的认知，并且可以更好地识别背景虚化等复杂场景的图像清晰度，应用性强。

图4是根据一示例性实施例示出的一种获得第一卷积神经网络的流程图，如图4所示，包括如下步骤：

在步骤S401中，将待识别图像样本及其标定的感兴趣区域和标定的边缘图像输入到第一待训练的卷积神经网络的卷积层进行处理，得到卷积特征值。

在该实施例中，第一待训练的卷积神经网络可以包括至少一个卷积层和损失函数层。

将待识别图像样本，标定的待识别图像样本中的感兴趣区域和标定的待识别图像样本中的边缘图像输入到第一待训练的卷积神经网络后，首先通过至少一个卷积层对这些输入的待识别图像样本进行处理，得到卷积特征值，该卷积特征值可以表征根据待训练的卷积神经网络识别出的待识别图像样本中的感兴趣区域和待识别图像样本中的边缘图像。

在步骤S402中，将卷积特征值输入到第一待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值。

在步骤S403中，当损失函数值小于上一次获得的损失函数值时，对卷积层进行调整。

在步骤S404中，判断迭代次数是否达到预设次数，若未达到预设次数，则转向步骤S401，若达到预设次数，则获得第一卷积神经网络。

其中，迭代次数是指重复执行S401-403的次数。

在该实施例中，损失函数层中的损失函数包括感兴趣区域损失函数和边缘图像损失函数两种损失函数，在该实施例中，采用两种损失函数可以提高训练效率。

其中，感兴趣区域损失函数用于表示感兴趣区域识别结果(即识别出的待识别图像样本中的感兴趣区域)和标定的感兴趣区域的差值函数，边缘图像损失函数用于表示边缘图像识别结果(即识别出的待识别图像样本中的边缘图像)和标定的边缘图像的差值函数。

为了使识别结果始终保留边缘信息，也为了提取不同尺度的图像边缘,在该实施例中，在每层卷积之后都会输出边缘图像的损失函数，因此，第一卷积神经网络有几个卷积层就有几个边缘图像的损失函数。

在训练获得第一卷积神经网络时，目标是最小化各损失函数，也就是使感兴趣区域识别结果尽可能地接近标定的感兴趣区域，使边缘图像识别结果尽可能地接近标定的边缘图像。

在该实施例中，上述步骤S402可以包括：将卷积特征值输入到第一待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；上述步骤S403可以包括：当损失函数值小于上一次训练得到的损失函数值时，可以对第一待训练的卷积神经网络进行反向传播来调整卷积层中卷积核的参数，然后重复执行步骤S401和S402，直到迭代次数达到预设次数。当损失函数值大于或等于上一次训练得到的损失函数值时，则需重新构建第一待训练的卷积神经网络。其中，损失函数值是指感兴趣区域损失函数和边缘图像损失函数两种损失函数的损失函数值，即两种损失函数的损失函数值的迭代次数均达到对应的预设次数，才可以停止训练。该预设次数可以根据需要进行设置，例如可以为300万次等。

上述实施例，通过将待识别图像样本、标定的感兴趣区域和标定的边缘图像输入第一待训练的卷积神经网络进行训练，不仅提高了训练效率，而且使得通过训练好的第一卷积神经网络输出的结果更接近标定值。

需要说明的是，训练好的第一卷积神经网络中不包含步骤S402中的损失函数层，即在图像清晰度识别时，将损失函数层去掉。训练好的第一卷积神经网络可用于对输入的待识别图像识别出感兴趣区域和边缘图像。

图5是根据一示例性实施例示出的一种获得第二卷积神经网络的流程图，如图5所示，包括如下步骤：

在步骤S501中，将待识别图像样本、感兴趣区域处理结果、边缘图像处理结果和预设的清晰度分数输入到第二待训练的卷积神经网络的卷积层进行处理，得到卷积特征值。

在该实施例中，第二待训练的卷积神经网络可以包括k个卷积层、k-1个全连接层和损失函数层。例如，可以包括3个卷积层、2个全连接层和损失函数层。

在该实施例中，在将待识别图像样本、感兴趣区域处理结果和边缘图像处理结果合并为一张多通道图像输入到第二待训练的卷积神经网络后，首先可以通过至少一个卷积层对这些输入进行处理，从而得到卷积特征值。

在步骤S502中，将卷积特征值输入到第二待训练的卷积神经网络的全连接层进行计算，得到全连接特征值。

在获得卷积特征值之后，可以将卷积特征值输入到待训练的卷积神经网络的全连接层进行计算，得到全连接特征值。

在步骤S503中，将全连接特征值输入到第二待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值。

在步骤S504中，当损失函数值小于上一次获得的损失函数值时，对卷积层进行调整。

在步骤S505中，判断迭代次数是否达到预设次数，若未达到预设次数，则转向步骤S501，若达到预设次数，则获得第二卷积神经网络。

其中，迭代次数是指重复执行S501-504的次数。

在该实施例中，损失函数层中的损失函数可以为但不局限于L2损失函数。L2损失函数为待识别图像的清晰度分数与预设的清晰度分数的差值函数。

在训练获得第二卷积神经网络时，目标是最小化L2损失函数，也就是使得到的待识别图像的清晰度分数尽可能地接近预设的清晰度分数。

在该实施例中，上述步骤S503可以包括：将全连接特征值输入到第二待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；上述步骤S504可以包括：当损失函数值小于上一次训练得到的损失函数值时，可以对第二待训练的卷积神经网络进行反向传播来调整卷积层中卷积核的参数，并且重复执行步骤S501-503，直到迭代次数达到预设次数。当损失函数值大于或等于上一次训练得到的损失函数值时，则需重新构建第二待训练的卷积神经网络。其中，该预设次数可以根据需要进行设置，例如可以为200万次等。

需要说明的是，第二卷积神经网络和第一卷积神经网络中的感兴趣区域损失函数和边缘图像损失函数的个数和具体函数可以相同，也可以不同。

上述实施例，通过将待识别图像样本、感兴趣区域处理结果、边缘图像处理结果和预设的清晰度分数输入第二待训练的卷积神经网络进行训练，使得通过训练好的第二卷积神经网络输出的待识别图像的清晰度分数更接近预设的清晰度分数。

需要说明的是，训练好的第二卷积神经网络中不包含步骤S503中的损失函数层，即在图像清晰度识别时，将损失函数层去掉，得到待识别图像的清晰度分数，从而获得待识别图像的清晰度。

与前述识别图像清晰度的方法实施例相对应，本公开还提供了识别图像清晰度的装置实施例。

图6是根据一示例性实施例示出的一种识别图像清晰度的装置的框图，如图6所示，该识别图像清晰度的装置包括：识别模块61、调整模块62和获得模块63。

识别模块61被配置为采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果。

在该实施例中，第一卷积神经网络可以是通过对图像样本及其标定的图像样本的感兴趣区域和标定的图像样本的边缘图像进行训练获得的。可以将待识别图像的感兴趣区域和边缘图像输入到训练好的第一卷积神经网络中，从而得到感兴趣区域识别结果和至少一个边缘图像识别结果。训练好的第一卷积神经网络可以包括至少一个卷积层，例如，可以包括三个卷积层或者五个卷积层等。当第一卷积神经网络包括三个卷积层时，可以得到三个边缘图像识别结果。

其中，感兴趣区域(ROI)是从待识别图像中选择的一个用户感兴趣的图像区域，该区域是用户图像分析所关注的重点。例如，图2A为一个待识别图像，则图2B可以为图2A所示待识别图像的感兴趣区域。边缘图像可以是待识别图像中非背景对象的轮廓图像，而边缘图像对于识别图像的清晰度具有重要意义，因此，该实施例将边缘图像也输入到第一卷积神经网络中。例如，图3A为一个待识别图像，则图3B可以为图3A所示待识别图像的边缘图像。

调整模块62被配置为分别对识别模块61识别得到的感兴趣区域识别结果和至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果。

在该实施例中，对感兴趣区域识别结果进行处理可以为：将感兴趣区域识别结果缩放到待识别图像的大小，并对缩放后的感兴趣区域识别结果进行平滑滤波处理，以填补空洞，从而得到感兴趣区域处理结果。

在该实施例中，对至少一个边缘图像识别结果进行处理可以为：将至少一个边缘图像识别结果均缩放到待识别图像的大小，并计算缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均值，根据该平均值生成平均图像，该平均图像即为边缘图像处理结果。

获得模块63被配置为将待识别图像、调整模块62得到的感兴趣区域处理结果和边缘图像处理结果输入第二卷积神经网络，得到待识别图像的清晰度。

其中，第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。

在该实施例中，第二卷积神经网络可以是通过对图像样本及其标定的图像样本的感兴趣区域处理结果和标定的图像样本的边缘图像处理进行训练获得的。可以将待识别图像、感兴趣区域处理结果和边缘图像处理结果输入训练好的第二卷积神经网络，得到待识别图像的清晰度分数，从而可以获知待识别图像的清晰度。

如图6所示的装置用于实现上述如图1所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

上述识别图像清晰度的装置实施例，通过采用第一卷积神经网络对输入的待识别图像及其感兴趣区域和边缘图像进行识别，使得识别图像清晰度的过程中，可以更好地融合感兴趣区域和边缘图像，从而可以更好地对用户关注的区域进行分析，使得图像清晰度识别结果更接近用户的认知，并且可以更好地识别背景虚化等复杂场景的图像清晰度，应用性强。

图7是根据一示例性实施例示出的另一种识别图像清晰度的装置的框图，如图7所示，在上述图6所示实施例的基础上，该装置还可以包括：第一训练获得模块64。

第一训练获得模块64被配置为对第一待训练的卷积神经网络进行模型训练获得第一卷积神经网络。

第一训练获得模块64可以包括：第一计算子模块641、第二计算子模块642和调整计算获得子模块643。

第一计算子模块641被配置为计算卷积特征值，包括将待识别图像样本及其标定的感兴趣区域和标定的边缘图像输入到第一待训练的卷积神经网络的卷积层进行处理，得到卷积特征值。

在该实施例中，第一待训练的卷积神经网络可以包括至少一个卷积层和损失函数层。

将待识别图像样本，标定的待识别图像样本中的感兴趣区域和标定的待识别图像样本中的边缘图像输入到第一待训练的卷积神经网络后，首先通过至少一个卷积层对这些输入的待识别图像样本进行处理，得到卷积特征值，该卷积特征值可以表征根据待训练的卷积神经网络识别出的待识别图像样本中的感兴趣区域和待识别图像样本中的边缘图像。

第二计算子模块642被配置为计算损失函数值，包括将第一计算子模块641计算的卷积特征值输入到第一待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值。

调整计算获得子模块643被配置为当第二计算子模块642计算的损失函数值小于上一次获得的损失函数值时，对卷积层进行调整，迭代计算卷积特征值和损失函数值，直至迭代次数达到预设次数，获得第一卷积神经网络。

在该实施例中，损失函数层中的损失函数包括感兴趣区域损失函数和边缘图像损失函数两种损失函数，在该实施例中，采用两种损失函数可以提高训练效率。

其中，感兴趣区域损失函数用于表示感兴趣区域识别结果(即识别出的待识别图像样本中的感兴趣区域)和标定的感兴趣区域的差值函数，边缘图像损失函数用于表示边缘图像识别结果(即识别出的待识别图像样本中的边缘图像)和标定的边缘图像的差值函数。

为了使识别结果始终保留边缘信息，也为了提取不同尺度的图像边缘,在该实施例中，在每层卷积之后都会输出边缘图像的损失函数，因此，第一卷积神经网络有几个卷积层就有几个边缘图像的损失函数。

在训练获得第一卷积神经网络时，目标是最小化各损失函数，也就是使感兴趣区域识别结果尽可能地接近标定的感兴趣区域，使边缘图像识别结果尽可能地接近标定的边缘图像。

需要说明的是，训练好的第一卷积神经网络中不包含损失函数层，即在图像清晰度识别时，将损失函数层去掉。训练好的第一卷积神经网络可用于对输入的待识别图像识别出感兴趣区域和边缘图像。

如图7所示的装置用于实现上述如图4所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

上述实施例，通过将待识别图像样本、标定的感兴趣区域和标定的边缘图像输入第一待训练的卷积神经网络进行训练，不仅提高了训练效率，而且使得通过训练好的第一卷积神经网络输出的结果更接近标定值。

图8是根据一示例性实施例示出的另一种识别图像清晰度的装置的框图，如图8所示，在上述图6所示实施例的基础上，调整模块62可以包括：第一缩放子模块621和处理子模块622。

第一缩放子模块621被配置为将感兴趣区域识别结果缩放到待识别图像的大小。

处理子模块622被配置为对第一缩放子模块621缩放后的感兴趣区域识别结果进行平滑滤波处理，得到感兴趣区域处理结果。

如图8所示的装置用于实现上述如图1所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

在该实施例中，对感兴趣区域识别结果进行处理可以为：将感兴趣区域识别结果缩放到待识别图像的大小，并对缩放后的感兴趣区域识别结果进行平滑滤波处理，以填补空洞，从而得到感兴趣区域处理结果。

上述实施例，通过将感兴趣区域识别结果缩放到待识别图像的大小，并对缩放后的感兴趣区域识别结果进行平滑滤波处理，以填补空洞，从而得到感兴趣区域处理结果，实现方式简单。

图9是根据一示例性实施例示出的另一种识别图像清晰度的装置的框图，如图9所示，在上述图6所示实施例的基础上，调整模块62可以包括：第二缩放子模块623和计算获得子模块624。

第二缩放子模块623被配置为将至少一个边缘图像识别结果均缩放到待识别图像的大小。

计算获得子模块624被配置为计算获得第二缩放子模块缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均图像值，平均图像即为根据平均值获得边缘图像处理结果。

如图9所示的装置用于实现上述如图1所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

在该实施例中，对至少一个边缘图像识别结果进行处理可以为：将至少一个边缘图像识别结果均缩放到待识别图像的大小，并计算缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均值，根据该平均值生成平均图像，该平均图像即为边缘图像处理结果。

上述实施例，通过将至少一个边缘图像识别结果均缩放到待识别图像的大小，并计算缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均值，根据该平均值获得边缘图像处理结果，实现方式简单。

图10是根据一示例性实施例示出的另一种识别图像清晰度的装置的框图，如图10所示，在上述图6所示实施例的基础上，该装置还可包括：第二训练获得模块65。

第二训练获得模块65可被配置为对第二待训练的卷积神经网络进行模型训练获得第二卷积神经网络。

第二训练获得模块65可以包括：第一计算子模块651、第二计算子模块652、第三计算子模块653和调整计算获得子模块654。

第一计算子模块651被配置为计算卷积特征值，包括将待识别图像样本及其感兴趣区域处理结果、边缘图像处理结果和预设的图像样本的清晰度分数输入到第二待训练的卷积神经网络的卷积层进行处理，得到卷积特征值。

在该实施例中，第二待训练的卷积神经网络可以包括k个卷积层、k-1个全连接层和损失函数层。例如，可以包括3个卷积层、2个全连接层和损失函数层。

在该实施例中，在将待识别图像样本、感兴趣区域处理结果和边缘图像处理结果合并为一张多通道图像输入到第二待训练的卷积神经网络后，首先可以通过至少一个卷积层对这些输入进行处理，从而得到卷积特征值。

第二计算子模块652被配置为计算全连接特征值，包括将第一计算子模块651计算的卷积特征值输入到第二待训练的卷积神经网络的全连接层进行计算，得到全连接特征值。

在获得卷积特征值之后，可以将卷积特征值输入到待训练的卷积神经网络的全连接层进行计算，得到全连接特征值。

第三计算子模块653被配置为计算损失函数值，包括将第二计算子模块652计算的全连接特征值输入到第二待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值。

调整计算获得子模块654被配置当第三计算子模块653计算的损失函数值小于上一次获得的损失函数值时，对卷积层进行调整，迭代计算卷积特征值、全连接特征值和损失函数值，直至迭代次数达到预设次数，获得第二卷积神经网络。

如图10所示的装置用于实现上述如图5所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

在该实施例中，损失函数层中的损失函数可以为但不局限于L2损失函数。L2损失函数为待识别图像的清晰度分数与预设的清晰度分数的差值函数。

在训练获得第二卷积神经网络时，目标是最小化L2损失函数，也就是使得到的待识别图像的清晰度分数尽可能地接近预设的清晰度分数。

需要说明的是，训练好的第二卷积神经网络中不包含损失函数层，即在图像清晰度识别时，将损失函数层去掉，得到待识别图像的清晰度分数，从而获得待识别图像的清晰度。另外，第二卷积神经网络和第一卷积神经网络中的感兴趣区域损失函数和边缘图像损失函数的个数和具体函数可以相同，也可以不同。

上述实施例，通过将待识别图像样本、感兴趣区域处理结果、边缘图像处理结果和预设的清晰度分数输入第二待训练的卷积神经网络进行训练，使得通过训练好的第二卷积神经网络输出的待识别图像的清晰度分数更接近预设的清晰度分数。

关于上述实施例中的装置，其中各个模块、子模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图11是根据一示例性实施例示出的一种适用于识别图像清晰度的装置的框图。例如，装置1100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11，装置1100可以包括以下一个或多个组件：处理组件1102，存储器1104，电源组件1106，多媒体组件1108，音频组件1110，输入/输出(I/O)的接口1112，传感器组件1114，以及通信组件1116。

处理组件1102通常控制装置1100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。处理元件1102可以包括一个或多个处理器1120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1102可以包括一个或多个模块，便于处理组件1102和其他组件之间的交互。例如，处理部件1102可以包括多媒体模块，以方便多媒体组件1108和处理组件1102之间的交互。

存储器1104被配置为存储各种类型的数据以支持在设备1100的操作。这些数据的示例包括用于在装置1100上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1104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1106为装置1100的各种组件提供电力。电力组件1106可以包括电源管理系统，一个或多个电源，及其他与为装置1100生成、管理和分配电力相关联的组件。

多媒体组件1108包括在所述装置1100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多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1108包括一个前置摄像头和/或后置摄像头。当设备1100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1110被配置为输出和/或输入音频信号。例如，音频组件1110包括一个麦克风(MIC)，当装置1100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1104或经由通信组件1116发送。在一些实施例中，音频组件1110还包括一个扬声器，用于输出音频信号。

I/O接口1112为处理组件1102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1114包括一个或多个传感器，用于为装置1100提供各个方面的状态评估。例如，传感器组件1114可以检测到设备1100的打开/关闭状态，组件的相对定位，例如所述组件为装置1100的显示器和小键盘，传感器组件1114还可以检测装置1100或装置1100一个组件的位置改变，用户与装置1100接触的存在或不存在，装置1100方位或加速/减速和装置1100的温度变化。传感器组件1114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1114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1114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1116被配置为便于装置1100和其他设备之间有线或无线方式的通信。装置1100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，通信部件1116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，所述通信部件1116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1100可以被一个或多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1104，上述指令可由装置1100的处理器1120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。

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 (13)

1.一种识别图像清晰度的方法，其特征在于，所述方法包括：

采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；

分别对所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；

将所述待识别图像、所述感兴趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述待识别图像的清晰度；

其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。

2.根据权利要求1所述的识别图像清晰度的方法，其特征在于，所述方法还包括：

对所述第一待训练的卷积神经网络进行模型训练获得第一卷积神经网络；

所述对所述第一待训练的卷积神经网络进行模型训练获得第一卷积神经网络，包括：

计算卷积特征值，包括将待识别图像样本及其标定的感兴趣区域和标定的边缘图像输入到第一待训练的卷积神经网络的卷积层进行处理，得到卷积特征值；

计算损失函数值，包括将所述卷积特征值输入到所述第一待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；

当所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行调整，迭代计算所述卷积特征值和所述损失函数值，直至迭代次数达到预设次数，获得所述第一卷积神经网络。

3.根据权利要求1所述的识别图像清晰度的方法，其特征在于，所述对所述感兴趣区域识别结果进行调整，得到感兴趣区域处理结果，包括：

将所述感兴趣区域识别结果缩放到所述待识别图像的大小；

对缩放后的感兴趣区域识别结果进行平滑滤波处理，得到所述感兴趣区域处理结果。

4.根据权利要求1所述的识别图像清晰度的方法，其特征在于，所述对所述至少一个边缘图像识别结果进行调整，得到边缘图像处理结果，包括：

将所述至少一个边缘图像识别结果均缩放到所述待识别图像的大小；

计算缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均值，根据所述平均值获得所述边缘图像处理结果。

5.根据权利要求1所述的识别图像清晰度的方法，其特征在于，所述方法还包括：

对所述第二待训练的卷积神经网络进行模型训练获得第二卷积神经网络；

所述对所述第二待训练的卷积神经网络进行模型训练获得第二卷积神经网络，包括：

计算卷积特征值，包括将待识别图像样本及其感兴趣区域处理结果、边缘图像处理结果和预设的图像样本的清晰度分数输入到第二待训练的卷积神经网络的卷积层进行处理，得到所述卷积特征值；

计算全连接特征值，包括将所述卷积特征值输入到所述第二待训练的卷积神经网络的全连接层进行计算，得到全连接特征值；

计算损失函数值，包括将所述全连接特征值输入到所述第二待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；

当所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行调整，迭代计算所述卷积特征值、所述全连接特征值和所述损失函数值，直至迭代次数达到预设次数，获得所述第二卷积神经网络。

6.根据权利要求2或5所述的识别图像清晰度的方法，其特征在于，所述损失函数包括感兴趣区域损失函数和边缘图像损失函数。

7.一种识别图像清晰度的装置，其特征在于，所述装置包括：

识别模块，被配置为采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；

调整模块，被配置为分别对所述识别模块识别得到的所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；

获得模块，被配置为将所述待识别图像、所述调整模块得到的所述感兴趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述待识别图像的清晰度；

其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。

8.根据权利要求7所述的识别图像清晰度的装置，其特征在于，所述装置还包括：

第一训练获得模块，被配置为对所述第一待训练的卷积神经网络进行模型训练获得第一卷积神经网络；

所述第一训练获得模块包括：

第一计算子模块，被配置为计算卷积特征值，包括将待识别图像样本及其标定的感兴趣区域和标定的边缘图像输入到第一待训练的卷积神经网络的卷积层进行处理，得到卷积特征值；

第二计算子模块，被配置为计算损失函数值，包括将所述第一计算子模块计算的所述卷积特征值输入到所述第一待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；

调整计算获得子模块，被配置为当所述第二计算子模块计算的所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行调整，迭代计算所述卷积特征值和所述损失函数值，直至迭代次数达到预设次数，获得所述第一卷积神经网络。

9.根据权利要求7所述的识别图像清晰度的装置，其特征在于，所述调整模块包括：

第一缩放子模块，被配置为将所述感兴趣区域识别结果缩放到所述待识别图像的大小；

处理子模块，被配置为对所述第一缩放子模块缩放后的感兴趣区域识别结果进行平滑滤波处理，得到所述感兴趣区域处理结果。

10.根据权利要求7所述的识别图像清晰度的装置，其特征在于，所述调整模块包括：

第二缩放子模块，被配置为将所述至少一个边缘图像识别结果均缩放到所述待识别图像的大小；

计算获得子模块，被配置为计算获得所述第二缩放子模块缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均图像值，所述平均图像即为根据所述平均值获得所述边缘图像处理结果。

11.根据权利要求7所述的识别图像清晰度的装置，其特征在于，所述装置还包括：

第二训练获得模块，被配置为对所述第二待训练的卷积神经网络进行模型训练获得第二卷积神经网络；

所述第二训练获得模块包括：

第一计算子模块，被配置为计算卷积特征值，包括将待识别图像样本及其感兴趣区域处理结果、边缘图像处理结果和预设的图像样本的清晰度分数输入到第二待训练的卷积神经网络的卷积层进行处理，得到所述卷积特征值；

第二计算子模块，被配置为计算全连接特征值，包括将所述第一计算子模块计算的所述卷积特征值输入到所述第二待训练的卷积神经网络的全连接层进行计算，得到全连接特征值；

第三计算子模块，被配置为计算损失函数值，包括将所述第二计算子模块计算的所述全连接特征值输入到所述第二待训练的卷积神经网络的损失函数层进行损失函数计算，得到损失函数值；

调整计算获得子模块，被配置当所述第三计算子模块计算的所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行调整，迭代计算所述卷积特征值、所述全连接特征值和所述损失函数值，直至迭代次数达到预设次数，获得所述第二卷积神经网络。

12.根据权利要求8或11所述的识别图像清晰度的装置，其特征在于，所述损失函数包括感兴趣区域损失函数和边缘图像损失函数。

13.一种识别图像清晰度的装置，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：

采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；

分别对所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；

将所述待识别图像、所述感兴趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述待识别图像的清晰度；

其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。