CN111754491A - 一种图片清晰度判定方法及装置 - Google Patents

一种图片清晰度判定方法及装置 Download PDF

Info

Publication number
CN111754491A
CN111754491A CN202010598556.0A CN202010598556A CN111754491A CN 111754491 A CN111754491 A CN 111754491A CN 202010598556 A CN202010598556 A CN 202010598556A CN 111754491 A CN111754491 A CN 111754491A
Authority
CN
China
Prior art keywords
picture
definition
main object
object image
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010598556.0A
Other languages
English (en)
Inventor
张宾
孙喜民
周晶
李慧超
贾江凯
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.)
State Grid E Commerce Co Ltd
State Grid E Commerce Technology Co Ltd
Original Assignee
State Grid E Commerce Co Ltd
State Grid E Commerce 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 State Grid E Commerce Co Ltd, State Grid E Commerce Technology Co Ltd filed Critical State Grid E Commerce Co Ltd
Priority to CN202010598556.0A priority Critical patent/CN111754491A/zh
Publication of CN111754491A publication Critical patent/CN111754491A/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
    • 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
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种图片清晰度判定方法及装置，利用目标检测模型对待判定图片所包含的物体进行检测识别，得到至少一个主物体，然后，从待判定图片中提取出各主物体的图像，即主物体图像。对各主物体图像进行边缘检测，并根据边缘检测图像计算得到该主物体图像的清晰度。最后根据各主物体图像的清晰度得到整个图片的清晰度。该方案从图片中识别并提取出主物体图像，并计算主物体图像的清晰度，避免图片中包含的模糊背景或锐利背景对整个图片清晰度的影响，因此提高了图片清晰度判定结果的准确度。

Description

一种图片清晰度判定方法及装置
技术领域
本发明属于图像处理技术领域，尤其涉及一种图片清晰度判定方法及装置。
背景技术
相关技术中，对图片质量评价通常从分辨率、图片大小等类确定，不能对图片的清晰度进行准确地判别。对于判定结果要求更严格的应用场景中，需要人工判断图片的清晰度给出更准确的清晰度判定结果。
随着数据量增大，尤其是系统对图片的审核工作量极大，依赖人工进行清晰度判定效率低，且人工成本高。因此，亟需一种能够自动判定图片清晰度的方法，提高图片清晰度判定效率和准确率。
发明内容
有鉴于此，本发明的目的在于提供一种图片清晰度判定方法，以解决相关技术的清晰度判定结果准确度低的问题，公开的技术方案如下：
在本申请实施例的第一方面，提供一种图片清晰度判定方法，包括：
利用目标检测模型识别出待判定图片所包含的主物体及各主物体的位置；
从所述待判定图片中提取得到各个主物体的图像，得到主物体图像；
对于任一主物体图像，对该主物体图像进行边缘检测，并根据该主物体图像对应的边缘检测图像计算得到该主物体图像的清晰度；
根据各个主物体图像的清晰度计算得到所述待判定图片的清晰度判定结果。
可选地，对于任一主物体图像，对该主物体图像进行边缘检测，并根据该主物体图像对应的边缘检测图像计算得到该主物体图像的清晰度，包括：
将所述主物体图像转换为灰度图；
对所述主物体图像的灰度图进行边缘检测，得到边缘检测图像；
计算所述边缘检测图像的方差，并根据所述方差获得所述主物体图像的清晰度。
可选地，所述根据各个主物体图像的清晰度计算得到所述待判定图片的清晰度判定结果，包括：
根据各个主物体图像的清晰度，以及各个主物体图像对应的权重，计算得到所述待判定图片的清晰度；
将所述待判定图片的清晰度与清晰度阈值进行比较，得到所述待判定图片的清晰度判定结果，所述清晰度阈值由预先标注的清晰图片计算得到。
可选地，各个主物体图像对应的权重的确定过程，包括：
计算各个主物体图像的面积；
根据各主物体图像的面积在所有主物体图像的面积总和中的比例确定各个主物体图像的权重。
可选地，所述方法还包括：
将所述清晰度阈值更新为最新的清晰图片的清晰度。
可选地，目标检测模型的训练过程包括：
获取训练样本图片，所述训练样本图片中包含标注内容，所述标注内容包括所述训练样本图片所包含的全部物体的图像及各物体在图片中的位置；
将所述训练样本图片输入至待训练目标检测模型中，获得识别结果，所述识别结果包括图片所包含物体及各物体在图片中的位置；
根据所述识别结果与所述标注内容之间的误差，调整所述待训练目标检测模型中的参数，直到训练图片利用调整后的目标检测模型得到的识别结果与标注内容之间的误差小于阈值，得到所述目标检测模型。
在本申请实施例的第二方面，提供一种图片清晰度判定装置，包括：
目标识别模块，用于利用目标检测模型识别出待判定图片所包含的主物体及各主物体的位置；
目标分割模块，用于从所述待判定图片中提取得到各个主物体的图像，得到主物体图像；
主物体清晰度计算模块，用于对于任一主物体图像，对该主物体图像进行边缘检测，并根据该主物体图像对应的边缘检测图像计算得到该主物体图像的清晰度；
图片清晰度计算模块，用于根据各个主物体图像的清晰度计算得到所述待判定图片的清晰度判定结果。
可选地，主物体清晰度计算模块，包括：
灰度化处理子模块，用于将所述主物体图像转换为灰度图；
边缘检测子模块，用于对所述主物体图像的灰度图进行边缘检测，得到边缘检测图像；
清晰度计算子模块，用于计算所述边缘检测图像的方差，并根据所述方差获得所述主物体图像的清晰度。
可选地，所述图片清晰度计算模块，包括：
图片清晰度计算子模块，用于根据各个主物体图像的清晰度，以及各个主物体图像对应的权重，计算得到所述待判定图片的清晰度；
图片清晰度判定子模块，用于将所述待判定图片的清晰度与清晰度阈值进行比较，得到所述待判定图片的清晰度判定结果，所述清晰度阈值由预先标注的清晰图片计算得到。
在本申请实施例的第三方面，提供一种图片清晰度判定装置，包括：存储器和处理器；
所述存储器内存储有程序指令；
所述处理器用于调用所述存储器内的程序指令以执行第一方面任一项所述的图片清晰度判定方法。
本申请提供的图片清晰度判定方法，利用目标检测模型对待判定图片所包含的物体进行检测识别，得到至少一个主物体，然后，从待判定图片中提取出各主物体的图像，即主物体图像。对各主物体图像进行边缘检测，并根据边缘检测图像计算得到该主物体图像的清晰度。最后根据各主物体图像的清晰度得到整个图片的清晰度。该方案从图片中识别并提取出主物体图像，并计算主物体图像的清晰度，避免图片中包含的模糊背景或锐利背景对整个图片清晰度的影响，因此提高了图片清晰度判定结果的准确度。
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是本申请实施例提供的一种图片清晰度判定方法的流程图；
图2是本申请实施例提供的一种计算主物体图像的清晰度过程的流程图；
图3是本申请实施例提供的一种获得图片的清晰度判定结果过程的流程图；
图4是本申请实施例提供的一种训练目标检测模型过程的流程图；
图5是本申请实施例提供的一种图片清晰度判定装置的框图；
图6是本申请实施例提供的一种主物体清晰度计算模块的框图；
图7是本申请实施例提供的一种图片清晰度计算模块的框图。
具体实施方式
同一内容的图像，清晰图像的边缘相对模糊图像具有较大的灰度变化率，基于该特性，相关技术提出了一种以图像边缘灰度变化率为指标的图像清晰度判定方法，即，以每一行灰度值连续下降间隔像素点数最多的边缘灰度变化率代表一行的灰度变化率，计算出图像所有行的灰度变化率平均值作为清晰度的判定指标。但是，对于背景模糊的图片或含有纹理的图片，灰度变化率相差很大，因此，利用灰度变化率无法准确判定背景模糊图片或含有纹理的图片。
为了解决利用灰度变化率无法准确判定背景模糊图片或含有纹理的图片的清晰度的问题，本申请提供了一种图片清晰度判定方法，该方法先利用目标检测模型对待判定图片所包含的物体进行检测识别，得到至少一个主物体，然后，从待判定图片中提取出各主物体的图像，即主物体图像。对各主物体图像进行边缘检测，并根据边缘检测图像计算得到该主物体图像的清晰度。最后根据各主物体图像的清晰度得到整个图片的清晰度。
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请参见图1，示出了本申请实施例提供的一种图片清晰度判定方法的流程图，该方法应用于PC机、服务器或移动终端中，如图1所示，该方法包括以下步骤：
S110，利用目标检测模型识别出待判定图片所包含的主物体及各主物体的位置。
目标检测领域的深度学习方法主要包括两类：一类是one stage的目标检测算法，另一类是two stage的目标检测算法；two stage是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类；one stage则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。两种方法在性能上也有不同，two stage在检测准确率和定位精度上占优，但，one stage在算法速度上占优。
在本申请的一个实施例中，可以选用one stage的目标检测算法，例如，YOLO、SSD，其中YOLO和SSD均属于端到端的方法，此类目标检测方法将物体分类和物体位置回归统一为一个回归问题，因此，速度更快。此类目标检测方法的核心思想是将整张需要检测的图片作为模型输入，直接在输出层回归bounding box的位置和bounding box所属的类别。
下面以SSD算法为例对目标检测过程进行说明：
SSD算法的基本原理是，在图像分类网络层(base network)之后，添加一些辅助结构：
1)添加一些卷积层，这些层的大小逐渐减小，可以进行多尺度预测；
2)每一个新添加的层，可以使用一系列的卷积核进行预测。
对于一个大小为m*n、p通道的特征层，使用3*3的卷积核进行预测，在某个位置上预测出一个值，该值可以是某一类别的得分，也可以是相对于default bounding boxes的偏移量，并且在图像的每个位置都将产生一个值。
3)在特征图的每个位置预测K个box。对于每个box，预测C个类别得分，以及相对于default bounding box的4个偏移值，这样需要(C+4)*k个预测器，在m*n的特征图上将产生(C+4)*k*m*n个预测值。
S120，从待判定图片中提取得到各个主物体的图像，得到主物体图像。
将S110获得的各主物体在图片中的位置，按照位置坐标进行裁剪和分割，得到各个主物体图像。
S130，对于任一主物体图像，对该主物体图像进行边缘检测，并根据该主物体图像对应的边缘检测图像计算得到该主物体图像的清晰度。
在本申请的一个实施例中，计算任一主物体图像的清晰度的过程，如图2所示：
S131，将主物体图像转换为灰度图。
灰度图是指只含有亮度信息、不含色彩信息的图像。灰度化处理是把含有亮度和色彩的彩色图像变化为灰度图像的过程。
灰度化处理的过程通常包括以下过程：读取彩色图像中RGB分量，计算图像中每个像素点的灰度值，对每个像素点的颜色分量重新赋值得到灰度图像。其中，计算每个像素点的灰度值可以采用平均值法、最大值法或加权平均值法，此处不再详述。
S132，对主物体图像的灰度图进行边缘检测，得到边缘检测图像。
得到主物体图像对应的灰度图后，进行边缘检测，例如，可以采用拉普拉斯算法进行边缘检测，经过拉普拉斯算子之后，留下的都是图像中的边缘部分。
拉普拉斯算子是一种二阶差分算子，突出图片中强度快速变化的区域。在边缘处产生一个陡峭的零交叉，拉普拉斯算子是各项同性的，能对任何走向的界线和线条进行锐化，无方向性。
S133，计算边缘检测图像的方差，并根据方差获得主物体图像的清晰度。
本申请提供的图片清晰度判定方法基于以下假设：如果图像具有较高方差，则该图像具有较广的频响范围，代表着正常，聚焦准确的图片。但是，如果图像具有较小方差，那么它就有较窄的频响范围，意味着图片中的边缘数量很少，图片越模糊，其边缘就越少。
基于上述理论，可以计算检测得到的边缘图像的方差作为图像的清晰度，方差越大图像的清晰度越高；方差越小图像的清晰度越低。
S140，根据各个主物体图像的清晰度计算得到所述待判定图片的清晰度判定结果。
一张图片中可能包含多个主物体，根据上一步骤计算得到的每个主物体的清晰度，就能计算得到整张图片的清晰度。
在本申请的一个实施例中，如图3所示，S140包括以下步骤：
S141，根据各个主物体图像的清晰度，以及各个主物体图像对应的权重，计算得到待判定图片的清晰度。
图片中不同的主物体对整张图片的清晰度的影响程度不同，例如，面积越大的主物体图像对整张图片的影响越大，因此，可以按照主物体图像的面积占比确定相应的权重。
具体的，先计算各个主物体图像的面积，再根据各主物体图像的面积在所有主物体图像的面积总和中的比例确定各个主物体图像的权重。
例如，一整张图片包含4个主物体，4个主物体图像的总面积为n，每个主物体图像与总面积n的比值，即该主物体的面积占比，也即该主物体的权重。
确定出各个主物体图像的清晰度和权重后，计算每个主物体图像的清晰度与权重的乘积，最后，各主物体图像的乘积之和即整张图片的清晰度。
S142，将待判定图片的清晰度与清晰度阈值进行比较，得到待判定图片的清晰度判定结果。
其中，清晰度阈值由预先标注的清晰图片计算得到。在使用该方法的初期阶段，清晰图片可以是从训练样本中选出的清晰度较高的图片，并利用该方法计算该图片的清晰度作为清晰度阈值。随着利用该方法判定的图片越来越多，可以从已判定的图片中挑选出清晰度较高的图片，并以该图片的清晰度作为新的清晰度阈值。
此外，在实际使用过程中，需要降低/提升清晰度标准，此种情况下可以根据实际需求调整清晰度阈值。
计算出整张图片的清晰度后，将该清晰度与清晰度阈值进行比较，得到该图片的清晰度判定结果。以清晰度阈值为基准，如果图片的清晰度大于该清晰度阈值，则该图片的清晰程度为100％；如果图片的清晰度小于清晰度阈值，则计算图片清晰度占清晰度阈值的百分比，例如，图片的清晰程度是80％。
本实施例提供的图片清晰度判定方法，利用目标检测模型对待判定图片所包含的物体进行检测识别，得到至少一个主物体，然后，从待判定图片中提取出各主物体的图像，即主物体图像。对各主物体图像进行边缘检测，并根据边缘检测图像计算得到该主物体图像的清晰度。最后根据各主物体图像的清晰度得到整个图片的清晰度。该方案从图片中识别并提取出主物体图像，并计算主物体图像的清晰度，避免图片中包含的模糊背景或锐利背景对整个图片清晰度的影响，因此提高了图片清晰度判定结果的准确度。
此外，本申请还提供了一种训练目标检测模型过程的流程图，如图4所示，训练过程包括以下步骤：
S210，获取训练样本图片。
训练样本图片中包含标注内容，其中，标注内容包括训练样本图片所包含的全部物体的图像及各物体在图片中的位置。
训练样本图片中标注有各主物体的位置及类别，可以由人工标注得到，也可以由机器标注后，再进行人工校核。
S220，将训练样本图片输入至待训练目标检测模型中，获得识别结果。
其中，该识别结果包括图片所包含物体及各物体在图片中的位置。
将标注得到的训练样本图片输入至原始目标检测模型中，由模型内部算法对每个图片进行识别和分类，最终在模型的输出层输出每个图片包含的主物体及主物体的位置坐标。
S230，根据识别结果与标注内容之间的误差，调整待训练目标检测模型中的参数，直到训练图片利用调整后的目标检测模型得到的识别结果与标注内容之间的误差小于阈值，得到目标检测模型。
对于同一图片，计算模型识别结果与标注内容之间的误差，如果图片的误差过大，表明模型的准确度不够，需要调整模型内部的模型参数，直到利用调整后的模型输出的识别结果与标注内容之间的误差小于设定阈值时，确定此时的模型即最终可用于检测的目标检测模型。
相应于上述的图片清晰度判定方法实施例，本申请还提供了图片清晰度判定装置实施例。
请参见图5，示出了本申请实施例提供的一种图片清晰度判定装置的框图，该装置应用于PC机、服务器或移动终端中，该装置包括：目标识别模块110、目标分割模块120、主物体清晰度计算模块130和图片清晰度计算模块140。
目标识别模块110，用于利用目标检测模型识别出待判定图片所包含的主物体及各主物体的位置。
在本申请的一个实施例中，目标检测模型的训练过程包括：
获取训练样本图片，训练样本图片中包含标注内容，标注内容包括训练样本图片所包含的全部物体的图像及各物体在图片中的位置；
将训练样本图片输入至待训练目标检测模型中，获得识别结果，识别结果包括图片所包含物体及各物体在图片中的位置；
根据识别结果与标注内容之间的误差，调整待训练目标检测模型中的参数，直到训练图片利用调整后的目标检测模型得到的识别结果与标注内容之间的误差小于阈值，得到目标检测模型。
目标分割模块120，用于从待判定图片中提取得到各个主物体的图像，得到主物体图像。
主物体清晰度计算模块130，用于对于任一主物体图像，对该主物体图像进行边缘检测，并根据该主物体图像对应的边缘检测图像计算得到该主物体图像的清晰度。
在本申请的一个实施例中，如图6所示，主物体清晰度计算模块130包括：灰度化处理子模块131、边缘检测子模132和清晰度计算子模块133。
灰度化处理子模块131，用于将主物体图像转换为灰度图。
边缘检测子模块132，用于对主物体图像的灰度图进行边缘检测，得到边缘检测图像。
清晰度计算子模块133，用于计算边缘检测图像的方差，并根据方差获得主物体图像的清晰度。
图片清晰度计算模块140，用于根据各个主物体图像的清晰度计算得到待判定图片的清晰度判定结果。
在本申请的一个实施例中，如图7所示，图片清晰度计算模块140包括：图片清晰度计算子模块141和图片清晰度判定子模块142。
图片清晰度计算子模块141，用于根据各个主物体图像的清晰度，以及各个主物体图像对应的权重，计算得到待判定图片的清晰度；
其中，各个主物体图像对应的权重的确定过程包括：计算各个主物体图像的面积；根据各主物体图像的面积在所有主物体图像的面积总和中的比例确定各个主物体图像的权重。
图片清晰度判定子模块142，用于将待判定图片的清晰度与清晰度阈值进行比较，得到待判定图片的清晰度判定结果，清晰度阈值由预先标注的清晰图片计算得到。
此外，可以根据实际需求更新清晰度阈值，例如始终以最新的清晰图片的清晰度作为清晰度阈值。
本实施例提供的图片清晰度判定装置，利用目标检测模型对待判定图片所包含的物体进行检测识别，得到至少一个主物体，然后，从待判定图片中提取出各主物体的图像，即主物体图像。对各主物体图像进行边缘检测，并根据边缘检测图像计算得到该主物体图像的清晰度。最后根据各主物体图像的清晰度得到整个图片的清晰度。该方案从图片中识别并提取出主物体图像，并计算主物体图像的清晰度，避免图片中包含的模糊背景或锐利背景对整个图片清晰度的影响，因此提高了图片清晰度判定结果的准确度。
另一方面，本申请还提供了另一种图片清晰度判定装置，该装置包括处理器和存储器，该存储器内存储有可在处理器上运行的程序。该处理器运行存储器内存储的该程序时实现上述任一种图片清晰度判定方法实施例。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述任一种图片清晰度判定方法。其中，该设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算设备可执行的存储介质，该存储介质中存储有程序，该程序由计算设备执行时实现上述任一种图片清晰度判定方法。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
需要说明的是，本说明书中的各个实施例记载的技术特征可以相互替代或组合，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，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。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请各实施例中的装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或子模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个子模块或模块可以结合或者可以集成到另一个模块，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。
最后，还需要说明的是，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。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种图片清晰度判定方法，其特征在于，包括：
利用目标检测模型识别出待判定图片所包含的主物体及各主物体的位置；
从所述待判定图片中提取得到各个主物体的图像，得到主物体图像；
对于任一主物体图像，对该主物体图像进行边缘检测，并根据该主物体图像对应的边缘检测图像计算得到该主物体图像的清晰度；
根据各个主物体图像的清晰度计算得到所述待判定图片的清晰度判定结果。
2.根据权利要求1所述的方法，其特征在于，对于任一主物体图像，对该主物体图像进行边缘检测，并根据该主物体图像对应的边缘检测图像计算得到该主物体图像的清晰度，包括：
将所述主物体图像转换为灰度图；
对所述主物体图像的灰度图进行边缘检测，得到边缘检测图像；
计算所述边缘检测图像的方差，并根据所述方差获得所述主物体图像的清晰度。
3.根据权利要求1所述的方法，其特征在于，所述根据各个主物体图像的清晰度计算得到所述待判定图片的清晰度判定结果，包括：
根据各个主物体图像的清晰度，以及各个主物体图像对应的权重，计算得到所述待判定图片的清晰度；
将所述待判定图片的清晰度与清晰度阈值进行比较，得到所述待判定图片的清晰度判定结果，所述清晰度阈值由预先标注的清晰图片计算得到。
4.根据权利要求3所述的方法，其特征在于，各个主物体图像对应的权重的确定过程，包括：
计算各个主物体图像的面积；
根据各主物体图像的面积在所有主物体图像的面积总和中的比例确定各个主物体图像的权重。
5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：
将所述清晰度阈值更新为最新的清晰图片的清晰度。
6.根据权利要求1所述的方法，其特征在于，目标检测模型的训练过程包括：
获取训练样本图片，所述训练样本图片中包含标注内容，所述标注内容包括所述训练样本图片所包含的全部物体的图像及各物体在图片中的位置；
将所述训练样本图片输入至待训练目标检测模型中，获得识别结果，所述识别结果包括图片所包含物体及各物体在图片中的位置；
根据所述识别结果与所述标注内容之间的误差，调整所述待训练目标检测模型中的参数，直到训练图片利用调整后的目标检测模型得到的识别结果与标注内容之间的误差小于阈值，得到所述目标检测模型。
7.一种图片清晰度判定装置，其特征在于，包括：
目标识别模块，用于利用目标检测模型识别出待判定图片所包含的主物体及各主物体的位置；
目标分割模块，用于从所述待判定图片中提取得到各个主物体的图像，得到主物体图像；
主物体清晰度计算模块，用于对于任一主物体图像，对该主物体图像进行边缘检测，并根据该主物体图像对应的边缘检测图像计算得到该主物体图像的清晰度；
图片清晰度计算模块，用于根据各个主物体图像的清晰度计算得到所述待判定图片的清晰度判定结果。
8.根据权利要求7所述的装置，其特征在于，主物体清晰度计算模块，包括：
灰度化处理子模块，用于将所述主物体图像转换为灰度图；
边缘检测子模块，用于对所述主物体图像的灰度图进行边缘检测，得到边缘检测图像；
清晰度计算子模块，用于计算所述边缘检测图像的方差，并根据所述方差获得所述主物体图像的清晰度。
9.根据权利要求7所述的装置，其特征在于，所述图片清晰度计算模块，包括：
图片清晰度计算子模块，用于根据各个主物体图像的清晰度，以及各个主物体图像对应的权重，计算得到所述待判定图片的清晰度；
图片清晰度判定子模块，用于将所述待判定图片的清晰度与清晰度阈值进行比较，得到所述待判定图片的清晰度判定结果，所述清晰度阈值由预先标注的清晰图片计算得到。
10.一种图片清晰度判定装置，其特征在于，包括：存储器和处理器；
所述存储器内存储有程序指令；
所述处理器用于调用所述存储器内的程序指令以执行权利要求1-6任一项所述的图片清晰度判定方法。
CN202010598556.0A 2020-06-28 2020-06-28 一种图片清晰度判定方法及装置 Pending CN111754491A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010598556.0A CN111754491A (zh) 2020-06-28 2020-06-28 一种图片清晰度判定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010598556.0A CN111754491A (zh) 2020-06-28 2020-06-28 一种图片清晰度判定方法及装置

Publications (1)

Publication Number Publication Date
CN111754491A true CN111754491A (zh) 2020-10-09

Family

ID=72677610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010598556.0A Pending CN111754491A (zh) 2020-06-28 2020-06-28 一种图片清晰度判定方法及装置

Country Status (1)

Country Link
CN (1) CN111754491A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232361A (zh) * 2020-10-13 2021-01-15 国网电子商务有限公司 图像处理的方法及装置、电子设备及计算机可读存储介质
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793918A (zh) * 2014-03-07 2014-05-14 深圳市辰卓科技有限公司 一种图像清晰度检测方法及装置
CN106548468A (zh) * 2016-10-13 2017-03-29 广州酷狗计算机科技有限公司 图像清晰度的判别方法及装置
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
CN110717922A (zh) * 2018-07-11 2020-01-21 普天信息技术有限公司 一种图像清晰度评价方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793918A (zh) * 2014-03-07 2014-05-14 深圳市辰卓科技有限公司 一种图像清晰度检测方法及装置
CN106548468A (zh) * 2016-10-13 2017-03-29 广州酷狗计算机科技有限公司 图像清晰度的判别方法及装置
CN110717922A (zh) * 2018-07-11 2020-01-21 普天信息技术有限公司 一种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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232361A (zh) * 2020-10-13 2021-01-15 国网电子商务有限公司 图像处理的方法及装置、电子设备及计算机可读存储介质
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
WO2023273017A1 (zh) * 2021-06-29 2023-01-05 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

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN113160192A (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
US20180012101A1 (en) Shadow detection and removal in license plate images
CN111507324B (zh) 卡片边框识别方法、装置、设备和计算机存储介质
CN114169381A (zh) 图像标注方法、装置、终端设备及存储介质
CN112749673A (zh) 一种基于遥感影像智能提取储油罐库存的方法及装置
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
CN111754491A (zh) 一种图片清晰度判定方法及装置
CN115861400B (zh) 目标对象检测方法、训练方法、装置以及电子设备
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
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
CN110895811A (zh) 一种图像篡改检测方法和装置
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN115083008A (zh) 运动目标检测方法、装置、设备及存储介质
KR102230559B1 (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
CN116958113A (zh) 一种产品检测方法、装置、设备及存储介质
CN110969602A (zh) 一种图像清晰程度检测方法及装置
CN111178200A (zh) 一种仪表盘指示灯的识别方法及计算设备
Ghandour et al. Building shadow detection based on multi-thresholding segmentation
CN116258908A (zh) 一种基于无人机遥感影像数据的地灾预测评估分类方法
CN116030472A (zh) 文字坐标确定方法及装置
CN115953463A (zh) 一种包裹打标识方法、装置、设备以及存储介质
CN114936395A (zh) 一种户型图识别方法、装置、计算机设备及存储介质
CN113870280A (zh) 预测以细胞为基质的抗体核型类别的方法、设备和介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201009