CN115661803A - 图像清晰度检测方法、电子设备以及计算机可读存储介质 - Google Patents

Abstract

本申请公开了图像清晰度检测方法、电子设备以及计算机可读存储介质，包括：获取到目标图像；将目标图像分别输入到第一算法与训练好的清晰度检测模型中；其中，第一算法是利用神经网络对检测图像清晰度的算法进行训练得到的，清晰度检测模型为经过训练后的深度学习模型；利用第一算法对目标图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对目标图像进行清晰度检测，并输出第二清晰度；基于第一清晰度与第二清晰度确定目标图像的清晰度。本申请通过结合传统算法与深度学习算法的计算优势，既能解决仅靠深度学习算法导致的泛化性差的问题，又能解决仅靠传统算法导致的非最优解的问题，从而提高对图像清晰度进行检测的准确度。

Description

图像清晰度检测方法、电子设备以及计算机可读存储介质

技术领域

本申请涉及图像处理领域，特别是涉及图像清晰度检测方法、电子设备以及计算机可读存储介质。

背景技术

随着图像识别技术的不断发展，如何从海量数据中挑选出质量高的图像十分重要。图像的清晰度、色彩、亮度等都是影响其质量的重要因素。

清晰度是指图像上纹理和边界的清晰程度。清晰度检测在图像的检测、筛选、识别中作为一种辅助信息，对于图像质量检测尤为重要。现有技术中，主要基于深度学习算法或传统算法对图像的清晰度进行检测。

然而，深度学习算法始终绕不开泛化性差的缺陷；传统算法的泛化性较好，但获取的结果不一定是最优解，两者均存在无法对清晰度进行准确检测的问题。

发明内容

本申请主要解决的技术问题是提供图像清晰度检测方法、电子设备以及计算机可读存储介质，能够解决现有技术中无法准确对清晰度进行准确检测的问题。

为解决上述技术问题，本申请采用的第一技术方案是提供一种图像清晰度检测方法，包括：获取到目标图像；将目标图像分别输入到第一算法与训练好的清晰度检测模型中；其中，第一算法是利用神经网络对检测图像清晰度的算法进行训练得到的，清晰度检测模型为经过训练后的深度学习模型；利用第一算法对目标图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对目标图像进行清晰度检测，并输出第二清晰度；基于第一清晰度与第二清晰度确定目标图像的清晰度。

其中，基于第一清晰度与第二清晰度确定目标图像的清晰度的步骤，包括：将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标图像的清晰度。

其中，利用第一算法对目标图像进行清晰度检测，并输出第一清晰度的步骤，包括：基于目标图像的尺寸确定对应的索贝尔算子；利用索贝尔算子确定目标图像中每个像素的边缘特征值；利用低阈值与高阈值对获取的多个边缘特征值进行筛选，得到数值在预设区间内的边缘特征值；对多个数值在预设区间内的边缘特征值进行计算，以得到第一清晰度。

其中，索贝尔算子包括第一索贝尔算子与第二索贝尔算子；利用索贝尔算子确定目标图像中每个像素的边缘特征值的步骤，包括：利用第一索贝尔算子确定每个像素的水平梯度卷积绝对值，以及利用第二索贝尔算子确定每个像素的垂直梯度卷积绝对值；利用低阈值与高阈值对获取的多个边缘特征值进行筛选，得到数值在预设区间内的边缘特征值的步骤，包括：利用低阈值与高阈值对每个像素对应的水平梯度卷积绝对值与垂直梯度卷积绝对值进行筛选；响应于像素对应的水平梯度卷积绝对值与垂直梯度卷积绝对值均在预设区间内，保留像素对应的水平梯度卷积绝对值与垂直梯度卷积绝对值；对多个数值在预设区间内的边缘特征值进行计算，以得到第一清晰度的步骤，包括：对多个数值在预设区间内的水平梯度卷积绝对值与垂直梯度卷积绝对值进行计算，以得到第一清晰度。

其中，第一算法的训练方法包括：利用神经网络构建检测图像清晰度的算法中利用高低阈值进行筛选的算子；将已标注的多个样本图像输入到包括神经网络的检测图像清晰度的算法中；通过神经网络对样本图像的清晰度进行预测；基于预测结果与样本图像的标注类型对应的损失函数，对神经网络中预设的低阈值参数与高阈值参数进行迭代调整，以将调整后的包括神经网络的算法确定为第一算法。

其中，清晰度检测模型的训练方法如下：将已标注的多个样本图像输入到预设深度学习模型中；通过预设深度学习模型对样本图像的清晰度进行预测；基于预测结果与样本图像的标注类型对应的损失函数确定对预设深度学习模型是否进行再训练，并将训练完成的深度学习模型确定为清晰度检测模型。

其中，将目标图像分别输入到第一算法与训练好的清晰度检测模型中的步骤前，包括：将第一算法与清晰度检测模型合并到同一检测模型中；对目标图像进行预处理，获取到目标图像的特征数据；将目标图像分别输入到第一算法与训练好的清晰度检测模型中的步骤，包括：将特征数据输入到检测模型中，以使检测模型将特征数据分发至第一算法与清晰度检测模型。

其中，获取到目标图像的步骤，包括：获取到包括目标车牌检测框的待检测图像；将目标图像分别输入到第一算法与训练好的清晰度检测模型中的步骤，包括：将待检测图像分别输入到第一算法与训练好的清晰度检测模型中；利用第一算法对目标图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对目标图像进行清晰度检测，并输出第二清晰度的步骤，包括：利用第一算法对待检测图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对待检测图像进行清晰度检测，并输出第二清晰度；基于第一清晰度与第二清晰度确定目标图像的清晰度的步骤，包括：基于第一清晰度与第二清晰度确定目标车牌的清晰度。

为解决上述技术问题，本申请采用的第二技术方案是提供一种电子设备，包括：存储器，用于存储程序数据，程序数据被执行时实现如上述的图像清晰度检测方法中的步骤；处理器，用于执行存储器存储的程序数据以实现如上述的图像清晰度检测方法中的步骤。

为解决上述技术问题，本申请采用的第三技术方案是提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的图像清晰度检测方法中的步骤。

本申请的有益效果是：区别于现有技术，本申请提供图像清晰度检测方法、电子设备以及计算机可读存储介质，通过将获取的目标图像分别输入到第一算法与训练好的清晰度检测模型中进行检测，能够基于传统算法获取到第一清晰度以及基于深度学习算法获取到第二清晰度，继而基于第一清晰度与第二清晰度确定目标图像的清晰度，能够结合传统算法与深度学习算法的计算优势，既能解决仅靠深度学习算法导致的泛化性差的问题，又能解决仅靠传统算法导致的非最优解的问题，从而提高对图像清晰度进行检测的准确度，继而提高检测效果。

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他的附图。

图1是本申请图像清晰度检测方法第一实施方式的流程示意图；

图2是本申请图像清晰度检测方法第二实施方式的流程示意图；

图3是本申请图像清晰度检测方法第三实施方式的流程示意图；

图4是本申请图像清晰度检测方法第四实施方式的流程示意图；

图5是本申请图像清晰度检测方法一应用场景的工作流程图；

图6是本申请图像清晰度检测方法另一应用场景的工作流程图；

图7是图6中检测模型的训练方法一实施方式的流程示意图；

图8是本申请图像清晰度检测装置一实施方式的结构示意图；

图9是本申请电子设备一实施方式的结构示意图；

图10是本发明计算机可读存储介质一实施方式的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，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。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本申请保护的范围。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，本文中使用的术语“包括”、“包含”或者其他任何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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

请参阅图1，图1是本申请图像清晰度检测方法第一实施方式的流程示意图。在本实施方式中，图像清晰度检测方法包括：

S11：获取到目标图像。

本实施方式中，目标图像为对待处理图像进行预处理后的图像。

其中，待处理图像为监控摄像机拍摄后上传的图像或用户上传的图像。其中，监控摄像机可以为球形摄像机，也可以为其余类型的摄像机，本申请对此不限定。

其中，预处理指的是对待处理图像添加检测框，并对检测框进行抠图，以获取检测框中包括的目标图像。

在一个具体的实施场景中，目标图像可以是添加了检测框的机动车的车牌图像。在另一个具体的实施场景中，目标图像可以是添加量检测框的非机动车的车牌图像，本申请对此不作限定。

S12：将目标图像分别输入到第一算法与训练好的清晰度检测模型中；其中，第一算法是利用神经网络对检测图像清晰度的算法进行训练得到的，清晰度检测模型为经过训练后的深度学习模型。

本实施方式中，第一算法为检测清晰度的算法。

在一个具体的实施场景中，第一算法可以为传统算法。其中，传统算法指的是在数学和计算机科学中，解决一类问题的明确规范。传统算法可以执行计算、数据处理、自动推理和其他任务。作为一种有效的方法，传统算法可以在有限的空间和时间内用定义明确的形式语言来表示，以计算函数。从初始状态和初始输入(可能为空)开始，指令描述了一种计算，当执行该计算时，该计算通过有限的数量的明确定义的连续状态，最终产生的“输出”。

在另一个具体的实施场景中，第一算法可以为利用神经网络对检测图像清晰度的传统算法进行训练得到的，即结合了传统算法与深度学习的组合算法，也可以认为是网络化的算法。其中，神经网络可以产生高维表示，使编码后的第一算法在高维空间上运行，以避免在低数据状态下遇到算法瓶颈问题，从而更高效地解决任务。

本实施方式中，清晰度检测模型是对深度学习模型进行训练得到的。其中，该清晰度检测模型是以深度学习模型为初始模型，通过标注图像进行训练后得到的。其中，该深度学习模型可以为Inception、VGG16、DenseNet、MobileNet、ShuffleNet等深度模型，本申请对此不作限定。

其中，区别于传统算法，深度学习强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点，且明确了特征学习的重要性。也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。与人工规则构造特征的传统算法相比，深度学习模型利用大数据来学习特征，更能够刻画数据丰富的内在信息。通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系，可以尽可能的逼近现实的关联关系。使用训练成功的深度学习模型，可以实现对复杂事务处理的自动化要求。

在一个具体的实施场景中，当第一算法为传统算法时，基于传统算法的输入对目标对象进行特征提取，并将提取的有限特征数据输入到第一算法中。与此同时，利用神经网络的特征萃取器对目标对象进行特征提取，并将提取的大量特征数据输入到深度学习模型的网络层中。

在另一个具体的实施场景中，当第一算法为利用神经网络对检测图像清晰度的传统算法进行训练得到的网络化的算法时，利用特征萃取器提取目标图像的大量特征数据后，可分别将大量特征数据输入到第一算法与深度学习模型中。

S13：利用第一算法对目标图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对目标图像进行清晰度检测，并输出第二清晰度。

本实施方式中，第一算法与清晰度检测模型分别对输入的目标对象的特征数据进行清晰度检测，以得到第一清晰度与第二清晰度。

S14：基于第一清晰度与第二清晰度确定目标图像的清晰度。

本实施方式中，可以将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标图像的所述清晰度。

在其他实施方式中，还可以分别输出第一清晰度与第二清晰度，由用户基于需求进行选择，本申请对此不作限定。

可以理解地，本实施方式通过将获取的目标图像分别输入到第一算法与训练好的清晰度检测模型中进行检测，能够基于传统算法获取到第一清晰度以及基于深度学习算法获取到第二清晰度，继而基于第一清晰度与第二清晰度确定目标图像的清晰度，能够结合传统算法与深度学习算法的计算优势，既能解决仅靠深度学习算法导致的泛化性差的问题，又能解决仅靠传统算法导致的非最优解的问题，从而提高对图像清晰度进行检测的准确度，继而提高检测效果。

请参阅图2，图2是本申请图像清晰度检测方法第二实施方式的流程示意图。在本实施方式中，图像清晰度检测方法包括：

S21：获取到目标图像。

具体过程请参见S11中的描述，此处不再赘述。

S22：将目标图像分别输入到第一算法与训练好的清晰度检测模型中；其中，第一算法是利用神经网络对检测图像清晰度的算法进行训练得到的，清晰度检测模型为经过训练后的深度学习模型。

本实施方式中，第一算法为检测清晰度的传统算法，清晰度检测模型是对深度学习模型进行训练得到的。

具体地，基于传统算法的输入对目标对象进行特征提取，并将提取的有限特征数据输入到第一算法中。与此同时，利用神经网络的特征萃取器对目标对象进行特征提取，并将提取的大量特征数据输入到清晰度检测模型的网络层中。

S23：基于目标图像的尺寸确定对应的索贝尔算子。

本实施方式中，第一算法为利用索贝尔算子(Sobel，Sobel operator)来计算图像清晰度的算法。

其中，索贝尔算子是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。索贝尔算子是把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。在边缘检测中，Sobel算子有两个，一个是检测水平边缘的，另一个是检测垂直边缘的。

本实施方式中，索贝尔算子包括第一索贝尔算子与第二索贝尔算子。其中，第一索贝尔算子为检测水平边缘的算子，第二索贝尔算子为检测垂直边缘的算子。

S24：利用索贝尔算子确定目标图像中每个像素的边缘特征值。

本实施方式中，利用第一索贝尔算子确定每个像素的水平梯度卷积绝对值，以及利用第二索贝尔算子确定每个像素的垂直梯度卷积绝对值。

具体地，梯度计算公式如下：

其中，G_x表示经横向边缘检测的图像，G_y为经纵向边缘检测的图像，A表示目标图像，*表示卷积操作，[]表示二维矩阵，G表示梯度大小，θ表示角度，tan表示正切函数。

S25：利用低阈值与高阈值对获取的多个边缘特征值进行筛选，得到数值在预设区间内的边缘特征值。

本实施方式中，利用低阈值与高阈值对每个像素对应的水平梯度卷积绝对值与垂直梯度卷积绝对值进行筛选。响应于像素对应的水平梯度卷积绝对值与垂直梯度卷积绝对值均在预设区间内，保留像素对应的水平梯度卷积绝对值与垂直梯度卷积绝对值。

其中，响应于像素对应的水平梯度卷积绝对值与垂直梯度卷积绝对值中的任意一个值不在预设区间内，将对应像素区域内的值清零。

本实施方式中，低阈值与高阈值为用户基于需求设定的初始阈值。

在一个具体的实施场景中，低阈值可以设置为30％，高阈值可以设置为90％。在另一个具体的实施场景中，低阈值可以设置为20％，高阈值可以设置为95％。在又一个具体的实施场景中，低阈值与高阈值还可以设置为其余数值，本申请对此不作限定。

可以理解地，通过低阈值与高阈值对多个像素对应的边缘特征值进行筛选，可以剔除一些影响特征数据均值的极端值，以基于保留的边缘特征值反应多个像素的整体水平，从而提高后续计算第一清晰度的准确率。

S26：对多个数值在预设区间内的边缘特征值进行计算，以得到第一清晰度。

本实施方式中，对多个数值在预设区间内的水平梯度卷积绝对值与垂直梯度卷积绝对值进行计算，以得到第一清晰度。

其中，输出的第一清晰度为范围在0～100内的数值。

S27：利用清晰度检测模型对目标图像进行清晰度检测，并输出第二清晰度。

本实施方式中，通过清晰度检测模型对目标图像进行特征检测，即进行水平和垂直方向的梯度值、灰度方差、边缘锐度、亮度中的至少一种参数特征进行获取，并根据对应的参数特征对目标图像进行计算，以输出第二清晰度。

其中，输出的第二清晰度为范围在0～100内的数值。

S28：将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标图像的清晰度。

本实施方式中，第一清晰度与第二清晰度分别对应的权重值是用户基于需求自行设定的。

在一个具体的实施场景中，第一清晰度与第二清晰度对应的权重值可以均为50％。在另一个具体的实施场景中，第一清晰度对应的权重值可以为40％，第二清晰度对应的权重值可以为60％。在又一个具体的实施场景中，第一清晰度对应的权重值可以为55％，第二清晰度对应的权重值可以为45％。本申请对此不作限定。

在其他实施方式中，还可以分别输出第一清晰度与第二清晰度，由用户基于需求进行选择。

可以理解地，通过基于索贝尔算子进行计算的第一算法对目标图像的清晰度进行检测，能够利用第一算法的泛化性强的优点获取到较为准确的第一清晰度，以及通过训练好的清晰度检测模型对目标对象的清晰度进行检测，能够通过数据标注学习机制自适应调整深度学习模型中的模型参数，提升对目标图像的预测效果。继而将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标图像的清晰度，能够结合传统算法与深度学习算法的计算优势，既能解决仅靠深度学习算法导致的泛化性差的问题，又能解决仅靠传统算法导致的非最优解的问题，从而提高对图像清晰度进行检测的准确度，继而提高检测效果。

请参阅图3，图3是本申请图像清晰度检测方法第三实施方式的流程示意图。

本实施方式中，对检测图像清晰度的算法进行训练的方法包括：利用神经网络构建检测图像清晰度的算法中利用高低阈值进行筛选的算子；将已标注的多个样本图像输入到包括神经网络的检测图像清晰度的算法中；通过神经网络对样本图像的清晰度进行预测；基于预测结果与样本图像的标注类型对应的损失函数，对神经网络中预设的低阈值参数与高阈值参数进行迭代调整，以将调整后的包括神经网络的算法确定为第一算法。

可以理解地，上述方法仅利用神经网络对预设的低阈值参数与高阈值参数进行迭代调整，不涉及对利用索贝尔算子进行边缘检测的算子进行调整。

现有技术中，需要基于算法的推理结果，通过人工对各项参数进行调整，然而，这种代码优化方式极度依赖大量人工，不利于提高优化速率以及计算速率。本实施方式利用神经网络对算法中的某一算子进行迭代，能够有效避免人工调整导致的效率低下的问题。

进一步地，利用神经网络编码来实现传统算法的推理功能，能够在图像采集场景和图像设备采集参数千差万别，且图像样本足够丰富的情况下，使第一算法获取更好的推理效果和更强的适应性。

本实施方式中，清晰度检测模型的训练方法如下：将已标注的多个样本图像输入到预设深度学习模型中；通过预设深度学习模型对样本图像的清晰度进行预测；基于预测结果与样本图像的标注类型对应的损失函数确定对预设深度学习模型是否进行再训练，并将训练完成的深度学习模型确定为清晰度检测模型。

其中，已标注的多个样本图像为对图像的清晰度进行标注的图像。

其中，通过对预测结果与所述图像的标注类型对应的损失函数的优化来实现对该深度学习模型的优化。具体地，将当前损失值为最小损失值所对应的所述损失函数的参数确定为所述损失函数的当前优化参数，并对该深度学习模型进行再训练。至当前损失值的变化小于预设范围时，将当前的损失函数参数确定为当前深度学习模型的模型参数，并将该模型参数确定为深度分类模型的模型参数，以获取清晰度检测模型。

在本实施方式中，图像清晰度检测方法包括：

S31：获取到目标图像。

具体过程请参见S11中的描述，此处不再赘述。

S32：将第一算法与清晰度检测模型合并到同一检测模型中。

本实施方式中，将经过神经网络编码的检测图像清晰度的算法与预设深度学习模型合并至同一深度学习网络中，作为一个整体设计好的神经网络，并对算法与深度学习模型同时进行训练，以获取到训练好的第一算法与清晰度检测模型，并基于两者合并的情况获取到检测模型。

其中，第一算法与清晰度检测模型可以在同一个硬件网络加速单元上运行。

S33：对目标图像进行预处理，获取到目标图像的特征数据。

本实施方式中，利用特征萃取器提取目标图像的大量特征数据后。

S34：将特征数据输入到检测模型中，以使检测模型将特征数据分发至第一算法与清晰度检测模型。

本实施方式中，第一算法与清晰度检测模型使用同一输入进行计算。

其中，由于神经网络构建的算子在第一算法中仅占小部分，因而相较于清晰度检测模型，第一算法所需的计算量极小，不影响硬件网络加速单元的运行。

在实际计算中，本申请的发明人发现，相较于清晰度检测模型，第一算法增加的计算量几乎可以忽略不计。

S35：利用第一算法对目标图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对目标图像进行清晰度检测，并输出第二清晰度。

具体过程请参见S23～S27中的描述，此处不再赘述。

S36：将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标图像的清晰度。

具体过程请参见S28中的描述，此处不再赘述。

可以理解地，利用神经网络对检测图像清晰度的传统算法进行训练，能够将传统算法的优点以及深度学习的优点进行结合，从而既可以保证算法的泛化性，又可以刻画出目标图像更多的内在信息，继而提高第一算法对图像清晰度进行检测的准确度。进一步地，通过训练好的清晰度检测模型对目标对象的清晰度进行检测，能够通过数据标注学习机制自适应调整深度学习模型中的模型参数，提升对目标图像的预测效果。最后将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标图像的清晰度，能够结合第一算法与深度学习算法的计算优势，既能解决仅靠深度学习算法导致的泛化性差的问题，又能解决仅靠传统算法导致的非最优解的问题，从而进一步提高对图像清晰度进行检测的准确度，继而提高检测效果。

在一个具体的实施方式中，以对机动车的车牌图像的识别来说明本申请的图像清晰度检测方法，如图4所示，图4是本申请图像清晰度检测方法第四实施方式的流程示意图。本实施方式中，目标图像为包括目标车牌检测框的待检测图像，图像清晰度检测方法包括：

S41：获取到包括目标车牌检测框的待检测图像。

本实施方式中，待检测图像可以是直接对目标车牌进行抓拍的图像，也可以是对抓拍图像中的目标车牌添加检测框，并对检测框进行抠图得到的图像。

S42：将待检测图像分别输入到第一算法与训练好的清晰度检测模型中；其中，第一算法是利用神经网络对检测图像清晰度的算法进行训练得到的，清晰度检测模型为经过训练后的深度学习模型。

本实施方式中，第一算法为检测车牌清晰度的算法。其中，第一算法可以是传统算法，也可以是利用神经网络对检测图像清晰度的传统算法进行训练得到的网络化的算法。

其中，当第一算法为利用神经网络编码的算法时，训练图像为对车牌图像的清晰度进行标注的图像。具体地，利用神经网络构建检测图像清晰度的算法中利用高低阈值进行筛选的算子；将已标注的多个车牌图像输入到包括神经网络的检测图像清晰度的算法中；通过神经网络对车牌图像的清晰度进行预测；基于预测结果与车牌图像的标注类型对应的损失函数，对神经网络中预设的低阈值参数与高阈值参数进行迭代调整，以将调整后的包括神经网络的算法确定为第一算法。

在一个具体的实施场景中，当第一算法为传统算法时，基于传统算法的输入对目标车牌进行特征提取，并将提取的有限特征数据输入到第一算法中。与此同时，利用神经网络的特征萃取器对目标车来进行特征提取，并将提取的大量特征数据输入到深度学习模型的网络层中。

在另一个具体的实施场景中，当第一算法为利用神经网络对检测图像清晰度的传统算法进行训练得到的网络化的算法时，第一算法与清晰度检测模型合并至同一检测模型中，利用检测模型的特征萃取器提取目标车牌的大量特征数据后，将特征数据分发至第一算法与清晰度检测模型。

S43：利用第一算法对待检测图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对待检测图像进行清晰度检测，并输出第二清晰度。

具体过程请参见S23～S27中的描述，此处不再赘述。

S44：基于第一清晰度与第二清晰度确定目标车牌的清晰度。

本实施方式中，将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标车牌的清晰度。

区别于现有技术，本实施方式利用神经网络对检测图像清晰度的传统算法进行训练，能够将传统算法的优点以及深度学习的优点进行结合，从而既可以保证算法的泛化性，又可以刻画出目标车牌更多的内在信息，继而提高第一算法对目标车牌清晰度进行检测的准确度。进一步地，通过训练好的清晰度检测模型对目标车牌的清晰度进行检测，能够通过数据标注学习机制自适应调整深度学习模型中的模型参数，提升对车牌图像的预测效果。最后将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标车牌的清晰度，能够结合第一算法与深度学习算法的计算优势，既能解决仅靠深度学习算法导致的泛化性差的问题，又能解决仅靠传统算法导致的非最优解的问题，从而进一步提高对目标车牌清晰度进行检测的准确度，继而提高检测效果。

请参阅图5，图5是本申请图像清晰度检测方法一应用场景的工作流程图。本实施方式中，获取到目标图像后，将目标图像分别输入到第一算法与训练好的清晰度检测模型中。利用第一算法对目标图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对目标图像进行清晰度检测，并输出第二清晰度。将第一清晰度与第二清晰度分别乘以对应的权重值后相加，以得到目标图像的清晰度。

请参阅图6，图6是本申请图像清晰度检测方法另一应用场景的工作流程图，图7是图6中检测模型的训练方法一实施方式的流程示意图。本实施方式中，保持利用索贝尔算子计算边缘特征值的算子不变，仅利用神经网络构建检测图像清晰度的算法中利用高低阈值进行筛选的算子，并将经过神经网络编码后的算法与预设深度学习模型合并至同一深度学习网络中，作为一个整体设计好的神经网络，并利用输入的标注图像对算法与深度学习模型同时进行训练，以获取到训练好的第一算法与清晰度检测模型，并基于两者合并的情况获取到检测模型。继而获取到目标图像，将目标图像输入到检测模型中，利用检测模型检测目标图像的清晰度。

对应地，本申请提供一种图像清晰度检测装置。

请参阅图8，图8是本申请图像清晰度检测装置一实施方式的结构示意图。如图8所示，图像清晰度检测装置80包括获取模块81、输入模块82、检测模块83以及确定模块84。

获取模块81，用于获取到目标图像。

输入模块82，用于将目标图像分别输入到第一算法与训练好的清晰度检测模型中。

检测模块83，用于利用第一算法对目标图像进行清晰度检测，并输出第一清晰度；以及利用清晰度检测模型对目标图像进行清晰度检测，并输出第二清晰度。

确定模块84，用于基于第一清晰度与第二清晰度确定目标图像的清晰度。

其中，具体过程请参阅S11～S14、S21～S28、S31～S36以及S41～S44中的相关文字描述，在此不再赘述。

区别于现有技术，本实施方式通过输入模块82将获取的目标图像分别输入到第一算法与训练好的清晰度检测模型中进行检测，能够基于传统算法以及基于深度学习算法利用检测模块83获取到第一清晰度与第二清晰度，继而利用确定模块84基于第一清晰度与第二清晰度确定目标图像的清晰度，能够结合传统算法与深度学习算法的计算优势，既能解决仅靠深度学习算法导致的泛化性差的问题，又能解决仅靠传统算法导致的非最优解的问题，从而提高对图像清晰度进行检测的准确度，继而提高检测效果。

对应地，本申请提供一种电子设备。

请参阅图9，图9是本申请电子设备一实施方式的结构示意图。如图9所示，电子设备90包括存储器91以及处理器92。

本实施方式中，存储器91用于存储程序数据，程序数据被执行时实现如上述的图像清晰度检测方法中的步骤；处理器92用于执行存存储器91存储的程序指令以实现如上述的图像清晰度检测方法中的步骤。

具体而言，处理器92用于控制其自身以及存存储器91以实现如上述的图像清晰度检测方法中的步骤。处理器92还可以称为CPU(Central Processing Unit，中央处理单元)。处理器92可能是一种集成电路芯片，具有信号的处理能力。处理器92还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。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。另外，处理器92可以由多个集成电路芯片共同实现。

区别于现有技术，本实施方式通过处理器92将获取的目标图像分别输入到第一算法与训练好的清晰度检测模型中进行检测，能够基于传统算法获取到第一清晰度以及基于深度学习算法获取到第二清晰度，继而基于第一清晰度与第二清晰度确定目标图像的清晰度，能够结合传统算法与深度学习算法的计算优势，既能解决仅靠深度学习算法导致的泛化性差的问题，又能解决仅靠传统算法导致的非最优解的问题，从而提高对图像清晰度进行检测的准确度，继而提高检测效果。

对应地，本申请提供一种计算机可读存储介质。

请参阅图10，图10是本发明计算机可读存储介质一实施方式的结构示意图。

计算机可读存储介质100包括计算机可读存储介质100上存储的计算机程序1001，计算机程序1001被上述处理器执行时实现如上述的图像清晰度检测方法中的步骤。具体地，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存储介质100中。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或者该技术方案的全部或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计算机可读存储介质100中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质100包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

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。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元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。

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存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。

Claims (10)

1.一种图像清晰度检测方法，其特征在于，包括：

获取到目标图像；

将所述目标图像分别输入到第一算法与训练好的清晰度检测模型中；其中，所述第一算法是利用神经网络对检测图像清晰度的算法进行训练得到的，所述清晰度检测模型为经过训练后的深度学习模型；

利用所述第一算法对所述目标图像进行清晰度检测，并输出第一清晰度；以及

利用所述清晰度检测模型对所述目标图像进行清晰度检测，并输出第二清晰度；

基于所述第一清晰度与所述第二清晰度确定所述目标图像的清晰度。

2.根据权利要求1所述的图像清晰度检测方法，其特征在于，

所述基于所述第一清晰度与所述第二清晰度确定所述目标图像的清晰度的步骤，包括：

将所述第一清晰度与所述第二清晰度分别乘以对应的权重值后相加，以得到所述目标图像的所述清晰度。

3.根据权利要求1或2所述的图像清晰度检测方法，其特征在于，

所述利用所述第一算法对所述目标图像进行清晰度检测，并输出第一清晰度的步骤，包括：

基于所述目标图像的尺寸确定对应的索贝尔算子；

利用所述索贝尔算子确定所述目标图像中每个像素的边缘特征值；

利用低阈值与高阈值对获取的多个所述边缘特征值进行筛选，得到数值在预设区间内的边缘特征值；

对多个所述数值在预设区间内的边缘特征值进行计算，以得到所述第一清晰度。

4.根据权利要求3所述的图像清晰度检测方法，其特征在于，

所述索贝尔算子包括第一索贝尔算子与第二索贝尔算子；

所述利用所述索贝尔算子确定所述目标图像中每个像素的边缘特征值的步骤，包括：

利用所述第一索贝尔算子确定每个所述像素的水平梯度卷积绝对值，以及利用所述第二索贝尔算子确定每个所述像素的垂直梯度卷积绝对值；

所述利用低阈值与高阈值对获取的多个所述边缘特征值进行筛选，得到数值在预设区间内的边缘特征值的步骤，包括：

利用所述低阈值与所述高阈值对每个所述像素对应的所述水平梯度卷积绝对值与所述垂直梯度卷积绝对值进行筛选；

响应于所述像素对应的所述水平梯度卷积绝对值与所述垂直梯度卷积绝对值均在所述预设区间内，保留所述像素对应的所述水平梯度卷积绝对值与所述垂直梯度卷积绝对值；

所述对多个所述数值在预设区间内的边缘特征值进行计算，以得到所述第一清晰度的步骤，包括：

对多个所述数值在所述预设区间内的所述水平梯度卷积绝对值与所述垂直梯度卷积绝对值进行计算，以得到所述第一清晰度。

5.根据权利要求3所述的图像清晰度检测方法，其特征在于，

所述第一算法的训练方法包括：

利用神经网络构建所述检测图像清晰度的算法中利用高低阈值进行筛选的算子；

将已标注的多个样本图像输入到包括所述神经网络的检测图像清晰度的算法中；

通过所述神经网络对所述样本图像的清晰度进行预测；

基于预测结果与所述样本图像的标注类型对应的损失函数，对所述神经网络中预设的低阈值参数与高阈值参数进行迭代调整，以将调整后的包括所述神经网络的算法确定为所述第一算法。

6.根据权利要求5所述的图像清晰度检测方法，其特征在于，

所述清晰度检测模型的训练方法如下：

将已标注的多个所述样本图像输入到预设深度学习模型中；

通过所述预设深度学习模型对所述样本图像的清晰度进行预测；

基于预测结果与所述样本图像的标注类型对应的所述损失函数确定对所述预设深度学习模型是否进行再训练，并将训练完成的所述深度学习模型确定为所述清晰度检测模型。

7.根据权利要求6所述的图像清晰度检测方法，其特征在于，

所述将所述目标图像分别输入到第一算法与训练好的清晰度检测模型中的步骤前，包括：

将所述第一算法与所述清晰度检测模型合并到同一检测模型中；

对所述目标图像进行预处理，获取到所述目标图像的特征数据；

所述将所述目标图像分别输入到第一算法与训练好的清晰度检测模型中的步骤，包括：

将所述特征数据输入到所述检测模型中，以使所述检测模型将所述特征数据分发至所述第一算法与所述清晰度检测模型。

8.根据权利要求1所述的图像清晰度检测方法，其特征在于，

所述获取到目标图像的步骤，包括：

获取到包括目标车牌检测框的待检测图像；

所述将所述目标图像分别输入到第一算法与训练好的清晰度检测模型中的步骤，包括：

将所述待检测图像分别输入到第一算法与训练好的清晰度检测模型中；

所述利用所述第一算法对所述目标图像进行清晰度检测，并输出第一清晰度；以及利用所述清晰度检测模型对所述目标图像进行清晰度检测，并输出第二清晰度的步骤，包括：

利用所述第一算法对所述待检测图像进行清晰度检测，并输出第一清晰度；以及利用所述清晰度检测模型对所述待检测图像进行清晰度检测，并输出第二清晰度；

所述基于所述第一清晰度与所述第二清晰度确定所述目标图像的清晰度的步骤，包括：

基于所述第一清晰度与所述第二清晰度确定所述目标车牌的清晰度。

9.一种电子设备，其特征在于，包括：

存储器，用于存储程序数据，所述程序数据被执行时实现如权利要求1～8任一项所述的图像清晰度检测方法中的步骤；

处理器，用于执行所述存储器存储的所述程序数据以实现如权利要求1～8任一项所述的图像清晰度检测方法中的步骤。

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程序，所述计算机程序被处理器执行时实现如权利要求1～8任一项所述的图像清晰度检测方法中的步骤。

Images