CN110148147A - 图像检测方法、装置、存储介质和电子装置 - Google Patents
图像检测方法、装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN110148147A CN110148147A CN201811320653.2A CN201811320653A CN110148147A CN 110148147 A CN110148147 A CN 110148147A CN 201811320653 A CN201811320653 A CN 201811320653A CN 110148147 A CN110148147 A CN 110148147A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- original image
- edge
- accounting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000003708 edge detection Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 10
- 238000012550 audit Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005336 cracking Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010054949 Metaplasia Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像检测方法、装置、存储介质和电子装置。该方法包括：对原始图像进行边缘检测，得到边缘图像；利用目标模板确定包括第一目标像素的第一目标图像，其中，边缘图像包括第一目标像素；在第一目标图像中确定多个第二目标像素，其中，每个第二目标像素与连通区域的边界之间的像素距离大于等于第一目标阈值的像素，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值；根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度，其中，模糊度用于指示原始图像的模糊程度。本发明解决了相关技术中对图像进行检测的准确性低的技术问题。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种图像检测方法、装置、存储介质和电子装置。
背景技术
目前，在进行图像检测时，会检测图像的模糊程度，比如，通过灰度均值来检测图像的模糊程度，但通常只能检测全图的模糊程度，而对于图像的局部、条带等部分图像的模糊程度，并不能准确判断，存在对图像的模糊程度进行检测的准确性低的问题。
针对上述的对图像进行检测的准确性低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像检测方法、装置、存储介质和电子装置，以至少解决相关技术中对图像进行检测的准确性低的技术问题。
根据本发明实施例的一个方面，提供了一种图像检测方法。该方法包括：对原始图像进行边缘检测，得到边缘图像；利用目标模板确定包括第一目标像素的第一目标图像，其中，边缘图像包括第一目标像素；在第一目标图像中确定多个第二目标像素，其中，每个第二目标像素与连通区域的边界之间的像素距离大于等于第一目标阈值的像素，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值；根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度，其中，模糊度用于指示原始图像的模糊程度。
根据本发明实施例的另一方面，还提供了一种图像检测装置。该装置包括：检测单元，用于对原始图像进行边缘检测，得到边缘图像；第一确定单元，用于利用目标模板确定包括第一目标像素的第一目标图像，其中，边缘图像包括第一目标像素；第二确定单元，用于在第一目标图像中确定多个第二目标像素，其中，每个第二目标像素与连通区域的边界之间的像素距离大于等于第一目标阈值的像素，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值；第三确定单元，用于根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度，其中，模糊度用于指示原始图像的模糊程度。
本发明实施例还提供了一种存储介质。该存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行本发明实施例中的图像检测方法。
本发明实施例还提供了一种电子装置。该电子装置包括存储器和处理器。该存储器中存储有计算机程序，处理器被设置为通过计算机程序执行本发明实施例的图像检测方法。
在本发明实施例中，由于对原始图像的整个边缘进行边缘检测，得到边缘图像，利用目标模板确定包括边缘图像中的第一目标像素的第一目标图像，在第一目标图像中确定与连通区域的边界之间的像素距离大于等于第一目标阈值的多个第二目标像素，这样便能覆盖全图、条带及局部图像，其中，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值，再根据多个第二目标像素在第一目标图像中的第一占比，来确定原始图像的模糊度，从而能覆盖全图、条带及局部图像的模糊程度的判断，避免了只能检测部分图像的模糊程度，从而能够更准确地判断图像的模糊程度，实现了提高对图像进行检测的准确性的技术效果，解决了相关技术中对图像进行检测的准确性低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种图像检测方法的硬件环境的示意图；
图2是根据本发明实施例的一种图像检测方法的流程图；
图3是根据本发明实施例的另一种图像检测的流程图；
图4是根据本发明实施例的一种原始图像的示意图；
图5是根据就本发明实施例的一种边缘图像的示意图；
图6是根据本发明实施例的一种膨胀图像的示意图；
图7是根据本发明实施例的一种图像模板区域的梯度方向的示意图；
图8是根据本发明实施例的一种同向连通域的示意图；
图9是根据本发明实施例的一种同向连通域距离的示意图；
图10是根据本发明实施例的一种包括到同向连通域边界的距离大于等于目标阈值的像素的图像的示意图；
图11是根据本发明实施例的一种图像检测装置的示意图；以及
图12是根据本发明实施例的一种电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面，提供了一种图像检测方法的实施例。
根据本发明实施例的一个方面，提供了一种图像检测方法，可选地，作为一种可选的实施方式，上述图像检测方法可以但不限于应用于如图1 所示的环境中。其中，图1是根据本发明实施例的图像检测方法的硬件环境的示意图。如图1所示，用户102可以与用户设备104之间可以进行数据交互，用户设备104中可以但不限于包括存储器106和处理器108。
在该实施例中，用户设备104可以输入原始图像的数据，可以通过处理器108执行步骤S102，通过网络110将上述原始图像的数据发送给服务器112。服务器112中包含有数据库114和处理器116。服务器112在获取到上述原始图像的数据之后，处理器116对原始图像进行边缘检测，得到边缘图像，利用数据库114中存储的目标模板确定包括第一目标像素的第一目标图像，边缘图像包括第一目标像素，进而在第一目标图像中确定多个第二目标像素，根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度，进而执行步骤S104，通过网络110将原始图像的模糊度返回给用户设备104，用户设备104可以在客户端上显示原始图像的模糊度。
在相关技术中，基于灰度均值的图像模糊的检测，由于只能对部分图像的模糊程度进行检测，存在对图像进行检测的准确性低的问题。由于对原始图像的整个边缘进行边缘检测，得到边缘图像，利用目标模板确定包括边缘图像中的第一目标像素的第一目标图像，在第一目标图像中确定与连通区域的边界之间的像素距离大于等于第一目标阈值的多个第二目标像素，这样便能覆盖全图、条带及局部图像，其中，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值，再根据多个第二目标像素在第一目标图像中的第一占比，来确定原始图像的模糊度，从而能覆盖全图、条带及局部图像的模糊程度的判断，避免了只能检测部分图像的模糊程度，从而能够更准确地判断图像的模糊程度，实现了提高对图像进行检测的准确性的技术效果，解决了相关技术中对图像进行检测的准确性低的技术问题。
图2是根据本发明实施例的一种图像检测方法的流程图。如图2所示，该方法可以包括以下步骤：
步骤S202，对原始图像进行边缘检测，得到边缘图像。
在本申请上述步骤S202提供的技术方案中，原始图像为待进行模糊度评价的图像，可以为由地图数据生成的图像。
在该实施例中，原始图像的边缘可以是原始图像上一定数量的像素点的亮度发生变化的地方，也可以是原始图像上像素灰度急剧变化的像素的集合。对原始图像进行边缘检测，可以剔除原始图像中不相关的信息，比如，剔除天空、白楼等纯色区域的信息，而提取出有用的结构信息，比如，提取出原始图像的纹理特征，进而得到边缘图像，以大大减少对原始图像要处理的数据量。
在该实施例中，可以通过阈值来确定原始图像的边缘。其中，阈值越低，能够检测出的原始图像的边线就越多，越容易从图像中挑出不相关的信息，阈值越高，可能会遗失原始图像中细的或者短的线段。
可选地，该实施例的高阈值可以将原始图像中要提取的轮廓与背景区分开来，比如，像素的梯度强度大于高阈值，则该像素为原始图像的边缘点，梯度强度大于高阈值的像素组成的边界为原始图像的强边界。低阈值可以用于平滑边缘的轮廓线，或者使不连续的部分连接起来，如果像素的梯度强度小于低阈值，则该像素点不为原始图像的边缘点。对于梯度强度处于低阈值和高阈值之间的像素，如果该像素邻域中有梯度强度超过高阈值的像素，则将该像素确定为边缘点，由处于低阈值和高阈值之间的像素组成的边界为原始图像的弱边界，其中，梯度强度为像素位置的幅值。
举例而言，该实施例采用Canny边缘检测方法，对原始图像进行边缘检测，得到边缘图像。可选地，选取低阈值为20，高阈值为40，保留原始图像的纹理特征，剔除天空、白楼等没有纹理特征的信息。
需要说明的是，上述对原始图像进行Canny边缘检测方法仅为本发明实施例的一种举例，并不代表本发明实施例的对原始图像进行边缘检测的方法仅为上述方法，任何可以实现对原始图像进行边缘检测的方法都在本发明实施例的范围之内，比如，Roberts边缘检测，Sobel边缘检测，Prewitt 边缘检测，LOG边缘检测等，此处不再一一举例说明。
步骤S204，利用目标模板确定包括第一目标像素的第一目标图像，其中，边缘图像包括第一目标像素。
在本申请上述步骤S204提供的技术方案中，边缘图像包括第一目标像素，以将与边缘图像接触的所有背景点合并到边缘图像中，使得边缘图像的边界向外部扩张。
该实施例的目标模板可以为具有某种确定形状的结构、且用于扩大边缘图形的边缘的模板，其原点在其几何中心处。
该实施例可以控制目标模板的中心位置在边缘图像中平滑一遍，将目标模板滑过的区域的图像，确定为第一目标图像，目标模板滑过的区域也即图像模板区域。
步骤S206，在第一目标图像中确定多个第二目标像素。
在本申请上述步骤S206提供的技术方案中，每个第二目标像素与连通区域的边界之间的像素距离大于等于第一目标阈值的像素，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值。
在该实施例中，在利用目标模板确定包括第一目标像素的第一目标图像之后，确定第一目标图像的连通区域，该连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值，也即，将第一目标图像中同种特征相似、且位置相邻的像素所形成的区域，确定为第一目标图像的连通区域，其中，同种特征相似可以为多个像素的值、颜色、梯度方向等特征相似，第二目标阈值为用于衡量多个像素的同种特征之间的相似度大与小的临界值。
该实施例可以确定同方向连通区域，可以将8邻域45度差值内的方向确定为同方向。计算第一目标图像内的像素与连通区域的边界之间的像素距离，可以将与连通区域的边界之间的像素距离大于等于第一目标阈值的像素，确定为多个第二目标像素。其中，第一目标阈值可以为5。
步骤S208，根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度。
在本申请上述步骤S208提供的技术方案中，模糊度用于指示原始图像的模糊程度。
判断原始图像的模糊程度是衡量原始图像质量优劣的重要指标。在第一目标图像中确定多个第二目标像素之后，确定多个第二目标像素在第一目标图像中的第一占比，可以将第一占比确定为原始图像的模糊度，通过该模糊度确定原始图像的模糊程度，进而通过模糊度确定原始图像是否为模糊图像，可以在模糊度大于一定阈值的情况下，确定原始图像为模糊图像。
作为一种可选的实施方式，在步骤S206，在第一目标图像中确定多个第二目标像素之前，该方法还包括：确定第一目标图像的梯度方向，其中，梯度方向为第一目标图像的灰度值增大的方向；在梯度方向上，确定连通区域。
在该实施例中，第一目标图像的梯度方向，也即，图像模板区域的梯度的方向。该梯度方向为第一目标图像的灰度值的方向导数最大值的方向，也即，灰度值的变化率最快的方向。在第一目标图像中确定多个第二目标像素之前，确定第一目标图像的梯度方向，进而在梯度方向上，确定第一目标图像的连通区域。
作为一种可选的实施方式，在梯度方向上，确定连通区域包括：在梯度方向上，确定处于目标角度范围内的连通区域，其中，目标角度范围通过梯度方向上的像素的邻域数量进行确定。
在该实施例中，在确定第一目标图像的连通区域时，可以确定同方向的连通域，可以在梯度方向上，基于目标角度范围来确定连通域是否为同方向的，该目标角度范围可以通过梯度方向上的像素的邻域数量来确定，比如，梯度方向上的像素的邻域数量为8，目标角度范围为45度，将8 邻域45度差值内的连通域，认为是同方向的连通域。
作为一种可选的实施方式，步骤S204，利用目标模板确定包括第一目标像素的第一目标图像包括：利用目标模板对边缘图像进行膨胀处理，得到包括第一目标像素的第一目标图像，其中，目标模板为边缘图像的结构元素。
该实施例可以利用目标模板对边缘图像按照膨胀算法进行处理，得到第一目标图像。膨胀算法是给边缘图像中添加像素，将与边缘图像接触的所有背景点合并到该边缘图像中，使边界向外部扩张。
可选地，该实施例的目标模板可以为具有某种确定形状的结构元素，该结构元素的值为0或1，其原点在其几何中心处，比如，该目标模板为圆形结构、正方形结构、菱形结构、六边形结构等结构元素。比如，以边缘图像中的像素为中心，以半径为10像素的圆形结构作为结构元素，还可以边缘图像中的像素为中心，以边长为20像素的正方形结构作为结构元素。
该实施例将结构元素作为目标模板在边缘图像中平滑一遍，通过结构元素扫描边缘图像中的每一个像素，将结构元素中的像素与其覆盖的边缘图像的像素做“或”操作，如果结构元素中的像素与其覆盖的边缘图像的像素都为0，则第一目标图像的该像素为0，否则为1。通过对边缘图像按照膨胀算法进行膨胀操作，扩大了边缘图像的轮廓，得到包括第一目标像素的第一目标图像，进而填补了边缘图像中的空洞。
作为一种可选的实施方式，步骤S208，根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度包括：根据多个第二目标像素在第一目标图像中的第一占比和第一权重，及边缘图像在原始图像中的第二占比和第二权重，确定原始图像的模糊度，其中，第一权重和第二权重之和为1。
在该实施例中，在确定原始图像的模糊度时，可以获取多个第二目标像素在第一目标图像中的第一占比A1，在原始图像的模糊程度比较高的情况下，还获取边缘图像在原始图像中的第二占比A1。可选地，第一占比A1对模糊度的贡献程度通过第一权重B1表示，第二占比A2对原始图像的贡献程度通过第二权重B2表示，该第一权重和第二权重之和为1，也即，A1+A2＝1，根据第一占比、第一权重、第二占比和第二权重确定原始图像的模糊度，在保证很快的计算速度的基础上，能够更准确地判断图像的模糊程度，提高了对图像进行检测的效率。
作为一种可选的实施方式，根据多个第二目标像素在第一目标图像中的第一占比和第一权重，及边缘图像在原始图像中的第二占比和第二权重，确定原始图像的模糊度包括：获取第一占比和第一权重二者之间的第一积；获取第二占比和第二权重二者之间的第二积；将第一积与第二积二者之间的和，确定为模糊度。
在该实施例中，在原始图像的模糊程度比较严重的情况下，需要根据边缘图像在原始图像中的第二占比来确定原始图像的模糊度。可以先获取第一占比和第一权重二者之前的第一积，比如，第一占比为A1，第一权重为B1，获取第一积A1*B1，获取第二占比和第二权重二者之间的第二积，比如，第二占比为A2，第二权重为B2，获取第二积A2*B2。在获取第一占比和第一权重二者之间的第一积，第二占比和第二权重二者之间的第二积之后，将第一积与第二积二者之间的和，确定为模糊度，也即，将 A1*B1+A2*B2确定为原始图像的模糊度。
需要说明的是，上述多个第二目标像素在第一目标图像中的第一占比，及边缘图像在原始图像中的第二占比仅为影响原始图像的模糊度的两个方面，并不仅限于多个第二目标像素在第一目标图像中的第一占比和边缘图像在原始图像中的第二占比，任何影响原始图像的模糊度的因子都可以通过设定权重来共同计算原始图像的模糊度，此处不再一一举例。
作为一种可选的实施方式，步骤S202，对原始图像进行边缘检测，得到边缘图像包括：对第一子图像进行检测，得到边缘图像，其中，原始图像包括第一子图像和第二子图像，第一子图像对原始图像的模糊程度的影响，大于第二子图像对原始图像的模糊程度的影响。
在该实施例中，原始图像包括第一子图像和第二子图像，该第一子图像可以为原始图像的上方2/3图像，第二子图像可以为原始图像的下方1/3 图像，该第一子图像对原始图像的模糊程度的影响，大于第二子图像对原始图像的模糊程度的影响，也即，从第二子图像可以判断出包含在原始图像中的画面内容，对原始图像的模糊程度的贡献小，比如，第二子图像不影响原始图像中的对地标线和斑马线的判断，而不能从第一子图像判断出具体的画面内容，对原始图像的模糊程度的贡献大。因而，在对原始图像进行边缘检测时，可以只对第一子图像进行边缘检测，排除第二子图像对原始图像的模糊度的干扰，得到边缘图像。由于只针对原始图像的第一子图像进行边缘检测，而并非对整个原始图像进行边缘检测，减少了在边缘检测过程中的数据处理量，从而准确、快速地对图像的模糊度进行检测。
作为一种可选的实施方式，在步骤S208，根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度之后，该方法还包括：在模糊度大于等于目标模糊度的情况下，确定原始图像为模糊图像。
在该实施例中，获取原始图像为模糊图像或者不为模糊图像的结果，可以判断原始图像是否存在模糊现象。可选地，判断原始图像的模糊度是否大于等于目标模糊度，该目标模糊度为确定原始图像是否为模糊图像的临界值。如果判断出模糊度大于等于目标模糊度，则确定原始图像存在模糊现象，为模糊图像。可选地，如果判断出模糊度小于目标模糊度，则确定原始图像不存在模糊现象，不为模糊图像，从而快速、准确地对原始图像是否为模糊图像进行评价，提高了对图像进行检测的效率。
作为一种可选的实施方式，在步骤S202，对原始图像进行边缘检测，得到所边缘图像之前，该方法还包括：在第二目标图像中获取待检测的原始图像，其中，第二目标图像为根据采集到的地图数据生成的地图图像；在确定原始图像为模糊图像之后，该方法还包括：获取模糊图像在第二目标图像中的第三占比；在第三占比大于等于第二目标占比的情况下，确定第二目标图像不合格；禁止对不合格的第二目标图像进行处理。
该实施例可以应用在地图数据的自动化生产，以及地图自动审核服务中，可以在第二目标图像中获取待检测的原始图像数据，该原始图像数据用于形成原始图像，第二目标图像可以为通过地图数据生成的地图图像，比如，该地图图像为城市地图图像，待检测的原始图像可以为城市地图图像的某一地区的图像，或者为需要检测的多个地区的合成的图像。
判断原始图像的模糊程度是衡量第二目标图像质量优劣的重要指标。在确定原始图像为模糊图像之后，获取模糊图像在第二目标图像中的第三占比，判断第三占比是否大于第二目标占比，如果判断出第三占比大于等于第二目标占比，则确定第二目标图像的质量不合格，也即，该第二目标图像不符合处理的要求，进而禁止对不合格的第二目标图像进行处理，从而实现对图像的自动审核，可以快速处理海量数据，加快支付用户采集费用和数据上线的周期，保持数据的鲜度以及准确度，避免人工处理海量数据，将数据展示到平台进行人工作业所带来的高昂的人工成本，同时避免了人在高度集中精神的作业中产生疲惫，导致数据制作质量的降低的问题。
该实施例提供了一种快速、准确的模糊图像评价方法，使得地图数据得以快速处理，保持了数据的鲜度以及准确度，避免了大量的人工成本，且能在不使用图形处理器(Graphics Processing Unit，简称为GPU)计算资源的前提下，实现海量地图数据质量的自动审核，大大缩短了地图数据审核的周期，为后续地图自动化生产方案提供了前提。
需要说明的是，该实施例应用在地图数据的自动化生产的地图自动审核服务中仅为本发明实施例的一种举例，并不代表本发明仅应用在地图数据的自动化生产的地图自动审核服务中，任何可以通过该实施例的图像检测的方法来确定原始图像的模糊度的，以在保证很快的计算速度的基础上，能够更准确地判断图像的模糊程度的场景，都在本发明实施例的范围之内，此处不再一一举例说明。
该实施例提供了一种快速、准确的模糊图像检测方法，在保证很快的计算速度的基础上，能够更准确地判断图像的模糊程度，可以覆盖全图以及局部图像模糊的判断，使得判断结果跟人体主管视觉感受更加接近，可以支持大规模(每天上千万)的数据自动化生产，提高了对图像进行检测的效率。
下面结合优选的实施例对本发明的技术方案进行说明。
在该实施例中，判断图像的模糊程度是衡量图像质量优劣的重要指标之一，关键在于建立跟人体视觉感受相符合的模糊评价标准。
图3是根据本发明实施例的另一种图像检测的流程图。如图3所示，该方法包括以下步骤：
步骤S301，对原始图像进行边缘检测，得到边缘图像。
在该实施例中，先对原始图像进行边缘检测。图4是根据本发明实施例的一种原始图像的示意图。如图4所示，可以采用canny边缘检测方法，对原始图像进行边缘检测，给出一个阈值来确定哪里是边缘位置。阈值越低，能够检测出的边线越多，越容易从图像中挑出不相关的特性，与此相反，一个高的阈值将会遗失细的或者短的线段。该实施例将低阈值选取20，高阈值选取40，保留原始图像的纹理特征，去掉纯色等对原始图像的模糊程度的判断有干扰的特征，也即，剔除可以认为不相关的信息，比如，去掉天空、白楼等对原始图像的模糊程度的判断有干扰的特征。
图5是根据就本发明实施例的一种边缘图像的示意图。如图5所示，提取出周围像素灰度急剧变化的像素，该灰度急剧变化的像素可以为亮度发生变化的像素，从而保留了图像重要的结构属性。
步骤S302，对边缘图像进行膨胀处理，得到图像模板区域。
在对原始图像进行边缘检测，得到边缘图像之后，采用膨胀算法对边缘图像进行膨胀处理，也即，将与边缘图像接触的所有背景点合并到该边缘图像中，使得边缘图像向外部扩张。该实施例可以采用以边缘图像中的像素点为中心，宽度为20像素的模板对边缘图像进行膨胀处理，将模板圈起来的有纹理区域，确定为图像模板区域，该图像模板区域对应的图像即为膨胀图像。
图6是根据本发明实施例的一种膨胀图像的示意图。如图6所示，可以提取以边缘为中心，半径为10的区域，作为图像模板区域。
步骤S303，计算图像模板区域的图像的梯度方向。
在对边缘图像进行膨胀处理，得到图像模板区域之后，计算图像模板区域的图像的梯度方向。该梯度方向为图像模板区域的图像的灰度值方向导数的最大值的方向，也即，函数变化率最快的方向。
图7是根据本发明实施例的一种图像模板区域的梯度方向的示意图。如图7所示，计算图像模板区域的梯度方向。
步骤S304，计算在梯度方向上的同向连通域。
在计算图像模板区域的梯度方向之后，计算在梯度方向上的同方向连的连通域，该连通域可以为具有相似特征且位置相邻的像素所在的图像区域，其中，特征相似可以为具有相似颜色形状，梯度方向等。
图8是根据本发明实施例的一种同向连通域的示意图。如图8所示，计算同方向的连通域，可以把8邻域内45度内的像素认为是同方向连通。
步骤S305，计算同向连通域内的距离关系。
在图像模板区域的图像的梯度方向之后，计算同向连通域内的距离关系，也即，像素到同向连通域边界的距离。
图9是根据本发明实施例的一种同向连通域距离的示意图。如图9所示，计算同向连通域内的距离关系，可以获取该图像模板区域的图像中，到同向连通域边界的距离大于等于目标阈值的像素，比如，该目标阈值为 5。
步骤S306，判断是否为模糊图像。
在计算同向连通域内的距离关系之后，可以计算图像模板区域的图像中，到同向连通域边界的距离大于等于目标阈值的像素在图像模板区域中的占比，在原始图像模糊较严重的情况下，还可以计算边缘图像在原始图像中的占比，通过图像模板区域的图像中，到同向连通域边界的距离大于等于目标阈值的像素，在图像模板区域中的占比和边缘图像在原始图像中的占比，来确定原始图像是否为模糊图像。
图10是根据本发明实施例的一种包括到同向连通域边界的距离大于等于目标阈值的像素的图像的示意图。如图10所示，可以在原始图像的上面2/3处根据多个第二目标像素在图像模板中的占比和边缘图像在原始图像中的占比，来计算原始图像是否为模糊图像。可选地，为了排除地面干扰，下面1/3可以不用进行处理(下面1/3图像模糊不影响下面1/3要素地标线和斑马线的判断)。
该实施例可以应用在地图数据的自动化生产的地图自动审核服务中，可以快速处理海量数据，比如，采集地图数据，将地图数据生成的地图图像划分为多个图像，将每个图像确定为待处理任务，计算每个待处理任务中的模糊图像在整个任务中的占比，从而判断任务是否为质量不合格的任务，进而加快支付用户采集费用和数据上线的周期。
该实施例提供了一种快速、准确地模糊图像的评价方法，通过计算图像在梯度方向的连通域宽度的方式，来计算图像是否存在模糊现象，可以在保证很快的计算速度的基础上，能够更准确地判断图像的模糊程度，可以覆盖全图、条带以及局部图像模糊的判断，使得判断的结果跟人体主管视觉感受更加接近，并且还可以支持大规模的数据的自动化生产，避免了大量的人工成本，且能在不使用GPU计算资源的前提下，实现海量地图数据质量的自动审核，大大缩短了地图数据审核的周期，为后续地图自动化生产方案最好了铺垫。
需要说明的是，该实施例的上述涉及计算原始图像的模糊程度的方法仅为本发明实施例的优选实施方式，并不代表本发明实施例的计算原始图像的模糊程度的方法仅为涉及上述方法，还可以采用快速傅里叶变换等变化域的方式、基于均值、方差、熵函数统计、以及除canny边缘检测方法的其它基于边缘检测的方法，以提高对图像进行检测的效率，此处不再一一举例说明。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例的另一方面，还提供了一种用于实施上述图像检测方法的图像检测装置。图11是根据本发明实施例的一种图像检测装置的示意图。如图11所示，该图像检测装置110可以包括：检测单元10、第一确定单元20、第二确定单元30和第三确定单元40。
检测单元10，用于对原始图像进行边缘检测，得到边缘图像。
第一确定单元20，用于利用目标模板确定包括第一目标像素的第一目标图像，其中，边缘图像包括第一目标像素。
第二确定单元30，用于在第一目标图像中确定多个第二目标像素，其中，每个第二目标像素与连通区域的边界之间的像素距离大于等于第一目标阈值的像素，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值。
第三确定单元40，用于根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度，其中，模糊度用于指示原始图像的模糊程度。
可选地，该装置还包括：第四确定单元和第五确定单元。其中，第三确定单元，用于在第一目标图像中确定多个第二目标像素之前，确定第一目标图像的梯度方向，其中，梯度方向为第一目标图像的灰度值增大的方向；第四确定单元，用于在梯度方向上，确定连通区域。
可选地，第五确定单元包括：确定模块，用于在梯度方向上，确定处于目标角度范围内的连通区域，其中，目标角度范围通过梯度方向上的像素的邻域数量进行确定。
可选地，第一确定单元20包括：处理模块，用于利用目标模板对边缘图像进行膨胀处理，得到包括第一目标像素的第一目标图像，其中，目标模板为边缘图像的结构元素。
需要说明的是，该实施例中的检测单元10可以用于执行本申请实施例中的步骤S202，该实施例中的第一确定单元20可以用于执行本申请实施例中的步骤S204，该实施例中的第二确定单元30可以用于执行本申请实施例中的步骤S206，该实施例中的第三确定单元40可以用于执行本申请实施例中的步骤S208。
该实施例由于对原始图像的整个边缘进行边缘检测，得到边缘图像，利用目标模板确定包括边缘图像中的第一目标像素的第一目标图像，在第一目标图像中确定与连通区域的边界之间的像素距离大于等于第一目标阈值的多个第二目标像素，这样便能覆盖全图、条带及局部图像，其中，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值，再根据多个第二目标像素在第一目标图像中的第一占比，来确定原始图像的模糊度，从而能覆盖全图、条带及局部图像的模糊程度的判断，避免了只能检测部分图像的模糊程度，从而能够更准确地判断图像的模糊程度，实现了提高对图像进行检测的准确性的技术效果，解决了相关技术中对图像进行检测的准确性低的技术问题。
此处需要说明的是，上述单元和模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述单元和模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
根据本发明实施例的又一方面，还提供了一种用于实施上述图像检测方法的电子装置。
图12是根据本发明实施例的一种电子装置的结构框图。如图12所示，该电子装置包括存储器122和处理器124，该存储器中存储有计算机程序，该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，对原始图像进行边缘检测，得到边缘图像；
S2，利用目标模板确定包括第一目标像素的第一目标图像，其中，边缘图像包括第一目标像素；
S3，在第一目标图像中确定多个第二目标像素，其中，每个第二目标像素与连通区域的边界之间的像素距离大于等于第一目标阈值的像素，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值；
S4，根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度，其中，模糊度用于指示原始图像的模糊程度。
其中，存储器122可用于存储软件程序以及模块，如本发明实施例中的物品的处理方法和装置对应的程序指令/模块，处理器124通过运行存储在存储器122内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像检测方法。存储器122可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器122可进一步包括相对于处理器124远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器122具体可以但不限于用于存储模糊度等信息。作为一种示例，如图12所示，上述存储器122中可以但不限于包括上述物品的图像检测装置110中的检测单元10、第一确定单元20、第二确定单元30和第三确定单元40。此外，还可以包括但不限于上述图像检测装置中的其他模块单元，本示例中不再赘述。
上述的传输装置126用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置126包括一个网络适配器(NetworkInterface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置126为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子装置还包括：显示器128，用于显示上述目标代码在第一目标函数中的执行状态；连接总线130，用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
S1，对原始图像进行边缘检测，得到边缘图像；
S2，利用目标模板确定包括第一目标像素的第一目标图像，其中，边缘图像包括第一目标像素；
S3，在第一目标图像中确定多个第二目标像素，其中，每个第二目标像素与连通区域的边界之间的像素距离大于等于第一目标阈值的像素，连通区域为第一目标图像中位置相邻的多个像素所形成的区域，多个像素的同种特征之间的相似度大于等于第二目标阈值；
S4，根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度，其中，模糊度用于指示原始图像的模糊程度。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，在第一目标图像中确定多个第二目标像素之前，确定第一目标图像的梯度方向，其中，梯度方向为第一目标图像的灰度值增大的方向；
S2，在梯度方向上，确定连通区域。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
在梯度方向上，确定处于目标角度范围内的连通区域，其中，目标角度范围通过梯度方向上的像素的邻域数量进行确定。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
利用目标模板对边缘图像进行膨胀处理，得到包括第一目标像素的第一目标图像，其中，目标模板为边缘图像的结构元素。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
根据多个第二目标像素在第一目标图像中的第一占比和第一权重，及边缘图像在原始图像中的第二占比和第二权重，确定原始图像的模糊度，其中，第一权重和第二权重之和为1。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取第一占比和第一权重二者之间的第一积；
S2，获取第二占比和第二权重二者之间的第二积；
S3，将第一积与第二积二者之间的和，确定为模糊度。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
对第一子图像进行检测，得到边缘图像，其中，原始图像包括第一子图像和第二子图像，第一子图像对原始图像的模糊程度的影响，大于第二子图像对原始图像的模糊程度的影响。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
在根据多个第二目标像素在第一目标图像中的第一占比，确定原始图像的模糊度之后，在模糊度大于等于目标模糊度的情况下，确定原始图像为模糊图像。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，在对原始图像进行边缘检测，得到所边缘图像之前，在第二目标图像中获取待检测的原始图像，其中，第二目标图像为根据采集到的地图数据生成的地图图像；
S2，在确定原始图像为模糊图像之后，获取模糊图像在第二目标图像中的第三占比；
S3，在第三占比大于等于第二目标占比的情况下，确定第二目标图像不合格；
S4，禁止对不合格的第二目标图像进行处理。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种图像检测方法，其特征在于，包括：
对原始图像进行边缘检测，得到边缘图像；
利用目标模板确定包括第一目标像素的第一目标图像，其中，所述边缘图像包括所述第一目标像素；
在所述第一目标图像中确定多个第二目标像素，其中，每个所述第二目标像素与连通区域的边界之间的像素距离大于等于第一目标阈值，所述连通区域为所述第一目标图像中位置相邻的多个像素所形成的区域，所述多个像素的同种特征之间的相似度大于等于第二目标阈值；
根据所述多个第二目标像素在所述第一目标图像中的第一占比，确定所述原始图像的模糊度，其中，所述模糊度用于指示所述原始图像的模糊程度。
2.根据权利要求1所述的方法，其特征在于，在所述第一目标图像中确定所述多个第二目标像素之前，所述方法还包括：
确定所述第一目标图像的梯度方向，其中，所述梯度方向为所述第一目标图像的灰度值增大的方向；
在所述梯度方向上，确定所述连通区域。
3.根据权利要求2所述的方法，其特征在于，在所述梯度方向上，确定所述连通区域包括：
在所述梯度方向上，确定处于目标角度范围内的所述连通区域，其中，所述目标角度范围通过所述梯度方向上的像素的邻域数量进行确定。
4.根据权利要求1所述的方法，其特征在于，利用所述目标模板确定包括所述第一目标像素的所述第一目标图像包括：
利用目标模板对所述边缘图像进行膨胀处理，得到包括所述第一目标像素的所述第一目标图像，其中，所述目标模板为所述边缘图像的结构元素。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，根据所述多个第二目标像素在所述第一目标图像中的第一占比，确定所述原始图像的模糊度包括：
根据所述多个第二目标像素在所述第一目标图像中的第一占比和第一权重，及所述边缘图像在所述原始图像中的第二占比和第二权重，确定所述原始图像的模糊度，其中，所述第一权重和所述第二权重之和为1。
6.根据权利要求5所述的方法，其特征在于，根据所述多个第二目标像素在所述第一目标图像中的第一占比和第一权重，及所述边缘图像在所述原始图像中的第二占比和第二权重，确定所述原始图像的模糊度包括：
获取所述第一占比和所述第一权重二者之间的第一积；
获取所述第二占比和所述第二权重二者之间的第二积；
将所述第一积与所述第二积二者之间的和，确定为所述模糊度。
7.根据权利要求1至4中任意一项所述的方法，其特征在于，对所述原始图像进行边缘检测，得到所述边缘图像包括：
对第一子图像进行检测，得到所述边缘图像，其中，所述原始图像包括所述第一子图像和第二子图像，所述第一子图像对所述原始图像的模糊程度的影响，大于所述第二子图像对所述原始图像的模糊程度的影响。
8.根据权利要求1至4中任意一项所述的方法，其特征在于，在根据所述多个第二目标像素在所述第一目标图像中的第一占比，确定所述原始图像的模糊度之后，所述方法还包括：
在所述模糊度大于等于目标模糊度的情况下，确定所述原始图像为模糊图像。
9.根据权利要求8所述的方法，其特征在于，
在对所述原始图像进行边缘检测，得到所述边缘图像之前，所述方法还包括：在第二目标图像中获取待检测的所述原始图像，其中，所述第二目标图像为根据采集到的地图数据生成的地图图像；
在确定所述原始图像为所述模糊图像之后，所述方法还包括：获取所述模糊图像在所述第二目标图像中的第三占比；在所述第三占比大于等于第二目标占比的情况下，确定所述第二目标图像不合格；禁止对不合格的所述第二目标图像进行处理。
10.一种图像检测装置，其特征在于，包括：
检测单元，用于对原始图像进行边缘检测，得到边缘图像；
第一确定单元，用于利用目标模板确定包括第一目标像素的第一目标图像，其中，所述边缘图像包括所述第一目标像素；
第二确定单元，用于在所述第一目标图像中确定所述原始图像的多个第二目标像素，其中，每个所述第二目标像素与所述第一目标图像中与连通区域的边界之间的像素距离大于等于第一目标阈值，所述连通区域为所述第一目标图像中位置相邻的多个像素所形成的区域，所述多个像素的同种特征之间的相似度大于等于第二目标阈值；
第三确定单元，用于根据所述多个第二目标像素在所述第一目标图像中的第一占比，确定所述原始图像的模糊度，其中，所述模糊度用于指示所述原始图像的模糊程度。
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：
第四确定单元，用于在所述第一目标图像中确定所述多个第二目标像素之前，确定所述第一目标图像的梯度方向，其中，所述梯度方向为所述第一目标图像的灰度值增大的方向；
第五确定单元，用于在所述梯度方向上，确定所述连通区域。
12.根据权利要求11所述的装置，其特征在于，第五确定单元包括：
确定模块，用于在所述梯度方向上，确定处于目标角度范围内的所述连通区域，其中，所述目标角度范围通过所述梯度方向上的像素的邻域数量进行确定。
13.根据权利要求10所述的装置，其特征在于，第一确定单元包括：
处理模块，用于利用目标模板对所述边缘图像进行膨胀处理，得到包括所述第一目标像素的所述第一目标图像，其中，所述目标模板为所述边缘图像的结构元素。
14.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至9任一项中所述的图像检测方法。
15.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至9任一项中所述的图像检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811320653.2A CN110148147B (zh) | 2018-11-07 | 2018-11-07 | 图像检测方法、装置、存储介质和电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811320653.2A CN110148147B (zh) | 2018-11-07 | 2018-11-07 | 图像检测方法、装置、存储介质和电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110148147A true CN110148147A (zh) | 2019-08-20 |
| CN110148147B CN110148147B (zh) | 2024-02-09 |
Family
ID=67588400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811320653.2A Active CN110148147B (zh) | 2018-11-07 | 2018-11-07 | 图像检测方法、装置、存储介质和电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148147B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047575A (zh) * | 2019-12-12 | 2020-04-21 | 青海奥珞威信息科技有限公司 | 无人机电力巡线影像质量盲评估方法 |
| CN111314608A (zh) * | 2020-02-24 | 2020-06-19 | 珠海市它物云科技有限公司 | 一种图像定焦提示方法、计算机装置及计算机可读存储介质 |
| CN111739038A (zh) * | 2020-08-05 | 2020-10-02 | 成都四方伟业软件股份有限公司 | 一种手绘图轮廓线断点自动连接方法及装置 |
| CN112183618A (zh) * | 2020-09-25 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 相似度确定方法和相似度确定装置 |
| CN112464955A (zh) * | 2020-12-03 | 2021-03-09 | 上海连尚网络科技有限公司 | 图像重合度确定方法、电子设备及计算机可读存储介质 |
| CN112734747A (zh) * | 2021-01-21 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 一种目标检测方法、装置、电子设备和存储介质 |
| CN115272314A (zh) * | 2022-09-27 | 2022-11-01 | 广东晟腾地信科技有限公司 | 农业低空遥感测绘方法、装置 |
| CN117649420A (zh) * | 2023-11-14 | 2024-03-05 | 北京医百科技有限公司 | 确定图像中目标区域的膨胀域的方法、装置及电子设备 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101834980A (zh) * | 2009-03-13 | 2010-09-15 | 索尼公司 | 图像处理设备和方法、学习设备和方法以及程序 |
| CN102622737A (zh) * | 2012-02-29 | 2012-08-01 | 宁波大学 | 一种基于区域生长的显微图像融合方法 |
| CN102842110A (zh) * | 2011-06-20 | 2012-12-26 | 富士胶片株式会社 | 图像处理设备和图像处理方法 |
| US20140003734A1 (en) * | 2012-03-26 | 2014-01-02 | Viewdle Inc. | Image blur detection |
| CN103985108A (zh) * | 2014-06-03 | 2014-08-13 | 北京航空航天大学 | 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法 |
| CN104637064A (zh) * | 2015-02-28 | 2015-05-20 | 中国科学院光电技术研究所 | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 |
| CN104767911A (zh) * | 2015-04-28 | 2015-07-08 | 腾讯科技（深圳）有限公司 | 图像处理方法及装置 |
| WO2015104236A1 (en) * | 2014-01-07 | 2015-07-16 | Dacuda Ag | Adaptive camera control for reducing motion blur during real-time image capture |
| CN105488511A (zh) * | 2015-11-25 | 2016-04-13 | 小米科技有限责任公司 | 图像的识别方法及装置 |
| CN105550694A (zh) * | 2015-12-01 | 2016-05-04 | 厦门瑞为信息技术有限公司 | 一种度量人脸图像模糊程度的方法 |
| WO2017054605A1 (zh) * | 2015-09-29 | 2017-04-06 | 腾讯科技（深圳）有限公司 | 一种图片的处理方法和装置 |
| CN106856002A (zh) * | 2016-11-22 | 2017-06-16 | 上海大学 | 一种无人机拍摄图像质量评价方法 |
| CN107481200A (zh) * | 2017-07-31 | 2017-12-15 | 腾讯科技（深圳）有限公司 | 图像处理方法和装置 |
| CN107507173A (zh) * | 2017-08-15 | 2017-12-22 | 上海交通大学 | 一种全切片图像的无参考清晰度评估方法及系统 |
| CN107563977A (zh) * | 2017-08-28 | 2018-01-09 | 维沃移动通信有限公司 | 一种图像处理方法、移动终端及计算机可读存储介质 |
| CN107730521A (zh) * | 2017-04-29 | 2018-02-23 | 安徽慧视金瞳科技有限公司 | 一种图像中屋脊型边缘的快速检测方法 |
| CN107784651A (zh) * | 2017-10-31 | 2018-03-09 | 中国矿业大学 | 一种基于模糊检测加权的模糊图像质量评价方法 |
| WO2018072333A1 (zh) * | 2016-10-18 | 2018-04-26 | 广州视源电子科技股份有限公司 | 一种元件错件检测方法和装置 |
| CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
| CN108550134A (zh) * | 2018-03-05 | 2018-09-18 | 北京三快在线科技有限公司 | 建图效果指标的确定方法和建图效果指标的确定装置 |
-
2018
- 2018-11-07 CN CN201811320653.2A patent/CN110148147B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101834980A (zh) * | 2009-03-13 | 2010-09-15 | 索尼公司 | 图像处理设备和方法、学习设备和方法以及程序 |
| CN102842110A (zh) * | 2011-06-20 | 2012-12-26 | 富士胶片株式会社 | 图像处理设备和图像处理方法 |
| CN102622737A (zh) * | 2012-02-29 | 2012-08-01 | 宁波大学 | 一种基于区域生长的显微图像融合方法 |
| US20140003734A1 (en) * | 2012-03-26 | 2014-01-02 | Viewdle Inc. | Image blur detection |
| WO2015104236A1 (en) * | 2014-01-07 | 2015-07-16 | Dacuda Ag | Adaptive camera control for reducing motion blur during real-time image capture |
| CN103985108A (zh) * | 2014-06-03 | 2014-08-13 | 北京航空航天大学 | 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法 |
| CN104637064A (zh) * | 2015-02-28 | 2015-05-20 | 中国科学院光电技术研究所 | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 |
| CN104767911A (zh) * | 2015-04-28 | 2015-07-08 | 腾讯科技（深圳）有限公司 | 图像处理方法及装置 |
| WO2017054605A1 (zh) * | 2015-09-29 | 2017-04-06 | 腾讯科技（深圳）有限公司 | 一种图片的处理方法和装置 |
| CN105488511A (zh) * | 2015-11-25 | 2016-04-13 | 小米科技有限责任公司 | 图像的识别方法及装置 |
| CN105550694A (zh) * | 2015-12-01 | 2016-05-04 | 厦门瑞为信息技术有限公司 | 一种度量人脸图像模糊程度的方法 |
| WO2018072333A1 (zh) * | 2016-10-18 | 2018-04-26 | 广州视源电子科技股份有限公司 | 一种元件错件检测方法和装置 |
| CN106856002A (zh) * | 2016-11-22 | 2017-06-16 | 上海大学 | 一种无人机拍摄图像质量评价方法 |
| CN107730521A (zh) * | 2017-04-29 | 2018-02-23 | 安徽慧视金瞳科技有限公司 | 一种图像中屋脊型边缘的快速检测方法 |
| CN107481200A (zh) * | 2017-07-31 | 2017-12-15 | 腾讯科技（深圳）有限公司 | 图像处理方法和装置 |
| CN107507173A (zh) * | 2017-08-15 | 2017-12-22 | 上海交通大学 | 一种全切片图像的无参考清晰度评估方法及系统 |
| CN107563977A (zh) * | 2017-08-28 | 2018-01-09 | 维沃移动通信有限公司 | 一种图像处理方法、移动终端及计算机可读存储介质 |
| CN107784651A (zh) * | 2017-10-31 | 2018-03-09 | 中国矿业大学 | 一种基于模糊检测加权的模糊图像质量评价方法 |
| CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
| CN108550134A (zh) * | 2018-03-05 | 2018-09-18 | 北京三快在线科技有限公司 | 建图效果指标的确定方法和建图效果指标的确定装置 |
Non-Patent Citations (7)
| Title |
|---|
| CHARLENE_BO: ""图像清晰度的评价指标"", pages 1 - 10, Retrieved from the Internet <URL:《https://blog.csdn.net/charlene_bo/article/details/72673490》> * |
| E. ONG等: ""A no-reference quality metric for measuring image blur"", 《SEVENTH INTERNATIONAL SYMPOSIUM ON SIGNAL PROCESSING AND ITS APPLICATIONS》, pages 469 - 472 * |
| G. XU等: ""Estimating Defocus Blur via Rank of Local Patches"", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》, pages 5381 - 5389 * |
| ZHANG, SHAN-QING等: ""No-Reference Image Blur Assessment Based on SIFT and DCT"", 《J. INF. HIDING MULTIM. SIGNAL PROCESS》, vol. 9, no. 1, pages 219 - 231 * |
| 庞胜利: ""图像模糊度评价研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 11, pages 138 - 176 * |
| 张涛: ""无参考图像模糊度评价方法研究"", 《中国博士学位论文全文数据库 信息科技辑》, no. 1, pages 138 - 79 * |
| 梅嘉祥等: ""图像模糊度评价及其应用综述"", 《软件工程》, vol. 21, no. 4, pages 3 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047575A (zh) * | 2019-12-12 | 2020-04-21 | 青海奥珞威信息科技有限公司 | 无人机电力巡线影像质量盲评估方法 |
| CN111314608A (zh) * | 2020-02-24 | 2020-06-19 | 珠海市它物云科技有限公司 | 一种图像定焦提示方法、计算机装置及计算机可读存储介质 |
| CN111739038A (zh) * | 2020-08-05 | 2020-10-02 | 成都四方伟业软件股份有限公司 | 一种手绘图轮廓线断点自动连接方法及装置 |
| CN111739038B (zh) * | 2020-08-05 | 2020-11-17 | 成都四方伟业软件股份有限公司 | 一种手绘图轮廓线断点自动连接方法及装置 |
| CN112183618A (zh) * | 2020-09-25 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 相似度确定方法和相似度确定装置 |
| CN112183618B (zh) * | 2020-09-25 | 2024-03-26 | 杭州三坛医疗科技有限公司 | 相似度确定方法和相似度确定装置 |
| CN112464955A (zh) * | 2020-12-03 | 2021-03-09 | 上海连尚网络科技有限公司 | 图像重合度确定方法、电子设备及计算机可读存储介质 |
| CN112734747A (zh) * | 2021-01-21 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 一种目标检测方法、装置、电子设备和存储介质 |
| CN112734747B (zh) * | 2021-01-21 | 2024-06-25 | 腾讯科技（深圳）有限公司 | 一种目标检测方法、装置、电子设备和存储介质 |
| CN115272314A (zh) * | 2022-09-27 | 2022-11-01 | 广东晟腾地信科技有限公司 | 农业低空遥感测绘方法、装置 |
| CN117649420A (zh) * | 2023-11-14 | 2024-03-05 | 北京医百科技有限公司 | 确定图像中目标区域的膨胀域的方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110148147B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148147A (zh) | 图像检测方法、装置、存储介质和电子装置 | |
| CN109461199B (zh) | 画面渲染方法和装置、存储介质及电子装置 | |
| CN102915372B (zh) | 图像检索方法、装置及系统 | |
| CN109076198B (zh) | 基于视频的对象跟踪遮挡检测系统、方法和设备 | |
| CN105279484B (zh) | 对象检测方法和对象检测装置 | |
| CN107045631B (zh) | 人脸特征点检测方法、装置及设备 | |
| CN106548516B (zh) | 三维漫游方法和装置 | |
| CN104050709B (zh) | 一种三维图像处理方法及电子设备 | |
| JP2017191605A (ja) | 対象物体の寸法を計測するための方法及びシステム | |
| CN109410316A (zh) | 物体的三维重建的方法、跟踪方法、相关装置及存储介质 | |
| US20150243069A1 (en) | View independent color equalized 3d scene texturing | |
| CN107610131A (zh) | 一种图像裁剪方法和图像裁剪装置 | |
| CN101556142A (zh) | 架空线路覆冰厚度的视觉检测方法 | |
| CN105243662B (zh) | 一种端子位置的确定方法及终端设备 | |
| CN107452028B (zh) | 一种确定目标图像位置信息的方法及装置 | |
| CN103049911B (zh) | 轮廓检测稳定性判断方法及图像检索方法 | |
| CN106612385B (zh) | 视频检测方法和视频检测装置 | |
| CN104517316B (zh) | 一种三维物体建模方法及终端设备 | |
| CN105096350B (zh) | 图像检测方法及装置 | |
| CN105095898B (zh) | 一种面向实时视觉系统的目标压缩感知方法 | |
| CN110751730A (zh) | 一种基于深度神经网络的穿衣人体体型估计方法 | |
| CN110415285A (zh) | 图像处理方法、装置及电子设备 | |
| CN112669448A (zh) | 基于三维重建技术的虚拟数据集开发方法、系统及存储介质 | |
| CN109255792A (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
| CN113052923A (zh) | 色调映射方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |