CN113239738A - 一种图像的模糊检测方法及模糊检测装置 - Google Patents
一种图像的模糊检测方法及模糊检测装置 Download PDFInfo
- Publication number
- CN113239738A CN113239738A CN202110416550.1A CN202110416550A CN113239738A CN 113239738 A CN113239738 A CN 113239738A CN 202110416550 A CN202110416550 A CN 202110416550A CN 113239738 A CN113239738 A CN 113239738A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- characteristic
- target
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 230000006870 function Effects 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请适用于图像处理的技术领域,提供一种图像的模糊检测方法及模糊检测装置,所述检测方法包括:获取待检测图像、目标锐化图像以及目标虚化图像;分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。由于预设函数可根据详细的第一图像特征、第二图像特征以及第三图像特征进行模糊检测,故模糊检测的准确度较高。
Description
技术领域
本申请属于图像处理的技术领域,尤其涉及一种图像的模糊检测方法及模糊检测装置。
背景技术
人脸识别技术是一种常见的身份识别手段。广泛应用于考勤、安检、门禁以及人脸支付等场景。其原理是基于人的脸部特征,将采集的当前人脸图像与历史人脸图像进行对比,得到当前人脸图像对应的身份信息。
然而,当采集的人脸图像过于模糊时,人脸识别准确度较低。故在人脸识别前,对人脸图像进行模糊检测显得尤为重要。以在人脸图像过于模糊时,重新采集人脸图像或进行预处理,提高人脸识别准确度。
其中,传统模糊检测方法往往对人脸图像的细节以及全局模糊程度不敏感,导致模糊检测准确度较低,这是一个亟需解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种图像的模糊检测方法、模糊检测装置、终端设备以及计算机可读存储介质,可以解决传统模糊检测方法往往对人脸图像的细节以及全局模糊程度不敏感,导致模糊检测准确度较低的技术问题。
本申请实施例的第一方面提供了一种图像的模糊检测方法,所述模糊检测方法包括:
获取待检测图像、目标锐化图像以及目标虚化图像;所述目标锐化图像是指将所述待检测图像进行锐化处理后得到的图像;所述目标虚化图像是指将所述待检测图像进行虚化处理后得到的图像;
分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;所述第一图像特征、所述第二图像特征以及所述第三图像特征分别用于表示图像清晰度的特征;
将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。
本申请实施例的第二方面提供了一种图像的模糊检测装置,所述模糊检测装置包括:
获取单元,用于获取待检测图像、目标锐化图像以及目标虚化图像;所述目标锐化图像是指将所述待检测图像进行锐化处理后得到的图像;所述目标虚化图像是指将所述待检测图像进行虚化处理后得到的图像;
提取单元,用于分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;所述第一图像特征、所述第二图像特征以及所述第三图像特征分别用于表示图像清晰度的特征;
计算单元,用于将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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上述第一方面所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:为了避免基于单一待检测图像的图像特征,无法反映图像的细节以及全局模糊程度。故本申请将待检测图像进行虚化和锐化,得到目标锐化图像以及目标虚化图像。并将待检测图像、目标锐化图像以及目标虚化图像对应的第一图像特征、第二图像特征以及第三图像特征输入预设函数中。使得预设函数可以根据详细的图像特征对待检测图像进行模糊检测,故提高了模糊检测的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它的附图。
图1示出了本申请提供的一种图像的模糊检测方法的示意性流程图;
图2示出了本申请提供的一种图像的模糊检测方法中步骤102具体示意性流程图;
图3示出了本申请提供的相邻像素点的预设权重示意图;
图4示出了本申请提供的一种图像的模糊检测方法的整体性示意图;
图5示出了本申请提供的另一种图像的模糊检测方法的示意性流程图;
图6示出了本申请提供的一种图像的模糊检测装置的示意图;
图7是本发明一实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了更好地理解本申请解决的技术问题,故在此对上述背景技术进行进一步说明:
传统模糊检测方法包括神经网络模型以及梯度清晰度评价函数等。其中,神经网络模型具有较高的识别准确度,但其模型体积较大,对处理器算力以及存储资源有一定要求。而梯度清晰度评价函数对处理器算力以及存储资源要求较低,且处理效率较高。然而,梯度清晰度评价函数对于人脸图像的细节以及全局模糊程度不敏感,也即模糊检测准确率较低。故神经网络模型以及梯度清晰度评价函数具有不同的优劣势:①神经网络模型检测准确率较高,但计算量大。②梯度清晰度评价函数处理效率高,但准确率较低。故,如何在计算量较小的情况下,提高模糊检测准确度成了一个亟需解决的技术问题。
有鉴于此,本申请实施例提供了一种图像的模糊检测方法、检测装置、终端设备以及计算机可读存储介质,可以解决上述技术问题。
首先,本申请提供了一种图像的模糊检测方法,所述检测方法具体包括如下内容:
请参见图1,图1示出了本申请提供的一种图像的模糊检测方法的示意性流程图。如图1所示,该检测方法可以包括如下步骤:
步骤101,获取待检测图像、目标锐化图像以及目标虚化图像;所述目标锐化图像是指将所述待检测图像进行锐化处理后得到的图像;所述目标虚化图像是指将所述待检测图像进行虚化处理后得到的图像。
待检测图像可以为未处理的原始图像(原始图像是指直接由摄像模块采集的图像),也可以为处理后的原始图像。优选地,为了提高模糊检测效率,可将原始图像的图像尺寸缩小至预设尺寸。将预设尺寸的原始图像作为待检测图像。
可以理解的是,所述“将原始图像的图像尺寸缩小至预设尺寸”是指将整个原始图像缩小至预设尺寸,而不是指在原始图像中截取预设尺寸的区域。
值得注意的,随着待检测图像的图像尺寸无限小时,模糊检测精度随之下降。而待检测图像的图像尺寸较大时,模糊检测精度较高,但计算量较大。故可根据实际应用场景的检测精度和计算效率等综合需求,拟定较为适宜的预设尺寸。
作为本申请的一个可选实施例,若本方案应用于人脸检测场景,则在得到原始图像后,需要在原始图像中提取人脸图像,提取过程如下:
通过人脸检测算法,得到原始图像中的人脸框,并提取人脸框中的人脸图像。人脸检测算法包括但不限于单镜头多箱式人脸检测(single shotMulti-boxes detector,SSD)、目标检测(you only look once,YOLO)以及DLIB人脸检测等一种或多种算法之间的结合。
在得到待检测图像后,对待检测图像进行锐化处理,得到目标锐化图像。其中,锐化处理的方式包括但不限于prewitt算子锐化、sobel算子锐化、roberts算子锐化以及roberts算子锐化等一种或多种之间的组合。
在得到待检测图像后,对待检测图像进行虚化处理,得到目标虚化图像。其中,虚化处理的方式包括但不限于高斯模糊、移轴模糊、粒状模糊以及径向模糊等一种或多种之间的组合。
步骤102,分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;所述第一图像特征、所述第二图像特征以及所述第三图像特征分别用于表示图像清晰度的特征。
为了更好得理解本申请的技术方案,故在此说明采用待检测图像、目标锐化图像以及目标虚化图像的图像特征进行模糊检测的缘由:
一方面,由于仅采用待检测图像的第一图像特征无法很好地描述图像不同维度的特征信息。另一方面,如果待检测图像足够模糊,若对待检测图像进行虚化处理后,待检测图像中的高频分量变化率较小;如果待检测图像清晰度较高,若对待检测图像进行虚化处理后,待检测图像中的高频分量变化率较大(高频分量对应着图像变化剧烈的部分,也就是图像的边缘或者噪声以及细节部分),即同一待检测图像在不同清晰度的情况下,图像特征具有一定规律性。
基于上述规律,故本申请采用清晰度差异策略,将清晰度分为高中低三个档次(其中,目标锐化图像为高档次清晰度,待检测图像为中档次清晰度,目标虚化图像为低档次清晰度),分别提取待检测图像的第一图像特征、目标锐化图像的第二图像特征以及目标虚化图像的第三图像特征,以得到详细的图像特征。其中,第一图像特征用于表示待检测图像的清晰度特征,第二图像特征用于表示目标锐化图像的清晰度特征,第三图像特征用于表示虚化图像的清晰度特征。
可以理解的是,若待检测图像足够清晰,则目标锐化图像的锐化清晰度与待检测图像的原始清晰度差别较小,目标虚化图像的虚化清晰度与待检测图像的原始清晰度差别较大;若待检测图像足够模糊,则目标锐化图像的锐化清晰度与待检测图像的原始清晰度差别较大,目标虚化图像的虚化清晰度与待检测图像的原始清晰度差别较小。
其中,提取图像特征的方式包括但不限于传统神经网络中采用的特征提取层(例如:mobilenet网络的前7层)、点锐度算法以及平方梯度算法等等一种或多种算法之间的组合。优选地,对于模糊检测领域,可优选采用点锐度算法,具体过程如下图2所示的可选实施例:
作为本申请的一个可选实施例,步骤102包括如下步骤1021至步骤1025。请参见图2,图2示出了本申请提供的一种图像的模糊检测方法中步骤102具体示意性流程图。
步骤1021,通过第一预设公式对所述待检测图像进行卷积运算,得到所述第一图像特征。
计算第一图像特征的第一预设公式如下:
其中,EAV0表示所述第一图像特征,M1与N1表示所述待检测图像中像素的行列数,dI表示待计算像素点与相邻像素点之间的灰度差值,1/dx表示所述相邻像素点的预设权重,表示依次将与所述待计算像素点相邻的8个相邻像素点的所述灰度差值以及预设权重相乘,得到乘积的绝对值,并进行求和运算;i=1与a=1分别表示每次运算取1。
其中,预设权重为3*3算子(也即卷积核),用于扫描图像全局,如图3所示,图3示出了本申请提供的相邻像素点的预设权重示意图。九个方格代表九个像素点,中心方格为待计算像素点,其他方格表示与待计算像素点相邻的8个相邻像素点,其他方格中的数值表示每个相邻像素点的预设权重。
步骤1022,通过所述第一预设公式对所述目标锐化图像进行卷积运算,得到第四图像特征。
计算第二图像特征的第一预设公式如下:
其中,EAV1表示所述第二图像特征,M2与N2表示所述待检测图像中像素的行列数,dI表示待计算像素点与相邻像素点之间的灰度差值,1/dx表示所述相邻像素点的预设权重,表示依次将与所述待计算像素点相邻的8个相邻像素点的所述灰度差值以及预设权重相乘,得到乘积的绝对值,并进行求和运算;i=1与a=1分别表示每次运算取1。
步骤1023,根据所述第一图像特征和所述第四图像特征,得到所述第二图像特征。
计算第二图像特征的方法两种:①将第一图像特征和第四图像特征之间的平均值,作为第二图像特征,②将第一图像特征和第四图像特征代入第二预设公式,得到第二图像特征;
第二预设公式如下:
其中,A表示所述第二图像特征,EAV0表示所述第一图像特征,EAV1表示所述第四图像特征。
步骤1024,通过所述第一预设公式对所述目标虚化图像进行卷积运算,得到第五图像特征。
计算第三图像特征的第一预设公式如下:
其中,EAV2表示所述第二图像特征,M3与N3表示所述待检测图像中像素的行列数,dI表示待计算像素点与相邻像素点之间的灰度差值,1/dx表示所述相邻像素点的预设权重,表示依次将与所述待计算像素点相邻的8个相邻像素点的所述灰度差值以及预设权重相乘,得到乘积的绝对值,并进行求和运算;i=1与a=1分别表示每次运算取1。
步骤1025,根据所述第一图像特征和所述第五图像特征,得到所述第三图像特征。
计算第三图像特征的方法两种:①将第一图像特征和第五图像特征之间的平均值,作为第三图像特征,②将第一图像特征和第五图像特征代入第二预设公式,得到第三图像特征;
第三预设公式如下:
其中,B表示所述第三图像特征,EAV0表示所述第一图像特征,EAV2表示所述第五图像特征。
步骤103,将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。
预设函数包括但不限于Relu(The Rectified Linear Unit)激活函数或逻辑回归函数Sigmoid等。
优选地,可优先采用逻辑回归函数Sigmoid作为预设函数,逻辑回归函数Sigmoid如下所示:
y=sigmoid(W3B+W2A+W1EVA0+W0)
其中,y表示待检测图像的模糊值,W3、W2、W1以及W0表示所述预设函数的目标参数,EAV0表示所述第一图像特征,A表示所述第二图像特征,B表示所述第三图像特征。其中,逻辑回归函数Sigmoid的形式为
为了更直观地理解步骤101至步骤103,在此结合附图进行整体性说明,请参见图4,图4示出了本申请提供的一种图像的模糊检测方法的整体性示意图。如图4所示,左侧第一个方框表示待检测图像,左侧第二个方框表示步骤101至步骤103的处理过程。可以理解的是,左侧第二个方框可视为一个模型。在应用阶段时,仅需将待检测图像输入模型中,得到由模型输出的模糊值。其中,“计算EVA”、“锐化模块”以及“虚化模块”实质上为特征提取的过程。预设函数对第一图像特征、第二图像特征以及第三图像特征进行分类处理,得到模糊值。
其中,模糊值可以为表示模糊程度的概率数值,模糊值也可以为表示待检测图像是否模糊的标签。示例性地,假设阈值为0.5,当得到预设函数输出的概率数值为0.7时,输出表示待检测图像为模糊图像的标签(比如:1);当得到预设函数输出的概率数值为0.3时,输出表示待检测图像不为模糊图像的标签(比如:0)。
在本实施例中,为了避免基于单一待检测图像的图像特征,无法反映图像的细节以及全局模糊程度。故本申请将待检测图像进行虚化和锐化,得到目标锐化图像以及目标虚化图像。并将待检测图像、目标锐化图像以及目标虚化图像对应的第一图像特征、第二图像特征以及第三图像特征输入预设函数中。使得预设函数可以根据详细的图像特征对待检测图像进行模糊检测。相较于神经网络而言计算量较小,且准确度较高。相较于梯度清晰度评价函数,在保证较高处理效率的情况下,提高了准确度。
可选地,在上述图1所示实施例的基础上,在步骤101之前,还包括如下步骤501至步骤507,请参见图5,图5示出了本申请提供的另一种图像的模糊检测方法的示意性流程图。本实施例中步骤508至步骤510,与图1所示实施例中步骤101至步骤103相同,具体请参阅图1所示实施例中步骤101至步骤104的相关描述,此处不赘述。
步骤501,获取多个图像训练集;每个所述图像训练集中包括样本图像以及所述样本图像对应的标签。
通过公开数据库或摄像头获取样本图像。其中,由于通过公开数据库或摄像头获取的样本图像多数为清晰度较高的样本图像,而模糊的样本图像较难获取。为了得到足够数量的模糊样本图像,可将部分清晰样本图像进行虚化处理,得到足够数量的模糊样本图像。
获取每个样本图像对应的标签,得到由样本图像与样本图像对应的标签构成的多个数据集(每个数据集包括一个样本图像以及样本图像对应的标签),将多个数据集划分为多个图像训练集以及多个图像验证集。图像训练集执行步骤502至步骤507。图像验证集用于验证由步骤502至步骤507得到的预设函数的准确度。
步骤502,获取所述样本图像的初始锐化图像以及初始虚化图像。
对样本图像进行锐化处理,得到初始锐化图像。其中,锐化处理的方式包括但不限于prewitt算子锐化、sobel算子锐化、roberts算子锐化以及roberts算子锐化等一种或多种之间的组合。
对样本图像进行虚化处理,得到初始虚化图像。其中,虚化处理的方式包括但不限于高斯模糊、移轴模糊、粒状模糊以及径向模糊等一种或多种之间的组合。
步骤503,分别提取所述样本图像的第一样本特征、所述初始锐化图像的第二样本特征以及所述初始虚化图像的第三样本特征;所述第一样本特征、所述第二样本特征以及所述第三样本特征分别用于表示图像清晰度的特征。
通过第一预设公式计算样本图像的第一样本特征,通过第一预设公式计算初始锐化图像的第四样本特征,通过第一预设公式计算初始虚化图像的第五样本特征。
将第一样本特征和所述第四样本特征代入第四预设公式,得到第二样本特征。第四预设公式如下:
其中,R表示所述第二样本特征,EAV3表示所述第一样本特征,EAV4表示所述第四样本特征。
将第一样本特征和所述第五样本特征代入第五预设公式,得到第三样本特征。第五预设公式如下:
其中,T表示所述第三样本特征,EAV3表示所述第一样本特征,EAV5表示所述第五样本特征。
步骤504,将所述第一样本特征、所述第二样本特征以及所述第三样本特征输入初始函数中,得到由所述初始函数输出的所述样本图像对应的识别结果。
步骤505,根据所述识别结果以及所述标签,计算损失函数。
步骤506,根据所述损失函数,调整所述初始函数中的初始参数。
步骤507,将多个所述图像训练集循环执行所述获取所述样本图像的初始锐化图像以及初始虚化图像的步骤以及后续步骤,得到所述预设函数。
步骤508,获取待检测图像、目标锐化图像以及目标虚化图像;所述目标锐化图像是指将所述待检测图像进行锐化处理后得到的图像;所述目标虚化图像是指将所述待检测图像进行虚化处理后得到的图像。
步骤509,分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;所述第一图像特征、所述第二图像特征以及所述第三图像特征分别用于表示图像清晰度的特征。
步骤510,将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。
本实施例,在训练阶段中,仅需训练初始函数,无需训练其他特征提取模块,故训练效率较高。
如图6本申请提供了一种图像的模糊检测装置6,请参见图6,图6示出了本申请提供的一种图像的模糊检测装置的示意图,如图6所示一种图像的模糊检测装置包括:
获取单元61,用于获取待检测图像、目标锐化图像以及目标虚化图像;所述目标锐化图像是指将所述待检测图像进行锐化处理后得到的图像;所述目标虚化图像是指将所述待检测图像进行虚化处理后得到的图像;
提取单元62,用于分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;所述第一图像特征、所述第二图像特征以及所述第三图像特征分别用于表示图像清晰度的特征;
计算单元63,用于将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。
本申请提供的一种图像的模糊检测装置,将待检测图像进行虚化和锐化,得到目标锐化图像以及目标虚化图像。并将待检测图像、目标锐化图像以及目标虚化图像对应的第一图像特征、第二图像特征以及第三图像特征输入预设函数中。使得预设函数可以根据详细的图像特征对待检测图像进行模糊检测,故提高了模糊检测的准确度。
图7是本发明一实施例提供的一种终端设备的示意图。如图7所示,该实施例的一种终端设备7包括:处理器71、存储器72以及存储在所述存储器72中并可在所述处理器71上运行的计算机程序73,例如一种图像的模糊检测程序。所述处理器71执行所述计算机程序73时实现上述各个一种图像的模糊检测方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器71执行所述计算机程序73时实现上述各装置实施例中各单元的功能,例如图6所示单元61至63的功能。
示例性的,所述计算机程序73可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器72中,并由所述处理器71执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序73在所述一种终端设备7中的执行过程。例如,所述计算机程序73可以被分割成获取单元和计算单元各单元具体功能如下:
获取单元,用于获取待检测图像、目标锐化图像以及目标虚化图像;所述目标锐化图像是指将所述待检测图像进行锐化处理后得到的图像;所述目标虚化图像是指将所述待检测图像进行虚化处理后得到的图像;
提取单元,用于分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;所述第一图像特征、所述第二图像特征以及所述第三图像特征分别用于表示图像清晰度的特征;
计算单元,用于将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。
所述一种终端设备可包括,但不仅限于,处理器71、存储器72。本领域技术人员可以理解,图7仅仅是一种终端设备7的示例,并不构成对一种终端设备7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,例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器71可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器72可以是所述一种终端设备7的内部存储单元,例如一种终端设备7的硬盘或内存。所述存储器72也可以是所述一种终端设备7的外部存储设备,例如所述一种终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器72还可以既包括所述一种终端设备7的内部存储单元也包括外部存储设备。所述存储器72用于存储所述计算机程序以及所述一种终端设备所需的其他程序和数据。所述存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地,短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像的模糊检测方法,其特征在于,所述模糊检测方法包括:
获取待检测图像、目标锐化图像以及目标虚化图像;所述目标锐化图像是指将所述待检测图像进行锐化处理后得到的图像;所述目标虚化图像是指将所述待检测图像进行虚化处理后得到的图像;
分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;所述第一图像特征、所述第二图像特征以及所述第三图像特征分别用于表示图像清晰度的特征;
将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。
2.如权利要求1所述模糊检测方法,其特征在于,所述分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征,包括:
通过第一预设公式对所述待检测图像进行卷积运算,得到所述第一图像特征;
通过所述第一预设公式对所述目标锐化图像进行卷积运算,得到第四图像特征;
根据所述第一图像特征和所述第四图像特征,得到所述第二图像特征;
通过所述第一预设公式对所述目标虚化图像进行卷积运算,得到第五图像特征;
根据所述第一图像特征和所述第五图像特征,得到所述第三图像特征。
6.如权利要求1所述模糊检测方法,其特征在于,所述预设函数如下:
y=sigmoid(W3B+W2A+W1EVA0+W0)
其中,y表示所述待检测图像的模糊值,W3、W2、W1以及W0表示所述预设函数的目标参数,EAV0表示所述第一图像特征,A表示所述第二图像特征,B表示所述第三图像特征。
7.如权利要求1所述模糊检测方法,其特征在于,在所述获取待检测图像、目标锐化图像以及目标虚化图像之前,还包括:
获取多个图像训练集;每个所述图像训练集中包括样本图像以及所述样本图像对应的标签;
获取所述样本图像的初始锐化图像以及初始虚化图像;
分别提取所述样本图像的第一样本特征、所述初始锐化图像的第二样本特征以及所述初始虚化图像的第三样本特征;所述第一样本特征、所述第二样本特征以及所述第三样本特征分别用于表示图像清晰度的特征;
将所述第一样本特征、所述第二样本特征以及所述第三样本特征输入初始函数中,得到由所述初始函数输出的所述样本图像对应的识别结果;
根据所述识别结果以及所述标签,计算损失函数;
根据所述损失函数,调整所述初始函数中的初始参数;
将多个所述图像训练集循环执行所述获取所述样本图像的初始锐化图像以及初始虚化图像的步骤以及后续步骤,得到所述预设函数。
8.一种图像的模糊检测装置,其特征在于,所述模糊检测装置,包括:
获取单元,用于获取待检测图像、目标锐化图像以及目标虚化图像;所述目标锐化图像是指将所述待检测图像进行锐化处理后得到的图像;所述目标虚化图像是指将所述待检测图像进行虚化处理后得到的图像;
提取单元,用于分别提取所述待检测图像的第一图像特征、所述目标锐化图像的第二图像特征以及所述目标虚化图像的第三图像特征;所述第一图像特征、所述第二图像特征以及所述第三图像特征分别用于表示图像清晰度的特征;
计算单元,用于将所述第一图像特征、所述第二图像特征以及所述第三图像特征输入预设函数中,得到由所述预设函数输出的所述待检测图像的模糊值。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416550.1A CN113239738B (zh) | 2021-04-19 | 2021-04-19 | 一种图像的模糊检测方法及模糊检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416550.1A CN113239738B (zh) | 2021-04-19 | 2021-04-19 | 一种图像的模糊检测方法及模糊检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239738A true CN113239738A (zh) | 2021-08-10 |
CN113239738B CN113239738B (zh) | 2023-11-07 |
Family
ID=77128381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110416550.1A Active CN113239738B (zh) | 2021-04-19 | 2021-04-19 | 一种图像的模糊检测方法及模糊检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239738B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024022065A1 (zh) * | 2022-07-25 | 2024-02-01 | 京东方科技集团股份有限公司 | 虚拟表情生成方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017108377A (ja) * | 2015-11-30 | 2017-06-15 | キヤノン株式会社 | 画像処理装置および画像処理方法、撮像装置、プログラム、記憶媒体 |
CN108305240A (zh) * | 2017-05-22 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像质量检测方法及装置 |
CN110852997A (zh) * | 2019-10-24 | 2020-02-28 | 普联技术有限公司 | 动态图像清晰度检测方法、装置、电子设备及存储介质 |
CN111263067A (zh) * | 2020-02-18 | 2020-06-09 | RealMe重庆移动通信有限公司 | 图像处理方法、装置、终端设备和存储介质 |
CN111368758A (zh) * | 2020-03-09 | 2020-07-03 | 苏宁云计算有限公司 | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-04-19 CN CN202110416550.1A patent/CN113239738B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017108377A (ja) * | 2015-11-30 | 2017-06-15 | キヤノン株式会社 | 画像処理装置および画像処理方法、撮像装置、プログラム、記憶媒体 |
CN108305240A (zh) * | 2017-05-22 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像质量检测方法及装置 |
CN110852997A (zh) * | 2019-10-24 | 2020-02-28 | 普联技术有限公司 | 动态图像清晰度检测方法、装置、电子设备及存储介质 |
CN111263067A (zh) * | 2020-02-18 | 2020-06-09 | RealMe重庆移动通信有限公司 | 图像处理方法、装置、终端设备和存储介质 |
CN111368758A (zh) * | 2020-03-09 | 2020-07-03 | 苏宁云计算有限公司 | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024022065A1 (zh) * | 2022-07-25 | 2024-02-01 | 京东方科技集团股份有限公司 | 虚拟表情生成方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113239738B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kwon et al. | Learning jpeg compression artifacts for image manipulation detection and localization | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN110082135A (zh) | 设备故障识别方法、装置和终端设备 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN110738236A (zh) | 图像匹配方法、装置、计算机设备及存储介质 | |
CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN112507897A (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
CN112528866A (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
CN112464803A (zh) | 图像比较方法和装置 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
Khalid et al. | Image de-fencing using histograms of oriented gradients | |
Gupta et al. | A simplistic global median filtering forensics based on frequency domain analysis of image residuals | |
CN114973057A (zh) | 基于人工智能的视频图像检测方法及相关设备 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN116109878B (zh) | 一种图像翻拍识别方法、系统、装置及存储介质 | |
CN112330618A (zh) | 图像偏移检测方法、设备及存储介质 | |
Dhar et al. | Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation | |
CN115731179A (zh) | 轨道部件检测方法、终端及存储介质 | |
Sreelakshmy et al. | An improved method for copy-move forgery detection in digital forensic | |
CN111797922B (zh) | 文本图像分类方法及装置 |
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 |