CN115311451A - 图像模糊度的评估方法、装置、计算机设备及存储介质 - Google Patents

图像模糊度的评估方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115311451A
CN115311451A CN202210983357.0A CN202210983357A CN115311451A CN 115311451 A CN115311451 A CN 115311451A CN 202210983357 A CN202210983357 A CN 202210983357A CN 115311451 A CN115311451 A CN 115311451A
Authority
CN
China
Prior art keywords
image
fuzzy
document image
gradient
value
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
Application number
CN202210983357.0A
Other languages
English (en)
Inventor
谢凯西
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210983357.0A priority Critical patent/CN115311451A/zh
Publication of CN115311451A publication Critical patent/CN115311451A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种图像模糊度的评估方法，包括：获取待处理的文档图像；基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征；基于所述梯度特征生成所述文档图像的模糊特征；将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值；基于所述模糊度数值生成所述文档图像的模糊度评估结果。本申请还提供一种图像模糊度的评估装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，模糊度数值可存储于区块链中。本申请通过使用模糊评估模型对文档图像进行模糊评估处理，提高了对于文档图像的模糊度评估的处理效率与准确性。

Description

图像模糊度的评估方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及图像模糊度的评估方法、装置、计算机设备及存储介质。
背景技术
随着OCR(Optical Character Recognition，光学字符识别)技术的应用越来越广泛，一些影响OCR的识别结果因素得到了学术界和工业界的关注，图像模糊度正是这些因素之中的一个重要因素。在现实场景中，纸质文档是人们日常办公的信息传输媒介，通过拍摄文档而采集到的图像称为文档图像，随着手机、平板电脑等便携移动设备的普及，文档图像在人们生活中有着丰富的应用场景，例如发票、合同、个人档案等纸质资料的电子档案。自然场景下采集到的文档图像质量参差不齐，对于文档图像的清晰度的评估是当前衡量文档图像的质量好坏的重要环节。
现有的图像模糊评估方法一般可以分为两大类，第一类方法基于人工设计的特征，根据人工设定的规则或对模糊区域和清晰区域进行区分，这类方法依赖于人工设定的规则以及特征，特征的有效程度和计算量是影响算法性能的关键因素，从而无法保证对于文档图像的模糊评估结果的准确性。第二类方法基于深度学习，此类方法在某些特定场景优于第一类方法，但依赖数据的数量和质量，以及需要设计一套严谨的标注标准，此外该方法计算量大，从而导致图像模糊评估的处理效率低下，且不适合在低算力平台上实施，不能很好地解决问题。
发明内容
本申请实施例的目的在于提出一种图像模糊度的评估方法、装置、计算机设备及存储介质，以解决现有的图像模糊评估方法存在处理效率低下，且无法保证对于文档图像的模糊评估结果的准确性的技术问题。
为了解决上述技术问题，本申请实施例提供一种图像模糊度的评估方法，采用了如下所述的技术方案：
获取待处理的文档图像；
基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征；
基于所述梯度特征生成所述文档图像的模糊特征；
将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值；
基于所述模糊度数值生成所述文档图像的模糊度评估结果。
进一步的，所述基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征的步骤，具体包括：
将所述文档图像转换为灰度图像；
基于所述二值化方法对所述灰度图像进行处理，得到所述感兴趣区域；
基于预设的卷积核对所述灰度图像进行卷积处理，得到与所述灰度图像对应的梯度图；
使用所述感兴趣区域对所述梯度图进行掩码处理，得到所述感兴趣区域中的梯度特征。
进一步的，所述基于所述二值化方法对所述灰度图像进行处理，得到所述感兴趣区域的步骤，具体包括：
使用预设尺寸的高斯权重卷积核对所述灰度图像进行卷积处理，得到相应的卷积结果；
将所述卷积结果减去预设参数得到阈值图；
将所述灰度图像与阈值图进行比较处理，遍历所述灰度图像中包含的所有像素，若所述灰度图像中的指定像素的值大于等于所述阈值图中对应像素的值，则将所述指定像素的值标记为255，否则将所述指定像素的值标记为0，在完成对所述灰度图像的遍历处理后得到相应的二值图；其中，所述指定像素为所述灰度图像中包含的所有像素中的任意一个像素；
将所述二值图中值为255的目标像素作为所述文档图像的感兴趣区域。
进一步的，所述基于预设的卷积核对所述灰度图像进行卷积处理，得到与所述灰度图像对应的梯度图的步骤，具体包括：
使用预设的第一卷积核对所述灰度图像进行卷积处理，得到对应的第一梯度图；
使用预设的第二卷积核对所述灰度图像进行卷积处理，得到对应的第二梯度图；
基于预设计算公式对所述第一梯度图与所述第二梯度图进行计算处理，得到与所述灰度图像对应的梯度图。
进一步的，所述基于所述梯度特征生成所述文档图像的模糊特征的步骤，具体包括：
计算所有所述梯度特征的平均值；
将所述平均值作为所述文档图像的模糊特征。
进一步的，所述基于所述模糊度数值生成所述文档图像的模糊度评估结果的步骤，具体包括：
获取预设的模糊度阈值；
将所述模糊度数值与所述模糊度阈值进行比较，判断所述模糊度数值是否小于所述模糊度阈值；
若小于所述模糊度阈值，则生成所述文档图像为清晰图像的第一模糊度评估结果；
若不小于所述模糊度阈值，则生成所述文档图像为模糊图像的第二模糊度评估结果。
进一步的，在所述将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值的步骤之前，还包括：
获取预先收集的文档图像样本；
对所述文档图像样本进行标签标注处理，得到对应的文档图像数据集；
对于所述文档图像数据集中的每一张指定文档图像，获取所述指定文档图像的指定感兴趣区域，从所述指定感兴趣区域中提取指定梯度特征，并基于所述指定梯度特征生成指定模糊特征；
基于所述指定模糊特征以及与所述指定文档图像对应的标签，生成相应的文档图像特征数据集；
调用预设的逻辑回归模型；
基于随机梯度下降法，使用所述文档图像特征数据集对所述逻辑回归模型进行训练，得到所述模糊评估模型。
为了解决上述技术问题，本申请实施例还提供一种图像模糊度的评估装置，采用了如下所述的技术方案：
第一获取模块，用于获取待处理的文档图像；
第二获取模块，用于基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征；
第一生成模块，用于基于所述梯度特征生成所述文档图像的模糊特征；
输出模块，用于将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值；
第二生成模块，用于基于所述模糊度数值生成所述文档图像的模糊度评估结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取待处理的文档图像；
基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征；
基于所述梯度特征生成所述文档图像的模糊特征；
将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值；
基于所述模糊度数值生成所述文档图像的模糊度评估结果。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取待处理的文档图像；
基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征；
基于所述梯度特征生成所述文档图像的模糊特征；
将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值；
基于所述模糊度数值生成所述文档图像的模糊度评估结果。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例在获取待处理的文档图像后，会先基于预设的二值化方法获取文档图像的感兴趣区域，并从感兴趣区域中提取梯度特征，然后基于梯度特征生成文档图像的模糊特征，后续将模糊特征输入至预先训练得到的模糊评估模型内，通过模糊评估模型输出与模糊特征对应的模糊度数值，最后基于模糊度数值生成文档图像的模糊度评估结果。本申请通过使用模糊评估模型，可以实现快速对待处理的文档图像进行模糊评估处理以生成模糊程度值，进而可以基于模糊程度值生成文档图像的模糊度评估结果，有效提高了对于文档图像的模糊度评估的处理效率与准确性，且有利于后续可以基于生成的模糊评估结果对文档图像进行筛选，以提高对于文档图像的筛选效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的图像模糊度的评估方法的一个实施例的流程图；
图3是根据本申请的图像模糊度的评估装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的图像模糊度的评估方法一般由服务器/终端设备执行，相应地，图像模糊度的评估装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的图像模糊度的评估方法的一个实施例的流程图。所述的图像模糊度的评估方法，包括以下步骤：
步骤S201，获取待处理的文档图像。
在本实施例中，图像模糊度的评估方法运行于其上的电子设备(例如图1所示的服务器/终端设备)。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
其中，上述待处理的文档图像是指还没有进行模糊度评估处理的文档图像。文档图像为包括文本的图像数据，文本可为中文、英文、阿拉伯数字、标点符号、其他语言的字符以及上述字符的混合。另外，对文档图像的获取方式不作具体限定。举例地，文档图像可以是指通过摄像设备采集得到的图像数据。或者文档图像可以是从现有的业务数据中获取的图像数据
步骤S202，基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征。
在本实施例中，上述二值化方法具体为局部二值化方法，例如可为OTSU算法、Sauvola算法等。具体的，基于预设的二值化方法获取所述文档图像的感兴趣区域的过程可包括：先将文档图像转换为灰度图像，再基于局部二值化方法对灰度图像进行处理，得到文档图像的感兴趣区域。另外，从所述感兴趣区域中提取梯度特征的过程可包括：基于预设的卷积核对灰度图像进行卷积处理，得到与灰度图像对应的梯度图；再使用感兴趣区域对所述梯度图进行掩码处理，得到感兴趣区域中的梯度特征。
步骤S203，基于所述梯度特征生成所述文档图像的模糊特征。
在本实施例中，基于梯度特征生成文档图像的模糊特征的过程可包括：计算所有梯度特征的平均值；再将平均值作为文档图像的模糊特征。
步骤S204，将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值。
在本实施例中，上述模糊评估模型为基于预先收集的文档图像样本对逻辑回归模型进行训练生成的。对于模糊评估模型的具体训练生成过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。另外，在训练生成模糊评估模型后，通过将模糊特征输入至该模糊评估模型内，模糊评估模型便会输出与输入的模糊特征对应的模糊度数值。
步骤S205，基于所述模糊度数值生成所述文档图像的模糊度评估结果。
在本实施例中，可通过将模糊度数值与预设的模糊度阈值进行比较，若模糊度数值小于该模糊度阈值，则生成文档图像为清晰图像的第一模糊度评估结果；而若模糊度数值不小于该模糊度阈值，则生成文档图像为模糊图像的第二模糊度评估结果。
本申请在获取待处理的文档图像后，会先基于预设的二值化方法获取文档图像的感兴趣区域，并从感兴趣区域中提取梯度特征，然后基于梯度特征生成文档图像的模糊特征，后续将模糊特征输入至预先训练得到的模糊评估模型内，通过模糊评估模型输出与模糊特征对应的模糊度数值，最后基于模糊度数值生成文档图像的模糊度评估结果。本申请通过使用模糊评估模型，可以实现快速对待处理的文档图像进行模糊评估处理以生成模糊程度值，进而可以基于模糊程度值生成文档图像的模糊度评估结果，有效提高了对于文档图像的模糊度评估的处理效率与准确性，且有利于后续可以基于生成的模糊评估结果对文档图像进行筛选，以提高对于文档图像的筛选效率。
在一些可选的实现方式中，步骤S202包括以下步骤：
将所述文档图像转换为灰度图像。
在本实施例中，可通过对文档图像进行灰度化处理得到相应的灰度图像。
基于所述二值化方法对所述灰度图像进行处理，得到所述感兴趣区域。
在本实施例中，上述二值化方法为局部二值化方法，使用局部二值化可以排除文档图像中大量非文本区域的梯度对后续生成的模糊度评估结果的影响，从而有利于提升模糊度评估模型对于文档图像的模糊分类的精度。另外，基于局部二值化方法对灰度图像进行处理，得到感兴趣区域的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
基于预设的卷积核对所述灰度图像进行卷积处理，得到与所述灰度图像对应的梯度图。
在本实施例中，上述卷积核的数量为2，包括第一卷积核与第二卷积核。基于卷积核对所述灰度图像进行卷积处理，得到与灰度图像对应的梯度图具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
使用所述感兴趣区域对所述梯度图进行掩码处理，得到所述感兴趣区域中的梯度特征。
在本实施例中，生成的灰度图像对应的感兴趣区域的过程中，会先生成二值图，再将二值图中值为255的目标像素作为文档图像的感兴趣区域。上述使用感兴趣区域对梯度图进行掩码处理，得到感兴趣区域中的梯度特征的过程可包括：使用所述二值图对所述梯度图进行掩码操作，取出所有与所述二值图中值为255的像素的位置相同的像素的梯度值；将所述梯度值作为所述感兴趣区域的梯度特征。
本申请通过先将文档图像转换为灰度图像，再基于二值化方法对灰度图像进行处理，得到感兴趣区域，然后基于预设的卷积核对灰度图像进行卷积处理，得到与灰度图像对应的梯度图，后续使用感兴趣区域对梯度图进行掩码处理，得到感性区域中的梯度特征，由于模糊特征的求解仅涉及到两个卷积步骤，资源消耗量少，运行速度快，从而可以在低算力平台上运行。在得到感性区域中的梯度特征后，使得后续可以基于该梯度特征来快速生成待测的文档图像的模糊特征，进而可以使用预先训练得到的模糊评估模型对该模糊特征进行模糊评估处理，以实现快速准确地生成待测的文档图像的模糊度评估结果。
在本实施例的一些可选的实现方式中，上述基于所述二值化方法对所述灰度图像进行处理，得到所述感兴趣区域，包括以下步骤：
使用预设尺寸的高斯权重卷积核对所述灰度图像进行卷积处理，得到相应的卷积结果。
在本实施例中，上述预设尺寸具体为25*25。使用高斯权重卷积核对所述灰度图像进行的卷积处理，会根据灰度图像的尺寸以及卷积核的尺寸对灰度图像等四边进行镜像填充，以使得卷积结果的尺寸和对应的灰度图像的尺寸相同。
将所述卷积结果减去预设参数得到阈值图。
在本实施例中，对于上述预设参数的取值不作具体限定，可根据实际的使用需求进行设置，优选地，可将预设参数设为10。
将所述灰度图像与阈值图进行比较处理，遍历所述灰度图像中包含的所有像素，若所述灰度图像中的指定像素的值大于等于所述阈值图中对应像素的值，则将所述指定像素的值标记为255，否则将所述指定像素的值标记为0，在完成对所述灰度图像的遍历处理后得到相应的二值图；其中，所述指定像素为所述灰度图像中包含的所有像素中的任意一个像素。
在本实施例中，二值图为对灰度图像进行遍历处理后得到的。
将所述二值图中值为255的目标像素作为所述文档图像的感兴趣区域。
本申请通过基于二值化方法对灰度图像进行处理，可以实现快速得到文档图像的感兴趣区域，有利于后续可以使用感兴趣区域对由灰度图像进行卷积处理到的梯度图进行掩码处理，以得到感兴趣区域中的梯度特征，进而可以基于得到的梯度特征来快速生成文档图像的模糊特征。
在一些可选的实现方式中，上述基于预设的卷积核对所述灰度图像进行卷积处理，得到与所述灰度图像对应的梯度图，包括以下步骤：
使用预设的第一卷积核对所述灰度图像进行卷积处理，得到对应的第一梯度图。
在本实施例中，上述第一卷积核具体为横向Sobel卷积核，通过使用横向Sobel卷积核对灰度图像进行卷积处理，可以得到相应的横向Sobel梯度图，也即上述第一梯度图。Sobel，也称索贝尔算子，主要用作边缘检测，在技术上，它是一种离散性差分算子，用来运算图像亮度函数的灰度值近似值。在图像的任何一点使用索贝尔算子，将会产生对应的灰度矢量或法矢量。Sobel包含两组3*3的矩阵，分别为横向及纵向，将其与图像进行平面卷积，即可分别得到横向及纵向的亮度差分近似值。Sobel中包含的横向的一组矩阵即为横向Sobel卷积核，Sobel中包含的纵向的一组矩阵即为纵向Sobel卷积核。
使用预设的第二卷积核对所述灰度图像进行卷积处理，得到对应的第二梯度图。
在本实施例中，上述第二卷积核具体为纵向Sobel卷积核，通过使用纵向Sobel卷积核对灰度图像进行卷积处理，可以得到相应的纵向Sobel梯度图，也即上述第二梯度图。
基于预设计算公式对所述第一梯度图与所述第二梯度图进行计算处理，得到与所述灰度图像对应的梯度图。
在本实施例中，上述梯度图可称为Tenengrad梯度图T，上述预设计算公式也可称为Tenengrad函数式，Tenengrad函数式是一种图像清晰度评价函数，是一种基于梯度的函数，Tenengrad函数使用Sobel算子提取水平和垂直方向的梯度值。具体的，预设计算公式为
Figure BDA0003801045170000131
其中，Gx代表横向Sobel梯度图，Gy代表纵向Sobel梯度图，T表示梯度图。
本申请通过基于第一卷积核、第二卷积核以及预设计算公式对灰度图像进行处理，可以快速地得到与灰度图像对应的梯度图，有利于后续可以使用感兴趣区域对得到的梯度图进行掩码处理，以得到感兴趣区域中的梯度特征，进而可以基于得到的梯度特征来快速生成待处理的文档图像的模糊特征。
在一些可选的实现方式中，步骤S203包括以下步骤：
计算所有所述梯度特征的平均值。
将所述平均值作为所述文档图像的模糊特征。
在本实施例中，在从感兴趣区域中提取梯度特征后，可计算所有梯度特征的均值并作为待处理的文档图像的模糊特征。
本申请通过计算所有梯度特征的平均值以得到文档图像的模糊特征，有利于后续可以基于该梯度特征来生成文档图像的模糊特征，进而可以使用预先训练得到的模糊评估模型对该模糊特征进行模糊评估处理，以实现快速准确地生成文档图像的模糊度评估结果。
在本实施例的一些可选的实现方式中，步骤S205包括以下步骤：
获取预设的模糊度阈值。
在本实施例中，对于模糊度阈值的取值不作具体限定，可根据实际的业务使用需求进行设置，例如可将模糊度阈值设为0.5。
将所述模糊度数值与所述模糊度阈值进行比较，判断所述模糊度数值是否小于所述模糊度阈值。
若小于所述模糊度阈值，则生成所述文档图像为清晰图像的第一模糊度评估结果。
在本实施例中，如果文档图像的模糊度数值小于模糊度阈值，则表示该文档图像为清晰图像，并会生成文档图像为清晰图像的第一模糊度评估结果。
若不小于所述模糊度阈值，则生成所述文档图像为模糊图像的第二模糊度评估结果。
在本实施例中，如果文档图像的模糊度数值不小于模糊度阈值，则表示该文档图像为模糊图像，并会生成文档图像为模糊图像的第二模糊度评估结果。
本申请在通过模糊评估模型生成与待测的文档图像对应的模糊度数值后，可以将该模糊度数值与预设的模糊度阈值进行数值比较，进而能够根据得到的数值比较结果快速准确地生成与待测的文档图像相对应的模糊度评估结果，保证了生成的模糊度评估结果的处理效率与数据准确性。
在本实施例的一些可选的实现方式中，在步骤S204之前，上述电子设备还可以执行以下步骤：
获取预先收集的文档图像样本。
在本实施例中，上述用于模型训练的文档图像样本可包括从公开的文档图像数据集中获取的文档图像，以及从私有的业务数据中获取的文档图像，该文档图像样本可以为RGB图像或灰度图像，文档图像中的文本可为中文、英文、阿拉伯数字、标点符号、其他语言的字符以及上述字符的混合。
对所述文档图像样本进行标签标注处理，得到对应的文档图像数据集。
在本实施例中，可以采用机器自动标注或人工手动标注的方式对文档图像样本进行标签标注处理，该标签标注处理是指对文档图像样本中的每一张图像进行模糊或清晰的二分类的标注处理，规定类别0为清晰，类别1为模糊，从而得到每一张图像的二分类标签。从而，上述文档图像样本，以及与文档图像样本对应的二分类标签可构成文档图像数据集。进一步地，还可对上述文档图像样本进行模糊处理，得到模糊的文档图像样本，模糊处理的方法包括高斯模糊、运动模糊、均值模糊等，且模糊的文档图像样本的二分类标签都标注为模糊。进而可将上述文档图像样本和模糊的文档图像样本，以及与文档图像样本对应的二分类标签、与模糊的文档图像样本的二分类标签，来组成文档图像数据集。
对于所述文档图像数据集中的每一张指定文档图像，获取所述指定文档图像的指定感兴趣区域，从所述指定感兴趣区域中提取指定梯度特征，并基于所述指定梯度特征生成指定模糊特征。
在本实施例中，上述获取指定文档图像的指定感兴趣区域，从指定感兴趣区域中提取指定梯度特征，并基于指定梯度特征生成指定模糊特征可参考前述生成待处理的文档图像的模糊特征的处理过程，在此不作过多阐述。
基于所述指定模糊特征以及与所述指定文档图像对应的标签，生成相应的文档图像特征数据集。
在本实施例中，通过将文档图像数据集中的每一张指定文档图像的指定模糊特征，以及与该指定文档图像对应的标签进行一一对应的结合处理，从而得到上述文档图像特征数据集。
调用预设的逻辑回归模型。
基于随机梯度下降法，使用所述文档图像特征数据集对所述逻辑回归模型进行训练，得到所述模糊评估模型。
在本实施例中，可将文档图像特征数据集中的指定模糊特征作为输入数据，将指定模糊特对应的二分类标签作为目标值，来训练逻辑回归模型。逻辑回归模型的损失函数如下：
Figure BDA0003801045170000161
其中，w为权重，n为指定模糊特征的个数，p为概率，xi和yi分别为指定模糊特征和二分类标签，通过使用随机梯度下降法迭代更新权重，当两次相邻迭代的权重之差小于预设阈值时迭代停止，从而得到模糊评估模型。另外，对于预设阈值的取值可根据实际的使用需求进行设置。
本申请通过基于随机梯度下降法，利用由预先收集的文档图像样本构建生成的文档图像特征数据集对逻辑回归模型进行训练，以生成所需的模糊评估模型，模糊评估模型的训练步骤简单，训练数据需求少，有效降低了算法的开发成本。另外，在得到模糊评估模型后，使得后续可以使用该模糊评估模型来对待测的文档图像进行模糊评估处理，从而可以快速准确地生成关于待测的文档图像的模糊度评估结果。
需要强调的是，为进一步保证上述模糊度数值的私密和安全性，上述模糊度数值还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种图像模糊度的评估装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的图像模糊度的评估装置300包括：第一获取模块301、第二获取模块302、第一生成模块303、输出模块304以及第二生成模块305。其中：
第一获取模块301，用于获取待处理的文档图像；
第二获取模块302，用于基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征；
第一生成模块303，用于基于所述梯度特征生成所述文档图像的模糊特征；
输出模块304，用于将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值；
第二生成模块305，用于基于所述模糊度数值生成所述文档图像的模糊度评估结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的图像模糊度的评估方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二获取模块302包括：
转换子模块，用于将所述文档图像转换为灰度图像；
第一处理子模块，用于基于所述二值化方法对所述灰度图像进行处理，得到所述感兴趣区域；
第二处理子模块，用于基于预设的卷积核对所述灰度图像进行卷积处理，得到与所述灰度图像对应的梯度图；
第三处理子模块，用于使用所述感兴趣区域对所述梯度图进行掩码处理，得到所述感兴趣区域中的梯度特征。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的图像模糊度的评估方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理子模块包括：
第一处理单元，用于使用预设尺寸的高斯权重卷积核对所述灰度图像进行卷积处理，得到相应的卷积结果；
第二处理单元，用于将所述卷积结果减去预设参数得到阈值图；
第三处理单元，用于将所述灰度图像与阈值图进行比较处理，遍历所述灰度图像中包含的所有像素，若所述灰度图像中的指定像素的值大于等于所述阈值图中对应像素的值，则将所述指定像素的值标记为255，否则将所述指定像素的值标记为0，在完成对所述灰度图像的遍历处理后得到相应的二值图；其中，所述指定像素为所述灰度图像中包含的所有像素中的任意一个像素；
确定单元，用于将所述二值图中值为255的目标像素作为所述文档图像的感兴趣区域。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的图像模糊度的评估方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二处理子模块包括：
第四处理单元，用于使用预设的第一卷积核对所述灰度图像进行卷积处理，得到对应的第一梯度图；
第五处理单元，用于使用预设的第二卷积核对所述灰度图像进行卷积处理，得到对应的第二梯度图；
第六处理单元，用于基于预设计算公式对所述第一梯度图与所述第二梯度图进行计算处理，得到与所述灰度图像对应的梯度图。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的图像模糊度的评估方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一生成模块303包括：
计算子模块，用于计算所有所述梯度特征的平均值；
确定子模块，用于将所述平均值作为所述文档图像的模糊特征。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的图像模糊度的评估方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二生成模块305包括：
获取子模块，用于获取预设的模糊度阈值；
判断子模块，用于将所述模糊度数值与所述模糊度阈值进行比较，判断所述模糊度数值是否小于所述模糊度阈值；
第一生成子模块，用于若小于所述模糊度阈值，则生成所述文档图像为清晰图像的第一模糊度评估结果；
第二生成子模块，用于若不小于所述模糊度阈值，则生成所述文档图像为模糊图像的第二模糊度评估结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的图像模糊度的评估方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，图像模糊度的评估装置还包括：
第三获取模块，用于获取预先收集的文档图像样本；
标注模块，用于对所述文档图像样本进行标签标注处理，得到对应的文档图像数据集；
第三生成模块，用于对于所述文档图像数据集中的每一张指定文档图像，获取所述指定文档图像的指定感兴趣区域，从所述指定感兴趣区域中提取指定梯度特征，并基于所述指定梯度特征生成指定模糊特征；
第四生成模块，用于基于所述指定模糊特征以及与所述指定文档图像对应的标签，生成相应的文档图像特征数据集；
调用模块，用于调用预设的逻辑回归模型；
训练模块，用于基于随机梯度下降法，使用所述文档图像特征数据集对所述逻辑回归模型进行训练，得到所述模糊评估模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的图像模糊度的评估方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如图像模糊度的评估方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述图像模糊度的评估方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在获取待处理的文档图像后，会先基于预设的二值化方法获取文档图像的感兴趣区域，并从感兴趣区域中提取梯度特征，然后基于梯度特征生成文档图像的模糊特征，后续将模糊特征输入至预先训练得到的模糊评估模型内，通过模糊评估模型输出与模糊特征对应的模糊度数值，最后基于模糊度数值生成文档图像的模糊度评估结果。本申请通过使用模糊评估模型，可以实现快速对待处理的文档图像进行模糊评估处理以生成模糊程度值，进而可以基于模糊程度值生成文档图像的模糊度评估结果，有效提高了对于文档图像的模糊度评估的处理效率与准确性，且有利于后续可以基于生成的模糊评估结果对文档图像进行筛选，以提高对于文档图像的筛选效率。
本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的图像模糊度的评估方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在获取待处理的文档图像后，会先基于预设的二值化方法获取文档图像的感兴趣区域，并从感兴趣区域中提取梯度特征，然后基于梯度特征生成文档图像的模糊特征，后续将模糊特征输入至预先训练得到的模糊评估模型内，通过模糊评估模型输出与模糊特征对应的模糊度数值，最后基于模糊度数值生成文档图像的模糊度评估结果。本申请通过使用模糊评估模型，可以实现快速对待处理的文档图像进行模糊评估处理以生成模糊程度值，进而可以基于模糊程度值生成文档图像的模糊度评估结果，有效提高了对于文档图像的模糊度评估的处理效率与准确性，且有利于后续可以基于生成的模糊评估结果对文档图像进行筛选，以提高对于文档图像的筛选效率。
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，本申请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，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种图像模糊度的评估方法，其特征在于，包括下述步骤：
获取待处理的文档图像；
基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征；
基于所述梯度特征生成所述文档图像的模糊特征；
将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值；
基于所述模糊度数值生成所述文档图像的模糊度评估结果。
2.根据权利要求1所述的图像模糊度的评估方法，其特征在于，所述基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征的步骤，具体包括：
将所述文档图像转换为灰度图像；
基于所述二值化方法对所述灰度图像进行处理，得到所述感兴趣区域；
基于预设的卷积核对所述灰度图像进行卷积处理，得到与所述灰度图像对应的梯度图；
使用所述感兴趣区域对所述梯度图进行掩码处理，得到所述感兴趣区域中的梯度特征。
3.根据权利要求2所述的图像模糊度的评估方法，其特征在于，所述基于所述二值化方法对所述灰度图像进行处理，得到所述感兴趣区域的步骤，具体包括：
使用预设尺寸的高斯权重卷积核对所述灰度图像进行卷积处理，得到相应的卷积结果；
将所述卷积结果减去预设参数得到阈值图；
将所述灰度图像与阈值图进行比较处理，遍历所述灰度图像中包含的所有像素，若所述灰度图像中的指定像素的值大于等于所述阈值图中对应像素的值，则将所述指定像素的值标记为255，否则将所述指定像素的值标记为0，在完成对所述灰度图像的遍历处理后得到相应的二值图；其中，所述指定像素为所述灰度图像中包含的所有像素中的任意一个像素；
将所述二值图中值为255的目标像素作为所述文档图像的感兴趣区域。
4.根据权利要求2所述的图像模糊度的评估方法，其特征在于，所述基于预设的卷积核对所述灰度图像进行卷积处理，得到与所述灰度图像对应的梯度图的步骤，具体包括：
使用预设的第一卷积核对所述灰度图像进行卷积处理，得到对应的第一梯度图；
使用预设的第二卷积核对所述灰度图像进行卷积处理，得到对应的第二梯度图；
基于预设计算公式对所述第一梯度图与所述第二梯度图进行计算处理，得到与所述灰度图像对应的梯度图。
5.根据权利要求1所述的图像模糊度的评估方法，其特征在于，所述基于所述梯度特征生成所述文档图像的模糊特征的步骤，具体包括：
计算所有所述梯度特征的平均值；
将所述平均值作为所述文档图像的模糊特征。
6.根据权利要求1所述的图像模糊度的评估方法，其特征在于，所述基于所述模糊度数值生成所述文档图像的模糊度评估结果的步骤，具体包括：
获取预设的模糊度阈值；
将所述模糊度数值与所述模糊度阈值进行比较，判断所述模糊度数值是否小于所述模糊度阈值；
若小于所述模糊度阈值，则生成所述文档图像为清晰图像的第一模糊度评估结果；
若不小于所述模糊度阈值，则生成所述文档图像为模糊图像的第二模糊度评估结果。
7.根据权利要求1所述的图像模糊度的评估方法，其特征在于，在所述将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值的步骤之前，还包括：
获取预先收集的文档图像样本；
对所述文档图像样本进行标签标注处理，得到对应的文档图像数据集；
对于所述文档图像数据集中的每一张指定文档图像，获取所述指定文档图像的指定感兴趣区域，从所述指定感兴趣区域中提取指定梯度特征，并基于所述指定梯度特征生成指定模糊特征；
基于所述指定模糊特征以及与所述指定文档图像对应的标签，生成相应的文档图像特征数据集；
调用预设的逻辑回归模型；
基于随机梯度下降法，使用所述文档图像特征数据集对所述逻辑回归模型进行训练，得到所述模糊评估模型。
8.一种图像模糊度的评估装置，其特征在于，包括：
第一获取模块，用于获取待处理的文档图像；
第二获取模块，用于基于预设的二值化方法获取所述文档图像的感兴趣区域，并从所述感兴趣区域中提取梯度特征；
第一生成模块，用于基于所述梯度特征生成所述文档图像的模糊特征；
输出模块，用于将所述模糊特征输入至预先训练得到的模糊评估模型内，通过所述模糊评估模型输出与所述模糊特征对应的模糊度数值；
第二生成模块，用于基于所述模糊度数值生成所述文档图像的模糊度评估结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的图像模糊度的评估方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的图像模糊度的评估方法的步骤。
CN202210983357.0A 2022-08-16 2022-08-16 图像模糊度的评估方法、装置、计算机设备及存储介质 Pending CN115311451A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210983357.0A CN115311451A (zh) 2022-08-16 2022-08-16 图像模糊度的评估方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210983357.0A CN115311451A (zh) 2022-08-16 2022-08-16 图像模糊度的评估方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN115311451A true CN115311451A (zh) 2022-11-08

Family

ID=83862121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210983357.0A Pending CN115311451A (zh) 2022-08-16 2022-08-16 图像模糊度的评估方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115311451A (zh)

Similar Documents

Publication Publication Date Title
CN111488826B (zh) 一种文本识别方法、装置、电子设备和存储介质
CN108229303B (zh) 检测识别和检测识别网络的训练方法及装置、设备、介质
CN108229341B (zh) 分类方法和装置、电子设备、计算机存储介质
CN108491866B (zh) 色情图片鉴定方法、电子装置及可读存储介质
CN113705554A (zh) 图像识别模型的训练方法、装置、设备及存储介质
CN112329659A (zh) 基于车辆图像的弱监督语义分割方法及其相关设备
WO2022001232A1 (zh) 一种问答数据增强方法、装置、计算机设备及存储介质
CN112686243A (zh) 智能识别图片文字的方法、装置、计算机设备及存储介质
CN113239807B (zh) 训练票据识别模型和票据识别的方法和装置
CN112749695A (zh) 文本识别的方法和装置
CN112330331A (zh) 基于人脸识别的身份验证方法、装置、设备及存储介质
CN111898550A (zh) 建立表情识别模型方法、装置、计算机设备及存储介质
CN115758451A (zh) 基于人工智能的数据标注方法、装置、设备及存储介质
CN113569998A (zh) 票据自动识别方法、装置、计算机设备及存储介质
CN106611148B (zh) 基于图像的离线公式识别方法和装置
WO2022126917A1 (zh) 基于深度学习的人脸图像评估方法、装置、设备及介质
CN114022891A (zh) 扫描文本的关键信息提取方法、装置、设备及存储介质
CN112651399B (zh) 检测倾斜图像中同行文字的方法及其相关设备
CN114282258A (zh) 截屏数据脱敏方法、装置、计算机设备及存储介质
CN112396060A (zh) 基于身份证分割模型的身份证识别方法及其相关设备
CN116774973A (zh) 数据渲染方法、装置、计算机设备及存储介质
CN112784189A (zh) 一种识别页面图像的方法和装置
CN115730603A (zh) 基于人工智能的信息提取方法、装置、设备及存储介质
CN115439850A (zh) 基于审单的图文字符识别方法、装置、设备及存储介质
CN115311451A (zh) 图像模糊度的评估方法、装置、计算机设备及存储介质

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