[发明专利]图像清晰度检测方法、装置及存储介质

说明书

本公开是关于一种图像清晰度检测方法、装置及存储介质。图像清晰度检测方法包括：确定待检测图像；调用分类模型预测所述待检测图像的清晰类分数、中等清晰类分数和模糊类分数；对所述清晰类分数、所述中等清晰类分数以及所述模糊类分数进行加权求和，得到所述待检测图像的清晰度分数。通过本公开可以避免将中等清晰类图像划分到清晰类图像或者模糊类图像。

技术领域

本公开涉及图像处理领域，尤其涉及图像清晰度检测方法、装置及存储介质。

背景技术

信息流个性化推荐产品的应用种类越来越多。信息流产品中很多场景下需要筛选清晰度较高的图片进行展示，因此图像清晰度检测成为信息流场景中必不可少的环节。

相关技术中，采用如下方式进行图像清晰度检测：依靠人力标注大量的样本图片的清晰度为清晰和模糊两个类别，并构建一个清晰度图像数据集。然后对清晰度图像数据集中的图像样本提取一些特征(例如，频谱特征)，并送入深度神经网络或者机器学习分类器进行训练。最后对待识别的图像提取特征，输入训练好的模型中，得到类别概率，即清晰度。

然而，采用上述图像清晰度检测方式，对信息流中大量图片进行预测时，清晰度分数在0.9(非常清晰)以上以及清晰度在0.1(非常模糊)以下的数据占据了绝大部分，并不符合图片实际清晰度分布情况，造成展示的图片清晰度较低。

发明内容

为克服相关技术中存在的问题，本公开提供一种图像清晰度检测方法、装置及存储介质。

根据本公开实施例的第一方面，提供一种图像清晰度检测方法，包括：

确定待检测图像；调用分类模型预测所述待检测图像的清晰类分数、中等清晰类分数和模糊类分数；对所述清晰类分数、所述中等清晰类分数以及所述模糊类分数进行加权求和，得到所述待检测图像的清晰度分数。

一种实施方式中，本公开实施例涉及的图像清晰度检测方法还包括：确定待标注图像数据集，所述待标注图像数据集中包括从信息流中下载的图像；基于所述待标注图像数据集确定初始样本训练集，所述初始样本训练集中包括对所述待标注图像数据集中的部分图像进行分类标注后得到的类别样本，所述类别样本包括清晰类样本、中等清晰类样本以及模糊类样本；基于所述初始样本训练集和所述待标注图像数据集，训练得到所述分类模型。

另一种实施方式中，基于所述初始样本训练集和所述待标注图像数据集，训练得到所述分类模型，包括：

基于所述初始样本训练集，训练初始分类模型；利用所述初始分类模型预测所述待标注图像数据集中每一图像的清晰类分数、中等清晰类分数和模糊类分数；针对每一图像，基于清晰类分数、中等清晰类分数和模糊类分数确定图像熵值；按照所述图像熵值从大到小，不放回的选择指定数量的待分类样本；对所述待分类样本中的图像进行分类标注，并将标注后得到的清晰类样本、中等清晰类样本以及模糊类样本加入所述初始样本训练集中；重复执行上述过程，直至得到满足分类要求的待分类样本。

又一种实施方式中，基于所述待标注图像数据集确定初始样本训练集，包括：

针对所述待标注图像数据集中的每一图像，采用中心裁剪方式进行裁剪，并将裁剪后的图像压缩为具有固定高度和固定宽度的待标注图像；在得到的待标注图像中选择部分图像进行分类标注，将标注后的图像作为初始样本训练集。

又一种实施方式中，将标注后的图像作为初始样本训练集，包括：

确定标注后的图像中原有模糊类图像数量和原有中等清晰类图像数量；若原有模糊类图像数量和原有中等清晰类图像数量的总和小于指定阈值，则选择部分清晰类图像添加噪声后生成模糊类图像和中等清晰类图像；将原有模糊类图像和生成的模糊类图像，作为初始样本训练集中的模糊类样本；将原有中等清晰类图像和生成的中等清晰类图像，作为初始样本训练集中的中等清晰类样本；将标注后的待检测图像中除添加噪声以外的其他剩余清晰类图像，作为初始样本训练集中的清晰类样本。