CN111080595A - 图像处理方法、装置、电子设备及计算机可读介质 - Google Patents

图像处理方法、装置、电子设备及计算机可读介质 Download PDF

Info

Publication number
CN111080595A
CN111080595A CN201911252609.7A CN201911252609A CN111080595A CN 111080595 A CN111080595 A CN 111080595A CN 201911252609 A CN201911252609 A CN 201911252609A CN 111080595 A CN111080595 A CN 111080595A
Authority
CN
China
Prior art keywords
image
sub
value
gray
determining
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.)
Pending
Application number
CN201911252609.7A
Other languages
English (en)
Inventor
高永强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201911252609.7A priority Critical patent/CN111080595A/zh
Publication of CN111080595A publication Critical patent/CN111080595A/zh
Pending legal-status Critical Current

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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/20—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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开实施例提供了一种图像处理方法装置、电子设备及计算机可读介质，包括：获取待处理图像；对待处理图像进行分图处理，得到各子图像；确定各子图像的图像信息，并基于各子图像的图像信息，得到待处理图像的清晰度识别结果。本公开实施例中，在确定待处理图像的清晰度识别结果时是将待处理图像转换为局部局域，进而可以细粒度的提取图像信息，进一步的，由于所提取的图像信息包括图像的绝对中心力矩、亮度值和颜色通道值，因此在确定待处理图像的清晰度识别结果时，所提取的图像信息更加的全面，进而在确定清晰度识别结果时，所考虑到的因素更加的多样化，可以进一步的保证最终所得到清晰度识别结果的准确性，有效地提升分类效果。

Description

图像处理方法、装置、电子设备及计算机可读介质
技术领域
本公开涉及图像处理技术领域，具体而言，本公开涉及一种图像处理方法、装置、电子设备及计算机可读介质。
背景技术
在很多应用场景中，通常都需要判断图像的清晰度，如判断一个图像为清晰图像还是模糊图像，而一张图像是清晰的图像还是模糊的图像，基于人的肉眼一般是很难判定的。而在实际应用中发现，采用现有技术中确定图像的清晰度类别的方式虽然可以确定图像的清晰度类别，但是最终得到的结果却并不是很理想。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供了一种图像处理方法，包括：
获取待处理图像；
对待处理图像进行分图处理，得到各子图像；
确定各子图像的图像信息，并基于各子图像的图像信息，得到待处理图像的清晰度识别结果；其中，所述图像信息包括图像的绝对中心力矩、亮度值和颜色通道值。
第二方面，本公开实施例提供了一种图像处理装置，该装置包括：
待处理图像获取模块，用于获取待处理图像；
图像分图模块，用于对待处理图像进行分图处理，得到各子图像；
识别结果确定模块，用于确定各子图像的图像信息，并基于各子图像的图像信息，得到待处理图像的清晰度识别结果；其中，所述图像信息包括图像的绝对中心力矩、亮度值和颜色通道值。
第三方面，本公开提供了一种电子设备，该电子设备包括处理器和存储器；
存储器，用于存储计算机操作指令；
处理器，用于通过调用计算机操作指令，执行如本公开实施例的第一方面所示的方法。
第四方面，本公开提供了一种计算机可读介质，该计算机可读介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本公开实施例的第第一方面所示的方法。
本公开实施例提供的技术方案带来的有益效果是：
在本公开实施例中，可以得到待处理图像所包括的各子图像，并确定每个子图像的图像信息，然后基于各子图像的图像信息，得到待处理图像的清晰度识别结果。也就是说，本公开实施例中，在确定待处理图像的清晰度识别结果时是将待处理图像转换为局部局域，进而可以细粒度的提取图像信息；进一步的，由于所提取的图像信息包括图像的绝对中心力矩、亮度值和颜色通道值，因此在确定待处理图像的清晰度识别结果时，相比于直接基于神经网络得到的整张图像的特征，所提取的图像信息更加的全面，进而在确定清晰度识别结果时，所考虑到的因素更加的多样化，进一步的保证最终所得到清晰度识别结果的准确性，有效地提升分类效果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开的实施例中一种图像处理方法的流程示意图；
图2为本公开的实施例中各子图像的示意图；
图3为本公开的实施例中一种图像处理装置的结构示意图；
图4为本公开的实施例中一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开的实施例提供了一种图像处理方法，如图1所示，该方法可以包括：
步骤S110，获取待处理图像。
步骤S120，对待处理图像进行分图处理，得到各子图像。
其中，待处理图像的来源和类别本公开实施例不限定，例如，待处理图像的来源可以为存储在本地存储空间的图像，也可以为从其他设备获取到的图像；图像的类别可以为图像拍摄装置拍摄的单一图像，也可以为视频中的某一帧图像等。
在实际应用中，在获取到待处理图像后，可以对该待处理图像进行分图处理，得到各子图像。其中，子图像的数量，以及对待处理图像进行分图处理的实现方式可以预先配置，本公开实施例不限定。
在一示例中，如图2所示，假设预先配置将待处理图像分为5个子图像，此时可以将待处理图像分为分别对应于待处理图像左上区域、左下区域、右上区域右下区域和中间区域的5个子图像。
步骤S130，确定各子图像的图像信息，并基于各子图像的图像信息，得到待处理图像的清晰度识别结果；其中，图像信息包括图像的绝对中心力矩、亮度值和颜色通道值。
其中，图像信息为能够表征图像清晰度或者与图像清晰度有关的一些图像信息，清晰度识别结果用于说明待处理图像的清晰度。其中，清晰度识别结果的具体展现形式可以预先配置，本公开实施例不限定。例如，清晰度识别结果可以为待处理图像所属于的清晰度范围(也就是清晰度的类别)，也可以为用于表征待处理图像清晰度的一个表征值。在一示例中，假设清晰度识别结果包括清晰类别和模糊类别，此时设置一个阈值，若待处理图像清晰度的表征值大于阈值，则清晰度识别结果为清晰，相应的，若待处理图像清晰度的表征值小于阈值，则清晰度识别结果为模糊。
在实际应用中，图像的亮度值用于表征图像画面的明亮程度，单位是堪德拉每平米(cd/m2)，而图像的亮度是从白色表面到黑色表面的感觉连续体，由反射系数决定；颜色通道值指的是在色彩模式下，像素点中单独的红色、绿色、蓝色部分的取值；绝对中心力矩为用于确定图像清晰度的一种图像特征。
在实际应用中，图像的亮度值可以为归一化处理后的平均亮度值，图像的颜色通道值可以选用各颜色通道的取值，也可以选用其中一个或多个颜色通道的取值，如选取最暗的颜色通道的取值，其中，最暗的颜色通道指的是取值最小的。
进一步的，在得到待处理图像的各个子图像后，可以分别确定每个子图像的图像信息，并基于待处理图像的每个图像的图像信息，得到待处理图像的清晰度识别结果。
在本公开实施例中，可以得到待处理图像所包括的各子图像，并确定每个子图像的图像信息，然后基于各子图像的图像信息，得到待处理图像的清晰度识别结果。也就是说，本公开实施例中，在确定待处理图像的清晰度识别结果时是将待处理图像转换为局部局域，进而可以细粒度的提取图像信息；进一步的，由于所提取的图像信息包括图像的绝对中心力矩、亮度值和颜色通道值，因此在确定待处理图像的清晰度识别结果时，相比于直接基于神经网络得到的整张图像的特征，所提取的图像信息更加的全面，进而在确定清晰度识别结果时，所考虑到的因素更加的多样化，可以进一步的保证最终所得到清晰度识别结果的准确性，有效地提升分类效果。
在本公开可选实施例中，对待处理图像进行分图处理，得到各子图像，包括：
对待处理图像进行缩放处理，得到缩放后的图像；
将缩放后的图像进行分图处理，得到各子图像。
其中，在对待处理图像进行缩放处理时，可以按照预设的图像大小进行缩放、也可以是按照预设的比例进行缩放等，本公开实施例不限定。
在实际应用中，还可以对待处理图像进行缩放处理，得到各子图像。例如，若待处理图像较大，此时在保证得到的图像信息的精度的前提下，可以对待处理图像进行缩小处理，以减少数据处理量。相应的，若待处理图像较小，可以对比待处理图像放大处理，以提高得到的图像信息的精度。
在本公开可选实施例中，对于每一个子图像，若图像信息包括图像的绝对中心力矩或图像的亮度值，确定子图像的图像信息，包括：
将子图像转换为灰度图像；
确定灰度图像的绝对中心力矩，将灰度图像的绝对中心力矩作为对应的子图像的绝对中心力矩；或，
确定灰度图像的亮度值，将灰度图像的亮度值作为对应的子图像的亮度值。
可以理解的是，若待处理图像本身即为灰度图像时，此时可以不执行将对应的子图像转换为灰度图像的步骤。
在实际应用中，图像的绝对中心力矩或图像的亮度值是根据图像的亮度确定的，与图像本身的其它色彩参数是无关的，此时若将待处理图像转换为灰度图像可以有效地减小其它色彩参数对亮度的影响，进而可以减小数据的处理量。
在实际应用，若子图像的图像信息中包括图像的绝对中心力矩，此时可以对每一个子图像进行灰度处理，得到每一个子图像对应的灰度图像，然后确定每一个灰度图像的绝对中心力矩，并将每一个灰度图像的绝对中心力矩作为对应的子图像的绝对中心力矩。
其中，确定灰度图像的绝对中心力矩的具体实现方式可以预先配置，本公开实施例不限定。本公开实施例提供一种可选的实施方式，具体可以为：
确定灰度图像中各像素点的灰度值；
基于灰度图像中各像素点的灰度值，确定灰度图像的灰度值；
确定灰度图像中所包含的各灰度值的出现概率；
基于灰度图像的灰度值、以及灰度图像中所包含的各灰度值的出现概率，确定灰度图像的绝对中心力矩。
其中，在确定灰度图像的灰度值时，可以将灰度图像转换为图像直方图，该图像直方图用于统计灰度图像中每种灰度值的数量，基于该图像直方图可以快速、直观的知晓灰度图像所包括的灰度值种类，以及每种灰度值的数量，进而可以有效的提升处理效率。
在实际应用中，在确定灰度图像的灰度值时，可以确定灰度图像中所包括的各像素点的灰度值的平均灰度值，并将其作为灰度图像度对应的灰度；所确定的每种灰度值的出现概率可以为灰度图像中所包含的每种灰度值的数量与灰度图像中所包含的所有灰度值的数量的比值。
在一示例中，假设灰度图像包括50个像素点，其中，像素点1～像素点20的灰度值为10，像素点21～像素点50的灰度值为30。此时该灰度图像中包括2种灰度值，分别为灰度值10和灰度值30，而灰度值10的出现概率为40％(20/50)，灰度值30的出现概率为60％(30/50)，该灰度图像对应的灰度值为(10*20+30*30)/50＝22。
在实际应用中，基于灰度图像的灰度值、以及灰度图像中所包含的各灰度值的出现概率，确定灰度图像的绝对中心力矩，可以通过下列公式确定：
Figure BDA0002309447070000071
其中，ACMo表示绝对中心力矩，μ表示灰度图像对应的灰度值、L表示灰度值的取值范围，其可以取值为0～255，其中，每一种取值代表灰度值的一个种类，k表示所取的灰度值，Pk表示灰度值k的出现概率。
在本公开可选实施例中，确定灰度图像的亮度值，包括：
确定灰度图像中各像素点的亮度值的平均亮度值；
对平均亮度值进行归一化处理，将归一化处理后的平均亮度值作为灰度图像的亮度值。
此外，在实际应用中若子图像的图像信息中包括图像的亮度值，此时可以确定子图像的灰度图像的亮度值，并将确定的亮度值作为对应的子图像的亮度值。其中，确定灰度图像的亮度值的一种可选方式为：
确定灰度图像中所包括的各像素点的亮度值的平均亮度值，然后对得到的平均亮度值进行归一化处理，并将归一化处理后的平均亮度值作为灰度图像的亮度值，即对应的子图像的亮度值。在本公开实施例中，由于在确定子图像的亮度值时，是将归一化处理后的平均亮度值作为最终得到的亮度值，进而可以使不同维度之间的特征具有一定比较性，可以大大提升清晰度识别结果的准确性。
其中，归一化处理后的平均亮度值为[0，1]之间，而确定归一化处理后的平均亮度值的一种处理方式可以为：将得到的平均亮度值与256的比值作为归一化处理后的平均亮度值。
在本公开可选实施例中，对于每一个子图像，若图像信息包括图像的颜色通道值，确定子图像的图像信息，包括：
确定滑动窗口，基于滑动窗口在子图像中滑动，并确定每次滑动所对应的子区域的颜色通道值以及所包含的各像素点的像素值；
基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值；
基于每个子区域的通道值确定子图像的颜色通道值。
其中，滑动窗口为预设大小的窗口，为用于一次图像信息提取的单位窗口，可以根据该窗口在图像区域中进行滑动，对每个窗口对应的子区域进行图像信息提取，滑动窗口的大小可以预先配置，本公开实施例不限定。
在实际应用中，若子图像的图像信息中还包括图像的颜色通道值，此时可以确定一个滑动窗口，并将该滑动窗口在子图像中滑动，得到每次滑动所对应的子区域，然后确定每次滑动所对应的子区域的颜色通道值以及所包含的各像素点的像素值，并基于确定的每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值。
进一步的，在得到子图像所包括的每个子区域的通道值后，可以基于每个子区域的通道值确定该子图像的颜色通道值。
在本公开可选实施例中，基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值，包括：
确定每个子区域的各颜色通道值中的最小颜色通道值，以及所包含的各像素点中的最小像素值；
基于每个子区域的最小颜色通道值和最小像素值，确定每个子区域的通道值。
在实际应用中，在确定每个子区域的通道值时，所确定的每个子区域的颜色通道值为每个子区域所包含的各颜色通道值中的最小颜色通道值，并确定及所包含的各像素点中的最小像素值，然后基于每个子区域包含的最小颜色通道值和最小像素值，确定每个子区域的通道值。
其中，基于每个子区域包含的最小颜色通道值和最小像素值，确定每个子区域的通道值可以通过下列方式表征：
Jdark＝miny∈Ω(x)(minc∈(r,g,b)Jc(y))
其中，Jdark表示每个子区域的通道值，miny∈Ω(x)表示滑动窗口所对应的子区域中的最小像素值，minC∈(r,g,b)Jc(y)表示滑动窗口所对应的子区域中的各颜色通道值(r：红色通道，g：绿色通道，b：蓝色通道)中的最小颜色通道值。
在一示例中，假设滑动窗口所对应的子区域中包括的红色通道取值分别为10和20、绿色通道取值分别为50和20、蓝色通道取值分别为60和20，包括的像素点为像素点1(取值为10)、像素点为像素点2(取值为20)和像素点为像素点3(取值为30)。此时可以基于所有颜色通道值中的最小值(即红色通道取值10)、以及最小像素值(即像素点1的取值)确定该子区域的通道值。
在本公开可选实施例中，基于每个子区域的通道值确定子图像的颜色通道值，包括：
将子图像中各子区域的通道值的和值进行归一化处理，得到归一化值；
将归一化值作为子图像的颜色通道值。
在实际应用中，对于每个子图像，在得到该子图像所包括的各子区域的通道值后，可以将各子区域的通道值进行求和处理，将得到的和值进行归一化处理，并将得到的归一化值作为该子图像的颜色通道值。其中，归一化值的取值范围在[0，1]之间。
在本公开实施例中，由于子图像的颜色通道值也是经过归一化处理后所得到的，进而所得到的颜色通道值可以在不同维度的特征之间具有一定的比较性，进而有效地提升了清晰度识别结果的准确性。
在本公开可选实施例中，基于各子图像的图像信息，得到待处理图像的清晰度类别识别结果，包括：
将各子图像的图像信息输入至神经网络，得到待处理图像的清晰度类别识别结果；
其中，神经网络是通过下列方式得到的：
获取训练样本集，训练样本集中包括标注了清晰度结果的各训练样本；
基于训练样本集对初始神经网络进行训练，直至对应的损失函数收敛，损失函数的值表征了输出的训练样本的清晰度结果和对应的标注的清晰度结果之间的差异。
在实际应用中，在得到待处理图像的各子图像的图像信息后，可以将各子图像的图像信息输入至训练后的神经网络，将输出的结果作为待处理图像的清晰度识别结果。其中，该训练后的神经网络的类别本公开实施例不限定，如可以为径向基函数神经网络。
在实际应用中，训练样本集中包括用于训练神经网络的各训练样本，并且各训练样本可以被预先标注清晰度结果。其中，假设清晰度结果可以分为两个清晰度类别，分别为清晰和模糊，训练样本可以包括正样本和负样本，正样本可以指的是对应的清晰度结果为清晰的样本图片，负样本可以指的是对应的清晰度结果为模糊的样本图片。
进一步的，在基于训练样本集对初始神经网络进行训练时，可以将标注后的各训练样本输入至初始神经网络，输出各训练样本所对应的清晰度识别结果，然后确定本次训练所对应的损失函数是否收敛，若不收敛，则说明当前的初始神经网络模型的精度仍旧不满足要求，则可以调整初始神经网络参数，并再次将标注后的各训练样本输入至调整后神经网络模型，再次判断本次训练所对应的损失函数对否收敛，若不收敛则继续调整初始神经网络模型参数，直至对应的损失函数收敛。其中，损失函数的值表征了模型输出的训练样本的清晰度识别结果和对应的标注的清晰度结果之间的差异，而当损失函数收敛时，说明输出的训练样本的清晰度识别结果和训练样本标注了的清晰度结果之间的差异满足要求。
基于与图1中所示方法相同的原理，本公开的实施例中还提供了一种图像处理装置30，如图3所示，该图像处理装置30可以包括待处理图像获取模块310、图像分图模块320和识别结果确定模块330，其中：
待处理图像获取模块310，用于获取待处理图像；
图像分图模块320，用于对待处理图像进行分图处理，得到各子图像；
识别结果确定模块330，用于确定各子图像的图像信息，并基于各子图像的图像信息，得到待处理图像的清晰度识别结果，其中，图像信息包括图像的绝对中心力矩、亮度值和颜色通道值。
在本公开可选实施例中，图像分图模块在对待处理图像进行分图处理，得到各子图像时，具体用于：
对待处理图像比例进行缩放处理，得到缩放后的图像；
将缩放后的图像进行分图处理，得到各子图像。
在本公开可选实施例中，图像信息包括图像的绝对中心力矩、亮度值和颜色通道值中的至少一项。
在本公开可选实施例中，对于每一个子图像，若图像信息包括图像的绝对中心力矩或图像的亮度值，识别结果确定模块在确定子图像的图像信息时，具体用于：
将子图像转换为灰度图像；
确定灰度图像的绝对中心力矩，将灰度图像的绝对中心力矩作为对应的子图像的绝对中心力矩；或，
确定灰度图像的亮度值，将灰度图像的亮度值作为对应的子图像的亮度值。
在本公开可选实施例中，识别结果确定模块在确定灰度图像的绝对中心力矩时，具体用于：
确定灰度图像中各像素点的灰度值；
基于灰度图像中各像素点的灰度值，确定灰度图像的灰度值；
确定灰度图像中所包含的各灰度值的出现概率；
基于灰度图像的灰度值、以及灰度图像中所包含的各灰度值的出现概率，确定灰度图像的绝对中心力矩；
识别结果确定模块在确定灰度图像的亮度值时，具体用于：
确定灰度图像中各像素点的亮度值的平均亮度值；
对平均亮度值进行归一化处理，将归一化处理后的平均亮度值作为灰度图像的亮度值。
在本公开可选实施例中，对于每一个子图像，若图像信息包括图像的颜色通道值，识别结果确定模块在确定子图像的图像信息时，具体用于：
确定滑动窗口，基于滑动窗口在子图像中滑动，并确定每次滑动所对应的子区域的颜色通道值以及所包含的各像素点的像素值；
基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值；
基于每个子区域的通道值确定子图像的颜色通道值。
在本公开可选实施例中，识别结果确定模块在基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值时，具体用于：
确定每个子区域所包含的各颜色通道值中的最小颜色通道值，以及所包含的各像素点中的最小像素值；
基于每个子区域包含的最小颜色通道值和最小像素值，确定每个子区域的通道值。
在本公开可选实施例中，识别结果确定模块在基于每个子区域的通道值确定子图像的颜色通道值时，具体用于：
将子图像中各子区域的通道值的和值进行归一化处理，得到归一化值；
将归一化值作为子图像的颜色通道值。
在本公开可选实施例中，识别结果确定模块在基于各子图像的图像信息，得到待处理图像的清晰度类别识别结果时，具体用于：
将各子图像的图像信息输入至神经网络，得到待处理图像的清晰度类别识别结果；
其中，神经网络是通过下列方式得到的：
获取训练样本集，训练样本集中包括标注了清晰度结果的各训练样本；
基于训练样本集对初始神经网络进行训练，直至对应的损失函数收敛，损失函数的值表征了输出的训练样本的清晰度结果和对应的标注的清晰度结果之间的差异。
在本公开可选实施例中，神经网络为径向基函数神经网络。
本公开实施例的图像处理装置可执行本公开的实施例所提供的一种图像处理方法，其实现原理相类似，本公开各实施例中的图像处理装置中的各模块所执行的动作是与本公开各实施例中的图像处理方法中的步骤相对应的，对于图像处理装置的各模块的详细功能描述具体可以参见前文中所示的对应的图像处理方法中的描述，此处不再赘述。
基于与本公开的实施例中所示的方法相同的原理，本公开的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机操作指令；处理器，用于通过调用计算机操作指令执行实施例所示的方法。
基于与本公开的实施例中所示的方法相同的原理，本公开的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存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述实施例所示的方法，在此不再赘述。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备500的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文的处理装置501，存储器可以包括下文中的只读存储器(ROM)502、随机访问存储器(RAM)503以及存储装置508中的至少一项，具体如下所示：
如图4所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待处理图像；对待处理图像进行分图处理，得到各子图像；确定各子图像的图像信息，并基于各子图像的图像信息，得到待处理图像的清晰度识别结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块或单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例A1】提供了一种分类方法，包括：
获取待处理图像；
对待处理图像进行分图处理，得到各子图像；
确定各子图像的图像信息，并基于各子图像的图像信息，得到待处理图像的清晰度识别结果；其中，图像信息包括图像的绝对中心力矩、亮度值和颜色通道值。
A2、根据A1的方法，对待处理图像进行分图处理，得到各子图像，包括：
对待处理图像进行缩放处理，得到缩放后的图像；
将缩放后的图像进行分图处理，得到各子图像。
A3、根据A2的方法，对于每一个子图像，若图像信息包括图像的绝对中心力矩或图像的亮度值，确定子图像的图像信息，包括：
将子图像转换为灰度图像；
确定灰度图像的绝对中心力矩，将灰度图像的绝对中心力矩作为对应的子图像的绝对中心力矩；或，
确定灰度图像的亮度值，将灰度图像的亮度值作为对应的子图像的亮度值。
A4、根据A3的方法，确定灰度图像的绝对中心力矩，包括：
确定灰度图像中各像素点的灰度值；
基于灰度图像中各像素点的灰度值，确定灰度图像的灰度值；
确定灰度图像中所包含的各灰度值的出现概率；
基于灰度图像的灰度值、以及灰度图像中所包含的各灰度值的出现概率，确定灰度图像的绝对中心力矩；
确定灰度图像的亮度值，包括：
确定灰度图像中各像素点的亮度值的平均亮度值；
对平均亮度值进行归一化处理，将归一化处理后的平均亮度值作为灰度图像的亮度值。
A5、根据A4的方法，对于每一个子图像，若图像信息包括图像的颜色通道值，确定子图像的图像信息，包括：
确定滑动窗口，基于滑动窗口在子图像中滑动，并确定每次滑动所对应的子区域的颜色通道值以及所包含的各像素点的像素值；
基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值；
基于每个子区域的通道值确定子图像的颜色通道值。
A6、根据A5的方法，基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值，包括：
确定每个子区域所包含的各颜色通道值中的最小颜色通道值，以及所包含的各像素点中的最小像素值；
基于每个子区域包含的最小颜色通道值和最小像素值，确定每个子区域的通道值。
A7、根据A6的方法，基于每个子区域的通道值确定子图像的颜色通道值，包括：
将子图像中各子区域的通道值的和值进行归一化处理，得到归一化值；
将归一化值作为子图像的颜色通道值。
A8、根据A1的方法，基于各子图像的图像信息，得到待处理图像的清晰度类别识别结果，包括：
将各子图像的图像信息输入至神经网络，得到待处理图像的清晰度类别识别结果；
其中，神经网络是通过下列方式得到的：
获取训练样本集，训练样本集中包括标注了清晰度结果的各训练样本；
基于训练样本集对初始神经网络进行训练，直至对应的损失函数收敛，损失函数的值表征了输出的训练样本的清晰度结果和对应的标注的清晰度结果之间的差异。
A9、根据A8的方法，神经网络为径向基函数神经网络。
根据本公开的一个或多个实施例，【示例B1】提供了一种分类装置，包括：
待处理图像获取模块，用于获取待处理图像；
图像分图模块，用于对待处理图像进行分图处理，得到各子图像；
识别结果确定模块，用于确定各子图像的图像信息，并基于各子图像的图像信息，得到待处理图像的清晰度识别结果；其中，图像信息包括图像的绝对中心力矩、亮度值和颜色通道值。
B2、根据B1的装置，图像分图模块在对待处理图像进行分图处理，得到各子图像时，具体用于：
对待处理图像进行缩放处理，得到缩放后的图像；
将缩放后的图像进行分图处理，得到各子图像。
B3、根据B2的装置，对于每一个子图像，若图像信息包括图像的绝对中心力矩或图像的亮度值，识别结果确定模块在确定子图像的图像信息时，具体用于：
将子图像转换为灰度图像；
确定灰度图像的绝对中心力矩，将灰度图像的绝对中心力矩作为对应的子图像的绝对中心力矩；或，
确定灰度图像的亮度值，将灰度图像的亮度值作为对应的子图像的亮度值。
B4、根据B3的装置，识别结果确定模块在确定灰度图像的绝对中心力矩时，具体用于：
确定灰度图像中各像素点的灰度值；
基于灰度图像中各像素点的灰度值，确定灰度图像的灰度值；
确定灰度图像中所包含的各灰度值的出现概率；
基于灰度图像的灰度值、以及灰度图像中所包含的各灰度值的出现概率，确定灰度图像的绝对中心力矩；
识别结果确定模块在确定灰度图像的亮度值时，具体用于：
确定灰度图像中各像素点的亮度值的平均亮度值；
对平均亮度值进行归一化处理，将归一化处理后的平均亮度值作为灰度图像的亮度值。
B5、根据B4的装置，对于每一个子图像，若图像信息包括图像的颜色通道值，识别结果确定模块在确定子图像的图像信息时，具体用于：
确定滑动窗口，基于滑动窗口在子图像中滑动，并确定每次滑动所对应的子区域的颜色通道值以及所包含的各像素点的像素值；
基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值；
基于每个子区域的通道值确定子图像的颜色通道值。
B6、根据B5的装置，识别结果确定模块在基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值时，具体用于：
确定每个子区域所包含的各颜色通道值中的最小颜色通道值，以及所包含的各像素点中的最小像素值；
基于每个子区域包含的最小颜色通道值和最小像素值，确定每个子区域的通道值。
B7、根据B5的装置，识别结果确定模块在基于每个子区域的通道值确定子图像的颜色通道值时，具体用于：
将子图像中各子区域的通道值的和值进行归一化处理，得到归一化值；
将归一化值作为子图像的颜色通道值。
B7、根据B1的装置，识别结果确定模块在基于各子图像的图像信息，得到待处理图像的清晰度类别识别结果时，具体用于：
将各子图像的图像信息输入至神经网络，得到待处理图像的清晰度类别识别结果；
其中，神经网络是通过下列方式得到的：
获取训练样本集，训练样本集中包括标注了清晰度结果的各训练样本；
基于训练样本集对初始神经网络进行训练，直至对应的损失函数收敛，损失函数的值表征了输出的训练样本的清晰度结果和对应的标注的清晰度结果之间的差异。
B9、根据B8的装置，神经网络为径向基函数神经网络。
根据本公开的一个或多个实施例，【示例C1】提供了一种分类方法，包括：
处理器和存储器；
存储器，用于存储计算机操作指令；
处理器，用于通过调用计算机操作指令，执行A1至A9中任一项的方法。
根据本公开的一个或多个实施例，【示例D1】提供了一种分类方法，包括：一种计算机可读介质，可读介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现权利要求A1至A9中任一项的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种图像处理方法，其特征在于，包括：
获取待处理图像；
对所述待处理图像进行分图处理，得到各子图像；
确定各所述子图像的图像信息，并基于各所述子图像的图像信息，得到所述待处理图像的清晰度识别结果；其中，所述图像信息包括图像的绝对中心力矩、亮度值和颜色通道值。
2.根据权利要求1所述的方法，其特征在于，所述对所述待处理图像进行分图处理，得到各子图像，包括：
对所述待处理图像进行缩放处理，得到缩放后的图像；
将所述缩放后的图像进行分图处理，得到各子图像。
3.根据权利要求1所述的方法，其特征在于，对于每一个子图像，若所述图像信息包括图像的绝对中心力矩或图像的亮度值，所述确定所述子图像的图像信息，包括：
将所述子图像转换为灰度图像；
确定所述灰度图像的绝对中心力矩，将所述灰度图像的绝对中心力矩作为对应的子图像的绝对中心力矩；或，
确定所述灰度图像的亮度值，将所述灰度图像的亮度值作为对应的子图像的亮度值。
4.根据权利要求3所述的方法，其特征在于，所述确定所述灰度图像的绝对中心力矩，包括：
确定所述灰度图像中各像素点的灰度值；
基于所述灰度图像中各像素点的灰度值，确定所述灰度图像的灰度值；
确定所述灰度图像中所包含的各灰度值的出现概率；
基于所述灰度图像的灰度值、以及所述灰度图像中所包含的各灰度值的出现概率，确定所述灰度图像的绝对中心力矩；
所述确定所述灰度图像的亮度值，包括：
确定所述灰度图像中各像素点的亮度值的平均亮度值；
对所述平均亮度值进行归一化处理，将归一化处理后的平均亮度值作为所述灰度图像的亮度值。
5.根据权利要求4所述的方法，其特征在于，对于每一个子图像，若所述图像信息包括图像的颜色通道值，所述确定所述子图像的图像信息，包括：
确定滑动窗口，基于所述滑动窗口在所述子图像中滑动，并确定每次滑动所对应的子区域的颜色通道值以及所包含的各像素点的像素值；
基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值；
基于每个子区域的通道值确定所述子图像的颜色通道值。
6.根据权利要求5所述的方法，其特征在于，所述基于每个子区域的颜色通道值以及所包含的各像素点的像素值，确定每个子区域的通道值，包括：
确定每个子区域的各颜色通道值中的最小颜色通道值，以及所包含的各像素点中的最小像素值；
基于每个子区域的最小颜色通道值和最小像素值，确定每个子区域的通道值。
7.根据权利要求5所述的方法，其特征在于，所述基于每个子区域的通道值确定所述子图像的颜色通道值，包括：
将所述子图像中各子区域的通道值的和值进行归一化处理，得到归一化值；
将所述归一化值作为所述子图像的颜色通道值。
8.根据权利要求1所述的方法，其特征在于，所述基于各所述子图像的图像信息，得到所述待处理图像的清晰度类别识别结果，包括：
将各所述子图像的图像信息输入至神经网络，得到所述待处理图像的清晰度类别识别结果；
其中，所述神经网络是通过下列方式得到的：
获取训练样本集，所述训练样本集中包括标注了清晰度结果的各训练样本；
基于所述训练样本集对初始神经网络进行训练，直至对应的损失函数收敛，所述损失函数的值表征了输出的训练样本的清晰度结果和对应的标注的清晰度结果之间的差异。
9.根据权利要求8所述的方法，其特征在于，所述神经网络为径向基函数神经网络。
10.一种图像处理装置，其特征在于，包括：
待处理图像获取模块，用于获取待处理图像；
图像分图模块，用于对所述待处理图像进行分图处理，得到各子图像；
识别结果确定模块，用于确定各所述子图像的图像信息，并基于各所述子图像的图像信息，得到所述待处理图像的清晰度识别结果；其中，所述图像信息包括图像的绝对中心力矩、亮度值和颜色通道值。
11.一种电子设备，其特征在于，包括：
处理器和存储器；
所述存储器，用于存储计算机操作指令；
所述处理器，用于通过调用所述计算机操作指令，执行权利要求1至9中任一项所述的方法。
12.一种计算机可读介质，其特征在于，所述可读介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现权利要求1-9中任一项所述的方法。
CN201911252609.7A 2019-12-09 2019-12-09 图像处理方法、装置、电子设备及计算机可读介质 Pending CN111080595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911252609.7A CN111080595A (zh) 2019-12-09 2019-12-09 图像处理方法、装置、电子设备及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911252609.7A CN111080595A (zh) 2019-12-09 2019-12-09 图像处理方法、装置、电子设备及计算机可读介质

Publications (1)

Publication Number Publication Date
CN111080595A true CN111080595A (zh) 2020-04-28

Family

ID=70313393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911252609.7A Pending CN111080595A (zh) 2019-12-09 2019-12-09 图像处理方法、装置、电子设备及计算机可读介质

Country Status (1)

Country Link
CN (1) CN111080595A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696041A (zh) * 2020-06-04 2020-09-22 北京字节跳动网络技术有限公司 图像处理方法、装置及电子设备
CN111861991A (zh) * 2020-06-11 2020-10-30 北京百度网讯科技有限公司 计算图像清晰度的方法以及装置
CN112163584A (zh) * 2020-10-13 2021-01-01 安谋科技（中国）有限公司 电子设备及其基于宽动态范围的图像特征提取方法和介质
CN112750136A (zh) * 2020-12-30 2021-05-04 深圳英集芯科技股份有限公司 一种图像处理方法和系统
CN113392241A (zh) * 2021-06-29 2021-09-14 中海油田服务股份有限公司 测井图像清晰度的识别方法、装置、介质及电子设备
CN114429476A (zh) * 2022-01-25 2022-05-03 惠州Tcl移动通信有限公司 图像处理方法、装置、计算机设备以及存储介质
WO2022142876A1 (zh) * 2020-12-31 2022-07-07 北京字跳网络技术有限公司 图像处理方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809138A (zh) * 2016-03-15 2016-07-27 武汉大学 一种基于分块识别的道路警告标志检测与识别方法
CN108898579A (zh) * 2018-05-30 2018-11-27 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置和存储介质
CN109345520A (zh) * 2018-09-20 2019-02-15 江苏商贸职业学院 一种图像清晰度的质量评价方法
CN109615620A (zh) * 2018-11-30 2019-04-12 腾讯科技（深圳）有限公司 图像压缩度识别方法、装置、设备及计算机可读存储介质
CN109886942A (zh) * 2019-01-25 2019-06-14 淮阴师范学院 一种基于图像峭度的聚焦测度实现方法
CN110148121A (zh) * 2019-05-09 2019-08-20 腾讯科技（深圳）有限公司 一种皮肤图像处理方法、装置、电子设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809138A (zh) * 2016-03-15 2016-07-27 武汉大学 一种基于分块识别的道路警告标志检测与识别方法
CN108898579A (zh) * 2018-05-30 2018-11-27 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置和存储介质
CN109345520A (zh) * 2018-09-20 2019-02-15 江苏商贸职业学院 一种图像清晰度的质量评价方法
CN109615620A (zh) * 2018-11-30 2019-04-12 腾讯科技（深圳）有限公司 图像压缩度识别方法、装置、设备及计算机可读存储介质
CN109886942A (zh) * 2019-01-25 2019-06-14 淮阴师范学院 一种基于图像峭度的聚焦测度实现方法
CN110148121A (zh) * 2019-05-09 2019-08-20 腾讯科技（深圳）有限公司 一种皮肤图像处理方法、装置、电子设备及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘国华: "《HALCON数字图像处理》", 30 June 2018, 西安电子科技大学出版社 *
容观澳编著: "《计算机图象处理》", 29 February 2000 *
朱秀昌等: "《数字图像处理与图像信息》", 31 August 2016 *
李峰等: "图像清晰度检测方法", 《计算机工程与设计》 *
陈奇等: "深度学习的视频监控下的人脸清晰度评价", 《中国计量大学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696041A (zh) * 2020-06-04 2020-09-22 北京字节跳动网络技术有限公司 图像处理方法、装置及电子设备
CN111696041B (zh) * 2020-06-04 2023-06-30 北京字节跳动网络技术有限公司 图像处理方法、装置及电子设备
CN111861991A (zh) * 2020-06-11 2020-10-30 北京百度网讯科技有限公司 计算图像清晰度的方法以及装置
CN111861991B (zh) * 2020-06-11 2024-05-24 北京百度网讯科技有限公司 计算图像清晰度的方法以及装置
CN112163584A (zh) * 2020-10-13 2021-01-01 安谋科技（中国）有限公司 电子设备及其基于宽动态范围的图像特征提取方法和介质
CN112750136A (zh) * 2020-12-30 2021-05-04 深圳英集芯科技股份有限公司 一种图像处理方法和系统
CN112750136B (zh) * 2020-12-30 2023-12-05 深圳英集芯科技股份有限公司 一种图像处理方法和系统
WO2022142876A1 (zh) * 2020-12-31 2022-07-07 北京字跳网络技术有限公司 图像处理方法、装置、电子设备及存储介质
CN113392241A (zh) * 2021-06-29 2021-09-14 中海油田服务股份有限公司 测井图像清晰度的识别方法、装置、介质及电子设备
CN113392241B (zh) * 2021-06-29 2023-02-03 中海油田服务股份有限公司 测井图像清晰度的识别方法、装置、介质及电子设备
CN114429476A (zh) * 2022-01-25 2022-05-03 惠州Tcl移动通信有限公司 图像处理方法、装置、计算机设备以及存储介质

Similar Documents

Publication Publication Date Title
CN111080595A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN112381717A (zh) 图像处理方法、模型训练方法、装置、介质及设备
US10810462B2 (en) Object detection with adaptive channel features
CN110062157B (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN111757100B (zh) 相机运动变化量的确定方法、装置、电子设备和介质
CN113038176B (zh) 视频抽帧方法、装置和电子设备
CN117994542A (zh) 异物检测方法、装置以及系统
CN113409199A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110097520B (zh) 图像处理方法和装置
CN110399802A (zh) 处理面部图像眼睛亮度的方法、装置、介质和电子设备
CN114332324B (zh) 图像处理方法、装置、设备及介质
CN116597430A (zh) 物品识别方法、装置、电子设备和计算机可读介质
CN111402159A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110555799A (zh) 用于处理视频的方法和装置
CN110827254A (zh) 图像清晰度的确定方法和装置
CN116188314A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN115526796A (zh) 图像处理方法、装置、设备及存储介质
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN114972020A (zh) 一种图像处理方法、装置、存储介质及电子设备
CN111353536B (zh) 图像的标注方法、装置、可读介质和电子设备
CN114049275A (zh) 图像处理方法及装置、电子设备和存储介质
CN112418233A (zh) 图像处理方法、装置、可读介质及电子设备
CN112950516A (zh) 图像局部对比度增强的方法及装置、存储介质及电子设备
CN112104812A (zh) 一种采集图片的方法和装置
CN110599437A (zh) 用于处理视频的方法和装置

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