CN116051390B - 运动模糊程度检测方法和设备 - Google Patents
运动模糊程度检测方法和设备 Download PDFInfo
- Publication number
- CN116051390B CN116051390B CN202210975285.5A CN202210975285A CN116051390B CN 116051390 B CN116051390 B CN 116051390B CN 202210975285 A CN202210975285 A CN 202210975285A CN 116051390 B CN116051390 B CN 116051390B
- Authority
- CN
- China
- Prior art keywords
- feature set
- image
- detected
- feature
- motion blur
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 144
- 238000004364 calculation method Methods 0.000 claims description 52
- 238000006243 chemical reaction Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 239000003550 marker Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G06T5/73—
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本申请涉及图像处理技术领域,尤其涉及一种运动模糊程度检测方法和设备。其中,所述运动模糊程度检测方法包括:首先,在目标物体处于运动状态以及静止状态时,分别采集待测图像以及参考图像。然后,分别对两图像中包含的目标物体进行特征提取,得到待测特征集合以及参考特征集合。进而,可基于第一特征函数对参考特征集合进行模糊处理,得到第一模糊特征集合。在第一模糊特征集合与待测特征集合相一致的情况下,可根据第一特征函数确定待测图像的运动模糊程度参数。通过上述技术方案,可实现对拍摄图像中运动物体的运动模糊程度的检测,进而可用于评估相应的拍摄设备或相关算法在运动模糊优化方面的性能。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种运动模糊程度检测方法和设备。
背景技术
在动态物体拍摄场景中,经常遇到运动模糊的情况,即拍摄图像中与拍摄设备存在相对运动的物体会出现模糊。针对此类场景,目前有不少拍摄设备、算法等可以用来降低甚至消除运动模糊,以提升拍摄图像的成片效果。但是,不同的拍摄设备或算法对运动模糊的处理效果并不相同,普通用户很难量化地分辨出其中的区别。因此,有必要提供一种运动模糊程度的检测方法,用于直观地呈现出拍摄设备或算法对图像中运动模糊的真实处理效果。
发明内容
本申请提供一种运动模糊程度检测方法和设备,用于对任意一种拍摄设备或算法输出的拍摄图像中运动物体的运动模糊程度进行检测,以得到拍摄设备或算法对图像中运动模糊的真实处理效果。
第一方面,本技术方案提供了一种运动模糊程度检测方法,包括:分别对待测图像以及参考图像包含的目标物体进行特征提取,得到待测图像对应的待测特征集合以及参考图像对应的参考特征集合;其中,待测图像在目标物体运动状态下拍摄得到,参考图像在目标物体静止状态下拍摄得到;基于第一特征函数对参考特征集合进行模糊处理,得到第一模糊特征集合;将第一模糊特征集合与待测特征集合进行相似度计算;根据相似度计算结果确定第一模糊特征集合与待测特征集合相一致的情况下,根据第一特征函数确定待测图像的运动模糊程度参数。
上述技术方案提供的运动模糊程度检测方法,可分别获取存在运动模糊的待测图像、以及不存在运动模糊的参考图像,并利用特征函数,对参考图像中的目标物体反向进行模糊处理。若模糊处理后的参考图像与待测图像中目标物体的运动模糊特征一致,那么,可根据对参考图像执行反向模糊处理的特征函数,确定出待测图像的运动模糊程度参数。利用上述方法,可以实现对任意一种拍摄设备或算法输出的拍摄图像中运动物体的运动模糊程度进行检测,以得到拍摄设备或算法对图像中运动模糊的真实处理效果。
结合第一方面,在第一方面的某些实现方式中,待测图像的数量为多个,多个待测图像在相同拍摄要素下拍摄得到;对待测图像包含的目标物体进行特征提取,得到待测图像对应的待测特征集合,包括:分别对每个待测图像包含的目标物体进行特征提取,得到每个待测图像各自对应的待测特征集合。
在本实现方式中,可增加相同拍摄条件下所拍摄的待测图像的数量,通过对多个待测图像进行特征提取,可降低偶发事件对特征提取结果的影响,提高特征提取的准确度。
结合第一方面,在第一方面的某些实现方式中,对待测图像包含的目标物体进行特征提取,得到待测图像对应的待测特征集合,包括:从待测图像包含的目标物体中确定出至少一个目标区域;分别对至少一个目标区域进行特征提取,得到至少一个区域特征集合;对至少一个区域特征集合进行加权运算,得到待测图像对应的待测特征集合。
在本实现方式中,通过对目标物体的多个目标区域进行特征提取,并以加权方式获得目标物体总的特征集合,能够使得到的特征集合可以更准确地描述目标物体的特征。
结合第一方面,在第一方面的某些实现方式中,将第一模糊特征集合与待测特征集合进行相似度计算,包括:分别将第一模糊特征集合与每个待测特征集合进行相似度计算。
结合第一方面,在第一方面的某些实现方式中,根据相似度计算结果确定第一模糊特征集合与待测特征集合相一致,包括:根据第一模糊特征集合与每个待测特征集合的相似度计算结果的平均值,确定第一模糊特征集合与待测特征集合相一致。
在本实现方式中,通过将第一模糊特征集合与相同拍摄条件下所拍摄的多个待测图像的特征集合相比较,可降低偶发事件对比较结果的影响,提高比较结果的准确度。
结合第一方面,在第一方面的某些实现方式中,基于第一特征函数对参考特征集合进行模糊处理,包括:基于第一卷积核,对参考特征集合进行卷积运算。
结合第一方面,在第一方面的某些实现方式中,根据第一特征函数确定待测图像的运动模糊程度参数,包括:根据预设的映射表,确定与第一卷积核对应的第一转换关系;利用第一转换关系对第一卷积核进行参数转换,得到待测图像的运动模糊程度参数。
在本实现方式中,可基于不同类型的窗函数选取不同的转换关系进行参数转换,使得运动模糊程度参数的计算更加准确。
结合第一方面,在第一方面的某些实现方式中,根据第一特征函数确定待测图像的运动模糊程度参数后,上述方法还包括:利用第二转换关系对运动模糊程度参数进行参数转换,得到待测图像的等效曝光时间。
在本实现方式中,在运动模糊程度参数的基础上,增加等效曝光时间作为对待测图像的另一评价参数,可拓宽用户对待测图像中目标物体运动模糊情况的评价维度,有利于用户从更加全局的视角了解拍摄设备或相关算法对运动模糊的优化效果。
结合第一方面,在第一方面的某些实现方式中,利用第二转换关系对运动模糊程度参数进行参数转换,得到待测图像的等效曝光时间,包括:根据运动模糊程度参数与目标物体的运动速度之间的商值,确定待测图像的等效曝光时间。
结合第一方面,在第一方面的某些实现方式中,上述方法还包括:根据等效曝光时间以及待测图像的实际曝光时间,确定待测图像的运动模糊优化参数。
在本实现方式中,在运动模糊程度参数的基础上,又增加等效曝光时间作为对待测图像的另一评价参数,有利于用户从更加全局的视角了解拍摄设备或相关算法对运动模糊的优化效果。
结合第一方面,在第一方面的某些实现方式中,根据相似度计算结果,确定第一模糊特征集合与待测特征集合不一致的情况下,上述方法还包括:根据第一特征函数确定第二特征函数;基于第二特征函数对参考特征集合进行模糊处理,得到第二模糊特征集合;将第二模糊特征集合与待测特征集合进行相似度计算,得到新的相似度计算结果;根据新的相似度计算结果,确定第二模糊特征集合与待测特征集合相一致的情况下,根据第二特征函数确定待测图像的运动模糊程度参数。
在本实现方式中,当首次选取的特征函数无法使模糊后的参考特征集合与待测特征集合一致时,可循环选取不同的特征函数,多次执行对参考特征集合的模糊处理、以及后续相似度对比流程,确保能够得到使模糊后的参考特征集合与待测特征集合一致的特征函数。
结合第一方面,在第一方面的某些实现方式中,根据第一特征函数确定第二特征函数,包括:根据遍历算法对第一特征函数进行累计运算,得到第二特征函数。
在本实现方式中,通过遍历的方式可提升方案的可靠性,确保能够确定出使模糊特征集合与待测特征集合一致的特征函数。
结合第一方面,在第一方面的某些实现方式中,根据第一特征函数确定第二特征函数,包括:根据梯度下降算法对第一特征函数进行迭代运算,得到第二特征函数。
在本实现方式中,通过梯度下降的方式可提升方案的执行效率,能够通过较少的循环次数、在较短时间内确定出使模糊特征集合与待测特征集合一致的特征函数。
第二方面,本技术方案提供了一种电子设备,包括:提取单元,用于分别对待测图像以及参考图像包含的目标物体进行特征提取,得到待测图像对应的待测特征集合以及参考图像对应的参考特征集合;其中,待测图像在目标物体运动状态下拍摄得到,参考图像在目标物体静止状态下拍摄得到;处理单元,用于基于第一特征函数对参考特征集合进行模糊处理,得到第一模糊特征集合;计算单元,用于将第一模糊特征集合与待测特征集合进行相似度计算;确定单元,用于根据相似度计算结果确定第一模糊特征集合与待测特征集合相一致的情况下,根据第一特征函数确定待测图像的运动模糊程度参数。
上述技术方案提供的电子设备,可分别获取存在运动模糊的待测图像、以及不存在运动模糊的参考图像,并利用特征函数,对参考图像中的目标物体反向进行模糊处理。若模糊处理后的参考图像与待测图像中目标物体的运动模糊特征一致,那么,可根据对参考图像执行反向模糊处理的特征函数,确定出待测图像的运动模糊程度参数。利用上述技术方案提供的电子设备,可以实现对任意一种拍摄设备或算法输出的拍摄图像中运动物体的运动模糊程度进行检测,以得到拍摄设备或算法对图像中运动模糊的真实处理效果。
第三方面,本技术方案提供了一种电子设备,包括:一个或多个处理器;存储器;以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行所述第一方面或者第一方面的任一可能的实现方式中的方法。
第四方面,本技术方案提供了一种电子设备,所述设备包括存储介质和中央处理器,所述存储介质可以是非易失性存储介质,所述存储介质中存储有计算机可执行程序,所述中央处理器与所述非易失性存储介质连接,并执行所述计算机可执行程序以实现所述第一方面或者第一方面的任一可能的实现方式中的方法。
第五方面,本技术方案提供了一种芯片,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,执行第一方面或第一方面的任一可能的实现方式中的方法。
可选的,作为一种实现方式,所述芯片还可以包括存储器,所述存储器中存储有指令,所述处理器用于执行所述存储器上存储的指令,当所述指令被执行时,所述处理器用于执行第一方面或第一方面的任一可能的实现方式中的方法。
第六方面,本技术方案提供了一种计算机可读存储介质,所述计算机可读介质存储用于设备执行的程序代码,所述程序代码包括用于执行第一方面或者第一方面的任一可能的实现方式中的方法的指令。
附图说明
图1是本申请实施例提供的运动模糊程度检测方法的一个示意性流程图;
图2是本申请实施例提供的运动模糊程度检测方法的一个示意性场景图;
图3是本申请实施例提供的运动模糊程度检测方法的另一个示意性场景图;
图4是本申请实施例提供的运动模糊程度检测方法的另一个示意性流程图;
图5是本申请实施例提供的运动模糊程度检测方法的另一个示意性流程图;
图6是本申请实施例提供的运动模糊程度检测方法的另一个示意性场景图;
图7是本申请实施例提供的运动模糊程度检测方法的另一个示意性流程图;
图8是本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
在对本申请实施例进行说明之前,首先对相关技术进行介绍。
在动态物体拍摄场景中,拍摄图像中动态物体经常会出现模糊的情况。这是由于在曝光过程中,随着物体的不断运动,传感器检测到的物体位置不断发生变化,因而拍摄图像中的物体就呈现出位于不同位置的多个重叠影像,也就是“运动模糊”。根据运动模糊的产生原理不难理解,拍摄时设置的曝光时间越长,运动模糊的情况将会越明显。
为了抑制拍摄图像中运动物体的运动模糊,以提升拍摄图像的成品效果,已经有不少拍摄设备、算法等具备了相应的图像优化功能,用于降低、甚至消除拍摄图像中运动模糊的情况。但是,不同的设备或算法所能实现的优化效果并不相同,而普通用户又很难准确分辨出其中的差别。
基于上述问题,提出本申请。
本申请中,可提供一种运动模糊程度检测方法,该方法具体可以是,首先,在目标物体处于运动状态时采集待测图像,以及在目标物体处于静止状态时采集参考图像。然后,分别对待测图像以及参考图像中包含的目标物体进行特征提取,得到待测图像对应的待测特征集合以及参考图像对应的参考特征集合。进而,可基于第一特征函数对参考特征集合进行模糊处理,得到第一模糊特征集合。将第一模糊特征集合与待测图像的待测特征集合进行相似度计算,在相似度高于设定阈值的情况下,可根据第一特征函数确定待测图像的运动模糊程度参数。
通过本申请提供的技术方案,可实现对拍摄图像中运动物体的运动模糊程度的检测,进而可用于评估相应的拍摄设备或相关算法在运动模糊优化方面的性能。
下面将结合附图,对本申请中的技术方案进行描述。
本申请实施例提供的运动模糊程度检测方法可应用于任意一种电子设备。该电子设备例如可以是手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digitalassistant,PDA)等电子设备,本申请实施例对电子设备的具体类型不作任何限制。
图1是本申请实施例提供的运动模糊程度检测方法的一个示意性流程图,如图1所示,本申请实施例提供的运动模糊程度检测方法包括:
101,获取待测图像以及参考图像,其中,待测图像在目标物体运动状态下拍摄得到,参考图像在目标物体静止状态下拍摄得到。
本申请实施例中,可分别采集待测图像以及参考图像。待测图像和参考图像的拍摄对象均为目标物体。其中,待测图像的拍摄对象为处于运动状态的目标物体,待测图像包含的目标物体可能存在运动模糊。而参考图像的拍摄对象为静止状态的目标物体,参考图像内包含的目标物体不存在运动模糊。
本申请实施例中,参考图像作为不含运动模糊的标准图像,可用于对待测图像中目标物体的运动模糊程度进行对照、评估,以辅助实现对待测图像中目标物体模糊程度的检测。因此,为保证拍摄质量,可在理想的场景及光源条件下对目标物体进行拍摄,得到参考图像。参考图像的数量可以是一张。
在实际场景中,不同拍摄要素下拍摄得到的待测图像其运动模糊程度并不相同。其中,拍摄要素可以包括拍摄场景、光源条件以及设备拍摄参数(包括曝光时间、感光度、光圈大小等)等。因此,本申请实施例中,对于待测图像,可分别基于不同的拍摄要素,获取多组不同的待测图像。示例性的,可分别在室内场景的弱光、明亮以及强光等种光源条件下,以不同的设备拍摄参数获取多组待测图像,以及在室外场景的不同时间段,例如早晨、午间、傍晚以及夜晚等,以不同的设备拍摄参数获取多组待测图像。
对于每组待测图像,一种可能的实现方式中,可分别包含一张待测图像。或者,在另外的实现方式中,考虑到单次拍摄过程存在的偶然性,为提升后续运动模糊程度检测的准确度,每组待测图像中可分别包含多张待测图像。
本申请实施例中,对每组待测图像的运动模糊程度检测方法均相同。为方便表述,下面将以任意一组待测图像为例,对本申请提供的运动模糊程度检测方法进行说明。
102,分别对待测图像以及参考图像包含的目标物体进行特征提取,得到待测图像对应的待测特征集合以及参考图像对应的参考特征集合。
本申请实施例中,可以采取相同的特征提取手段,分别对待测图像以及参考图像中目标物体的相同特征区域进行特征提取。为方便表述,下面将以待测图像为例,对特征提取的具体方法进行说明。
对于任意一组待测图像,当组内包含的待测图像的数量为多个的情况下,可分别对组内的每个待测图像包含的目标物体进行特征提取,得到每个待测图像各自对应的待测特征集合Fu。
一种可能的实现方式中,目标物体可以选取为拍摄场景中自然存在的任意一种物体,例如茶杯、饮料瓶、树木、棋盘等。基于此种实现方式,如图2所示,以目标物体为茶杯为例,例如可对待测图像中茶杯的把手区域021进行特征提取,得到待测图像对应的待测特征集合Fu。
但是,大多数情况下,拍摄场景中自然存在的物体其结构以及图案会较为复杂,特征提取的难度相对较大。因此,为了降低特征识别的难度、提升特征识别的准确度,另一种可能的实现方式中,目标物体还可以是专门放置在拍摄场景中的简单标志物。例如,目标物体可以是单一颜色的三角形标志物、正方形标志物等。如图3所示,以目标物体为白色正方形标志物为例,例如可对待测图像中白色正方形标志物的左边缘区域031进行特征提取,得到待测图像对应的待测特征集合Fu。
103,选定特征函数。
本申请实施例中,特征函数W可用于对参考图像对应的参考特征集合Fre进行模糊处理,得到模糊特征集合Fo,以使模糊特征集合Fo能够与待测图像的待测特征集合Fu具备相同的运动模糊特征。
但在实际执行时,具体选取何种大小的特征函数W,才能够使模糊特征集合Fo与待测特征集合Fu的运动模糊特征相一致,是未知的。因此,为得到能够使模糊特征集合Fo与待测特征集合Fu的运动模糊特征相一致的特征函数W,本申请实施例中,可依次选定不同大小的特征函数W,对参考特征集合进行模糊处理,得到模糊特征集合Fo。进而,可分别计算每次得到的模糊特征集合Fo与待测特征集合Fu的相似度。
其中,选定特征函数W的方法具体可以是基于遍历算法选取,还可以是基于梯度下降算法选取。本申请对此不做限制。
本申请实施例中,将首次选定的特征函数W表述为第一特征函数W1。
104,基于选定的特征函数对参考特征集合进行模糊处理,得到模糊特征集合。
本申请实施例中,特征函数W可以是卷积核。基于特征函数对参考特征集合进行模糊处理具体可以是,利用卷积核对参考特征集合进行卷积运算。
一种可能的实现方式中,参考特征集合为一维数据,此时,特征函数W可以是窗函数形式的卷积核。窗函数的类型例如可包括矩形窗、汉宁窗、汉明窗等,本申请对此不做限制。此种实现方式中,利用第一特征函数W1对参考特征集合Fre进行模糊处理具体可以是,利用第一缩放尺度的目标窗函数,对参考特征集合Fre进行卷积运算,进而得到第一模糊特征集合Fo1。
另一种可能的实现方式中,参考特征集合为二维数据,此时,特征函数W可以是二维矩阵形式的卷积核。此种实现方式中,利用第一特征函数W1对参考特征集合Fre进行模糊处理具体可以是,利用第一比例大小的二维矩阵,对参考特征集合Fre进行卷积运算,进而得到第一模糊特征集合Fo1。
105,将得到的模糊特征集合与待测特征集合进行相似度计算。
106,根据相似度计算结果确定模糊特征集合是否与待测特征集合相一致。如果是,执行步骤107;否则,重新执行步骤103。
得到第一模糊特征集合Fo1后,可将第一模糊特征集合Fo1与待测图像对应的待测特征集合Fu进行相似度计算,以得到二者的相似度计算结果。对于任意一组待测图像,当组内待测图像的数量为1时,可仅计算第一模糊特征集合Fo1与该一张待测图像对应的待测特征集合Fu的相似度;当组内待测图像的数量为多个时,可分别计算第一模糊特征集合Fo1与每张待测图像对应的待测特征集合Fu的相似度。
对于任意一次相似度计算,一种可能的实现方式中,可利用结构相似性(structural similarity Index,SSIM)算法,计算第一模糊特征集合Fo1与待测特征集合Fu之间的相似度,得到SSIM指数。此种实现方式中,SSIM指数越大,说明第一模糊特征集合Fo1与待测特征集合Fu之间的相似度越高。在SSIM指数大于设定SSIM指数阈值的情况下,可认为第一模糊特征集合Fo1与待测特征集合Fu相一致。
本申请实施例中,对于任意一组待测图像,当组内待测图像的数量为多个时,可计算第一模糊特征集合Fo1与每个待测特征集合Fu之间SSIM指数。进而,可计算得到的各个SSIM指数的平均值。在各个SSIM指数的平均值大于设定SSIM指数阈值的情况下,可认为第一模糊特征集合Fo1与该组待测特征集合Fu相一致。
另一种可能的实现方式中,可利用损失函数(Loss Function),具体例如可以用平均绝对误差损失函数L1、或者均方误差损失函数L2等,计算第一模糊特征集合Fo1与待测特征集合Fu之间的差异度,得到损失函数值。此种实现方式中,损失函数值越小,说明第一模糊特征集合Fo1与待测特征集合Fu之间的相似度越高。本申请实施例中,在损失函数值小于设定损失函数阈值的情况下,可认为第一模糊特征集合Fo1与待测特征集合Fu相一致。
本申请实施例中,对于任意一组待测图像,当待测图像的数量为多个时,可计算第一模糊特征集合Fo1与每个待测特征集合Fu之间损失函数值。进而,可计算得到的各个损失函数值的平均值。在各个损失函数值的平均值小于设定损失函数阈值的情况下,可认为第一模糊特征集合Fo1与该组待测特征集合Fu相一致。
107,根据模糊特征集合对应的特征函数,确定待测图像的运动模糊程度参数。
在确定基于首次模糊处理得到的第一模糊特征集合Fo1与待测特征集合Fu相一致的情况下,可根据前述步骤104中对参考特征集合Fre执行模糊处理的第一特征函数W1,确定待测图像的运动模糊程度参数。
用于执行模糊处理的特征函数可选取多种不同的类型。本申请实施例中,为实现不同类型的特征函数的归一化,可定义任意类型的特征函数作为标准特征函数。标准特征函数与运动模糊程度参数之间的转换关系是1:1转换,即标准特征函数的取值大小可直接表征待测图像的运动模糊程度参数的大小。对于标准特征函数之外的其他特征函数,可根据与标准特征函数之间的积分转换关系进行归一化处理,得到与运动模糊程度参数之间的转换关系。示例性的,在提取到的特征集合为一维数据的情况下,可将矩形窗函数定义为标准特征函数。
为了方便确定运动模糊程度参数,本申请实施例中,可预先存储不同类型的特征函数与运动模糊程度参数之间的转换关系映射表。确定模糊特征集合对应的特征函数为第一特征函数W1后,可基于预设的映射表,确定与第一特征函数W1对应的第一转换关系。然后,可利用第一转换关系,对第一特征函数W1进行参数转换,得到待测图像的运动模糊程度参数。
其中,上述运动模糊程度参数可用于表征待测图像的运动模糊程度。参数值越大,待测图像的运动模糊程度越高,说明拍摄该待测图像的设备或相关处理算法,对运动模糊的优化效果越不明显。
相反的,在确定第一模糊特征集合Fo1与待测特征集合Fu不一致的情况下,可重新执行上述步骤103,对已选定的特征函数进行优化,确定出新的特征函数。新的特征函数能够使模糊处理后得到的模糊特征集合更加接近待测特征集合。
一种可能的实现方式中,可按照遍历算法,对前次选定的第一特征函数W1进行累计运算,可以是递增或递减,以得到新的特征函数。本申请实施例中,将新选定的特征函数表述为第二特征函数W2。一种具体实现方式中,前次选定的第一特征函数W1为第一缩放尺度的目标窗函数,那么,可对目标窗函数的缩放尺度进行递增或递减,以得到第二缩放尺度的目标窗函数,作为第二特征函数W2。
另一种可能的实现方式中,可按照梯度下降算法,对前次选定的第一特征函数W1进行迭代运算,得到第二特征函数W2。一种具体实现方式中,前次选定的第一特征函数W1为第一缩放尺度的目标窗函数,那么,可根据第一缩放尺度与相似度计算结果之间的梯度关系,确定第一缩放尺度的变化方向和变化步长。进而,可按照确定的变化方向和变化步长,对第一缩放尺度进行迭代,得到第二缩放尺度的目标窗函数,作为第二特征函数W2。
当然,在实际应用中,还可以根据不同于遍历算法以及梯度下降算法的其他优化算法,来确定新的特征函数,例如牛顿法(Newton Method)等。本申请对此不做限制。
新的特征函数选定后,可继续执行上述步骤104,基于新选定的特征函数对参考特征集合Fre进行模糊处理,得到新的模糊特征集合。本申请实施例中,可将新的模糊特征集合表述为第二模糊特征集合Fo2。
进一步的,得到第二模糊特征集合Fo2之后,可继续执行上述步骤105,计算第二模糊特征集合Fo2与待测特征集合Fu的相似度。在根据相似度计算结果确定第二模糊特征集合Fo2与待测特征集合Fu相一致的情况下,可执行107,根据第二特征函数W2,确定待测图像的运动模糊程度参数。否则,可再次执行103,继续对特征函数进行优化。重复此过程,直至新的模糊特征集合与待测特征集合Fu相一致。
通过上述技术方案,可对任意一种拍摄设备或算法输出的拍摄图像中运动物体的运动模糊程度进行检测,得到拍摄设备或算法对图像中运动模糊的真实处理效果。
图4是本申请实施例提供的运动模糊程度检测方法的另一个示意性流程图,如图4所示,上述步骤107之后,本申请实施例提供的运动模糊程度检测方法还可以包括:
201,利用第二转换关系对运动模糊程度参数进行参数转换,得到待测图像的等效曝光时间。
本申请实施例中,在运动模糊程度参数的基础上,还可进一步提供待测图像的等效曝光时间。从而,有利于用户基于更加丰富的维度,来评估待测图像中运动物体运动模糊程度。
具体的,可根据运动模糊程度参数与曝光时间之间的特定转换关系,确定待测图像的等效曝光时间。本申请实施例中,将上述特定转换关系表述为第二转换关系。
下面对第二转换关系进行具体说明。
根据前述实施例中的相关说明已经得知,运动模糊程度参数表征的是运动物体的模糊程度,其数值越大,运动物体的模糊程度越高,表现为模糊路径越长、重影越明显。不难理解,运动模糊程度参数实质上可表征运动物体在拍摄时间段内的移动距离。而曝光时间表征的是从快门打开到关闭的时间间隔。那么,基于此,本申请实施例可得到第二转换关系如下:拍摄图像中运动物体的运动模糊程度参数与物体运动速度之间的商值,等于拍摄图像的曝光时间。
基于上述说明,本申请实施例中,首先,可获取待测图像中目标物体在拍摄时的运动速度。
一种可能的实现方式中,在拍摄待测图像时,目标物体的运动可以是由外部控制的匀速运动。例如,可由机械臂连接目标物体,进而,通过控制机械臂来实现目标物体的匀速运动。此时,可直接通过机械臂的相关控制参数,来获取目标物体在拍摄时的运动速度。
另外的实现方式中,在拍摄待测图像时,目标物体的运动可以是基于瞬间作用力而引起的非匀速运动。例如,将目标物体与一弹性部件连接,进而,由弹性部件的一次弹射过程来触发目标物体的运动。此时,可通过传感器采集目标物体在拍摄时的运动速度。
在实际执行过程中,还可以通过另外的方式控制目标物体的运动,并获取对应的运动速度。本申请对此不做限制。
然后,可根据运动模糊程度参数与目标物体的运动速度之间的商值,确定待测图像的等效曝光时间。
本申请实施例中,目标物体的运动模糊程度参数与运动速度相除得到的商,可作为待测图像的等效曝光时间。
应当理解,由于待测图像是经过拍摄设备或相关算法进行运动模糊优化得到的,因此,经过转换获得的曝光时间可能并不等于设备拍摄时所设置的实际曝光时间。为表示此区别,本申请实施例中,将经过转换获得的曝光时间,表述为等效曝光时间。等效曝光时间越长,说明运动模糊程度越高,反之则越低。
202,根据等效曝光时间以及待测图像的实际曝光时间,确定待测图像的运动模糊优化参数。
本申请实施例中,可计算实际曝光时间与等效曝光时间的差值,该差值可作为待测图像的运动模糊优化参数。
当得到的运动模糊优化参数为正时,即实际曝光时间大于等效曝光时间,说明拍摄设备或相关算法对拍摄图像中运动物体的运动模糊存在优化效果。且运动模糊优化参数越大,优化程度越高。当得到的运动模糊优化参数为0时,即实际曝光时间等于等效曝光时间,说明拍摄设备或相关算法对拍摄图像中运动物体的运动模糊不存在优化效果。当得到的运动模糊优化参数为负时,即实际曝光时间小于等效曝光时间,说明拍摄设备或相关算法会加剧拍摄图像中运动物体的运动模糊。
通过上述技术方案,可在运动模糊程度参数的基础上,进一步提供了等效曝光时间以及运动模糊优化参数,增加了对拍摄图像中运动物体运动模糊情况的检测和评估维度,有利于用户从更加全局的视角了解拍摄图像的运动模糊状态,以及拍摄设备或相关算法对运动模糊的实际优化效果。
进一步的,本申请实施例中,还可对不同拍摄要素下得到的每组待测图像分别执行上述运动模糊程度检测方法,得到每组待测图像各自对应的运动模糊程度参数、等效曝光时间、以及运动模糊优化参数。进而,可将各组待测图像所对应的各个参数进行横向对比。根据横向对比结果,可得到相应的拍摄设备或相关处理算法在不同拍摄要素下,对运动模糊优化程度的差异。
图5是本申请实施例提供的运动模糊程度检测方法的另一个示意性流程图。本申请实施例中,对前述实施例步骤102所描述的拍摄图像中目标物体的特征提取方法作进一步说明。如图5所示,拍摄图像中目标图文的特征提取方法具体可包括:
301,从拍摄图像包含的目标物体中确定出至少一个目标区域。
302,分别对至少一个目标区域进行特征提取,得到多个区域特征集合。
303,对至少一个区域特征集合进行加权运算,得到拍摄图像中目标物体对应的特征集合。
本申请实施例所表述的拍摄图像可以是前述待测图像,也可以是前述参考图像,二者均可基于本申请实施例提供的方法实现特征提取。
首先,可对拍摄图像进行特征识别,以从拍摄图像中确定出目标物体。
一种可能的实现方式中,可通过人工选定方式,手动从拍摄图像中选定出目标物体。
另一种可能的实现方式中,可通过机器识别方式,根据目标物体的颜色特征以及形状特征,对拍摄图像包含的各个像素点的灰度值等特征进行识别。进而,可根据灰度值等特征的识别结果,从各个像素点中确定出与目标物体的颜色特征以及形状特征相匹配的像素群,该像素群即为拍摄图像中的目标物体。
然后,可从目标物体从选取若干个目标区域。
本申请实施例中,目标区域可以是目标物体中特征最鲜明的区域。目标区域的选取原则可以预先确定。选取原则具体可包括选取位置、选取范围、选取个数等。
对于任意一个目标区域的选取,与前述类似的,可通过人工选定方式,手动从目标物体中选取;或者,可通过机器识别方式,先从目标物体中确定出目标像素点,进而,以目标像素点为基准,选取该目标像素点及其周围预设范围内的多个像素点作为目标区域。目标区域可以是由多个像素点组成的一维线条,或者,也可以是由多个像素点组成的二维平面。
仍以目标物体为白色正方形标志物为例,如图6所示,目标区域的选取个数例如可以为2个;选取位置可分别为白色正方形标志物的中间区域031以及右上角区域032;其中,中间区域031的选取范围例如可以包括,纵向一个像素宽度、横向十个像素宽度的范围,即一条十个像素长度的一维线段;右上角区域032的选取范围例如可以包括,横向纵向各五个像素宽度的范围,即一个边长五个像素的二维正方形区域。应当理解,图6仅为一种示例,不作为对本申请的限制。
需要说明的是,在对待测图像以及参考图像的目标物体进行特征提取时,应采用相同的选取原则来选取相同的目标区域。
进而,可分别对选取出的各个目标区域进行特征提取,得到各个目标区域对应的区域特征集合。
可以理解的,目标区域选取个数越多、各目标区域的选取范围越大,一方面,特征提取得到的信息越多,特征描述越精确;另一方面,特征提取的计算量也会越大。因此,有必要确定一适当的目标区域选取原则,以兼顾特征提取的效果和运算量。
最后,可对各个目标区域对应的区域特征集合进行加权运算,得到拍摄图像对应的特征集合。
本申请实施例中,可以根据各个目标区域所含特征的鲜明程度,确定各个区域特征集合的权重。目标区域特征越鲜明,对应的区域特征集合所分配的权重值越大。其中,特征鲜明可以是,形状更为独特,色彩反差更大等。
或者,各个目标区域对应的区域特征集合还可分配有相同的权重值。本申请对此不做限制。
上述技术方案中,可从目标物体中选取出多个子区域,由多个子区域的区域特征联合确定出目标物体对应的特征集合。通过上述技术方案,可进一步提升特征提取的精确度,使得提取出的特征集合能够更加准确地描述目标物体的特征,有助于在后续检测过程中提升检测结果的精确度。
本申请另一实施例中,为提升模糊特征集合与待测特征集合之间相似度计算的准确性,可进一步提供一种相似度计算的方法。如图7所示,本申请实施例在计算模糊特征集合与待测特征集合之间相似度时,可包括如下流程:
401,从待测图像以及参考图像包含的目标物体中确定出多个目标区域。
各个目标区域的选取方式可参考前述实施例,此处不做赘述。
402,分别对待测图像以及参考图像中各个目标区域进行特征提取,得到待测图像以及参考图像对应的各个区域特征集合。
403,利用特征函数分别对参考图像对应的各个区域特征集合进行模糊处理,得到多个区域模糊特征集合。
本申请实施例中,特征函数的选取与区域特征集合的数据类型相关。当区域特征集合为一维数据时,所选定的特征函数可以是窗函数。当区域特征集合为二维数据时,所选定的特别函数可以是二维矩阵。
404,分别将参考图像对应的各个区域模糊特征集合与待测图像对应的各个区域特征集合进行相似度计算,得到多个区域相似度计算结果。
405,将多个区域相似度计算结果进行加权计算,得到参考图像的模糊特征集合与待测图像的待测特征集合之间相似度计算结果。
在执行加权计算时,可根据各个目标区域的特征鲜明程度,确定各个区域相似度计算结果的权重值。目标区域的特征鲜明程度越高,对应的区域相似度计算结果的权重值越高。或者,各个区域相似度计算结果的权重值可以相同。
上述技术方案中,可从待测图像包含的目标物体中选取多个目标区域,并分别计算各个目标区域的区域特征集合与参考图像在该区域的区域模糊特征集合的相似度,最后基于多个相似度的加权结果,确定最终的相似度。通过上述方案,可提升参考图像的模糊特征集合与待测图像的待测特征集合之间相似度计算的准确性。
可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件和/或软件模块。结合本文中所公开的实施例描述的各示例的步骤,本申请能够以硬件或者硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能。
本实施例可以根据上述方法示例对电子设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或者两个以上的功能集成在一个处理模块中。上述集成的模块可以采用硬件的形式实现。需要说明的是,本实施例中对模块的划分是示意性的,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。
在采用对应各个功能划分各个功能模块的情况下,图8示出了上述实施例中涉及的电子设备的一种可能的组成示意图,如图8所示,该电子设备600可以包括:提取单元601、处理单元602、计算单元603以及确定单元604,其中:
提取单元601,用于分别对待测图像以及参考图像包含的目标物体进行特征提取,得到待测图像对应的待测特征集合以及参考图像对应的参考特征集合;其中,待测图像在目标物体运动状态下拍摄得到,参考图像在目标物体静止状态下拍摄得到。
处理单元602,用于基于第一特征函数对参考特征集合进行模糊处理,得到第一模糊特征集合。
计算单元603,用于将第一模糊特征集合与待测特征集合进行相似度计算。
确定单元604,用于根据相似度计算结果确定第一模糊特征集合与待测特征集合相一致的情况下,根据第一特征函数确定待测图像的运动模糊程度参数。
在一种可能的实现方式中,待测图像的数量为多个,多个待测图像在相同拍摄要素下拍摄得到;提取单元601具体用于,分别对每个待测图像包含的目标物体进行特征提取,得到每个待测图像各自对应的待测特征集合。
在一种可能的实现方式中,提取单元601具体用于,从待测图像包含的目标物体中确定出至少一个目标区域;分别对至少一个目标区域进行特征提取,得到至少一个区域特征集合;对至少一个区域特征集合进行加权运算,得到待测图像对应的待测特征集合。
在一种可能的实现方式中,计算单元603具体用于:分别将第一模糊特征集合与每个待测特征集合进行相似度计算。
在一种可能的实现方式中,确定单元604具体用于:根据第一模糊特征集合与每个待测特征集合的相似度计算结果的平均值,确定第一模糊特征集合与待测特征集合相一致。
在一种可能的实现方式中,处理单元602具体用于:基于第一卷积核,对参考特征集合进行卷积运算。
在一种可能的实现方式中,确定单元604具体用于:根据预设的映射表,确定与第一卷积核对应的第一转换关系;利用第一转换关系对第一卷积核进行参数转换,得到待测图像的运动模糊程度参数。
在一种可能的实现方式中,确定单元604还用于:利用第二转换关系对运动模糊程度参数进行参数转换,得到待测图像的等效曝光时间。
在一种可能的实现方式中,确定单元604具体用于:根据运动模糊程度参数与目标物体的运动速度之间的商值,确定待测图像的等效曝光时间。
在一种可能的实现方式中,确定单元604还用于:根据等效曝光时间以及待测图像的实际曝光时间,确定待测图像的运动模糊优化参数。
在一种可能的实现方式中,确定单元604根据相似度计算结果,确定第一模糊特征集合与待测特征集合不一致的情况下,处理单元602还用于:根据第一特征函数确定第二特征函数;基于第二特征函数对参考特征集合进行模糊处理,得到第二模糊特征集合;计算单元603还用于,将第二模糊特征集合与待测特征集合进行相似度计算,得到新的相似度计算结果;确定单元604还用于:根据新的相似度计算结果,确定第二模糊特征集合与待测特征集合相一致的情况下,根据第二特征函数确定待测图像的运动模糊程度参数。
在一种可能的实现方式中,处理单元602具体用于:根据遍历算法对第一特征函数进行累计运算,得到第二特征函数。
在一种可能的实现方式中,处理单元602具体用于:根据梯度下降算法对第一特征函数进行迭代运算,得到第二特征函数。
应理解,这里的电子设备以功能单元的形式体现。这里的术语“单元”可以通过软件和/或硬件形式实现,对此不作具体限定。例如,“单元”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路(application specificintegrated circuit,ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
本申请还提供了一种电子设备,所述设备包括存储介质和中央处理器,所述存储介质可以是非易失性存储介质,所述存储介质中存储有计算机可执行程序,所述中央处理器与所述非易失性存储介质连接,并执行所述计算机可执行程序以实现上述运动模糊程度检测方法。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行本申请运动模糊程度检测方法的各个步骤。
本申请还提供了一种包含指令的计算机程序产品,当该计算机程序产品在计算机或任一至少一种处理器上运行时,使得计算机执行本申请运动模糊程度检测方法的各个步骤。
本申请还提供一种芯片,包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,以执行本申请提供的运动模糊程度检测方法执行的相应操作和/或流程。
可选地,该芯片还包括存储器,该存储器与该处理器通过电路或电线与存储器连接,处理器用于读取并执行该存储器中的计算机程序。进一步可选地,该芯片还包括通信接口,处理器与该通信接口连接。通信接口用于接收需要处理的数据和/或信息,处理器从该通信接口获取该数据和/或信息,并对该数据和/或信息进行处理。该通信接口可以是输入输出接口。
存储器可以是只读存储器(read-only memory,ROM)、可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器(random access memory,RAM)或可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备,或者还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质等。
本申请实施例中,“和/或”,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的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能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)执行本申请各个实施例所述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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (16)
1.一种运动模糊程度检测方法,其特征在于,包括:
分别对待测图像以及参考图像包含的目标物体进行特征提取,得到所述待测图像对应的待测特征集合以及所述参考图像对应的参考特征集合;其中,所述待测图像在所述目标物体运动状态下拍摄得到,所述参考图像在所述目标物体静止状态下拍摄得到;所述待测图像中包含的所述目标物体存在运动模糊,所述参考图像中包含的所述目标物体不存在运动模糊;
基于第一特征函数对所述参考特征集合进行模糊处理,得到第一模糊特征集合;
将所述第一模糊特征集合与所述待测特征集合进行相似度计算;
根据相似度计算结果确定所述第一模糊特征集合与所述待测特征集合相一致的情况下,根据所述第一特征函数确定所述待测图像的运动模糊程度参数。
2.根据权利要求1所述的方法,其特征在于,所述待测图像的数量为多个,多个所述待测图像在相同拍摄要素下拍摄得到;
对待测图像包含的目标物体进行特征提取,得到所述待测图像对应的待测特征集合,包括:
分别对每个所述待测图像包含的目标物体进行特征提取,得到每个所述待测图像各自对应的待测特征集合。
3.根据权利要求2所述的方法,其特征在于,对待测图像包含的目标物体进行特征提取,得到所述待测图像对应的待测特征集合,包括:
从所述待测图像包含的目标物体中确定出至少一个目标区域;
分别对所述至少一个目标区域进行特征提取,得到至少一个区域特征集合;
对所述至少一个区域特征集合进行加权运算,得到所述待测图像对应的待测特征集合。
4.根据权利要求2所述的方法,其特征在于,将所述第一模糊特征集合与所述待测特征集合进行相似度计算,包括:
分别将所述第一模糊特征集合与每个所述待测特征集合进行相似度计算。
5.根据权利要求4所述的方法,其特征在于,根据相似度计算结果确定所述第一模糊特征集合与所述待测特征集合相一致,包括:
根据所述第一模糊特征集合与每个所述待测特征集合的相似度计算结果的平均值,确定所述第一模糊特征集合与所述待测特征集合相一致。
6.根据权利要求1所述的方法,其特征在于,基于第一特征函数对所述参考特征集合进行模糊处理,包括:
基于第一卷积核,对所述参考特征集合进行卷积运算。
7.根据权利要求6所述的方法,其特征在于,根据所述第一特征函数确定所述待测图像的运动模糊程度参数,包括:
根据预设的映射表,确定与所述第一卷积核对应的第一转换关系;
利用所述第一转换关系对所述第一卷积核进行参数转换,得到所述待测图像的运动模糊程度参数。
8.根据权利要求7所述的方法,其特征在于,根据所述第一特征函数确定所述待测图像的运动模糊程度参数后,所述方法还包括:
利用第二转换关系对所述运动模糊程度参数进行参数转换,得到所述待测图像的等效曝光时间。
9.根据权利要求8所述的方法,其特征在于,利用第二转换关系对所述运动模糊程度参数进行参数转换,得到所述待测图像的等效曝光时间,包括:
根据所述运动模糊程度参数与所述目标物体的运动速度之间的商值,确定所述待测图像的等效曝光时间。
10.根据权利要求8所述的方法,其特征在于,所述方法还包括:
根据所述等效曝光时间以及所述待测图像的实际曝光时间,确定所述待测图像的运动模糊优化参数。
11.根据权利要求1所述的方法,其特征在于,根据相似度计算结果,确定所述第一模糊特征集合与所述待测特征集合不一致的情况下,所述方法还包括:
根据所述第一特征函数确定第二特征函数;
基于所述第二特征函数对所述参考特征集合进行模糊处理,得到第二模糊特征集合;
将所述第二模糊特征集合与所述待测特征集合进行相似度计算,得到新的相似度计算结果;
根据所述新的相似度计算结果,确定所述第二模糊特征集合与所述待测特征集合相一致的情况下,根据所述第二特征函数确定所述待测图像的运动模糊程度参数。
12.根据权利要求11所述的方法,其特征在于,根据所述第一特征函数确定第二特征函数,包括:
根据遍历算法对所述第一特征函数进行累计运算,得到所述第二特征函数。
13.根据权利要求11所述的方法,其特征在于,根据所述第一特征函数确定第二特征函数,包括:
根据梯度下降算法对所述第一特征函数进行迭代运算,得到所述第二特征函数。
14.一种电子设备,其特征在于,所述电子设备包括用于存储程序指令的存储器和用于执行所述程序指令的处理器,其中,当所述程序指令被该处理器执行时,触发所述电子设备执行如上述权利要求1-13中任一项所述的方法。
15.一种芯片,其特征在于,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,执行如上述权利要求1-13中任一项所述的方法。
16.一种存储介质,其特征在于,所述存储介质中存储有程序指令,当其在电子设备上运行时,使得所述电子设备执行如权利要求1-13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975285.5A CN116051390B (zh) | 2022-08-15 | 2022-08-15 | 运动模糊程度检测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975285.5A CN116051390B (zh) | 2022-08-15 | 2022-08-15 | 运动模糊程度检测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051390A CN116051390A (zh) | 2023-05-02 |
CN116051390B true CN116051390B (zh) | 2024-04-09 |
Family
ID=86130262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210975285.5A Active CN116051390B (zh) | 2022-08-15 | 2022-08-15 | 运动模糊程度检测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051390B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216147A (zh) * | 2014-09-17 | 2014-12-17 | 中华人民共和国四川出入境检验检疫局 | 基于图像质量评价的lcd显示屏运动模糊检测方法 |
JP2015056043A (ja) * | 2013-09-12 | 2015-03-23 | キヤノン株式会社 | 画像処理装置、その制御方法、および制御プログラム |
CN105184784A (zh) * | 2015-08-28 | 2015-12-23 | 西交利物浦大学 | 基于运动信息的单目相机获取深度信息的方法 |
CN111626956A (zh) * | 2020-05-26 | 2020-09-04 | 北京百度网讯科技有限公司 | 图像去模糊方法和装置 |
CN113628192A (zh) * | 2021-08-12 | 2021-11-09 | 北京百度网讯科技有限公司 | 图像模糊检测方法、装置、设备、存储介质及程序产品 |
CN114266744A (zh) * | 2021-12-20 | 2022-04-01 | Oppo广东移动通信有限公司 | 图像模糊度评估方法、装置、电子设备和存储介质 |
CN114511583A (zh) * | 2021-12-21 | 2022-05-17 | 浙江大华技术股份有限公司 | 图像清晰度检测方法、装置、电子装置和存储介质 |
WO2022154471A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6885474B2 (ja) * | 2017-12-20 | 2021-06-16 | 日本電気株式会社 | 画像処理装置、画像処理方法、及び、プログラム |
-
2022
- 2022-08-15 CN CN202210975285.5A patent/CN116051390B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015056043A (ja) * | 2013-09-12 | 2015-03-23 | キヤノン株式会社 | 画像処理装置、その制御方法、および制御プログラム |
CN104216147A (zh) * | 2014-09-17 | 2014-12-17 | 中华人民共和国四川出入境检验检疫局 | 基于图像质量评价的lcd显示屏运动模糊检测方法 |
CN105184784A (zh) * | 2015-08-28 | 2015-12-23 | 西交利物浦大学 | 基于运动信息的单目相机获取深度信息的方法 |
CN111626956A (zh) * | 2020-05-26 | 2020-09-04 | 北京百度网讯科技有限公司 | 图像去模糊方法和装置 |
WO2022154471A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
CN113628192A (zh) * | 2021-08-12 | 2021-11-09 | 北京百度网讯科技有限公司 | 图像模糊检测方法、装置、设备、存储介质及程序产品 |
CN114266744A (zh) * | 2021-12-20 | 2022-04-01 | Oppo广东移动通信有限公司 | 图像模糊度评估方法、装置、电子设备和存储介质 |
CN114511583A (zh) * | 2021-12-21 | 2022-05-17 | 浙江大华技术股份有限公司 | 图像清晰度检测方法、装置、电子装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
运动模糊图像的质量分析与评价;田茂新 等;微型机与应用(13);第29-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116051390A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10311595B2 (en) | Image processing device and its control method, imaging apparatus, and storage medium | |
CN111210477B (zh) | 一种运动目标的定位方法及系统 | |
CN109448045B (zh) | 基于slam的平面多边形物体测量方法及机器可读存储介质 | |
CN111311543B (zh) | 图像清晰度检测方法、系统、设备及存储介质 | |
TWI687689B (zh) | 球狀體之旋轉之測定裝置、測定方法以及非暫時性資訊記錄媒體 | |
CN109190617B (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN111768450A (zh) | 基于散斑图的结构光相机行偏差的自动检测方法和装置 | |
CN110225335B (zh) | 相机稳定性评估方法及装置 | |
EP4066162A1 (en) | System and method for correspondence map determination | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
CN110288560B (zh) | 一种图像模糊检测方法及装置 | |
CN114078127B (zh) | 物件的缺陷检测及计数方法、装置、设备和存储介质 | |
CN111476812A (zh) | 地图分割方法、装置、位姿估计方法和设备终端 | |
CN108764040B (zh) | 一种图像检测方法、终端及计算机存储介质 | |
KR102260556B1 (ko) | 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치 | |
JP2015148895A (ja) | 物体数分布推定方法 | |
CN116051390B (zh) | 运动模糊程度检测方法和设备 | |
CN112116068A (zh) | 一种环视图像拼接方法、设备及介质 | |
JP2014164525A (ja) | 物体数推定方法、物体数推定装置、及び物体数推定プログラム | |
CN108432229B (zh) | 一种通过自拍实现他人拍照效果的方法及拍照设备 | |
CN113706580B (zh) | 一种基于相关滤波跟踪器的目标跟踪方法、系统、设备及介质 | |
CN110728222B (zh) | 一种用于机械臂抓取系统中目标物体的位姿估计方法 | |
CN113470001B (zh) | 一种用于红外图像的目标搜索方法 | |
CN110472601B (zh) | 一种遥感图像目标物体识别方法、装置和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |