CN112767392A - 图像清晰度确定方法、装置、设备及存储介质 - Google Patents
图像清晰度确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112767392A CN112767392A CN202110231007.4A CN202110231007A CN112767392A CN 112767392 A CN112767392 A CN 112767392A CN 202110231007 A CN202110231007 A CN 202110231007A CN 112767392 A CN112767392 A CN 112767392A
- Authority
- CN
- China
- Prior art keywords
- dark channel
- definition
- determining
- target image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000002349 favourable effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 239000004519 grease Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20081—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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Abstract
本发明实施例公开了图像清晰度确定方法、装置、设备及存储介质。其中,该方法包括:获取目标图像中各像素对应的暗通道值;基于所述暗通道值确定所述目标图像对应的评估指标信息,其中,所述评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种;将所述评估指标信息输入至预设清晰度确定模型,并根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度。本发明实施例提供的技术方案,可以提升图像清晰度确定的准确性。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及图像清晰度确定方法、装置、设备及存储介质。
背景技术
图像的清晰度是衡量图像质量优劣的重要指标,它能够较好的与人的主观感受相对应,若图像的清晰度较低,则用户的主观感受是图像比较模糊,难以获取图像中的有效信息,且一般不符合用户的审美要求。
目前,存在很多场景需要对图像的清晰度进行评价,相继也出现了很多用于确定图像清晰度的方案,较为常用的包括基于各种函数的确定方案,如布伦纳(Brenner)梯度函数、灰度方差函数以及能量梯度函数等等。然而,现有的方案确定方式通常比较简单,准确度有待提高。
发明内容
本发明实施例提供了图像清晰度确定方法、装置、设备及存储介质,可以优化现有的图像清晰度确定方案。
第一方面,本发明实施例提供了一种图像清晰度确定方法,该方法包括:
获取目标图像中各像素对应的暗通道值;
基于所述暗通道值确定所述目标图像对应的评估指标信息,其中,所述评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种;
将所述评估指标信息输入至预设清晰度确定模型,并根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度。
第二方面,本发明实施例提供了一种图像清晰度确定装置,该装置包括:
暗通道值获取模块,用于获取目标图像中各像素对应的暗通道值;
评估指标信息确定模块,用于基于所述暗通道值确定所述目标图像对应的评估指标信息,其中,所述评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种;
清晰度确定模块,用于将所述评估指标信息输入至预设清晰度确定模型,并根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例提供的图像清晰度确定方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例提供的图像清晰度确定方法。
本发明实施例中提供的图像清晰度确定方案,获取目标图像中各像素对应的暗通道值,基于暗通道值确定目标图像对应的评估指标信息,其中,评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种,将评估指标信息输入至预设清晰度确定模型,并根据预设清晰度确定模型的输出结果确定所述目标图像的清晰度。通过采用上述技术方案,针对需要进行清晰度评估的目标图像,可以根据其中各像素对应的暗通道值来合理准确地确定评估指标信息,在将评估指标信息输入到相应的预设清晰度确定模型后,可以得出准确的清晰度评估结果,从而提升图像清晰度确定方案的准确性。
附图说明
图1为本发明实施例提供的一种图像清晰度确定方法的流程示意图;
图2为本发明实施例提供的又一种图像清晰度确定方法的流程示意图;
图3为本发明实施例提供的一种图像对比示意图;
图4为本发明实施例提供的另一种图像清晰度确定方法的流程示意图;
图5为本发明实施例提供的一种屏幕界面示意图;
图6为本发明实施例提供的一种图像清晰度确定装置的结构框图;
图7为本发明实施例提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
图1为本发明实施例提供的一种图像清晰度确定方法的流程示意图,该方法可以由图像清晰度确定装置执行,其中该装置可由软件和/或硬件实现,一般可集成在计算机设备中。如图1所示,该方法包括:
步骤101、获取目标图像中各像素对应的暗通道值。
本发明实施例中,对目标图像的来源不做限定,可以来自摄像头等图像采集装置采集的图像(可以是拍摄后生成的照片,也可以是预览图像或缓存图像等),也可以来自计算机设备本地存储的图像,还可以来自通过网络获取的图像。可以将上述不同来源的图像称为初始图像,目标图像可以包含初始图像中的全部图像内容(例如将初始图像作为目标图像),目标图像还可以包含初始图像中的部分图像内容(例如对初始图像中的感兴趣区域进行截取,得到目标图像,感兴趣区域所处位置可以根据实际需求设置)。
暗通道指按图像的红绿蓝(Red Green Blue,RGB)三通道值中取得最小值构成的灰度图。暗通道是一个基本假设,这个假设认为,图像中存在颜色较暗的物体或者表面时,它们的颜色通道中应具有一个很低的值,对应的暗通道的值应是较低的。
目标图像中包含多个像素,每一个像素都可以对应一组RGB三通道值,RGB三通道值分别表示了像素的红、绿、蓝等三个颜色的分量的大小,暗通道值可以指RGB三个通道值中的最小通道值。例如,对于像素A,R通道值为20,G通道值为30,B通道值为50,则像素A对应的暗通道值为R通道值的数值,即20;对于像素B,R通道值为60,G通道值为30,B通道值为50,则像素B对应的暗通道值为G通道值的数值,即30。本步骤中,可以针对目标图像中的每个像素,分别确定当前像素对应的暗通道值,进而得到目标图像中所有像素分别对应的暗通道值。
步骤102、基于所述暗通道值确定所述目标图像对应的评估指标信息,其中,所述评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种。
示例性的,基于上述暗通道的假设,图像中存在的颜色较暗的物体或者表面对应的暗通道的值应是较低的,而对于一张图像来说,其清晰度可能会受到拍摄物体、拍摄环境以及拍摄设备等多方面的影响,当拍摄物体颜色较暗时、拍摄环境有雾或等、以及摄像头存在脏污等,均会导致图像不够清晰,经过研究发现,拍摄环境有雾等以及摄像头存在脏污等情况下拍摄的图像中,对应雾的部分和对应脏污的部分的暗通道的值也是较低的,因此,可以基于暗通道值来对不清晰的部分进行表征,对暗通道值进行相应的运算后,得到的信息可作为图像的评估指标信息。
示例性的,评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种。为了提升评估指标的全面性,使得评估结果更加准确,评估指标信息可以包括上述任意两种或包括上述三种,当然,还可以增加其他的与暗通道值相关的信息作为评估指标信息(如最小暗通道值等),也可以增加其他的与暗通道值无关的信息作为评估指标信息(例如将RGB格式转变成YUV格式,其中,Y表示明亮度,U和V表示色度,以该格式中的Y通道的值确定亮度信息),具体不做限定。
示例性的,暗通道积分信息可以包括在一定的预先设置的一个或多个暗通道值区间内包含的像素点的数量;曝光程度信息可以包括利用暗通道值来表征的曝光程度,如曝光不足、曝光正常或曝光过度等,具体表征方式不做限定,可以根据实际情况选择适当的计算方式;亮度信息可以包括利用暗通道值来表征的图像亮度,具体表征方式不做限定,可以根据实际情况选择适当的计算方式。
步骤103、将所述评估指标信息输入至预设清晰度确定模型,并根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度。
示例性的,可以预先准备训练样本集合,训练样本集合可以包含大量的图像,采用人工标注等方式标注各图像的清晰度作为样本标签,并利用训练样本集合对预设模型进行训练,进而得到预设清晰度确定模型,在本步骤中,将目标图像对应的评估指标信息输入至预设清晰度确定模型,进而确定目标图像的清晰度。其中,预设模型可以是预设机器学习模型,也可以是其他模型,模型中的具体结构以及权重参数等具体不做限定,可根据实际情况进行选取。其中,样本标签可以是清晰度评分,具体范围可以自由设置,如0至10中的整数,0表示最不清晰,也即清晰度最低等级,10表示最清晰,也即清晰度最高等级。
本发明实施例中提供的图像清晰度确定方法,获取目标图像中各像素对应的暗通道值,基于暗通道值确定目标图像对应的评估指标信息,其中,评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种,将评估指标信息输入至预设清晰度确定模型,并根据预设清晰度确定模型的输出结果确定所述目标图像的清晰度。通过采用上述技术方案,针对需要进行清晰度评估的目标图像,可以根据其中各像素对应的暗通道值来合理准确地确定评估指标信息,在将评估指标信息输入到相应的预设清晰度确定模型后,可以得出准确的清晰度评估结果,从而提升图像清晰度确定方案的准确性。
在一些实施例中,当所述评估指标信息包括暗通道积分信息时,所述基于所述暗通道值确定所述目标图像对应的评估指标信息,包括:针对至少两个第一预设暗通道值区间中的每个第一预设暗通道值区间,统计当前第一预设暗通道值区间内包含的像素点的数量,得到所述当前第一预设暗通道值区间对应的暗通道积分值;根据至少两个暗通道积分值确定所述目标图像对应的暗通道积分信息。这样设置的好处在于,不同暗通道值区间可以体现出图像的明暗程度等情况,各区间内的像素点总数量可以体现出图像的不同明暗程度的区域的分布情况,可有利于对图像清晰度进行准确评估。其中,第一预设暗通道值区间的数量以及各第一预设暗通道值区间的区间范围可以根据实际情况进行设置。至少两个暗通道积分值可以指从所有计算得到的暗通道积分值中选取至少两个,例如选取至少两个最大值;至少两个暗通道积分值可以指所有计算得到的暗通道积分值,也即至少两个第一预设暗通道值区间分别对应的暗通道积分值。可选的,所述至少两个第一预设暗通道值区间中的任意两个第一预设暗通道值区间不存在交集。进一步的,至少两个第一预设暗通道值区间的并集为0至255。
在一些实施例中,当所述评估指标信息包括曝光程度信息时,所述基于所述暗通道值确定所述目标图像对应的评估指标信息,包括:计算第二预设暗通道值区间内包含的像素点对应的暗通道值的总和,其中,所述第二预设暗通道值区间用于表示曝光过度;统计所述第二预设暗通道值区间内包含的像素点的总数,其中,所述第二预设暗通道值区间用于表示曝光过度;根据所述总和与所述总数的商确定所述目标图像对应的曝光程度信息。这样设置的好处在于,曝光过度的情况会影响图像的清晰度,通过研究曝光过度区域对应的暗通道值可以合理地确定出第二预设暗通道值区间,利用第二预设暗通道值区间内包含的像素点的暗通道值的均值,可以准确地表征曝光过度情况的严重程度,进而有利于对图像清晰度进行准确评估。其中,可以将总和与总数的商作为曝光程度信息,也可以在该商的基础上进行其他运算,如归一化运算,并将运算结果作为目标图像对应的曝光程度信息。
在一些实施例中,当所述评估指标信息包括亮度信息时,所述基于所述暗通道值确定所述目标图像对应的评估指标信息,包括:计算所有暗通道值的中位数或平均值;根据所述中位数或所述平均值确定所述目标图像对应的亮度信息。这样设置的好处在于,可以更加快速准确地计算目标图像对应的亮度信息,进而有利于对图像清晰度进行准确评估。
在一些实施例中,所述预设清晰度确定模型通过以下方式得到:获取训练样本集,其中,所述训练样本集中的每个训练样本包括训练样本数据和训练样本标签,所述训练样本数据包括训练样本图像和训练样本图像对应的评估指标信息,所述训练样本标签包括训练样本图像对应的清晰度评分;利用所述训练样本集对预设机器学习模型进行训练,得到相应的预设清晰度确定模型。这样设置的好处在于,在进行训练样本标注时,采用分数对清晰度进行量化,通过对机器学习模型的训练,使得预设清晰度确定模型的输出结果更加接近于样本标注时对应的清晰度评分,从而能够更加准确地得到目标图像的清晰度评分结果。
在一些实施例中,在所述获取目标图像中各像素对应的暗通道值之前,还包括:获取摄像头采集的目标图像。这样设置的好处在于,可以对摄像头采集的图像的清晰度进行实时评估,有利于摄像头所在设备或用户根据清晰度评估结果来及时调整设备参数、摄像头参数或摄像头所处状态等,进而拍摄出更加清晰的图像。
随着携带摄像头的手机等移动终端的广泛普及,拍摄记录生活点滴已经成为了人们生活的一部分,人们也逐渐将摄像头画质好坏纳入到评价移动终端优劣的指标中。以手机为例,由于日常使用手机的频率极高,用户极易触摸到手机摄像头,将手指的油脂、灰尘等附着在摄像头表面,当人们使用相机程序时,其表面污渍会降低镜片透光率并产生散射,使得拍摄出来的图像出现白雾,造成画质损失,但用户往往无法将画质损失与污渍联系到一起,而是将其归咎于手机摄像头存在质量问题。因误触摄像头产生的灰尘、油脂等污渍,降低了用户的使用体验,为用户与手机厂商带来了困扰,因此本发明实施例中的方案可以用来提醒用户擦拭摄像头,改善镜片透光率,以此改善拍摄画质。
在一些实施例中,在根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度之后,还包括:若根据所述目标图像的清晰度确定所述摄像头当前处于脏污状态,则进行脏污提醒操作。这样设置的好处在于,摄像头拍摄的图像的清晰度可以在一定程度上体现出镜头的清洁程度,若清晰度较差,则可能是镜头附着有手指油脂或灰尘等脏污,可以及时进行提醒,有利于设备或用户及时采取相应的措施来消除脏污,提高图像拍摄质量。其中,进行脏污提醒操作的具体形式不做限定。若提醒对象为摄像头所在设备,则可以输出脏污提醒指令;若提醒对象为用户,则可以控制摄像头所在设备采用预设提醒方式对用户进行提醒,如在显示屏上显示摄像头处于脏污状态的提醒文字或提醒图标等,又如进行语音提醒等。
在一些实施例中,所述根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度,包括:根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度评分;所述根据所述目标图像的清晰度确定所述摄像头当前处于脏污状态,包括:当所述目标图像的清晰度评分低于预设评分阈值时,确定所述摄像头当前处于脏污状态。这样设置的好处在于,通过设置预设评分阈值,可以快速准确地判断出摄像头是否处于脏污状态。可选的,所述预设评分阈值根据所述预设清晰度确定模型对应的训练样本集中的训练样本标签确定。这样设置的好处在于,可以合理地设定用于判定是否处于脏污状态的阈值。其中,具体确定方式不做限定,例如可以是训练样本标签的平均值或中位数等等。
图2为本发明实施例提供的又一种图像清晰度确定方法的流程示意图,可以适用于对因摄像头处于脏污状态导致所拍摄图像的清晰度不足进行识别的场景,如图2所示,该方法可包括:
步骤201、获取摄像头拍摄的目标图像。
步骤202、获取目标图像中各像素对应的暗通道值。
示例性的,以IC表示RGB数据格式下的目标图像,C表示RGB三通道,Idark表示对应的暗通道,则可以存在如下对应关系:
即暗通道为目标图像的RGB三通道中最小值的灰度图。可以假设暗通道中数值接近0(可认为是黑色)的区域没有因脏污产生的白雾,而数值接近255(可认为是白色)的区域含白雾。对于一个像素来说,对应的暗通道值可以记为d。
步骤203、针对至少两个第一预设暗通道值区间中的每个第一预设暗通道值区间,统计当前第一预设暗通道值区间内包含的像素点的数量,得到当前第一预设暗通道值区间对应的暗通道积分值。
示例性的,暗通道积分值也可称为暗通道积分图,计算方法如下所示:
可选的,可以设置4个暗通道积分图,也即4个第一预设暗通道值区间,分别为[0,60)、[60,120)、[120,180)和[180,255],分别代表暗部区域、正常曝光区域、高光区域和白雾区域。
图3为本发明实施例提供的一种图像对比示意图,如图3所示,最左侧图像表示目标图像,中间图像表示暗通道对应的灰度图,最右侧图像表示暗通道积分图对应的图像。在最右侧图像中,针对暗部区域、正常曝光区域、高光区域和白雾区域分别采用不同的颜色进行填充,可以看出目标图像的不同明暗程度的区域的分布情况,其中,方框301中圈出了一部分的白雾区域。
步骤204、计算第二预设暗通道值区间内包含的像素点对应的暗通道值的平均值,并对所述平均值进行归一化处理,得到目标图像对应的曝光程度信息。
其中,第二预设暗通道值区间用于表示曝光过度,可以根据实际情况设置,例如可以是[250,255)。
示例性的,这里的曝光程度信息也可称为过曝率,可以描述图像的曝光程度,值域在[0,1]之间。曝光率可以采用如下表达式计算:
其中,∑x∈[s,t)d表示在灰度图Idark中的暗通道值属于值域[s,t)间的像素x的暗通道值的和,N表示暗通道值属于值域[s,t)间的像素x的个数,[s,t)可以是[250,255)。
步骤205、计算所有暗通道值的中位数,得到目标图像对应的亮度信息。
示例性的,可以将暗通道值中位数视为目标图像的平均亮度,也即对应的亮度信息。
步骤206、将所有暗通道积分值、曝光程度信息、以及亮度信息输入至预设清晰度确定模型,并根据预设清晰度确定模型的输出结果确定目标图像的清晰度评分。
示例性的,可以收集训练样本图像,并对训练样本图像进行人工标注,也即为训练样本图像进行清晰度打分,分数值域为[0,10]。针对训练样本图像进行暗通道积分图、过曝率和平均亮度的计算,将{暗通道积分图,过曝率,平均亮度,清晰度分数}作为训练样本集,输入机器学习模型中进行训练,得到预设清晰度确定模型。
步骤207、若根据目标图像的清晰度评分确定所述摄像头当前处于脏污状态,则进行脏污提醒操作。
本发明实施例提供的图像清晰度确定方法,获取摄像头拍摄的目标图像,根据目标图像中各像素的暗通道值计算相应的暗通道积分图、过曝率和平均亮度,并输入至预设清晰度确定模型中,可以快速准确地得出目标图像的清晰度评分,进而根据清晰度评分可以判断摄像头是否处于脏污状态,当处于脏污状态时可以及时进行脏污提醒操作,有利于提高拍摄质量。
图4为本发明实施例提供的另一种图像清晰度确定方法的流程示意图,可以适用于对摄像头的脏污状态进行识别并提醒的各种场景,如拍照场景、摄像场景以及直播场景等。如图4所示,该方法可包括:
步骤401、判断移动终端的摄像头是否打开,若是,则执行步骤402;否则,重复执行步骤401。
步骤402、判断移动终端的屏幕是否已出现脏污提醒,若是,则结束流程;否则,执行步骤403。
示例性的,若屏幕已经出现脏污提醒,则可不需要进行后续的判定,节省移动终端的运算资源。
步骤403、获取摄像头采集的目标图像,确定目标图像中各像素对应的暗通道值。
示例性的,这里的目标图像例如可以是拍照场景中的预览图像,也可以是摄像场景以及直播场景中的实时画面等。
步骤404、根据暗通道值计算预设数量的暗通道积分值、过曝率和平均亮度。
步骤405、将所有暗通道积分值、过曝率和平均亮度输入至预设清晰度确定模型,并根据预设清晰度确定模型的输出结果确定目标图像的清晰度评分。
步骤406、判断移动终端是否处于拍摄状态,若是,则执行步骤407;否则,返回执行步骤403。
示例性的,若移动终端未处于拍摄状态,说明此时提醒的意义不大,用户也可能不能及时查看屏幕内容,因此可以不需要进行判定,并返回步骤403获取新的图像进行判定。需要说明的是,可以间隔预设时长后再返回执行步骤403,以降低移动终端的功耗。
步骤407、判断清晰度评分是否小于预设评分阈值,若是,则执行步骤408;否则,返回执行步骤403。
示例性的,预设评分阈值可以根据预设清晰度确定模型对应的训练样本集中的训练样本标签的平均值确定。
步骤408、在屏幕上显示脏污提醒。
示例性的,可以以弹窗的形式显示脏污提醒相关的文字或图标。图5为本发明实施例提供的一种屏幕界面示意图,如图5所示,提示文字例如可以是“您的镜头存在脏污,请您擦拭后继续拍摄”。
本发明实施例提供的方案,能够检测到摄像头脏污,并以弹窗的形式通知用户擦拭摄像头,解决因摄像头脏污造成的画质损失问题。现有方案中仅使用画面亮度作为评判指标,且极大依赖硬件设备,仅能应用在特定移动终端上,需要较多运算资源。而本发明实施例所采用的方案,使用暗通道积分图、过曝率、画面亮度水平作为评价指标,可以提升脏污提醒的准确性,减少提醒的误检率与漏检率,且能够适用于各种移动终端,对设备硬件要求较低,不需要与硬件进行交互,不需要较多运算资源,应用范围更加广泛。
图4为本发明实施例提供的一种图像清晰度确定装置的结构框图,该装置可由软件和/或硬件实现,一般可集成在计算机设备中,可通过执行图像清晰度确定方法来确定图像清晰度。如图4所示,该装置包括:
暗通道值获取模块401,用于获取目标图像中各像素对应的暗通道值;
评估指标信息确定模块402,用于基于所述暗通道值确定所述目标图像对应的评估指标信息,其中,所述评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种;
清晰度确定模块403,用于将所述评估指标信息输入至预设清晰度确定模型,并根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度。
本发明实施例提供的图像清晰度确定装置,获取目标图像中各像素对应的暗通道值,基于暗通道值确定目标图像对应的评估指标信息,其中,评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种,将评估指标信息输入至预设清晰度确定模型,并根据预设清晰度确定模型的输出结果确定所述目标图像的清晰度。通过采用上述技术方案,针对需要进行清晰度评估的目标图像,可以根据其中各像素对应的暗通道值来合理准确地确定评估指标信息,在将评估指标信息输入到相应的预设清晰度确定模型后,可以得出准确的清晰度评估结果,从而提升图像清晰度确定方案的准确性。
本发明实施例提供了一种计算机设备,该计算机设备中可集成本发明实施例提供的图像清晰度确定装置。图5为本发明实施例提供的一种计算机设备的结构框图。计算机设备500包括存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序,所述处理器502执行所述计算机程序时实现本发明实施例提供的图像清晰度确定方法。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例提供的图像清晰度确定方法。
上述实施例中提供的图像清晰度确定装置、设备以及存储介质可执行本发明任意实施例所提供的图像清晰度确定方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的图像清晰度确定方法。
注意,上述仅为本发明的较佳实施例。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由权利要求范围决定。
Claims (10)
1.一种图像清晰度确定方法,其特征在于,包括:
获取目标图像中各像素对应的暗通道值;
基于所述暗通道值确定所述目标图像对应的评估指标信息,其中,所述评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种;
将所述评估指标信息输入至预设清晰度确定模型,并根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度。
2.根据权利要求1所述的方法,其特征在于,当所述评估指标信息包括暗通道积分信息时,所述基于所述暗通道值确定所述目标图像对应的评估指标信息,包括:
针对至少两个第一预设暗通道值区间中的每个第一预设暗通道值区间,统计当前第一预设暗通道值区间内包含的像素点的数量,得到所述当前第一预设暗通道值区间对应的暗通道积分值;
根据至少两个暗通道积分值确定所述目标图像对应的暗通道积分信息。
3.根据权利要求1所述的方法,其特征在于,当所述评估指标信息包括曝光程度信息时,所述基于所述暗通道值确定所述目标图像对应的评估指标信息,包括:
计算第二预设暗通道值区间内包含的像素点对应的暗通道值的总和,其中,所述第二预设暗通道值区间用于表示曝光过度;
统计所述第二预设暗通道值区间内包含的像素点的总数;
根据所述总和与所述总数的商确定所述目标图像对应的曝光程度信息。
4.根据权利要求1所述的方法,其特征在于,当所述评估指标信息包括亮度信息时,所述基于所述暗通道值确定所述目标图像对应的评估指标信息,包括:
计算所有暗通道值的中位数或平均值;
根据所述中位数或所述平均值确定所述目标图像对应的亮度信息。
5.根据权利要求1所述的方法,其特征在于,所述预设清晰度确定模型通过以下方式得到:
获取训练样本集,其中,所述训练样本集中的每个训练样本包括训练样本数据和训练样本标签,所述训练样本数据包括训练样本图像和训练样本图像对应的评估指标信息,所述训练样本标签包括训练样本图像对应的清晰度评分;
利用所述训练样本集对预设机器学习模型进行训练,得到相应的预设清晰度确定模型。
6.根据权利要求1-5任一所述的方法,其特征在于,
在所述获取目标图像中各像素对应的暗通道值之前,还包括:
获取摄像头采集的目标图像;
在根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度之后,还包括:
若根据所述目标图像的清晰度确定所述摄像头当前处于脏污状态,则进行脏污提醒操作。
7.根据权利要求6所述的方法,其特征在于,所述根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度,包括:
根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度评分;
所述根据所述目标图像的清晰度确定所述摄像头当前处于脏污状态,包括:
当所述目标图像的清晰度评分低于预设评分阈值时,确定所述摄像头当前处于脏污状态,其中,所述预设评分阈值根据所述预设清晰度确定模型对应的训练样本集中的训练样本标签确定。
8.一种图像清晰度确定装置,其特征在于,包括:
暗通道值获取模块,用于获取目标图像中各像素对应的暗通道值;
评估指标信息确定模块,用于基于所述暗通道值确定所述目标图像对应的评估指标信息,其中,所述评估指标信息包括暗通道积分信息、曝光程度信息和亮度信息中的至少一种;
清晰度确定模块,用于将所述评估指标信息输入至预设清晰度确定模型,并根据所述预设清晰度确定模型的输出结果确定所述目标图像的清晰度。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231007.4A CN112767392B (zh) | 2021-03-02 | 2021-03-02 | 图像清晰度确定方法、装置、设备及存储介质 |
PCT/CN2022/076274 WO2022183902A1 (zh) | 2021-03-02 | 2022-02-15 | 图像清晰度确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231007.4A CN112767392B (zh) | 2021-03-02 | 2021-03-02 | 图像清晰度确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767392A true CN112767392A (zh) | 2021-05-07 |
CN112767392B CN112767392B (zh) | 2024-04-09 |
Family
ID=75690765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110231007.4A Active CN112767392B (zh) | 2021-03-02 | 2021-03-02 | 图像清晰度确定方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112767392B (zh) |
WO (1) | WO2022183902A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505700A (zh) * | 2021-07-12 | 2021-10-15 | 北京字跳网络技术有限公司 | 一种图像处理方法、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 |
WO2022183902A1 (zh) * | 2021-03-02 | 2022-09-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
CN115314633A (zh) * | 2022-06-27 | 2022-11-08 | 中国科学院合肥物质科学研究院 | 相机对焦方法、装置、计算机设备和存储介质 |
WO2024055357A1 (zh) * | 2022-09-15 | 2024-03-21 | 深圳Tcl新技术有限公司 | 电视清晰度的调试方法及装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253195B (zh) * | 2023-11-13 | 2024-02-27 | 广东申立信息工程股份有限公司 | 一种ipc安全监测方法、监测系统、计算机设备和可读存储介质 |
CN117395378B (zh) * | 2023-12-07 | 2024-04-09 | 北京道仪数慧科技有限公司 | 路产采集方法及采集系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063853A (zh) * | 2014-07-07 | 2014-09-24 | 南京通用电器有限公司 | 一种基于暗通道技术的提高交通视频图像清晰度方法 |
KR101535630B1 (ko) * | 2014-01-21 | 2015-07-13 | 전남대학교산학협력단 | 밝기변환 모델을 이용한 야간 영상의 밝기 개선 장치 |
CN106339988A (zh) * | 2016-01-07 | 2017-01-18 | 深圳艾科创新微电子有限公司 | 一种图像去雾方法及装置 |
CN107133927A (zh) * | 2017-04-21 | 2017-09-05 | 汪云飞 | 超像素框架下基于均值‑均方差暗通道的单幅图像去雾方法 |
CN107958455A (zh) * | 2017-12-06 | 2018-04-24 | 百度在线网络技术(北京)有限公司 | 图像清晰度评估方法、装置、计算机设备及存储介质 |
CN108230288A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 一种确定雾性状况的方法和装置 |
CN109948625A (zh) * | 2019-03-07 | 2019-06-28 | 上海汽车集团股份有限公司 | 文本图像清晰度评估方法及系统、计算机可读存储介质 |
CN109978797A (zh) * | 2019-04-08 | 2019-07-05 | 自然资源部国土卫星遥感应用中心 | 基于暗通道噪声模板的主动式像素传感器星图去噪方法 |
KR20200028598A (ko) * | 2018-09-07 | 2020-03-17 | 고려대학교 산학협력단 | 다크 채널 기반의 단일 영상 안개 제거 방법, 장치 및 상기 방법을 수행하기 위한 기록 매체 |
CN111553880A (zh) * | 2020-03-26 | 2020-08-18 | 北京中科虹霸科技有限公司 | 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置 |
CN111739110A (zh) * | 2020-08-07 | 2020-10-02 | 北京美摄网络科技有限公司 | 一种图像过暗或过曝检测方法及装置 |
CN112241452A (zh) * | 2020-10-16 | 2021-01-19 | 百度(中国)有限公司 | 一种模型训练方法、装置、电子设备及存储介质 |
CN112258380A (zh) * | 2019-07-02 | 2021-01-22 | 北京小米移动软件有限公司 | 图像处理方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
CN112188190A (zh) * | 2020-09-30 | 2021-01-05 | 广东美的厨房电器制造有限公司 | 污渍检测方法、烹饪器具、服务器和存储介质 |
CN112767392B (zh) * | 2021-03-02 | 2024-04-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
-
2021
- 2021-03-02 CN CN202110231007.4A patent/CN112767392B/zh active Active
-
2022
- 2022-02-15 WO PCT/CN2022/076274 patent/WO2022183902A1/zh active Application Filing
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101535630B1 (ko) * | 2014-01-21 | 2015-07-13 | 전남대학교산학협력단 | 밝기변환 모델을 이용한 야간 영상의 밝기 개선 장치 |
CN104063853A (zh) * | 2014-07-07 | 2014-09-24 | 南京通用电器有限公司 | 一种基于暗通道技术的提高交通视频图像清晰度方法 |
CN106339988A (zh) * | 2016-01-07 | 2017-01-18 | 深圳艾科创新微电子有限公司 | 一种图像去雾方法及装置 |
CN108230288A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 一种确定雾性状况的方法和装置 |
CN107133927A (zh) * | 2017-04-21 | 2017-09-05 | 汪云飞 | 超像素框架下基于均值‑均方差暗通道的单幅图像去雾方法 |
US20190172193A1 (en) * | 2017-12-06 | 2019-06-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for evaluating image definition, computer device and storage medium |
CN107958455A (zh) * | 2017-12-06 | 2018-04-24 | 百度在线网络技术(北京)有限公司 | 图像清晰度评估方法、装置、计算机设备及存储介质 |
KR20200028598A (ko) * | 2018-09-07 | 2020-03-17 | 고려대학교 산학협력단 | 다크 채널 기반의 단일 영상 안개 제거 방법, 장치 및 상기 방법을 수행하기 위한 기록 매체 |
CN109948625A (zh) * | 2019-03-07 | 2019-06-28 | 上海汽车集团股份有限公司 | 文本图像清晰度评估方法及系统、计算机可读存储介质 |
CN109978797A (zh) * | 2019-04-08 | 2019-07-05 | 自然资源部国土卫星遥感应用中心 | 基于暗通道噪声模板的主动式像素传感器星图去噪方法 |
CN112258380A (zh) * | 2019-07-02 | 2021-01-22 | 北京小米移动软件有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111553880A (zh) * | 2020-03-26 | 2020-08-18 | 北京中科虹霸科技有限公司 | 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置 |
CN111739110A (zh) * | 2020-08-07 | 2020-10-02 | 北京美摄网络科技有限公司 | 一种图像过暗或过曝检测方法及装置 |
CN112241452A (zh) * | 2020-10-16 | 2021-01-19 | 百度(中国)有限公司 | 一种模型训练方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
蔡文超;肖丽珠;: "改进暗通道原理的激光图像光晕效应去除方法", 激光杂志, no. 09 * |
高银;云利军;石俊生;李成立;: "基于四阶PDE模型的暗原色理论雾天图像增强算法", 南京理工大学学报, no. 05 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022183902A1 (zh) * | 2021-03-02 | 2022-09-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
CN113505700A (zh) * | 2021-07-12 | 2021-10-15 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN115314633A (zh) * | 2022-06-27 | 2022-11-08 | 中国科学院合肥物质科学研究院 | 相机对焦方法、装置、计算机设备和存储介质 |
CN115314633B (zh) * | 2022-06-27 | 2023-06-16 | 中国科学院合肥物质科学研究院 | 相机对焦方法、装置、计算机设备和存储介质 |
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 |
WO2024055357A1 (zh) * | 2022-09-15 | 2024-03-21 | 深圳Tcl新技术有限公司 | 电视清晰度的调试方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022183902A1 (zh) | 2022-09-09 |
CN112767392B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767392B (zh) | 图像清晰度确定方法、装置、设备及存储介质 | |
WO2020207423A1 (zh) | 肤质检测方法、肤质等级分类方法及肤质检测装置 | |
Ma et al. | Objective quality assessment for color-to-gray image conversion | |
CN110163810B (zh) | 一种图像处理方法、装置以及终端 | |
CN110059642B (zh) | 人脸图像筛选方法与装置 | |
CN110572636B (zh) | 摄像头脏污检测方法、装置、存储介质及电子设备 | |
CN111182212B (zh) | 图像处理方法、装置、存储介质以及电子设备 | |
CN112135041B (zh) | 一种人脸特效的处理方法及装置、存储介质 | |
TW201447811A (zh) | 區域分割方法及檢查裝置 | |
CN110738629A (zh) | 一种镜头脏污的检测方法、终端及计算机可读存储介质 | |
CN102724541B (zh) | 一种监控影像智能诊断恢复方法 | |
CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
CN113052923B (zh) | 色调映射方法、装置、电子设备和存储介质 | |
CN110782392B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
WO2023001110A1 (zh) | 神经网络训练方法、装置及电子设备 | |
CN116524877A (zh) | 车载屏幕亮度调节方法、装置、电子设备和存储介质 | |
JP4872610B2 (ja) | カメラポインタ装置、ラベリング方法及びプログラム | |
CN112839167B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN112822393B (zh) | 图像处理方法、装置及电子设备 | |
CN112637588B (zh) | 检测摄像头污损的方法、装置和电子设备 | |
CN114339203A (zh) | 相机性能检测方法、设备和存储介质 | |
CN111083468A (zh) | 一种基于图像梯度的短视频质量评价方法及系统 | |
CN112714246A (zh) | 连拍照片获取方法、智能终端及存储介质 | |
CN116912149B (zh) | 图像增强方法、装置及电子设备 | |
JPH11283036A (ja) | 対象物検出装置及び対象物検出方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |