图像清晰度的判别方法及装置制造方法及图纸

本发明专利技术关于一种图像清晰度的判别方法及装置，属于图像处理领域。包括：获取待判别清晰度的原始图像，将原始图像缩放至指定像素得到目标图像；提取目标图像的第一特征，第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；对第一特征进行预处理得到第二特征；将第二特征输入预先训练得到的人工神经网络模型，根据人工神经网络模型的输出结果判别原始图像是否清晰。通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证图像特征多样化，能从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过将第二特征输入预先训练得到的人工神经网络模型来判别图像是否清晰，使得判别方式较简单。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种图像清晰度的判别方法及装置。
技术介绍
图像清晰度的判别是图像处理领域中的一项重要研究内容，其在图像的缩放、显示和重建等领域有着广泛的应用。因此，如何判别图像的清晰度受到广泛关注。相关技术在判别图像的清晰度时，会预先训练一个SVM(SupportVectorMachine，支持向量机)模型，该SVM模型根据图像的低频噪声确定图像清晰度。在此基础上，在判别图像的清晰度时，先提取图像的低频噪声特征，并将该低频噪声特征输入该SVM模型，从而根据该SVM模型的输出结果确定图像是否清晰。在实现本明的过程中，专利技术人发现相关技术至少存在以下问题：由于在判别图像清晰度时，仅提取了图像的低频噪声特征，使得提取的特征比较单一，然而，该单一特征可能并不能很好地反映图像特征，因此，可能导致判别结果不准确。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供一种图像清晰度的判别方法及装置。根据本专利技术实施例的第一方面，提供一种图像清晰度的判别方法，所述方法包括：获取待判别清晰度的原始图像，并将所述原始图像缩放至指定像素，得到目标图像；提取所述目标图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；对所述第一特征进行预处理，得到所述目标图像的第二特征；将所述第二特征输入预先训练得到的人工神经网络模型，并根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰，所述人工神经网络模型用于判别图像是否清晰。通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为图像的第一特征，保证提取的图像特征多样化，从而能够从多方面反映图像，保证基于该第一特征进行的判别结果比较准确。通过对第一特征进行预处理得到第二特征后，进而将第二特征输入预先训练得到的人工神经网络模型来判别原始图像是否清晰，判别图像清晰度的方式比较简单。可选地，所述提取所述目标图像的第一特征，包括：确定所述目标图像的灰度矩阵；根据所述灰度矩阵计算所述目标图像的图像对比度矩阵；根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵。通过提取目标图像的灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵作为目标图像的第一特征，保证提取的目标图像特征多样化，从而能够从多方面反映目标图像，保证后续基于该第一特征进行的判别结果比较准确。可选地，所述根据所述灰度矩阵计算所述目标图像的图像对比度矩阵，包括：对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围四个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为所述图像对比度矩阵中所述任一像素f(x，y)所在位置处的对比度，其中：所述任一像素f(x，y)与所述任一像素f(x，y)周围四个邻域像素之间的关系表示为：可选地，所述根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵，包括：对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围八个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值；其中，所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素之间的关系表示为：根据所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算所述灰度梯度最大累加和矩阵中所述任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：其中，N＝9，i表示所述任一像素f(x，y)和所述任一像素f(x，y)周围八个邻域像素中的一个像素。可选地，所述对所述第一特征进行预处理，得到所述目标图像的第二特征，包括：将所述灰度矩阵、所述图像对比度矩阵和所述灰度梯度最大累加和矩阵均分割为指定数值个数据块；计算所述灰度矩阵的每一数据块中所有元素的灰度平均值，并将所述灰度矩阵的每一数据块的灰度平均值确定为所述灰度矩阵的每一数据块对应的目标灰度；计算所述图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将所述图像对比度矩阵的每一数据块的图像对比度平均值确定为所述图像对比度矩阵的每一数据块对应的目标图像对比度；计算所述灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将所述灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为所述灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；根据所述每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成所述目标图像的第二特征。通过将灰度矩阵、图像对比度矩阵和所述灰度梯度最大累加和矩阵均分割为指定数值个数据块，并分别确定每个数据块的灰度平均值作为对应的目标灰度、确定每个数据块的图像对比度平均值作为对应的目标图像对比度、确定每个数据块的灰度梯度最大累加和平均值作为对应的目标灰度梯度最大累加和，进而根据每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成所述目标图像的第二特征，从而实现不仅减小后续输入人工神经网络模型的输入项的个数，而且利用了图像对比度的局部性原理，保留了图像对比度的局部特征完整性。可选地，所述将所述第二特征输入预先训练得到的人工神经网络模型之前，还包括：获取多个训练图像，所述训练图像的尺寸为指定像素；提取每个训练图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；通过每个训练图像的第二特征训练待训练人工神经网络模型；当所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录所述待训练人工神经网络模型的当前模型参数值；根据所述当前模型参数值和所述待训练人工神经网络模型的组成确定所述人工神经网络模型。通过提取灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵来标识第一特征，从而使得特征多样化，从而可以保证训练好的人工神经网络模型的泛化能力。可选地，所述通过每个训练图像的第二特征训练待训练人工神经网络模型，包括：在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求。通过根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，确定本次训练得到的模型参数值，从而可以加快待训练人工神经网络模型的收敛速度。可选地，所述根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰之后，还包括：记录误判图像，并根据误判类型建立误判样本对，所述误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，所述第一图像的误判类型为清晰被误判为不清晰，所述第二图像的误判类型为不清晰被误判为清晰；根据所述误判样本对更新所述人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。通过不断更新人工神经网络模型的参数，可以使得后续本文档来自技高网...

【技术保护点】
一种图像清晰度的判别方法，其特征在于，所述方法包括：获取待判别清晰度的原始图像，并将所述原始图像缩放至指定像素，得到目标图像；提取所述目标图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；对所述第一特征进行预处理，得到所述目标图像的第二特征；将所述第二特征输入预先训练得到的人工神经网络模型，并根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰，所述人工神经网络模型用于判别图像是否清晰。

【技术特征摘要】
1.一种图像清晰度的判别方法，其特征在于，所述方法包括：获取待判别清晰度的原始图像，并将所述原始图像缩放至指定像素，得到目标图像；提取所述目标图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；对所述第一特征进行预处理，得到所述目标图像的第二特征；将所述第二特征输入预先训练得到的人工神经网络模型，并根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰，所述人工神经网络模型用于判别图像是否清晰。2.根据权利要求1所述的方法，其特征在于，所述提取所述目标图像的第一特征，包括：确定所述目标图像的灰度矩阵；根据所述灰度矩阵计算所述目标图像的图像对比度矩阵；根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵。3.根据权利要求2所述的方法，其特征在于，所述根据所述灰度矩阵计算所述目标图像的图像对比度矩阵，包括：对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围四个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值，将灰度差值的最大值作为所述图像对比度矩阵中所述任一像素f(x，y)所在位置处的对比度，其中：所述任一像素f(x，y)与所述任一像素f(x，y)周围四个邻域像素之间的关系表示为：f(x-1,y)f(x,y-1)f(x,y)f(x,y+1)f(x+1,y).]]>4.根据权利要求2所述的方法，其特征在于，所述根据所述灰度矩阵计算所述目标图像的灰度梯度最大累加和矩阵，包括：对于所述灰度矩阵中的任一像素f(x，y)，分别计算所述任一像素f(x，y)周围八个邻域像素的灰度值与所述任一像素f(x，y)的灰度值之间的灰度差值；其中，所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素之间的关系表示为：f(x-1,y-1)f(x-1,y)f(x-1,y+1)f(x,y-1)f(x,y)f(x,y+1)f(x+1,y-1)f(x+1,y)f(x+1,y+1);]]>根据所述任一像素f(x，y)与所述任一像素f(x，y)周围八个邻域像素中每个像素的灰度差值的最大值Timax和灰度差值的最小值Timin，通过如下公式计算所述灰度梯度最大累加和矩阵中所述任一像素f(x，y)所在位置处的灰度梯度最大累加和e(x，y)：e(x,y)=Σi=1NTimax*(Timax-Timin);]]>其中，N＝9，i表示所述任一像素f(x，y)和所述任一像素f(x，y)周围八个邻域像素中的一个像素。5.根据权利要求1至4中任一权利要求所述的方法，其特征在于，所述对所述第一特征进行预处理，得到所述目标图像的第二特征，包括：将所述灰度矩阵、所述图像对比度矩阵和所述灰度梯度最大累加和矩阵均分割为指定数值个数据块；计算所述灰度矩阵的每一数据块中所有元素的灰度平均值，并将所述灰度矩阵的每一数据块的灰度平均值确定为所述灰度矩阵的每一数据块对应的目标灰度；计算所述图像对比度矩阵的每一数据块中所有元素的图像对比度平均值，并将所述图像对比度矩阵的每一数据块的图像对比度平均值确定为所述图像对比度矩阵的每一数据块对应的目标图像对比度；计算所述灰度梯度最大累加和矩阵的每一数据块中所有元素的灰度梯度最大累加和平均值，并将所述灰度梯度最大累加和矩阵的每一数据块的灰度梯度最大累加和平均值确定为所述灰度梯度最大累加和矩阵的每一数据块对应的目标灰度梯度最大累加和；根据所述每一数据块对应的目标灰度、目标图像对比度和目标灰度梯度最大累加和，生成所述目标图像的第二特征。6.根据权利要求1所述的方法，其特征在于，所述将所述第二特征输入预先训练得到的人工神经网络模型之前，还包括：获取多个训练图像，所述训练图像的尺寸为指定像素；提取每个训练图像的第一特征，所述第一特征通过灰度矩阵、图像对比度矩阵和灰度梯度最大累加和矩阵标识；对每个训练图像的第一特征进行预处理，得到每个训练图像的第二特征；通过每个训练图像的第二特征训练待训练人工神经网络模型；当所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求时，记录所述待训练人工神经网络模型的当前模型参数值；根据所述当前模型参数值和所述待训练人工神经网络模型的组成确定所述人工神经网络模型。7.根据权利要求6所述的方法，其特征在于，所述通过每个训练图像的第二特征训练待训练人工神经网络模型，包括：在通过每个训练图像的第二特征训练待训练人工神经网络模型时，根据上一次训练得到的模型参数值和本次训练赋予的初始模型参数值及上一次训练得到的模型参数值和本次训练赋予的初始模型参数值的权重，计算本次训练得到的模型参数值，直至所述待训练人工神经网络模型的评价参数或迭代次数达到预设要求。8.根据权利要求6或7所述的方法，其特征在于，所述根据所述人工神经网络模型的输出结果判别所述原始图像是否清晰之后，还包括：记录误判图像，并根据误判类型建立误判样本对，所述误判类型包括清晰被误判为不清晰和不清晰被误判为清晰，每个误判样本对包括第一图像和第二图像，所述第一图像的误判类型为清晰被误判为不清晰，所述第二图像的误判类型为不清晰被误判为清晰；根据所述误判样本对更新所述人工神经网络模型的参数，得到更新后的人工神经网络模型，作为后续判别图像是否清晰的模型。9.根据权利要求1至8中任一权利要求所述的方法，其特征在于，所述人工神经网络模型为前向神经网络模型，且所述前向神经网络模型包括多个隐藏层。10.一种图像清晰度的判别装置，其特征...

【专利技术属性】
技术研发人员：刘勇，庄正中，陈传艺，李祖辉，王梦宇，
申请(专利权)人：广州酷狗计算机科技有限公司，
类型：发明
国别省市：广东;44