具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

以下结合附图，对本公开实施例提供的该方案进行详细说明。

图1是根据本公开实施例提供的一种图像清晰度的检测方法的示意图，本公开实施例可适用于对图像进行质量检测的情况。该方法可由一种图像清晰度的检测装置来执行，该装置可采用硬件和/或软件的方式来实现，可配置于电子设备中。参考图1，该方法具体包括如下：

S110、确定目标图像的纹理丰富度值，并根据所述目标图像的纹理丰富度值确定目标图像所属的纹理类别；

S120、根据目标图像所属的纹理类别，从候选清晰度检测模型中选择目标清晰度检测模型；

S130、基于目标清晰度检测模型，对所述目标图像进行清晰度检测。

在本公开实施例中，纹理丰富度值用于表征图像中纹理的丰富程度。纹理类别是指纹理丰富程度类别，可以预设有N个不同的纹理类别。并且，可以按照纹理丰富度值划分多个纹理丰富度范围，各纹理丰富度范围分别关联有自身纹理类别。

针对每一纹理类别，可以构建候选清晰度检测模型，且建立候选清晰度检测模型与该纹理类别之间的关联关系。具体的，针对任一纹理类别，可以使用属于该纹理类别的图像作为样本进行模型训练，得到关联的候选清晰度检测模型。

图2是根据本公开实施例提供的一种图像清晰度检测的原理示意图，参考图2，在获取目标图像之后，可以对目标图像进行纹理丰富程度检测得到目标图像的纹理丰富度值，将目标图像的纹理丰富度与各候选纹理丰富度范围进行比较，确定目标图像所属的目标纹理丰富度范围，并将与目标纹理丰富度范围关联的纹理类别作为目标图像的纹理类别，将与目标图像的纹理类别所关联的候选清晰度检测模型作为目标清晰度检测模型。

参考图2，在获取目标图像之后，还可以对目标图像进行特征提取得到目标图像的特征数据；将目标图像的特征数据作为目标清晰度检测模型的输入，并根据目标清晰度检测模型的输出得到目标图像的清晰度检测结果。

随着拍摄场景、拍摄条件等发生变化，图像的清晰度指标呈现不同规律，导致不同拍摄场景、不同拍摄条件中的清晰度指标不具有可比性。例如，在拍摄画面是书里的页面时，文字内容的纹理和边界非常明显，图像中高频分量比较多；但是在拍摄晴朗无云的湛蓝色天空时，图像上没有明显的纹理和边界，高频分量很小。因此不能简单以高频分量的多少或者临近像素点之间差异的大小作为清晰度指标，判断图像是否清晰。并且，即使是拍摄同一种类别的物体，图像的物理特征也呈现不同规律，清晰指标也很难统一。例如，同样是书页里面的文字内容，有些页面文字比较密集，有些页面文字比较稀疏，如果使用梯度或能量等作为清晰度指标，差别很大，导致清晰度不准确。

然而，本公开实施例通过针对各纹理类别选用不同候选清晰度检测模型，利用了同一纹理类别中各图像的清晰度指标符合相同规律，具有可比性，能够统一清晰度指标的特性，能够提高图像的清晰度检测准确度。

本公开实施例的技术方案，通过将与目标图像所属的纹理类别关联的候选清晰度检测模型作为目标清晰度检测模型，使目标清晰度检测模型能够反映目标图像的物理特征规律，提高图像的清晰度检测准确度。

图3是根据本公开实施例提供的另一种图像清晰度的检测方法的示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3，本实施例提供的图像清晰度的检测方法包括：

S210、基于纹理检测模型，对所述目标图像进行纹理丰富度检测，得到所述目标图像的纹理丰富度值；

S220、根据目标图像所属的纹理类别，从候选清晰度检测模型中选择目标清晰度检测模型；

S230、基于目标清晰度检测模型，对所述目标图像进行清晰度检测；

其中，纹理检测模型通过将样本图像对中第一图像和第二图像作为输入，将所述第一图像与所述第二图像之间的第一纹理比较概率或第二纹理比较概率作为标签值进行模型训练得到。

在本公开实施例中，纹理检测模型用于确定图像的纹理丰富度值，后续可以根据图像的纹理丰富值对图像进行纹理丰富程度分类。第一纹理比较概率是指第一图像比第二图像纹理更丰富的概率，第二纹理比较概率是指第二图像比第一图像纹理更丰富的概率。

通过将样本图像对中第一图像和第二图像分别作为输入，且将第一纹理比较概率或第二纹理比较概率作为标签，进行模型训练得到纹理检测模型，即通过引入样本图像对中第一图像与第二图像之间的比较信息，对纹理检测模型进行训练，相比于直接对第一图像、第二图像进行纹理丰富度值打分，能够提高纹理检测模型的鲁棒性，从而提高目标图像的纹理丰富度值的准确度。

在一种可选实施方式中，基于纹理检测模型，对所述目标图像进行纹理丰富度检测之前，还包括：将所述第一图像作为孪生网络中第一模型的输入得到第一模型输出的第一纹理丰富度值，将所述第二图像作为孪生网络中第二模型的输入得到第二模型输出的第二纹理丰富度值；根据所述第一纹理丰富度值与所述第二纹理丰富度值之间的丰富度差值，确定模型输出概率；根据所述标签值和所述模型输出概率之间的概率差值，更新所述第一模型和所述第二模型中的模型参数，且将经训练的第一模型或第二模型作为所述纹理检测模型。

图4是根据本公开实施例提供的一种纹理检测模型的训练过程示意图。参考图4，采用包括第一模型和第二模型的孪生网络构建纹理检测模型，第一模型和第二模型的网格结构相同且可以共享模型参数，例如可以采用相同的神经网络结构。

具体的，将第一图像作为第一模型的输入得到第一模型输出的第一纹理丰富度值，将第二图像作为第二模型的输入得到第二模型输出的第二纹理丰富度值；并且，根据所述第一纹理丰富度值与所述第二纹理丰富度值之间的丰富度差值，确定模型输出概率。

其中，模型输出概率的确定方式与标签值有关。在标签值为第一纹理比较概率的情况下，可以通过P＝Sigmoid(S1-S2)确定模型输出概率；在标签值为第二纹理比较概率的情况下，可以通过P＝Sigmoid(S2-S1)确定模型输出概率；其中，P为模型输出概率，Sigmoid为神经网络激活函数，S1和S2分别为第一纹理丰富度值和第二纹理丰富度值。

并且，对标签值和模型输出概率进行比较得到二者之间的概率差值，根据概率差值建立损失函数对第一模型和第二模型进行模型参数更新，实现端到端的训练过程。在训练完成之后，可以将第一模型或第二模型作为纹理检测模型。通过孪生网络的建模方式，预测两张图像的比较结果，而不直接预测图像的纹理丰富度值，能够提高纹理检测模型的鲁棒性。

本公开实施例的技术方案，通过孪生网络的建模方式构建纹理检测模型，能够提高纹理检测模型的鲁棒性，从而进一步提高图像的清晰度检测准确度。

以下对纹理检测模型的样本构建进行介绍。

在一种可选实施方式中，所述将所述第一图像与所述第二图像之间的纹理比较概率作为标签进行模型训练之前，还包括：根据所述第一图像与第二图像之间的纹理丰富度比较结果，确定第一图像的纹理得分和第二图像的纹理得分；根据第一图像的纹理丰富度值、所述第一图像的纹理得分和第一纹理比较概率，对第一图像的纹理丰富度值进行更新；以及，根据第二图像的纹理丰富度值、所述第二图像的纹理得分和第二纹理比较概率，对第二图像的纹理丰富度值进行更新；根据更新后的第一图像的纹理丰富度值和更新后的第二图像的纹理丰富度值，分别对所述第一纹理比较概率和所述第二纹理比较概率进行更新。

在本公开实施例中，将样本图像对中第一图像和第二图像提供给标注人员，由标注人员标注第一图像和第二图像的纹理丰富度比较结果。标注人员判断两个图像中哪个纹理更丰富，相比于直接对图像进行纹理程度打分更加容易，不同标注人员对同一样本图像对的标注结果会更加趋于一致。可以为各图像赋予相同的初始纹理丰富度值例如1000，根据纹理丰富度比较结果使用迭代求解的方式不断刷新，直至得到第一图像、第二图像稳定的纹理丰富度值，相比于人工标注纹理丰富度值，能够提高样本数据集中图像的纹理丰富度值的准确度。

具体的，在纹理丰富度比较结果为第一图像纹理更丰富的情况下，第一图像的纹理得分可以为1，第二图像的纹理得分可以为0；在纹理丰富度比较结果为第二图像更丰富的情况下，第一图像的纹理得分为0，第二图像的纹理得分为1。

在一种可选实施方式中，通过如下公式对第一图像的纹理丰富度值和第二图像的纹理丰富度值进行更新：

R′_A＝R_A+K×(S_A-P_B>A)]；

R′_B＝R_B+K×(S_B-P_A>B)]；

其中，R_A和R_B分别为第一图像的纹理丰富度值和第二图像的纹理丰富度值，S_A和S_B分别为第一图像的纹理得分和第二图像的纹理得分，P_A>B和P_B>A分别为第一纹理比较概率和第二纹理比较概率；K为奖励因子，R′_A和R′_B分别为更新后的第一图像的纹理丰富度值和更新后的第二图像的纹理丰富度值。K可以为经验值，与初始纹理丰富度值呈一定比例，仍以初始纹理丰富度值为1000为例，K可以为16。

在一种可选实施方式中，可以通过如下公式确定第一纹理比较概率和第二纹理比较概率：

其中，P_A>B和P_B>A分别为第一纹理比较概率和第二纹理比较概率，MK可以为经验值，与初始纹理丰富度值呈一定比例，仍以初始纹理丰富度值为1000为例，M可以为400。

在一种可选实施方式中，通过如下公式分别对所述第一纹理比较概率和所述第二纹理比较概率进行更新：

其中，R′_A和R′_B分别为更新后的第一图像的纹理丰富度值和更新后的第二图像的纹理丰富度值，M为差异衡量因子，P′_A>B和P′_B>A分别为更新后的第一纹理比较概率和更新后的第二纹理比较概率。

根据人工标注的纹理丰富度比较结果，不断刷新数据集中各图像的纹理丰富度值。当标注数量足够多时，各图像的纹理丰富度值趋于稳定。通过这种标注方式，可以提高纹理丰富度数据集的准确度。

图5是根据本公开实施例提供的又一种图像清晰度的检测方法的示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图5，本实施例提供的图像清晰度的检测方法包括：

S310、确定目标图像的纹理丰富度值，并根据所述目标图像的纹理丰富度值确定目标图像所属的纹理类别；

S320、根据目标图像所属的纹理类别，从候选清晰度检测模型中选择目标清晰度检测模型；

S330、确定目标图像的灰度图；

S340、根据所述灰度图中像素点的坐标，确定目标图像的清晰度指标取值；

S350、将所述统计指标取值作为所述目标清晰度检测模型的输入，得到目标图像的清晰度检测结果。

在本公开实施例中，使用的清晰度指标包括但不限于以下几种：布伦纳梯度、灰度方差乘积、图像能量。

其中，布伦纳梯度可以通过如下公式确定：

S11＝∑_x,y|I(x+2,y)-I(x,y)|²

其中，S11为布伦纳梯度，I为图像灰度图，x和y是像素点的坐标。布伦纳梯度用于计算水平方向上间隔为1的两个像素点之间的像素值差的平方和，纹理越清晰，则布伦纳梯度的数值越大。

其中，灰度方差乘积可以通过如下公式确定：

S22＝∑_x,y|I(x,y)-I(x,y-1)|+|I(x,y)-I(x+1,y)|

该方法计算相邻点之间的像素差，并对其绝对值求和，灰度方差乘积的数值越大图像越清晰。

其中，图像能量可以通过如下公式确定：

S33＝∑_x,y|I(x+1,y)-I(x,y)|²×|I(x,y+1)-I(x,y)|²

该方法计算相邻点之间像素差的平方，并对水平和竖直方向的乘积进行求和，图像能量的数值越大图像越清晰。

通过统计目标图像的不同清晰度指标值，将清晰度指标值作为目标清晰度检测模型的输入，得到目标图像的清晰度检测结果。其中，清晰度检测结果可以为清晰或模糊两个类别。各候选清晰度检测模型可以是二分类模型，例如可以使用二叉树模型、K近邻模型、逻辑回归模型等机器学习方法来建模，通过清晰度标注数据来拟合模型参数。通过引入不同清晰度指标值计算目标图像中各像素点之间的相对关系，作为衡量目标图像是否清晰的一种方式，能够提高清晰度检测结果的准确度。

本公开实施例的技术方案，通过借助于图像分类方法，对图像的纹理丰富程度进行分类，针对不同纹理类别，使用不同模型参数即不同清晰度指标阈值，并将这些指标阈值应用到传统算法提取到的特征中，以此为依据确定图像是否清晰，能够很好的解决由于拍摄条件和拍摄对象的变化引起的判断标准不同的问题。融合了神经网络的分类能力和传统算法对图像清晰度的可解释性，解决了传统算法面对互联网上变化万千的场景时容易失效的窘境。

图6根据本公开实施例提供的一种图像清晰度的检测装置的示意图，本实施例可适用于对乘坐自动驾驶车辆的情况，该装置配置于电子设备中，可实现本公开任意实施例所述的图像清晰度的检测方法。参考图6，该图像清晰度的检测装置400具体包括如下：

纹理确定模块401，用于确定目标图像的纹理丰富度值，并根据所述目标图像的纹理丰富度值确定目标图像所属的纹理类别；

模型选择模块402，用于根据目标图像所属的纹理类别，从候选清晰度检测模型中选择目标清晰度检测模型；

清晰度检测模块403，用于基于目标清晰度检测模型，对所述目标图像进行清晰度检测。

在一种可选实施方式中，所述纹理确定模块401具体用于：

基于纹理检测模型，对所述目标图像进行纹理丰富度检测，得到所述目标图像的纹理丰富度值；

其中，所述纹理检测模型通过将样本图像对中第一图像和第二图像作为输入，将所述第一图像与所述第二图像之间的第一纹理比较概率或第二纹理比较概率作为标签值进行模型训练得到。

在一种可选实施方式中，该图像清晰度的检测装置400还包括纹理模型构建模块，所述纹理模型构建模块包括：

图像输入单元，用于将所述第一图像作为孪生网络中第一模型的输入得到第一模型输出的第一纹理丰富度值，将所述第二图像作为孪生网络中第二模型的输入得到第二模型输出的第二纹理丰富度值；

概率输出单元，用于根据所述第一纹理丰富度值与所述第二纹理丰富度值之间的丰富度差值，确定模型输出概率；

模型参数更新单元，用于根据所述标签值和所述模型输出概率之间的概率差值，更新所述第一模型和所述第二模型中的模型参数，且将经训练的第一模型或第二模型作为所述纹理检测模型。

在一种可选实施方式中，该图像清晰度的检测装置400还包括数据构建模块，所述数据构建模块包括：

纹理得分单元，用于根据所述第一图像与第二图像之间的纹理丰富度比较结果，确定第一图像的纹理得分和第二图像的纹理得分；

丰富度值更新单元，用于根据第一图像的纹理丰富度值、所述第一图像的纹理得分和第一纹理比较概率，对第一图像的纹理丰富度值进行更新；以及，根据第二图像的纹理丰富度值、所述第二图像的纹理得分和第二纹理比较概率，对第二图像的纹理丰富度值进行更新；

比较概率更新单元，用于根据更新后的第一图像的纹理丰富度值和更新后的第二图像的纹理丰富度值，分别对所述第一纹理比较概率和所述第二纹理比较概率进行更新。

在一种可选实施方式中，所述丰富度值更新单元具体用于：

通过如下公式对第一图像的纹理丰富度值和第二图像的纹理丰富度值进行更新：

R′_A＝R_A+K×(S_A-P_B>A)；

R′_B＝R_B+K×(S_B-P_A>B)；

其中，R_A和R_B分别为第一图像的纹理丰富度值和第二图像的纹理丰富度值，S_A和S_B分别为第一图像的纹理得分和第二图像的纹理得分，P_A>B和P_B>A分别为第一纹理比较概率和第二纹理比较概率；K为奖励因子，R′_A和R′_B分别为更新后的第一图像的纹理丰富度值和更新后的第二图像的纹理丰富度值。

在一种可选实施方式中，所述比较概率更新单元具体用于：

通过如下公式分别对所述第一纹理比较概率和所述第二纹理比较概率进行更新：

其中，R′_A和R′_B分别为更新后的第一图像的纹理丰富度值和更新后的第二图像的纹理丰富度值，M为差异衡量因子，P′_A>B和P′_B>A分别为更新后的第一纹理比较概率和更新后的第二纹理比较概率。

在一种可选实施方式中，所述清晰度检测模块包括：

灰度图单元，用于确定目标图像的灰度图；

清晰度指标单元，用于根据所述灰度图中像素点的坐标，确定目标图像的清晰度指标取值；

清晰度检测单元，用于将所述清晰度指标取值作为所述目标清晰度检测模型的输入，得到目标图像的清晰度检测结果。

本实施例的技术方案，通过借助于图像分类方法，对图像的纹理丰富程度进行分类，针对不同纹理类别，使用不同的清晰度指标阈值，能够很好的解决由于拍摄条件和拍摄对象的变化引起的判断标准不同的问题。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种执行机器学习模型算法的计算单元、数字信息处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如图像清晰度的检测方法。例如，在一些实施例中，图像清晰度的检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的图像清晰度的检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像清晰度的检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上执行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。