CN114549346A - 模糊图像识别方法、装置、设备及存储介质 - Google Patents
模糊图像识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114549346A CN114549346A CN202210091923.7A CN202210091923A CN114549346A CN 114549346 A CN114549346 A CN 114549346A CN 202210091923 A CN202210091923 A CN 202210091923A CN 114549346 A CN114549346 A CN 114549346A
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- recognized
- target
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 119
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012634 optical imaging Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 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
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，公开了一种模糊图像识别方法、装置、设备及存储介质。本发明通过对待识别图像进行预处理，获得目标待识别图像，然后获取目标待识别图像对应的待识别参数，再根据预设测试参数和待识别参数对待识别图像进行模糊图像识别。本发明通过获取目标待识别图像对应的待识别参数，然后根据预设测试参数和待识别参数对待识别图像进行模糊图像识别，相较于现有的通过拉普拉斯二阶导数响应的方法确定图像的模糊程度，仅仅适用于整体性模糊图像的识别，本发明上述方式根据预设测试参数和待识别图像对应待识别参数进行模糊图像识别，能够准确检测到局部模糊图像，从而能够准确识别到模糊图像，并且能够提高模糊图像识别速度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种模糊图像识别方法、装置、设备及存储介质。
背景技术
在OLED面板生产制造工艺中，AOI(Automated Optical Inspection)设备通过结合光学成像系统与相关图像处理技术实现面板图像中缺陷自动检测的功能。由于AOI设备的成像系统存在参数调节或者产品凸起异常导致的失焦问题，不可避免会产生大量的模糊图像。为了进一步优化光学成像系统参数并监测产品异常，需要对产生的模糊图像进行识别召回以及占比统计。因此，如何准确识别到模糊图像，成为一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种模糊图像识别方法、装置、设备及存储介质，旨在解决现有技术无法准确识别到模糊图像的技术问题。
为实现上述目的，本发明提供了一种模糊图像识别方法，所述模糊图像识别方法包括：
对待识别图像进行预处理，获得目标待识别图像；
获取所述目标待识别图像对应的待识别参数；
根据预设测试参数和所述待识别参数对所述待识别图像进行模糊图像识别。
可选地，所述对待识别图像进行预处理，获得目标待识别图像的步骤，具体包括：
对待识别图像进行灰度化处理，获得处理后的待识别图像；
对所述处理后的待识别图像进行网格化切分，获得切分后的待识别图像；
对所述切分后的待识别图像进行去噪，获得目标待识别图像。
可选地，所述获取所述目标待识别图像对应的待识别参数的步骤，具体包括：
根据预设边缘检测算子获取所述目标待识别图像对应的待识别显著边缘响应；
根据所述所述待识别显著边缘响应确定待识别方差集合；
对所述待识别方差集合中的所有方差进行排序，获得有序待识别方差集合；
根据所述有序待识别方差集合确定所述目标待识别图像对应的待识别参数。
可选地，所述待识别参数包括：待识别模糊参数和待识别非模糊参数；
所述根据所述有序待识别方差集合确定所述目标待识别图像对应的待识别参数的步骤，具体包括：
对所述有序待识别方差集合中的第一预设次序的方差进行均值处理，获得所述目标待识别图像对应的待识别模糊参数；
获取所述有序待识别方差集合中的所有方差的均值，根据所述均值和所述有序待识别方差集合中的第二预设次序的方差确定所述目标待识别图像对应的待识别非模糊参数。
可选地，所述对待识别图像进行预处理，获得目标待识别图像的步骤之前，还包括：
获取预设类型的测试图像，并对所述预设类型的测试图像进行预处理，获得预设类型的目标测试图像；
获取所述预设类型的目标测试图像对应的方差集合；
根据所述方差集合确定所述目标测试图像对应的预设测试参数。
可选地，所述预设测试参数包括：测试模糊参数和测试非模糊参数；
所述根据所述方差集合确定所述目标测试图像对应的预设测试参数的步骤，具体包括：
分别对各预设类型的方差集合中的方差进行排序，获得各预设类型的有序方差集合；
对所述各预设类型的排序后的方差集合中的第三预设次序的方差进行均值处理，获得所述目标测试图像对应的测试模糊参数；
获取所述各预设类型的排序后的方差集合中的所有方差的均值，根据所述均值和所述各预设类型的排序后的方差集合中的第四预设次序的方差确定所述目标测试图像对应的测试非模糊参数。
可选地，所述根据预设测试参数和所述待识别参数对所述待识别图像进行模糊图像识别的步骤，具体包括：
根据所述测试模糊参数确定第一阈值；
根据所述测试非模糊参数确定第二阈值；
在所述待识别模糊参数小于所述第一阈值且所述待识别非模糊参数小于第二阈值时，判定所述待识别图像为模糊图像。
此外，为实现上述目的，本发明还提出一种模糊图像识别装置，所述模糊图像识别装置包括：
图像处理模块，用于对待识别图像进行预处理，获得目标待识别图像；
参数获取模块，用于获取所述目标待识别图像对应的待识别参数；
模糊图像识别模块，用于根据预设测试参数和所述待识别参数对所述待识别图像进行模糊图像识别。
此外，为实现上述目的，本发明还提出一种模糊图像识别设备，所述模糊图像识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模糊图像识别程序，所述模糊图像识别程序配置为实现如上文所述的模糊图像识别方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有模糊图像识别程序，所述模糊图像识别程序被处理器执行时实现如上文所述的模糊图像识别方法。
本发明通过对待识别图像进行预处理，获得目标待识别图像，然后获取目标待识别图像对应的待识别参数，再根据预设测试参数和待识别参数对待识别图像进行模糊图像识别。本发明通过获取目标待识别图像对应的待识别参数，然后根据预设测试参数和待识别参数对待识别图像进行模糊图像识别，相较于现有的通过拉普拉斯二阶导数响应的方法确定图像的模糊程度，仅仅适用于整体性模糊图像的识别，本发明上述方式根据预设测试参数和待识别图像对应待识别参数进行模糊图像识别，能够准确检测到局部模糊图像，从而能够准确识别到模糊图像，并且能够提高模糊图像识别速度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的模糊图像识别设备的结构示意图；
图2为本发明模糊图像识别方法第一实施例的流程示意图；
图3为本发明模糊图像识别方法第二实施例的流程示意图；
图4为本发明模糊图像识别方法第三实施例的流程示意图；
图5为本发明模糊图像识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的模糊图像识别设备结构示意图。
如图1所示，该模糊图像识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对模糊图像识别设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及模糊图像识别程序。
在图1所示的模糊图像识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明模糊图像识别设备中的处理器1001、存储器1005可以设置在模糊图像识别设备中，所述模糊图像识别设备通过处理器1001调用存储器1005中存储的模糊图像识别程序，并执行本发明实施例提供的模糊图像识别方法。
本发明实施例提供了一种模糊图像识别方法，参照图2，图2为本发明模糊图像识别方法第一实施例的流程示意图。
本实施例中，所述模糊图像识别方法包括以下步骤：
步骤S10：对待识别图像进行预处理，获得目标待识别图像；
需要说明的是，本实施例的执行主体可以是上述具有图像处理、网络通信以及程序运行功能的电梯错层判断设备，也可以是能够实现相同或相似功能的其他设备，本实施例对此不做具体限制。
可理解的是，待识别图像是指在有机发光二极管(Organic Light-EmittingDiode，OLED)面板生产制造工艺中，光学成像系统采集到的图像。
进一步地，为了准确获得目标待识别图像，在本实施例中，所述步骤S10包括：对待识别图像进行灰度化处理，获得处理后的待识别图像；对所述处理后的待识别图像进行网格化切分，获得切分后的待识别图像；对所述切分后的待识别图像进行去噪，获得目标待识别图像。
可理解的是，灰度化处理是指对待识别图像的RGB色彩分量进行处理，使处理后的待识别图像得RGB色彩分量全部相等，对应的值为灰度值。根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y＝0.3R+0.59G+0.11B，以这个亮度值表达处理后的待识别图像的灰度值。
应理解的是，网格化切分是指对处理后的待识别图像在横向与纵向进行均匀划分，得到固定数量的局部图像块，其中横向与纵向数目可以根据实际图像情况进行设置，本实施例对此不做具体限制。具体地，在网格化切分过程中，为了保证图像模糊识别不受图像边界影响，可以将图像上下左右4个像素的外围边界进行去除，剩余中心部分用于网格划分，同时为了保证划分出的网格尺寸为整数像素，可以通过计算图像尺寸与网格划分数量的整除余数，将图像的多余边界像素进行去除，然后用于网格划分。
在具体实现中，本实施例可通过高斯核对处理后的待识别图像进行平滑去噪，高斯核去噪就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯核去噪的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
本实施例通过对待识别图像进行灰度化处理、网格化切分以及去噪处理，能够将一张较大尺寸的图像切分为较小的图像块，可以批量的形式实现大量图像块的并行化处理，较大程度上降低大尺寸图像的模糊检测时间，并且能够减少获得的目标待识别图像的局部噪声干扰。
步骤S20：获取所述目标待识别图像对应的待识别参数；
可理解的是，待识别参数是指目标待识别图像对应的参数，具体可包括待识别模糊参数和待识别非模糊参数，待识别模糊参数用于表明目标待识别图像的整体平均模糊程度，待识别非模糊参数用以区分具有少量显著纹理的非模糊图像。
步骤S30：根据预设测试参数和所述待识别参数对所述待识别图像进行模糊图像识别。
应理解的是，预设测试参数也包括测试模块参数和测试非模糊参数，从而可以通过测试模块参数、测试非模糊参数、待识别模糊参数以及待识别非模糊参数之间的大小关系对待识别图像进行模糊图像识别，以判断待识别图像是否是模糊图像。
本实施例通过对待识别图像进行预处理，获得目标待识别图像，然后获取目标待识别图像对应的待识别参数，再根据预设测试参数和待识别参数对待识别图像进行模糊图像识别。本实施例通过获取目标待识别图像对应的待识别参数，然后根据预设测试参数和待识别参数对待识别图像进行模糊图像识别，相较于现有的通过拉普拉斯二阶导数响应的方法确定图像的模糊程度，仅仅适用于整体性模糊图像的识别，本实施例上述方式根据预设测试参数和待识别图像对应待识别参数进行模糊图像识别，能够准确检测到局部模糊图像，从而能够准确识别到模糊图像，并且能够提高模糊图像识别速度。
参考图3，图3为本发明模糊图像识别方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S20包括：
步骤S201：根据预设边缘检测算子获取所述目标待识别图像对应的待识别显著边缘响应；
需要说明的是，预设边缘检测算子是指预先设置的边缘检测算子，例如：Canny算子、Sobel算子、Laplace算子等，本实施例对此不做具体限制。
在具体实现中，可通过预设边缘检测算子对目标待识别图像进行边缘检测，获得目标待识别图像对应的待识别显著边缘响应。本实施例中由于目标待识别图像是经过网格化切分后得到的，所以目标待识别图像中包括多个图像块，需要对目标待识别图像中的所有图像块进行拉普拉斯二阶响应计算，获得各图像块对应的显著边缘响应。
步骤S202：根据所述所述待识别显著边缘响应确定待识别方差集合；
需要说明的是，待识别方差可用于表明目标待识别图像中每个局部图像块的平滑程度，待识别方差越小，目标待识别图像越模糊。
可理解的是，待识别方差集合中包含所有待识别显著边缘响应对应的方差，待识别显著边缘响应有多个，对应的待识别方差也有多个，通过各待识别显著边缘响应可以确定目标待识别图像中的所有图像块对应的待识别方差。
步骤S203：对所述待识别方差集合中的所有方差进行排序，获得有序待识别方差集合；
在具体实现中，本实施例中的对所有方差进行排序，可以是从小到大进行排序，也可以是从大到小进行排序，本实施例对此不做具体限制。
步骤S204：根据所述有序待识别方差集合确定所述目标待识别图像对应的待识别参数。
可理解的是，本实施例中的待识别参数包括待识别模糊参数和待识别非模糊参数，具体参数值可根据有序待识别方差集合中的所有方差计算得到。
进一步地，为了精确确定待识别参数，在本实施例中，所述步骤S204包括：对所述有序待识别方差集合中的第一预设次序的方差进行均值处理，获得所述目标待识别图像对应的待识别模糊参数；获取所述有序待识别方差集合中的所有方差的均值，根据所述均值和所述有序待识别方差集合中的第二预设次序的方差确定所述目标待识别图像对应的待识别非模糊参数。
需要说明的是，第一预设次序和第二预设次序为预先设置的在有序待识别方差集合中的次序，例如：第一至第三十个方差、第一至第五十个方差等，本实施例对此不做具体限制。
可理解的是，假如目标待识别图像经过网格化切分后的图像块为77个，在有序待识别方差集合中的方差按照从小到大的顺序排列时，可将第一预设次序设置为前50，即对前50个方差求均值，该均值为目标待识别图像对应的待识别模糊参数；在有序待识别方差集合中的方差按照从大到小的顺序排列时，可将第一预设次序设置为后50，即对后50个方差求均值，该均值为目标待识别图像对应的待识别模糊参数。
在具体实现中，需要对有序待识别方差集合中的所有方差求均值，在有序待识别方差集合中的方差按照从小到大的顺序排列时，可将第二预设次序设置为后10，后10个方差与所有方差的均值的差值的均方为目标待识别图像对应的待识别非模糊参数；在有序待识别方差集合中的方差按照从大到小的顺序排列时，可将第二预设次序设置为前10，前10个方差与所有方差的均值的差值的均方为目标待识别图像对应的待识别非模糊参数。
本实施例通过根据预设边缘检测算子获取目标待识别图像对应的待识别显著边缘响应，然后根据待识别显著边缘响应确定待识别方差集合，然后对待识别方差集合中的所有方差进行排序，获得有序待识别方差集合，再根据有序待识别方差集合确定目标待识别图像对应的待识别参数。本实施例对待识别方差集合中的所有方差进行排序，获得有序待识别方差集合，再根据有序待识别方差集合确定目标待识别图像对应的待识别参数，能够检测到位于网格中的局部显著边缘，再结合局部最大方差，得到准确的待识别参数。
参考图4，图4为本发明模糊图像识别方法第三实施例的流程示意图。
基于上述各实施例，在本实施例中，所述步骤S10之前，所述方法还包括：
步骤S00：获取预设类型的测试图像，并对所述预设类型的测试图像进行预处理，获得预设类型的目标测试图像；
可理解的是，预设类型可包括纯色背景类型、清晰类型以及模糊类型，并且不同类型的测试图像的数量也不相同，本实施例可选取100张纯色背景类型的测试图像，300张清晰类型的测试图像、600张模糊类型的测试图像，具体数量可根据实际情况进行设置，本实施例对此不做具体限制。
应理解的是，对预设类型的测试图像进行预处理，即对预设类型的测试图像进行灰度化处理、网格化切分以及去噪处理，具体过程可参照上述对待识别图像进行预处理的步骤，本实施例对此不过多赘述。
步骤S01：获取所述预设类型的目标测试图像对应的方差集合；
可理解的是，不同预设类型的目标测试图像对应方差集合也不相同，方差集合中方差的个数为目标测试图像中图像块的个数。
步骤S02：根据所述方差集合确定所述目标测试图像对应的预设测试参数。
可理解的是，本实施例中的预设测试参数包括测试模糊参数和测试非模糊参数，具体参数值可根据方差集合中的所有方差计算得到。
进一步地，在本实施例中，所述步骤S02包括：分别对各预设类型的方差集合中的方差进行排序，获得各预设类型的有序方差集合；对所述各预设类型的排序后的方差集合中的第三预设次序的方差进行均值处理，获得所述目标测试图像对应的测试模糊参数；获取所述各预设类型的排序后的方差集合中的所有方差的均值，根据所述均值和所述各预设类型的排序后的方差集合中的第四预设次序的方差确定所述目标测试图像对应的测试非模糊参数。
需要说明的是，本实施例分别对各预设类型的方差集合中的所有方差进行排序，可以是从小到大进行排序，也可以是从大到小进行排序，本实施例对此不做具体限制。第三预设次序和第四预设次序为预先设置的在有序方差集合中的次序，例如：第一至第三十个方差、第一至第五十个方差等，本实施例对此不做具体限制。
可理解的是，在分别对各预设类型的方差集合中的所有方差进行排序后，可以获得纯色背景类型的有序方差集合、清晰类型的有序方差集合以及模糊类型的有序方差集合。
应理解的是，假如目标测试图像经过网格化切分后的图像块为77个，纯色背景类型的目标测试图像对应的测试模糊参数为第一模糊参数，清晰类型的目标测试图像对应的测试模糊参数为第二模糊参数，模糊类型的目标测试图像对应的测试模糊参数为第三模糊参数。在有序方差集合中的方差按照从小到大的顺序排列时，可将第三预设次序设置为前50，即对各预设类型的方差集合中前50个方差求均值，可以得到第一模糊参数、第二模糊参数以及第三模糊参数；在有序待识别方差集合中的方差按照从大到小的顺序排列时，可将第一预设次序设置为后50，即对各预设类型的方差集合中后50个方差求均值，可以得到第一模糊参数、第二模糊参数以及第三模糊参数。
在具体实现中，假设纯色背景类型的目标测试图像对应的测试非模糊参数为第一非模糊参数，清晰类型的目标测试图像对应的测试非模糊参数为第二非模糊参数，模糊类型的目标测试图像对应的测试非模糊参数为第三非模糊参数。需要对各预设类型的有序方差集合中的所有方差求均值，在有序方差集合中的方差按照从小到大的顺序排列时，可将第四预设次序设置为后10，后10个方差与所有方差的均值的差值的均方为各预设类型的目标测试图像对应的测试非模糊参数；在有序方差集合中的方差按照从大到小的顺序排列时，可将第四预设次序设置为前10，前10个方差与所有方差的均值的差值的均方为各预设类型的目标测试图像对应的测试非模糊参数。
进一步地，在本实施例中，所述步骤S30包括：根据所述测试模糊参数确定第一阈值；根据所述测试非模糊参数确定第二阈值；在所述待识别模糊参数小于所述第一阈值且所述待识别非模糊参数小于第二阈值时，判定所述待识别图像为模糊图像。
可理解的是，第一阈值可根据第二模糊参数和第三模糊参数得到，例如：所有清晰类型的测试图像的第二模糊参数取值分布在1.385与14.341之间，所有模糊类型的测试图像的第三模糊参数取值分布在0.064与0.637之间，因此，可以将第一阈值取值可以设置在0.637与1.385之间，可以取个中间值1.0作为第一阈值。
应理解的是，第二阈值可根据第一非模糊参数和第三非模糊参数得到，例如：所有纯色背景类型的测试图像的第一非模糊参数取值分布在0.116与37.352之间，所有模糊类型的测试图像的第三非模糊参数取值分布在0.00015与0.274之间，两个分布范围存在交集，其中处于0.116与0.274之间的模糊图数量为17张，占模糊图总量的2.8％，因此，可以设置第二阈值为0.116，这样只会有2.8％的模糊图被漏检。
在具体实现中，在待识别图像对应的待识别模糊参数小于第一阈值且待识别图像对应的待识别非模糊参数小于第二阈值时，判定待识别图像为模糊图像；在待识别图像对应的待识别模糊参数小于第一阈值且待识别图像对应的待识别非模糊参数大于等于第二阈值，或，待识别图像对应的待识别模糊参数大于等于第一阈值且待识别图像对应的待识别非模糊参数小于第二阈值，或，待识别图像对应的待识别模糊参数大于等于第一阈值且待识别图像对应的待识别非模糊参数大于等于第二阈值时，判定待识别图像为非模糊图像。
本实施例通过获取预设类型的测试图像，并对预设类型的测试图像进行预处理，获得预设类型的目标测试图像，然后获取预设类型的目标测试图像对应的方差集合，再根据方差集合确定目标测试图像对应的预设测试参数。本实施例通过获取预设类型的测试图像，并且各预设类型的测试图像有多个，能够使得得到的预设测试参数更加精确，从而使根据预设测试参数和待识别图像对应待识别参数进行模糊图像识别的过程更加准确，能够准确识别到模糊图像。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有模糊图像识别程序，所述模糊图像识别程序被处理器执行时实现如上文所述的模糊图像识别方法。
参照图5，图5为本发明模糊图像识别装置第一实施例的结构框图。
如图5所示，本发明实施例提出的模糊图像识别装置包括：
图像处理模块10，用于对待识别图像进行预处理，获得目标待识别图像；
参数获取模块20，用于获取所述目标待识别图像对应的待识别参数；
模糊图像识别模块30，用于根据预设测试参数和所述待识别参数对所述待识别图像进行模糊图像识别。
本实施例通过对待识别图像进行预处理，获得目标待识别图像，然后获取目标待识别图像对应的待识别参数，再根据预设测试参数和待识别参数对待识别图像进行模糊图像识别。本实施例通过获取目标待识别图像对应的待识别参数，然后根据预设测试参数和待识别参数对待识别图像进行模糊图像识别，相较于现有的通过拉普拉斯二阶导数响应的方法确定图像的模糊程度，仅仅适用于整体性模糊图像的识别，本实施例上述方式根据预设测试参数和待识别图像对应待识别参数进行模糊图像识别，能够准确检测到局部模糊图像，从而能够准确识别到模糊图像，并且能够提高模糊图像识别速度。
基于本发明上述模糊图像识别装置第一实施例，提出本发明模糊图像识别装置的第二实施例。
在本实施例中，所述图像处理模块10，还用于对待识别图像进行灰度化处理，获得处理后的待识别图像；对所述处理后的待识别图像进行网格化切分，获得切分后的待识别图像；对所述切分后的待识别图像进行去噪，获得目标待识别图像。
进一步地，所述参数获取模块20，还用于根据预设边缘检测算子获取所述目标待识别图像对应的待识别显著边缘响应；根据所述所述待识别显著边缘响应确定待识别方差集合；对所述待识别方差集合中的所有方差进行排序，获得有序待识别方差集合；根据所述有序待识别方差集合确定所述目标待识别图像对应的待识别参数。
进一步地，所述参数获取模块20，还用于对所述有序待识别方差集合中的第一预设次序的方差进行均值处理，获得所述目标待识别图像对应的待识别模糊参数；获取所述有序待识别方差集合中的所有方差的均值，根据所述均值和所述有序待识别方差集合中的第二预设次序的方差确定所述目标待识别图像对应的待识别非模糊参数。
进一步地，所述模糊图像识别模块30，还用于获取预设类型的测试图像，并对所述预设类型的测试图像进行预处理，获得预设类型的目标测试图像；获取所述预设类型的目标测试图像对应的方差集合；根据所述方差集合确定所述目标测试图像对应的预设测试参数。
进一步地，所述模糊图像识别模块30，还用于分别对各预设类型的方差集合中的方差进行排序，获得各预设类型的有序方差集合；对所述各预设类型的排序后的方差集合中的第三预设次序的方差进行均值处理，获得所述目标测试图像对应的测试模糊参数；获取所述各预设类型的排序后的方差集合中的所有方差的均值，根据所述均值和所述各预设类型的排序后的方差集合中的第四预设次序的方差确定所述目标测试图像对应的测试非模糊参数。
进一步地，所述模糊图像识别模块30，还用于根据所述测试模糊参数确定第一阈值；根据所述测试非模糊参数确定第二阈值；在所述待识别模糊参数小于所述第一阈值且所述待识别非模糊参数小于第二阈值时，判定所述待识别图像为模糊图像。
本发明模糊图像识别装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种模糊图像识别方法，其特征在于，所述模糊图像识别方法包括：
对待识别图像进行预处理，获得目标待识别图像；
获取所述目标待识别图像对应的待识别参数；
根据预设测试参数和所述待识别参数对所述待识别图像进行模糊图像识别。
2.如权利要求1所述的模糊图像识别方法，其特征在于，所述对待识别图像进行预处理，获得目标待识别图像的步骤，具体包括：
对待识别图像进行灰度化处理，获得处理后的待识别图像；
对所述处理后的待识别图像进行网格化切分，获得切分后的待识别图像；
对所述切分后的待识别图像进行去噪，获得目标待识别图像。
3.如权利要求2所述的模糊图像识别方法，其特征在于，所述获取所述目标待识别图像对应的待识别参数的步骤，具体包括：
根据预设边缘检测算子获取所述目标待识别图像对应的待识别显著边缘响应；
根据所述所述待识别显著边缘响应确定待识别方差集合；
对所述待识别方差集合中的所有方差进行排序，获得有序待识别方差集合；
根据所述有序待识别方差集合确定所述目标待识别图像对应的待识别参数。
4.如权利要求3所述的模糊图像识别方法，其特征在于，所述待识别参数包括：待识别模糊参数和待识别非模糊参数；
所述根据所述有序待识别方差集合确定所述目标待识别图像对应的待识别参数的步骤，具体包括：
对所述有序待识别方差集合中的第一预设次序的方差进行均值处理，获得所述目标待识别图像对应的待识别模糊参数；
获取所述有序待识别方差集合中的所有方差的均值，根据所述均值和所述有序待识别方差集合中的第二预设次序的方差确定所述目标待识别图像对应的待识别非模糊参数。
5.如权利要求1～4中任一项所述的模糊图像识别方法，其特征在于，所述对待识别图像进行预处理，获得目标待识别图像的步骤之前，还包括：
获取预设类型的测试图像，并对所述预设类型的测试图像进行预处理，获得预设类型的目标测试图像；
获取所述预设类型的目标测试图像对应的方差集合；
根据所述方差集合确定所述目标测试图像对应的预设测试参数。
6.如权利要求5所述的模糊图像识别方法，其特征在于，所述预设测试参数包括：测试模糊参数和测试非模糊参数；
所述根据所述方差集合确定所述目标测试图像对应的预设测试参数的步骤，具体包括：
分别对各预设类型的方差集合中的方差进行排序，获得各预设类型的有序方差集合；
对所述各预设类型的排序后的方差集合中的第三预设次序的方差进行均值处理，获得所述目标测试图像对应的测试模糊参数；
获取所述各预设类型的排序后的方差集合中的所有方差的均值，根据所述均值和所述各预设类型的排序后的方差集合中的第四预设次序的方差确定所述目标测试图像对应的测试非模糊参数。
7.如权利要求6所述的模糊图像识别方法，其特征在于，所述根据预设测试参数和所述待识别参数对所述待识别图像进行模糊图像识别的步骤，具体包括：
根据所述测试模糊参数确定第一阈值；
根据所述测试非模糊参数确定第二阈值；
在所述待识别模糊参数小于所述第一阈值且所述待识别非模糊参数小于第二阈值时，判定所述待识别图像为模糊图像。
8.一种模糊图像识别装置，其特征在于，所述模糊图像识别装置包括：
图像处理模块，用于对待识别图像进行预处理，获得目标待识别图像；
参数获取模块，用于获取所述目标待识别图像对应的待识别参数；
模糊图像识别模块，用于根据预设测试参数和所述待识别参数对所述待识别图像进行模糊图像识别。
9.一种模糊图像识别设备，其特征在于，所述模糊图像识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模糊图像识别程序，所述模糊图像识别程序配置为实现如权利要求1至7中任一项所述的模糊图像识别方法。
10.一种存储介质，其特征在于，所述存储介质上存储有模糊图像识别程序，所述模糊图像识别程序被处理器执行时实现如权利要求1至7中任一项所述的模糊图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210091923.7A CN114549346A (zh) | 2022-01-27 | 2022-01-27 | 模糊图像识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210091923.7A CN114549346A (zh) | 2022-01-27 | 2022-01-27 | 模糊图像识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114549346A true CN114549346A (zh) | 2022-05-27 |
Family
ID=81673371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210091923.7A Pending CN114549346A (zh) | 2022-01-27 | 2022-01-27 | 模糊图像识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114549346A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703742A (zh) * | 2022-11-04 | 2023-09-05 | 荣耀终端有限公司 | 识别模糊图像的方法和电子设备 |
-
2022
- 2022-01-27 CN CN202210091923.7A patent/CN114549346A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703742A (zh) * | 2022-11-04 | 2023-09-05 | 荣耀终端有限公司 | 识别模糊图像的方法和电子设备 |
| CN116703742B (zh) * | 2022-11-04 | 2024-05-17 | 荣耀终端有限公司 | 识别模糊图像的方法和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108683907B (zh) | 光学模组像素缺陷检测方法、装置及设备 | |
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
| CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
| CN113469921B (zh) | 图像缺陷修复方法、系统、计算机设备及存储介质 | |
| CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
| CN116542975B (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
| KR20190073247A (ko) | 향상된 전처리를 갖는 화이트 스팟 무라 검출 시스템 및 방법 | |
| CN116503388B (zh) | 缺陷检测方法、装置及存储介质 | |
| CN115018797A (zh) | 屏幕缺陷的检测方法、检测设备以及计算机可读存储介质 | |
| CN114627089A (zh) | 缺陷识别方法、装置、计算机设备及计算机可读存储介质 | |
| CN115861327A (zh) | 一种pcb颜色变化缺陷检测方法、装置、设备及介质 | |
| CN114549346A (zh) | 模糊图像识别方法、装置、设备及存储介质 | |
| CN110120195B (zh) | 数据补偿方法及智能终端 | |
| CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
| CN114674826A (zh) | 基于布匹的视觉检测方法及检测系统 | |
| CN114419533A (zh) | 深水网衣破损识别方法、装置、设备及存储介质 | |
| CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
| CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
| CN114937037B (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
| CN115937212A (zh) | 一种玻璃板裂纹检测方法、装置、设备及介质 | |
| CN115619796A (zh) | 获取光伏组件模板的方法及装置、非易失性存储介质 | |
| CN112508925B (zh) | 电子锁面板质量检测方法、系统、计算机装置和存储介质 | |
| CN110634124A (zh) | 一种区域检测的方法及设备 | |
| CN111678673A (zh) | 镜片检测方法、装置和可读存储介质 |
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 |