一种图像模糊度检测方法技术

本申请提供一种图像模糊度检测方法

【技术实现步骤摘要】
一种图像模糊度检测方法、装置及电子设备


[0001]本申请涉及图像模糊检测
，尤其涉及一种图像模糊度检测方法
、
装置及电子设备
。

技术介绍

[0002]图像模糊是指传感器像素单元接收到来自多个场景点发出的光造成的图像退化，其成因主要有相机抖动
、
不正确的聚焦以及拍摄场景中目标物体的运动
。
图像模糊在不同程度上会降低图像的质量，甚至对于一些计算机视觉任务产生影响，例如，对图像模糊度非常敏感的人脸识别或者活体检测这类依赖微观细节纹理的视觉任务
。
因此，需要检测图像模糊度来控制模糊图像的使用
。
[0003]图像模糊度检测方法包括基于梯度算子的检测方法和基于熵函数的检测方法
。
其中，基于梯度算子的检测方法是利用图像边缘的梯度来衡量图像模糊程度，梯度越大表征图像越清晰，反之，梯度值越小表征图像越模糊
。
但由于模糊界限需要根据实际的应用场景来确定，依赖于图像内容，当图像复杂度较高时，无法得到可靠的模糊检测结果
。
基于熵函数的的检测方法是统计图像特征的熵函数来衡量图像信息丰富程度，即图像的信息量由该图像的信息熵来度量，信息熵越大则图像越清晰
。
但该方法根据图像内容不同容易出现与真实情况相反的结果，因此，仅适应于同一张图像前后变化时的模糊度检测，无法直接判定图像模糊或非模糊，通用性较差
。

技术实现思路

[0004]本申请提供一种图像模糊度检测方法
、
装置及电子设备，以解决图像模糊度检测准确性差的问题
。
[0005]第一方面，本申请提供一种图像模糊度检测方法，包括：
[0006]获取待测图像；
[0007]在所述待测图像的中心区域提取多张预设尺度的图像补丁；
[0008]将多张所述图像补丁输入模糊度检测模型，以获得所述模糊度检测模型输出的模糊度预测值，所述模糊度检测模型为根据标记有模糊度标签的图像样本集训练获得的神经网络模型，所述模糊度检测模型包括级联的特征提取子网络和结果细化子网络，所述特征提取子网络用于提取图像特征，所述结果细化子网络用于细化图像特征；
[0009]根据所述模糊度预测值，划分所述待测图像的模糊类型和模糊度等级
。
[0010]可选的，所述方法还包括：
[0011]获取图像样本集，所述图像样本集包括多个标记有模糊度标签的样本图像；
[0012]在所述样本图像的中心区域提取多张预设尺度的样本图像补丁，以得到样本图像补丁集；
[0013]构建神经网络模型，所述神经网络模型包括模糊度分类任务和模糊度回归预测任务；
[0014]基于所述样本图像补丁集训练所述模糊度分类任务和所述模糊度回归预测任务，以及基于损失函数调优所述神经网络模型，以得到模糊度检测模型，所述损失函数包括分类损失和回归损失
。
[0015]可选的，所述方法还包括：
[0016]获取初始图像样本集；
[0017]对所述初始图像样本集中预设数量的样本图像执行模糊处理，以及根据模糊处理的处理类型和处理程度定义模糊类型和模糊度，所述模糊处理包括高斯模糊处理和运动模糊处理；
[0018]按照预设模糊度标签标记执行模糊处理后的样本图像的模糊类型和模糊度，以得到图像样本集
。
[0019]可选的，在所述待测图像的中心区域提取多张预设尺度的图像补丁的步骤，包括：
[0020]按照预设尺寸缩放所述待测图像；
[0021]在缩放后的所述待测图像的中心区域裁剪出预设尺度的图像区域，以得到图像补丁
。
[0022]可选的，所述方法还包括：
[0023]将多张所述图像补丁分别输入所述特征提取子网络中的多个并行的网络分支，以得到多张特征图，所述网络分支的数量与所述图像补丁的数量相等；
[0024]融合多张所述特征图，以得到融合特征图；
[0025]将所述融合特征图输入所述结果细化子网络，以提取所述融合特征图的特征向量；
[0026]将所述特征向量输入全连接层，以得到所述全连接层输出的模糊度预测值
。
[0027]可选的，所述特征提取子网络包括第一网络分支
、
第二网络分支和第三网络分支；所述第一网络分支包括依次连接的第一卷积层
、
最大池化层和第二卷积层；所述第二网络分支包括依次连接的多层第三卷积层
、
最大池化层和第四卷积层；所述第三网络分支包括多层第五卷积层；所述结果细化子网络包括第六卷积层和第七卷积层
。
[0028]可选的，所述全连接层包括第一全连接层
、
第二全连接层和第三全连接层，所述第一全连接层用于预测模糊度回归值，所述第二全连接层和所述第三全连接层用于预测模糊度分类置信度，所述第二全连接层输出的模糊度分类置信度用于表征第一数量个模糊类型，所述第三全连接层输出的模糊度分类置信度用于表征第二数量个模糊类型
。
[0029]可选的，所述方法还包括：
[0030]获取所述第一全连接层输出的模糊度回归值；
[0031]计算模糊度回归值对应的模糊度预测值，所述模糊度预测值为预设模糊度范围内的数值
。
[0032]可选的，根据所述模糊度预测值，划分所述待测图像的模糊类型和模糊度等级的步骤，包括：
[0033]获取模糊度阈值；
[0034]对比所述模糊度预测值与所述模糊度阈值；
[0035]如果所述模糊度预测值大于所述模糊度阈值，确定所述模糊类型为第一模糊类型，以及根据所述模糊度预测值与所述模糊度阈值的差值定义模糊度等级；
[0036]如果所述模糊度预测值小于或等于所述模糊度阈值，确定所述模糊类型为第二模糊类型，以及根据所述模糊度预测值定义模糊度等级
。
[0037]第二方面，本申请提供一种图像模糊度检测装置，包括图像获取模块
、
多尺度切分模块
、
模糊度检测模块和模糊度划分模块，其中：
[0038]图像获取模块，用于获取待测图像；
[0039]多尺度切分模块，用于在所述待测图像的中心区域提取多张预设尺度的图像补丁；
[0040]模糊度检测模块，用于将多张所述图像补丁输入模糊度检测模型，以获得所述模糊度检测模型输出的模糊度预测值，所述模糊度检测模型为根据标记有模糊度标签的图像样本集训练获得的神经网络模型，所述模糊度检测模型包括级联的特征提取子网络和结果细化子网络，所述特征提取子网络用于提取图像特征，所述结果细化子网络用于细化图像特征；
[0041]模糊度划分模块，用于根据所述模糊度预测值，划分所述待测图像的模糊类型和模糊度等级
。
[0042]第三方面，本申请提供一种电子设备，包括：处理器
、
存储器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像模糊度检测方法，其特征在于，包括：获取待测图像；在所述待测图像的中心区域提取多张预设尺度的图像补丁；将多张所述图像补丁输入模糊度检测模型，以获得所述模糊度检测模型输出的模糊度预测值，所述模糊度检测模型为根据标记有模糊度标签的图像样本集训练获得的神经网络模型，所述模糊度检测模型包括级联的特征提取子网络和结果细化子网络，所述特征提取子网络用于提取图像特征，所述结果细化子网络用于细化图像特征；根据所述模糊度预测值，划分所述待测图像的模糊类型和模糊度等级
。2.
根据权利要求1所述的图像模糊度检测方法，其特征在于，所述方法还包括：获取图像样本集，所述图像样本集包括多个标记有模糊度标签的样本图像；在所述样本图像的中心区域提取多张预设尺度的样本图像补丁，以得到样本图像补丁集；构建神经网络模型，所述神经网络模型包括模糊度分类任务和模糊度回归预测任务；基于所述样本图像补丁集训练所述模糊度分类任务和所述模糊度回归预测任务，以及基于损失函数调优所述神经网络模型，以得到模糊度检测模型，所述损失函数包括分类损失和回归损失
。3.
根据权利要求2所述的图像模糊度检测方法，其特征在于，所述方法还包括：获取初始图像样本集；对所述初始图像样本集中预设数量的样本图像执行模糊处理，以及根据模糊处理的处理类型和处理程度定义模糊类型和模糊度，所述模糊处理包括高斯模糊处理和运动模糊处理；按照预设模糊度标签标记执行模糊处理后的样本图像的模糊类型和模糊度，以得到图像样本集
。4.
根据权利要求1所述的图像模糊度检测方法，其特征在于，在所述待测图像的中心区域提取多张预设尺度的图像补丁的步骤，包括：按照预设尺寸缩放所述待测图像；在缩放后的所述待测图像的中心区域裁剪出预设尺度的图像区域，以得到图像补丁
。5.
根据权利要求1所述的图像模糊度检测方法，其特征在于，所述方法还包括：将多张所述图像补丁分别输入所述特征提取子网络中的多个并行的网络分支，以得到多张特征图，所述网络分支的数量与所述图像补丁的数量相等；融合多张所述特征图，以得到融合特征图；将所述融合特征图输入所述结果细化子网络，以提取所述融合特征图的特征向量；将所述特征向量输入全连接层，以得到所述全连接层输出的模糊度预测值
。6.
根据权利要求5所述的图像模糊度检测方法，其特征在于，所述特征提取子网络包括第一网络分支
、
第二网络分支和第三网络分支；所述第一网络分支包括依次连接的第一卷积层
、
最大池化层和第二卷积层；所述第二网络分支包括依次连接的多层第三卷积层
、
最大池化层和第四卷积层；所述第三网络分支包括多层第五卷积层；所述结果...

【专利技术属性】
技术研发人员：李慧，陈辉，田鹏程，
申请(专利权)人：爱芯元智半导体宁波有限公司，
类型：发明
国别省市：