图像模糊度评估方法、装置、计算机设备及介质制造方法及图纸

本发明专利技术涉及图像识别技术领域，尤其涉及一种图像模糊度评估方法、装置、计算机设备及介质。该方法中获取的图像数据集包括至少一个待评估图像；通过模糊判定模型中的骨干网络对所有待评估图像进行特征提取，得到评估图像特征；通过模糊判定模型中的带边界距离法对所有评估图像特征进行图像评估，得到图像评估值；根据所有图像评估值对待评估图像进行筛选，得到目标图像。本发明专利技术中的骨干网络是基于倒残差网络结构构建的，实现了对待评估图像中更多特征的提取，丰富了评估图像特征。且通过带边界距离法对评估图像特征进行图像评估，实现了对图像评估值的确定，进而实现了对待评估图像模糊程度的精准判断，提高了模糊判定模型的准确率。率。率。

【技术实现步骤摘要】
图像模糊度评估方法、装置、计算机设备及介质


[0001]本专利技术涉及图像识别
，尤其涉及一种图像模糊度评估方法、装置、计算机设备及介质。

技术介绍

[0002]随着图像识别技术飞速发展，基于数据、模型以及损失函数的各种算法应运而生。然而，在某些特定的应用场景下，比如在人脸识别算法中，输入的数据是影响算法性能的最重要因素之一，输入图像的质量优劣对模型性能有较大的影响。或者在一些归档任务中，抓拍过程中会出现一些质量较差的图像数据，也需要排除模糊的图像数据，提升归档数据的性能。
[0003]而传统的基于梯度函数的模糊判断算法对于不同模糊程度的人脸图像判断准确度不高。该方法能有效识别出大多数模糊程度比较高的图像，但是在对那些模糊程度不是很高的图像进行判断时，就极易出现判断错误，比如会把有些轻微模糊的图像判断为清晰图像，即图像模糊程度的评估准确率较低，从而在图像筛选时导致归档数据的性能降低。
[0004]因此如何提高图像模糊度的评估准确率成为了亟待解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术实施例提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像模糊度评估方法，其特征在于，所述图像模糊度评估方法包括：获取图像数据集，所述图像数据集包括至少一个待评估图像；获取模糊判定模型，通过所述模糊判定模型中的骨干网络对所有所述待评估图像进行特征提取，得到与所述待评估图像对应的评估图像特征；所述骨干网络是基于倒残差结构构建；通过所述模糊判定模型中的带边界距离法对所有所述评估图像特征进行图像评估，得到与所述待评估图像对应的图像评估值；根据所有所述图像评估值对所述待评估图像进行筛选，得到目标图像。2.根据权利要求1所述的图像模糊度评估方法，其特征在于，所述通过所述模糊判定模型中的骨干网络对所有所述待评估图像进行特征提取，得到与所述待评估图像对应的评估图像特征，包括：通过所述骨干网络中的扩展层对所述待评估图像进行升维处理，得到高维图像特征；通过所述骨干网络中的卷积层对所述高维图像特征进行深度卷积处理，得到卷积图像特征；通过所述骨干网络中的投影层对所述卷积图像特征进行降维处理，得到评估图像特征。3.根据权利要求1所述的图像模糊度评估方法，其特征在于，所述通过所述模糊判定模型中的带边界距离法对所有所述评估图像特征进行图像评估，得到与所述待评估图像对应的图像评估值，包括：对所述待评估图像进行模糊判断，得到所述待评估图像的图像模糊等级；通过所述模糊判定模型中带边界距离法以及所述待评估图像的图像模糊等级对所有所述评估图像特征进行图像评估，得到与所述待评估图像对应的图像评估值。4.根据权利要求1所述的图像模糊度评估方法，其特征在于，在所述获取模糊判定模型之前，包括：获取样本训练数据集，所述样本训练数据集包括至少一张样本图像以及与所述样本图像对应的样本等级标签，所述样本等级标签是表征所述样本图像的模糊等级；获取预设训练模型，通过所述预设训练模型的骨干网络对所述样本图像进行特征提取，得到与各所述样本图像对应的样本图像特征；通过所述预设训练模型的分类模块对所述样本图像特征进行等级分类，得到预测模糊等级；通过所述预设训练模型的排序模块对所述样本图像特征进行评估排序，得到预测排序值；根据与同一所述样本图像对应的所述样本等级标签、所述预测模糊等级以及所述预测排序值，确定所述预设训练模型的预测损失值；在所述预测损失值达到收敛条件时，将收敛之后的所述预设训练模型确定为模糊判定模型。5.根据权利要求4所述的图像模糊度评估方法，其特征在于，所述获取样本训练数据集之前，包括：获取至少一张初始图像；
对所述初始图像进行调整处理，得到调整图...

【专利技术属性】
技术研发人员：李帅杰，魏新明，肖嵘，王孝宇，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：