CN116229130A - 模糊图像的类型识别方法、装置、计算机设备和存储介质 - Google Patents

模糊图像的类型识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116229130A
CN116229130A CN202211680725.0A CN202211680725A CN116229130A CN 116229130 A CN116229130 A CN 116229130A CN 202211680725 A CN202211680725 A CN 202211680725A CN 116229130 A CN116229130 A CN 116229130A
Authority
CN
China
Prior art keywords
target
sample
feature
fuzzy
region
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
CN202211680725.0A
Other languages
English (en)
Inventor
胡中华
李冰茹
覃浩蓝
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.)
Beijing Signalway Technologies Co ltd
Original Assignee
Beijing Signalway Technologies 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 Beijing Signalway Technologies Co ltd filed Critical Beijing Signalway Technologies Co ltd
Priority to CN202211680725.0A priority Critical patent/CN116229130A/zh
Publication of CN116229130A publication Critical patent/CN116229130A/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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种模糊图像的类型识别方法、装置、计算机设备和存储介质。包括：通过当获取目标模糊图像时，可确定目标模糊图像对应的特征图，进而确定特征图中的目标模糊区域、以及确定目标模糊区域对应的目标区域特征；当获取预设的多个聚类中心时，可确定目标区域特征分别与每个聚类中心之间的特征距离，并将符合第一预设条件的特征距离作为目标特征距离，如此，便可将至少一个目标特征距离各自对应的模糊类型，作为目标模糊图像的目标模糊类型。采用本方法能够提高对模糊图像的类型进行识别的准确性。

Description

模糊图像的类型识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像识别技术领域，特别是涉及一种模糊图像的类型识别方法、装置、计算机设备和存储介质。
背景技术
通过对模糊图像进行艺术创作，可给人带来独特的视觉展示效果，但在更多情况下，模糊图像会严重影响后续视觉任务或信息提取工作。由于模糊图像中模糊区域、模糊类别的不同，后续进行信息提取的过程也并不相同，因此，对模糊图像的类型识别成为现阶段的研究重点。
目前，通常先将低分辨率的图像重建为高分辨率的模糊图像，并通过超分辨率重建技术为其补清细节，再对高分辨率的模糊图像进行分类识别，进而达到对模糊图像进行类型识别的效果。然而，通过超分辨率重建进行模糊处理与再分类，需要很大的计算量，且现有方式只考虑了模糊类别的区分，忽略了模糊范围的影响，也即无法精确识别出模糊区域。
因此，如何在不增大数据计算量的情况下，准确地识别出模糊图像中的模糊区域、以及模糊区域对应的模糊类别是本公开需要解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确对模糊图像的类型进行识别的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种模糊图像的类型识别方法。所述方法包括：
当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；
确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；
获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；
确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；
将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。
在其中一个实施例中，所述确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征，包括：对所述特征图进行特征图检测，得到区域检测结果；所述区域检测结果包括多个模糊区域；确定每个所述模糊区域各自对应的区域大小，并根据多个所述区域大小，从多个模糊区域筛选出目标模糊区域；从所述特征图中截取出所述目标模糊区域对应的初始区域特征，并对所述初始区域特征进行特征维度转换，得到目标区域特征。
在其中一个实施例中，所述模糊图像的类型识别方法由类型识别模型执行，所述类型识别模型包括特征提取模型和特征分类模型；所述类型识别模型的训练步骤，包括：获取样本模糊图像和样本标签；对所述样本模糊图像进行图像检测，得到样本区域检测结果；所述样本区域检测结果包括多个样本模糊区域；根据所述样本区域检测结果和所述样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型；通过多个所述样本模糊区域，得到目标样本区域特征，并按照预设的模糊类型，对所述目标样本区域特征进行聚类训练，得到训练好的特征分类模型。
在其中一个实施例中，在所述获取样本模糊图像和样本标签之前，上述方法还包括：获取样本清晰图像，并确定所述样本清晰图像中的标签区域，并将所述标签区域作为样本标签；所述样本标签包括标签位置和标签范围；对所述样本清晰图像进行预处理，得到样本模糊图；所述预处理包括噪声叠加、随机旋转和图像增容中的至少一种。
在其中一个实施例中，所述特征提取模型包括提取网络和检测网络；所述对所述样本模糊图像进行图像检测，得到区域检测结果，包括：通过所述提取网络，对所述样本模糊图像进行特征提取，得到样本特征图；通过所述检测网络，对所述样本特征图进行特征图检测，得到样本区域检测结果；所述根据所述样本区域检测结果和所述样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型，包括：按照所述样本特征图，对所述样本标签进行特征匹配，得到标签特征图；根据所述样本区域检测结果和所述标签特征图之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型。
在其中一个实施例中，所述预设的模糊类型包括失焦模糊类型、运动模糊类型和预清晰类型中的至少一种；所述按照预设的模糊类型，对所述目标样本区域特征进行聚类训练，得到训练好的特征分类模型，包括：针对通过多个所述样本模糊图像得到的多个目标样本区域特征，均确定每个所述目标样本区域特征各自对应的样本模糊类型；所述样本模糊类型为所述预设的模糊类型中的任意一种；确定每个所述样本模糊类型对应的特征集合；所述特征集合包括多个目标样本区域特征；分别对每个所述特征集合进行迭代聚类，得到每个所述样本模糊类型各自对应的聚类中心；确定多个所述聚类中心中的任意两个所述聚类中心之间的中心距离，并在每个所述中心距离均符合第二预设条件时，得到训练好的特征分类模型。
第二方面，本申请还提供了一种模糊图像的类型识别装置。所述装置包括：
区域特征确定模块，用于当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；
聚类中心获取模块，用于获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；
特征距离确定模块，用于确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；
确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；
获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；
确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；
将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。
第四方面，本申请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以下步骤：
当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；
确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；
获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；
确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；
将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；
确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；
获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；
确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；
将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。
上述模糊图像的类型识别方法、装置、计算机设备、存储介质和计算机程序产品，通过当获取目标模糊图像时，可确定目标模糊图像对应的特征图，进而确定特征图中的目标模糊区域、以及确定目标模糊区域对应的目标区域特征；当获取预设的多个聚类中心时，可确定目标区域特征分别与每个聚类中心之间的特征距离，并将符合第一预设条件的特征距离作为目标特征距离，如此，便可将至少一个目标特征距离各自对应的模糊类型，作为目标模糊图像的目标模糊类型。由于本申请是在确定目标模糊区域之后，再确定目标区域特征分别与每个聚类中心之间的特征距离，相较于传统通过超分辨率重建进行模糊处理与再分类的方法，本申请可从多个特征距离中确定出目标特征距离，进而将目标特征距离对应的模糊类型作为目标模糊类型，因此，实现了准确识别模糊图像中的模糊区域的同时，还可准确得到目标模糊图像的目标模糊类型。
此外，现有模糊图像的分类方法中通常认为不同模糊类型之间是互斥的，而本申请是将至少一个目标特征距离各自对应的模糊类型，作为目标模糊类型，也即当目标特征距离为多个时，同一目标模糊区域对应的模糊类型则为多个。因此，考虑了多种模糊类型的同时存在的情况，使得对模糊图像的类型识别更加符合实际场景。
附图说明
图1为一个实施例中模糊图像的类型识别方法的应用环境图；
图2为一个实施例中模糊图像的类型识别方法的流程示意图；
图3为一个实施例中训练类型识别模型的流程示意图；
图4为另一个实施例中模糊图像的类型识别方法的流程示意图；
图5为一个实施例中模糊图像的类型识别装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的模糊图像的类型识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端104和服务器106均可单独用于执行本申请实施例中提供的模糊图像的类型识别方法，也可协同用于执行本申请实施例中提供的模糊图像的类型识别方法。以终端104和服务器106协同用于执行模糊图像的类型识别方法为例进行说明，终端102用于将获取到的目标模糊图像和多个聚类中心发送至服务器104。服务器104用于确定目标模糊图像对应的特征图，并确定特征图中的目标模糊区域、以及确定目标模糊区域对应的目标区域特征；服务器104还用于确定目标区域特征分别与每个聚类中心之间的特征距离，并将符合第一预设条件的特征距离作为目标特征距离；将至少一个目标特征距离各自对应的模糊类型，作为目标模糊图像的目标模糊类型，并将目标模糊类型返回至终端102进行展示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、相机、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中，如图2所示，提供了一种模糊图像的类型识别方法，以该方法应用于计算机设备为例进行说明，该计算机设备可为图1中的终端或服务器，包括以下步骤：
步骤202，当获取目标模糊图像时，确定目标模糊图像对应的特征图。
其中，目标模糊图像可以为数据库中预存的一张模糊图像，也可为通过相机实时拍摄目标场景的多张清晰图像后，对多张清晰图像逐帧进行叠加成的模糊图像，目标场景可为公路上半堵车时的场景。
具体地，计算机设备在获取目标模糊图像时，可预先对目标模糊图像进行缩放处理，得到符合目标像素的目标模糊图像。其中，目标像素可为512x512；目标模糊图像可为一种RGB图像(红、绿、蓝三原色图像)。计算机设备对缩放处理后的目标模糊图像进行特征提取，得到包含多个模糊特征的特征图。其中，模糊特征可为128x128x128，128为模糊特征对应的特征维度。
步骤204，确定特征图中的目标模糊区域、以及确定目标模糊区域对应的目标区域特征。
在其中一个实施例中，确定特征图中的目标模糊区域、以及确定目标模糊区域对应的目标区域特征，包括：对特征图进行特征图检测，得到区域检测结果；确定每个模糊区域各自对应的区域大小，并根据多个区域大小，从多个模糊区域筛选出目标模糊区域；从特征图中截取出目标模糊区域对应的初始区域特征，并对初始区域特征进行特征维度转换，得到目标区域特征。
其中，区域检测结果包括多个模糊区域；每个模糊区域包括模糊区域在特征图中的区域位置和区域范围。目标模糊区域可通过(x，y，w，h)来表示，x和y用于表征目标模糊区域在特征图中的区域位置，w和h用于表征目标模糊区域在特征图中的区域范围。
具体地，计算机设备通过对特征图进行特征图检测，可得到多个模糊区域的区域检测结果。计算机设备根据每个模糊区域各自对应的区域范围，确定相应的区域大小，并从多个模糊区域中筛选出目标模糊区域。其中，可将区域大小最大的模糊区域作为目标模糊区域，也可将符合预设区域大小的模糊区域作为目标模糊区域。计算机设备根据目标模糊区域对应的区域位置和区域范围，从特征图中截取出目标模糊区域对应的初始区域特征，其中，初始区域特征可通过([x/k-w/k，y/k-h/k，x/k+w/k，y/k+h/k]，k＝4)来表示。计算机设备对初始区域特征进行特征维度转换，可得到目标区域特征，例如，将128x128x128特征维度的初始区域特征，转换成64x16x16特征维度的目标区域特征。
本实施例中，通过对特征图进行特征图检测，可以识别出模糊图像中的目标模糊区域，进而确定出目标模糊区域对应的目标区域特征，如此，便实现了模糊区域在特征图中的位置和范围的准确识别。
在其中一个实施例中，计算机设备根据目标模糊区域对应的范围，可确定目标模糊区域的模糊范围，其中，模糊范围包括全局模糊和局部模糊。
步骤206，获取预设的多个聚类中心；每个聚类中心对应于相应的模糊类型。
其中，聚类中心是通过对模糊类型的特征集合进行迭代聚类得到。特征集合包括多个目标样本区域特征；目标样本区域特征通过对样本模糊图像进行特征图检测后确定得到。模糊类型包括运动模糊类型、失焦模糊类型和预清晰类型。例如，运动模糊类型对应于聚类中心A、失焦模糊类型对应于聚类中心B、预清晰类型对应于聚类中心C。
步骤208，确定目标区域特征分别与每个聚类中心之间的特征距离，并将符合第一预设条件的特征距离作为目标特征距离。
其中，第一预设条件可表征特征距离小于预设阈值。
具体地，计算机设备分别确定每个聚类中心的中心特征，并测量目标区域特征分别与每个中心特征之间的特征距离。计算机设备判断每个特征距离是否符合第一预设条件，若符合，则将其作为目标特征距离。例如，目标区域特征M与聚类中心A的中心特征之间的特征距离为L1、目标区域特征M与聚类中心B的中心特征之间的特征距离为L2、目标区域特征M与聚类中心C的中心特征之间的特征距离为L3，若第一预设条件的为特征距离L1和特征距离为L2，此时，特征距离L1和特征距离为L2均为目标特征距离。
步骤210，将至少一个目标特征距离各自对应的模糊类型，作为目标模糊图像的目标模糊类型。
具体地，计算机设备在确定出至少一个目标特征距离时，可直接将目标特征距离各自对应的模糊类型，作为目标模糊图像的目标模糊类型，也即作为目标模糊区域的目标模糊类型。例如，目标特征距离包括特征距离L1和特征距离为L2时，得到目标模糊类型同时包括运动模糊类型和失焦模糊类型。
在其中一个实施例中，当确定出目标模糊图像的目标模糊区域和目标模糊类型时，便可进行下一步的视觉任务或信息提取工作。
上述模糊图像的类型识别方法中，通过当获取目标模糊图像时，可确定目标模糊图像对应的特征图，进而确定特征图中的目标模糊区域、以及确定目标模糊区域对应的目标区域特征；当获取预设的多个聚类中心时，可确定目标区域特征分别与每个聚类中心之间的特征距离，并将符合第一预设条件的特征距离作为目标特征距离，如此，便可将至少一个目标特征距离各自对应的模糊类型，作为目标模糊图像的目标模糊类型。由于本申请是在确定目标模糊区域之后，再确定目标区域特征分别与每个聚类中心之间的特征距离，相较于传统通过超分辨率重建进行模糊处理与再分类的方法，本申请可从多个特征距离中确定出目标特征距离，进而将目标特征距离对应的模糊类型作为目标模糊类型，因此，实现了准确识别模糊图像中的模糊区域的同时，还可准确得到目标模糊图像的目标模糊类型。
在其中一个实施例中，模糊图像的类型识别方法由类型识别模型执行，类型识别模型包括特征提取模型和特征分类模型，如图3所示，图3为类型识别模型的训练步骤，包括：
步骤302，获取样本模糊图像和样本标签。
在其中一个实施例中，在获取样本模糊图像和样本标签之前还包括：获取样本清晰图像，并确定样本清晰图像中的标签区域，并将标签区域作为样本标签；对样本清晰图像进行预处理，得到样本模糊图。
其中，样本标签包括标签位置和标签范围；预处理包括噪声叠加、随机旋转和图像增容中的至少一种。
具体地，计算机设备在得到多张样本清晰图像时，可确定每张样本清晰图像中的样本区域，也即将标签区域作为样本标签；其中，样本区域通过响应于用户的标注操作时确定得到。同时，计算机设备分别对每张样本清晰图像进行预处理，得到对应的样本模糊图像。例如，进行随机叠加噪声、随机变换饱和度亮度、随机叠加模糊、增容处理等。其中，可将每张样本清晰图像与对应的样本模糊图像作为一组样本图像对，并对每组样本图像对为单位进行随机旋转、随机裁剪操作等，最终统一缩放至目标像素为512x512的大小。
在其中一个实施例中，样本模糊图像可通过数据增广方式进行获取，通过数据增广可使数据样本更加多样化，使得训练的特征提取模型具有更强的泛化能力。
步骤304，对样本模糊图像进行图像检测，得到样本区域检测结果。
其中，样本区域检测结果包括多个样本模糊区域。
在其中一个实施例中，对样本模糊图像进行图像检测，得到区域检测结果，包括：通过提取网络，对样本模糊图像进行特征提取，得到样本特征图；通过检测网络，对样本特征图进行特征图检测，得到样本区域检测结果。
其中，特征提取模型包括提取网络和检测网络；提取网络例如为多输入多输出Unet网络，检测网络例如为YOLO检测网络。
具体地，计算机设备通过提取网络，可先对样本模糊图像进行2倍下采样特征提取，得到初始的样本特征图，再对初始的样本特征图进行2倍下采样特征提取，得到样本特征图；也可通过提取网络，直接对样本模糊图像进行4倍下采样特征提取，得到样本特征图。其中，提取网络中的损失函数为平均绝对损失函数和多尺度频域重建损失函数。接着计算机设备便将样本特征图输入至检测网络，以使得检测网络进行下采样倍率为32倍的特征图检测，得到样本区域检测结果。其中，检测网络中的损失函数为交叉熵损失函数和均方损失函数。
在其中一个实施例中，计算机设备中的提取网络，通过对样本特征图进行上采样还原，得到还原后的样本模糊图像，使得还原后的样本模糊图像与样本模糊图像进行损失计算，以此来加速特征提取模型的训练。
在其中一个实施例中，计算机设备可通过concat特征融合算法，将初始的样本特征图和样本特征图进行拼接处理，得到拼接样本特征图。计算机设备接着对拼接样本特征图进行2倍上采样特征处理，得到还原后的样本模糊图像。其中，还原后的样本模糊图像可作为对特征提取模型进行训练的训练样本，也即计算机设备通过对还原后的样本模糊图像进行图像检测，可得到对应的样本区域检测结果。
步骤306，根据样本区域检测结果和样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型。
具体地，计算机设备在对特征提取模型进行特征训练之前，还需按照样本特征图，对样本标签进行特征匹配，得到标签特征图。也即计算机设备对样本标签进行匹配校正，使其与样本特征图中的特征和尺寸相匹配等。计算机设备根据样本区域检测结果和标签特征图之间的差异，确定特征提取模型所对应的目标损失函数，此时的目标损失函数用于对特征提取模型进行更新。计算机设备通过上一轮训练好的特征提取模型可得到估计的目标样本区域特征，基于此轮得到的样本区域检测结果、样本标签和估计的目标样本区域特征，并根据目标损失函数可得到区域特征损失值。计算机设备通过反向传播算法，确定目标损失函数的区域特征损失值的梯度，并沿着区域特征损失值的梯度方向，对特征提取模型中的模型参数进行更新，也即利用模型参数衰减的方式使区域特征损失值尽可能最小化，进而使得目标损失函数达到收敛，得到训练好的特征提取模型。
步骤308，通过多个样本模糊区域，得到目标样本区域特征，并按照预设的模糊类型，对目标样本区域特征进行聚类训练，得到训练好的特征分类模型。
具体地，计算机设备确定每个样本模糊区域各自对应的样本区域大小，并根据多个样本区域大小，从多个样本模糊区域筛选出目标样本模糊区域。计算机设备从样本特征图中截取出目标样本模糊区域对应的初始样本区域特征，并通过区域特征聚集方式，对初始样本区域特征进行特征维度转换，得到目标样本区域特征。其中，区域特征聚集方式例如为ROI Align方法。
在其中一个实施例中，按照预设的模糊类型，对目标样本区域特征进行聚类训练，得到训练好的特征分类模型，包括：针对通过多个样本模糊图像得到的多个目标样本区域特征，均确定每个目标样本区域特征各自对应的样本模糊类型；确定每个样本模糊类型对应的特征集合；分别对每个特征集合进行迭代聚类，得到每个样本模糊类型各自对应的聚类中心；确定多个聚类中心中的任意两个聚类中心之间的中心距离，并在每个中心距离均符合第二预设条件时，得到训练好的特征分类模型。
其中，预设的模糊类型包括失焦模糊类型、运动模糊类型和预清晰类型中的至少一种；样本模糊类型为预设的模糊类型中的任意一种；特征集合包括多个目标样本区域特征。
具体地，由于包括多组样本图像对，每张样本模糊图像均对应于目标样本区域特征，计算机设备便可确定每个目标样本区域特征各自对应的样本模糊类型、以及确定每个样本模糊类型对应的特征集合。例如，样本模糊图像1的目标样本区域特征为m1、样本模糊类型为运动模糊类型；样本模糊图像2的目标样本区域特征为m2、样本模糊类型为失焦模糊类型；样本模糊图像3的目标样本区域特征为m3、样本模糊类型为运动模糊类型，因此，针对运动模糊类型对应的特征集合N1包括目标样本区域特征为m1和目标样本区域特征为m3；针对失焦模糊类型对应的特征集合N2包括目标样本区域特征为m2。
计算机设备分别对每个特征集合中的目标样本区域特征进行迭代聚类，也即每进行一次迭代过程，均需要确定每个样本模糊类型各自对应的聚类中心，并确定多个聚类中心中的任意两个聚类中心之间的中心距离。当每个中心距离大于预设阈值时，也即符合第二预设条件时，完成此次迭代过程，得到训练好的特征分类模型。
在其中一个实施例中，每个特征集合可视作每种样本模糊类型各自对应的类型簇，例如，可根据样本模糊图像的实际数量，将每种样本模糊类型各自对应的类型簇均分为10簇等。
在本实施例中，通过预先对特征提取模型进行特征训练，可提高后续提取模糊图像的目标区域特征的准确性，接着对特征分类模型进行迭代训练，能够实现对模糊类型的准确识别。同时，特征分类模型中采用无监督聚类的方式，相比于有监督方式，无需标注分类数据，极大地减轻了标注负担，且在针对各种复杂的模糊类型时所具有的性能更稳定。
在其中一个实施例中，如图4所示，图4为另一种模糊图像的类型识别方法的流程示意图。包括如下步骤：S401：计算机设备获取目标模糊图像；S402：将目标模糊图像缩放处理成符合目标像素尺寸的目标模糊图像；S403：将目标模糊图像输入至提取网络，得到目标模糊图像对应的特征图；S404：将特征图输入至检测网络，得到目标模糊区域；S405：从特征图中截取出目标模糊区域对应的初始区域特征；S406：通过区域特征聚集方式，对初始区域特征进行特征维度转换，得到目标区域特征；S407：确定目标区域特征分别与每个聚类中心之间的特征距离，并确定特征距离是否小于预设阈值；S408：将小于预设阈值的特征距离作为目标特征距离，并将目标特征距离对应的模糊类型，作为目标模糊图像的目标模糊类型。
应该理解的是，虽然如上的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的模糊图像的类型识别方法的模糊图像的类型识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个模糊图像的类型识别装置实施例中的具体限定可以参见上文中对于模糊图像的类型识别方法的限定，在此不再赘述。
在其中一个实施例中，如图5所示，提供了一种模糊图像的类型识别装置500，包括：区域特征确定模块502、聚类中心获取模块504和特征距离确定模块506，其中：
区域特征确定模块502，用于当获取目标模糊图像时，确定目标模糊图像对应的特征图；确定特征图中的目标模糊区域、以及确定目标模糊区域对应的目标区域特征。
聚类中心获取模块504，用于获取预设的多个聚类中心；每个聚类中心对应于相应的模糊类型；聚类中心是通过对模糊类型的特征集合进行迭代聚类得到。
特征距离确定模块506，用于确定目标区域特征分别与每个聚类中心之间的特征距离，并将符合第一预设条件的特征距离作为目标特征距离；将至少一个目标特征距离各自对应的模糊类型，作为目标模糊图像的目标模糊类型。
在其中一个实施例中，区域特征确定模块502，还用于对特征图进行特征图检测，得到区域检测结果；区域检测结果包括多个模糊区域；确定每个模糊区域各自对应的区域大小，并根据多个区域大小，从多个模糊区域筛选出目标模糊区域；从特征图中截取出目标模糊区域对应的初始区域特征，并对初始区域特征进行特征维度转换，得到目标区域特征。
在其中一个实施例中，模糊图像的类型识别装置500还包括类型识别模型训练模块508，用于获取样本模糊图像和样本标签；对样本模糊图像进行图像检测，得到样本区域检测结果；样本区域检测结果包括多个样本模糊区域；根据样本区域检测结果和样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型；通过多个样本模糊区域，得到目标样本区域特征，并按照预设的模糊类型，对目标样本区域特征进行聚类训练，得到训练好的特征分类模型。
在其中一个实施例中，类型识别模型训练模块508还包括图像确定模块5081，用于获取样本清晰图像，并确定样本清晰图像中的标签区域，并将标签区域作为样本标签；样本标签包括标签位置和标签范围；对样本清晰图像进行预处理，得到样本模糊图；预处理包括噪声叠加、随机旋转和图像增容中的至少一种。
在其中一个实施例中，类型识别模型训练模块508还包括图像检测模块5082，用于通过提取网络，对样本模糊图像进行特征提取，得到样本特征图；通过检测网络，对样本特征图进行特征图检测，得到样本区域检测结果；根据样本区域检测结果和样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型，包括：按照样本特征图，对样本标签进行特征匹配，得到标签特征图；根据样本区域检测结果和标签特征图之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型。
在其中一个实施例中，类型识别模型训练模块508还包括迭代聚类模块5083，用于针对通过多个样本模糊图像得到的多个目标样本区域特征，均确定每个目标样本区域特征各自对应的样本模糊类型；样本模糊类型为预设的模糊类型中的任意一种；确定每个样本模糊类型对应的特征集合；特征集合包括多个目标样本区域特征；分别对每个特征集合进行迭代聚类，得到每个样本模糊类型各自对应的聚类中心；确定多个聚类中心中的任意两个聚类中心之间的中心距离，并在每个中心距离均符合第二预设条件时，得到训练好的特征分类模型。
上述模糊图像的类型识别中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种模糊图像的类型识别方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在其中一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在其中一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
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，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(FerroelectricRandom Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandom Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种模糊图像的类型识别方法，其特征在于，所述方法包括：
当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；
确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；
获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；
确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；
将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。
2.根据权利要求1所述的方法，其特征在于，所述确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征，包括：
对所述特征图进行特征图检测，得到区域检测结果；所述区域检测结果包括多个模糊区域；
确定每个所述模糊区域各自对应的区域大小，并根据多个所述区域大小，从多个所述模糊区域筛选出目标模糊区域；
从所述特征图中截取出所述目标模糊区域对应的初始区域特征，并对所述初始区域特征进行特征维度转换，得到目标区域特征。
3.根据权利要求1所述的方法，其特征在于，所述模糊图像的类型识别方法由类型识别模型执行，所述类型识别模型包括特征提取模型和特征分类模型；所述类型识别模型的训练步骤，包括：
获取样本模糊图像和样本标签；
对所述样本模糊图像进行图像检测，得到样本区域检测结果；所述样本区域检测结果包括多个样本模糊区域；
根据所述样本区域检测结果和所述样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型；
通过多个所述样本模糊区域，得到目标样本区域特征，并按照预设的模糊类型，对所述目标样本区域特征进行聚类训练，得到训练好的特征分类模型。
4.根据权利要求3所述的方法，其特征在于，在所述获取样本模糊图像和样本标签之前，所述方法还包括：
获取样本清晰图像，并确定所述样本清晰图像中的标签区域，并将所述标签区域作为样本标签；所述样本标签包括标签位置和标签范围；
对所述样本清晰图像进行预处理，得到样本模糊图；所述预处理包括噪声叠加、随机旋转和图像增容中的至少一种。
5.根据权利要求3所述的方法，其特征在于，所述特征提取模型包括提取网络和检测网络；所述对所述样本模糊图像进行图像检测，得到区域检测结果，包括：
通过所述提取网络，对所述样本模糊图像进行特征提取，得到样本特征图；
通过所述检测网络，对所述样本特征图进行特征图检测，得到样本区域检测结果；
所述根据所述样本区域检测结果和所述样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型，包括：
按照所述样本特征图，对所述样本标签进行特征匹配，得到标签特征图；
根据所述样本区域检测结果和所述标签特征图之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型。
6.根据权利要求3所述的方法，其特征在于，所述预设的模糊类型包括失焦模糊类型、运动模糊类型和预清晰类型中的至少一种；所述按照预设的模糊类型，对所述目标样本区域特征进行聚类训练，得到训练好的特征分类模型，包括：
针对通过多个所述样本模糊图像得到的多个目标样本区域特征，均确定每个所述目标样本区域特征各自对应的样本模糊类型；所述样本模糊类型为所述预设的模糊类型中的任意一种；
确定每个所述样本模糊类型对应的特征集合；所述特征集合包括多个目标样本区域特征；
分别对每个所述特征集合进行迭代聚类，得到每个所述样本模糊类型各自对应的聚类中心；
确定多个所述聚类中心中的任意两个所述聚类中心之间的中心距离，并在每个所述中心距离均符合第二预设条件时，得到训练好的特征分类模型。
7.一种模糊图像的类型识别装置，其特征在于，所述装置包括：
区域特征确定模块，用于当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；
聚类中心获取模块，用于获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；
特征距离确定模块，用于确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202211680725.0A 2022-12-27 2022-12-27 模糊图像的类型识别方法、装置、计算机设备和存储介质 Pending CN116229130A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211680725.0A CN116229130A (zh) 2022-12-27 2022-12-27 模糊图像的类型识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211680725.0A CN116229130A (zh) 2022-12-27 2022-12-27 模糊图像的类型识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116229130A true CN116229130A (zh) 2023-06-06

Family

ID=86572187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211680725.0A Pending CN116229130A (zh) 2022-12-27 2022-12-27 模糊图像的类型识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116229130A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876270A (zh) * 2024-01-11 2024-04-12 安徽博凌信息科技有限公司 档案扫描图像修复方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876270A (zh) * 2024-01-11 2024-04-12 安徽博凌信息科技有限公司 档案扫描图像修复方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN109508681B (zh) 生成人体关键点检测模型的方法和装置
CN109934792B (zh) 电子装置及其控制方法
CN110287836B (zh) 图像分类方法、装置、计算机设备和存储介质
US11074671B2 (en) Electronic apparatus and control method thereof
CN110211195B (zh) 生成图像集合的方法、装置、电子设备和计算机可读存储介质
CN115272250B (zh) 确定病灶位置方法、装置、计算机设备和存储介质
CN112950640A (zh) 视频人像分割方法、装置、电子设备及存储介质
CN116071279A (zh) 图像处理方法、装置、计算机设备和存储介质
CN110163095B (zh) 回环检测方法、回环检测装置及终端设备
CN116229130A (zh) 模糊图像的类型识别方法、装置、计算机设备和存储介质
WO2022063321A1 (zh) 图像处理方法、装置、设备及存储介质
CN113516697B (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
CN114758145A (zh) 一种图像脱敏方法、装置、电子设备及存储介质
Chen et al. Face super resolution based on parent patch prior for VLQ scenarios
CN110288691B (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN116012626B (zh) 建筑立面图像的素材匹配方法、装置、设备和存储介质
CN116310308A (zh) 图像分割方法、装置、计算机设备和存储介质
CN115063473A (zh) 物体高度的检测方法、装置、计算机设备、存储介质
CN110489584B (zh) 基于密集连接的MobileNets模型的图像分类方法及系统
Ren et al. Context Aware Edge-Enhanced GAN for Remote Sensing Image Super-Resolution
CN116612474B (zh) 对象检测方法、装置、计算机设备及计算机可读存储介质
CN117409211A (zh) 质量特征提取方法、装置、计算机设备和存储介质
CN115174811A (zh) 相机抖动检测方法、装置、设备、存储介质和程序产品
CN117292178A (zh) 目标检测方法、装置、计算机设备及计算机可读存储介质
CN118196819A (zh) 文本字符检测方法、计算机设备和存储介质

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