CN110852997B - 动态图像清晰度检测方法、装置、电子设备及存储介质 - Google Patents
动态图像清晰度检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110852997B CN110852997B CN201911020870.4A CN201911020870A CN110852997B CN 110852997 B CN110852997 B CN 110852997B CN 201911020870 A CN201911020870 A CN 201911020870A CN 110852997 B CN110852997 B CN 110852997B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- gray
- blurred
- blurred image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Abstract
本发明公开了一种动态图像清晰度检测方法、装置、电子设备及存储介质，其中所述方法包括：获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得待检测图像对应的第一模糊图像和第二模糊图像；基于待检测图像、对应的第一模糊图像和第二模糊图像中各像素点的灰度信息，计算待检测图像的第一高频分量、第一模糊图像的第二高频分量；从待检测图像的运动目标区域提取第一特征点，并计算第一特征点灰度梯度；从第一模糊图像提取第二特征点，并计算第二特征点灰度梯度；根据第一高频分量、第二高频分量、第一特征点灰度梯度和第二特征点灰度梯度，计算每一待检测图像的清晰度指标。本发明能够提高动态图像清晰度检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种动态图像清晰度检测方法、装置、电子设备及存储介质。
背景技术
随着计算机视觉等高端技术的发展，在图像处理领域中对获取的图像的质量要求越来越高。图像的清晰度是度量图像质量的重要指标之一，图像处理过程中许多步骤或参数需要根据图像的清晰度进行反馈调节，以获取满足质量要求的图像。目前，成像系统与被摄对象之间相对运动产生的运动模糊往往会影响动态图像的清晰度，检测出动态图像的清晰度以便于对动态图像进行后续调节尤为重要。
现有技术中，检测图像清晰度主要有两种检测方式：一是考虑到图像的清晰度与图像边缘处灰度变化紧密相关，图像边缘越清晰，图像的边缘灰度变化越明显，故通过计算图像边缘的灰度变化来对图像的清晰度进行评价；二是考虑到图像的清晰度与图像纹理细节相关，图像越清晰，纹理细节就越多，高频部分能量就越大，相关函数的曲线就越尖锐，以图像的能量值对图像的清晰度进行评价。
然而，对于动态图像来说，其中的运动区域存在运动模糊，时序图像中运动目标区域的边缘灰度变化以及能量值相对于静态区域一般较低，按照现有技术的方法对动态图像进行清晰度检测，将导致静态区域和运动目标区域的清晰度不一致的情况，影响了动态图像的清晰度检测的准确性。
发明内容
本发明实施例所要解决的技术问题在于，提供一种动态图像清晰度检测方法、装置、电子设备及存储介质，能够对运动目标区域进行检测，对动态图像的运动目标区域进行清晰度补偿，提高动态图像的清晰度检测的准确度。
为了解决上述技术问题，第一方面，本发明实施例提供了一种动态图像清晰度检测方法，所述方法包括：
获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像；
基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量；
从每一所述待检测图像的运动目标区域中提取若干个第一特征点，根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度；
从每一所述待检测图像对应的所述第一模糊图像中提取与所述第一特征点对应的第二特征点，根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度；
根据所述第一高频分量、所述第二高频分量、所述第一特征点灰度梯度和所述第二特征点灰度梯度，计算每一所述待检测图像的清晰度指标。
进一步的，所述获取动态图像中若干个时序连续的待检测图像具体为：
获取所述动态图像中时序连续的若干个时序图像；
基于保边滤波器对所有所述时序图像进行滤波处理，获得若干个所述待检测图像。
进一步的，所述通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像具体为：
对每一所述待检测图像进行滤波处理，获得每一所述待检测图像对应的第一模糊图像；
对每一所述待检测图像对应的第一模糊图像进行滤波处理，获得每一所述待检测图像对应的第二模糊图像。
进一步的，所述基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量具体为：
基于所述待检测图像和所述第一模糊图像中一一对应的像素点的灰度值，计算所述待检测图像和所述第一模糊图像中所有对应的像素点之间的第一像素点高频分量，并计算所有所述第一像素点高频分量的平均值，获得每一所述待检测图像的所述第一高频分量；
基于所述第一模糊图像和所述第二模糊图像中一一对应的像素点的灰度值，计算所述第一模糊图像和所述第二模糊图像中所有对应的像素点之间的第二像素点高频分量，并计算所有所述第二像素点高频分量的平均值，获得所述第二高频分量。
进一步的，对于所述待检测图像和所述第一模糊图像中每两个对应的像素点，所述方法通过以下公式计算所述第一像素点高频分量：
H1＝G2-G1+128
对于所述第一模糊图像和所述第二模糊图像中每两个对应的像素点，所述方法通过以下公式计算所述第二像素点高频分量：
H2＝G3-G2+128
其中，H1为所述第一像素点高频分量，H2为所述第二像素点高频分量，G1为两个对应的像素点中位于所述待检测图像的像素点的灰度值，G2为两个对应的像素点中位于所述第一模糊图像的像素点的灰度值，G3为两个对应的像素点中位于所述第二模糊图像的像素点的灰度值。
进一步的，所述从每一所述待检测图像的运动目标区域中提取若干个第一特征点具体为：
采用预设的运动区域检测算法，对所述待检测图像的静态区域和运动区域进行划分，获取每一所述待检测图像的运动区域；
根据所述运动区域，基于线性迭代聚类算法从每一所述待检测图像中确定所述运动目标区域；
对所述运动目标区域进行特征点检测，提取每一所述待检测图像的运动目标区域的若干个所述第一特征点。
进一步的，所述根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度具体为：
对于每一所述待检测图像的每一所述第一特征点，获取与所述第一特征点相邻的若干个第一邻近像素点的灰度值；根据所述第一特征点和每一所述第一邻近像素点的灰度值，计算所述第一特征点与每一所述第一邻近像素点的第一灰度差值的绝对值；
根据每一所述待检测图像的所有所述第一特征点对应的所有所述第一灰度差值的绝对值，计算所有所述第一灰度差值绝对值的平均值，获得每一所述待检测图像的所述第一特征点灰度梯度。
进一步的，所述根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度具体为：
对于每一所述第一模糊图像的每一所述第二特征点，获取所述第二特征点相邻的若干个第二邻近像素点的灰度值；根据所述第二特征点和每一所述第二邻近像素点的灰度值，计算所述第二特征点与每一所述第二邻近像素点的第二灰度差值的绝对值；
根据每一所述第一模糊图像的所有所述第二特征点对应的所有所述第二灰度差值的绝对值，计算所有所述第二灰度差值绝对值的平均值，获得每一所述第一模糊图像的所述第二特征点灰度梯度。
进一步的，所述方法通过以下公式计算每一所述待检测图像的清晰度指标：
其中，Q为所述清晰度指标，m1为所述第一高频分量，m2为所述第二高频分量，d1为所述第一特征点灰度梯度，d2为所述第二特征点灰度梯度，w为预设的清晰度补偿因子，且0<w<1。
为了解决相应的技术问题，第二方面，本发明实施例还提供了一种动态图像清晰度检测装置，所述装置包括：
获取模块，用于获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像；
高频分量计算模块，用于基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量；
第一特征点灰度梯度计算模块，用于从每一所述待检测图像的运动目标区域中提取若干个第一特征点，根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度；
第二特征点灰度梯度计算模块，用于从每一所述待检测图像对应的所述第一模糊图像中提取与所述第一特征点对应的第二特征点，根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度；
清晰度指标计算模块，用于根据所述第一高频分量、所述第二高频分量、所述第一特征点灰度梯度和所述第二特征点灰度梯度，计算每一所述待检测图像的清晰度指标。
为了解决相应的技术问题，第三方面，本发明实施例还提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面提供的任意一项所述的动态图像清晰度检测方法。
为了解决相应的技术问题，第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面提供的任意一项所述的动态图像清晰度检测方法。
上述提供的一种动态图像清晰度检测方法、装置、电子设备及存储介质，能够获得第一高频分量和第二高频分量，还对动态图像检测运动目标区域，计算运动目标区域的第一特征点灰度梯度和第二特征点灰度梯度，以对运动目标区域的清晰度进行补偿，使得计算获得的待检测图像的清晰度指标更为准确，不会存在动态图像的静态区域和运动目标区域的清晰度不一致的情况，能够提高动态图像的清晰度检测的准确度。进一步，本发明提供的一种动态图像清晰度检测方法并不需要通过参考图、模板图等对动态图像的清晰度评价，无需每次检测不同的图像时均要获得不同的模板，本发明具有较高的适用性。
附图说明
图1是本发明提供的一种动态图像清晰度检测方法的一个优选实施例的流程示意图；
图2(a)是本发明提供的动态图像中一个只有静态区域的待检测图像的示意图；
图2(b)是本发明提供的动态图像中一个含有运动目标的待检测图像的示意图；
图2(c)是本发明提供的运动目标区域的示意图；
图3(a)是本发明提供的待检测图像的示意图；
图3(b)是本发明提供的第一模糊图像的示意图；
图3(c)是本发明提供的第二模糊图像的示意图；
图4是本发明提供的一种动态图像清晰度检测装置的一个优选实施例的结构示意图；
图5是本发明提供的一种电子设备的一个优选实施例的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种动态图像清晰度检测方法，请参阅图1，图1是本发明提供的一种动态图像清晰度检测方法的一个优选实施例的流程示意图；具体的，所述方法包括：
S1、获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像；
S2、基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量；
S3、从每一所述待检测图像的运动目标区域中提取若干个第一特征点，根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度；
S4、从每一所述待检测图像对应的所述第一模糊图像中提取与所述第一特征点对应的第二特征点，根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度；
S5、根据所述第一高频分量、所述第二高频分量、所述第一特征点灰度梯度和所述第二特征点灰度梯度，计算每一所述待检测图像的清晰度指标。
需要说明的是，动态图像由若干个时序连续的时序图像组成，经过一定的预处理获得若干个待检测图像。对于每一个待检测图像，均有对应的第一模糊图像和第二模糊图像，待检测图像、第一模糊图像和第二模糊图像中相同位置的像素点是相对应的，通过对待检测图像的像素点进行滤波处理获得第一模糊图像、第二图像每一对应位置的像素点。第一特征点灰度梯度是用于指示第一特征点与周围像素点的灰度值的变化程度，第二特征点灰度梯度是用于指示第二特征点与周围像素点的灰度值的变化程度，一般用灰度值的差值的绝对值表示灰度梯度。
需要说明的是，运动目标区域是指运动目标所在区域，例如，如图2(a)-图2(c)所示，在动态图像中，在图2(a)的静态场景中出现一人在走动，获得图2(b)含有走动的人的待检测图像，则该人即为运动目标，图2(c)中白色区域是该人在图像中的人体区域，该白色区域就是运动目标区域。
具体的，获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像，基于待检测图像、对应的第一模糊图像和第二模糊图像中各像素点的灰度值，计算每一待检测图像的第一高频分量以及对应的第一模糊图像的第二高频分量，具体的，第一高频分量通过待检测图像和第一模糊图像中各像素点的灰度值计算获得，第二高频分量通过第一模糊图像和第二模糊图像中各像素点的灰度值计算获得。通过第一高频分量和第二高频分量，可以获得动态图像整体的灰度变化情况，而为了避免动态图像中的运动目标区域产生的运动模糊影响动态图像的清晰度检测，本发明进一步对运动目标区域的清晰度进行补偿，具体的，检测获得待检测图像的运动目标区域，提取运动目标区域中的第一特征点，根据待检测图像中所有第一特征点的灰度值，计算每一待检测图像的第一特征点灰度梯度；相应地，对于第一模糊图像，基于特征点的尺度不变性，根据第一特征点的位置等信息，从提取第一模糊图像中与第一特征点对应的第二特征点(例如，在待检测图像中的第一行第五列的像素点为第一特征点，则在第一模糊图像的第一行第五列的像素点为第二特征点)，根据每一第一模糊图像中所有第二特征点的灰度值，计算每一第一模糊图像的第二特征点灰度梯度。第一特征点灰度梯度和第二特征点灰度梯度反映了运动区域的清晰度情况，可设置一定大小的清晰度补偿因子，调整运动区域的清晰度补偿程度。进一步的，根据第一高频分量、第二高频分量、第一特征点灰度梯度和第二特征点灰度梯度，计算每一待检测图像的清晰度指标。后续便可根据待检测图像的清晰度指标对动态图像进行反馈调节等处理。
本发明实施例提供的一种动态图像清晰度检测方法，获得第一高频分量和第二高频分量，还对动态图像检测运动目标区域，计算运动目标区域的第一特征点灰度梯度和第二特征点灰度梯度，以对运动目标区域的清晰度进行补偿，使得计算获得的待检测图像的清晰度指标更为准确，不会存在动态图像的静态区域和运动目标区域的清晰度不一致的情况，能够提高动态图像的清晰度检测的准确度。进一步，本发明提供的一种动态图像清晰度检测方法并不需要通过参考图、模板图等对动态图像的清晰度评价，无需每次检测不同的图像时均要获得不同的模板，本发明具有较高的适用性。
优选地，所述获取动态图像中若干个时序连续的待检测图像具体为：
获取所述动态图像中时序连续的若干个时序图像；
基于保边滤波器对所有所述时序图像进行滤波处理，获得若干个所述待检测图像。
具体的，获得待检测图像前，需对动态图像的时序图像进行预处理，包括对时序图像的降噪处理过程，本发明采用保边滤波器对时序图像进行滤波处理，对时序图像进行降噪，与非保边滤波器相比，保边滤波器既能消除时序图像中的噪声，又能让获得的待检测图像的边缘纹理边界保持清晰，不会因边缘相互融合扩散而使边缘模糊，能够进一步提高动态图像的清晰度检测的准确性。
可选的，采用的保边滤波器可以是双边滤波器、导向滤波器、双指数滤波器等，只要可适用于本申请的技术方案即可，不限定保边滤波器的具体类型。
优选地，所述通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像具体为：
对每一所述待检测图像进行滤波处理，获得每一所述待检测图像对应的第一模糊图像；
对每一所述待检测图像对应的第一模糊图像进行滤波处理，获得每一所述待检测图像对应的第二模糊图像。
具体的，为获取待检测图像的第一高频分量和第一模糊图像的第二高频分量，需要对待检测图像进行滤波处理获得第一模糊图像，再对第一模糊图像进行一次滤波处理获得第二模糊图像。
需要说明的是，具体的滤波处理是采用低通滤波器进行低通滤波处理，选用的低通滤波器可以是高斯低通滤波器、均值滤波器等，在此不限定本发明使用的低通滤波器，只要能适用与本发明的技术方案即可。
优选地，所述基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量具体为：
基于所述待检测图像和所述第一模糊图像中一一对应的像素点的灰度值，计算所述待检测图像和所述第一模糊图像中所有对应的像素点之间的第一像素点高频分量，并计算所有所述第一像素点高频分量的平均值，获得每一所述待检测图像的所述第一高频分量；
基于所述第一模糊图像和所述第二模糊图像中一一对应的像素点的灰度值，计算所述第一模糊图像和所述第二模糊图像中所有对应的像素点之间的第二像素点高频分量，并计算所有所述第二像素点高频分量的平均值，获得所述第二高频分量。
具体的，以每一个待检测图像的分辨率均是1920×1080(待检测图像的宽度为1920，高度为1080)为例，则一个待检测图像有1920×1080个像素点，每一个待检测图像均有对应的第一模糊图像和第二模糊图像，第一模糊图像和第二模糊图像也同样具有1920×1080个像素点，且相应位置的像素点相对应，如图3(a)至图3(c)中，图中每一个小正方形表示一个像素点，图3(a)待检测图像的像素点b、c、e分别与图3(b)第一模糊图像的像素点b、c、e以及图3(c)第二模糊图像的像素点b、c、e对应。
对于待检测图像和第一模糊图像的每两个对应的像素点(如图3(a)的像素点e与图3(b)的像素点e)之间，通过像素点的灰度值计算第一像素点高频分量，进而获得了1920×1080个第一像素点高频分量，对所有的第一像素点高频分量进行平均值计算，获得待检测图像的第一高频分量，所有待检测图像均采用同样的方法获得相应的第一高频分量。
对于第一模糊图像和第二模糊图像的每两个对应的像素点(如图3(b)的像素点c与图3(c)的像素点c)之间，通过像素点的灰度值计算第二像素点高频分量，进而获得了1920×1080个第二像素点高频分量，对所有的第二像素点高频分量进行平均值计算，获得第一模糊图像的第二高频分量，所有第一模糊图像均采用同样的方法获得相应的第二高频分量。
需要说明的是，上述分辨率只是举例说明，并不是对本发明待检测图像的分辨率或像素点个数的限定，本发明的技术方案适用于各种分辨率大小的图像。
优选地，对于所述待检测图像和所述第一模糊图像中每两个对应的像素点，所述方法通过以下公式计算所述第一像素点高频分量：
H1＝G2-G1+128
对于所述第一模糊图像和所述第二模糊图像中每两个对应的像素点，所述方法通过以下公式计算所述第二像素点高频分量：
H2＝G3-G2+128
其中，H1为所述第一像素点高频分量，H2为所述第二像素点高频分量，G1为两个对应的像素点中位于所述待检测图像的像素点的灰度值，G2为两个对应的像素点中位于所述第一模糊图像的像素点的灰度值，G3为两个对应的像素点中位于所述第二模糊图像的像素点的灰度值。
具体的，如图3(a)至图3(c)所示，若图3(a)待检测图像的像素点b的灰度值为G1(b)，图3(b)第一模糊图像的像素点b的灰度值为G2(b)，图3(c)第二模糊图像的像素点b的灰度值为G3(b)，则对于对应的图3(a)中像素点b和图3(b)中像素点b之间的第一像素点高频分量，通过高反差保留计算公式H1(b)＝G2(b)-G1(b)+128，待检测图像和第一模糊图像其他对应的像素点之间的第一像素点高频分量同理计算。对于对应的图3(b)中像素点b和图3(c)中像素点b之间的第二像素点高频分量，通过计算公式H2(b)＝G3(b)-G2(b)+128，第一模糊图像和第二模糊图像其他对应的像素点之间的第二像素点高频分量同理计算。由此，便可获得所有的第一像素点高频分量和所有的第二像素点高频分量，例如，若一个待检测图像有1920×1080个像素点，则可获得1920×1080个第一像素点高频分量，1920×1080个第二像素点高频分量，通过计算1920×1080个第一像素点高频分量的平均值获得第一高频分量m1，通过计算1920×1080个第二像素点高频分量的平均值获得第二高频分量m2。
优选地，所述从每一所述待检测图像的运动目标区域中提取若干个第一特征点具体为：
采用预设的运动区域检测算法，对所述待检测图像的静态区域和运动区域进行划分，获取每一所述待检测图像的运动区域；
根据所述运动区域，基于线性迭代聚类算法从每一所述待检测图像中确定所述运动目标区域；
对所述运动目标区域进行特征点检测，提取每一所述待检测图像的运动目标区域的若干个所述第一特征点。
需要说明的是，线性迭代聚类算法(Simple Linear Iterative Clustering，SLIC)是一种图像分割算法，主要是利用像素点的颜色距离和图像平面空间距离对像素进行聚类，有效地生成紧凑的、几乎统一化的超像素的分割方法。
具体的，采用运动检测算法获取待检测图像的运动区域，由于目前的运动检测算法，例如背景建模方法，检测出来的运动区域可能是不连续的，中间有可能存在空洞，未能把运动目标的区域准确提取出来，故本发明还需进一步通过线性迭代聚类算法进行精细分割，将运动区域的像素点与其他像素点根据颜色距离和图像平面空间距离进行聚类，确定出运动目标区域。再通过特征点检测方法检测出运动目标区域的第一特征点。
需要说明的是，线性迭代聚类算法需要将色彩空间转换到对于CIELab彩色空间，然后按照一定步长初始化聚类中心，在聚类中心的3×3领域内重新选择聚类中心，在每一个聚类中心周围的领域内为每一像素点分配标签，标签表面每一像素点属于哪个聚类中心，不断迭代计算权衡颜色距离和空间距离，直至算法收敛获得紧凑的超像素，确定贴合于图像边缘的像素点，进而确定精细的区域。
可选的，预设的运动区域检测算法可以是背景建模算法，更具体的，可以是高斯混合模型、光流法等背景建模方法，将待检测图像分为运动区域和背景的静态区域。
可选的，检测第一特征点时，采用的检测算法可以为Surf算法、ORB算法等，由于相对于静态区域，运动目标区域存在运动模糊，则待检测图像中运动目标区域的边缘纹理以及图像的能量值相对于静态区域一般都较低，如果依然利用sobel算法或者canny算法(坎尼算法)等边缘检测算法来提取边缘区域，检测运动目标区域的清晰度，可能会导致检测出的待检测图像的静态区域清晰度较高，而有运动目标区域的清晰度不够高的情况，因此利用Surf算法、ORB算法等具有旋转以及尺度不变性等特性，能够准确提取出运动目标区域的第一特征点。
优选地，所述根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度具体为：
对于每一所述待检测图像的每一所述第一特征点，获取与所述第一特征点相邻的若干个第一邻近像素点的灰度值；根据所述第一特征点和每一所述第一邻近像素点的灰度值，计算所述第一特征点与每一所述第一邻近像素点的第一灰度差值的绝对值；
根据每一所述待检测图像的所有所述第一特征点对应的所有所述第一灰度差值的绝对值，计算所有所述第一灰度差值绝对值的平均值，获得每一所述待检测图像的所述第一特征点灰度梯度。
具体的，如图3(a)所示，像素点A为利用特征点检测方法检测出的一个第一特征点，像素点B～I为第一特征点A的8个第一邻近像素点，用G(B)～G(I)表示第一邻近像素点B～I的灰度值，则计算第一特征点A分别与第一邻近像素点B～I的第一灰度差值的绝对值R(B)～R(I)，若该待检测图像只有一个第一特征点A，则该待检测图像的第一特征点灰度梯度d1＝[R(B)+R(C)+R(D)+R(E)+R(F)+R(G)+R(H)+R(I)]/8；若该待检测图像有N个第一特征点，每一第一特征点均有8个邻近像素点，则可计算获得8N个第一灰度差值的绝对值，该待检测图像的第一特征点灰度梯度为8N个第一灰度差值绝对值的平均值，即8N个第一灰度差值的总和除以8N。
需要说明的是，图只示意了一个第一特征点，8个第一邻近像素点的情况，实际应用时，待检测图像的第一特征点的数量、以及每一第一特征点的第一邻近像素点的数量及位置可根据实际需要设置，上述只是举例示意，并不是对本发明的第一特征点的数量、以及每一第一特征点的第一邻近像素点的数量及位置。
优选地，所述根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度具体为：
对于每一所述第一模糊图像的每一所述第二特征点，获取所述第二特征点相邻的若干个第二邻近像素点的灰度值；根据所述第二特征点和每一所述第二邻近像素点的灰度值，计算所述第二特征点与每一所述第二邻近像素点的第二灰度差值的绝对值；
根据每一所述第一模糊图像的所有所述第二特征点对应的所有所述第二灰度差值的绝对值，计算所有所述第二灰度差值绝对值的平均值，获得每一所述第一模糊图像的所述第二特征点灰度梯度。
在检测出待检测图像的第一特征点后，可以对应获得第一模糊图像的第二特征点，例如检测出图3(a)的第一特征点A，根据第一特征点A的位置信息等可对应获得图3(b)的第二特征点为像素点a，同理获得所有的第二特征点，计算所有第二特征点的第二灰度差值的绝对值，进而计算获得第二特征点灰度梯度。本实施例中提供的第二特征点灰度梯度的计算方法与上述实施例中第一特征点灰度梯度的计算方法原理相同，故在此不再赘述。
优选地，所述方法通过以下公式计算每一所述待检测图像的清晰度指标：
其中，Q为所述清晰度指标，m1为所述第一高频分量，m2为所述第二高频分量，d1为所述第一特征点灰度梯度，d2为所述第二特征点灰度梯度，w为预设的清晰度补偿因子，且0<w<1。
具体的，本发明通过公式
计算清晰度指标，能够考虑运动目标区域的第一特征点灰度梯度和第二特征点灰度梯度，并结合清晰度补偿因子后对运动目标区域进行清晰度补偿，能够获得准确清晰度指标，对动态图像进行清晰度评价，便于后续的图像处理调节过程。
具体实施时，本发明提供的一种动态图像清晰度检测方法，获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一待检测图像对应的第一模糊图像和第二模糊图像，基于待检测图像、对应的第一模糊图像和第二模糊图像中各像素点的灰度值，计算每一待检测图像的第一高频分量以及对应的第一模糊图像的第二高频分量。通过第一高频分量和第二高频分量，可以获得动态图像整体的灰度变化情况，而为了避免动态图像中的运动目标区域产生的运动模糊影响动态图像的清晰度检测，本发明进一步对运动目标区域的清晰度进行补偿，具体的，检测获得待检测图像的运动目标区域，提取运动目标区域中的第一特征点，根据待检测图像中所有第一特征点的灰度值，计算每一待检测图像的第一特征点灰度梯度；相应地，对于第一模糊图像，从提取第一模糊图像中与第一特征点对应的第二特征点，根据每一第一模糊图像中所有第二特征点的灰度值，计算每一第一模糊图像的第二特征点灰度梯度。第一特征点灰度梯度和第二特征点灰度梯度反映了运动区域的清晰度情况，可设置一定大小的清晰度补偿因子，调整运动区域的清晰度补偿程度。进一步的，根据第一高频分量、第二高频分量、第一特征点灰度梯度和第二特征点灰度梯度，计算每一待检测图像的清晰度指标。后续便可根据待检测图像的清晰度指标对动态图像进行反馈调节等处理。
本发明实施例提供的一种动态图像清晰度检测方法，获得第一高频分量和第二高频分量，还对动态图像检测运动目标区域，计算运动目标区域的第一特征点灰度梯度和第二特征点灰度梯度，以对运动目标区域的清晰度进行补偿，使得计算获得的待检测图像的清晰度指标更为准确，不会存在动态图像的静态区域和运动目标区域的清晰度不一致的情况，能够提高动态图像的清晰度检测的准确度。进一步，本发明提供的一种动态图像清晰度检测方法并不需要通过参考图、模板图等对动态图像的清晰度评价，无需每次检测不同的图像时均要获得不同的模板，本发明具有较高的适用性。
本发明实施例还提供了一种动态图像清晰度检测装置，请参阅图4，图4是本发明提供的一种动态图像清晰度检测装置的一个优选实施例的结构示意图；具体的，所述装置包括：
获取模块11，用于获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像；
高频分量计算模块12，用于基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量；
第一特征点灰度梯度计算模块13，用于从每一所述待检测图像的运动目标区域中提取若干个第一特征点，根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度；
第二特征点灰度梯度计算模块14，用于从每一所述待检测图像对应的所述第一模糊图像中提取与所述第一特征点对应的第二特征点，根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度；
清晰度指标计算模块15，用于根据所述第一高频分量、所述第二高频分量、所述第一特征点灰度梯度和所述第二特征点灰度梯度，计算每一所述待检测图像的清晰度指标。
优选地，当获取模块11获取动态图像中若干个时序连续的待检测图像时，所述获取模块11具体用于：
获取所述动态图像中时序连续的若干个时序图像；
基于保边滤波器对所有所述时序图像进行滤波处理，获得若干个所述待检测图像。
优选地，当所述获取模块11通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像时，所述获取模块11具体用于：
对每一所述待检测图像进行滤波处理，获得每一所述待检测图像对应的第一模糊图像；
对每一所述待检测图像对应的第一模糊图像进行滤波处理，获得每一所述待检测图像对应的第二模糊图像。
优选地，所述高频分量计算模块12具体用于：
基于所述待检测图像和所述第一模糊图像中一一对应的像素点的灰度值，计算所述待检测图像和所述第一模糊图像中所有对应的像素点之间的第一像素点高频分量，并计算所有所述第一像素点高频分量的平均值，获得每一所述待检测图像的所述第一高频分量；
基于所述第一模糊图像和所述第二模糊图像中一一对应的像素点的灰度值，计算所述第一模糊图像和所述第二模糊图像中所有对应的像素点之间的第二像素点高频分量，并计算所有所述第二像素点高频分量的平均值，获得所述第二高频分量。
优选地，对于所述待检测图像和所述第一模糊图像中每两个对应的像素点，所述高频分量计算模块12用于通过以下公式计算所述第一像素点高频分量：
H1＝G2-G1+128
对于所述第一模糊图像和所述第二模糊图像中每两个对应的像素点，所述高频分量计算模块12用于通过以下公式计算所述第二像素点高频分量：
H2＝G3-G2+128
其中，H1为所述第一像素点高频分量，H2为所述第二像素点高频分量，G1为两个对应的像素点中位于所述待检测图像的像素点的灰度值，G2为两个对应的像素点中位于所述第一模糊图像的像素点的灰度值，G3为两个对应的像素点中位于所述第二模糊图像的像素点的灰度值。
优选地，当所述第一特征点灰度梯度计算模块13从每一所述待检测图像的运动目标区域中提取若干个第一特征点时，所述第一特征点灰度梯度计算模块13具体用于：
采用预设的运动区域检测算法，对所述待检测图像的静态区域和运动区域进行划分，获取每一所述待检测图像的运动区域；
根据所述运动区域，基于线性迭代聚类算法从每一所述待检测图像中确定所述运动目标区域；
对所述运动目标区域进行特征点检测，提取每一所述待检测图像的运动目标区域的若干个所述第一特征点。
优选地，当所述第一特征点灰度梯度计算模块13根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度时，所述第一特征点灰度梯度计算模块13具体用于：
对于每一所述待检测图像的每一所述第一特征点，获取与所述第一特征点相邻的若干个第一邻近像素点的灰度值；根据所述第一特征点和每一所述第一邻近像素点的灰度值，计算所述第一特征点与每一所述第一邻近像素点的第一灰度差值的绝对值；
根据每一所述待检测图像的所有所述第一特征点对应的所有所述第一灰度差值的绝对值，计算所有所述第一灰度差值绝对值的平均值，获得每一所述待检测图像的所述第一特征点灰度梯度。
优选地，当所述第二特征点灰度梯度计算模块14根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度时，所述第二特征点灰度梯度计算模块13具体用于：
对于每一所述第一模糊图像的每一所述第二特征点，获取所述第二特征点相邻的若干个第二邻近像素点的灰度值；根据所述第二特征点和每一所述第二邻近像素点的灰度值，计算所述第二特征点与每一所述第二邻近像素点的第二灰度差值的绝对值；
根据每一所述第一模糊图像的所有所述第二特征点对应的所有所述第二灰度差值的绝对值，计算所有所述第二灰度差值绝对值的平均值，获得每一所述第一模糊图像的所述第二特征点灰度梯度。
优选地，所述清晰度指标计算模块15通过以下公式计算每一所述待检测图像的清晰度指标：
其中，Q为所述清晰度指标，m1为所述第一高频分量，m2为所述第二高频分量，d1为所述第一特征点灰度梯度，d2为所述第二特征点灰度梯度，w为预设的清晰度补偿因子，且0<w<1。
需要说明的是，本发明实施例提供的所述动态图像清晰度检测装置用于执行上述实施例所述的动态图像清晰度检测方法的步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
本领域技术人员可以理解，所述动态图像清晰度检测装置的示意图仅仅是动态图像清晰度检测装置的示例，并不构成对动态图像清晰度检测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述动态图像清晰度检测装置还可以包括输入输出设备、网络接入设备、总线等。
本发明实施例还提供了一种电子设备，请参阅图5，图5是本发明提供的一种电子设备的一个优选实施例的结构示意图；具体的，所述电子设备包括处理器10、存储器20以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例提供的中任意一项所述的动态图像清晰度检测方法。
具体的，该电子设备中的处理器、存储器均可以是一个或者多个，电子设备可以是网络摄像头、智能手机、电脑、平板等具有录制视频功能和图像处理功能的设备等，也可以是视频录制设备与其他具有数据处理、图像处理功能的设备联合搭建的设备集合。
本实施例的电子设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述实施例提供的动态图像清晰度检测方法中的步骤，例如图1所示的步骤S1、获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如实现获取模块11，用于获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元(如图5所示的计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备中的执行过程。例如，所述计算机程序可以被分割成获取模块11、高频分量计算模块12、第一特征点灰度梯度计算模块13、第二特征点灰度梯度计算模块14、清晰度指标计算模块15，各模块具体功能如下：
获取模块11，用于获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像；
高频分量计算模块12，用于基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量；
第一特征点灰度梯度计算模块13，用于从每一所述待检测图像的运动目标区域中提取若干个第一特征点，根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度；
第二特征点灰度梯度计算模块14，用于从每一所述待检测图像对应的所述第一模糊图像中提取与所述第一特征点对应的第二特征点，根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度；
清晰度指标计算模块15，用于根据所述第一高频分量、所述第二高频分量、所述第一特征点灰度梯度和所述第二特征点灰度梯度，计算每一所述待检测图像的清晰度指标。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述电子设备集成的模块/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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例提供的动态图像清晰度检测方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述任一实施例提供的动态图像清晰度检测方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，上述电子设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图5结构示意图仅仅是上述电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例提供的任意一项所述的动态图像清晰度检测方法。
以上所述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，这些改进和润饰也视为本发明的保护范围。
Claims (12)
1.一种动态图像清晰度检测方法，其特征在于，所述方法包括：
获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像；
基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量；
从每一所述待检测图像的运动目标区域中提取若干个第一特征点，根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的灰度梯度，将所述待检测图像的灰度梯度作为第一特征点灰度梯度；
从每一所述待检测图像对应的所述第一模糊图像中提取与所述第一特征点对应的第二特征点，根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的灰度梯度，将所述第一模糊图像的灰度梯度作为第二特征点灰度梯度；
根据所述第一高频分量、所述第二高频分量、所述第一特征点灰度梯度和所述第二特征点灰度梯度，计算每一所述待检测图像的清晰度指标。
2.如权利要求1所述的动态图像清晰度检测方法，其特征在于，所述获取动态图像中若干个时序连续的待检测图像具体为：
获取所述动态图像中时序连续的若干个时序图像；
基于保边滤波器对所有所述时序图像进行滤波处理，获得若干个所述待检测图像。
3.如权利要求1所述的动态图像清晰度检测方法，其特征在于，所述通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像具体为：
对每一所述待检测图像进行滤波处理，获得每一所述待检测图像对应的第一模糊图像；
对每一所述待检测图像对应的第一模糊图像进行滤波处理，获得每一所述待检测图像对应的第二模糊图像。
4.如权利要求1所述的动态图像清晰度检测方法，其特征在于，所述基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量具体为：
基于所述待检测图像和所述第一模糊图像中一一对应的像素点的灰度值，计算所述待检测图像和所述第一模糊图像中所有对应的像素点之间的第一像素点高频分量，并计算所有所述第一像素点高频分量的平均值，获得每一所述待检测图像的所述第一高频分量；
基于所述第一模糊图像和所述第二模糊图像中一一对应的像素点的灰度值，计算所述第一模糊图像和所述第二模糊图像中所有对应的像素点之间的第二像素点高频分量，并计算所有所述第二像素点高频分量的平均值，获得所述第二高频分量。
5.如权利要求4所述的动态图像清晰度检测方法，其特征在于，对于所述待检测图像和所述第一模糊图像中每两个对应的像素点，所述方法通过以下公式计算所述第一像素点高频分量：
H1＝G2-G1+128
对于所述第一模糊图像和所述第二模糊图像中每两个对应的像素点，所述方法通过以下公式计算所述第二像素点高频分量：
H2＝G3-G2+128
其中，H1为所述第一像素点高频分量，H2为所述第二像素点高频分量，G1为两个对应的像素点中位于所述待检测图像的像素点的灰度值，G2为两个对应的像素点中位于所述第一模糊图像的像素点的灰度值，G3为两个对应的像素点中位于所述第二模糊图像的像素点的灰度值。
6.如权利要求1所述的动态图像清晰度检测方法，其特征在于，所述从每一所述待检测图像的运动目标区域中提取若干个第一特征点具体为：
采用预设的运动区域检测算法，对所述待检测图像的静态区域和运动区域进行划分，获取每一所述待检测图像的运动区域；
根据所述运动区域，基于线性迭代聚类算法从每一所述待检测图像中确定所述运动目标区域；
对所述运动目标区域进行特征点检测，提取每一所述待检测图像的运动目标区域的若干个所述第一特征点。
7.如权利要求1所述的动态图像清晰度检测方法，其特征在于，所述根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的第一特征点灰度梯度具体为：
对于每一所述待检测图像的每一所述第一特征点，获取与所述第一特征点相邻的若干个第一邻近像素点的灰度值；根据所述第一特征点和每一所述第一邻近像素点的灰度值，计算所述第一特征点与每一所述第一邻近像素点的第一灰度差值的绝对值；
根据每一所述待检测图像的所有所述第一特征点对应的所有所述第一灰度差值的绝对值，计算所有所述第一灰度差值绝对值的平均值，获得每一所述待检测图像的所述第一特征点灰度梯度。
8.如权利要求1所述的动态图像清晰度检测方法，其特征在于，所述根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的第二特征点灰度梯度具体为：
对于每一所述第一模糊图像的每一所述第二特征点，获取所述第二特征点相邻的若干个第二邻近像素点的灰度值；根据所述第二特征点和每一所述第二邻近像素点的灰度值，计算所述第二特征点与每一所述第二邻近像素点的第二灰度差值的绝对值；
根据每一所述第一模糊图像的所有所述第二特征点对应的所有所述第二灰度差值的绝对值，计算所有所述第二灰度差值绝对值的平均值，获得每一所述第一模糊图像的所述第二特征点灰度梯度。
9.如权利要求1所述的动态图像清晰度检测方法，其特征在于，所述方法通过以下公式计算每一所述待检测图像的清晰度指标：
其中，Q为所述清晰度指标，m1为所述第一高频分量，m2为所述第二高频分量，d1为所述第一特征点灰度梯度，d2为所述第二特征点灰度梯度，w为预设的清晰度补偿因子，且0<w<1。
10.一种动态图像清晰度检测装置，其特征在于，所述装置包括：
获取模块，用于获取动态图像中若干个时序连续的待检测图像，并通过滤波处理获得每一所述待检测图像对应的第一模糊图像和第二模糊图像；
高频分量计算模块，用于基于所述待检测图像、对应的所述第一模糊图像和所述第二模糊图像中各像素点的灰度值，计算每一所述待检测图像的第一高频分量以及对应的所述第一模糊图像的第二高频分量；
第一特征点灰度梯度计算模块，用于从每一所述待检测图像的运动目标区域中提取若干个第一特征点，根据每一所述待检测图像中所有所述第一特征点的灰度值，计算每一所述待检测图像的灰度梯度，将所述待检测图像的灰度梯度作为第一特征点灰度梯度；
第二特征点灰度梯度计算模块，用于从每一所述待检测图像对应的所述第一模糊图像中提取与所述第一特征点对应的第二特征点，根据每一所述第一模糊图像中所有所述第二特征点的灰度值，计算每一所述第一模糊图像的灰度梯度，将所述第一模糊图像的灰度梯度作为第二特征点灰度梯度；
清晰度指标计算模块，用于根据所述第一高频分量、所述第二高频分量、所述第一特征点灰度梯度和所述第二特征点灰度梯度，计算每一所述待检测图像的清晰度指标。
11.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的动态图像清晰度检测方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至9中任意一项所述的动态图像清晰度检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911020870.4A CN110852997B (zh) | 2019-10-24 | 2019-10-24 | 动态图像清晰度检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911020870.4A CN110852997B (zh) | 2019-10-24 | 2019-10-24 | 动态图像清晰度检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110852997A CN110852997A (zh) | 2020-02-28 |
| CN110852997B true CN110852997B (zh) | 2022-07-05 |
Family
ID=69596898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911020870.4A Active CN110852997B (zh) | 2019-10-24 | 2019-10-24 | 动态图像清晰度检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110852997B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112351196B (zh) * | 2020-09-22 | 2022-03-11 | 北京迈格威科技有限公司 | 图像清晰度的确定方法、图像对焦方法及装置 |
| CN113239738B (zh) * | 2021-04-19 | 2023-11-07 | 深圳市安思疆科技有限公司 | 一种图像的模糊检测方法及模糊检测装置 |
| CN113487660A (zh) * | 2021-06-16 | 2021-10-08 | 普联国际有限公司 | 融合深度信息的运动目标检测方法、装置、介质及设备 |
| CN113554628A (zh) * | 2021-07-27 | 2021-10-26 | 苏州微景医学科技有限公司 | 图像处理方法、装置及计算机可读存储介质 |
| CN113628192B (zh) * | 2021-08-12 | 2023-07-11 | 北京百度网讯科技有限公司 | 图像模糊检测方法、装置、设备、存储介质及程序产品 |
| CN114022484B (zh) * | 2022-01-10 | 2022-04-29 | 深圳金三立视频科技股份有限公司 | 一种点光源场景的图像清晰度值计算方法及终端 |
| CN115049662B (zh) * | 2022-08-16 | 2022-11-08 | 山东大拇指喷雾设备有限公司 | 基于图像处理的喷雾机流量控制方法 |
| CN116071657B (zh) * | 2023-03-07 | 2023-07-25 | 青岛旭华建设集团有限公司 | 一种建筑施工视频监控大数据的智能预警系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
| CN103093419A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 一种检测图像清晰度的方法及装置 |
| CN105469411A (zh) * | 2015-11-27 | 2016-04-06 | 小米科技有限责任公司 | 用于检测图像清晰度的方法、装置及终端 |
| CN105513067A (zh) * | 2015-12-03 | 2016-04-20 | 小米科技有限责任公司 | 一种图像清晰度检测方法及装置 |
| CN105631854A (zh) * | 2015-12-16 | 2016-06-01 | 天津天地伟业数码科技有限公司 | 一种基于fpga平台的自适应图像清晰度评价算法 |
| CN110288560A (zh) * | 2018-03-16 | 2019-09-27 | 北京三快在线科技有限公司 | 一种图像模糊检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010134700A (ja) * | 2008-12-04 | 2010-06-17 | Toshiba Corp | 画像評価装置および画像評価方法 |
-
2019
- 2019-10-24 CN CN201911020870.4A patent/CN110852997B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
| CN103093419A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 一种检测图像清晰度的方法及装置 |
| CN105469411A (zh) * | 2015-11-27 | 2016-04-06 | 小米科技有限责任公司 | 用于检测图像清晰度的方法、装置及终端 |
| CN105513067A (zh) * | 2015-12-03 | 2016-04-20 | 小米科技有限责任公司 | 一种图像清晰度检测方法及装置 |
| CN105631854A (zh) * | 2015-12-16 | 2016-06-01 | 天津天地伟业数码科技有限公司 | 一种基于fpga平台的自适应图像清晰度评价算法 |
| CN110288560A (zh) * | 2018-03-16 | 2019-09-27 | 北京三快在线科技有限公司 | 一种图像模糊检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图像清晰度评价函数与自动取窗对焦的目标视觉调焦算法;田文利;《微型电脑应用》;20170930;第33卷(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110852997A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852997B (zh) | 动态图像清晰度检测方法、装置、电子设备及存储介质 | |
| EP3480784B1 (en) | Image processing method, and device | |
| EP1400924B1 (en) | Pseudo three dimensional image generating apparatus | |
| EP3644599B1 (en) | Video processing method and apparatus, electronic device, and storage medium | |
| CN109214996B (zh) | 一种图像处理方法及装置 | |
| JP2010045613A (ja) | 画像識別方法および撮像装置 | |
| US9007483B2 (en) | Image synthesis device and computer program for image synthesis for synthesizing a plurality of images of different exposure times | |
| KR20150116833A (ko) | 에지-보존 잡음 억제 기능을 갖는 이미지 프로세서 | |
| CN108989699B (zh) | 图像合成方法、装置、成像设备、电子设备以及计算机可读存储介质 | |
| CN109035167B (zh) | 对图像中的多个人脸进行处理的方法、装置、设备和介质 | |
| CN113744256A (zh) | 一种深度图空洞填充方法、装置、服务器及可读存储介质 | |
| CN113052754B (zh) | 一种图片背景虚化的方法及装置 | |
| CN111563517A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111539975B (zh) | 一种运动目标的检测方法、装置、设备及存储介质 | |
| Khalid et al. | Image de-fencing using histograms of oriented gradients | |
| CN113744294A (zh) | 图像处理方法及相关装置 | |
| CN111080683B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN111311610A (zh) | 图像分割的方法及终端设备 | |
| CN111161299B (zh) | 影像分割方法、存储介质及电子装置 | |
| CN108805883B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
| CN113438386B (zh) | 一种应用于视频处理的动静判定方法及装置 | |
| CN113160082B (zh) | 一种基于参考图像的晕影校正方法、系统、装置及介质 | |
| CN110874814A (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
| CN111091513B (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
| CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220615 Address after: Floor 12-17, unit 1, building 2, No. 466, Xinyu Road, high tech Zone, Chengdu, Sichuan 610000 Applicant after: Chengdu Lianzhou International Technology Co.,Ltd. Address before: 518000 the 1st and 3rd floors of the south section of building 24 and the 1st-4th floor of the north section of building 28, Shennan Road Science and Technology Park, Nanshan District, Shenzhen City, Guangdong Province Applicant before: TP-LINK TECHNOLOGIES Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |