CN108921178A - 获取图像模糊程度分类的方法、装置、电子设备 - Google Patents

Abstract

本公开是关于一种获取图像模糊程度分类的方法、装置、电子设备、计算机可读存储介质。一种获取图像模糊程度分类的方法包括：获取待识别图像的模糊度图和显著性图；基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。本实施例中通过获取模糊度图和显著性图，即不同维度的特征综合考虑待识别图像的模糊程度所属的分类，可以避免采用图像块进行局部评估时引起的误判断的情况，例如将背景虚化的图像确定为不好的图像，有利于提升确定图像模糊程度的准确度，从而方便用户根据模糊程度更好的管理图像，提升使用体验。

Description

获取图像模糊程度分类的方法、装置、电子设备

技术领域

本公开涉及图像处理技术领域，尤其涉及一种获取图像模糊程度分类的方法、装置、电子设备、计算机可读存储介质。

背景技术

在图像压缩、视频编解码、视频监控等图像处理领域中，需要对图像质量进行评估，以保证后续过程能够得到可靠的图像。其中，图像模糊程度是图像质量评估的一个方面。

相关技术中，图像模糊程度的评估方法大多基于图像块来判断图像中是否出现模糊，然后根据出现模糊的图像块的数量以及各图像的模糊程度来综合判断图像是否出现模糊。

然而，实际拍摄时，为突出目标主体，很多用户会采用背景虚化的拍摄方法，人为模糊目标主体的背景区域，导致现有基于图像块的评估方法无法分辨出背景虚化的情况，从而得出不恰当的评估结果。

发明内容

本公开提供一种获取图像模糊程度分类的方法、装置、电子设备、计算机可读存储介质，以解决相关技术中基于图像块的评估方法无法分辨出背景虚化而得到不恰当的评估结果的问题。

根据本公开实施例的第一方面，提供一种获取图像模糊程度分类的方法，包括：

获取待识别图像的模糊度图和显著性图；

基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

可选地，基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类包括：

判断所述模糊度图中是否存在模糊区域；

若所述模糊度图中无模糊区域，则确定所述待识别图像的模糊程度属于第一类模糊；

若所述模糊度图中存在模糊区域，则匹配所述模糊度图和所述显著性图，并基于匹配结果确定所述待识别图像的模糊程度所属的分类。

可选地，基于匹配结果确定所述待识别图像的模糊程度所属的分类包括：

若所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体之外区域相匹配，则确定所述待识别图像的模糊程度属于第二类模糊；

若所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域相匹配，则确定所述待识别图像的模糊程度属于第三类模糊；

若所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域的一部分相匹配，则确定所述待识别图像的模糊程度属于第四类模糊。

可选地，所述方法还包括：

获取所述待识别图像的特征向量；

将所述特征向量输入第一识别模型，通过所述第一识别模型确定所述待识别图像的模糊程度所属的第一分类；

根据所述第一分类和第二分类确定所述待识别图像的模糊程度所属的分类；

所述第二分类是指基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的第二分类。

可选地，所述方法还包括：

获取所述待识别图像的特征向量；

将所述特征向量、所述模糊度图和所述显著性图依次输入到第二识别模型，通过所述第二识别模型确定所述待识别图像的模糊程度所属的分类。

根据本公开实施例的第二方面，提供一种获取图像模糊程度分类的装置，包括：

特征图获取模块，用于获取待识别图像的模糊度图和显著性图；

分类获取模块，用于基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

可选地，所述分类获取模块包括：

模糊区域判断单元，用于判断所述模糊度图中是否存在模糊区域；

分类确定单元，用于在所述模糊度图中无模糊区域时，确定所述待识别图像的模糊程度属于第一类模糊；

还用于在所述模糊度图中存在模糊区域时，匹配所述模糊度图和所述显著性图，并基于匹配结果确定所述待识别图像的模糊程度所属的分类。

可选地，所述分类确定单元包括：

第一确定单元，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体之外区域相匹配时，确定所述待识别图像的模糊程度属于第二类模糊；

第二确定单元，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域相匹配时，确定所述待识别图像的模糊程度属于第三类模糊；

第三确定单元，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域的一部分相匹配时，确定所述待识别图像的模糊程度属于第四类模糊。

可选地，所述装置还包括：

特征向量获取模块，用于获取所述待识别图像的特征向量；

第一分类获取模块，用于将所述特征向量输入第一识别模型，通过所述第一识别模型确定所述待识别图像的模糊程度所属的第一分类；

分类获取模块，还用于根据所述第一分类和所述第二分类确定所述待识别图像的模糊程度所属的分类；

所述第二分类是指基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

可选地，所述装置还包括：

特征向量获取模块，用于获取所述待识别图像的特征向量；

分类获取模块，还用于将所述特征向量、所述模糊度图和所述显著性图依次输入到第二识别模型，通过所述第二识别模型确定所述待识别图像的模糊程度所属的分类。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述存储器中的可执行指令以实现第一方面所述方法的步骤。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例中通过获取待识别图像的模糊度图和显著性图，之后基于模糊度图和显著性图可以确定待识别图像的模糊程度所属的分类。可见，本实施例中通过获取模糊度图和显著性图，即不同维度的特征综合考虑待识别图像的模糊程度所属的分类，可以避免采用图像块进行局部评估时引起的误判断的情况，例如将背景虚化的图像确定为不好的图像，有利于提升确定图像模糊程度的准确度，从而方便用户根据模糊程度更好的管理图像，提升使用体验。

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获取图像模糊程度分类的方法的流程示意图；

图2(a)是根据一示例性实施例示出的一张待识别图像的示意图；图2(b)是图2(a)所示待识别图像的模糊度图的示意图；

图3(a)是根据一示例性实施例示出的一张待识别图像的示意图；图3(b)是图3(a)所示待识别图像的显著性图的示意图；

图4是根据一示例性实施例示出的一种根据模糊度图和显著性图获取待识别图像的模糊程度分类的流程示意图；

图5是根据一示例性实施例示出的模糊程度属于第一类模糊的待识别图像的示意图；

图6是根据一示例性实施例示出的模糊程度属于第二类模糊的待识别图像的示意图；

图7是根据一示例性实施例示出的模糊程度属于第三类模糊的待识别图像的示意图；

图8是根据一示例性实施例示出的模糊程度属于第四类模糊的待识别图像的示意图；

图9是根据另一示例性实施例示出的一种获取图像模糊程度分类的方法的流程示意图；

图10是根据又一示例性实施例示出的一种获取图像模糊程度分类的方法的流程示意图；

图11～图15根据一示例性实施例示出的一种获取图像模糊程度分类的装置的框图；

图16是根据一示例性实施例示出的一种电子设备的框图。

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例子。

在实际拍摄图像时，很多用户会采用背景虚化的拍摄方法，人为模糊目标主体的背景区域，得到目标主体清晰而背景模糊的图像。若采用相关技术中图像块的方式来判断图像是否出现模糊，则无法分辨出是否为背景虚化的情况，从而得出不恰当的评估结果。

为解决上述问题，本公开实施例提供了一种获取图像模糊程度分类的方法，图1是根据一示例性实施例示出的一种获取图像模糊程度分类的方法的流程示意图。一种获取图像模糊程度分类的方法，可以应用于例如移动终端、PC机、服务器等电子设备，为方便描述，后续实施例以移动终端为例进行说明。参见图1，一种获取图像模糊程度分类的方法，包括：

101，获取待识别图像的模糊度图和显著性图。

本实施例中，在用户使用移动终端时，用户可以选择待识别图像。移动终端可以基于用户的触发操作确定待识别图像。

在用户观看待识别图像时，只对该待识别图像中的部分区域感兴趣，而对剩余的区域不感兴趣，因此需要将用户不感兴趣的区域或者物体过滤掉，使其融入到用户不感兴趣的区域中。在将待识别图像在过滤后，可以用户感兴趣的区域和不感兴趣的区域形成待识别图像的模糊度图。换言之，模糊度图表示待识别图像中哪个区域存在目标物体，因此本实施例中显著性图中灰度值越大(越亮)的位置表示越模糊。

本实施例中，在确定待识别图像后，移动终端可以调用预先设置的图像模糊算法获取其模糊度图。其中图像模糊算法中可以为高斯模糊、均值模糊或者卷积神经网络CNN等方法。

在一实施例中，以卷积神经网络CNN为例，待识别图像如图2(a)所示，移动终端获取如图2(b)所示的显著性图可以包括以下步骤：

移动终端将待识别图像输入到卷积神经网络CNN，由CNN网络确定待识别图像的模糊度图。

可理解的是，在使用CNN网络之前，移动终端需要获取一定量(可以根据具体场景进行调整)的训练图像样本，然后利用训练图像样本训练CNN网络，在CNN网络的损失函数收敛后，得到最终的CNN网络。CNN网络训练过程可以参考相关技术，在此不作限定。

在用户观看待识别图像时，只对该待识别图像中的部分区域感兴趣，即显著区域，而对剩余的区域不感兴趣。基于用户的感兴趣的区域和不感兴趣的区域可以得到对应待识别图像的显著性图。换言之，显著性图表示待识别图像中哪个区域存在目标物体，因此本实施例中显著性图中灰度值越大(越亮)的位置表示存在目标物体。

本实施例中，在确定待识别图像后，移动终端可以调用预先设置的显著性检测算法获取其显著性图。其中显著性检测算法中可以为LC算法、HC算法、AC算法、FT算法或者卷积神经网络CNN等方法。

在一实施例中，以LC算法为例，待识别图像如图3(a)所示，移动终端获取如图3(b)所示的显著性图，可以包括以下步骤：

首先，移动终端可以利用相关技术获取到待识别图像的直方图，可以得到每一个灰阶所对应的像素数目。其中灰阶取值[0，255]。其次，移动终端每个灰阶的显著值，得到显著值向量(1*256)。之后，移动终端为待识别图像中每个像素点分配显著值，即像素点p(i，j)是什么灰阶则赋予该像素点p对应的显著值。重复本步骤，直至所有像素点全部赋予显著值为止，从而得到显著性图。最后，移动终端还可以对显著性图进行归一化，得到归一化后的显著性图。

在另一实施例中，以卷积神经网络CNN为例，待识别图像如图3(a)所示，移动终端获取如图3(b)所示的显著性图可以包括以下步骤：

移动终端将待识别图像输入到卷积神经网络CNN，由CNN网络确定待识别图像的显著性图。

可理解的是，在使用CNN网络之前，移动终端需要获取一定量(可以根据具体场景进行调整)的训练图像样本，然后利用训练图像样本训练CNN网络，在CNN网络的损失函数收敛后，得到最终的CNN网络。CNN网络训练过程可以参考相关技术，在此不作限定。

需要说明的是，本实施例中获取模糊度图的CNN网络和获取显著性图的CNN网络可以采用相同的网络结构，然后由不同的训练样本训练而成。当然，本领域技术人员还可以根据具体场景，选择不同结构的CNN网络，同样可以实现获取到模糊度图和显著性图的效果，相应的方案落入本申请的保护范围。

102，基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

本实施例中，参见图4，在获取到模糊度图和显著性图(对应步骤401)后，移动终端可以基于模糊度图和显著性图确定待识别图像的模糊程度所属的分类，包括：

移动终端判断模糊度图中是否存在模糊区域(对应步骤402)。例如，移动终端可以选取一个灰阶阈值，判断模糊度图中是否存在大于或者等于灰阶阈值的像素点或者区域。若不存在大于或者等于灰阶阈值的像素点或者区域，则移动终端确定该模糊度图中不存在模糊区域；若存在大于或者等于灰阶阈值的像素点或者区域，则移动终端确定该模糊度图中存在模糊区域。

在确定模糊度图中不存在模糊区域时，移动终端确定待识别图像的模糊程度属于第一类模糊(对应步骤403)。其中，第一类模糊表示待显示图像是清晰的，没有模糊区域。参见图5，图5所示待识别图像的模糊程度属于第一类模糊。

在确定模糊度图中存在模糊区域时，移动终端匹配模糊度图和显著性图，并基于匹配结果确定待识别图像的模糊程度所属的分类(对应步骤404)。可理解的是，步骤403和步骤404的顺序不作限定。

移动终端基于匹配结果确定待识别图像的模糊程度所属的分类，包括：

场景一，在匹配结果表示模糊度图中模糊区域与显著性图中目标物体之外区域相匹配，移动终端确定待识别图像的模糊程度属于第二类模糊。其中，第二类模糊是指好的模糊，即模糊区域在用户关注的目标物体之外，例如背景虚化等，此类模糊能够提升用户对待识别图像的观看体验。

参见图6，图6所示待识别图像的模糊程度属于第二类模糊，其中椭圆虚线框内为目标物体(动物猫头鹰)，且该目标物体所在区域是清晰的。而目标物体之外的区域(矩形虚线框表示，仅标示了部分区域)为目标物体的背景区域，是模糊的(虚化效果)。

场景二，在匹配结果表示模糊度图中模糊区域与显著性图中目标物体所在区域相匹配，移动终端确定待识别图像的模糊程度属于第三类模糊。其中第三类模糊是指不好的模糊，即模糊区域是用户关注目标物体所在区域。此类模糊会极大到用户对待识别图像的观看体验。

参见图7，图7所示待识别图像的模糊程度属于第三类模糊，其中矩形虚线框内为目标物体(运动员)，且该目标物体所在区域是模糊的(虚化效果)，而目标物体之外的区域为目标物体的背景区域，是清晰的。此类模糊下模糊区域与用户关注的区域呈一致状态，严重影响到用户观看待识别图像的体验，甚至无法观看。

场景三，在匹配结果表示模糊度图中模糊区域与显著性图中目标物体所在区域的一部分相匹配时，移动终端确定待识别图像的模糊程度属于第四类模糊。其中，第四类模糊是指一般性的模糊，即模糊区域仅是用户关注目标物体所在区域的一部分，此类模糊对用户观看待识别图像的体验影响不大。

为更好的量化匹配结果，模糊区域与目标物体所在区域的匹配区域与目标物体所在区域的面积之比值需要小于或者等于预先设定的比值阈值，从而保证用户的观看体验。例如，比值阈值可以设置为1％～20％。

参见图8，图8所示待识别图像的模糊程度属于第四类模糊，其中椭圆形虚线框内为目标物体(运动员)，且该目标物体所在区域是清晰的，而目标物体相邻的另一个目标物体(球拍)是模糊的(虚化效果)，以及目标物体所在区域之外的其他区域也是模糊的，此类模糊下模糊区域与用户关注的区域的比例较小，不会影响到用户观看待识别图像的体验。

至此，本实施例中通过获取模糊度图和显著性图，即不同维度的特征综合考虑待识别图像的模糊程度所属的分类，可以避免采用图像块进行局部评估时引起的误判断的情况，例如将背景虚化的图像确定为不好的模糊，有利于提升确定图像模糊程度的准确度，从而方便用户根据模糊程度更好的管理图像，以及提升用户观看待识别图像的体验。

图9是根据一示例性实施例示出的一种获取图像模糊程度分类的方法的流程示意图。参见图9，一种获取图像模糊程度分类的方法，包括：

901，获取待识别图像的模糊度图和显著性图。

步骤901和步骤101的具体方法和原理一致，详细描述请参考图1及步骤101的相关内容，此处不再赘述。

902，基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

步骤902和步骤102的具体方法和原理一致，详细描述请参考图1及步骤102的相关内容，此处不再赘述。

903，获取所述待识别图像的特征向量。

本实施例中，移动终端可以调用预先设置的向量识别模型，该向量识别模型可以为卷积神经网络CNN。然后，移动终端将待识别图像输入到CNN网络，通过CNN网络确定待识别图像的特征向量。

可理解的是，在使用CNN网络之前，移动终端需要获取一定数量(可以根据具体场景进行调整)的训练图像样本，然后利用训练图像样本训练CNN网络，在CNN网络的损失函数收敛后，得到最终的CNN网络。CNN网络训练过程可以参考相关技术，在此不作限定。

需要说明的是，本实施例中获取特征向量的CNN网络与获取模糊度图和获取显著性图的CNN网络可以采用相同的网络结构，然后由不同的训练样本训练而成。当然，本领域技术人员还可以根据具体场景，选择不同结构的CNN网络，同样可以实现获取特征向量的效果，相应的方案落入本申请的保护范围。

904，将所述特征向量输入第一识别模型，通过所述第一识别模型确定所述待识别图像的模糊程度所属的第一分类。

本实施例中，移动终端可以调用预先设置的第一识别模型，该第一识别模型可以为卷积神经网络CNN。然后，移动终端将特征向量输入到CNN网络，通过CNN网络确定待识别图像的模糊程度所属的第一分类。其中第一分类是指利用特征向量获取到的待识别图像的模糊程度所属的分类，限定词“第一”用于与后续的“第二分类”进行区别。

可理解的是，在使用CNN网络之前，移动终端需要获取一定数量(可以根据具体场景进行调整)的训练图像样本，然后利用训练图像样本训练CNN网络，在CNN网络的损失函数收敛后，得到最终的CNN网络。CNN网络训练过程可以参考相关技术，在此不作限定。

需要说明的是，本实施例中获取第一分类的CNN网络可以与获取模糊度图、获取显著性图的CNN网络或者获取特征向量的CNN网络采用相同的网络结构，然后由不同的训练样本训练而成。当然，本领域技术人员还可以根据具体场景，选择不同结构的CNN网络，同样可以实现获取第一分类的效果，相应的方案落入本申请的保护范围。

905，根据所述第一分类和所述第二分类确定所述待识别图像的模糊程度所属的分类。

第二分类是指基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。其中，限定词“第二”是为了区别于步骤904中的“第一分类”。

本实施例中，移动终端可以根据第一分类和第二分类确定出待识别图像的模糊程度最终所属的分类，可以包括以下方式：

方式一，查表方式。模糊程度所属的分类可以以量化方式表示。例如，分类的取值范围为0～100，其中0-20对应第一类模糊，20-40对应第二类模糊，40-60对应第四类模糊，80以上对应第三类模糊。

在查询分类之前，移动终端可以利用多组第一分类和第二分类以及待识别图像最终所属的分类进行匹配，在匹配成功后，由用户或者移动终端确定出第一分类和第二分类各自的权重系数，从而可以得到第一分类、第二分类、待识别图像最终所属的分类的对应关系表，并预先存储到移动终端之内。

这样，移动终端可以查询对应关系表，利用第一分类和第二分类的取值及其各自的权重系数得到分类的取值，即确定出待识别图像的模糊程度最终所属的分类。

方式二，移动终端可以调用预先设置的分类模型，该分类模型可以为逻辑回归模型。移动终端将第一分类和第二分类输入到逻辑回归模型，通过逻辑回归模型确定待识别图像的模糊程度所属的分类。

可理解的是，在使用逻辑回归模型之前，移动终端需要获取一定数量(可以根据具体场景进行调整)的训练图像样本，然后利用训练图像样本训练逻辑回归模型，在模型收敛后得到最终的逻辑回归模型。逻辑回归模型训练过程可以参考相关技术，在此不作限定。

至此，本实施例中通过获取模糊度图和显著性图，并利用模糊度图和显著性图获取待识别图像的模糊程度所属的第二分类。同时获取待识别图像的特征向量，并获取到待识别图像的模糊程度所属的第一分类。最后由第一分类和第二分类获取到待识别图像的模糊程度所属的分类。可见，本实施例中，采用不同模型获取待识别图像在不同维度下的模糊程度的分类，方便用户训练模型，提高各维度对应分类的准确度，最终有利于提升确定图像模糊程度分类的准确度，从而方便用户根据模糊程度更好的管理图像，以及提升用户观看待识别图像的体验。

图10是根据一示例性实施例示出的一种获取图像模糊程度分类的方法的流程示意图。参见图10，一种获取图像模糊程度分类的方法，包括：

1001，获取待识别图像的模糊度图和显著性图。

步骤901和步骤101的具体方法和原理一致，详细描述请参考图1及步骤101的相关内容，此处不再赘述。

1002，获取所述待识别图像的特征向量。

步骤1002和步骤903的具体方法和原理一致，详细描述请参考图9及步骤903的相关内容，此处不再赘述。

1003，将所述特征向量、所述模糊度图和所述显著性图依次输入到第二识别模型，通过所述第二识别模型确定所述待识别图像的模糊程度所属的分类。

本实施例中，移动终端可以调用预先设置的第二识别模型，该第二识别模型可以为卷积神经网络CNN。然后，移动终端将特征向量、模糊度图和显著性图依次输入到CNN网络，通过CNN网络确定待识别图像的模糊程度所属的分类。

可理解的是，在使用CNN网络之前，移动终端需要获取一定数量(可以根据具体场景进行调整)的训练图像样本，然后利用训练图像样本训练CNN网络，在CNN网络的损失函数收敛后，得到最终的CNN网络。CNN网络训练过程可以参考相关技术，在此不作限定。

需要说明的是，本实施例中第二识别模型可以与获取模糊度图、获取显著性图的CNN网络或者获取特征向量的CNN网络采用相同的网络结构，然后由不同的训练样本训练而成。当然，本领域技术人员还可以根据具体场景，选择不同结构的CNN网络，同样可以实现获取第一分类的效果，相应的方案落入本申请的保护范围。

至此，本实施例中通过获取特征向量、模糊度图和显著性图，即不同维度的特征综合考虑待识别图像的模糊程度所属的分类，可以避免采用图像块进行局部评估时引起的误判断的情况，例如将背景虚化的图像确定为不好的模糊，有利于提升确定图像模糊程度的准确度，从而方便用户根据模糊程度更好的管理图像，以及提升用户观看待识别图像的体验。

图11是根据一示例性实施例示出的一种获取图像模糊程度分类的装置的框图。参见图11，一种获取图像模糊程度分类的装置1100，包括：

特征图获取模块1101，用于获取待识别图像的模糊度图和显著性图；

分类获取模块1102，用于基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

至此，本实施例中获取模糊度图和显著性图，然后基于模糊度图和显著性图获取待识别图像的模糊程度所属的分类。可见本实施例中在不同维度的特征综合考虑待识别图像的模糊程度所属的分类，可以避免采用图像块进行局部评估时引起的误判断的情况，例如将背景虚化的图像确定为不好的模糊，有利于提升确定图像模糊程度的准确度，从而方便用户根据模糊程度更好的管理图像，以及提升用户观看待识别图像的体验。

图12是根据一示例性实施例示出的一种获取图像模糊程度分类的装置的框图。参见图12，在图11所示的一种获取图像模糊程度分类的装置1100的基础上，分类获取模块1102包括：

模糊区域判断单元1201，用于判断所述模糊度图中是否存在模糊区域；

分类确定单元1202，用于在所述模糊度图中无模糊区域时，确定所述待识别图像的模糊程度属于第一类模糊；

还用于在所述模糊度图中存在模糊区域时，匹配所述模糊度图和所述显著性图，并基于匹配结果确定所述待识别图像的模糊程度所属的分类。

图13是根据一示例性实施例示出的一种获取图像模糊程度分类的装置的框图。参见图13，在图12所示的一种获取图像模糊程度分类的装置1100的基础上，分类确定单元1202包括：

第一确定单元1301，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体之外区域相匹配时，确定所述待识别图像的模糊程度属于第二类模糊；

第二确定单元1302，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域相匹配时，确定所述待识别图像的模糊程度属于第三类模糊；

第三确定单元1303，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域的一部分相匹配时，确定所述待识别图像的模糊程度属于第四类模糊。

至此，本实施例中通过模糊度图和显著性图，即可获取至待识别图像的模糊程度所属的分类，即本实施例中以不同维度的特征综合考虑待识别图像的模糊程度所属的分类，可以避免采用图像块进行局部评估时引起的误判断的情况，有利于提升确定图像模糊程度的准确度，从而方便用户根据模糊程度更好的管理图像，以及提升用户观看待识别图像的体验。

图14是根据一示例性实施例示出的一种获取图像模糊程度分类的装置的框图。参见图14，在图11所示的一种获取图像模糊程度分类的装置1100的基础上，所述装置还包括：

特征向量获取模块1401，用于获取所述待识别图像的特征向量；

第一分类获取模块1402，用于将所述特征向量输入第一识别模型，通过所述第一识别模型确定所述待识别图像的模糊程度所属的第一分类；

分类获取模块1102，还用于根据所述第一分类和所述第二分类确定所述待识别图像的模糊程度所属的分类；

所述第二分类是指基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

至此，本实施例中通过获取模糊度图和显著性图，并利用模糊度图和显著性图获取待识别图像的模糊程度所属的第二分类。同时获取待识别图像的特征向量，并获取到待识别图像的模糊程度所属的第一分类。最后由第一分类和第二分类获取到待识别图像的模糊程度所属的分类。可见，本实施例中，采用不同模型获取待识别图像在不同维度下的模糊程度的分类，方便用户训练模型，提高各维度对应分类的准确度，最终有利于提升确定图像模糊程度分类的准确度，从而方便用户根据模糊程度更好的管理图像，以及提升用户观看待识别图像的体验。

图15是根据一示例性实施例示出的一种获取图像模糊程度分类的装置的框图。参见图15，在图11所示的一种获取图像模糊程度分类的装置1100的基础上，所述装置还包括：

特征向量获取模块1501，用于获取所述待识别图像的特征向量；

分类获取模块1102，还用于将所述特征向量、所述模糊度图和所述显著性图依次输入到第二识别模型，通过所述第二识别模型确定所述待识别图像的模糊程度所属的分类。

至此，本实施例中通过获取特征向量、模糊度图和显著性图，即不同维度的特征综合考虑待识别图像的模糊程度所属的分类，可以避免采用图像块进行局部评估时引起的误判断的情况，例如将背景虚化的图像确定为不好的模糊，有利于提升确定图像模糊程度的准确度，从而方便用户根据模糊程度更好的管理图像，以及提升用户观看待识别图像的体验。

图16是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备1600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16，电子设备1600可以包括以下一个或多个组件：处理组件1602，存储器1604，电源组件1606，多媒体组件1608，音频组件1610，输入/输出(I/O)的接口1612，传感器组件1614，以及通信组件1616。其中，存储器1604用于存储处理组件1602可执行的指令。处理组件1602从存储器1604读取指令以实现：图1～图10所示实施例示例的获取图像模糊程度分类的方法的步骤。

处理组件1602通常控制电子设备1600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1602可以包括一个或多个处理器920来执行指令。此外，处理组件1602可以包括一个或多个模块，便于处理组件1602和其他组件之间的交互。例如，处理组件1602可以包括多媒体模块，以方便多媒体组件1608和处理组件1602之间的交互。

存储器1604被配置为存储各种类型的数据以支持在电子设备1600的操作。这些数据的示例包括用于在电子设备1600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1604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1606为电子设备1600的各种组件提供电力。电源组件1606可以包括电源管理系统，一个或多个电源，及其他与为电子设备1600生成、管理和分配电力相关联的组件。

多媒体组件1608包括在所述电子设备1600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1608包括一个前置摄像头和/或后置摄像头。当电子设备1600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1610被配置为输出和/或输入音频信号。例如，音频组件1610包括一个麦克风(MIC)，当电子设备1600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1604或经由通信组件1616发送。在一些实施例中，音频组件1610还包括一个扬声器，用于输出音频信号。

I/O接口1612为处理组件1602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1614包括一个或多个传感器，用于为电子设备1600提供各个方面的状态评估。例如，传感器组件1614可以检测到电子设备1600的打开/关闭状态，组件的相对定位，例如所述组件为电子设备1600的显示器和小键盘，传感器组件1614还可以检测电子设备1600或电子设备1600一个组件的位置改变，用户与电子设备1600接触的存在或不存在，电子设备1600方位或加速/减速和电子设备1600的温度变化。传感器组件1614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1614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1614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1616被配置为便于电子设备1600和其他设备之间有线或无线方式的通信。电子设备1600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1616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1616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，电子设备1600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。

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1604，上述指令可由电子设备1600的处理器920执行，以实现图1～图10所示方法的步骤。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 (12)

1.一种获取图像模糊程度分类的方法，其特征在于，所述方法包括：

获取待识别图像的模糊度图和显著性图；

基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

2.根据权利要求1所述的方法，其特征在于，基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类包括：

判断所述模糊度图中是否存在模糊区域；

若所述模糊度图中无模糊区域，则确定所述待识别图像的模糊程度属于第一类模糊；

若所述模糊度图中存在模糊区域，则匹配所述模糊度图和所述显著性图，并基于匹配结果确定所述待识别图像的模糊程度所属的分类。

3.根据权利要求2所述的方法，其特征在于，基于匹配结果确定所述待识别图像的模糊程度所属的分类包括：

若所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体之外区域相匹配，则确定所述待识别图像的模糊程度属于第二类模糊；

若所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域相匹配，则确定所述待识别图像的模糊程度属于第三类模糊；

若所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域的一部分相匹配，则确定所述待识别图像的模糊程度属于第四类模糊。

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：

获取所述待识别图像的特征向量；

将所述特征向量输入第一识别模型，通过所述第一识别模型确定所述待识别图像的模糊程度所属的第一分类；

根据所述第一分类和第二分类确定所述待识别图像的模糊程度所属的分类；

所述第二分类是指基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述待识别图像的特征向量；

基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类包括：

将所述特征向量、所述模糊度图和所述显著性图依次输入到第二识别模型，通过所述第二识别模型确定所述待识别图像的模糊程度所属的分类。

6.一种获取图像模糊程度分类的装置，其特征在于，所述装置包括：

特征图获取模块，用于获取待识别图像的模糊度图和显著性图；

分类获取模块，用于基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

7.根据权利要求6所述的装置，其特征在于，所述分类获取模块包括：

模糊区域判断单元，用于判断所述模糊度图中是否存在模糊区域；

分类确定单元，用于在所述模糊度图中无模糊区域时，确定所述待识别图像的模糊程度属于第一类模糊；

还用于在所述模糊度图中存在模糊区域时，匹配所述模糊度图和所述显著性图，并基于匹配结果确定所述待识别图像的模糊程度所属的分类。

8.根据权利要求7所述的装置，其特征在于，所述分类确定单元包括：

第一确定单元，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体之外区域相匹配时，确定所述待识别图像的模糊程度属于第二类模糊；

第二确定单元，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域相匹配时，确定所述待识别图像的模糊程度属于第三类模糊；

第三确定单元，用于在所述匹配结果表示所述模糊度图中模糊区域与所述显著性图中目标物体所在区域的一部分相匹配时，确定所述待识别图像的模糊程度属于第四类模糊。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：

特征向量获取模块，用于获取所述待识别图像的特征向量；

第一分类获取模块，用于将所述特征向量输入第一识别模型，通过所述第一识别模型确定所述待识别图像的模糊程度所属的第一分类；

分类获取模块，还用于根据所述第一分类和所述第二分类确定所述待识别图像的模糊程度所属的分类；

所述第二分类是指基于所述模糊度图和所述显著性图确定所述待识别图像的模糊程度所属的分类。

10.根据权利要求6所述的装置，其特征在于，所述装置还包括：

特征向量获取模块，用于获取所述待识别图像的特征向量；

分类获取模块，还用于将所述特征向量、所述模糊度图和所述显著性图依次输入到第二识别模型，通过所述第二识别模型确定所述待识别图像的模糊程度所属的分类。

11.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述存储器中的可执行指令以实现权利要求1～5任一项所述方法的步骤。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～5任一项所述方法的步骤。