CN109785312B - 一种图像模糊检测方法、系统及电子设备 - Google Patents

Abstract

本发明涉及一种图像模糊检测方法、系统及电子设备，其包括如下步骤：提供待处理的第一图像；对第一图像进行滑动分块，将第一图像均匀划分成多个设定大小的第二图像；将多个第二图像输入至预设的梯度算子，算出每一第二图像的激活值；将多个第二图像按上述划分的顺序进行排列，获得完整的激活图像；及将激活图像输入至预设的神经网络中，根据激活值判断出第一图像是否模糊。减少了神经网络的处理的数据量，使得神经网络的运算速度更快，提高了图像模糊的检测效率，同时也降低了对处理器运算能力的要求，利于在移动设备上推广使用。

Description

一种图像模糊检测方法、系统及电子设备

【技术领域】

本发明属于图像识别领域，特别涉及一种图像模糊检测方法、系统及电子设备。

【背景技术】

图像的清晰度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应。在图像识别技术中，图像的清晰度直接影响图像识别的结果。图像的清晰度不高表现出图像的模糊，使得图像中的各种物体边界更加平滑，以致于在识别物体边界时，容易造成错误识别，造成误差。所以，图像模糊检测能够降低图像识别的误差。

在现有的图像模糊检测方法中，通常将图像输入至神经网络中，对整张图像进行分析处理直至获得该图像的模糊置信度，但该方法需要神经网络进行大量的运算，使得检测的效率较低。同时，大量的运算对处理器的运算能力提出更高要求，不利于在移动设备上普及图像的模糊检测方法。

【发明内容】

为克服目前的图像模糊检测方法存在的检测效率较低的问题，本发明提供一种图像模糊检测方法、系统及电子设备。本发明解决技术问题的技术方案是提供一种图像模糊检测方法，其包括如下步骤：

步骤S1：提供待处理的第一图像；步骤S2：将所述第一图像划分成多个设定大小的第二图像；步骤S3：采用梯度算子计算出每一所述第二图像的激活值；步骤S4：将多个所述第二图像的激活值按步骤S2中第二图像划分的顺序进行排列，获得激活图像；及步骤S5：将所述激活图像输入至预设的神经网络中，根据所述激活图像判断出第一图像是否模糊；所述激活图像中的多个激活值的输入顺序与所述第二图像的划分顺序对应；所述激活值为图像的特征出现强度的量化表示，所述激活值与所述图像模糊程度关联。

优选地，在步骤S2中或步骤S2与步骤S3之间还包括：步骤S2-1：判断每一所述第二图像是否完整，若是则进入步骤S3，若否，则进入步骤S2-2；步骤S2-2：以第一图像的边缘为对称轴，对第一图像进行镜像翻转以补齐第二图像的不完整部分。

优选地，在上述步骤S2中具体包括如下步骤：步骤S21：将所述第一图像进行灰度化处理，得到第一图像的灰度化图像；及步骤S22：设定一个矩形框，将该矩形框在所述第一图像上按设定规则进行移动，依次将第一图像按照所述矩形框的大小均匀划分为多个第二图像。

优选地，步骤S22中，任一第二图像与其相邻的至少一第二图像之间有重叠区域。

优选地，在上述步骤S5中具体包括如下步骤：步骤S51：将步骤S4中得到的激活图像输入至神经网络；步骤S2：神经网络通过预设的至少一个阈值范围，对激活图像中的激活值进行加权运算获得模糊置信度，根据模糊置信度与所述阈值大小的比较结果判定所述第一图像为模糊图像。

优选地，所述神经网络经过如下方式训练得到：步骤A：采集样本图像及样本图像对应的模糊判断结果；步骤B：以采集的样本图像作为第一图像执行步骤S2-S4获得样本图像对应的激活值图像；及步骤C：根据样本图像对应的激活图像及模糊判断结果训练获得所述神经网络。

优选地，所述梯度算子包括Brenner梯度算子、Tenengrad梯度算子或Laplacian梯度算子中的任一种或多种。

本发明为了解决上述技术问题还提供一种图像模糊检测系统，其特征在于，包括：图像获取单元，用于提供待处理的第一图像；图像划分单元，用于将所述第一图像划分成多个设定大小的第二图像；激活值求取单元，用于采用梯度算子计算出每一所述第二图像的激活值；激活图生成单元，用于将多个所述第二图像的激活值按图像划分单元的划分的顺序进行排列，获得完整的激活图像；及图像判别单元，用于将所述激活图像输入至预设的神经网络中，根据所述激活图像判断出第一图像是否模糊；所述激活图像中的多个激活值的输入顺序与所述第二图像的划分顺序对应；所述激活值为图像的特征出现强度的量化表示，所述激活值与所述图像模糊程度关联。

优选地，还包括：图像补齐单元，用于当所述第二图像划分不完整时，通过以第一图像的边缘为对称轴，对第一图像进行镜像翻转以补齐第二图像的不完整部分。

本发明为了解决上述技术问题还提供一种电子设备，包括存储器和处理器，其特征在于：所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行如上所述的图像模糊检测方法；所述处理器被设置为通过所述计算机程序执行如上所述的图像模糊检测方法。

与现有的技术相比，现有的图像模糊检测方法中，直接将图像输入至神经网络判别图像是否模糊。而本发明中的方法在划分出多个第二区域后，通过梯度算子算出多个所述第二图像的激活值，再将第二图像的激活值排列成激活图像，并输入至神经网络判别所述第一图像是否模糊，减少了神经网络的处理的数据量，使得神经网络的运算速度更快，提高了图像模糊的检测效率。同时也降低了对处理器运算能力的要求，利于在移动设备上推广使用。

对比现有的神经网络判别图像是否模糊的方法，本发明提供的图像模糊检测方法通过使用基于无参考图像的梯度算子，使得该方法适应多种类别的图像检测。

【附图说明】

图1a为本发明第一实施例提供的一种图像模糊检测方法的整体流程图；

图1b为本发明第一实施例提供的一种图像模糊检测方法的步骤S2-2的补齐图像的示意图；

图2a为本发明第一实施例提供的一种图像模糊检测方法的步骤S2的细节流程图；

图2b为本发明第一实施例提供的一种图像模糊检测方法的步骤S2实施过程的示意图；

图3为本发明第一实施例提供的一种图像模糊检测方法的步骤S3的细节流程图；

图4a为本发明第一实施例提供的一种图像模糊检测方法的步骤S5的细节流程图；

图4b为本发明第一实施例提供的一种图像模糊检测方法的步骤S5中预设神经网络的训练的细节流程图；

图5为本发明第二实施例提供的一种图像模糊检测系统的模块图；

图6为本发明第三实施例提供的一种电子设备的模块图。

附图标识说明：

1、图像获取单元；2、图像划分单元；3、激活值求取单元；4、激活图生成单元；5、图像判别单元；6、图像补齐单元；

10、存储器；20、处理器；

100、待测图像；200、矩形框；300、第一位置；400、第二位置。

【具体实施方式】

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1a，一种图像模糊检测方法可以分为以下步骤：

步骤S1：提供待处理的第一图像；

步骤S2：将所述第一图像划分成多个设定大小的第二图像；

步骤S3：采用梯度算子计算出每一所述第二图像的激活值；

步骤S4：将多个所述第二图像的激活值按步骤S2中第二图像划分的顺序进行排列，获得激活图像；及

步骤S5：将所述激活图像输入至预设的神经网络中，根据所述激活图像判断出第一图像是否模糊。

具体地，所述多个激活值按照第二图像划分的顺序进行重新排列，获得与第一图像对应的多个激活值的排列顺序，以使多个激活值按照顺序依次输入至神经网络中。

可选地，在步骤S2中或步骤S2与步骤S3之间，还包括：

步骤S2-1：判断每一所述第二图像是否完整，若是则进入步骤S3，若否，则进入步骤S2-2。

步骤S2-2：以第一图像的边缘为对称轴，对第一图像进行镜像翻转以补齐第二图像的不完整部分，补齐后进入步骤S3。具体地，所述对称轴为第二图像所在的第一图像的边缘。

请参阅图1b，以矩形框为3x3规格大小为例，第一图像100的边缘一角处出现空缺区域500，当矩形框200移动至该空缺区域500时，矩形框200内的图像不完整，使得第二图像形成的矩阵中造成数据空缺，则无法对该矩形框200内的第二图像进行检测计算。

此时，需要对空缺区域500进行补齐。以第一图像100中空缺区域500的边缘600为对称轴，对第一图像100进行镜像翻转相同的区域大小(图中翻转大小为1x3)，以补齐该空缺区域500。

请参阅图2a，步骤S2：将所述第一图像划分成多个设定大小的第二图像。步骤S2具体包括步骤S21～S22。可以理解，步骤S21～S22仅为该实施例的一种实施方式，其实施方式并不限定于步骤S21～S22。

步骤S21：将所述第一图像进行灰度化处理，得到第一图像的灰度化图像；及

步骤S22：设定一个矩形框，将该矩形框在所述第一图像上按设定规则进行移动，依次将第一图像按照所述矩形框的大小均匀划分为多个第二图像。

可选地，所述相邻两个第二图像间有重叠区域，所述重叠区域的重叠率为0-1之间，最佳时重叠率为0.3-0.8，则所述矩形框的移动按照所述重叠率进行移动，对第一图像进行划分。

例如，矩形框大小可设定为2x2或3x3的规格，如图2b中所示，矩形框200设定为3x3的规格，矩形框200在待测图像100的初始位置上开始移动，初始位置位于待测图像100的左上角位置，初始位置定义为第一位置300，移动一次后，所述矩形框200移动至第二位置400，经过多次移动并划分后，依次将待测图像100按照所述矩形框200的大小均匀划分为多个第二图像。第一位置300和第二位置400之间具有重叠的区域，使得第一位置300和第二位置400获取的两个第二图像之间具有关联性，将后续求出的激活值具有相关性。

作为一种实施方式，相邻两个第二图像间无重叠区域，或相邻两个第二图像之间边缘刚好重合。优选采用滑动分块方式将第一图像划分成多个设定大小的第二图像。

请参阅图3，步骤S3：将多个所述第二图像输入至预设的梯度算子，算出每一所述第二图像的激活值。所述梯度算子包括Brenner梯度算子、Tenengrad梯度算子或Laplacian梯度算子中的任一种，在本实施例中，以Brenner梯度算子为例，步骤S3具体包括步骤S31～S32。可以理解，步骤S31～S32仅为该实施例的一种实施方式，其实施方式并不限定于步骤S31～S32。

步骤S31:将多个所述第二图像输入至Brenner梯度算子中，将第二图像中相邻两个像素的灰度值求差值，然后将该差值求平方值。可以理解，在图像中两个物体的边界通常会出现较大的灰度值变化，通过变化的两个灰度值之间求差值，其差值的大小体现出变化的程度；及

步骤S32：将步骤S31中获得的多个平方值求和，求和的数值为该第二图像的激活值。

具体地，所述激活值表征的是图像的某种特征出现强度的量化表示，模糊程度与激活值关联，其关联方式包括但不限于线性或非线性关联。

可选地，在将多个所述第二图像输入至预设的梯度算子中前，可对多个所述第二图像进行去噪声处理，使获得的图像不受噪声的影响，以免造成图像处理的误差。

请参阅图4a，步骤S5：将所述激活图像输入至预设的神经网络中，根据所述激活值判断出第一图像是否模糊。步骤S5具体包括步骤S51～S54。可以理解，步骤S51～S54仅为该实施例的一种实施方式，其实施方式并不限定于步骤S51～S54。

步骤S51：将步骤S4中得到的激活图像输入至神经网络进行计算，获得所述激活图像的计算结果；及

步骤S52：神经网络通过预设的至少一个阈值范围，判断该计算结果是否处于该阈值范围内，若是，则输出至步骤S53，若否，则输出至步骤S54。

步骤S53：判定所述第一图像为清晰图像。及

步骤S54：判定所述第一图像为模糊图像。

可以理解，步骤S52中神经网络的阈值范围是通过训练方式得到的。

请参阅图4b，具体地，所述训练步骤包括步骤A～C，可以理解，步骤A～C仅为该实施例的一种实施方式，其实施方式并不限定于步骤A～C。

步骤A：采集样本图像及样本图像对应的模糊判断结果；

步骤B：以采集的样本图像作为第一图像执行步骤S2-S4获得样本图像对应的激活值图像；及

步骤C：根据样本图像对应的激活图像及模糊判断结果训练获得所述神经网络。

神经网络通过分析处理激活图像，判别该图像的清晰置信度和/或模糊置信度，与直接将图像输入至神经网络进行检测的方法相比，减少了神经网络的处理的数据量，使得神经网络的运算速度更快，提高了图像模糊的检测效率。

可选地，该实施例还可以对上述训练后得到的神经网络模型数据进行多次训练至收敛，以提高对清晰置信度和模糊置信度的识别效率。

可选地，该实施例还可以对上述神经网络输入多种不同的图像，人工标定更多的清晰图像和模糊图像，以提高该神经网络判别图像的清晰置信度和模糊置信度。

请参阅图5，本发明第二实施例提供一种用于实施上述图像模糊检测方法的图像模糊检测系统。如图6所示，该图像模糊检测系统可以包括：图像获取单元1、图像划分单元2、激活值求取单元3、激活图生成单元4以及图像判别单元5。

图像获取单元1，用于提供待处理的第一图像；

图像划分单元2，用于将所述第一图像划分成多个设定大小的第二图像；

激活值求取单元3，用于采用梯度算子计算出每一所述第二图像的激活值；

激活图生成单元4，用于将多个所述第二图像的激活值按图像划分单元的划分的顺序进行排列，获得完整的激活图像；及

图像判别单元5，用于将所述激活图像输入至预设的神经网络中，根据所述激活图像判断出第一图像是否模糊。

可选地，图像模糊检测系统还包括图像补齐单元6，用于当所述第二图像划分不完整时，以第一图像的边缘为对称轴，对第一图像进行镜像翻转以补齐第二图像的不完整部分。

请参阅图6，本发明第三实施例提供一种用于实施上述图像模糊检测方法的电子设备，所述电子设备包括存储器10和处理器20，所述存储器10中存储有运算机程序，所述运算机程序被设置为运行时执行上述任一项图像模糊检测方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项图像模糊检测方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。

具体地，所述电子设备为运用与图像识别领域的图像模糊检测设备，用于检测输入的图像是否模糊，提高图像识别的准确性。

与现有的技术相比，现有的图像模糊检测方法中，直接将图像输入至神经网络判别图像是否模糊。而本发明中的方法在划分出多个第二区域后，通过梯度算子算出多个所述第二图像的激活值，再将第二图像的激活值排列成激活图像，并输入至神经网络判别所述第一图像是否模糊，减少了神经网络的处理的数据量，使得神经网络的运算速度更快，提高了图像模糊的检测效率。同时也降低了对处理器运算能力的要求，利于在移动设备上推广使用。

对比现有的神经网络判别图像是否模糊的方法，本发明提供的图像模糊检测方法通过使用基于无参考图像的梯度算子，使得该方法适应多种类别的图像检测。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。

在该计算机程序被处理器执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。

计算机存储器的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读信号介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括截取单元、特征获取单元、候选目标区域确定单元以及目标跟踪单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，截取单元还可以被描述为“基于待跟踪目标在视频的历史帧中的位置，从视频的当前帧中截取出候选区域的单元”。

作为另一方面，本申请还提供了一种计算机存储器，该计算机存储器可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机存储器承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：提供待处理的第一图像，并将所述第一图像划分成多个设定大小的第二图像，采用梯度算子计算出每一所述第二图像的激活值，将多个所述第二图像的激活值按步骤S2中第二图像划分的顺序进行排列，获得激活图像，并将所述激活图像输入至预设的神经网络中，根据所述激活图像判断出第一图像是否模糊。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。

Claims (10)

1.一种图像模糊检测方法，其特征在于包括如下步骤：

步骤S1：提供待处理的第一图像；

步骤S2：将所述第一图像划分成多个设定大小的第二图像；

步骤S3：采用梯度算子计算出每一所述第二图像的激活值；

步骤S4：将多个所述第二图像的激活值按步骤S2中第二图像划分的顺序进行排列，获得激活图像；及

步骤S5：将所述激活图像输入至预设的神经网络中，根据所述激活图像判断出第一图像是否模糊；

所述激活图像中的多个激活值的输入顺序与所述第二图像的划分顺序对应；

所述激活值为图像的特征出现强度的量化表示，所述激活值与所述图像模糊程度关联。

2.如权利要求1中所述的图像模糊检测方法，其特征在于：在步骤S2中或步骤S2与步骤S3之间还包括：

步骤S2-1：判断每一所述第二图像是否完整，若是则进入步骤S3，若否，则进入步骤S2-2；

步骤S2-2：以第一图像的边缘为对称轴，对第一图像进行镜像翻转以补齐第二图像的不完整部分。

3.如权利要求1中所述的图像模糊检测方法，其特征在于：在上述步骤S2中具体包括如下步骤：

步骤S21：将所述第一图像进行灰度化处理，得到第一图像的灰度化图像；及

步骤S22：设定一个矩形框，将该矩形框在所述第一图像上按设定规则进行移动，依次将第一图像按照所述矩形框的大小均匀划分为多个第二图像。

4.如权利要求3中所述的图像模糊检测方法，其特征在于：步骤S22中，任一第二图像与其相邻的至少一第二图像之间有重叠区域。

5.如权利要求1中所述的图像模糊检测方法，其特征在于：在上述步骤S5中具体包括如下步骤：

步骤S51：将步骤S4中得到的激活图像输入至神经网络；

步骤S52：神经网络通过预设的至少一个阈值范围，对激活图像中的激活值进行加权运算获得模糊置信度，根据模糊置信度与所述阈值大小的比较结果判定所述第一图像为模糊图像。

6.如权利要求1中所述的图像模糊检测方法，其特征在于：所述神经网络经过如下方式训练得到：

步骤A：采集样本图像及样本图像对应的模糊判断结果；

步骤B：以采集的样本图像作为第一图像执行步骤S2-S4获得样本图像对应的激活值图像；及

步骤C：根据样本图像对应的激活图像及模糊判断结果训练获得所述神经网络。

7.如权利要求1中所述的图像模糊检测方法，其特征在于：所述梯度算子包括Brenner梯度算子、Tenengrad梯度算子或Laplacian梯度算子中的任一种或多种。

8.一种图像模糊检测系统，其特征在于，包括：

图像获取单元，用于提供待处理的第一图像；

图像划分单元，用于将所述第一图像划分成多个设定大小的第二图像；

激活值求取单元，用于采用梯度算子计算出每一所述第二图像的激活值；

激活图生成单元，用于将多个所述第二图像的激活值按图像划分单元的划分的顺序进行排列，获得完整的激活图像；及

图像判别单元，用于将所述激活图像输入至预设的神经网络中，根据所述激活图像判断出第一图像是否模糊；

所述激活图像中的多个激活值的输入顺序与所述第二图像的划分顺序对应；

所述激活值为图像的特征出现强度的量化表示，所述激活值与所述图像模糊程度关联。

9.如权利要求8中所述的图像模糊检测系统，其特征在于，还包括：

图像补齐单元，用于当所述第二图像划分不完整时，通过以第一图像的边缘为对称轴，对第一图像进行镜像翻转以补齐第二图像的不完整部分。

10.一种电子设备，包括存储器和处理器，其特征在于：所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的图像模糊检测方法；

所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的图像模糊检测方法。

Images