CN111402177A - 一种清晰度检测方法、系统、设备和介质 - Google Patents
一种清晰度检测方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN111402177A CN111402177A CN202010166246.1A CN202010166246A CN111402177A CN 111402177 A CN111402177 A CN 111402177A CN 202010166246 A CN202010166246 A CN 202010166246A CN 111402177 A CN111402177 A CN 111402177A
- Authority
- CN
- China
- Prior art keywords
- gradient
- image
- original image
- sharpness detection
- matrix
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000009466 transformation Effects 0.000 claims abstract description 62
- 238000013139 quantization Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000000034 method Methods 0.000 claims description 26
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000000844 transformation Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000011426 transformation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241001156002 Anthonomus pomorum Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种清晰度检测方法、系统、设备和介质,包括:对原始图像进行卷积处理,获取卷积结果并对所述卷积结果进行处理,获取清晰度量化值;对原始图像进行图像变换,获取原始图像的模糊度量化值;根据所述清晰度量化值和模糊度量化值,获取最终清晰度评分结果,并输出所述清晰度评分结果达到设定阈值的对应原始图像;本发明通过量化数据比对,可有效提高图像质量评估的可靠性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种清晰度检测方法、系统、设备和介质。
背景技术
人工智能技术在近些年有着的快速发展,人脸识别技术取得了长足的进步,得到了广泛的应用。人脸识别包含人脸检测、人脸跟踪、人脸特征提取等基础模块。提取特征所用到的人脸需要人脸检测、跟踪等模块当中抓拍出来,所抓拍到的人脸质量对人脸识别准确率的有着重要的影响。人脸质量通常包含人脸角度、遮挡情况、人脸清晰度等评价指标,每一项的提升都能够帮助提升人脸识别的准确率。其他图像处理的领域,清晰度也是一个重要的问题。
对于图像,先通过人工标注的方式对大量数据进行标注,之后使用深度学习的方式训练模型。而这种方式的一个弊端是,需要人工对图像进行标注,但清晰度是很难人为比较的,非常清晰和非常模糊的图像之间还比较容易比较。而中间区域,有些图像很难说是清晰的还是模糊的。模糊的种类也给人为分类带来的困难,模糊包含失焦模糊、平均模糊、运动模糊等。这些都使得人工标注变得很困难,标注出来的数据也并不一定准确。
像素比对的方法通常是在像素级别上,对相邻像素进行对比。比如Brenner方法是对相邻像素计算差值来代表模糊程度。比如拉普拉斯方法,使用拉普拉斯卷积核对图像进行卷积,使用卷积后的结果代表模糊程度。其他方法大多也是使用卷积核进行卷积。这种方法带来的问题是,这种方法能够检测失焦模糊、平均模糊等等,这类方法对运动模糊会给出错误的评估。
图像变换的方法使用特定的变换方法,比如傅里叶变换、小波变换等对图像进行变换,用变换后的图像,经过若干步骤得到最后的清晰度指标。此种方法得到的结果,经过验证,并不准确,其中小波变换对运动模糊的识别率较好,但对其他模糊识别率不高。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种清晰度检测方法、系统、设备和介质,主要解决清晰度评估结果可靠性低的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种清晰度检测方法,包括:
对原始图像进行卷积处理,获取卷积结果并对所述卷积结果进行处理,获取清晰度量化值;
对原始图像进行图像变换,获取原始图像的模糊度量化值;
根据所述清晰度量化值和模糊度量化值,获取最终清晰度评分结果,并输出所述清晰度评分结果达到设定阈值的对应原始图像。
可选地,采用小波变换方式对所述原始图像进行图像变换。
可选地,对所述原始图像进行多次小波变换,其中每次小波变换的输出作为下一次小波变换的输入。
可选地,通过小波变换对输入图像进行行分解和列分解,获取输入图像的缩略图及细节表示,并对所述缩略图进行下一次小波变换,经过多次小波变换获取每次小波变换的结果;其中细节表示包括横向细节、纵向细节和对角细节。
可选地,根据获取的所述细节表示构造每次小波变换后图像的梯度,获取梯度矩阵作为对应小波变换的结果。
可选地,分别对每次小波变换获取的所述梯度矩阵的结果进行池化,获取尺寸一致的多个矩阵表示。
可选地,设置梯度阈值,根据每个像素点在所述多个矩阵表示中的梯度与所述梯度阈值比较,获取所述原始图像的边缘点和模糊点;
根据所述边缘点和模糊点,获取所述模糊度量化值。
可选地,当像素点在所有所述矩阵表示中的梯度均大于所述梯度阈值时,像素点为边缘点;
当像素点在第一次小波变换对应的的矩阵表示中的梯度小于所述梯度阈值,且在多次小波变换对应的矩阵表示中,至少一个矩阵表示中对应像素点的梯度大于所述设定阈值,则像素点为模糊点;
统计所有满足以下条件的边缘点,记为统计边缘点:第一次小波变换对应的矩阵表示中边缘点梯度小于第二次小波变换对应的矩阵表示中对应的边缘点的梯度;
根据所述模糊点与所述统计边缘点的比值获取所述模糊度量化值。
可选地,设置卷积内核并构造算子对图像进行卷积。
可选地,所述卷积内核采用3*3的卷积核。
可选地,所述算子包括拉普拉斯算子、sobel算子。
可选地,获取图像卷积结果的标准差,并对所述标准差进行归一化处理,获取所述清晰度量化值。
可选地,采用sigmoid函数或softmax函数对所述标准差进行归一化处理。
一种清晰度检测系统,包括:
清晰度量化模块,用于对原始图像进行卷积处理,获取卷积结果并对所述卷积结果进行处理,获取清晰度量化值;
模糊度量化模块,用于对原始图像进行图像变换,获取原始图像的模糊度量化值;
综合评估模块,用于根据所述清晰度量化值和模糊度量化值,获取最终清晰度评分结果,并输出所述清晰度评分结果达到设定阈值的对应原始图像。
可选地,所述模糊度量化模块包括图像变换单元,用于采用小波变换方式对所述原始图像进行图像变换。
可选地,包括滤波模块,用于通过小波变换对输入图像进行行分解和列分解,获取输入图像的缩略图及细节表示,并对所述缩略图进行下一次小波变换,经过多次小波变换获取每次小波变换的结果;其中细节表示包括横向细节、纵向细节和对角细节。
可选地,包括梯度矩阵获取模块,用于根据获取的所述细节表示构造每次小波变换后图像的梯度,获取梯度矩阵作为对应小波变换的结果。
可选地,包括池化模块,用于分别对每次小波变换获取的所述梯度矩阵的结果进行池化,获取尺寸一致的多个矩阵表示。
可选地,包括梯度阈值设置模块,用于设置梯度阈值,根据每个像素点在所述多个矩阵表示中的梯度与所述梯度阈值比较,获取所述原始图像的边缘点和模糊点;
根据所述边缘点和模糊点,获取所述模糊度量化值。
可选地,所述模糊度量化模块包括判断单元,用于当像素点在所有所述矩阵表示中的梯度均大于所述梯度阈值时,像素点为边缘点;
当像素点在第一次小波变换对应的的矩阵表示中的梯度小于所述梯度阈值,且在多次小波变换对应的矩阵表示中,至少一个矩阵表示中对应像素点的梯度大于所述设定阈值,则像素点为模糊点;
统计所有满足以下条件的边缘点,记为统计边缘点:第一次小波变换对应的矩阵表示中边缘点梯度小于第二次小波变换对应的矩阵表示中对应的边缘点的梯度;
根据所述模糊点与所述统计边缘点的比值获取所述模糊度量化值。
可选地,包括算子构造模块,用于设置卷积内核并构造算子对图像进行卷积。
可选地,包括归一化模块,用于获取图像卷积结果的标准差,并对所述标准差进行归一化处理,获取所述清晰度量化值。
可选地,所述算子包括拉普拉斯算子、sobel算子。
可选地,采用sigmoid函数或softmax函数对所述标准差进行归一化。
一种设备,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行所述的清晰度检测方法。
一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得设备执行所述的清晰度检测方法。
如上所述,本发明一种清晰度检测方法、系统、设备和介质,具有以下有益效果。
结合像素比对和图像变换两种方法,可有效提高清晰度评估的可靠性。
附图说明
图1为本发明一实施例中清晰度检测方法的流程图。
图2为本发明一实施例中清晰度检测系统的模块图。
图3为本发明一实施例中终端设备的结构示意图。
图4为本发明另一实施例中终端设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供一种清晰度检测方法,包括步骤S01-S03。
在步骤S01中,对原始图像进行卷积处理,获得卷积结果并对卷积结果进行处理,获得清晰度量化值;
在一实施例中,可构造算子对原始图像进行卷积处理,其中,算子可采用拉普拉斯算子、sobel算子或brenner算子等。以拉普拉斯算子为例,拉普拉斯算子可以包括一个3*3的卷积内核,请参阅表1,具体表示如下:
表1
0 | 1 | 0 |
1 | -4 | 1 |
0 | 1 | 0 |
通过拉普拉斯算子进行卷积运算,并对卷积结果求方差。对得到的方差进行缩放和平移后,再开方得到标准差,根据标准差可对原始图像的清晰度进行评分,获得清晰度量化值。
在一实施例中,可将标准差进行归一化处理,得到清晰度量化值。具体地可将标准差输入sigmoid函数或softmax函数中,获取归一化的输出概率,输出概率即为清晰度量化值。
在步骤S02中,对原始图像进行图像变换,获得原始图像的模糊度量化值;
具体地,可采用小波变换的方式对原始图像进行图像变换,获得原始图像的模糊度量化值。
在一实施例中,可对原始图像进行多次小波变换,根据多次小波变换的结果计算原始图像的边缘点。这里以3次连续小波变换为例,可首先通过一维小波变换对原始图像的每一行进行行分解,得到原始图像在水平方向上的高频分量和低频分量;进一步对原始图像中的每一列采用一维小波变换进行列分解,得到垂直方向上的低频分量和高频分量。结合获取的水平及垂直方向的低频和高频分量,便可得到原始图像的缩略图及细节表示。其中,细节表示包括原始图像的横向细节、纵向细节和对角细节。
根据第一次小波变换获取的缩略图,进行第二次小波变换,获取缩略图在水平方向的及垂直方向的高频分量和低频分量,进一步获取第二次小波变换的缩略图及细节表示。以此方法,获取第三次小波变换的缩略图及细节表示。
在一实施例中,可通过每次小波变换获取的细节表示计算每次小波变换的梯度,获取梯度矩阵作为小波变换的结果。具体地,设横向细节用H表示,纵向细节用V表示,对角细节用D表示,则小波变换得到的图像梯度emap可表示为:
由于经过三次小波变换,可得到三个结果记为emapi(i=1,2,3)。分别对每个梯度矩阵进行池化处理,以保障经过池化后三个梯度矩阵具有相同的大小。可根据原始图像的大小设置池化步长,如输入的原始图像大小为128px*128px,所以变换后的图像很小,我们在emap2上做步长为1的池化。梯度矩阵经过池化后可获取单个矩阵表示,记为Emaxi(i=1,2,3)。
在一实施例中,可对每个矩阵表示中的像素点进行计算。具体地,可设置梯度阈值,计算像素点在第一次小波变换后对应的矩阵表示Emax1中的梯度,记为P1,同样的,该像素点在Emax2和Emax3中的梯度分别表示为P2和P3。若P1,P2,P3均大于设定的梯度阈值,则判定该像素点为边缘点。依次方法从原始图像中提取出边缘点。当P1小于设定的梯度阈值,且P2或P3中至少有一个大于设定的梯度阈值时,则判定对应的像素点为模糊点。
在一实施例中,对边缘点进行进一步统计,获取边缘点中满足以下条件的点即为统计边缘点:第一次小波变换对应的矩阵表示中边缘点梯度小于第二次小波变换对应的矩阵表示中对应的边缘点的梯度。如在边缘点中存在点满足P1<P2<P3或P1<P2且P2>P3,则该边缘点为统计边缘点。
根据所有模糊点与统计边缘点数量的比值计算原始图像的模糊度,获取模糊度量化值,具体地模糊度量化值BlurExtent可表示为:
其中,Nbrg表示模糊点数量;Nrg表示统计边缘点数量。
在步骤S03中,根据清晰度量化值和模糊度量化值,获取最终清晰度评分结果,并输出清晰度评分结果达到设定阈值的对应原始图像:
在一实施例中,可将拉普拉斯变换和小波变换得到的清晰度量化值及模糊度量化值进行比较,可取其中的较小值作为最终的清晰度评分结果。
在一实施例中,可设置清晰度分数阈值,将最终清晰度评分结果达到设定的清晰度分数阈值的原始图像作为输出。
可将本实施例的方法集成到相机的SDK中,可捕捉更清晰的人脸,提高识别的准确率。请参阅图2,本实施例提供一种清晰度检测系统,用于执行前述方法实施例中所述的清晰度检测方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
在一实施例中,清晰度检测系统包括清晰度量化模块10、模糊度量化模块11和综合评估模块12,清晰度量化模块10用于辅助执行前述方法实施例介绍的步骤S01;模糊度量化模块11用于辅助执行前述方法实施例介绍的步骤S02;综合评估模块12用于辅助执行前述方法实施例介绍的步骤S03。
一种清晰度检测系统,包括:
清晰度量化模块10,对原始图像进行卷积处理,获取卷积结果并对所述卷积结果进行处理,获取清晰度量化值;
模糊度量化模块11,用于对原始图像进行图像变换,获取原始图像的模糊度量化值;
综合评估模块12,用于根据清晰度量化值和模糊度量化值,获取最终清晰度评分结果,并输出所述清晰度评分结果达到设定阈值的对应原始图像。
在一实施例中,模糊度量化模块11包括图像变换单元,用于采用小波变换方式对原始图像进行图像变换。
在一实施例中,系统包括滤波模块,用于通过小波变换对输入图像进行行分解和列分解,获取输入图像的缩略图及细节表示,并对缩略图进行下一次小波变换,经过多次小波变换获取每次小波变换的结果;其中细节表示包括横向细节、纵向细节和对角细节。
在一实施例中,系统包括梯度矩阵获取模块,用于根据获取的细节表示构造每次小波变换后图像的梯度,获取梯度矩阵作为对应小波变换的结果。
在一实施例中,系统包括池化模块,用于分别对每次小波变换获取的梯度矩阵的结果进行池化,获取尺寸一致的多个矩阵表示。
在一实施例中,系统包括梯度阈值设置模块,用于设置梯度阈值,根据每个像素点在多个矩阵表示中的梯度与梯度阈值比较,获取原始图像的边缘点和模糊点;
根据边缘点和模糊点,获取模糊度量化值。
在一实施例中,模糊度量化模块11包括判断单元,用于当像素点在所有矩阵表示中的梯度均大于所述梯度阈值时,像素点为边缘点;
当像素点在第一次小波变换对应的的矩阵表示中的梯度小于设定梯度阈值,且在多次小波变换对应的矩阵表示中,至少一个矩阵表示中对应像素点的梯度大于所述设定阈值,则像素点为模糊点;
统计所有满足以下条件的边缘点,记为统计边缘点:第一次小波变换对应的矩阵表示中边缘点梯度小于第二次小波变换对应的矩阵表示中对应的边缘点的梯度;
根据所述模糊点与所述统计边缘点的比值获取所述模糊度量化值。
在一实施例中,系统包括算子构造模块,用于设置卷积内核并构造算子对图像进行卷积。
在一实施例中,系统包括归一化模块,用于获取图像卷积结果的标准差,并对标准差进行归一化处理,获取清晰度量化值。
在一实施例中,算子包括拉普拉斯算子、sobel算子。
在一实施例中,采用sigmoid函数或softmax函数对所述标准差进行归一化处理。
本申请实施例还提供了一种设备,该设备可以包括:一个或多个处理器;和其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述设备执行图1所述的方法。在实际应用中,该设备可以作为终端设备,也可以作为服务器,终端设备的例子可以包括:智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3,Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4,Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等,本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例的图1中清晰度检测方法所包含步骤的指令(instructions)。
图3为本申请一实施例提供的终端设备的硬件结构示意图。如图所示,该终端设备可以包括:输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,第一存储器1103中可以存储各种程序,用于完成各种处理功能以及实现本实施例的方法步骤。
可选的,上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit,简称CPU)、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,该处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的,上述输入设备1100可以包括多种输入设备,例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的,该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等);可选的,该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等);可选的,上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口,例如芯片的输入引脚接口或者输入接口等;输出设备1102可以包括显示器、音响等输出设备。
在本实施例中,该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能,具体功能和技术效果参照上述实施例即可,此处不再赘述。
图4为本申请的另一个实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图所示,本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码,实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令,例如消息,图片,视频等。第二存储器1202可能包含随机存取存储器(random access memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
可选地,第一处理器1201设置在处理组件1200中。该终端设备还可以包括:通信组件1203,电源组件1204,多媒体组件1205,语音组件1206,输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定,本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令,以完成上述图1所示方法的全部或部分步骤。此外,处理组件1200可以包括一个或多个模块,便于处理组件1200和其他组件之间的交互。例如,处理组件1200可以包括多媒体模块,以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统,一个或多个电源,及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中,显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板,显示屏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。
语音组件1206被配置为输出和/或输入语音信号。例如,语音组件1206包括一个麦克风(MIC),当终端设备处于操作模式,如语音识别模式时,麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中,语音组件1206还包括一个扬声器,用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口,上述外围接口模块可以是点击轮,按钮等。这些按钮可包括但不限于:音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器,用于为终端设备提供各个方面的状态评估。例如,传感器组件1208可以检测到终端设备的打开/关闭状态,组件的相对定位,用户与终端设备接触的存在或不存在。传感器组件1208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,包括检测用户与终端设备间的距离。在一些实施例中,该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备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。在一个实施例中,该终端设备中可以包括SIM卡插槽,该SIM卡插槽用于插入SIM卡,使得终端设备可以登录GPRS网络,通过互联网与服务器建立通信。
综上所述,本发明一种清晰度检测方法、系统、设备和介质,通过量化模糊度和清晰度,避免人为标注不准确的问题;两种算法相结合,对多种模糊类别均具有良好的兼容性,并可结合量化数据给出合理的图像质量评估分数,不会因为模糊的类别而给出错误的评估,可有效提高清晰度检测的可靠性。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (26)
1.一种清晰度检测方法,其特征在于,包括:
对原始图像进行卷积处理,获取卷积结果并对所述卷积结果进行处理,获取清晰度量化值;
对原始图像进行图像变换,获取原始图像的模糊度量化值;
根据所述清晰度量化值和模糊度量化值,获取最终清晰度评分结果,并输出所述清晰度评分结果达到设定阈值的对应原始图像。
2.根据权利要求1所述的清晰度检测方法,其特征在于,采用小波变换方式对所述原始图像进行图像变换。
3.根据权利要求2所述的清晰度检测方法,其特征在于,对所述原始图像进行多次小波变换,其中每次小波变换的输出作为下一次小波变换的输入。
4.根据权利要求3所述的清晰度检测方法,其特征在于,通过小波变换对输入图像进行行分解和列分解,获取输入图像的缩略图及细节表示,并对所述缩略图进行下一次小波变换,经过多次小波变换获取每次小波变换的结果;其中细节表示包括横向细节、纵向细节和对角细节。
5.根据权利要求4所述的清晰度检测方法,其特征在于,根据获取的所述细节表示构造每次小波变换后图像的梯度,获取梯度矩阵作为对应小波变换的结果。
6.根据权利要求5所述的清晰度检测方法,其特征在于,分别对每次小波变换获取的所述梯度矩阵的结果进行池化,获取尺寸一致的多个矩阵表示。
7.根据权利要求6所述的清晰度检测方法,其特征在于,设置梯度阈值,根据每个像素点在所述多个矩阵表示中的梯度与所述梯度阈值比较,获取所述原始图像的边缘点和模糊点;
根据所述边缘点和模糊点,获取所述模糊度量化值。
8.根据权利要求7所述的清晰度检测方法,其特征在于,当像素点在所有所述矩阵表示中的梯度均大于所述梯度阈值时,像素点为边缘点;
当像素点在第一次小波变换对应的矩阵表示中的梯度小于所述梯度阈值,且在多次小波变换对应的矩阵表示中,至少一个矩阵表示中对应像素点的梯度大于所述设定阈值,则像素点为模糊点;
统计所有满足以下条件的边缘点,记为统计边缘点:第一次小波变换对应的矩阵表示中边缘点梯度小于第二次小波变换对应的矩阵表示中对应的边缘点的梯度;
根据所述模糊点与所述统计边缘点的比值获取所述模糊度量化值。
9.根据权利要求1所述的清晰度检测方法,其特征在于,设置卷积内核并构造算子对图像进行卷积。
10.根据权利要求9所述的清晰度检测方法,其特征在于,所述卷积内核采用3*3的卷积核。
11.根据权利要求9所述的清晰度检测方法,其特征在于,所述算子包括拉普拉斯算子、sobel算子。
12.根据权利要求10所述的清晰度检测方法,其特征在于,获取图像卷积结果的标准差,并对所述标准差进行归一化处理,获取所述清晰度量化值。
13.根据权利要求12所述的清晰度检测方法,其特征在于,采用sigmoid函数或softmax函数对所述标准差进行归一化处理。
14.一种清晰度检测系统,其特征在于,包括:
清晰度量化模块,用于对原始图像进行卷积处理,获取卷积结果并对所述卷积结果进行处理,获取清晰度量化值;
模糊度量化模块,用于对原始图像进行图像变换,获取原始图像的模糊度量化值;
综合评估模块,用于根据所述清晰度量化值和模糊度量化值,获取最终清晰度评分结果,并输出所述清晰度评分结果达到设定阈值的对应原始图像。
15.根据权利要求14所述的清晰度检测系统,其特征在于,所述模糊度量化模块包括图像变换单元,用于采用小波变换方式对所述原始图像进行图像变换。
16.根据权利要求15所述的清晰度检测系统,其特征在于,包括滤波模块,用于通过小波变换对输入图像进行行分解和列分解,获取输入图像的缩略图及细节表示,并对所述缩略图进行下一次小波变换,经过多次小波变换获取每次小波变换的结果;其中细节表示包括横向细节、纵向细节和对角细节。
17.根据权利要求16所述的清晰度检测系统,其特征在于,包括梯度矩阵获取模块,用于根据获取的所述细节表示构造每次小波变换后图像的梯度,获取梯度矩阵作为对应小波变换的结果。
18.根据权利要求17所述的清晰度检测系统,其特征在于,包括池化模块,用于分别对每次小波变换获取的所述梯度矩阵的结果进行池化,获取尺寸一致的多个矩阵表示。
19.根据权利要求18所述的清晰度检测系统,其特征在于,包括梯度阈值设置模块,用于设置梯度阈值,根据每个像素点在所述多个矩阵表示中的梯度与所述梯度阈值比较,获取所述原始图像的边缘点和模糊点;
根据所述边缘点和模糊点,获取所述模糊度量化值。
20.根据权利要求19所述的清晰度检测系统,其特征在于,所述模糊度量化模块包括判断单元,用于当像素点在所有所述矩阵表示中的梯度均大于所述梯度阈值时,像素点为边缘点;
当像素点在第一次小波变换对应的矩阵表示中的梯度小于所述梯度阈值,且在多次小波变换对应的矩阵表示中,至少一个矩阵表示中对应像素点的梯度大于所述设定阈值,则像素点为模糊点;
统计所有满足以下条件的边缘点,记为统计边缘点:第一次小波变换对应的矩阵表示中边缘点梯度小于第二次小波变换对应的矩阵表示中对应的边缘点的梯度;
根据所述模糊点与所述统计边缘点的比值获取所述模糊度量化值。
21.根据权利要求14所述的清晰度检测系统,其特征在于,包括算子构造模块,用于设置卷积内核并构造算子对图像进行卷积。
22.根据权利要求21所述的清晰度检测系统,其特征在于,包括归一化模块,用于获取图像卷积结果的标准差,并对所述标准差进行归一化处理,获取所述清晰度量化值。
23.根据权利要求21所述的清晰度检测系统,其特征在于,所述算子包括拉普拉斯算子、sobel算子。
24.根据权利要求22所述的清晰度检测系统,其特征在于,采用sigmoid函数或softmax函数对所述标准差进行归一化。
25.一种设备,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行如权利要求1-13中一个或多个所述的方法。
26.一个或多个机器可读介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得设备执行如权利要求1-13中一个或多个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010166246.1A CN111402177A (zh) | 2020-03-11 | 2020-03-11 | 一种清晰度检测方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010166246.1A CN111402177A (zh) | 2020-03-11 | 2020-03-11 | 一种清晰度检测方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111402177A true CN111402177A (zh) | 2020-07-10 |
Family
ID=71413294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010166246.1A Pending CN111402177A (zh) | 2020-03-11 | 2020-03-11 | 一种清晰度检测方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402177A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112346968A (zh) * | 2020-10-20 | 2021-02-09 | 北京达佳互联信息技术有限公司 | 一种多媒体文件清晰度的自动化检测方法及装置 |
CN112489006A (zh) * | 2020-11-26 | 2021-03-12 | 腾讯科技(北京)有限公司 | 图像处理方法、装置、存储介质及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567990A (zh) * | 2011-12-08 | 2012-07-11 | 宁波大学 | 一种立体图像客观质量评价方法 |
CN103353985A (zh) * | 2013-03-27 | 2013-10-16 | 西华大学 | 一种图像高斯模糊的测度方法 |
CN109100850A (zh) * | 2017-06-20 | 2018-12-28 | 深圳华因康基因科技有限公司 | 图像清晰度识别方法和自动聚焦方法 |
CN109191437A (zh) * | 2018-08-16 | 2019-01-11 | 南京理工大学 | 基于小波变换的清晰度评价方法 |
-
2020
- 2020-03-11 CN CN202010166246.1A patent/CN111402177A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567990A (zh) * | 2011-12-08 | 2012-07-11 | 宁波大学 | 一种立体图像客观质量评价方法 |
CN103353985A (zh) * | 2013-03-27 | 2013-10-16 | 西华大学 | 一种图像高斯模糊的测度方法 |
CN109100850A (zh) * | 2017-06-20 | 2018-12-28 | 深圳华因康基因科技有限公司 | 图像清晰度识别方法和自动聚焦方法 |
CN109191437A (zh) * | 2018-08-16 | 2019-01-11 | 南京理工大学 | 基于小波变换的清晰度评价方法 |
Non-Patent Citations (1)
Title |
---|
HANGHANG TONG: "Blur Detection for Digital Images Using Wavelet Transform", 《2004 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112346968A (zh) * | 2020-10-20 | 2021-02-09 | 北京达佳互联信息技术有限公司 | 一种多媒体文件清晰度的自动化检测方法及装置 |
CN112346968B (zh) * | 2020-10-20 | 2024-04-19 | 北京达佳互联信息技术有限公司 | 一种多媒体文件清晰度的自动化检测方法及装置 |
CN112489006A (zh) * | 2020-11-26 | 2021-03-12 | 腾讯科技(北京)有限公司 | 图像处理方法、装置、存储介质及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921806B (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
WO2021139324A1 (zh) | 图像识别方法、装置、计算机可读存储介质及电子设备 | |
CN108596955B (zh) | 一种图像检测方法、图像检测装置及移动终端 | |
CN111079772A (zh) | 图像边缘提取处理方法、装置及存储介质 | |
CN108961183B (zh) | 图像处理方法、终端设备及计算机可读存储介质 | |
US10134149B2 (en) | Image processing | |
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
WO2022100387A1 (zh) | 模型生成的方法、装置、电子设备及介质 | |
CN112464803A (zh) | 图像比较方法和装置 | |
CN111402177A (zh) | 一种清晰度检测方法、系统、设备和介质 | |
CN112529939A (zh) | 一种目标轨迹匹配方法、装置、机器可读介质及设备 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
CN111199169A (zh) | 图像处理方法和装置 | |
CN110751004A (zh) | 二维码检测方法、装置、设备及存储介质 | |
CN111275683B (zh) | 图像质量评分处理方法、系统、设备及介质 | |
CN110222576B (zh) | 拳击动作识别方法、装置和电子设备 | |
Wang et al. | An improved nonlocal sparse regularization-based image deblurring via novel similarity criteria | |
CN109213515B (zh) | 多平台下埋点归一方法及装置和电子设备 | |
Lin et al. | Vision-based patient identification recognition based on image content analysis and support vector machine for medical information system | |
CN110705653A (zh) | 图像分类方法、图像分类装置及终端设备 | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN110610178A (zh) | 图像识别方法、装置、终端及计算机可读存储介质 | |
CN112257561B (zh) | 一种人脸活体检测方法、装置、机器可读介质及设备 | |
CN111931794B (zh) | 一种基于草图的图像匹配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |