CN111932510A - 一种图像清晰度的确定方法及装置 - Google Patents

一种图像清晰度的确定方法及装置 Download PDF

Info

Publication number
CN111932510A
CN111932510A CN202010767332.8A CN202010767332A CN111932510A CN 111932510 A CN111932510 A CN 111932510A CN 202010767332 A CN202010767332 A CN 202010767332A CN 111932510 A CN111932510 A CN 111932510A
Authority
CN
China
Prior art keywords
image
determining
window
classification
preset
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.)
Granted
Application number
CN202010767332.8A
Other languages
English (en)
Other versions
CN111932510B (zh
Inventor
叶飞
何帆
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.)
Shenzhen Huishoubao Tech Co ltd
Original Assignee
Shenzhen Huishoubao Tech 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 Shenzhen Huishoubao Tech Co ltd filed Critical Shenzhen Huishoubao Tech Co ltd
Priority to CN202010767332.8A priority Critical patent/CN111932510B/zh
Priority to PCT/CN2020/120252 priority patent/WO2022027821A1/zh
Publication of CN111932510A publication Critical patent/CN111932510A/zh
Application granted granted Critical
Publication of CN111932510B publication Critical patent/CN111932510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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

Landscapes

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

Abstract

本申请提供一种图像清晰度的确定方法及装置，该图像清晰度的确定方法包括：获取摄像头拍摄的待处理图像；对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；基于至少两种图像分类结果确定窗口图像的图像清晰度；基于多个窗口图像的图像清晰度确定待处理图像的图像清晰度。本申请通过多种图像分类策略对窗口图像进行清晰度判断得到多种图像分类结果，综合多种图像分类结果判断窗口图像的清晰度，进而确定待处理图像的图像清晰度，能够提高图像清晰度判断的准确度。

Description

一种图像清晰度的确定方法及装置
技术领域
本申请涉及图像检测技术领域，具体涉及一种图像清晰度的确定方法及装置。
背景技术
现有对电子产品进行回收，基本上是通过线上测评，这种测评都是以问答的形式进行，这种测评是需要建立在良好信用基础之上的，若手机明显有缺陷，被回收人还强调是完整的，则回收人是无法确认，手机邮寄到回收人手里后，发现缺陷则就会出现推诿，产生纠纷。所以客观对手机的缺陷识别就更显的格外重要，通过对手机前置和后置摄像头的拍摄图片进行模糊判断是判断其功能是否完好的重要方法。现有技术判断图像清晰度的方式不准确。
也即，现有技术中现有技术判断图像清晰度的方式不准确。
发明内容
本申请实施例提供一种图像清晰度的确定方法及装置，旨在解决现有技术判断图像清晰度的方式不准确的问题。
第一方面，本申请提供一种图像清晰度的确定方法，所述图像清晰度的确定方法包括：
获取摄像头拍摄的待处理图像；
对所述待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；
基于至少两种图像分类策略对所述窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；
基于所述至少两种图像分类结果确定窗口图像的图像清晰度；
基于多个所述窗口图像的图像清晰度确定所述待处理图像的图像清晰度。
其中，所述对所述待处理图像进行前处理，得到多个第一预设尺寸的窗口图像，包括：
将所述待处理图像的尺寸调整至第二预设尺寸；
对第二预设尺寸的所述待处理图像进行灰度化，得到灰度化图像；
利用预设滑动窗口对所述灰度化图像进行切分，得到多个第一预设尺寸的窗口图像。
其中，所述基于至少两种图像分类策略对所述窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果，包括：
获取空域梯度分类策略、傅里叶变换频域分类策略以及经过训练的预设神经网络模型；
基于所述空域梯度分类策略对所述窗口图像进行图像清晰度判断，得到空域梯度分类结果；
基于所述傅里叶变换频域分类策略对所述窗口图像进行图像清晰度判断，得到傅里叶变换频域分类结果；
基于所述预设神经网络模型对所述窗口图像进行图像清晰度预测，得到神经网络模型分类结果；
所述基于所述至少两种图像分类结果确定窗口图像的图像清晰度，包括：
获取所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数；
基于所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数、神经网络模型分类结果的权重系数、所述空域梯度分类结果、所述傅里叶变换频域分类结果以及神经网络模型分类结果，确定所述窗口图像的图像清晰度。
其中，所述基于所述空域梯度分类策略对所述窗口图像进行图像清晰度判断，得到空域梯度分类结果，包括：
以拉普拉斯算子为滤波器模板对所述窗口图像进行滤波，得到滤波图像；
对所述滤波图像上的各个像素值进行标准差计算，得到滤波图像的标准偏差；
若滤波图像的标准偏差超过第一预设值，则确定空域梯度分类结果为窗口图像不清晰，若滤波图像的标准偏差不超过第一预设值，则确定空域梯度分类结果为窗口图像清晰。
其中，所述基于所述傅里叶变换频域分类策略对所述待处理图像进行图像清晰度判断，得到傅里叶变换频域分类结果，包括：
对所述窗口图像进行二维离散傅里叶变换，得到变换后的频域图像；
对变换后的频域图像进行频谱中心化，取绝对值并求对数，得到待分析的频域图像；
计算待分析的频域图像中图像中心点预设半径内的区域幅值和；
若所述区域幅值和超过第二预设值，则确定傅里叶变换频域分类结果为窗口图像不清晰；若所述区域幅值和不超过第二预设值，则确定傅里叶变换频域分类结果为图像清晰。
其中，所述获取空域梯度分类策略、傅里叶变换频域分类策略以及经过训练的预设神经网络模型，包括：
获取resnet50网络模型；
将resnet50网络模型的conv5_x模块之后的平均池化层和全连接层修改为预设卷积层，得到修改后的resnet50网络模型；
对修改后的resnet50网络模型进行训练，得到所述预设神经网络模型。
其中，所述获取所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数，包括：
获取具有权值分布的预设训练数据集；
基于所述空域梯度分类策略对所述预设训练数据集进行学习得到第一分类器；
基于所述傅里叶变换频域分类策略对所述预设训练数据集进行学习得到第二分类器；
基于所述预设神经网络模型对所述预设训练数据集进行学习得到第三分类器；
计算第一分类器、第二分类器以及第三分类器在所述预设训练数据集上的分类误差；
根据第一分类器、第二分类器以及第三分类器在所述预设训练数据集上的分类误差计算第一分类器的权重系数、第二分类器的权重系数以及第三分类器的权重系数；
基于第一分类器、第二分类器以及第三分类器的权重系数确定所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数。
第二方面，本申请提供一种图像清晰度的确定装置，所述确定装置包括：
获取单元，用于获取摄像头拍摄的待处理图像；
前处理单元，用于对所述待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；
清晰度判断单元，用于基于至少两种图像分类策略对所述窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；
第一确定单元，用于基于所述至少两种图像分类结果确定窗口图像的图像清晰度；
第二确定单元，基于多个所述窗口图像的图像清晰度确定所述待处理图像的图像清晰度。
其中，所述前处理单元还用于：
将所述待处理图像的尺寸调整至第二预设尺寸；
对第二预设尺寸的所述待处理图像进行灰度化，得到灰度化图像；
利用预设滑动窗口对所述灰度化图像进行切分，得到多个第一预设尺寸的窗口图像。
其中，所述清晰度判断单元还用于：
获取空域梯度分类策略、傅里叶变换频域分类策略以及经过训练的预设神经网络模型；
基于所述空域梯度分类策略对所述窗口图像进行图像清晰度判断，得到空域梯度分类结果；
基于所述傅里叶变换频域分类策略对所述窗口图像进行图像清晰度判断，得到傅里叶变换频域分类结果；
基于所述预设神经网络模型对所述窗口图像进行图像清晰度预测，得到神经网络模型分类结果；
所述第一确定单元还用于：
获取所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数；
基于所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数、神经网络模型分类结果的权重系数、所述空域梯度分类结果、所述傅里叶变换频域分类结果以及神经网络模型分类结果，确定所述窗口图像的图像清晰度。
其中，所述清晰度判断单元还用于：
以拉普拉斯算子为滤波器模板对所述窗口图像进行滤波，得到滤波图像；
对所述滤波图像上的各个像素值进行标准差计算，得到滤波图像的标准偏差；
若滤波图像的标准偏差超过第一预设值，则确定空域梯度分类结果为窗口图像不清晰，若滤波图像的标准偏差不超过第一预设值，则确定空域梯度分类结果为窗口图像清晰。
其中，所述清晰度判断单元还用于：
对所述窗口图像进行二维离散傅里叶变换，得到变换后的频域图像；
对变换后的频域图像进行频谱中心化，取绝对值并求对数，得到待分析的频域图像；
计算待分析的频域图像中图像中心点预设半径内的区域幅值和；
若所述区域幅值和超过第二预设值，则确定傅里叶变换频域分类结果为窗口图像不清晰；若所述区域幅值和不超过第二预设值，则确定傅里叶变换频域分类结果为图像清晰。
其中，所述清晰度判断单元还用于：
获取resnet50网络模型；
将resnet50网络模型的conv5_x模块之后的平均池化层和全连接层修改为预设卷积层，得到修改后的resnet50网络模型；
对修改后的resnet50网络模型进行训练，得到所述预设神经网络模型。
其中，所述第一确定单元还用于：
获取具有权值分布的预设训练数据集；
基于所述空域梯度分类策略对所述预设训练数据集进行学习得到第一分类器；
基于所述傅里叶变换频域分类策略对所述预设训练数据集进行学习得到第二分类器；
基于所述预设神经网络模型对所述预设训练数据集进行学习得到第三分类器；
计算第一分类器、第二分类器以及第三分类器在所述预设训练数据集上的分类误差；
根据第一分类器、第二分类器以及第三分类器在所述预设训练数据集上的分类误差计算第一分类器的权重系数、第二分类器的权重系数以及第三分类器的权重系数；
基于第一分类器、第二分类器以及第三分类器的权重系数确定所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数。
第三方面，本申请提供一种图像清晰度的确定装置，所述确定装置包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面任意一项所述的图像清晰度的确定方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行第一方面中任一项所述的图像清晰度的确定方法中的步骤。
本申请提供一种图像清晰度的确定方法，该图像清晰度的确定方法包括：获取摄像头拍摄的待处理图像；对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；基于至少两种图像分类结果确定窗口图像的图像清晰度；基于多个窗口图像的图像清晰度确定待处理图像的图像清晰度。本申请通过多种图像分类策略对窗口图像进行清晰度判断得到多种图像分类结果，综合多种图像分类结果判断窗口图像的清晰度，进而确定待处理图像的图像清晰度，能够提高图像清晰度判断的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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图像清晰度的确定方法的一个实施例流程示意图；
图2是本申请实施例中提供的图像清晰度的确定装置一个实施例结构示意图；
图3是本申请实施例中提供的图像清晰度的确定装置另一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种图像清晰度的确定方法、装置及存储介质。以下分别进行详细说明。
首先，本申请实施例中提供一种图像清晰度的确定方法及装置，该图像清晰度的确定方法包括：获取摄像头拍摄的待处理图像；对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；基于至少两种图像分类结果确定窗口图像的图像清晰度；基于多个窗口图像的图像清晰度确定待处理图像的图像清晰度。
请参阅图1，图1是本申请实施例提供的图像清晰度的确定方法的一个实施例流程示意图。如图1所示，该图像清晰度的确定方法包括：
S101、获取摄像头拍摄的待处理图像。
本申请实施例中，摄像头可以是手机的前置摄像头或后置摄像头。可以对手机摄像头拍摄的待处理图像进行清晰度判定，从而确定手机摄像头的功能是否损坏。
S102、对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像。
本申请实施例中，对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像，包括：
(1)将待处理图像的尺寸调整至第二预设尺寸。
本申请实施例中，第二预设尺寸可以是1024*640的尺寸。具体的，调用resize函数将待处理图像的尺寸调整至第二预设尺寸。resize函数可采用最近邻插值算法、双线性插值算法、双三次插值算法、兰索斯插值算法等。优选的，resize函数采用双线性插值算法。
(2)对第二预设尺寸的待处理图像进行灰度化，得到灰度化图像。
灰度化，在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值灰度范围为0-255。
本申请实施例中，将RGB三通道的第二预设尺寸的待处理图像进行灰度化，得到单通道的第二预设尺寸的待处理图像。灰度化图像即为单通道的第二预设尺寸的待处理图像。
(3)利用预设滑动窗口对灰度化图像进行切分，得到多个第一预设尺寸的窗口图像。
本申请实施例中，预设滑动窗口的尺寸可以是128*128、64*64等，预设滑动窗口的步长可以是64，根据具体情况设置即可，申请对此不做限定。第一预设尺寸可以是128*128、64*64等。
S103、基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果。
在一个具体的实施例中，至少两种图像分类策略包括三种图像分类策略，分别为：空域梯度分类策略、傅里叶变换频域分类策略以及经过训练的预设神经网络模型。当然，至少两种图像分类策略也可以是三种图像分类策略中任意两种的组合，至少两种图像分类策略也可以是4种、5种或者更多种图像分类策略，本申请对此不作限定。
在一个具体的实施例中，基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果，可以包括：
(1)获取空域梯度分类策略、傅里叶变换频域分类策略以及经过训练的预设神经网络模型。
在一个具体的实施例中，获取resnet50网络模型。resnet50网络模型一般包括：conv1模块、conv2_x模块、onv3_x模块、conv4_x模块、conv5_x模块、平均池化层、全连接层以及激活函数层。
将resnet50网络模型的conv5_x模块之后的平均池化层和全连接层修改为预设卷积层，得到修改后的resnet50网络模型。其中，预设卷积层的大小为3*3，步长为2，使输入到输出的下采样比例刚好为64倍。修改后的resnet50网络模型的损失函数采用softmax交叉熵。
对修改后的resnet50网络模型进行训练，得到预设神经网络模型。可以利用多张标记过的第一预设尺寸的窗口图像对预设神经网络模型进行训练，得到窗口图像清晰度的概率。例如，训练时采用64*64的图像输入，输出图像清晰度的概率。例如，对于一个窗口图像，预设神经网络模型会输出，窗口图像清晰的概率为60％，窗口图像不清晰的概率为40％。
(2)基于空域梯度分类策略对窗口图像进行图像清晰度判断，得到空域梯度分类结果。
本申请实施例中，以拉普拉斯算子为滤波器模板对窗口图像进行滤波，得到滤波图像。其中，滤波器模板可以为[1,1,1；1,-8,1；1,1,1]。
对滤波图像上的各个像素值进行标准差计算，得到滤波图像的标准偏差。
具体的，采用公式(1)计算滤波图像的标准偏差。
Figure BDA0002615194490000101
公式(1)中，N是滤波图像的所有像素个数，Xi是滤波图像的各个像素像素值，
Figure BDA0002615194490000102
是滤波图像的所有像素的平均值，s是滤波图像的标准偏差，其值越大，表明图像越清晰。
若滤波图像的标准偏差超过第一预设值，则确定空域梯度分类结果为窗口图像清晰，可将滤波图像对应的窗口图像记录标签为1。若滤波图像的标准偏差不超过第一预设值，则确定空域梯度分类结果为窗口图像不清晰，可将滤波图像对应的窗口图像记录标签为-1。第一预设值根据具体情况设置，本申请对此不作限定。
(3)基于傅里叶变换频域分类策略对窗口图像进行图像清晰度判断，得到傅里叶变换频域分类结果。
本申请实施例中，对窗口图像进行二维离散傅里叶变换，得到变换后的频域图像。具体的，根据公式(2)对窗口图像进行二维离散傅里叶变换；
Figure BDA0002615194490000111
其中M和N为窗口图像的宽和高，uv是变换后频域图像的频域坐标。
对变换后的频域图像进行频谱中心化，取绝对值并求对数，得到待分析的频域图像。计算待分析的频域图像中图像中心点预设半径内的区域幅值和。其中，预设半径可以为15。对变换后的频域图像进行频谱中心化后，低频信息位于图像中心点附近，计算中心点半径r＝15的区域幅值和。
若区域幅值和超过第二预设值，则确定傅里叶变换频域分类结果为窗口图像不清晰，可将滤波图像对应的窗口图像记录标签为-1；若区域幅值和不超过第二预设值，则确定傅里叶变换频域分类结果为窗口图像清晰，可将滤波图像对应的窗口图像记录标签为1。第二预设值根据具体情况设置，本申请对此不作限定。
(4)基于预设神经网络模型对窗口图像进行图像清晰度预测，得到神经网络模型分类结果。
利用预设神经网络模型对窗口图像进行图像清晰度预测，得到神经网络模型分类结果。具体的，将预设神经网络模型的输出结果中概率较高的预测值作为神经网络模型分类结果。例如，预设神经网络模型的输出结果为：窗口图像清晰的概率为60％，窗口图像不清晰的概率为40％。则神经网络模型分类结果为窗口图像清晰。
S104、基于至少两种图像分类结果确定窗口图像的图像清晰度。
本申请实施例中，获取空域梯度分类结果的权重系数、傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数；基于空域梯度分类结果的权重系数、傅里叶变换频域分类结果的权重系数、神经网络模型分类结果的权重系数、空域梯度分类结果、傅里叶变换频域分类结果以及神经网络模型分类结果，确定窗口图像的图像清晰度。
在一个具体的实施例中，获取空域梯度分类结果的权重系数、傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数，包括：
(1)获取具有权值分布的预设训练数据集。
在一个具体的实施例中，获取训练数据D＝{(x1,y1),(x2,y2),...,(xN,yN)}，其中xi为输入的窗口图像，yi取值为-1或1，yi取值为-1表示图像xi不清晰，yi取值为1表示图像xi清晰。
初始化训练数据的权值分布
Figure BDA0002615194490000121
得到具有权值分布的预设训练数据集。
(2)基于空域梯度分类策略对预设训练数据集进行学习得到第一分类器。
分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。分类器的构造和实施大体会经过以下几个步骤：
选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分。
在训练样本上执行分类器算法，生成分类模型。
在测试样本上执行分类模型，生成预测结果。
根据预测结果，计算必要的评估指标，评估分类模型的性能。
具体的，基于空域梯度分类策略对预设训练数据集进行学习得到第一分类器h1(x)。
(3)基于傅里叶变换频域分类策略对预设训练数据集进行学习得到第二分类器。
具体的，基于傅里叶变换频域分类策略对预设训练数据集进行学习得到第二分类器h2(x)。
(4)基于预设神经网络模型对预设训练数据集进行学习得到第三分类器。
具体的，基于预设神经网络模型对预设训练数据集进行学习得到第三分类器h3(x)。
(5)计算第一分类器、第二分类器以及第三分类器在预设训练数据集上的分类误差。
具体的，根据公式(3)，计算第一分类器在预设训练数据集上的分类误差e1、计算第二分类器在预设训练数据集上的分类误差e2，计算第三分类器在预设训练数据集上的分类误差e3。
Figure BDA0002615194490000131
其中，m＝1，2，3。
(6)根据第一分类器、第二分类器以及第三分类器在预设训练数据集上的分类误差计算第一分类器的权重系数、第二分类器的权重系数以及第三分类器的权重系数。
本申请实施例中，根据公式(4)计算第一分类器的权重系数α1、第二分类器的权重系数α2以及第三分类器的权重系数α3。
Figure BDA0002615194490000132
(7)基于第一分类器、第二分类器以及第三分类器的权重系数确定空域梯度分类结果的权重系数、傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数。
具体的，将第一分类器的权重系数确定为空域梯度分类结果的权重系数，将第二分类器的权重系数确定为傅里叶变换频域分类结果的权重系数，将第三分类器的权重系数确定为神经网络模型分类结果的权重系数。
在一个具体的实施例中，基于空域梯度分类结果的权重系数、傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数对空域梯度分类结果、傅里叶变换频域分类结果以及神经网络模型分类结果进行加权平均，得到加权平均结果。根据加权平均结果确定窗口图像的清晰度。
具体的，根据公式(5)对空域梯度分类结果、傅里叶变换频域分类结果以及神经网络模型分类结果进行加权平均，得到加权平均结果。
Figure BDA0002615194490000141
例如，加权平均结果小于0，则表示窗口图像不清晰，若加权平均结果大于0则表示窗口图像清晰。
S105、基于多个窗口图像的图像清晰度确定待处理图像的图像清晰度。
在一个具体的实施例中，若多个窗口图像存在不清晰的图像，则判断待处理图像不清晰。若多个窗口图像均为清晰的图像，则判断待处理图像清晰。
本申请提供一种图像清晰度的确定方法，该图像清晰度的确定方法包括：获取摄像头拍摄的待处理图像；对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；基于至少两种图像分类结果确定窗口图像的图像清晰度；基于多个窗口图像的图像清晰度确定待处理图像的图像清晰度。本申请通过多种图像分类策略对窗口图像进行清晰度判断得到多种图像分类结果，综合多种图像分类结果判断窗口图像的清晰度，进而确定待处理图像的图像清晰度，能够提高图像清晰度判断的准确度。
为了更好实施本申请实施例中图像清晰度的确定方法，在图像清晰度的确定方法基础之上，本申请实施例中还提供一种图像清晰度的确定装置。如图2所示，图2是本申请实施例中提供的图像清晰度的确定装置一个实施例结构示意图，该确定装置包括：
获取单元401，用于获取摄像头拍摄的待处理图像；
前处理单元402，用于对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；
清晰度判断单元403，用于基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；
第一确定单元404，用于基于至少两种图像分类结果确定窗口图像的图像清晰度；
第二确定单元405，基于多个窗口图像的图像清晰度确定待处理图像的图像清晰度。
其中，前处理单元402还用于：
将待处理图像的尺寸调整至第二预设尺寸；
对第二预设尺寸的待处理图像进行灰度化，得到灰度化图像；
利用预设滑动窗口对灰度化图像进行切分，得到多个第一预设尺寸的窗口图像。
其中，清晰度判断单元403还用于：
获取空域梯度分类策略、傅里叶变换频域分类策略以及经过训练的预设神经网络模型；
基于空域梯度分类策略对窗口图像进行图像清晰度判断，得到空域梯度分类结果；
基于傅里叶变换频域分类策略对窗口图像进行图像清晰度判断，得到傅里叶变换频域分类结果；
基于预设神经网络模型对窗口图像进行图像清晰度预测，得到神经网络模型分类结果；
第一确定单元404还用于：
获取空域梯度分类结果的权重系数、傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数；
基于空域梯度分类结果的权重系数、傅里叶变换频域分类结果的权重系数、神经网络模型分类结果的权重系数、空域梯度分类结果、傅里叶变换频域分类结果以及神经网络模型分类结果，确定窗口图像的图像清晰度。
其中，清晰度判断单元403还用于：
以拉普拉斯算子为滤波器模板对窗口图像进行滤波，得到滤波图像；
对滤波图像上的各个像素值进行标准差计算，得到滤波图像的标准偏差；
若滤波图像的标准偏差超过第一预设值，则确定空域梯度分类结果为窗口图像不清晰，若滤波图像的标准偏差不超过第一预设值，则确定空域梯度分类结果为窗口图像清晰。
其中，清晰度判断单元403还用于：
对窗口图像进行二维离散傅里叶变换，得到变换后的频域图像；
对变换后的频域图像进行频谱中心化，取绝对值并求对数，得到待分析的频域图像；
计算待分析的频域图像中图像中心点预设半径内的区域幅值和；
若区域幅值和超过第二预设值，则确定傅里叶变换频域分类结果为窗口图像不清晰；若区域幅值和不超过第二预设值，则确定傅里叶变换频域分类结果为图像清晰。
其中，清晰度判断单元403还用于：
获取resnet50网络模型；
将resnet50网络模型的conv5_x模块之后的平均池化层和全连接层修改为预设卷积层，得到修改后的resnet50网络模型；
对修改后的resnet50网络模型进行训练，得到预设神经网络模型。
其中，第一确定单元404还用于：
获取具有权值分布的预设训练数据集；
基于空域梯度分类策略对预设训练数据集进行学习得到第一分类器；
基于傅里叶变换频域分类策略对预设训练数据集进行学习得到第二分类器；
基于预设神经网络模型对预设训练数据集进行学习得到第三分类器；
计算第一分类器、第二分类器以及第三分类器在预设训练数据集上的分类误差；
根据第一分类器、第二分类器以及第三分类器在预设训练数据集上的分类误差计算第一分类器的权重系数、第二分类器的权重系数以及第三分类器的权重系数；
基于第一分类器、第二分类器以及第三分类器的权重系数确定空域梯度分类结果的权重系数、傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数。
本申请实施例还提供一种图像清晰度的确定装置。如图3所示，图3是本申请实施例中提供的图像清晰度的确定装置另一个实施例结构示意图，具体来讲：
该图像清晰度的确定装置可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读计算机可读存储介质的存储器502、电源503和输入单元504等部件。本领域技术人员可以理解，图中示出的图像清晰度的确定装置结构并不构成对图像清晰度的确定装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器501是该图像清晰度的确定装置的控制中心，利用各种接口和线路连接整个图像清晰度的确定装置的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行图像清晰度的确定装置的各种功能和处理数据，从而对图像清晰度的确定装置进行整体监控。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据图像清晰度的确定装置的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
图像清晰度的确定装置还包括给各个部件供电的电源503，优选的，电源503可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源503还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该图像清晰度的确定装置还可包括输入单元504，该输入单元504可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，图像清晰度的确定装置还可以包括显示单元等，在此不再赘述。具体在本实施例中，图像清晰度的确定装置中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：
获取摄像头拍摄的待处理图像；对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；基于至少两种图像分类结果确定窗口图像的图像清晰度；基于多个窗口图像的图像清晰度确定待处理图像的图像清晰度。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读计算机可读存储介质中，并由处理器进行加载和执行。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random AccessMemory)、磁盘或光盘等。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种图像清晰度的确定方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：
获取摄像头拍摄的待处理图像；对待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；基于至少两种图像分类策略对窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；基于至少两种图像分类结果确定窗口图像的图像清晰度；基于多个窗口图像的图像清晰度确定待处理图像的图像清晰度。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种图像清晰度的确定方法、装置及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种图像清晰度的确定方法，其特征在于，所述图像清晰度的确定方法包括：
获取摄像头拍摄的待处理图像；
对所述待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；
基于至少两种图像分类策略对所述窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；
基于所述至少两种图像分类结果确定窗口图像的图像清晰度；
基于多个所述窗口图像的图像清晰度确定所述待处理图像的图像清晰度。
2.根据权利要求1所述的图像清晰度的确定方法，其特征在于，所述对所述待处理图像进行前处理，得到多个第一预设尺寸的窗口图像，包括：
将所述待处理图像的尺寸调整至第二预设尺寸；
对第二预设尺寸的所述待处理图像进行灰度化，得到灰度化图像；
利用预设滑动窗口对所述灰度化图像进行切分，得到多个第一预设尺寸的窗口图像。
3.根据权利要求2所述的图像清晰度的确定方法，其特征在于，
所述基于至少两种图像分类策略对所述窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果，包括：
获取空域梯度分类策略、傅里叶变换频域分类策略以及经过训练的预设神经网络模型；
基于所述空域梯度分类策略对所述窗口图像进行图像清晰度判断，得到空域梯度分类结果；
基于所述傅里叶变换频域分类策略对所述窗口图像进行图像清晰度判断，得到傅里叶变换频域分类结果；
基于所述预设神经网络模型对所述窗口图像进行图像清晰度预测，得到神经网络模型分类结果；
所述基于所述至少两种图像分类结果确定窗口图像的图像清晰度，包括：
获取所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数；
基于所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数、神经网络模型分类结果的权重系数、所述空域梯度分类结果、所述傅里叶变换频域分类结果以及神经网络模型分类结果，确定所述窗口图像的图像清晰度。
4.根据权利要求3所述的图像清晰度的确定方法，其特征在于，所述基于所述空域梯度分类策略对所述窗口图像进行图像清晰度判断，得到空域梯度分类结果，包括：
以拉普拉斯算子为滤波器模板对所述窗口图像进行滤波，得到滤波图像；
对所述滤波图像上的各个像素值进行标准差计算，得到滤波图像的标准偏差；
若滤波图像的标准偏差超过第一预设值，则确定空域梯度分类结果为窗口图像不清晰，若滤波图像的标准偏差不超过第一预设值，则确定空域梯度分类结果为窗口图像清晰。
5.根据权利要求4所述的图像清晰度的确定方法，其特征在于，所述基于所述傅里叶变换频域分类策略对所述待处理图像进行图像清晰度判断，得到傅里叶变换频域分类结果，包括：
对所述窗口图像进行二维离散傅里叶变换，得到变换后的频域图像；
对变换后的频域图像进行频谱中心化，取绝对值并求对数，得到待分析的频域图像；
计算待分析的频域图像中图像中心点预设半径内的区域幅值和；
若所述区域幅值和超过第二预设值，则确定傅里叶变换频域分类结果为窗口图像不清晰；若所述区域幅值和不超过第二预设值，则确定傅里叶变换频域分类结果为图像清晰。
6.根据权利要求5所述的图像清晰度的确定方法，其特征在于，所述获取空域梯度分类策略、傅里叶变换频域分类策略以及经过训练的预设神经网络模型，包括：
获取resnet50网络模型；
将resnet50网络模型的conv5_x模块之后的平均池化层和全连接层修改为预设卷积层，得到修改后的resnet50网络模型；
对修改后的resnet50网络模型进行训练，得到所述预设神经网络模型。
7.根据权利要求6所述的图像清晰度的确定方法，其特征在于，所述获取所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数，包括：
获取具有权值分布的预设训练数据集；
基于所述空域梯度分类策略对所述预设训练数据集进行学习得到第一分类器；
基于所述傅里叶变换频域分类策略对所述预设训练数据集进行学习得到第二分类器；
基于所述预设神经网络模型对所述预设训练数据集进行学习得到第三分类器；
计算第一分类器、第二分类器以及第三分类器在所述预设训练数据集上的分类误差；
根据第一分类器、第二分类器以及第三分类器在所述预设训练数据集上的分类误差计算第一分类器的权重系数、第二分类器的权重系数以及第三分类器的权重系数；
基于第一分类器、第二分类器以及第三分类器的权重系数确定所述空域梯度分类结果的权重系数、所述傅里叶变换频域分类结果的权重系数以及神经网络模型分类结果的权重系数。
8.一种图像清晰度的确定装置，其特征在于，所述训练装置包括：
获取单元，用于获取摄像头拍摄的待处理图像；
前处理单元，用于对所述待处理图像进行前处理，得到多个第一预设尺寸的窗口图像；
清晰度判断单元，用于基于至少两种图像分类策略对所述窗口图像进行图像清晰度判断，得到对应的至少两种图像分类结果；
第一确定单元，用于基于所述至少两种图像分类结果确定窗口图像的图像清晰度；
第二确定单元，基于多个所述窗口图像的图像清晰度确定所述待处理图像的图像清晰度。
9.一种图像清晰度的确定装置，其特征在于，所述确定装置包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的图像清晰度的确定方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7中任一项所述的图像清晰度的确定方法中的步骤。
CN202010767332.8A 2020-08-03 2020-08-03 一种图像清晰度的确定方法及装置 Active CN111932510B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010767332.8A CN111932510B (zh) 2020-08-03 2020-08-03 一种图像清晰度的确定方法及装置
PCT/CN2020/120252 WO2022027821A1 (zh) 2020-08-03 2020-10-11 一种图像清晰度的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010767332.8A CN111932510B (zh) 2020-08-03 2020-08-03 一种图像清晰度的确定方法及装置

Publications (2)

Publication Number Publication Date
CN111932510A true CN111932510A (zh) 2020-11-13
CN111932510B CN111932510B (zh) 2024-03-05

Family

ID=73306416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010767332.8A Active CN111932510B (zh) 2020-08-03 2020-08-03 一种图像清晰度的确定方法及装置

Country Status (2)

Country Link
CN (1) CN111932510B (zh)
WO (1) WO2022027821A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066059A (zh) * 2021-03-22 2021-07-02 平安银行股份有限公司 图像清晰度检测方法、装置、设备及存储介质
CN113111888A (zh) * 2021-04-15 2021-07-13 广州图匠数据科技有限公司 一种图片判别方法及装置
CN113902740A (zh) * 2021-12-06 2022-01-07 深圳佑驾创新科技有限公司 图像模糊程度评价模型的构建方法
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
CN117218452A (zh) * 2023-11-02 2023-12-12 临沂市兰山区自然资源开发服务中心 一种土地图像自动分类管理系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563170B (zh) * 2023-07-10 2023-09-15 中国人民解放军空军特色医学中心 一种图像数据处理方法、系统以及电子设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102355572A (zh) * 2011-09-29 2012-02-15 南京云创存储科技有限公司 一种基于云计算的大型高清视频监控系统
CN102893626A (zh) * 2010-05-17 2013-01-23 Lg电子株式会社 用于设置清晰度的方法和图像显示装置
CN102982513A (zh) * 2012-12-04 2013-03-20 电子科技大学 一种基于纹理的自适应图像去雾方法
US20150055820A1 (en) * 2013-08-22 2015-02-26 Ut-Battelle, Llc Model for mapping settlements
US20150310602A1 (en) * 2014-04-23 2015-10-29 Samsung Electronics Co., Ltd. X-ray imaging apparatus and image processing method thereof
CN105408746A (zh) * 2013-02-28 2016-03-16 普罗吉涅股份有限公司 基于图像的人胚胎细胞分类的装置、方法和系统
CN106934790A (zh) * 2015-12-30 2017-07-07 浙江大华技术股份有限公司 一种图像清晰度的评价方法、自动聚焦的方法及相应装置
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
KR20190015645A (ko) * 2017-07-25 2019-02-14 국방과학연구소 해상 기동 물체 탐지 추적 방법 및 해상 기동 물체 탐지 추적 장치
CN110517246A (zh) * 2019-08-23 2019-11-29 腾讯科技（深圳）有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111062439A (zh) * 2019-12-17 2020-04-24 腾讯科技（深圳）有限公司 一种视频清晰度分类方法、装置、设备和存储介质
CN111134650A (zh) * 2019-12-26 2020-05-12 上海眼控科技股份有限公司 心率信息获取方法、装置、计算机设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101943839B (zh) * 2010-07-06 2012-09-05 浙江大学 一体化的自动聚焦摄像机装置的自动聚焦方法
US10769432B2 (en) * 2018-10-10 2020-09-08 Drvision Technologies Llc Automated parameterization image pattern recognition method

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102893626A (zh) * 2010-05-17 2013-01-23 Lg电子株式会社 用于设置清晰度的方法和图像显示装置
CN102355572A (zh) * 2011-09-29 2012-02-15 南京云创存储科技有限公司 一种基于云计算的大型高清视频监控系统
CN102982513A (zh) * 2012-12-04 2013-03-20 电子科技大学 一种基于纹理的自适应图像去雾方法
CN105408746A (zh) * 2013-02-28 2016-03-16 普罗吉涅股份有限公司 基于图像的人胚胎细胞分类的装置、方法和系统
US20150055820A1 (en) * 2013-08-22 2015-02-26 Ut-Battelle, Llc Model for mapping settlements
US20150310602A1 (en) * 2014-04-23 2015-10-29 Samsung Electronics Co., Ltd. X-ray imaging apparatus and image processing method thereof
CN106934790A (zh) * 2015-12-30 2017-07-07 浙江大华技术股份有限公司 一种图像清晰度的评价方法、自动聚焦的方法及相应装置
KR20190015645A (ko) * 2017-07-25 2019-02-14 국방과학연구소 해상 기동 물체 탐지 추적 방법 및 해상 기동 물체 탐지 추적 장치
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
CN110517246A (zh) * 2019-08-23 2019-11-29 腾讯科技（深圳）有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111062439A (zh) * 2019-12-17 2020-04-24 腾讯科技（深圳）有限公司 一种视频清晰度分类方法、装置、设备和存储介质
CN111134650A (zh) * 2019-12-26 2020-05-12 上海眼控科技股份有限公司 心率信息获取方法、装置、计算机设备和存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066059A (zh) * 2021-03-22 2021-07-02 平安银行股份有限公司 图像清晰度检测方法、装置、设备及存储介质
CN113066059B (zh) * 2021-03-22 2024-05-17 平安银行股份有限公司 图像清晰度检测方法、装置、设备及存储介质
CN113111888A (zh) * 2021-04-15 2021-07-13 广州图匠数据科技有限公司 一种图片判别方法及装置
CN113111888B (zh) * 2021-04-15 2024-04-26 广州图匠数据科技有限公司 一种图片判别方法及装置
CN113902740A (zh) * 2021-12-06 2022-01-07 深圳佑驾创新科技有限公司 图像模糊程度评价模型的构建方法
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
CN117218452A (zh) * 2023-11-02 2023-12-12 临沂市兰山区自然资源开发服务中心 一种土地图像自动分类管理系统
CN117218452B (zh) * 2023-11-02 2024-02-06 临沂市兰山区自然资源开发服务中心 一种土地图像自动分类管理系统

Also Published As

Publication number Publication date
WO2022027821A1 (zh) 2022-02-10
CN111932510B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN111932510B (zh) 一种图像清晰度的确定方法及装置
US20180181796A1 (en) Image processing method and apparatus
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN109345540B (zh) 一种图像处理方法、电子设备及存储介质
CN111652869B (zh) 基于深度学习的板坯空洞识别方法、系统、介质及终端
CN110135514B (zh) 一种工件分类方法、装置、设备及介质
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN113570007B (zh) 零件缺陷识别模型构建优化方法、装置、设备及存储介质
CN116363140B (zh) 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质
CN111507426A (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
CN116342597B (zh) 一种汽车配件表面电镀加工缺陷检测方法和系统
CN111275660A (zh) 一种平板显示器缺陷检测方法及装置
CN116740728B (zh) 一种用于晶圆读码器动态获取方法和系统
CN116030237A (zh) 工业缺陷检测方法、装置及电子设备、存储介质
CN115038965A (zh) 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置
CN114749342A (zh) 一种锂电池极片涂布缺陷识别方法、装置及介质
CN114926441A (zh) 一种注塑件加工成型的缺陷检测方法及系统
CN111563556B (zh) 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统
JP2021086379A (ja) 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法
CN114170168A (zh) 显示模组缺陷检测方法、系统及计算机可读存储介质
Liang et al. A supervised figure-ground segmentation method using genetic programming
CN115239947A (zh) 基于无监督学习的小麦条锈病严重度评估方法及装置
WO2021065937A1 (ja) 機械学習装置
CN115564702A (zh) 模型训练方法、系统、设备、存储介质及缺陷检测方法
CN111798376A (zh) 图像识别方法、装置、电子设备及存储介质

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