CN106548468A - 图像清晰度的判别方法及装置 - Google Patents

图像清晰度的判别方法及装置 Download PDF

Info

Publication number
CN106548468A
CN106548468A CN201610893740.1A CN201610893740A CN106548468A CN 106548468 A CN106548468 A CN 106548468A CN 201610893740 A CN201610893740 A CN 201610893740A CN 106548468 A CN106548468 A CN 106548468A
Authority
CN
China
Prior art keywords
gray
image
matrix
pixel
training
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.)
Granted
Application number
CN201610893740.1A
Other languages
English (en)
Other versions
CN106548468B (zh
Inventor
刘勇
庄正中
陈传艺
李祖辉
王梦宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Kugou Computer Technology Co Ltd
Original Assignee
Guangzhou Kugou Computer Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Kugou Computer Technology Co Ltd filed Critical Guangzhou Kugou Computer Technology Co Ltd
Priority to CN201610893740.1A priority Critical patent/CN106548468B/zh
Publication of CN106548468A publication Critical patent/CN106548468A/zh
Application granted granted Critical
Publication of CN106548468B publication Critical patent/CN106548468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明关于一种图像清晰度的判别方法及装置，属于图像处理领域。包括：获取待判别清晰度的原始图像，将原始图像缩放至指定像素得到目标图像；提取目标图像的第一特征，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；对第一特征进行预处理得到第二特征；将第二特征输入预先训练得到的人工神经网络模型，根据人工神经网络模型的输出结果判别原始图像是否清晰。通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证图像特征多样化，能从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过将第二特征输入预先训练得到的人工神经网络模型来判别图像是否清晰，使得判别方式较简单。

Description

图像清晰度的判别方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像清晰度的判别方法及装置。
背景技术
图像清晰度的判别是图像处理领域中的一项重要研究内容，其在图像的缩放、显示和重建等领域有着广泛的应用。因此，如何判别图像的清晰度受到广泛关注。
相关技术在判别图像的清晰度时，会预先训练一个SVM(Support VectorMachine，支持向量机)模型，该SVM模型根据图像的低频噪声确定图像清晰度。在此基础上，在判别图像的清晰度时，先提取图像的低频噪声特征，并将该低频噪声特征输入该SVM模型，从而根据该SVM模型的输出结果确定图像是否清晰。
在实现本明的过程中，发明人发现相关技术至少存在以下问题：
由于在判别图像清晰度时，仅提取了图像的低频噪声特征，使得提取的特征比较单一，然而，该单一特征可能并不能很好地反映图像特征，因此，可能导致判别结果不准确。
发明内容
为克服相关技术中存在的问题，本发明提供一种图像清晰度的判别方法及装置。
根据本发明实施例的第一方面，提供一种图像清晰度的判别方法，所述方法包括：
获取待判别清晰度的原始图像，并将所述原始图像缩放至指定像素，得到目标图像；
提取所述目标图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
对所述第一特征进行预处理，得到所述目标图像的第二特征；
将所述第二特征输入预先训练得到的人工神经网络模型，并根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰，所述人工神经网络模型用于判别图像是否清晰。
通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证提取的图像特征多样化，从而能够从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过对第一特征进行预处理得到第二特征后，进而将第二特征输入预先训练得到的人工神经网络模型来判别原始图像是否清晰，判别图像清晰度的方式比较简单。
可选地，所述提取所述目标图像的第一特征，包括：
确定所述目标图像的灰度矩阵；
根据所述灰度矩阵计算所述目标图像的图像对比度矩阵；
根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵。
通过提取目标图像的灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为目标图像的第一特征，保证提取的目标图像特征多样化，从而能够从多方面反映目标图像，保证后续基于该第一特征进行的判别结果比较准确。
可选地，所述根据所述灰度矩阵计算所述目标图像的图像对比度矩阵，包括：
对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围四个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为所述图像对比度矩阵中所述任一像素f(x，y)所在位置处的对比度，其中：
所述任一像素f(x，y)与所述任一像素f(x，y)周围四个邻域像素之间的关系表示为：
可选地，所述根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵，包括：
对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围八个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值；其中，所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素之间的关系表示为：
根据所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算所述灰度梯度最大累加和矩阵中所述任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：
其中，N＝9，i表示所述任一像素f(x，y)和所述任一像素f(x，y)周围八个邻域像素中的一个像素。
可选地，所述对所述第一特征进行预处理，得到所述目标图像的第二特征，包括：
将所述灰度矩阵、所述图像对比度矩阵和所述灰度梯度最大累加和矩阵均分割为指定数值个数据块；
计算所述灰度矩阵的每一数据块中所有元素的灰度平均值，并将所述灰度矩阵的每一数据块的灰度平均值确定为所述灰度矩阵的每一数据块对应的目标灰度；
计算所述图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将所述图像对比度矩阵的每一数据块的图像对比度平均值确定为所述图像对比度矩阵的每一数据块对应的目标图像对比度；
计算所述灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将所述灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为所述灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；
根据所述每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成所述目标图像的第二特征。
通过将灰度矩阵、图像对比度矩阵和所述灰度梯度最大累加和矩阵均分割为指定数值个数据块，并分别确定每个数据块的灰度平均值作为对应的目标灰度、确定每个数据块的图像对比度平均值作为对应的目标图像对比度、确定每个数据块的灰度梯度最大累加和平均值作为对应的目标灰度梯度最大累加和，进而根据每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成所述目标图像的第二特征，从而实现不仅减小后续输入人工神经网络模型的输入项的个数，而且利用了图像对比度的局部性原理，保留了图像对比度的局部特征完整性。
可选地，所述将所述第二特征输入预先训练得到的人工神经网络模型之前，还包括：
获取多个训练图像，所述训练图像的尺寸为指定像素；
提取每个训练图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；
通过每个训练图像的第二特征训练待训练人工神经网络模型；
当所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录所述待训练人工神经网络模型的当前模型参数值；
根据所述当前模型参数值和所述待训练人工神经网络模型的组成确定所述人工神经网络模型。
通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵来标识第一特征，从而使得特征多样化，从而可以保证训练好的人工神经网络模型的泛化能力。
可选地，所述通过每个训练图像的第二特征训练待训练人工神经网络模型，包括：
在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求。
通过根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，确定本次训练得到的模型参数值，从而可以加快待训练人工神经网络模型的收敛速度。
可选地，所述根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰之后，还包括：
记录误判图像，并根据误判类型建立误判样本对，所述误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，所述第一图像的误判类型为清晰被误判为不清晰，所述第二图像的误判类型为不清晰被误判为清晰；
根据所述误判样本对更新所述人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。
通过不断更新人工神经网络模型的参数，可以使得后续利用更新后的人工神经网络模型得到的判别结果更加准确。另外，通过误判样本对来更新人工神经网络模型，即引入成对约束，可以减少因样本比例造成样本过拟合等问题。
可选地，所述人工神经网络模型为前向神经网络模型，且所述前向神经网络模型包括多个隐藏层。通过设置多个隐藏层可以增加人工神经网络模型的泛化能力。
根据本发明实施例的第二方面，提供一种图像清晰度的判别装置，所述装置包括：
第一获取模块，用于获取待判别清晰度的原始图像，并将所述原始图像缩放至指定像素，得到目标图像；
第一提取模块，用于提取所述目标图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
第一预处理模块，用于对所述第一特征进行预处理，得到所述目标图像的第二特征；
输入模块，用于将所述第二特征输入预先训练得到的人工神经网络模型，并根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰，所述人工神经网络模型用于判别图像是否清晰。
可选地，所述第一提取模块包括：
确定单元，用于确定所述目标图像的灰度矩阵；
第一计算单元，用于根据所述灰度矩阵计算所述目标图像的图像对比度矩阵；
第二计算单元，用于根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵。
可选地，所述第一计算单元用于：
对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围四个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为所述图像对比度矩阵中所述任一像素f(x，y)所在位置处的对比度，其中：
所述任一像素f(x，y)与所述任一像素f(x，y)周围四个邻域像素之间的关系表示为：
可选地，所述第二计算单元用于：
对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围八个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值；其中，所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素之间的关系表示为：
根据所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算所述灰度梯度最大累加和矩阵中所述任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：
其中，N＝9，i表示所述任一像素f(x，y)和所述任一像素f(x，y)周围八个邻域像素中的一个像素。
可选地，所述第一预处理模块包括：
分割单元，用于将所述灰度矩阵、所述图像对比度矩阵和所述灰度梯度最大累加和矩阵均分割为指定数值个数据块；
第三计算单元，用于计算所述灰度矩阵的每一数据块中所有元素的灰度平均值，并将所述灰度矩阵的每一数据块的灰度平均值确定为所述灰度矩阵的每一数据块对应的目标灰度；
第四计算单元，用于计算所述图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将所述图像对比度矩阵的每一数据块的图像对比度平均值确定为所述图像对比度矩阵的每一数据块对应的目标图像对比度；
第五计算单元，用于计算所述灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将所述灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为所述灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；
生成单元，用于根据所述每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成所述目标图像的第二特征。
可选地，所述装置还包括：
第二获取模块，用于获取多个训练图像，所述训练图像的尺寸为指定像素；
第二提取模块，用于提取每个训练图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
第二预处理模块，用于对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；
训练模块，用于通过每个训练图像的第二特征训练待训练人工神经网络模型；
第一记录模块，用于当所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录所述待训练人工神经网络模型的当前模型参数值；
确定模块，用于根据所述当前模型参数值和所述待训练人工神经网络模型的组成确定所述人工神经网络模型。
可选地，所述训练模块用于：
在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求。
可选地，所述装置还包括：
第二记录模块，用于记录误判图像，并根据误判类型建立误判样本对，所述误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，所述第一图像的误判类型为清晰被误判为不清晰，所述第二图像的误判类型为不清晰被误判为清晰；
更新模块，用于根据所述误判样本对更新所述人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。
可选地，所述人工神经网络模型为前向神经网络模型，且所述前向神经网络模型包括多个隐藏层。
本发明的实施例提供的技术方案可以包括以下有益效果：
通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证提取的图像特征多样化，从而能够从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过对第一特征进行预处理得到第二特征后，进而将第二特征输入预先训练得到的人工神经网络模型来判别原始图像是否清晰，不仅判别图像清晰度的方式比较简单，而且保证输入人工神经网络模型的第二特征为处理后的特征。由于通常处理后的特征相对第一特征不仅数量比较少，而且能够保留图像局部特征完整性，因而可以在不失真的前提下，使得判别时的计算量比较少，从而保证判别效率比较高。
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，并不能限制本发明。
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图像清晰度的判别方法的流程图。
图2是根据一示例性实施例示出的一种图像清晰度的判别方法的流程图。
图3A是根据一示例性实施例示出的一种图像清晰度的判别装置的框图。
图3B是根据一示例性实施例示出的一种第一提取模块的框图。
图3C是根据一示例性实施例示出的一种第一预处理模块的框图。
图3D是根据一示例性实施例示出的一种图像清晰度的判别装置的框图。
图3E是根据一示例性实施例示出的一种图像清晰度的判别装置的框图。
图4是根据一示例性实施例示出的一种图像清晰度的判别装置的框图。
图5是根据一示例性实施例示出的一种图像清晰度的判别装置的框图。
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图像清晰度的判别方法的流程图，该图像清晰度的判别方法用于终端中。如图1所示，该图像清晰度的判别方法包括以下步骤。
在步骤101中，获取待判别清晰度的原始图像，并将原始图像缩放至指定像素，得到目标图像。
在步骤102中，提取目标图像的第一特征，其中，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识。
在步骤103中，对第一特征进行预处理，得到目标图像的第二特征。
在步骤104中，将第二特征输入预先训练得到的人工神经网络模型，并根据人工神经网络模型的输出结果判别原始图像是否清晰，其中，人工神经网络模型用于判别图像是否清晰。
可选地，提取目标图像的第一特征，包括：
确定目标图像的灰度矩阵；
根据灰度矩阵计算目标图像的图像对比度矩阵；
根据灰度矩阵计算目标图像的灰度梯度最大累加和矩阵。
可选地，根据灰度矩阵计算目标图像的图像对比度矩阵，包括：
对于灰度矩阵中的任一像素f(x，y)，分别计算任一像素f(x，y)周围四个邻域像素的灰度值与任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为图像对比度矩阵中任一像素f(x，y)所在位置处的对比度，其中：
任一像素f(x，y)与任一像素f(x，y)周围四个邻域像素之间的关系表示为：
可选地，根据灰度矩阵计算目标图像的灰度梯度最大累加和矩阵，包括：
对于灰度矩阵中的任一像素f(x，y)，分别计算任一像素f(x，y)周围八个邻域像素的灰度值与任一像素f(x，y)的灰度值之间的灰度差值；其中，任一像素f(x，y)与任一像素f(x，y)周围八个邻域像素之间的关系表示为：
根据任一像素f(x，y)与任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算灰度梯度最大累加和矩阵中任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：
其中，N＝9，i表示任一像素f(x，y)和任一像素f(x，y)周围八个邻域像素中的一个像素。
可选地，对第一特征进行预处理，得到目标图像的第二特征，包括：
将灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵均分割为指定数值个数据块；
计算灰度矩阵的每一数据块中所有元素的灰度平均值，并将灰度矩阵的每一数据块的灰度平均值确定为灰度矩阵的每一数据块对应的目标灰度；
计算图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将图像对比度矩阵的每一数据块的图像对比度平均值确定为图像对比度矩阵的每一数据块对应的目标图像对比度；
计算灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；
根据每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成目标图像的第二特征。
可选地，将第二特征输入预先训练得到的人工神经网络模型之前，还包括：
获取多个训练图像，训练图像的尺寸为指定像素；
提取每个训练图像的第一特征，其中，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；
通过每个训练图像的第二特征训练待训练人工神经网络模型；
当待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录待训练人工神经网络模型的当前模型参数值；
根据当前模型参数值和待训练人工神经网络模型的组成确定人工神经网络模型。
可选地，通过每个训练图像的第二特征训练待训练人工神经网络模型，包括：
在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至待训练人工神经网络模型的评价参数或迭代次数达到预设要求。
可选地，根据人工神经网络模型的输出结果判别原始图像是否清晰之后，还包括：
记录误判图像，并根据误判类型建立误判样本对，其中，误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，第一图像的误判类型为清晰被误判为不清晰，第二图像的误判类型为不清晰被误判为清晰；
根据误判样本对更新人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。
可选地，人工神经网络模型为前向神经网络模型，且前向神经网络模型包括多个隐藏层。
本发明实施例提供的方法，通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证提取的图像特征多样化，从而能够从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过对第一特征进行预处理得到第二特征后，进而将第二特征输入预先训练得到的人工神经网络模型来判别原始图像是否清晰，不仅判别图像清晰度的方式比较简单，而且保证输入人工神经网络模型的第二特征为处理后的特征。由于通常处理后的特征相对第一特征不仅数量比较少，而且能够保留图像局部特征完整性，因而可以在不失真的前提下，使得判别时的计算量比较少，从而保证判别效率比较高。
图2是根据一示例性实施例示出的一种图像清晰度的判别方法的流程图，该图像清晰度的判别方法用于终端中。如图2所示，该图像清晰度的判别方法包括以下步骤。
步骤201：获取多个训练图像。
其中，训练图像为训练待训练人工神经网络模型的图像。训练图像会预先被人工或通过其它方式标注为清晰与否。训练图像的数量可以达到数十万个，甚至更多。当然，训练图像越多，训练得到的人工神经网络模型在判别图像清晰度时，判别结果更准确。在本发明实施例中训练得到的人工神经网络模型能够识别指定像素的图像，因此，各个训练图像的尺寸均为指定像素，如2048*1280等。
另外，获取到的多个训练图像可以为通过照相机拍摄的图片，还可以为视频中的图像帧，也可以是从网上下载的图片等，关于训练图像的来源，本发明实施例不作具体限定。
步骤202：提取每个训练图像的第一特征，并对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征，其中，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识。
本发明实施例中通过灰度、图像对比度和灰度梯度最大累加和标识图像的特征，且灰度、图像对比度和灰度梯度最大累加和分别通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵来表示，并将这三个矩阵表示的特征定义为第一特征。
另外，本发明实施例提取每个训练图像的第一特征的方式与下述步骤206中提取目标图像的第一特征的方式相同，对每个训练图像的第一特征进行预处理的方式与下述步骤207中对第一特征进行预处理的方式相同，此处暂不进行阐述，详见下述步骤206和步骤207中的内容。
步骤203：通过每个训练图像的第二特征训练待训练人工神经网络模型，且当待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录待训练人工神经网络模型的当前模型参数值。
其中，待训练人工神经网络模型为前向神经网络模型，且该前向神经网络模型包括多个隐藏层。由于每个隐藏层都会对应权重变化量▽Wi和偏置向量▽bi等参数，因此，待训练人工神经网络模型的模型参数为其固有的参数，如模型参数为待训练人工神经网络中的隐藏层的权重变化量▽Wi和偏置向量▽bi等。待训练人工神经网络模型的评价参数为确定其是否已训练好的参数，如MSE(平均方差)等。
通常，当待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，如当待训练人工神经网络模型的评价参数不大于预设阈值或者训练过程的迭代次数达到预设数值时，可以确定该待训练人工神经网络模型已训练好。例如，当迭代次数达到2000次，或者迭代过程中得到的MSE的值不大于0.0002时，可以确定评价参数或迭代次数达到预设要求，亦即可以确定该待训练人工神经网络模型已训练完成。在本发明实施例中，当前模型参数值即为已经训练好人工神经网络模型时的模型参数值。为了便于通过训练好的人工神经网络模型进行图像清晰度识别，当待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，需要记录待训练人工神经网络模型的当前模型参数值。
通常，在训练待训练人工神经网络时，往往会分次进行，如每次训练过程使用十万张训练图像等，本次训练会在上一次训练结果的基础上继续进行，且在进行本次训练时，会给模型参数赋一个初值。本发明实施中，在通过每个训练图像的第二特征训练待训练人工神经网络模型时，为了加快待训练人工神经网络模型的收敛速度，对于模型参数，可以根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至待训练人工神经网络模型的评价参数或迭代次数达到预设要求。
例如，当模型参数为权重变化量▽Wi时，可以将上一次训练得到的权重变化量▽Wpre与本次训练赋予的权重变化量▽Wcur按照一定比例因子α进行累加，如▽W＝α*▽Wpre+(1-α)*▽Wcur作为本次训练得到的权重变化量。其中，α表示上一次训练得到的模型参数值的权重，1-α表示本次训练赋予的权重变化量▽Wcur的权重。在实际应用中，α的数值根据经验确定，如α＝0.3。另外，对于偏置向量▽bi的处理方法，与▽Wi处理方法的原理相同，在此不再赘述了。
步骤204：根据当前模型参数值和待训练人工神经网络模型的组成确定人工神经网络模型。
其中，待训练人工神经网络模型的组成是指待训练人工神经网络模型中，输入层、隐藏层及输出层之间的位置关系、隐藏层的数量、输入层中输入项的数量等。将当前模型参数值代入待训练人工神经网络模型的组成中，即可得到用于判别图像清晰度的人工神经网络模型。在本发明实施例中，将由待训练人工神经网络模型训练得到的模型定义为人工神经网络模型。
由于训练过程并不会改变待训练人工神经网络模型的组成，且待训练人工神经网络模型为前向神经网络模型，且该前向神经网络模型包括多个隐藏层，因此，训练好的人工神经网络模型也为前向神经网络模型，且同样包括多个隐藏层。在本发明实施例中，通过设置人工神经网络模型包括多个隐藏层，可以增强模型的泛化能力。
需要说明的是，上述步骤201-204为通过本发明实施例提供的方法判别图像清晰度之前需要执行的步骤，并不是每次判别图像清晰度时均需执行的步骤，保证在使用本发明实施例提供的方法判别图像清晰度时，已经训练得到该人工神经网络模型即可。
步骤205：获取待判别清晰度的原始图像，并将原始图像缩放至指定像素，得到目标图像。
其中，在获取原始图像时，可以获取照相机当前或者之前拍摄的任一图片作为原始图像；也可以从任一网站下载图片后，将该图片作为原始图像；也可以为从当前播放的视频中获取任一视频帧，将该视频帧作为原始图像等。
本发明实施例中的人工神经网络模型可以判别指定像素的图像是否清晰，因此，在获取到原始图像后，需要先将原始图像缩放至指定像素，本发明中将原始图像缩放至指定像素后的图像定义为目标图像。其中，在对原始图像进行缩放时，通过平铺方式或图像缩放算法对图像进行处理，本发明实施例对缩放原始图像的过程不进行详细阐述。
步骤206：提取目标图像的第一特征，其中，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识。
其中，在提取目标图像的第一特征时，可以通过如下步骤A至步骤C来实现：
步骤A，确定目标图像的灰度矩阵。
其中，灰度矩阵中的每个元素为对应像素的灰度值。例如，灰度矩阵中第三行第四列的元素为目标图像中位于第三行第四列的像素的灰度值。
在确定目标图像的灰度矩阵时，可以先获取目标图像每个像素的RGB值，然后将每个像素的RGB值通过灰度转换算法转化为灰度值，从而得到目标图像的灰度矩阵。其中，该灰度转换算法可以参考现有的将RGB值转换为灰度值的算法，本发明实施例对此不作详细阐述。
步骤B，根据灰度矩阵计算目标图像的图像对比度矩阵。
其中，在根据灰度矩阵计算目标图像的图像对比度矩阵时，对于灰度矩阵中的任一像素f(x，y)，分别计算任一像素f(x，y)周围四个邻域像素的灰度值与任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为图像对比度矩阵中任一像素f(x，y)所在位置处的对比度，其中：其中，x和y分别表示像素所在的行和列。任一像素f(x，y)周围四个邻域像素是指灰度矩阵中，位于f(x，y)上面、下面、左面和右面，且与f(x，y)相邻的像素。
具体地，任一像素f(x，y)与任一像素f(x，y)周围四个邻域像素之间的关系可以表示为如下形式：
例如，像素f(8，9)的周围四个邻域像素分别为f(7，9)、f(10，9)、f(8，8)和f(8，10)，即位于第八行第九列的像素的周围四个领域像素分别为目标图像中位于第七行第九列的像素、位于第十行第九列的像素、位于第八行第八列的像素和位于第八行第十列的像素。
又例如，对于像素f(8，9)，图像对比度矩阵中像素f(8，9)所在位置处的对比度为：f(7，9)、f(10，9)、f(8，8)和f(8，10)分别与f(8，9)的灰度差值中的最大值。如，f(7，9)、f(10，9)、f(8，8)和f(8，10)与f(8，9)的灰度差值中，f(10，9)与f(8，9)的灰度差值最大，则将f(10，9)与f(8，9)的灰度差值确定为图像对比度矩阵中第八行第九列的元素值。
步骤C，根据灰度矩阵计算目标图像的灰度梯度最大累加和矩阵。
其中，在根据灰度矩阵计算目标图像的灰度梯度最大累加和矩阵时，对于灰度矩阵中的任一像素f(x，y)，首先，分别计算任一像素f(x，y)周围八个邻域像素的灰度值与任一像素f(x，y)的灰度值之间的灰度差值。
其中，x和y分别表示像素所在的行和列，任一像素f(x，y)周围八个邻域像素是指灰度矩阵中位于f(x，y)上面、下面、左面、右面和对角线上且与f(x，y)相邻的像素，即任一像素f(x，y)周围八个邻域像素是指以f(x，y)为中心构成的三行三列的矩阵中所包括的像素。例如，像素f(8，9)的周围八个邻域像素分别为f(7，9)、f(10，9)、f(8，8)、f(8，10)、f(7，8)、f(7，10)、f(9，8)和f(9，10)。具体地，任一像素f(x，y)与任一像素f(x，y)周围八个邻域像素之间的关系可以表示为：
然后，根据任一像素f(x，y)与任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算灰度梯度最大累加和矩阵中任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：
其中，N＝9，i表示任一像素f(x，y)和任一像素f(x，y)周围八个邻域像素中的一个像素。
步骤207：对第一特征进行预处理，得到目标图像的第二特征。
其中，在对第一特征进行预处理，得到目标图像的第二特征时，可以通过如下步骤a至步骤e来实现：
步骤a，将灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵均分割为指定数值个数据块。
关于指定数值的具体数值，可以根据经验确定，例如，指定数值可以为256，即将矩阵的每行和每列均分给为16份。当指定数值为256时，上述灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵将被分割为256个数据块。例如，如果图像对比度矩阵的像素大小为2048*1280，将图像对比度矩阵分割为256块后，每个数据块的像素大小为(2048/16≈128)*(1280/16≈80)。
步骤b，计算灰度矩阵的每一数据块中所有元素的灰度平均值，并将灰度矩阵的每一数据块的灰度平均值确定为灰度矩阵的每一数据块对应的目标灰度。
例如，对于灰度矩阵中的任一个数据块，求该数据块中所有元素的灰度平均值，将该灰度平均值作为该数据块的目标灰度。
本发明实施例中，通过将灰度矩阵分割为指定数值个数据块，并计算每个数据块的灰度平均值作为每个数据块对应的目标灰度，一方面能够减少模型训练时输入项的个数，另一方面也利用了图像灰度的局部性原理，保留了图像灰度的局部特征完整性。
步骤c，计算图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将图像对比度矩阵的每一数据块的图像对比度平均值确定为图像对比度矩阵的每一数据块对应的目标图像对比度。
例如，对于图像对比度矩阵中的任一个数据块，求该数据块中所有元素的图像对比度平均值，将该图像对比度平均值作为该数据块的目标图像对比度。
本发明实施例中，通过将图像对比度矩阵分割为指定数值个数据块，并计算每个数据块的图像对比度平均值作为每个数据块对应的目标图像对比度，一方面能够减少模型训练时输入项的个数，另一方面也利用了图像对比度的局部性原理，保留了图像对比度的局部特征完整性。
步骤d，计算灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和。
例如，对于灰度梯度最大累加和矩阵中的任一个数据块，求该数据块中所有元素的灰度梯度最大累加和平均值，将该灰度梯度最大累加和平均值作为该数据块的目标灰度梯度最大累加和。
本发明实施例中，通过将灰度梯度最大累加和矩阵分割为指定数值个数据块，并计算每个数据块的灰度梯度最大累加和平均值作为每个数据块对应的目标灰度梯度最大累加和，一方面能够减少模型训练时输入项的个数，另一方面也利用了图像灰度梯度最大累加和的局部性原理，保留了图像灰度梯度最大累加和的局部特征完整性。
步骤e，根据每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成目标图像的第二特征。
其中，在生成目标图像的第二特征时，可以将上述步骤b至步骤d中求得的3*指定数值个元素排成一个一行3*指定数值列的矩阵，该一行3*指定数值列的矩阵即为目标图像的第二特征。
步骤208：将第二特征输入预先训练得到的人工神经网络模型，并根据人工神经网络模型的输出结果判别原始图像是否清晰。
其中，在将第二特征输入人工神经网络模型时，可以将3*指定数值个元素并行输入，即这3*指定数值个元素同时输入人工神经网络模型。
示例地，在根据人工神经网络模型的输出结果判别原始图像是否清晰时，可以根据人工神经网络模型输出的数值确定。例如，如果人工神经网络模型的输出结果包括0和1，且当输出结果是1时，表示原始图像清晰；当输出结果是0时，表示原始图像不清晰时，如果此时人工神经网络模型的输出结果为0，则可以确定原始图像不清晰。
可选地，根据人工神经网络模型的输出结果判别原始图像是否清晰之后，为了进一步优化上述人工神经网络模型，还可以：记录误判图像，并根据误判类型建立误判样本对，其中，误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，第一图像的误判类型为清晰被误判为不清晰，第二图像的误判类型为不清晰被误判为清晰；然后，在人工神经网络模型当前模型参数的基础上，根据误判样本对更新人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。
其中，误判图像是指清晰被误判为不清晰的图像或者不清晰被误判为清晰的图像。在根据判样本对更新人工神经网络模型的参数时，对于误判样本对中的第一图像和第二图像，均需要提取第一特征，并进一步对第一特征进行预处理得到第二特征后，将第二特征输入上述人工神经网络模型后，在人工神经网络模型当前模型参数值的基础上，重新确定其模型参数。
进一步地，在更新人工神经网络模型时，可以在积累了一定数量的误判样本对后再进行。如，当误判样本对的数量达到一定次数时再进行。该一定次数可以根据需要设定。
本发明实施例中，通过记录误判图像，并进一步根据误判样本对更新人工神经网络模型的参数，可以优化人工神经网络模型，不仅使得判别结果更加准确，而且能够增强模型的泛化能力。另外，通过引入误判样本对的成对约束机制，可以减少因样本比例造成样本过拟合等问题。
本发明实施例提供的方法，通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证提取的图像特征多样化，从而能够从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过对第一特征进行预处理得到第二特征后，进而将第二特征输入预先训练得到的人工神经网络模型来判别原始图像是否清晰，不仅判别图像清晰度的方式比较简单，而且保证输入人工神经网络模型的第二特征为处理后的特征。由于通常处理后的特征相对第一特征不仅数量比较少，而且能够保留图像局部特征完整性，因而可以在不失真的前提下，使得判别时的计算量比较少，从而保证判别效率比较高。
图3A是根据一示例性实施例示出的一种图像清晰度的判别装置框图，该装置可以用于执行上述图1或图2所对应实施例提供的图像清晰度的判别方法。参照图3A，该装置包括第一获取模块301、第一提取模块302、第一预处理模块303和输入模块304，其中：
第一获取模块301，用于获取待判别清晰度的原始图像，并将原始图像缩放至指定像素，得到目标图像；
第一提取模块302，用于提取目标图像的第一特征，其中，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
第一预处理模块303，用于对第一特征进行预处理，得到目标图像的第二特征；
输入模块304，用于将第二特征输入预先训练得到的人工神经网络模型，并根据人工神经网络模型的输出结果判别原始图像是否清晰，其中，人工神经网络模型用于判别图像是否清晰。
可选地，如图3B所示，第一提取模块302包括确定单元3021、第一计算单元3022和第二计算单元3023，其中：
确定单元3021，用于确定目标图像的灰度矩阵；
第一计算单元3022，用于根据灰度矩阵计算目标图像的图像对比度矩阵；
第二计算单元3023，用于根据灰度矩阵计算目标图像的灰度梯度最大累加和矩阵。
可选地，第一计算单元3022用于：
对于灰度矩阵中的任一像素f(x，y)，分别计算任一像素f(x，y)周围四个邻域像素的灰度值与任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为图像对比度矩阵中任一像素f(x，y)所在位置处的对比度，其中：
任一像素f(x，y)与任一像素f(x，y)周围四个邻域像素之间的关系表示为：
可选地，第二计算单元3023用于：
对于灰度矩阵中的任一像素f(x，y)，分别计算任一像素f(x，y)周围八个邻域像素的灰度值与任一像素f(x，y)的灰度值之间的灰度差值；其中，任一像素f(x，y)与任一像素f(x，y)周围八个邻域像素之间的关系表示为：
根据任一像素f(x，y)与任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算灰度梯度最大累加和矩阵中任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：
其中，N＝9，i表示任一像素f(x，y)和任一像素f(x，y)周围八个邻域像素中的一个像素。
可选地，如图3C所示，第一预处理模块303包括分割单元3031、第三计算单元3032、第四计算单元3033、第五计算单元3034和生成单元3035，其中：
分割单元3031，用于将灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵均分割为指定数值个数据块；
第三计算单元3032，用于计算灰度矩阵的每一数据块中所有元素的灰度平均值，并将灰度矩阵的每一数据块的灰度平均值确定为灰度矩阵的每一数据块对应的目标灰度；
第四计算单元3033，用于计算图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将图像对比度矩阵的每一数据块的图像对比度平均值确定为图像对比度矩阵的每一数据块对应的目标图像对比度；
第五计算单元3034，用于计算灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；
生成单元3035，用于根据每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成目标图像的第二特征。
可选地，如图3D所示，装置还包括第二获取模块305、第二提取模块306、第二预处理模块307、训练模块308、第一记录模块309和确定模块310，其中：
第二获取模块305，用于获取多个训练图像，其中，训练图像的尺寸为指定像素；
第二提取模块306，用于提取每个训练图像的第一特征，其中，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
第二预处理模块307，用于对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；
训练模块308，用于通过每个训练图像的第二特征训练待训练人工神经网络模型；
第一记录模块309，用于当待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录待训练人工神经网络模型的当前模型参数值；
确定模块310，用于根据当前模型参数值和待训练人工神经网络模型的组成确定人工神经网络模型。
可选地，训练模块308用于：
在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至待训练人工神经网络模型的评价参数或迭代次数达到预设要求。
可选地，如图3E所示，装置还包括第二记录模块311和更新模块312，其中：
第二记录模块311，用于记录误判图像，并根据误判类型建立误判样本对，其中，误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，第一图像的误判类型为清晰被误判为不清晰，第二图像的误判类型为不清晰被误判为清晰；
更新模块312，用于根据误判样本对更新人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。
可选地，人工神经网络模型为前向神经网络模型，且前向神经网络模型包括多个隐藏层。
关于上述实施例中的装置，其中各个模块及单元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。
本发明实施例提供的装置，通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证提取的图像特征多样化，从而能够从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过对第一特征进行预处理得到第二特征后，进而将第二特征输入预先训练得到的人工神经网络模型来判别原始图像是否清晰，不仅判别图像清晰度的方式比较简单，而且保证输入人工神经网络模型的第二特征为处理后的特征。由于通常处理后的特征相对第一特征不仅数量比较少，而且能够保留图像局部特征完整性，因而可以在不失真的前提下，使得判别时的计算量比较少，从而保证判别效率比较高。
图4是根据一示例性实施例示出的一种图像清晰度的判别装置400的框图。例如，装置400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4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。
处理组件402通常控制装置400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402可以包括一个或多个处理器420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402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400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404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。
电源组件406为装置400的各种组件提供电源。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电源相关联的组件。
多媒体组件408包括在所述装置400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408包括一个前置摄像头和/或后置摄像头。当装置400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410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400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404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
I/O接口412为处理组件402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414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到装置400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414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414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414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416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400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416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416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400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404，上述指令可由装置400的处理器420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终端的处理器执行时，使得移动终端能够执行一种图像清晰度的判别方法，所述方法包括：
获取待判别清晰度的原始图像，并将原始图像缩放至指定像素，得到目标图像；
提取目标图像的第一特征，其中，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
对第一特征进行预处理，得到目标图像的第二特征；
将第二特征输入预先训练得到的人工神经网络模型，并根据人工神经网络模型的输出结果判别原始图像是否清晰，其中，人工神经网络模型用于判别图像是否清晰。
可选地，提取目标图像的第一特征，包括：
确定目标图像的灰度矩阵；
根据灰度矩阵计算目标图像的图像对比度矩阵；
根据灰度矩阵计算目标图像的灰度梯度最大累加和矩阵。
可选地，根据灰度矩阵计算目标图像的图像对比度矩阵，包括：
对于灰度矩阵中的任一像素f(x，y)，分别计算任一像素f(x，y)周围四个邻域像素的灰度值与任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为图像对比度矩阵中任一像素f(x，y)所在位置处的对比度，其中：
任一像素f(x，y)与任一像素f(x，y)周围四个邻域像素之间的关系表示为：
可选地，根据灰度矩阵计算目标图像的灰度梯度最大累加和矩阵，包括：
对于灰度矩阵中的任一像素f(x，y)，分别计算任一像素f(x，y)周围八个邻域像素的灰度值与任一像素f(x，y)的灰度值之间的灰度差值；其中，任一像素f(x，y)与任一像素f(x，y)周围八个邻域像素之间的关系表示为：
根据任一像素f(x，y)与任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算灰度梯度最大累加和矩阵中任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：
其中，N＝9，i表示任一像素f(x，y)和任一像素f(x，y)周围八个邻域像素中的一个像素。
可选地，对第一特征进行预处理，得到目标图像的第二特征，包括：
将灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵均分割为指定数值个数据块；
计算灰度矩阵的每一数据块中所有元素的灰度平均值，并将灰度矩阵的每一数据块的灰度平均值确定为灰度矩阵的每一数据块对应的目标灰度；
计算图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将图像对比度矩阵的每一数据块的图像对比度平均值确定为图像对比度矩阵的每一数据块对应的目标图像对比度；
计算灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；
根据每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成目标图像的第二特征。
可选地，将第二特征输入预先训练得到的人工神经网络模型之前，还包括：
获取多个训练图像，其中，训练图像的尺寸为指定像素；
提取每个训练图像的第一特征，其中，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；
通过每个训练图像的第二特征训练待训练人工神经网络模型；
当待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录待训练人工神经网络模型的当前模型参数值；
根据当前模型参数值和待训练人工神经网络模型的组成确定人工神经网络模型。
可选地，通过每个训练图像的第二特征训练待训练人工神经网络模型，包括：
在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至待训练人工神经网络模型的评价参数或迭代次数达到预设要求。
可选地，根据人工神经网络模型的输出结果判别原始图像是否清晰之后，还包括：
记录误判图像，并根据误判类型建立误判样本对，其中，误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，第一图像的误判类型为清晰被误判为不清晰，第二图像的误判类型为不清晰被误判为清晰；
根据误判样本对更新人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。
可选地，人工神经网络模型为前向神经网络模型，且前向神经网络模型包括多个隐藏层。
本发明实施例提供的装置，通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证提取的图像特征多样化，从而能够从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过对第一特征进行预处理得到第二特征后，进而将第二特征输入预先训练得到的人工神经网络模型来判别原始图像是否清晰，不仅判别图像清晰度的方式比较简单，而且保证输入人工神经网络模型的第二特征为处理后的特征。由于通常处理后的特征相对第一特征不仅数量比较少，而且能够保留图像局部特征完整性，因而可以在不失真的前提下，使得判别时的计算量比较少，从而保证判别效率比较高。
图5是根据一示例性实施例示出的另一种图像清晰度的判别装置500的框图。例如，装置500可以被提供为一服务器。参照图5，装置500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述方法图像清晰度的判别方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理，一个有线或无线网络接口550被配置为将装置500连接到网络，和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
图5所示的装置在判别图像清晰度时，其处理组件522执行的指令与上述图4所对应实施例中的处理器420所执行的指令相同，指令具体内容可参见上述图4所对应实施例中的内容，此处不再赘述。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明未发明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，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制。

Claims (18)

1.一种图像清晰度的判别方法，其特征在于，所述方法包括：
获取待判别清晰度的原始图像，并将所述原始图像缩放至指定像素，得到目标图像；
提取所述目标图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
对所述第一特征进行预处理，得到所述目标图像的第二特征；
将所述第二特征输入预先训练得到的人工神经网络模型，并根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰，所述人工神经网络模型用于判别图像是否清晰。
2.根据权利要求1所述的方法，其特征在于，所述提取所述目标图像的第一特征，包括：
确定所述目标图像的灰度矩阵；
根据所述灰度矩阵计算所述目标图像的图像对比度矩阵；
根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据所述灰度矩阵计算所述目标图像的图像对比度矩阵，包括：
对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围四个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为所述图像对比度矩阵中所述任一像素f(x，y)所在位置处的对比度，其中：
所述任一像素f(x，y)与所述任一像素f(x，y)周围四个邻域像素之间的关系表示为：
f ( x - 1 , y ) f ( x , y - 1 ) f ( x , y ) f ( x , y + 1 ) f ( x + 1 , y ) .
4.根据权利要求2所述的方法，其特征在于，所述根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵，包括：
对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围八个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值；其中，所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素之间的关系表示为：
f ( x - 1 , y - 1 ) f ( x - 1 , y ) f ( x - 1 , y + 1 ) f ( x , y - 1 ) f ( x , y ) f ( x , y + 1 ) f ( x + 1 , y - 1 ) f ( x + 1 , y ) f ( x + 1 , y + 1 ) ;
根据所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算所述灰度梯度最大累加和矩阵中所述任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：
e ( x , y ) = Σ i = 1 N T i m a x * ( T i m a x - T i m i n ) ;
其中，N＝9，i表示所述任一像素f(x，y)和所述任一像素f(x，y)周围八个邻域像素中的一个像素。
5.根据权利要求1至4中任一权利要求所述的方法，其特征在于，所述对所述第一特征进行预处理，得到所述目标图像的第二特征，包括：
将所述灰度矩阵、所述图像对比度矩阵和所述灰度梯度最大累加和矩阵均分割为指定数值个数据块；
计算所述灰度矩阵的每一数据块中所有元素的灰度平均值，并将所述灰度矩阵的每一数据块的灰度平均值确定为所述灰度矩阵的每一数据块对应的目标灰度；
计算所述图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将所述图像对比度矩阵的每一数据块的图像对比度平均值确定为所述图像对比度矩阵的每一数据块对应的目标图像对比度；
计算所述灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将所述灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为所述灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；
根据所述每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成所述目标图像的第二特征。
6.根据权利要求1所述的方法，其特征在于，所述将所述第二特征输入预先训练得到的人工神经网络模型之前，还包括：
获取多个训练图像，所述训练图像的尺寸为指定像素；
提取每个训练图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；
通过每个训练图像的第二特征训练待训练人工神经网络模型；
当所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录所述待训练人工神经网络模型的当前模型参数值；
根据所述当前模型参数值和所述待训练人工神经网络模型的组成确定所述人工神经网络模型。
7.根据权利要求6所述的方法，其特征在于，所述通过每个训练图像的第二特征训练待训练人工神经网络模型，包括：
在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求。
8.根据权利要求6或7所述的方法，其特征在于，所述根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰之后，还包括：
记录误判图像，并根据误判类型建立误判样本对，所述误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，所述第一图像的误判类型为清晰被误判为不清晰，所述第二图像的误判类型为不清晰被误判为清晰；
根据所述误判样本对更新所述人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。
9.根据权利要求1至8中任一权利要求所述的方法，其特征在于，所述人工神经网络模型为前向神经网络模型，且所述前向神经网络模型包括多个隐藏层。
10.一种图像清晰度的判别装置，其特征在于，所述装置包括：
第一获取模块，用于获取待判别清晰度的原始图像，并将所述原始图像缩放至指定像素，得到目标图像；
第一提取模块，用于提取所述目标图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
第一预处理模块，用于对所述第一特征进行预处理，得到所述目标图像的第二特征；
输入模块，用于将所述第二特征输入预先训练得到的人工神经网络模型，并根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰，所述人工神经网络模型用于判别图像是否清晰。
11.根据权利要求10所述的装置，其特征在于，所述第一提取模块包括：
确定单元，用于确定所述目标图像的灰度矩阵；
第一计算单元，用于根据所述灰度矩阵计算所述目标图像的图像对比度矩阵；
第二计算单元，用于根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵。
12.根据权利要求11所述的装置，其特征在于，所述第一计算单元用于：
对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围四个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为所述图像对比度矩阵中所述任一像素f(x，y)所在位置处的对比度，其中：
所述任一像素f(x，y)与所述任一像素f(x，y)周围四个邻域像素之间的关系表示为：
f ( x - 1 , y ) f ( x , y - 1 ) f ( x , y ) f ( x , y + 1 ) f ( x + 1 , y ) .
13.根据权利要求11所述的装置，其特征在于，所述第二计算单元用于：
对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围八个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值；其中，所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素之间的关系表示为：
f ( x - 1 , y - 1 ) f ( x - 1 , y ) f ( x - 1 , y + 1 ) f ( x , y - 1 ) f ( x , y ) f ( x , y + 1 ) f ( x + 1 , y - 1 ) f ( x + 1 , y ) f ( x + 1 , y + 1 ) ;
根据所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算所述灰度梯度最大累加和矩阵中所述任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：
e ( x , y ) = Σ i = 1 N T i m a x * ( T i m a x - T i m i n ) ;
其中，N＝9，i表示所述任一像素f(x，y)和所述任一像素f(x，y)周围八个邻域像素中的一个像素。
14.根据权利要求9至13中任一权利要求所述的装置，其特征在于，所述第一预处理模块包括：
分割单元，用于将所述灰度矩阵、所述图像对比度矩阵和所述灰度梯度最大累加和矩阵均分割为指定数值个数据块；
第三计算单元，用于计算所述灰度矩阵的每一数据块中所有元素的灰度平均值，并将所述灰度矩阵的每一数据块的灰度平均值确定为所述灰度矩阵的每一数据块对应的目标灰度；
第四计算单元，用于计算所述图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将所述图像对比度矩阵的每一数据块的图像对比度平均值确定为所述图像对比度矩阵的每一数据块对应的目标图像对比度；
第五计算单元，用于计算所述灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将所述灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为所述灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；
生成单元，用于根据所述每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成所述目标图像的第二特征。
15.根据权利要求10所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取多个训练图像，所述训练图像的尺寸为指定像素；
第二提取模块，用于提取每个训练图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；
第二预处理模块，用于对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；
训练模块，用于通过每个训练图像的第二特征训练待训练人工神经网络模型；
第一记录模块，用于当所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录所述待训练人工神经网络模型的当前模型参数值；
确定模块，用于根据所述当前模型参数值和所述待训练人工神经网络模型的组成确定所述人工神经网络模型。
16.根据权利要求15所述的装置，其特征在于，所述训练模块用于：
在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求。
17.根据权利要求15或16所述的装置，其特征在于，所述装置还包括：
第二记录模块，用于记录误判图像，并根据误判类型建立误判样本对，所述误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，所述第一图像的误判类型为清晰被误判为不清晰，所述第二图像的误判类型为不清晰被误判为清晰；
更新模块，用于根据所述误判样本对更新所述人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。
18.根据权利要求10至17中任一权利要求所述的装置，其特征在于，所述人工神经网络模型为前向神经网络模型，且所述前向神经网络模型包括多个隐藏层。
CN201610893740.1A 2016-10-13 2016-10-13 图像清晰度的判别方法及装置 Active CN106548468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610893740.1A CN106548468B (zh) 2016-10-13 2016-10-13 图像清晰度的判别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610893740.1A CN106548468B (zh) 2016-10-13 2016-10-13 图像清晰度的判别方法及装置

Publications (2)

Publication Number Publication Date
CN106548468A true CN106548468A (zh) 2017-03-29
CN106548468B CN106548468B (zh) 2019-08-23

Family

ID=58368688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610893740.1A Active CN106548468B (zh) 2016-10-13 2016-10-13 图像清晰度的判别方法及装置

Country Status (1)

Country Link
CN (1) CN106548468B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958455A (zh) * 2017-12-06 2018-04-24 百度在线网络技术（北京）有限公司 图像清晰度评估方法、装置、计算机设备及存储介质
CN108537786A (zh) * 2018-03-30 2018-09-14 百度在线网络技术（北京）有限公司 用于处理图像方法和装置
CN109615620A (zh) * 2018-11-30 2019-04-12 腾讯科技（深圳）有限公司 图像压缩度识别方法、装置、设备及计算机可读存储介质
WO2019173954A1 (zh) * 2018-03-12 2019-09-19 华为技术有限公司 一种图像清晰度检测方法及装置
CN110458789A (zh) * 2018-05-02 2019-11-15 杭州海康威视数字技术股份有限公司 一种图像清晰度评测方法、装置及电子设备
CN110533097A (zh) * 2019-08-27 2019-12-03 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置、电子设备及存储介质
CN111612803A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于图像清晰度的车辆图像语义分割方法
CN111754491A (zh) * 2020-06-28 2020-10-09 国网电子商务有限公司 一种图片清晰度判定方法及装置
CN111915547A (zh) * 2019-05-07 2020-11-10 北京创原天地科技有限公司 一种快速提取图像中的噪声点的方法
CN114764834A (zh) * 2020-12-30 2022-07-19 Oppo广东移动通信有限公司 图像处理方法及模组、设备、存储介质
WO2023197531A1 (zh) * 2022-04-13 2023-10-19 上海禾赛科技有限公司 探测结果处理方法及装置、计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129556A (zh) * 2011-04-14 2011-07-20 电子科技大学 一种虹膜图像清晰度判别方法
CN103793918A (zh) * 2014-03-07 2014-05-14 深圳市辰卓科技有限公司 一种图像清晰度检测方法及装置
CN104134204A (zh) * 2014-07-09 2014-11-05 中国矿业大学 一种基于稀疏表示的图像清晰度评价方法和装置
CN104182962A (zh) * 2013-05-28 2014-12-03 腾讯科技（深圳）有限公司 评价图片清晰度的方法及装置
CN104217215A (zh) * 2014-08-28 2014-12-17 哈尔滨工程大学 一种水面有雾图像和清晰图像的分类识别方法
CN105809704A (zh) * 2016-03-30 2016-07-27 北京小米移动软件有限公司 识别图像清晰度的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129556A (zh) * 2011-04-14 2011-07-20 电子科技大学 一种虹膜图像清晰度判别方法
CN104182962A (zh) * 2013-05-28 2014-12-03 腾讯科技（深圳）有限公司 评价图片清晰度的方法及装置
CN103793918A (zh) * 2014-03-07 2014-05-14 深圳市辰卓科技有限公司 一种图像清晰度检测方法及装置
CN104134204A (zh) * 2014-07-09 2014-11-05 中国矿业大学 一种基于稀疏表示的图像清晰度评价方法和装置
CN104217215A (zh) * 2014-08-28 2014-12-17 哈尔滨工程大学 一种水面有雾图像和清晰图像的分类识别方法
CN105809704A (zh) * 2016-03-30 2016-07-27 北京小米移动软件有限公司 识别图像清晰度的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张来线 等: "基于图像灰度梯度最大值累加的自动调焦算法", 《光子学报》 *
陈国金 等: "小波变换与神经网络复合的图像清晰度识别研究", 《红外技术》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958455A (zh) * 2017-12-06 2018-04-24 百度在线网络技术（北京）有限公司 图像清晰度评估方法、装置、计算机设备及存储介质
CN107958455B (zh) * 2017-12-06 2019-09-20 百度在线网络技术（北京）有限公司 图像清晰度评估方法、装置、计算机设备及存储介质
US10922804B2 (en) 2017-12-06 2021-02-16 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for evaluating image definition, computer device and storage medium
WO2019173954A1 (zh) * 2018-03-12 2019-09-19 华为技术有限公司 一种图像清晰度检测方法及装置
CN108537786B (zh) * 2018-03-30 2020-11-24 百度在线网络技术（北京）有限公司 用于处理图像方法和装置
CN108537786A (zh) * 2018-03-30 2018-09-14 百度在线网络技术（北京）有限公司 用于处理图像方法和装置
CN110458789B (zh) * 2018-05-02 2022-04-05 杭州海康威视数字技术股份有限公司 一种图像清晰度评测方法、装置及电子设备
CN110458789A (zh) * 2018-05-02 2019-11-15 杭州海康威视数字技术股份有限公司 一种图像清晰度评测方法、装置及电子设备
CN109615620A (zh) * 2018-11-30 2019-04-12 腾讯科技（深圳）有限公司 图像压缩度识别方法、装置、设备及计算机可读存储介质
CN111915547A (zh) * 2019-05-07 2020-11-10 北京创原天地科技有限公司 一种快速提取图像中的噪声点的方法
CN110533097A (zh) * 2019-08-27 2019-12-03 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置、电子设备及存储介质
CN110533097B (zh) * 2019-08-27 2023-01-06 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置、电子设备及存储介质
CN111612803A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于图像清晰度的车辆图像语义分割方法
CN111612803B (zh) * 2020-04-30 2023-10-17 杭州电子科技大学 一种基于图像清晰度的车辆图像语义分割方法
CN111754491A (zh) * 2020-06-28 2020-10-09 国网电子商务有限公司 一种图片清晰度判定方法及装置
CN114764834A (zh) * 2020-12-30 2022-07-19 Oppo广东移动通信有限公司 图像处理方法及模组、设备、存储介质
WO2023197531A1 (zh) * 2022-04-13 2023-10-19 上海禾赛科技有限公司 探测结果处理方法及装置、计算机可读存储介质

Also Published As

Publication number Publication date
CN106548468B (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN106548468A (zh) 图像清晰度的判别方法及装置
CN105809704B (zh) 识别图像清晰度的方法及装置
CN106339680B (zh) 人脸关键点定位方法及装置
CN108399409B (zh) 图像分类方法、装置及终端
CN106295511B (zh) 人脸跟踪方法及装置
CN109614613A (zh) 图像的描述语句定位方法及装置、电子设备和存储介质
CN110443280A (zh) 图像检测模型的训练方法、装置及存储介质
CN107798669A (zh) 图像去雾方法、装置及计算机可读存储介质
CN107527053A (zh) 目标检测方法及装置
CN108256555A (zh) 图像内容识别方法、装置及终端
CN106651955A (zh) 图片中目标物的定位方法及装置
CN106557768A (zh) 对图片中的文字进行识别的方法及装置
CN105354543A (zh) 视频处理方法及装置
CN106682736A (zh) 图像识别方法及装置
CN107492115A (zh) 目标对象的检测方法及装置
CN109658401A (zh) 图像处理方法及装置、电子设备和存储介质
CN107527059A (zh) 文字识别方法、装置及终端
CN106228556A (zh) 图像质量分析方法和装置
CN107679483A (zh) 号牌识别方法及装置
CN106296690A (zh) 图像素材的质量评估方法及装置
CN107545248A (zh) 生物特征活体检测方法、装置、设备及存储介质
CN109934275A (zh) 图像处理方法及装置、电子设备和存储介质
CN107609560A (zh) 文字识别方法及装置
CN107766820A (zh) 图像分类方法及装置
CN107463903A (zh) 人脸关键点定位方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510660 Guangzhou City, Guangzhou, Guangdong, Whampoa Avenue, No. 315, self - made 1-17

Applicant after: Guangzhou KuGou Networks Co., Ltd.

Address before: 510000 B1, building, No. 16, rhyme Road, Guangzhou, Guangdong, China 13F

Applicant before: Guangzhou KuGou Networks Co., Ltd.

GR01 Patent grant
GR01 Patent grant