CN110969602B - 一种图像清晰程度检测方法及装置 - Google Patents
一种图像清晰程度检测方法及装置 Download PDFInfo
- Publication number
- CN110969602B CN110969602B CN201911172011.7A CN201911172011A CN110969602B CN 110969602 B CN110969602 B CN 110969602B CN 201911172011 A CN201911172011 A CN 201911172011A CN 110969602 B CN110969602 B CN 110969602B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- definition
- sample
- foreground region
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像清晰程度检测方法及装置，涉及图像处理技术领域，其中，上述方法包括：获得待检测图像，识别待检测图像的前景区域，作为待检测前景区域；检测待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据第一清晰程度和第二清晰程度，获得待检测图像的清晰程度，待检测背景区域为：待检测图像中的背景区域。应用本发明实施例提供的方案进行图像清晰程度检测，可以提高对图像进行清晰程度检测的准确度。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像清晰程度检测方法及装置。
背景技术
现如今图像和视频已成为人们日常生活中常见的内容。人们在获得多张图像后可能会需要从这些图像中选择出清晰的图像，还可能需要从视频中截取一张清晰的图像。为此，需要对图像的清晰程度进行检测。
现有技术中对图像的清晰程度进行检测时，一般是对整张图像进行清晰程度检测，从而获得图像的清晰程度检测结果。但是有些情况下受拍摄需求或者拍摄环境的限制，得到的图像或者视频中存在不清晰的区域。例如，虚光模式下拍摄的人像，这样的图像中人所在的区域之外呈现模糊状。又如，在包含保密信息的场景下拍摄的采访视频，拍摄上述采访视频后往往会对视频中的保密信息进行模糊处理。这些情况下应用上述方式检测图像的清晰程度时，检测结果会受图像中不清晰区域影响，被检测为清晰程度低的图像。
而实际上，对于虚光模式下拍摄的人像而言，只要图像中人所在区域清晰即可，其他区域不清晰属于正常情况。对于上述采访视频中的各帧图像而言，只要被采访人清晰即可，采访场景中的保密信息不清晰也属于正常情况。
综合上述情况，应用现有技术提供的方式对图像进行清晰程度检测时，检测结果准确度低。
发明内容
本发明实施例的目的在于提供一种图像清晰程度检测方法及装置，以提高对图像进行清晰程度检测的准确度。具体技术方案如下：
第一方面，本发明实施例提供了一种图像清晰程度检测方法，所述方法包括：
获得待检测图像；
识别所述待检测图像的前景区域，作为待检测前景区域；
检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度，所述待检测背景区域为：所述待检测图像中的背景区域。
本发明的一个实施例中，所述检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度，包括：
将所述待检测图像和所述待检测前景区域的区域信息输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
其中，所述清晰程度检测模型为：采用第一样本集对第一初始模型进行训练得到的、用于检测图像清晰程度的模型，所述第一样本集包括：第一样本图像、所述第一样本图像的前景区域的信息以及所述第一样本图像的标注清晰程度。
本发明的一个实施例中，所述将所述待检测图像和所述待检测前景区域的区域信息输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度，包括：
获得用于保留所述前景区域的蒙版图像，作为待检测蒙版图像，其中，所述待检测蒙版图像与所述待检测图像大小相等；
将所述待检测图像和待检测蒙版图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：第一样本图像、样本蒙版图像以及所述第一样本图像的标注清晰程度，所述样本蒙版图像为：用于保留所述第一样本图像中前景区域的蒙版图像。
本发明的一个实施例中，所述将所述待检测图像和待检测蒙版图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度，包括：
将所述待检测蒙版图像合并为所述待检测图像的一个图像通道，得到待检测合成图像；
将所述待检测合成图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：样本合成图像以及第一样本图像的标注清晰程度，所述样本合成图像为：将所述样本蒙版图像合并为所述第一样本图像的一个图像通道而得到的合成图像。
本发明的一个实施例中，所述识别所述待检测图像的前景区域，作为待检测前景区域，包括：
将所述待检测图像输入预先训练的前景区域识别模型，获得所述待检测图像的前景区域；
其中，所述前景区域识别模型为：采用第二样本集对第二初始模型进行训练得到的、用于识别图像前景区域的模型，所述第二样本集包括：第二样本图像以及所述第二样本图像的标注前景区域。
第二方面，本发明实施例提供了一种图像清晰程度检测装置，所述装置包括：
图像获得模块，用于获得待检测图像；
前景区域识别模块，用于识别所述待检测图像的前景区域，作为待检测前景区域；
清晰程度检测模块，用于检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度，所述待检测背景区域为：所述待检测图像中的背景区域。
本发明的一个实施例中，所述清晰程度检测模块，具体用于将所述待检测图像和所述待检测前景区域的区域信息输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
其中，所述清晰程度检测模型为：采用第一样本集对第一初始模型进行训练得到的、用于检测图像清晰程度的模型，所述第一样本集包括：第一样本图像、所述第一样本图像的前景区域的信息以及所述第一样本图像的标注清晰程度。
本发明的一个实施例中，所述清晰程度检测模块，包括：
蒙版图像获得子模块，用于获得用于保留所述前景区域的蒙版图像，作为待检测蒙版图像，其中，所述待检测蒙版图像与所述待检测图像大小相等；
清晰程度获得子模块，用于将所述待检测图像和待检测蒙版图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：第一样本图像、样本蒙版图像以及所述第一样本图像的标注清晰程度，所述样本蒙版图像为：用于保留所述第一样本图像中前景区域的蒙版图像。
本发明的一个实施例中，所述清晰程度获得子模块，具体用于：
将所述待检测蒙版图像合并为所述待检测图像的一个图像通道，得到待检测合成图像；
将所述待检测合成图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：样本合成图像以及第一样本图像的标注清晰程度，所述样本合成图像为：将所述样本蒙版图像合并为所述第一样本图像的一个图像通道而得到的合成图像。
本发明的一个实施例中，所述前景区域识别模块，具体用于：
将所述待检测图像输入预先训练的前景区域识别模型，获得所述待检测图像的前景区域；
其中，所述前景区域识别模型为：采用第二样本集对第二初始模型进行训练得到的、用于识别图像前景区域的模型，所述第二样本集包括：第二样本图像以及所述第二样本图像的标注前景区域。
第三方面，本发明实施例中提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的方法步骤。
第四方面，本发明实施例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内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
本发明实施例有益效果：
应用本发明实施例提供的方案进行图像清晰程度检测时，获得待检测图像后，识别待检测图像的前景区域，作为待检测前景区域，检测上述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据上述第一清晰程度和第二清晰程度，获得上述待检测图像的清晰程度。由于前景区域与背景区域在检测时被区分开，并且在获得清晰程度检测结果时，前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度，因此上述清晰程度检测结果更能体现前景区域的清晰程度。又由于图像中的前景区域是对整张图像具有标识性、是比较能够引起用户注意的区域，所以应用本发明实施例提供的方案检测图像清晰程度时，能够提高对图像进行清晰程度检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的第一种图像清晰程度检测方法的流程示意图；
图2为本发明实施例提供的一种蒙版图像示意图；
图3为本发明实施例提供的第二种图像清晰程度检测方法的流程示意图；
图4为本发明实施例提供的第三种图像清晰程度检测方法的流程示意图；
图5为本发明实施例提供的一种清晰程度检测模型示意图；
图6为本发明实施例提供的第四种图像清晰程度检测方法的流程示意图；
图7为本发明实施例提供的第一种图像清晰程度检测装置的结构示意图；
图8为本发明实施例提供的第二种图像清晰程度检测装置的结构示意图；
图9为本发明实施例提供的一种电子设备的结构示意图。
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做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。
由于现有技术中对图像的清晰程度进行检测时，检测结果会受图像中不清晰区域影响，所检测出的图像清晰程度准确度低，为解决这一技术问题，本发明实施例提供了一种图像清晰程度检测方法及装置。
本发明的一个实施例中，提供了一种图像清晰程度检测方法，该方法包括：
获得待检测图像。
识别上述待检测图像的前景区域，作为待检测前景区域。
检测上述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据上述第一清晰程度和第二清晰程度，获得上述待检测图像的清晰程度，上述待检测背景区域为：上述待检测图像中的背景区域。
应用本实施例提供的方案进行图像清晰程度检测时，由于前景区域与背景区域在检测时被区分开，并且在获得清晰程度检测结果时，前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度，因此上述清晰程度检测结果更能体现前景区域的清晰程度。又由于图像中的前景区域是对整张图像具有标识性、是比较能够引起用户注意的区域，所以应用本实施例提供的方案检测图像清晰程度时，能够提高对图像进行清晰程度检测的准确度。
下面通过具体实施例对本发明实施例提供的图像清晰程度检测方法和装置分别进行详细介绍。
图1为本发明实施例提供的第一种图像清晰程度检测方法的流程示意图，该方法包括以下步骤S101-S103。
S101：获得待检测图像。
具体的，上述待检测图像可以是任意图像。
S102：识别上述待检测图像的前景区域，作为待检测前景区域。
根据图像的内容，可以将图像划分为前景区域和背景区域。
其中，图像的前景区域可以理解为：图像中用户主要关注的区域。
与图像的前景区域相对应，图像的背景区域可以理解为：图像中非用户主要关注的区域。
例如，当上述图像为在森林中拍摄的人物图像时，可以认为图像中的人像区域为前景区域，树木区域为背景区域。当上述图像为在草原中拍摄的老虎图像时，可以认为图像中的老虎区域为前景区域，草原区域为背景区域。
在识别出上述待检测前景区域之后，可以以该待检测前景区域在上述待检测图像中的坐标表示。例如，上述待检测前景区域为矩形区域时，可以以该矩形区域的左上角顶点坐标和右下角顶点坐标表示。
另外，也可以以上述待检测图像对应的蒙版图像表示上述待检测前景区域，上述蒙版图像为用于保留上述待检测前景区域的图像。
具体的，上述蒙版图像与上述待检测图像的大小相等。例如，若上述待检测图像的大小为W×H，则蒙版图像的大小同样为W×H，其中W为图像的宽度，H为图像的长度。
参见图2，提供了一种蒙版图像示意图，其中，图像中的白色部分为蒙版图像保留的待检测图像的前景区域，黑色部分为待检测图像的背景区域。
上述蒙版图像中像素点的像素值包含两种像素值，两种像素值互不相同，其中，前景区域中像素点的像素值为一种预设值，例如，可以为1，背景区域中像素点的像素值为另一种预设值，例如，可以为0。
再者，还可以使用待检测图像中位于上述待检测前景区域中的像素点的坐标集合表示。
需要说明的是，本发明实施例仅仅以上述为例对待检测前景区域的表示方式进行说明，并不对本发明构成限定。
另外，可以使用前景区域识别模型识别上述待检测图像的前景区域，具体的，参见后续实施例，在此暂不详述。
S103：检测上述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据上述第一清晰程度和第二清晰程度，获得上述待检测图像的清晰程度。
其中，上述待检测背景区域为：上述待检测图像中的背景区域。
另外，上述清晰程度为表示图像显示图像内容是否清晰的程度。
具体的，上述清晰程度可以以不同的分类进行表示，例如，上述清晰程度可以以清晰、普通、不清晰三种程度的分类表示。上述清晰程度还可以以具体数值表示，例如，使用数字“1”到数字“10”的自然数表示不同的清晰程度，数字越大清晰程度越高。
以上述前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据上述第一清晰程度和第二清晰程度，获得上述待检测图像的清晰程度的步骤时，可以通过加权计算的方式对第一清晰程度和第二清晰程度进行计算，进而获得上述待检测图像的清晰程度实现。
具体的，将第一清晰程度乘以第一权重，第二清晰程度乘以第二权重，上述第一权重大于第二权重，将乘以权重之后的第一清晰程度与第二清晰程度相加获得待检测图像的清晰程度。
本发明的一个实施例中，可以通过清晰程度检测模型获得上述待检测图像的清晰程度，具体的，可以参见后续实施例，在此暂不详述。
应用本实施例提供的方案进行图像清晰程度检测时，获得待检测图像后，识别待检测图像的前景区域，作为待检测前景区域，检测上述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据上述第一清晰程度和第二清晰程度，获得上述待检测图像的清晰程度。由于前景区域与背景区域在检测时被区分开，并且在获得清晰程度检测结果时，前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度，因此上述清晰程度检测结果更能体现前景区域的清晰程度。又由于图像中的前景区域是对整张图像具有标识性、是比较能够引起用户注意的区域，所以应用本实施例提供的方案检测图像清晰程度时，能够提高对图像进行清晰程度检测的准确度。
本发明的一个实施例中，参见图3，提供了第二种图像清晰程度检测方法的流程示意图，具体的，上述S102可以通过以下步骤S102A实现。
S102A：将上述待检测图像输入预先训练的前景区域识别模型，获得上述待检测图像的前景区域。
其中，上述前景区域识别模型为：采用第二样本集对第二初始模型进行训练得到的、用于识别图像前景区域的模型，上述第二样本集包括：第二样本图像以及上述第二样本图像的标注前景区域。
具体的，上述第二初始模型可以为图像分割模型。例如，上述图像分割模型可以是deeplab模型或maskrcnn模型。
根据图像内容的不同，图像可以被分为多种类别，例如人像图像、建筑图像、植物图像、人像图像等。又由于不同类别的图像具有不同的特征，所以可以为不同类别的图像预先构建不同的前景区域识别模型，例如，用于识别人像图像中前景区域的识别模型、用于识别建筑图像中前景区域的识别模型等。
基于此，在识别图像中的前景区域时，可以基于图像的类别选择不同的模型进行前景区域识别。这样可以提高对待检测图像的前景区域进行识别的准确度。
本发明的一个实施例中，上述采用第二样本集对第二初始模型进行训练的过程可以具体包括步骤A-步骤D。
步骤A：确定第二样本图像以及上述第二样本图像的标注前景区域。
其中，上述各个第二样本图像可以为同一类别的图像。
例如，上述第二样本图像可以为3000张人像图像。
另外，上述各个第二样本图像还可以为不同类别的图像。
例如，上述第二样本图像包括1500张人像图像与1500张建筑图像。
具体的，上述标注前景区域可以以标注前景区域在上述第二样本图像中的坐标表示。例如，上述标注前景区域为矩形区域时，可以以该矩形区域的左上角顶点坐标和右下角顶点坐标表示。
另外，也可以以上述第二样本图像对应的蒙版图像表示上述标注前景区域，上述蒙版图像为用于保留上述标注前景区域的图像。
具体的，上述蒙版图像与上述第二样本图像大小相等。。例如，若上述第二样本图像的大小为W×H，则蒙版图像的大小同样为W×H，其中W为图像的宽度，H为图像的长度
上述蒙版图像中像素点的像素值包含两种像素值，两种像素值互不相同，其中，前景区域中像素点的像素值为一种预设值，例如，可以为1，背景区域中像素点的像素值为另一种预设值，例如，可以为0。
再者，还可以使用第二样本图像中位于上述标注前景区域中的像素点的坐标集合表示。
需要说明的是，本发明实施例仅仅以上述为例对标注前景区域的表示方式进行说明，并不对本发明构成限定。
步骤B：将上述各个第二样本图像输入上述第二初始模型，由上述第二初始模型对第二样本图像中的前景区域进行识别，获得各个第二样本图像的样本前景区域。
步骤C：将上述样本前景区域与上述标注前景区域进行对比，计算上述第二初始模型的第二损失。
步骤D：根据上述第二损失调整上述第二初始模型的模型参数，直至上述第二初始模型满足预设的第二训练结束条件，将调整参数后的上述第二初始模型确定为上述前景区域识别模型。
其中，上述第二训练结束条件可以为达到第二预设训练次数，也可以为满足第二预设收敛条件，或其他训练结束条件。
例如，上述第二预设训练次数可以为5次、10次等，上述第二预设收敛条件可以为上述第二损失低于第二预设损失等。
由以上可见，本实施例提供的方案中，由于上述前景区域识别模型是采用机器学习方式对大量的样本图像进行学习得到的模型，所以上述前景区域识别模型能够学习到大量样本图像中前景区域的特征，从而应用上述前景区域识别模型能够实现对待检测图像中前景区域的检测。
本发明的一个实施例中，参见图4，提供了第三种图像清晰程度检测方法的流程示意图，具体的，上述步骤S103可以通过以下步骤S103A实现。
S103A：将上述待检测图像和上述待检测前景区域的区域信息输入预先训练的清晰程度检测模型，获得上述待检测图像的清晰程度。
其中，上述清晰程度检测模型为：采用第一样本集对第一初始模型进行训练得到的、用于检测图像清晰程度的模型，上述第一样本集包括：第一样本图像、上述第一样本图像的前景区域的信息以及上述第一样本图像的标注清晰程度。
具体的，上述清晰程度检测模型在检测待检测图像的清晰程度时，可以根据上述待检测前景区域的区域信息，以待检测前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式获得待检测图像的清晰程度。
其中，上述待检测图像的前景区域信息可以使用保留上述待检测前景区域的蒙版图像表示，具体的，在上述情况下，可以参见后续实施例在此暂不详述。
本发明的一个实施例中，参见图5，提供了一种清晰程度检测模型示意图，上述清晰程度检测模型包括：多个卷积层、池化层、反卷积层、Softmax。
由于待检测图像的清晰程度为与像素点之间的关系有关、与图片语义无关的低层次信息，因此上述清晰程度检测模型中只需要少量的卷积层。例如，上述清晰程度检测模型中卷积层的数量可以是5、6等。每一卷积层中可以包含多个卷积核，例如，每一卷积层中包含64个3×3卷积核。
上述多个卷积层依次连接，最后一个卷积层与池化层连接，上述池化层与反卷积层连接，上述反卷积层与Softmax连接。
本发明的一个实施例中，在得到每一卷积层的输出结果后，可以先对每一卷积层的输出结果进行激励处理，然后再输入下一卷积层或者池化层。
具体的，上述激励处理可以使用ReLU(Rectified Linear Unit，线性整流)函数实现。
在使用上述清晰程度检测模型进行清晰程度检测时，该模型的输入信息包括：待检测图像和待检测前景区域的信息，这种情况下，将待检测图像与待检测前景区域的信息输入第一个卷积层，得到第一个卷积层的输出结果，然后对第一个卷积层的输出结果进行激励处理，这样相当于结合待检测前景区域的信息对待检测图像进行了一次特征提取操作，然后将激励处理后的结果输入下一个卷积层。
如此在各个卷积层中操作，直至将对最后一个卷积层的输出结果进行激励处理后的结果输入池化层，进行池化处理，从而降低池化层输出结果的大小。
池化层将池化处理的结果输入反卷积层，反卷积层对接收到的输入信息进行反卷积操作，得到待检测图像的大小的图像作为反卷积层的输出结果。
上述池化层可以使用全局平均池化或其他池化方式。
反卷积层将输出结果的输入Softmax，Softmax对图像的清晰程度进行分类，输出清晰程度检测结果。例如，Softmax输出的分类结果可以是清晰、普通、不清晰这三个分类中的至少一个。
本发明的一个实施例中，可以通过以下步骤E-步骤H对上述第一初始模型进行训练。
步骤E：确定第一样本图像、上述第一样本图像的前景区域的信息以及上述第一样本图像的标注清晰程度。
其中，上述第一样本图像可以包括清晰程度不同的图像。例如，可以包括1000张清晰程度为清晰的图像、1000张清晰程度为普通的图像、1000张清晰程度为不清晰的图像。
具体的，上述第一样本图像的前景区域可以以该前景区域在上述第一样本图像中的坐标表示。例如，上述待检测前景区域为矩形区域时，可以以该矩形区域的左上角顶点坐标和右下角顶点坐标表示。
另外，也可以以上述第一样本图像对应的蒙版图像表示上述前景区域，上述蒙版图像为用于保留上述前景区域的图像。
具体的，上述蒙版图像与上述第一样本图像的大小相等。例如，若上述第一样本图像的大小为W×H，则蒙版图像的大小同样为W×H，其中W为图像的宽度，H为图像的长度。
上述蒙版图像中像素点的像素值包含两种像素值，两种像素值互不相同，其中，前景区域中像素点的像素值为一种预设值，例如，可以为1，背景区域中像素点的像素值为另一种预设值，例如，可以为0。
再者，还可以使用第一样本图像中位于上述前景区域中的像素点的坐标集合表示，还可以使用其他方式表示。
另外，上述标注清晰程度与上述待检测图像的清晰程度的表示方式相同，例如，上述标注清晰程度可以以清晰、普通、不清晰三种程度的分类表示。上述标注清晰程度还可以以具体数值表示，例如，使用数字“1”到数字“10”的自然数表示不同的清晰程度，数字越大清晰程度越高。
其中，上述第一样本图像的前景区域信息可以为使用上述前景区域识别模型对上述第一样本图像进行识别获得的前景区域，也可以为使用其他方式获得的前景区域。
步骤F：将第一样本图像和第一样本图像的前景区域的信息输入上述第一初始模型，由第一初始模型对第一样本图像的清晰程度进行检测，获得第一样本图像的清晰程度检测结果。
步骤G：将上述第一样本图像的清晰程度检测结果与上述确定的第一样本图像的标注清晰程度进行对比，计算上述第一初始模型的第一损失。
步骤H：根据上述第一损失调整上述第一初始模型的模型参数，直至上述第一初始模型满足预设的第一训练结束条件，将调整参数后的上述第一初始模型确定为上述清晰程度检测模型。
其中，上述第一训练结束条件可以为达到第一预设训练次数，也可以为满足第一预设收敛条件，或其他训练结束条件。
例如，上述第一预设训练次数可以为5次、10次等，上述第一预设收敛条件可以为上述第一损失低于第一预设损失等。
由以上可见，本实施例提供的方案中，由于上述清晰程度检测模型是采用机器学习方式对大量的样本图像进行学习得到的模型，所以上述清晰程度检测模型能够学习到大量样本图像中前景区域的特征，从而应用上述清晰程度检测模型能够实现对待检测图像清晰程度的检测。
本发明的一个实施例中，参见图6，提供了第四种图像清晰程度检测方法的流程示意图，具体的，上述步骤S103A可以通过以下步骤S103A1-S103A2实现。
S103A1：获得用于保留上述前景区域的蒙版图像，作为待检测蒙版图像。
其中，上述待检测蒙版图像与上述待检测图像大小相等。
S103A2：将上述待检测图像和待检测蒙版图像输入预先训练的清晰程度检测模型，获得上述待检测图像的清晰程度。
其中，在上述情况下，训练得到上述清晰程度检测模型时使用的第一样本集包括：第一样本图像、样本蒙版图像以及上述第一样本图像的标注清晰程度，上述样本蒙版图像为：用于保留上述第一样本图像中前景区域的蒙版图像。
具体的，由于上述待检测蒙版图像为二值图像，其中，待检测蒙版图像的前景区域的像素值可以为1，背景区域的像素值可以为0。因此，待检测图像各个像素点的像素值与上述待检测蒙版图像中对应位置像素点的像素值相乘后，待检测图像的背景区域中像素点的像素值会变为0，从而去除背景区域的图像特征，而前景区域中像素点的像素值保持原像素值，前景区域的图像特征依旧保留，因此使用待检测蒙版可以使得上述清晰程度检测模型获知待检测图像中的待检测前景区域。
本发明的一个实施例中，上述步骤S103A2，具体用于：
步骤I：将上述待检测蒙版图像合并为上述待检测图像的一个图像通道，得到待检测合成图像。
其中，若上述待检测图像为三通道图像，则将待检测蒙版图像合并为上述待检测图像的一个图像通道，得到的待检测合成图像为四通道图像。
具体的，经过上述步骤I，可以将上述待检测图像与待检测蒙版图像合并为一个图像输入清晰程度检测模型。
例如，若上述图像为RGB图像，则保留上述RGB图像的三个通道，将上述待检测蒙版图像作为第四通道，得到四通道的待检测合成图像。若上述待检测图像的大小为W×H×3，则待检测蒙版图像的大小为W×H，则生成的待检测合成图像为W×H×4。其中W为图像的宽度，H为图像的长度，3表示待检测图像为3通道图像，4表示待检测合成图像为4通道图像。
步骤J：将上述待检测合成图像输入预先训练的清晰程度检测模型，获得上述待检测图像的清晰程度。
其中，在上述情况下，训练得到上述清晰程度检测模型时使用的上述第一样本集包括：样本合成图像以及第一样本图像的标注清晰程度，上述样本合成图像为：将上述样本蒙版图像合并为上述第一样本图像的一个图像通道而得到的合成图像。
由以上可见，本实施例提供的方案中，由于待检测图像与待检测蒙版图像的大小相同，且两者中的像素点一一对应，因此上述待检测图像与待检测蒙版图像可以对齐，从而在使用上述清晰程度检测模型对待检测图像的清晰程度进行检测时，计算机可以按照上述对齐关系，依据待检测蒙版图像中的像素点对待检测图像对应位置的像素点进行同步处理。由于计算机对互相对齐的图像进行同步处理时处理速度较快，因此使用上述待检测蒙版图像表示上述待检测前景区域可以加快上述清晰程度检测模型的检测速度。
与上述图像清晰程度检测方法相对应，本发明实施例还提供了一种图像清晰程度检测装置。
参见图7，提供了第一种图像清晰程度检测装置的结构示意图，上述装置包括：
图像获得模块701，用于获得待检测图像；
前景区域识别模块702，用于识别所述待检测图像的前景区域，作为待检测前景区域；
清晰程度检测模块703，用于检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度，所述待检测背景区域为：所述待检测图像中的背景区域。
应用本实施例提供的方案进行图像清晰程度检测时，获得待检测图像后，识别待检测图像的前景区域，作为待检测前景区域，检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度。由于前景区域与背景区域在检测时被区分开，并且在获得清晰程度检测结果时，前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度，因此上述清晰程度检测结果更能体现前景区域的清晰程度。又由于图像中的前景区域是对整张图像具有标识性、是比较能够引起用户注意的区域，所以应用本实施例提供的方案检测图像清晰程度时，能够提高对图像进行清晰程度检测的准确度。
本发明的一个实施例中，上述清晰程度检测模块703，具体用于将所述待检测图像和所述待检测前景区域的区域信息输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
其中，所述清晰程度检测模型为：采用第一样本集对第一初始模型进行训练得到的、用于检测图像清晰程度的模型，所述第一样本集包括：第一样本图像、所述第一样本图像的前景区域的信息以及所述第一样本图像的标注清晰程度。
由以上可见，本实施例提供的方案中，由于上述清晰程度检测模型是采用机器学习方式对大量的样本图像进行学习得到的模型，所以上述清晰程度检测模型能够学习到大量样本图像中前景区域的特征，从而应用上述清晰程度检测模型能够实现对待检测图像清晰程度的检测。
本发明的一个实施例中，参见图8，提供了第二种图像清晰程度检测装置的结构示意图，上述清晰程度检测模块703，包括：
蒙版图像获得子模块703A，用于获得用于保留所述前景区域的蒙版图像，作为待检测蒙版图像，其中，所述待检测蒙版图像与所述待检测图像大小相等；
清晰程度获得子模块703B，用于将所述待检测图像和待检测蒙版图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：第一样本图像、样本蒙版图像以及所述第一样本图像的标注清晰程度，所述样本蒙版图像为：用于保留所述第一样本图像中前景区域的蒙版图像。
本发明的一个实施例中，上述清晰程度获得子模块703B，具体用于：
将所述待检测蒙版图像合并为所述待检测图像的一个图像通道，得到待检测合成图像；
将所述待检测合成图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：样本合成图像以及第一样本图像的标注清晰程度，所述样本合成图像为：将所述样本蒙版图像合并为所述第一样本图像的一个图像通道而得到的合成图像。
由以上可见，本实施例提供的方案中，由于待检测图像与待检测蒙版图像的大小相同，且两者中的像素点一一对应，因此上述待检测图像与待检测蒙版图像可以对齐，从而在使用上述清晰程度检测模型对待检测图像的清晰程度进行检测时，计算机可以按照上述对齐关系，依据待检测蒙版图像中的像素点对待检测图像对应位置的像素点进行处理。由于计算机对互相对齐的图像进行同步处理时处理速度较快，因此使用上述待检测蒙版图像表示上述待检测前景区域可以加快上述清晰程度检测模型的检测速度。
本发明的一个实施例中，上述前景区域识别模块702，具体用于：
将所述待检测图像输入预先训练的前景区域识别模型，获得所述待检测图像的前景区域；
其中，所述前景区域识别模型为：采用第二样本集对第二初始模型进行训练得到的、用于识别图像前景区域的模型，所述第二样本集包括：第二样本图像以及所述第二样本图像的标注前景区域。
由以上可见，本实施例提供的方案中，由于上述前景区域识别模型是采用机器学习方式对大量的样本图像进行学习得到的模型，所以上述前景区域识别模型能够学习到大量样本图像中前景区域的特征，从而应用上述前景区域识别模型能够实现对待检测图像中前景区域的检测。
本发明实施例还提供了一种电子设备，如图9所示，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信，
存储器903，用于存放计算机程序；
处理器901，用于执行存储器903上所存放的程序时，实现上述图像清晰程度检测方法实施例所述的方法步骤。
电子设备应用上述实施例提供的方案进行图像清晰程度检测时，获得待检测图像后，识别待检测图像的前景区域，作为待检测前景区域，检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度。由于前景区域与背景区域在检测时被区分开，并且在获得清晰程度检测结果时，前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度，因此上述清晰程度检测结果更能体现前景区域的清晰程度。又由于图像中的前景区域是对整张图像具有标识性、是比较能够引起用户注意的区域，所以应用本实施例提供的方案检测图像清晰程度时，能够提高对图像进行清晰程度检测的准确度。
与上述图像清晰程度检测方法相对应，在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一图像清晰程度检测方法实施例所述的方法步骤。
执行本实施例提供的计算机可读存储介质中存储的计算机程序进行图像清晰程度检测时，获得待检测图像后，识别待检测图像的前景区域，作为待检测前景区域，检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度。由于前景区域与背景区域在检测时被区分开，并且在获得清晰程度检测结果时，前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度，因此上述清晰程度检测结果更能体现前景区域的清晰程度。又由于图像中的前景区域是对整张图像具有标识性、是比较能够引起用户注意的区域，所以应用本实施例提供的方案检测图像清晰程度时，能够提高对图像进行清晰程度检测的准确度。
与上述图像清晰程度检测方法相对应，在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一图像清晰程度检测方法。
执行本实施例提供的计算机程序产品进行图像清晰程度检测时，获得待检测图像后，识别待检测图像的前景区域，作为待检测前景区域，检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度。由于前景区域与背景区域在检测时被区分开，并且在获得清晰程度检测结果时，前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度，因此上述清晰程度检测结果更能体现前景区域的清晰程度。又由于图像中的前景区域是对整张图像具有标识性、是比较能够引起用户注意的区域，所以应用本实施例提供的方案检测图像清晰程度时，能够提高对图像进行清晰程度检测的准确度。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质和计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (8)
1.一种图像清晰程度检测方法，其特征在于，所述方法包括：
获得待检测图像；
识别所述待检测图像的前景区域，作为待检测前景区域，其中，所述待检测图像对应的蒙版图像表示所述待检测前景区域，所述蒙版图像用于保留所述待检测前景区域的图像；
检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度，所述待检测背景区域为：所述待检测图像中的背景区域；
所述检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度，包括：
将所述待检测图像和所述待检测前景区域的区域信息输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
其中，所述清晰程度检测模型为：采用第一样本集对第一初始模型进行训练得到的、用于检测图像清晰程度的模型，所述第一样本集包括：第一样本图像、所述第一样本图像的前景区域的信息以及所述第一样本图像的标注清晰程度；
所述将所述待检测图像和所述待检测前景区域的区域信息输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度，包括：
获得用于保留所述前景区域的蒙版图像，作为待检测蒙版图像，其中，所述待检测蒙版图像与所述待检测图像大小相等；
将所述待检测图像和待检测蒙版图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：第一样本图像、样本蒙版图像以及所述第一样本图像的标注清晰程度，所述样本蒙版图像为：用于保留所述第一样本图像中前景区域的蒙版图像。
2.根据权利要求1所述的方法，其特征在于，所述将所述待检测图像和待检测蒙版图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度，包括：
将所述待检测蒙版图像合并为所述待检测图像的一个图像通道，得到待检测合成图像；
将所述待检测合成图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：样本合成图像以及第一样本图像的标注清晰程度，所述样本合成图像为：将所述样本蒙版图像合并为所述第一样本图像的一个图像通道而得到的合成图像。
3.根据权利要求1所述的方法，其特征在于，所述识别所述待检测图像的前景区域，作为待检测前景区域，包括：
将所述待检测图像输入预先训练的前景区域识别模型，获得所述待检测图像的前景区域；
其中，所述前景区域识别模型为：采用第二样本集对第二初始模型进行训练得到的、用于识别图像前景区域的模型，所述第二样本集包括：第二样本图像以及所述第二样本图像的标注前景区域。
4.一种图像清晰程度检测装置，其特征在于，所述装置包括：
图像获得模块，用于获得待检测图像；
前景区域识别模块，用于识别所述待检测图像的前景区域，作为待检测前景区域，其中，所述待检测图像对应的蒙版图像表示所述待检测前景区域，所述蒙版图像用于保留所述待检测前景区域的图像；
清晰程度检测模块，用于检测所述待检测前景区域的第一清晰程度，并检测待检测背景区域的第二清晰程度，以前景区域对图像清晰程度的影响度高于背景区域对图像清晰程度的影响度的方式，根据所述第一清晰程度和第二清晰程度，获得所述待检测图像的清晰程度，所述待检测背景区域为：所述待检测图像中的背景区域；
所述清晰程度检测模块，具体用于将所述待检测图像和所述待检测前景区域的区域信息输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
其中，所述清晰程度检测模型为：采用第一样本集对第一初始模型进行训练得到的、用于检测图像清晰程度的模型，所述第一样本集包括：第一样本图像、所述第一样本图像的前景区域的信息以及所述第一样本图像的标注清晰程度；
蒙版图像获得子模块，用于获得用于保留所述前景区域的蒙版图像，作为待检测蒙版图像，其中，所述待检测蒙版图像与所述待检测图像大小相等；
清晰程度获得子模块，用于将所述待检测图像和待检测蒙版图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：第一样本图像、样本蒙版图像以及所述第一样本图像的标注清晰程度，所述样本蒙版图像为：用于保留所述第一样本图像中前景区域的蒙版图像。
5.根据权利要求4所述的装置，其特征在于，所述清晰程度获得子模块，具体用于：
将所述待检测蒙版图像合并为所述待检测图像的一个图像通道，得到待检测合成图像；
将所述待检测合成图像输入预先训练的清晰程度检测模型，获得所述待检测图像的清晰程度；
所述第一样本集包括：样本合成图像以及第一样本图像的标注清晰程度，所述样本合成图像为：将所述样本蒙版图像合并为所述第一样本图像的一个图像通道而得到的合成图像。
6.根据权利要求4所述的装置，其特征在于，所述前景区域识别模块，具体用于：
将所述待检测图像输入预先训练的前景区域识别模型，获得所述待检测图像的前景区域；
其中，所述前景区域识别模型为：采用第二样本集对第二初始模型进行训练得到的、用于识别图像前景区域的模型，所述第二样本集包括：第二样本图像以及所述第二样本图像的标注前景区域。
7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-3任一所述的方法步骤。
8.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911172011.7A CN110969602B (zh) | 2019-11-26 | 2019-11-26 | 一种图像清晰程度检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911172011.7A CN110969602B (zh) | 2019-11-26 | 2019-11-26 | 一种图像清晰程度检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969602A CN110969602A (zh) | 2020-04-07 |
| CN110969602B true CN110969602B (zh) | 2023-09-05 |
Family
ID=70031746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911172011.7A Active CN110969602B (zh) | 2019-11-26 | 2019-11-26 | 一种图像清晰程度检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969602B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112367518B (zh) * | 2020-10-30 | 2021-07-13 | 福州大学 | 一种输电线路无人机巡检图像质量评价方法 |
| CN114219976A (zh) * | 2021-11-04 | 2022-03-22 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备、存储介质及计算机产品 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020947A (zh) * | 2011-09-23 | 2013-04-03 | 阿里巴巴集团控股有限公司 | 一种图像的质量分析方法及装置 |
| CN103258218A (zh) * | 2013-05-28 | 2013-08-21 | 清华大学 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
| JP2013222245A (ja) * | 2012-04-13 | 2013-10-28 | Mitsubishi Electric Corp | 画像鮮鋭度評価装置 |
| CN105574857A (zh) * | 2015-12-11 | 2016-05-11 | 小米科技有限责任公司 | 图像分析方法及装置 |
| 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 |
| CN106408066A (zh) * | 2016-09-06 | 2017-02-15 | 北京三快在线科技有限公司 | 基于二维码的图像处理方法、装置及二维码 |
| CN109409305A (zh) * | 2018-11-01 | 2019-03-01 | 深圳技术大学（筹） | 一种人脸图像清晰度评价方法及装置 |
| CN110175980A (zh) * | 2019-04-11 | 2019-08-27 | 平安科技（深圳）有限公司 | 图像清晰度识别方法、图像清晰度识别装置及终端设备 |
-
2019
- 2019-11-26 CN CN201911172011.7A patent/CN110969602B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020947A (zh) * | 2011-09-23 | 2013-04-03 | 阿里巴巴集团控股有限公司 | 一种图像的质量分析方法及装置 |
| JP2013222245A (ja) * | 2012-04-13 | 2013-10-28 | Mitsubishi Electric Corp | 画像鮮鋭度評価装置 |
| CN103258218A (zh) * | 2013-05-28 | 2013-08-21 | 清华大学 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
| CN105574857A (zh) * | 2015-12-11 | 2016-05-11 | 小米科技有限责任公司 | 图像分析方法及装置 |
| 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 |
| CN106408066A (zh) * | 2016-09-06 | 2017-02-15 | 北京三快在线科技有限公司 | 基于二维码的图像处理方法、装置及二维码 |
| CN109409305A (zh) * | 2018-11-01 | 2019-03-01 | 深圳技术大学（筹） | 一种人脸图像清晰度评价方法及装置 |
| CN110175980A (zh) * | 2019-04-11 | 2019-08-27 | 平安科技（深圳）有限公司 | 图像清晰度识别方法、图像清晰度识别装置及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 利用虚光蒙版提高图像清晰度及其评价方法研究;刘东泽等;《中国印刷与包装研究》;3(006);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969602A (zh) | 2020-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740670B (zh) | 视频分类的方法及装置 | |
| CN109325954B (zh) | 图像分割方法、装置及电子设备 | |
| CN111368636B (zh) | 目标分类方法、装置、计算机设备和存储介质 | |
| CN111144215B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| JP6135283B2 (ja) | 画像処理装置、画像処理方法、プログラムおよび記録媒体 | |
| US20230169554A1 (en) | System and method for automated electronic catalogue management and electronic image quality assessment | |
| CN111127307A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110929617A (zh) | 一种换脸合成视频检测方法、装置、电子设备及存储介质 | |
| CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
| CN110570390B (zh) | 一种图像检测方法及装置 | |
| CN110969602B (zh) | 一种图像清晰程度检测方法及装置 | |
| CN112396035A (zh) | 基于注意力检测模型的物体检测方法和装置 | |
| CN111325067B (zh) | 违规视频的识别方法、装置及电子设备 | |
| CN109447022B (zh) | 一种镜头类型识别方法及装置 | |
| CN114841974A (zh) | 一种水果内部结构无损检测方法、系统、电子设备及介质 | |
| US8218823B2 (en) | Determining main objects using range information | |
| CN111242066A (zh) | 大尺寸图像目标检测方法、装置及计算机可读存储介质 | |
| CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
| CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
| WO2023160061A1 (zh) | 图像中运动对象的确定方法、装置、电子设备和存储介质 | |
| CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
| CN115424293A (zh) | 活体检测方法、活体检测模型的训练方法及装置 | |
| CN112446311A (zh) | 对象重识别方法、电子设备、存储介质及装置 | |
| CN112818728A (zh) | 年龄识别的方法及相关产品 |
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 |