CN114820614A - 一种图像类型的确定方法、装置、存储介质及电子装置 - Google Patents

Abstract

本发明实施例提供了一种图像类型的确定方法、装置、存储介质及电子装置，其中，该方法包括：确定评价目标图像的多个目标维度；从多个目标维度评价目标图像，以确定目标图像在每个目标维度的目标模糊度值；基于每个目标维度的目标模糊度值确定目标图像的目标类型。通过本发明，解决了相关技术中存在的确定图像的类型准确率低的问题，达到提高确定图像的类型的准确率的效果。

Description

一种图像类型的确定方法、装置、存储介质及电子装置

技术领域

本发明实施例涉及图像处理领域，具体而言，涉及一种图像类型的确定方法、装置、存储介质及电子装置。

背景技术

在相关技术中，在确定图像的类型时通常计算图像的模糊度值，根据模糊度值确定图像的类型。然而，仅通过单一的算法确定的模糊度值往往不能准确地反映出图像的类型。

由此可知，在相关技术中存在确定图像的类型准确率低的问题。

针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像类型的确定方法、装置、存储介质及电子装置，以至少解决相关技术中存在的确定图像的类型准确率低的问题。

根据本发明的一个实施例，提供了一种图像类型的确定方法，包括：确定评价目标图像的多个目标维度；从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值；基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型。

根据本发明的另一个实施例，提供了一种图像类型的确定装置，包括：第一确定模块，用于确定评价目标图像的多个目标维度；评价模块，用于从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值；第二确定模块，用于基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型。

根据本发明的又一个实施例，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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，确定评价目标图像的多个目标维度，从多个目标维度评价目标图像，以确定目标图像在每个目标维度的目标模糊度值，根据每个目标维度的目标模糊度值确定目标图像的图像类型。由于可以从多个维度评级目标图像，以确定目标图像在多个目标维度的目标模糊度值，再综合多个目标维度的目标模糊度值确定目标图像的目标类型。因此，可以解决相关技术中存在的确定图像的类型准确率低的问题，达到提高确定图像的类型的准确率的效果。

附图说明

图1是本发明实施例的一种图像类型的确定方法的移动终端的硬件结构框图；

图2是根据本发明实施例的图像类型的确定方法的流程图；

图3是根据本发明具体实施例的图像类型的确定方法流程图；

图4是根据本发明实施例的图像类型的确定装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明的实施例。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种图像类型的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的图像类型的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种图像类型的确定方法，图2是根据本发明实施例的图像类型的确定方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，确定评价目标图像的多个目标维度；

步骤S204，从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值；

步骤S206，基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型。

在上述实施例中，目标图像可以是摄像设备实时采集的图像，还可以从图像库中获取到的图像，本发明对此不做限制。模糊度和清晰度是描述图像清晰程度（模糊程度）的两个相对但又相互联系的两个概念。图像越清晰，质量越高，清晰度越大，模糊度越小；图像越不清晰（越模糊），质量越低，清晰度越小，模糊度越大。因此描述一幅图像清晰程度时，既可以使用清晰度也可以使用模糊度，只是两个指标数值上成反比。在获取到目标图像后，可以确定评价目标图像的多个目标维度。在确定目标维度时，可以确定目标图像的种类，根据图像的种类确定目标维度。即不同种类的图像可以对应不同的目标维度，可以预先存储图像种类与目标维度的对应关系，在获取到目标图像后，可以确定目标图像的种类，再通过对应关系确定与目标图像的种类对应的多个目标维度。其中，图像的种类可以通过应用场景确定，还可以根据图像的来源确定。例如，当需要根据图像的目标类型确定行人是否存在违反交通规则的行为时，可以确定图像的种类为行人种类。或者，当获取到的交通岗摄像设备采集到的图像，可以确定图像的种类为机动车种类。即可以根据应用场景等确定所要分析的对象，根据对象确定目标图像的种类。

在上述实施例中，多个目标维度中包括的每个目标维度可以对应一种确定模糊度值的算法，可以根据每个目标维度对应的确定模糊度值的算法确定目标图像在每个目标图像的目标模糊度值，再综合多个维度的评价结果，即多个目标模糊度值确定目标图像的目标类型。

在上述实施例中，目标维度对应的算法可以包括灰度方差算法、灰度差分绝对值之和方差算法、灰度差分平方和方差算法、Brenner函数、Roberts梯度和、拉普拉斯梯度和、Tenengrad函数等。在下面公式中，(x,y)表示图像的像素坐标，N_x和N_y表示图像的像素宽度和高度，f(x,y)表示(x,y)像素点的灰度值。

在上述实施例中，灰度方差算法：图像最清晰，图像中的高频分量也最多，该算法以图像所有像素的灰度平均值为参考，对每个像素点的灰度值求差后求平方和，然后用像素总数标准化，它表征了图像灰度变化的平均程度，灰度变化的平均程度越大，图像越清晰，灰度变化平均程度越小，

图像越模糊。其中，灰度平均值

，则灰度方差算法可以表示为

。

灰度差分绝对值之和方差算法可以将x方向，y方向图像差分绝对值的和作为度量标准，可用

表示。

灰度差分平方和方差算法可以将x方向，Y方向图像差分平方值的和作为度量标准，突出微分值的影响，提高信噪比数值。用公式可以表示为

。

Brenner 函数即计算相邻两个像素灰度差的平方，该函数定义如下：

。

Roberts梯度和定义为相邻四个像素对角线像素灰度值差的绝对值之

和：

。

拉普拉斯梯度和，即用拉普拉斯模板得到像素拉普拉斯梯度值，求所

有像素拉普拉斯梯度值的和。其中，拉普拉斯模板可以表示为

，可以用

表示拉普拉斯梯度和。

还可以用拉普拉斯模板得到像素拉普拉斯梯度值，求所有像素拉普拉斯梯度值的和。在此情况下，拉普拉斯模板可以表示为

，像素拉普拉斯梯度值的和可以表示为

，其中，

。

Tenengrad函数，梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，模板算子：

，卷积结果可以表示为

，模糊度数值可以表示为

。

通过单一某种算法，取阈值进行分类，其准确率较低。而综合各种计算模糊度的算法，作为图像模糊度的特征，来训练分类模型，可以以极大的提升了识别图像模糊的准确度。目标类型可以包括清晰、模糊，还可以包括较清晰、较模糊等。即可以将目标图像划分成多个类型，每个类型可以对应一个模糊度评分，根据模糊度评分确定目标类型。

在上述实施例中，根据每个目标维度的目标模糊度值确定目标图像的目标类型时，可以根据多个目标模糊度值确定目标图像的最终模糊度评分，根据最终模糊度评分确定目标类型。

可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有数据处理设备的机器，其中，数据处理设备可以包括计算机、手机等终端，但不限于此。

通过本发明，确定评价目标图像的多个目标维度，从多个目标维度评价目标图像，以确定目标图像在每个目标维度的目标模糊度值，根据每个目标维度的目标模糊度值确定目标图像的图像类型。由于可以从多个维度评级目标图像，以确定目标图像在多个目标维度的目标模糊度值，再综合多个目标维度的目标模糊度值确定目标图像的目标类型。因此，可以解决相关技术中存在的确定图像的类型准确率低的问题，达到提高确定图像的类型的准确率的效果。

在一个示例性实施例中，基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型包括：基于每个所述目标维度的所述目标模糊度值确定目标输入值；将所述目标输入值输入至目标网络模型，以确定所述目标类型，其中，所述目标网络模型为通过多组训练数据进行机器训练所得到的模型，多组所述训练数据中包括的每组所述训练数据均包括图像的类型以及图像在每个所述目标维度的模糊度值。在本实施例中，可以通过目标网络模型综合分析每个目标维度的目标模糊度值，确定目标图像的目标类型。目标网络模型的输入值可以为多个目标模糊度值。其中，目标网络模型可以是分类模型，目标网络模型可以通过多组训练数据训练得到。目标网络模型可以为随机森林模型、LightGBM模型、XGBoos模型t等，本发明对此不做限制。

在一个示例性实施例中，基于每个所述目标维度的所述目标模糊度值确定目标输入值包括：确定所述目标图像的目标尺寸；将所述目标尺寸以及每个所述目标维度的所述目标模糊度值确定为所述目标输入值。在本实施例中，在通过目标网络模型确定目标图像的目标类型时，可以仅将多个目标模糊度值确定为目标网络模型的输入值，还可以将多个目标网络模糊度值以及目标图像的尺寸信息确定为目标网络模型的输入值。在确定目标图像的目标类型时，充分考虑了目标图像的目标尺寸以及不同目标维度对应的目标模糊度值，提高了确定目标类型的准确率。其中，目标图像的目标尺寸可以包括图像的长、宽等等。

在一个示例性实施例中，每组所述训练数据还包括图像的尺寸。在本实施例中，当将多个目标网络模糊度值以及目标图像的尺寸信息确定为目标网络模型的输入值时，训练目标网络模型的训练数据中还应包括图像的尺寸。

在一个示例性实施例中，基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型包括：确定每个所述目标维度对应的目标权重；基于每个所述目标维度对应的所述目标权重以及所述目标模糊度值确定所述目标类型。在本实施例中，在根据每个目标维度的目标模糊度值确定目标类型时，还可以确定每个目标维度对应的目标权重，根据目标权重以及目标模糊度值确定目标类型。其中，目标权重可以是预先确定的，可以根据图像的种类确定每个目标维度的目标权重。

在一个示例性实施例中，基于每个所述目标维度对应的所述目标权重以及所述目标模糊度值确定所述目标类型包括：确定每个所述目标维度的所述目标权重与所述目标模糊度值的乘积，以得到多个乘积；将所述多个乘积的和值确定为综合模糊度值；在所述综合模糊度值大于预定阈值的情况下，确定所述目标类型为清晰类型；在所述综合模糊度值小于或等于所述预定阈值的情况下，确定所述目标类型为模糊类型。在本实施例中，可以确定每个目标维度的目标权重与其目标模糊度值的乘积，将每个乘积的和值确定为综合模糊度值。根据综合模糊度值确定目标类型。例如，当综合模糊度值大于预定阈值的情况下，确定目标类型为清晰类型，当综合模糊度值小于或等于预定阈值的情况下，确定目标类型为模糊类型。其中，预定阈值可以是预先确定的阈值，本发明对此不做限定。

在上述实施例中，当将图像的类型划分为大于三种类型时，如清晰、较清晰、模糊、较模糊四种类型时，可以预先确定每种类型对应的模糊度值区间，再确定综合模糊度值处于哪个区间内，综合模糊度值处在的区间对应的类型即为目标图像的目标类型。

在一个示例性实施例中，从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值包括：确定每个所述目标维度评价所述目标图像的评价算法；通过所述评价算法确定所述目标图像在所述目标维度的所述目标模糊度值。在本实施例中，可以通过每种目标维度对应的评价算法确定目标模糊度值，评价算法可以包括灰度方差算法、灰度差分绝对值之和方差算法、灰度差分平方和方差算法、Brenner函数、Roberts梯度和、拉普拉斯梯度和、Tenengrad函数等。

下面结合具体实施方式对图像类型的确定方法进行说明：

图3是根据本发明具体实施例的图像类型的确定方法流程图，如图3所示，首先获取一定数量的手工标注数据，将图片分类为清晰和模糊；对图像使用多种评价算法计算模糊度值（包括但不限于灰度方差算法、灰度差分绝对值之和方差算法、灰度差分平方和方差算法、Brenner函数、Roberts梯度和、拉普拉斯梯度和、Tenengrad函数等）；将前述这些算法得到的模糊度值图片的长宽作为x，图片的分类（清晰、模糊）作为y，使用分类算法训练分类模型，可选算法包括随机森林、LightGBM、XGBoost等；对于新图片，通过计算前述的多个模糊度数值和长宽作为输入，经过模型得到图片的分类。

例如，首先获取一定数量的手工标注数据，将图片分类为清晰和模糊。如收集了超过15000张车牌图片，并且对车牌是清晰还是模糊作了手工标注。

对图像使用多种评价算法计算模糊度值（包括但不限于灰度方差算法、灰度差分绝对值之和方差算法、灰度差分平方和方差算法、Brenner函数、Roberts梯度和、拉普拉斯梯度和、Tenengrad函数等）。

通过上述算法确定的目标模糊度值可参见表1。

表1

将前述这些算法得到的模糊度值图片的长宽作为x，图片的分类（清晰、模糊）作为y，使用分类算法训练分类模型，可选算法包括随机森林、LightGBM、XGBoost等。

前述8种评分方法是从不同的维度获取图片清晰度相关的指标，单独看某一种评分的话可能考虑的不够全面，从而造成误判，以上表中的两张图片为例，brenner评分差异很大，但如果只用tenengrad评分的话就难以看出差异，因此，可以将上述8种评分指标综合考虑来训练模型，对数据集采用机器学习算法建立模型，挖掘这些评分指标与肉眼清晰度的潜在关系，这样得到的模型一定优于单一评分指标的效果。

首先在训练数据集上建立模型，根据测试集图片10个维度的指标应用上述模型，得到测试集图片清晰度的预测值，对比测试集预测值和真实label的差异即可评价模型的效果，另一方面，对于预测值和真实label不一致的图片进一步分析，有助于对模型或图片标签打标的规则进行改进。

将所有1.5万张图片按照7:3比例随机划分训练集和验证集，训练分类模型。下面以使用随机森林训练分类模型为例进行说明：

先对10种评分指标进行数据标准化处理，以消除数据单位带来的影响。接下来将标准化之后的训练集数据输入模型，随机森林算法会产生多棵决策树，每棵决策树的产生过程是：

1、输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于所有特征数量M。

2、从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。

3、对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这m个特征，计算其最佳的分裂方式。

4、每棵树都会完整成长而不会剪枝，最终生成n棵决策树，这些决策树就构成了一个完整的随机森林模型。

之后对于测试集样本，将前述指标输入模型，对每一个测试集样本，每棵决策树都会根据这些评分指标计算出一个预测类别，n棵决策树得到n个类别，按照“少数服从多数”的投票式规则得出随机森林模型对该样本的预测类别。

4、对于新图片，通过计算前述的多个模糊度数值和长宽作为输入，经过模型得到图片的分类。

某些场景下，需要选取视频中最清晰的那一帧作为参考图像，比如交通违法取证图需要清晰的那一帧，此时可以通过本方法分类来得到较清晰的那一张图像。

在前述实施例中，综合了多种模糊度算法来提取图片的模糊度特征，提高了图片模糊度判断的准确性。

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根据上述实施例的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ROM/RAM、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。

在本实施例中还提供了一种图像类型的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图4是根据本发明实施例的图像类型的确定装置的结构框图，如图4所示，该装置包括：

第一确定模块42，用于确定评价目标图像的多个目标维度；

评价模块44，用于从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值；

第二确定模块46，用于基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型。

在一个示例性实施例中，第二确定模块46可以通过如下方式实现基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型：基于每个所述目标维度的所述目标模糊度值确定目标输入值；将所述目标输入值输入至目标网络模型，以确定所述目标类型，其中，所述目标网络模型为通过多组训练数据进行机器训练所得到的模型，多组所述训练数据中包括的每组所述训练数据均包括图像的类型以及图像在每个所述目标维度的模糊度值。

在一个示例性实施例中，第二确定模块46可以通过如下方式实现基于每个所述目标维度的所述目标模糊度值确定目标输入值：确定所述目标图像的目标尺寸；将所述目标尺寸以及每个所述目标维度的所述目标模糊度值确定为所述目标输入值。

在一个示例性实施例中，每组所述训练数据还包括图像的尺寸。

在一个示例性实施例中，第二确定模块46可以通过如下方式实现基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型：确定每个所述目标维度对应的目标权重；基于每个所述目标维度对应的所述目标权重以及所述目标模糊度值确定所述目标类型。

在一个示例性实施例中，第二确定模块46可以通过如下方式实现基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型：确定每个所述目标维度的所述目标模糊度值与所述目标模糊度值的乘积，以得到多个乘积；将所述多个乘积的和值确定为综合模糊度值；在所述综合模糊度值大于预定阈值的情况下，确定所述目标类型为清晰类型；在所述综合模糊度值小于或等于所述预定阈值的情况下，确定所述目标类型为模糊类型。

在一个示例性实施例中，评价模块44可以通过如下方式实现从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值：确定每个所述目标维度评价所述目标图像的评价算法；通过所述评价算法确定所述目标图像在所述目标维度的所述目标模糊度值。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

本发明的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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。

在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像类型的确定方法，其特征在于，包括：

确定评价目标图像的多个目标维度；

从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值；

基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型。

2.根据权利要求1所述的方法，其特征在于，基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型包括：

基于每个所述目标维度的所述目标模糊度值确定目标输入值；

将所述目标输入值输入至目标网络模型，以确定所述目标类型，其中，所述目标网络模型为通过多组训练数据进行机器训练所得到的模型，多组所述训练数据中包括的每组所述训练数据均包括图像的类型以及图像在每个所述目标维度的模糊度值。

3.根据权利要求2所述的方法，其特征在于，基于每个所述目标维度的所述目标模糊度值确定目标输入值包括：

确定所述目标图像的目标尺寸；

将所述目标尺寸以及每个所述目标维度的所述目标模糊度值确定为所述目标输入值。

4.根据权利要求3所述的方法，其特征在于，每组所述训练数据还包括图像的尺寸。

5.根据权利要求1所述的方法，其特征在于，基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型包括：

确定每个所述目标维度对应的目标权重；

基于每个所述目标维度对应的所述目标权重以及所述目标模糊度值确定所述目标类型。

6.根据权利要求5所述的方法，其特征在于，基于每个所述目标维度对应的所述目标权重以及所述目标模糊度值确定所述目标类型包括：

确定每个所述目标维度的所述目标权重与所述目标模糊度值的乘积，以得到多个乘积；

将所述多个乘积的和值确定为综合模糊度值；

在所述综合模糊度值大于预定阈值的情况下，确定所述目标类型为清晰类型；

在所述综合模糊度值小于或等于所述预定阈值的情况下，确定所述目标类型为模糊类型。

7.根据权利要求1所述的方法，其特征在于，从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值包括：

确定每个所述目标维度评价所述目标图像的评价算法；

通过所述评价算法确定所述目标图像在所述目标维度的所述目标模糊度值。

8.一种图像类型的确定装置，其特征在于，包括：

第一确定模块，用于确定评价目标图像的多个目标维度；

评价模块，用于从多个所述目标维度评价所述目标图像，以确定所述目标图像在每个所述目标维度的目标模糊度值；

第二确定模块，用于基于每个所述目标维度的所述目标模糊度值确定所述目标图像的目标类型。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至7任一项中所述的方法的步骤。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。

Images