CN111242205B - 图像清晰度检测方法、装置及存储介质 - Google Patents
图像清晰度检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111242205B CN111242205B CN202010015618.0A CN202010015618A CN111242205B CN 111242205 B CN111242205 B CN 111242205B CN 202010015618 A CN202010015618 A CN 202010015618A CN 111242205 B CN111242205 B CN 111242205B
- Authority
- CN
- China
- Prior art keywords
- image
- score
- medium
- images
- fuzzy
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 112
- 238000002372 labelling Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开是关于一种图像清晰度检测方法、装置及存储介质。图像清晰度检测方法包括:确定待检测图像;调用分类模型预测所述待检测图像的清晰类分数、中等清晰类分数和模糊类分数;对所述清晰类分数、所述中等清晰类分数以及所述模糊类分数进行加权求和,得到所述待检测图像的清晰度分数。通过本公开可以避免将中等清晰类图像划分到清晰类图像或者模糊类图像。
Description
技术领域
本公开涉及图像处理领域,尤其涉及图像清晰度检测方法、装置及存储介质。
背景技术
信息流个性化推荐产品的应用种类越来越多。信息流产品中很多场景下需要筛选清晰度较高的图片进行展示,因此图像清晰度检测成为信息流场景中必不可少的环节。
相关技术中,采用如下方式进行图像清晰度检测:依靠人力标注大量的样本图片的清晰度为清晰和模糊两个类别,并构建一个清晰度图像数据集。然后对清晰度图像数据集中的图像样本提取一些特征(例如,频谱特征),并送入深度神经网络或者机器学习分类器进行训练。最后对待识别的图像提取特征,输入训练好的模型中,得到类别概率,即清晰度。
然而,采用上述图像清晰度检测方式,对信息流中大量图片进行预测时,清晰度分数在0.9(非常清晰)以上以及清晰度在0.1(非常模糊)以下的数据占据了绝大部分,并不符合图片实际清晰度分布情况,造成展示的图片清晰度较低。
发明内容
为克服相关技术中存在的问题,本公开提供一种图像清晰度检测方法、装置及存储介质。
根据本公开实施例的第一方面,提供一种图像清晰度检测方法,包括:
确定待检测图像;调用分类模型预测所述待检测图像的清晰类分数、中等清晰类分数和模糊类分数;对所述清晰类分数、所述中等清晰类分数以及所述模糊类分数进行加权求和,得到所述待检测图像的清晰度分数。
一种实施方式中,本公开实施例涉及的图像清晰度检测方法还包括:确定待标注图像数据集,所述待标注图像数据集中包括从信息流中下载的图像;基于所述待标注图像数据集确定初始样本训练集,所述初始样本训练集中包括对所述待标注图像数据集中的部分图像进行分类标注后得到的类别样本,所述类别样本包括清晰类样本、中等清晰类样本以及模糊类样本;基于所述初始样本训练集和所述待标注图像数据集,训练得到所述分类模型。
另一种实施方式中,基于所述初始样本训练集和所述待标注图像数据集,训练得到所述分类模型,包括:
基于所述初始样本训练集,训练初始分类模型;利用所述初始分类模型预测所述待标注图像数据集中每一图像的清晰类分数、中等清晰类分数和模糊类分数;针对每一图像,基于清晰类分数、中等清晰类分数和模糊类分数确定图像熵值;按照所述图像熵值从大到小,不放回的选择指定数量的待分类样本;对所述待分类样本中的图像进行分类标注,并将标注后得到的清晰类样本、中等清晰类样本以及模糊类样本加入所述初始样本训练集中;重复执行上述过程,直至得到满足分类要求的待分类样本。
又一种实施方式中,基于所述待标注图像数据集确定初始样本训练集,包括:
针对所述待标注图像数据集中的每一图像,采用中心裁剪方式进行裁剪,并将裁剪后的图像压缩为具有固定高度和固定宽度的待标注图像;在得到的待标注图像中选择部分图像进行分类标注,将标注后的图像作为初始样本训练集。
又一种实施方式中,将标注后的图像作为初始样本训练集,包括:
确定标注后的图像中原有模糊类图像数量和原有中等清晰类图像数量;若原有模糊类图像数量和原有中等清晰类图像数量的总和小于指定阈值,则选择部分清晰类图像添加噪声后生成模糊类图像和中等清晰类图像;将原有模糊类图像和生成的模糊类图像,作为初始样本训练集中的模糊类样本;将原有中等清晰类图像和生成的中等清晰类图像,作为初始样本训练集中的中等清晰类样本;将标注后的待检测图像中除添加噪声以外的其他剩余清晰类图像,作为初始样本训练集中的清晰类样本。
又一种实施方式中,所述清晰类分数、所述中等清晰类分数、所述模糊类分数,以及所述待检测图像的清晰度分数之间满足如下公式:
Score=1*Pi1+0.5*Pi2+0*Pi3
其中,Score为清晰度分数,Pi1为清晰类分数,Pi2为中等清晰类分数,Pi3为模糊类分数。
根据本公开实施例第二方面,提供一种图像清晰度检测装置,包括:
确定单元,用于确定待检测图像;预测单元,用于调用分类模型预测所述待检测图像的清晰类分数、中等清晰类分数和模糊类分数;加权单元,用于对所述清晰类分数、所述中等清晰类分数以及所述模糊类分数进行加权求和,得到所述待检测图像的清晰度分数。
一种实施方式中,所述装置还包括训练单元,所述训练单元用于:
确定待标注图像数据集,所述待标注图像数据集中包括从信息流中下载的图像;基于所述待标注图像数据集确定初始样本训练集,所述初始样本训练集中包括对所述待标注图像数据集中的部分图像进行分类标注后得到的类别样本,所述类别样本包括清晰类样本、中等清晰类样本以及模糊类样本;基于所述初始样本训练集和所述待标注图像数据集,训练得到所述分类模型。
另一种实施方式中,所述训练单元采用如下方式基于所述初始样本训练集和所述待标注图像数据集,训练得到所述分类模型:
基于所述初始样本训练集,训练初始分类模型;利用所述初始分类模型预测所述待标注图像数据集中每一图像的清晰类分数、中等清晰类分数和模糊类分数;针对每一图像,基于清晰类分数、中等清晰类分数和模糊类分数确定图像熵值;按照所述图像熵值从大到小,不放回的选择指定数量的待分类样本;对所述待分类样本中的图像进行分类标注,并将标注后得到的清晰类样本、中等清晰类样本以及模糊类样本加入所述初始样本训练集中;重复执行上述过程,直至得到满足分类要求的待分类样本。
又一种实施方式中,所述训练单元采用如下方式基于所述待标注图像数据集确定初始样本训练集:
针对所述待标注图像数据集中的每一图像,采用中心裁剪方式进行裁剪,并将裁剪后的图像压缩为具有固定高度和固定宽度的待标注图像;在得到的待标注图像中选择部分图像进行分类标注,将标注后的图像作为初始样本训练集。
又一种实施方式中,所述训练单元采用如下方式将标注后的图像作为初始样本训练集:
确定标注后的图像中原有模糊类图像数量和原有中等清晰类图像数量;若原有模糊类图像数量和原有中等清晰类图像数量的总和小于指定阈值,则选择部分清晰类图像添加噪声后生成模糊类图像和中等清晰类图像;将原有模糊类图像和生成的模糊类图像,作为初始样本训练集中的模糊类样本;将原有中等清晰类图像和生成的中等清晰类图像,作为初始样本训练集中的中等清晰类样本;将标注后的待检测图像中除添加噪声以外的其他剩余清晰类图像,作为初始样本训练集中的清晰类样本。
又一种实施方式中,所述清晰类分数、所述中等清晰类分数、所述模糊类分数,以及所述待检测图像的清晰度分数之间满足如下公式:
Score=1*Pi1+0.5*Pi2+0*Pi3
其中,Score为清晰度分数,Pi1为清晰类分数,Pi2为中等清晰类分数,Pi3为模糊类分数。
根据本公开实施例的第三方面,提供一种图像清晰度检测装置,包括:
处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行第一方面或者第一方面任意一种实施方式中所述的图像清晰度检测方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行第一方面或者第一方面任意一种实施方式中所述的图像清晰度检测方法。
本公开的实施例提供的技术方案可以包括以下有益效果:通过分类模型预测待检测图像的清晰类分数、中等清晰类分数和模糊类分数,并对清晰类分数、中等清晰类分数以及模糊类分数进行加权求和,得到待检测图像的清晰度分数,以将待检测图像划分为清晰类图像、中等清晰类图像和模糊类图像。通过将待检测图像的清晰度划分为清晰类图像、中等清晰类图像和模糊类图像,可以避免将中等清晰类图像划分到清晰类图像或者模糊类图像。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像清晰度检测方法的流程图。
图2是根据一示例性实施例示出的一种训练分类模型的流程图。
图3是根据一示例性实施例示出的基于待标注图像集确定初始样本训练集的流程示意图。
图4是根据一示例性实施例示出的一种训练分类模型的流程示意图。
图5是根据一示例性实施例示出的一种图像清晰度检测装置框图。
图6是根据一示例性实施例示出的一种图像清晰度检测装置框图。
图7是根据一示例性实施例示出的一种装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供的图像清晰度检测方法应用于信息流场景中。在信息流场景中,图像的数量比较大,场景复杂,特征也比较丰富,清晰图片占据比例比较大,模糊图片占比非常小,还有很多中等清晰度的图像。
相关技术中,采用分类器预测信息流场景中的图像的类别分数,类别分数包括清晰类分数和模糊类分数。由于分类器的训练目标是使损失函数最小化,即分类器输出的类别分数需要和实际类别尽可能接近,因此会造成分类器输出的类别分数比较极端化。例如,当分类器预测中等清晰的图像时,输出的类别分数,要么是0.9以上(非常清晰),要么是0.1以下(非常模糊)。因而展示的图像并不是非常清晰,影响用户体验。当对信息流中的大量图片进行预测,清晰度分数在0.9以上和在0.1以下的图像占据了95%。这个不符合实际分布。
有鉴于此,本公开实施例提供一种多分类方式的图像清晰度检测方法,增加中等清晰类,以将中等清晰的图像分类到该中等清晰类中。
一种实施方式中,本公开实施例利用分类模型预测清晰类分数、中等清晰类分数和模糊类分数,并对清晰类分数、中等清晰类分数以及模糊类分数进行加权求和,得到待检测图像的清晰度分数。
图1是根据一示例性实施例示出的一种图像清晰度检测方法的流程图,如图1所示,图像清晰度检测方法用于终端中,包括以下步骤。
在步骤S11中,确定待检测图像。
在步骤S12中,调用分类模型预测待检测图像的清晰类分数、中等清晰类分数和模糊类分数。
在步骤S13中,对清晰类分数、中等清晰类分数以及模糊类分数进行加权求和,得到待检测图像的清晰度分数。
本公开实施例中,通过分类模型预测待检测图像的清晰类分数、中等清晰类分数和模糊类分数,并对清晰类分数、中等清晰类分数以及模糊类分数进行加权求和,得到待检测图像的清晰度分数,以将待检测图像划分为清晰类图像、中等清晰类图像和模糊类图像。通过将待检测图像的清晰度划分为清晰类图像、中等清晰类图像和模糊类图像,可以避免将中等清晰类图像划分到清晰类图像或者模糊类图像。
在信息流场景中,图像的数量比较大,模糊图像占比较小。在数量比较大的图像中标注数量较少的模糊图像比较费时费力。并且由于标注人员无法观察到图像的清晰度特征,只有模型才能观察到。因此,标注出来的数据集具有图像特征冗余,多样性缺失。图像特征冗余是指数据集存在很多具有相似特征的样本。当这些具有相似特征的样本已经能够被很好识别时,再往数据集里加入一些具有相似特征的样本图像,模型性能不会得到提升,反而容易出现过拟合。特征多样性缺失会造成对某些场景识别不了,出现欠拟合。故通过人力盲目地在大量图像中进行标注是不可取的。
本公开实施例中,可以将深度学习和主动学习结合起来。首先深度学习模型训练小数据集,并在待标注图像数据集中提取图像特征。主动学习依据这些特征去挑选最有价值,最能提高模型性能的候选样本,让人力去标注,将标注后的样本加入训练集,继续训练。重复这个过程,直到从待标注图像数据集里挑出的图像都能够很好被识别为止。因为图像清晰度带有一定的主观,且是一个连续值,所以在标注过程中,加严一定的标准,预留一定的空间对标注人员。例如,一张图像,无法确定是属于清晰类还是中等清晰类,将它划入一个不确定类的数据集。分类模型将该无法确定类别的样本预测为清晰类或者预测为中等清晰类,都是正确的。
图2是根据一示例性实施例示出的一种训练分类模型的流程示意图。参阅图2所示,包括如下步骤。
在步骤S21中,确定待标注图像数据集。
本公开实施例中,可以信息流中下载图像组成待标注图像数据集。其中,本公开实施例中可以下载清晰类图像、中等清晰类图像和模糊类图像。为描述方便,将待标注图像数据集用S1表示。
在步骤S22中,基于待标注图像数据集确定初始样本训练集。
本公开实施例中,对待标注图像数据集中的部分图像进行分类标注后得到的类别样本,作为初始样本训练集。其中,本公开实施例中,类别样本包括清晰类样本、中等清晰类样本以及模糊类样本。
图3是根据本公开一示例性实施例示出的基于待标注图像集确定初始样本训练集的流程示意图。参阅图3所示,确定初始样本训练集包括如下步骤S221至步骤S223。
在步骤S221中,将待标注图像数据集中的每一图像,采用中心裁剪方式进行裁剪。
本公开实施例中,可以采用如下公式(1)确定裁剪后的图像高度h1和w1。
其中,h是图像的原始高度,w是图像的原始宽度。h1是图像的裁剪后高度,w1是图像的裁剪后宽度。
在步骤S222中,将裁剪后的图像压缩为具有固定高度和固定宽度的待标注图像。
本公开实施例中,可以根据需求确定需要标注的图像高度h0,宽度w0以及长宽比r。然后将图像高度h1和宽度w1放缩到固定高度h0和固定宽度w0,得到待标注图像。
在步骤S223中,在得到的待标注图像中选择部分图像进行分类标注,将标注后的图像作为初始样本训练集。
一种实施方式中,本公开实施例中可以制定划分清晰类图像、中等清晰类图像和模糊类图像的分类标准。其中,清晰类图像,中等清晰类图像以及模糊类图像的区分标准要有一定的区分度。在进行图像分类标注时,可以根据分类标准,标注图像。
其中,对于无法确定类别样本的可以划分到不确定类别的数据集中,本公开实施例可以记为数据集S2。例如,图像既可以标注为清晰类图像,又可以标注为中等清晰类图像,则可以划分到不确定类别的数据集S2中。
进一步的,本公开实施例中,将标注后的图像,确定为初始样本训练集。其中,本公开实施例中,若标注后的图像中原有模糊类图像数量和原有中等清晰类图像数量的总和小于指定阈值,则选择部分清晰类图像添加噪声后生成模糊类图像和中等清晰类图像。将原有模糊类图像和生成的模糊类图像,作为初始样本训练集中的模糊类样本。将原有中等清晰类图像和生成的中等清晰类图像,作为初始样本训练集中的中等清晰类样本。将标注后的待检测图像中除添加噪声以外的其他剩余清晰类图像,作为初始样本训练集中的清晰类样本。
本公开实施例中,可以将标注了图像类别的初始样本训练集用S3表示。
在步骤S23中,基于初始样本训练集和待标注图像数据集,训练得到分类模型。
图4是根据一示例性实施例示出的一种训练分类模型的流程示意图。参阅图4所示,本公开实施例中基于初始样本训练集和待标注图像数据集,训练得到分类模型的过程包括如下步骤S231至步骤S235中。
在步骤S231中,基于初始样本训练集,训练初始分类模型。
本公开实施例中可以选用轻量化深度学习网络MobileNet,softmax归一化函数以及交叉熵损失函数进行建模。使用随机梯度下降法训练整个神经网络。
在步骤S232中,利用初始分类模型预测待标注图像数据集中每一图像的清晰类分数、中等清晰类分数和模糊类分数。
本公开实施例中可以将训练好的模型预测待标注数据集S1中的样本,经过softmax归一化后,得到每个样本的三个类别分数(Pi1,Pi2,Pi3)。
其中,(i=1,2,3...m),m为S1中的样本个数。,Pi1为清晰类分数,Pi2为中等清晰类分数,Pi3为模糊类分数。
在步骤S233中,针对每一图像,基于清晰类分数、中等清晰类分数和模糊类分数确定图像熵值。
本公开实施例中,针对每一图像i,分别采用如下公式2确定图像熵值。
Hi=Pi1log Pi1+Pi2log Pi2+Pi3log Pi3
(公式2)
其中,Hi为图像熵值,Pi1为清晰类分数,Pi2为中等清晰类分数,Pi3为模糊类分数。
在步骤S234中,按照图像熵值从大到小,不放回的选择指定数量的待分类样本。
本公开实施例中,将初始样本训练集中每一图像的图像熵值确定后,按照图像熵值从大到小,不放回的选择指定数量的待分类样本。
例如,本公开实施例中按照图像熵值的大小,从大到小在待标注图像数据集S1中不放回地选择k个待分类样本,按照分类标准进行分类标注。其中,k为正整数。
在步骤S235中,对待分类样本中的图像进行分类标注,并将标注后得到的清晰类样本、中等清晰类样本以及模糊类样本加入所述初始样本训练集中。
将分类标注后的清晰类样本,中等清晰类样本,模糊类样本三个类别样本放入训练集S3中。同样的,无法确定类别的样本划分到数据集S2。
重复执行步骤S231至步骤S235,直至得到满足分类要求的待分类样本。
本公开实施例中满足分类要求可以理解为是得到的分类结果为能够被很好的分类。例如,重复执行步骤S231至步骤S235,挑选出的k个待分类样本都已经被很好的分类为止,确定得到满足分类要求的待分类样本。
一种实施方式中,本公开实施例在训练得到分类模型后,可以评估分类模型的准确率和召回率。
本公开实施例中,在进行分类模型训练时,在待标注图像数据集中选择部分图像进行标注,能够降低图像标注的数量。采用主动学习,并使用深度学习提取的图像特征进行挑选最有价值,最能提高模型性能的分类样本。构建一个图像特征非常多,多样性丰富数据集。同时需要的标注样本数据量较小。相比完全依靠人力盲目地标注的数据集,深度学习取得的性能更高,能够应对的场景更为复杂。
本公开实施例中,在进行图像清晰度检测时,可以将待检测图像输入值训练好的分类模型中,通过训练好的分类模型预测待检测图像,得到图像的清晰类分数、中等清晰类分数和模糊类分数。
本公开实施例中,可以采用如下公式3加权求和得到图像请求度分数。
Score=1*Pi1+0.5*Pi2+0*Pi3 (公式3)
其中,Score为清晰度分数,Pi1为清晰类分数,Pi2为中等清晰类分数,Pi3为模糊类分数。
本公开实施例中,确定的中等清晰的图像被识别的清晰度分数为0.5左右,符合实际情况。本公开实施例中对大量样本的清晰度分数分布情况进行分析,有65%样本清晰度分数位于0.9以上,25%样本分布在0.5左右,4%样本分布在0.1以下。其余分布在其他分数上。
进一步的,在本公开实施例中,主动学习使用深度学习提取的图像特征进行挑选最有价值,最能提高模型性能的样本。构建一个图像特征非常多,多样性丰富数据集。同时需要的标注样本数据量较小。相比完全依靠人力盲目地标注的数据集,深度学习取得的性能更高,能够应对的场景更为复杂。
基于相同的构思,本公开实施例还提供一种图像清晰度检测装置。
可以理解的是,本公开实施例提供的图像清晰度检测装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤,本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本公开实施例的技术方案的范围。
图5是根据一示例性实施例示出的一种图像清晰度检测装置框图。参照图5,图像清晰度检测装置包括确定单元101、预测单元102和加权单元103。
确定单元101,用于确定待检测图像。预测单元102,用于调用分类模型预测待检测图像的清晰类分数、中等清晰类分数和模糊类分数。加权单元103,用于对清晰类分数、中等清晰类分数以及模糊类分数进行加权求和,得到待检测图像的清晰度分数。
一种实施方式中,图像清晰度检测装置还包括训练单元104,如图6所示。训练单元104用于:确定待标注图像数据集,待标注图像数据集中包括从信息流中下载的图像。基于待标注图像数据集确定初始样本训练集,初始样本训练集中包括对待标注图像数据集中的部分图像进行分类标注后得到的类别样本,类别样本包括清晰类样本、中等清晰类样本以及模糊类样本。基于初始样本训练集和待标注图像数据集,训练得到分类模型。
另一种实施方式中,训练单元104采用如下方式基于初始样本训练集和待标注图像数据集,训练得到分类模型:
基于初始样本训练集,训练初始分类模型。利用初始分类模型预测待标注图像数据集中每一图像的清晰类分数、中等清晰类分数和模糊类分数。针对每一图像,基于清晰类分数、中等清晰类分数和模糊类分数确定图像熵值。按照图像熵值从大到小,不放回的选择指定数量的待分类样本。对待分类样本中的图像进行分类标注,并将标注后得到的清晰类样本、中等清晰类样本以及模糊类样本加入初始样本训练集中。重复执行上述过程,直至得到满足分类要求的待分类样本。
又一种实施方式中,训练单元104采用如下方式基于待标注图像数据集确定初始样本训练集:
针对待标注图像数据集中的每一图像,采用中心裁剪方式进行裁剪,并将裁剪后的图像压缩为具有固定高度和固定宽度的待标注图像。在得到的待标注图像中选择部分图像进行分类标注,将标注后的图像作为初始样本训练集。
又一种实施方式中,训练单元104采用如下方式将标注后的图像作为初始样本训练集:
确定标注后的图像中原有模糊类图像数量和原有中等清晰类图像数量。若原有模糊类图像数量和原有中等清晰类图像数量的总和小于指定阈值,则选择部分清晰类图像添加噪声后生成模糊类图像和中等清晰类图像。将原有模糊类图像和生成的模糊类图像,作为初始样本训练集中的模糊类样本。将原有中等清晰类图像和生成的中等清晰类图像,作为初始样本训练集中的中等清晰类样本。将标注后的待检测图像中除添加噪声以外的其他剩余清晰类图像,作为初始样本训练集中的清晰类样本。
又一种实施方式中,清晰类分数、中等清晰类分数、模糊类分数,以及待检测图像的清晰度分数之间满足如下公式:
Score=1*Pi1+0.5*Pi2+0*Pi3
其中,Score为清晰度分数,Pi1为清晰类分数,Pi2为中等清晰类分数,Pi3为模糊类分数。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种用于图像清晰度检测的装置200的框图。例如,装置200可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图7,装置200可以包括以下一个或多个组件:处理组件202,存储器204,电力组件206,多媒体组件208,音频组件210,输入/输出(I/O)的接口212,传感器组件214,以及通信组件216。
处理组件202通常控制装置200的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件202可以包括一个或多个处理器220来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件202可以包括一个或多个模块,便于处理组件202和其他组件之间的交互。例如,处理组件202可以包括多媒体模块,以方便多媒体组件208和处理组件202之间的交互。
存储器204被配置为存储各种类型的数据以支持在设备200的操作。这些数据的示例包括用于在装置200上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件206为装置200的各种组件提供电力。电力组件206可以包括电源管理系统,一个或多个电源,及其他与为装置200生成、管理和分配电力相关联的组件。
多媒体组件208包括在所述装置200和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件208包括一个前置摄像头和/或后置摄像头。当设备200处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件210被配置为输出和/或输入音频信号。例如,音频组件210包括一个麦克风(MIC),当装置200处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器204或经由通信组件216发送。在一些实施例中,音频组件210还包括一个扬声器,用于输出音频信号。
I/O接口212为处理组件202和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件214包括一个或多个传感器,用于为装置200提供各个方面的状态评估。例如,传感器组件214可以检测到设备200的打开/关闭状态,组件的相对定位,例如所述组件为装置200的显示器和小键盘,传感器组件214还可以检测装置200或装置200一个组件的位置改变,用户与装置200接触的存在或不存在,装置200方位或加速/减速和装置200的温度变化。传感器组件214可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件214还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件214还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件216被配置为便于装置200和其他设备之间有线或无线方式的通信。装置200可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件216还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器204,上述指令可由装置200的处理器220执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
进一步可以理解的是,本公开中“多个”是指两个或两个以上,其它量词与之类似。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
进一步可以理解的是,术语“第一”、“第二”等用于描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
进一步可以理解的是,本公开实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (14)
1.一种图像清晰度检测方法,其特征在于,包括:
确定待检测图像;
调用分类模型预测所述待检测图像的清晰类分数、中等清晰类分数和模糊类分数;
对所述清晰类分数、所述中等清晰类分数以及所述模糊类分数进行加权求和,得到所述待检测图像的清晰度分数;
基于所述清晰度分数,将所述待检测图像划分为所述清晰类图像、所述中等清晰类图像或所述模糊类图像。
2.根据权利要求1所述的图像清晰度检测方法,其特征在于,所述方法还包括:
确定待标注图像数据集,所述待标注图像数据集中包括从信息流中下载的图像;
基于所述待标注图像数据集确定初始样本训练集,所述初始样本训练集中包括对所述待标注图像数据集中的部分图像进行分类标注后得到的类别样本,所述类别样本包括清晰类样本、中等清晰类样本以及模糊类样本;
基于所述初始样本训练集和所述待标注图像数据集,训练得到所述分类模型。
3.根据权利要求2所述的图像清晰度检测方法,其特征在于,基于所述初始样本训练集和所述待标注图像数据集,训练得到所述分类模型,包括:
基于所述初始样本训练集,训练初始分类模型;
利用所述初始分类模型预测所述待标注图像数据集中每一图像的清晰类分数、中等清晰类分数和模糊类分数;
针对每一图像,基于清晰类分数、中等清晰类分数和模糊类分数确定图像熵值;
按照所述图像熵值从大到小,不放回的选择指定数量的待分类样本;
对所述待分类样本中的图像进行分类标注,并将标注后得到的清晰类样本、中等清晰类样本以及模糊类样本加入所述初始样本训练集中;
重复执行上述过程,直至得到满足分类要求的待分类样本。
4.根据权利要求2或3所述的图像清晰度检测方法,其特征在于,基于所述待标注图像数据集确定初始样本训练集,包括:
针对所述待标注图像数据集中的每一图像,采用中心裁剪方式进行裁剪,并将裁剪后的图像压缩为具有固定高度和固定宽度的待标注图像;
在得到的待标注图像中选择部分图像进行分类标注,将标注后的图像作为初始样本训练集。
5.根据权利要求4所述的图像清晰度检测方法,其特征在于,将标注后的图像作为初始样本训练集,包括:
确定标注后的图像中原有模糊类图像数量和原有中等清晰类图像数量;
若原有模糊类图像数量和原有中等清晰类图像数量的总和小于指定阈值,则选择部分清晰类图像添加噪声后生成模糊类图像和中等清晰类图像;
将原有模糊类图像和生成的模糊类图像,作为初始样本训练集中的模糊类样本;
将原有中等清晰类图像和生成的中等清晰类图像,作为初始样本训练集中的中等清晰类样本;
将标注后的待检测图像中除添加噪声以外的其他剩余清晰类图像,作为初始样本训练集中的清晰类样本。
6.根据权利要求1所述的图像清晰度检测方法,其特征在于,所述清晰类分数、所述中等清晰类分数、所述模糊类分数,以及所述待检测图像的清晰度分数之间满足如下公式:
Score=1*Pi1+0.5*Pi2+0*Pi3
其中,Score为清晰度分数,Pi1为清晰类分数,Pi2为中等清晰类分数,Pi3为模糊类分数。
7.一种图像清晰度检测装置,其特征在于,包括:
确定单元,用于确定待检测图像;
预测单元,用于调用分类模型预测所述待检测图像的清晰类分数、中等清晰类分数和模糊类分数;
加权单元,用于对所述清晰类分数、所述中等清晰类分数以及所述模糊类分数进行加权求和,得到所述待检测图像的清晰度分数;
基于所述清晰度分数,将所述待检测图像划分为所述清晰类图像、所述中等清晰类图像或所述模糊类图像。
8.根据权利要求7所述的图像清晰度检测装置,其特征在于,所述装置还包括训练单元,所述训练单元用于:
确定待标注图像数据集,所述待标注图像数据集中包括从信息流中下载的图像;
基于所述待标注图像数据集确定初始样本训练集,所述初始样本训练集中包括对所述待标注图像数据集中的部分图像进行分类标注后得到的类别样本,所述类别样本包括清晰类样本、中等清晰类样本以及模糊类样本;
基于所述初始样本训练集和所述待标注图像数据集,训练得到所述分类模型。
9.根据权利要求8所述的图像清晰度检测装置,其特征在于,所述训练单元采用如下方式基于所述初始样本训练集和所述待标注图像数据集,训练得到所述分类模型:
基于所述初始样本训练集,训练初始分类模型;
利用所述初始分类模型预测所述待标注图像数据集中每一图像的清晰类分数、中等清晰类分数和模糊类分数;
针对每一图像,基于清晰类分数、中等清晰类分数和模糊类分数确定图像熵值;
按照所述图像熵值从大到小,不放回的选择指定数量的待分类样本;
对所述待分类样本中的图像进行分类标注,并将标注后得到的清晰类样本、中等清晰类样本以及模糊类样本加入所述初始样本训练集中;
重复执行上述过程,直至得到满足分类要求的待分类样本。
10.根据权利要求8或9所述的图像清晰度检测装置,其特征在于,所述训练单元采用如下方式基于所述待标注图像数据集确定初始样本训练集:
针对所述待标注图像数据集中的每一图像,采用中心裁剪方式进行裁剪,并将裁剪后的图像压缩为具有固定高度和固定宽度的待标注图像;
在得到的待标注图像中选择部分图像进行分类标注,将标注后的图像作为初始样本训练集。
11.根据权利要求10所述的图像清晰度检测装置,其特征在于,所述训练单元采用如下方式将标注后的图像作为初始样本训练集:
确定标注后的图像中原有模糊类图像数量和原有中等清晰类图像数量;
若原有模糊类图像数量和原有中等清晰类图像数量的总和小于指定阈值,则选择部分清晰类图像添加噪声后生成模糊类图像和中等清晰类图像;
将原有模糊类图像和生成的模糊类图像,作为初始样本训练集中的模糊类样本;
将原有中等清晰类图像和生成的中等清晰类图像,作为初始样本训练集中的中等清晰类样本;
将标注后的待检测图像中除添加噪声以外的其他剩余清晰类图像,作为初始样本训练集中的清晰类样本。
12.根据权利要求7所述的图像清晰度检测装置,其特征在于,所述清晰类分数、所述中等清晰类分数、所述模糊类分数,以及所述待检测图像的清晰度分数之间满足如下公式:
Score=1*Pi1+0.5*Pi2+0*Pi3
其中,Score为清晰度分数,Pi1为清晰类分数,Pi2为中等清晰类分数,Pi3为模糊类分数。
13.一种图像清晰度检测装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至6中任意一项所述的图像清晰度检测方法。
14.一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行权利要求1至6中任意一项所述的图像清晰度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015618.0A CN111242205B (zh) | 2020-01-07 | 2020-01-07 | 图像清晰度检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015618.0A CN111242205B (zh) | 2020-01-07 | 2020-01-07 | 图像清晰度检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242205A CN111242205A (zh) | 2020-06-05 |
CN111242205B true CN111242205B (zh) | 2023-11-28 |
Family
ID=70872317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010015618.0A Active CN111242205B (zh) | 2020-01-07 | 2020-01-07 | 图像清晰度检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242205B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798414A (zh) * | 2020-06-12 | 2020-10-20 | 北京阅视智能技术有限责任公司 | 显微图像的清晰度确定方法、装置、设备及存储介质 |
CN114820614A (zh) * | 2022-06-29 | 2022-07-29 | 上海闪马智能科技有限公司 | 一种图像类型的确定方法、装置、存储介质及电子装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637046A (zh) * | 2013-11-13 | 2015-05-20 | 索尼公司 | 图像检测方法和装置 |
CN106920229A (zh) * | 2017-01-22 | 2017-07-04 | 北京奇艺世纪科技有限公司 | 图像模糊区域自动检测方法及系统 |
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 |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963676B2 (en) * | 2016-12-23 | 2021-03-30 | Samsung Electronics Co., Ltd. | Image processing method and apparatus |
-
2020
- 2020-01-07 CN CN202010015618.0A patent/CN111242205B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637046A (zh) * | 2013-11-13 | 2015-05-20 | 索尼公司 | 图像检测方法和装置 |
CN106920229A (zh) * | 2017-01-22 | 2017-07-04 | 北京奇艺世纪科技有限公司 | 图像模糊区域自动检测方法及系统 |
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 |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111242205A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800744B (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109089133B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN109871883B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN110517185B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110009090B (zh) | 神经网络训练与图像处理方法及装置 | |
CN107944409B (zh) | 能够区分关键动作的视频分析方法及装置 | |
US11394675B2 (en) | Method and device for commenting on multimedia resource | |
CN108038102B (zh) | 表情图像的推荐方法、装置、终端及存储介质 | |
CN107563994B (zh) | 图像的显著性检测方法及装置 | |
CN112383830A (zh) | 视频封面确定方法及装置、存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN111583919B (zh) | 信息处理方法、装置及存储介质 | |
CN113676671B (zh) | 视频剪辑方法、装置、电子设备及存储介质 | |
CN110764627B (zh) | 一种输入方法、装置和电子设备 | |
CN111242205B (zh) | 图像清晰度检测方法、装置及存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN110781813A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111526287A (zh) | 图像拍摄方法、装置、电子设备、服务器、系统及存储介质 | |
CN111222316B (zh) | 文本检测方法、装置及存储介质 | |
CN112069951A (zh) | 视频片段提取方法、视频片段提取装置及存储介质 | |
CN113032627A (zh) | 视频分类方法、装置、存储介质及终端设备 | |
CN112381091A (zh) | 视频内容识别方法、装置、电子设备及存储介质 | |
CN112328809A (zh) | 实体分类方法、装置及计算机可读存储介质 | |
CN112598016A (zh) | 图像分类方法及装置、通信设备及存储介质 |
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 |