CN113628192A - 图像模糊检测方法、装置、设备、存储介质及程序产品 - Google Patents

Abstract

本公开提供了一种图像模糊检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品，涉及图像识别、云服务等人工智能技术领域。该方法的一具体实施方式包括：获取待检测的第一图像；对第一图像进行第一模糊处理，得到第二图像；对第二图像进行第二模糊处理，得到第三图像；根据第三图像与第二图像的梯度信息商，确定第一图像是否为模糊图像。该实施方式根据经过两次模糊处理的第三图像与经过一次模糊处理的第二图像之间的梯度商，来确定第一图像是否为模糊图像，使得无论第一图像中是否存在干扰判别的噪点(噪声)均可以保持计算出的梯度上与判别结论之间存在明显的相关性，进而提升判别结果的准确性。

Description

图像模糊检测方法、装置、设备、存储介质及程序产品

技术领域

本公开涉及图像处理技术领域，具体涉及图像识别、云服务等人工智能技术领域，尤其涉及一种图像模糊检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

在视频播放、会议、直播、监控等场景中，可能会出现画面模糊的现象，使视频或者图片质量下降，会给观看者带来较差的体验感。

因此如何快速、准确的检测模糊的图像，是提升观看体验的基础。

发明内容

本公开实施例提出了一种图像模糊检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

第一方面，本公开实施例提出了一种图像模糊检测方法，包括：获取待检测的第一图像；对第一图像进行第一模糊处理，得到第二图像；对第二图像进行第二模糊处理，得到第三图像；根据第三图像与第二图像的梯度信息商，确定第一图像是否为模糊图像。

第二方面，本公开实施例提出了一种图像模糊检测装置，包括：第一图像获取单元，被配置成获取待检测的第一图像；一次模糊处理单元，被配置成对第一图像进行第一模糊处理，得到第二图像；二次模糊处理单元，被配置成对第二图像进行第二模糊处理，得到第三图像；模糊图像判别单元，被配置成根据第三图像与第二图像的梯度信息商，确定第一图像是否为模糊图像。

第三方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的图像模糊检测方法。

第四方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的图像模糊检测方法。

第五方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的图像模糊检测方法。

本公开实施例提供的图像模糊检测方法，首先，获取待检测的第一图像；然后，对第一图像进行第一模糊处理，得到第二图像；接着，对第二图像进行第二模糊处理，得到第三图像；最后，根据第三图像与第二图像的梯度信息商，确定第一图像是否为模糊图像。

常规情况下，基于经一次模糊处理的第二图像与原始的第一图像之间的梯度商来确定第一图像是否为模糊图像，即第一图像若为清晰图像，那么会导致梯度商偏小，即进行模糊处理对其的梯度信息造成了较大的改变，反之则不会造成较大的改变。但如果第一图像中存在噪点(也可以称噪声)，噪点的存在会使第二图像与第一图像之间的梯度商不再与是否为模糊图像之间存在明显的相关性，即存在噪点的第一图像已不再适用于检测是否为模糊图像。

针对上述存在噪点的第一图像在图像模糊检测方面存在的问题，本公开在常规仅对第一图像进行一次模糊处理的基础上，对经一次模糊处理后的第二图像又额外进行了一次模糊处理，并将用于判别是否为模糊图像的梯度商的计算方式调整为经过二次模糊处理与经过一次模糊处理的两张图像的梯度信息，即存在噪点的第一图像之所以造成原梯度商与模糊图像判别之间不具有相关性，是因为噪点部分的图像经模糊处理后干扰了原先的判别，而多经过一次模糊处理则尽可能的消除了这层干扰因素，即经过二次模糊处理与经过一次模糊处理的两张图像的梯度商又重新恢复了与判别出是否为模糊图像之间的相关性，进而借助本公开所提供的技术方案提升了模糊图像的判别准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开可以应用于其中的示例性***架构；

图2为本公开实施例提供的一种图像模糊检测方法的流程图；

图3为本公开实施例提供的另一种图像模糊检测方法的流程图；

图4为本公开实施例提供的一种对模糊图像进行去模糊处理的方法的流程示意图；

图5为本公开实施例提供的一种训练图像去模糊模型的方法的流程示意图

图6为本公开实施例提供的一种图像模糊检测装置的结构框图；

图7为本公开实施例提供的一种适用于执行图像模糊检测方法的电子设备的结构示意图。

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。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

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，采取了必要的保密措施，且不违背公序良俗。

图1示出了可以应用本公开的图像模糊检测方法、装置、电子设备及计算机可读存储介质的实施例的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如图像处理类应用、模糊图像识别类应用、即时通讯类应用等。

终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。

服务器105通过内置的各种应用可以提供各种服务，以可以提供模糊图像识别服务的模糊图像识别类应用为例，服务器105在运行该模糊图像识别类应用时可实现如下效果：首先，通过网络104从终端设备101、102、103中获取待检测的第一图像；然后，对第一图像进行第一模糊处理，得到第二图像；接着，对第二图像进行第一模糊处理，得到第三图像；最后，根据第三图像与第二图像的梯度信息商，确定第一图像是否为模糊图像。

需要指出的是，待检测的第一图像除可以从终端设备101、102、103通过网络104获取到之外，也可以通过各种方式预先存储在服务器105本地。因此，当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理模糊图像识别任务)，可选择直接从本地获取这些数据，在此种情况下，示例性***架构100也可以不包括终端设备101、102、103和网络104。

由于识别模糊图像需要占用较多的运算资源和较强的运算能力，因此本公开后续各实施例所提供的图像模糊检测方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，图像模糊检测装置一般也设置于服务器105中。但同时也需要指出的是，在终端设备101、102、103也具有满足要求的运算能力和运算资源时，终端设备101、102、103也可以通过其上安装的模糊图像识别类应用完成上述本交由服务器105做的各项运算，进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下，但模糊图像识别类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时，可以让终端设备来执行上述运算，从而适当减轻服务器105的运算压力，相应的，图像模糊检测装置也可以设置于终端设备101、102、103中。在此种情况下，示例性***架构100也可以不包括服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

请参考图2，图2为本公开实施例提供的一种图像模糊检测方法的流程图，其中流程200包括以下步骤：

步骤201：获取待检测的第一图像；

本步骤旨在由图像模糊检测方法的执行主体(例如图1所示的服务器105)获取需要进行是否为模糊图像的检测的第一图像。

其中，该第一图像可以是视频流中的任一帧，也可以是专门挑选出的一张图像，也可以是数量大于2的图像集合，还可以将通过网站或应用的图像上传接口上传的每一张图像，还可以是通过相机应用拍摄得到的每张图像，即所有可能需求进行模糊检测的图像均可以作为第一图像。

步骤202：对第一图像进行第一模糊处理，得到第二图像；

在步骤201的基础上，本步骤旨在由上述执行主体对是否为模糊图像的第一图像进行模糊处理，基于模糊处理的处理机制可知，无论第一图像是否为模糊图像，进行过模糊处理之后所得到的第二图像也一定是一张模糊图像。

不同的是，如果第一图像本身是一张不存在噪点的清晰图像或模糊图像，那么其经过本步骤的模糊处理就能够通过对比第二图像与第一图像之间的模糊度，反推出第一图像是否为清晰图像或模糊图像。这是因为假定第一图像是一张不存在噪点的清晰图像，那么通过本步骤的模糊处理之后将导致第二图像与第一图像之间的模糊度较大(即第二图像相较于第一图像明显在模糊程度上出现了较大的变化)，反之，若第一图像是一张不存在噪点的模糊图像，那么即使通过本步骤的模糊处理之后虽然也会导致模糊程度增加，但模糊度较小，即对于原本就是模糊的图像来说即使再进行模糊处理也不会产生特别明显的模糊效果。

上述内容就是基于传统的二次模糊原理的识别第一图像是否模糊图像的实现方式，即借助第二图像与第一图像之间的模糊度与判别是否为模糊图像之间存在的相关性，但申请人发现，如果第一图像中存在噪点(噪声)，就会导致上述相关性丧失，即噪点的存在让是否为模糊图像的判别界限不清楚的，即有些包含噪点的第一图像会导致得到正确的判别结论，而有些包含噪点的第一图像则会导致得出错误的判别结论。

需要说明的是，在某些场景下在对第一图像进行模糊处理之前，还需要调整第一图像的尺寸以及将其转换为灰度图，以便于更好的计算梯度信息。

步骤203：对第二图像进行第二模糊处理，得到第三图像；

在步骤202的基础上，本步骤旨在由上述执行主体对经过一次模糊处理的第二图像再次进行模糊处理，以得到经过两次模糊处理的第三图像。

其中，对图像进行模糊处理的方式有很多，例如比较常见的均值模糊、高斯模糊，均是采用不同的模糊方式对图像进行模糊处理，还可以采用其它能够起到相同或类似效果的处理方式，此处不再一一列举，可根据实际应用场景下对模糊处理结果的要求灵活的进行选择，其中的要求可以包括：耗时、模糊程度、性能消耗程度、内存占用率等等。需要说明的是，第一模糊处理和第二模糊处理可任意选择上述的某种具体的模糊处理方式，可以相同也可以不同。

步骤204：根据第三图像与第二图像的梯度信息商，确定第一图像是否为模糊图像。

在步骤203的基础上，本步骤旨在由上述执行主体根据第三图像与第二图像的梯度信息商，确定第一图像是否为模糊图像。其中，图像的梯度信息用于表征图像中不同像素点之间的色值差异大小，例如两个相邻像素点分别为一黑、一白(或者一个像素点的灰度值为0，另一个为255)，因为这种情况会造成明显的色值变化，相当于出现色值的阶跃式变换，因此用梯度信息来形象的称呼它。因此可以理解的是，越是清晰的图像，量化的梯度参数通常会较高，反而越是模糊的图像，量化的梯度参数通常则会较低，因为通过模糊使得原先在清晰图像中色值变化明显的两个像素点的色值差别不是那么明显了。

而之所以本步骤用于确定第一图像是否模糊图像的参数为第三图像与第二图像的梯度信息商，也正是因为梯度信息商能够相较于梯度信息差更好的表征模糊度的变化。可以理解的是，相比于第二图像与第一图像的梯度信息商，第三图像与第二图像的梯度信息商由于梯度信息的分子和分母均是至少进行过一次模糊处理的图像，相比没进行过一次模糊处理的第一图像，能够消除因存在噪点对梯度信息的影响，这也是因为噪点的存在会明显的改变原图的梯度信息。

在根据梯度信息商的大小判别第一图像是否为模糊图像时，可根据预先合理设定的、具有区分能力的阈值来通过比较大小的方式实现，即大于或不大于该阈值将能够得到不同的判别结果。具体的，该阈值也可以是通过有经验的评定人员对大量样本的第一图像是否属于模糊图像或清晰图像的认定所确定出的临界值。

本公开实施例提供的图像模糊检测方法，在常规仅对第一图像进行一次模糊处理的基础上，对经一次模糊处理后的第二图像又额外进行了一次模糊处理，并将用于判别是否为模糊图像的梯度商的计算方式调整为经过二次模糊处理与经过一次模糊处理的两张图像的梯度信息，即存在噪点的第一图像之所以造成原梯度商与模糊图像判别之间不具有相关性，是因为噪点部分的图像经模糊处理后干扰了原先的判别，而多经过一次模糊处理则尽可能的消除了这层干扰因素，即经过二次模糊处理与经过一次模糊处理的两张图像的梯度商又重新恢复了与判别出是否为模糊图像之间的相关性，进而借助本公开所提供的技术方案提升了模糊图像的判别准确性。

请参考图3，图3为本公开实施例提供的另一种图像模糊检测方法的流程图，其中流程300包括以下步骤：

步骤301：获取待检测的第一图像；

步骤302：对第一图像进行均值模糊处理，得到第二图像；

步骤303：对第二图像进行高斯模糊处理，得到第三图像；

本实施例中，具体提供了一种进行一次模糊处理时使用均值模糊方式、进行二次模糊处理时使用高斯模糊方式的实现方式，该搭配是经实际测试对测试场景下所提供的样本图像具有较好的最终判别准确性的模糊处理方式搭配，具体如何选择模糊处理方式的搭配(例如是否选择相同还是不同的模糊处理方式，如何安排不同模糊处理方式的先后顺序等等)可根据实际应用场景下的常见图像类型。

步骤304：对第二图像做拉普拉斯变换，得到第一梯度信息；

步骤305：对第三图像做拉普拉斯变换，得到第二梯度信息；

本实施例具体选用了做拉普拉斯变换来确定图像的梯度信息的实现方式，除做拉普拉斯变换之外，也可以采用水平垂直差分法、Robert梯度算子、Sobel算子、Prewitt算子等起到相同或类似的作用，此处不再一一列举。

步骤306：求取第一梯度信息的均值，得到第一梯度均值；

步骤307：求取第二梯度信息的均值，得到第二梯度均值；

在步骤304-步骤305的基础上，步骤306-步骤307旨在由上述执行主体分别求取第一梯度信息和第二梯度信息的均值，以对应得到第一梯度均值和第二梯度均值，以通过求取均值的方式简化计算。

步骤308：根据第二梯度均值与第一梯度均值的商，确定第一图像是否为模糊图像。

具体的，本步骤可采用下述的判别方式进行判别：

响应于第二梯度均值与第一梯度均值的商大于预设的模糊判别阈值，确定第一图像为模糊图像；

响应于第二梯度均值与第一梯度均值的商不大于预设阈值，确定第一图像为清晰图像。

其中，模糊判别阈值被作为通过梯度均值商的大小衡量第一图像是否为模糊图像的临界值，模糊判别阈值基于对第一图像是否为模糊图像的标注结果确定得到。

在流程200的实施例基础上，本实施例通过步骤302-步骤303提供了一种适配实际应用场景的模糊处理方式的搭配，还通过步骤304-307提供了一种采用拉普拉斯算子计算图像的梯度信息，并求取均值作为后续求商的计算基础的方式，另外，针对步骤308本实施例还给出了一种基于预设的模糊判别阈值来确定第一图像是否为模糊图像的具体实现方式。

需要说明的是，上述示出的各优选实现部分之间并不存在因果和依赖关系，完全可以分别结合流程200形成不同的独立实施例，本实施例仅作为一个同时包括上述各优选实现部分的优选实施例存在。

通过上述任意实施例，得以能够最终确定出第一图像是否为模糊图像的结论，但考虑到光识别出模糊图像还不够，在多数场景下还需要尽量纠正因模糊图像存在造成的干扰，因此本实施例还分别通过如图4和图5所示的两种去模糊处理方式，其中，图4中的流程400包括以下步骤：

步骤401：搜索与第一图像具有相同颜色分布的期望清晰图像；

由于本实施例建立在第一图像为模糊图像的基础上，因此在第一图像本就为模糊图像的情况下，只能够试图根据相同的颜色分布来查找与之对应的清晰图像，本步骤将其称为期望清晰图像。

步骤402：对第一图像进行去模糊处理，得到去模糊图像；

本步骤旨在由上述执行主体按照常规的或通用的去模糊处理方式对第一图像进行去模糊处理，得到去模糊图像。通常情况下，此类常规的或通用的去抹除处理方式的去模糊效果比较有限。

步骤403：基于期望清晰图像与去模糊图像的差异，调整去模糊处理的处理参数直至差异满足预设要求。

在步骤401和步骤402的基础上，本步骤旨在由上述执行主体基于期望清晰图像与去模糊图像的差异，调整去模糊处理的处理参数直至差异满足预设要求。即本步骤是在明确存在期望清晰图像的基础上，用期望清晰图像与去模糊图像之间的差异，来指导对去模糊处理参数的调整，以期望经过调整后的去模糊处理参数也能够将模糊的第一图像去模糊为期望清晰图像。

区别于图4所示的直接调整去模糊处理的参数的实现方式，如图5所示的方式则是试图训练得到一个有效、可用的图像去模糊模型，流程500包括如下步骤：

步骤501：搜索与第一图像具有相同颜色分布的期望清晰图像；

步骤502：将第一图像作为输入样本、期望清晰图像作为输出样本，训练得到图像去模糊模型。

即通过搜寻大量的输入-输出样本对，来作为训练样本训练去模糊模型，使得去模糊图像在训练过程中逐渐学习到如何将模糊图像修正为清晰图像的方式，进而将其学习到的调整方式泛化的应用在新的模糊图像上。

为加深理解，本公开还结合一个具体应用场景，给出了一种具体的实现方案：

假定存在如下场景需求：用户A在网络上获取到了一组图片，该组图片记录了一个角色演示一组动作的变化过程，用户A需要根据该组图像来建模出与该动作的运动模型，因此需要保证图片的清晰度能够符合建模的需求。为满足上述需求，可按照下述方式来执行：

1)用户A将该组图片上传至图像模糊识别应用来分别对每一张图像进行模糊检测；

2)图像模糊识别应用分别对每张原图依次进行两次模糊处理，并通过拉普拉斯算子计算得到一次模糊图像和二次模糊图像的梯度均值X1、X2；

3)图像模糊识别应用分别计算每张原图的X2/X1，并设定模糊判别阈值为0.85；

4)图像模糊识别应用通过比对发现，该组10张图片中的第1张、第7张的梯度均值商分别为0.9和0.89，使得0.9＞0.85、0.89＞0.85，使得这两张图片被判别属于模糊图像，剩下的8张则属于清晰图像；

5)图像模糊识别应用调用自身预制的去模糊处理模型对第1张、第7张进行去模糊处理，直至经去模糊处理后的图像的新的梯度上均小于0.85后返回给用户A。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种图像模糊检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的图像模糊检测装置600可以包括：第一图像获取单元601、一次模糊处理单元602、二次模糊处理单元603、模糊图像判别单元604。其中，第一图像获取单元601，被配置成获取待检测的第一图像；一次模糊处理单元602，被配置成对第一图像进行第一模糊处理，得到第二图像；二次模糊处理单元603，被配置成对第二图像进行第二模糊处理，得到第三图像；模糊图像判别单元604，被配置成根据第三图像与第二图像的梯度信息商，确定第一图像是否为模糊图像。

在本实施例中，图像模糊检测装置600中：第一图像获取单元601、一次模糊处理单元602、二次模糊处理单元603、模糊图像判别单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，模糊图像判别单元604可以包括：

第一变换子单元，被配置成对第二图像做拉普拉斯变换，得到第一梯度信息；

第二变换子单元，被配置成对第三图像做拉普拉斯变换，得到第二梯度信息；

第一均值求取子单元，被配置成求取第一梯度信息的均值，得到第一梯度均值；

第二均值求取子单元，被配置成求取第二梯度信息的均值，得到第二梯度均值；

模糊图像判别子单元，被配置成根据第二梯度均值与第一梯度均值的商，确定第一图像是否为模糊图像。

在本实施例的一些可选的实现方式中，模糊图像判别子单元可以被进一步配置成：

响应于第二梯度均值与第一梯度均值的商大于预设的模糊判别阈值，确定第一图像为模糊图像；其中，模糊判别阈值被作为通过梯度均值商的大小衡量第一图像是否为模糊图像的临界值，模糊判别阈值基于对第一图像是否为模糊图像的标注结果确定得到；

响应于第二梯度均值与第一梯度均值的商不大于预设阈值，确定第一图像为清晰图像。

在本实施例的一些可选的实现方式中，一次模糊处理单元602可以被进一步配置成：

对第一图像进行均值模糊处理，得到第二图像；

对应的，二次模糊处理单元被进一步配置成：

对第二图像进行高斯模糊处理，得到第三图像。

在本实施例的一些可选的实现方式中，图像模糊检测装置600还可以包括：

第一期望清晰图像搜索单元，被配置成响应于第一图像被确定为模糊图像，搜索与第一图像具有相同颜色分布的期望清晰图像；

去模糊处理单元，被配置成对第一图像进行去模糊处理，得到去模糊图像；

参数调整单元，被配置成基于期望清晰图像与去模糊图像的差异，调整去模糊处理的处理参数直至差异满足预设要求。

在本实施例的一些可选的实现方式中，图像模糊检测装置600还可以包括：

第二期望清晰图像搜索单元，被配置成响应于第一图像被确定为模糊图像，搜索与第一图像具有相同颜色分布的期望清晰图像；

去模糊图像训练单元，被配置成将第一图像作为输入样本、期望清晰图像作为输出样本，训练得到图像去模糊模型。

本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的图像模糊检测装置，在常规仅对第一图像进行一次模糊处理的基础上，对经一次模糊处理后的第二图像又额外进行了一次模糊处理，并将用于判别是否为模糊图像的梯度商的计算方式调整为经过二次模糊处理与经过一次模糊处理的两张图像的梯度信息，即存在噪点的第一图像之所以造成原梯度商与模糊图像判别之间不具有相关性，是因为噪点部分的图像经模糊处理后干扰了原先的判别，而多经过一次模糊处理则尽可能的消除了这层干扰因素，即经过二次模糊处理与经过一次模糊处理的两张图像的梯度商又重新恢复了与判别出是否为模糊图像之间的相关性，进而借助本公开所提供的技术方案提升了模糊图像的判别准确性。

根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的图像模糊检测方法。

根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的图像模糊检测方法。

本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的图像模糊检测方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如图像模糊检测方法。例如，在一些实施例中，图像模糊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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图像模糊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601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模糊检测方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(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***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***、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***、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***、装置或设备使用或与指令执行***、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***、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***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***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***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运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，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。

根据本公开实施例的技术方案，在常规仅对第一图像进行一次模糊处理的基础上，对经一次模糊处理后的第二图像又额外进行了一次模糊处理，并将用于判别是否为模糊图像的梯度商的计算方式调整为经过二次模糊处理与经过一次模糊处理的两张图像的梯度信息，即存在噪点的第一图像之所以造成原梯度商与模糊图像判别之间不具有相关性，是因为噪点部分的图像经模糊处理后干扰了原先的判别，而多经过一次模糊处理则尽可能的消除了这层干扰因素，即经过二次模糊处理与经过一次模糊处理的两张图像的梯度商又重新恢复了与判别出是否为模糊图像之间的相关性，进而借助本公开所提供的技术方案提升了模糊图像的判别准确性。

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。

Claims (15)

1.一种图像模糊检测方法，包括：

获取待检测的第一图像；

对所述第一图像进行第一模糊处理，得到第二图像；

对所述第二图像进行第二模糊处理，得到第三图像；

根据所述第三图像与所述第二图像的梯度信息商，确定所述第一图像是否为模糊图像。

2.根据权利要求1所述的方法，其中，所述根据所述第三图像与所述第二图像的梯度信息商，确定所述第一图像是否为模糊图像，包括：

对所述第二图像做拉普拉斯变换，得到第一梯度信息；

对所述第三图像做拉普拉斯变换，得到第二梯度信息；

求取所述第一梯度信息的均值，得到第一梯度均值；

求取所述第二梯度信息的均值，得到第二梯度均值；

根据所述第二梯度均值与所述第一梯度均值的商，确定所述第一图像是否为模糊图像。

3.根据权利要求2所述的方法，其中，所述根据所述第二梯度均值与所述第一梯度均值的商，确定所述第一图像是否为模糊图像，包括：

响应于所述第二梯度均值与所述第一梯度均值的商大于预设的模糊判别阈值，确定所述第一图像为模糊图像；其中，所述模糊判别阈值被作为通过梯度均值商的大小衡量所述第一图像是否为模糊图像的临界值，所述模糊判别阈值基于对所述第一图像是否为模糊图像的标注结果确定得到；

响应于所述第二梯度均值与所述第一梯度均值的商不大于所述预设阈值，确定所述第一图像为清晰图像。

4.根据权利要求1所述的方法，其中，所述对所述第一图像进行第一模糊处理，得到第二图像，包括：

对所述第一图像进行均值模糊处理，得到所述第二图像；

对应的，所述对所述第二图像进行第二模糊处理，得到第三图像，包括：

对所述第二图像进行高斯模糊处理，得到所述第三图像。

5.根据权利要求1-4任一项所述的方法，还包括：

响应于所述第一图像被确定为模糊图像，搜索与所述第一图像具有相同颜色分布的期望清晰图像；

对所述第一图像进行去模糊处理，得到去模糊图像；

基于所述期望清晰图像与所述去模糊图像的差异，调整所述去模糊处理的处理参数直至所述差异满足预设要求。

6.根据权利要求1-4任一项所述的方法，还包括：

响应于所述第一图像被确定为模糊图像，搜索与所述第一图像具有相同颜色分布的期望清晰图像；

将所述第一图像作为输入样本、所述期望清晰图像作为输出样本，训练得到图像去模糊模型。

7.一种图像模糊检测装置，包括：

第一图像获取单元，被配置成获取待检测的第一图像；

一次模糊处理单元，被配置成对所述第一图像进行第一模糊处理，得到第二图像；

二次模糊处理单元，被配置成对所述第二图像进行第二模糊处理，得到第三图像；

模糊图像判别单元，被配置成根据所述第三图像与所述第二图像的梯度信息商，确定所述第一图像是否为模糊图像。

8.根据权利要求7所述的装置，其中，所述模糊图像判别单元包括：

第一变换子单元，被配置成对所述第二图像做拉普拉斯变换，得到第一梯度信息；

第二变换子单元，被配置成对所述第三图像做拉普拉斯变换，得到第二梯度信息；

第一均值求取子单元，被配置成求取所述第一梯度信息的均值，得到第一梯度均值；

第二均值求取子单元，被配置成求取所述第二梯度信息的均值，得到第二梯度均值；

模糊图像判别子单元，被配置成根据所述第二梯度均值与所述第一梯度均值的商，确定所述第一图像是否为模糊图像。

9.根据权利要求8所述的装置，其中，所述模糊图像判别子单元被进一步配置成：

响应于所述第二梯度均值与所述第一梯度均值的商大于预设的模糊判别阈值，确定所述第一图像为模糊图像；其中，所述模糊判别阈值被作为通过梯度均值商的大小衡量所述第一图像是否为模糊图像的临界值，所述模糊判别阈值基于对所述第一图像是否为模糊图像的标注结果确定得到；

响应于所述第二梯度均值与所述第一梯度均值的商不大于所述预设阈值，确定所述第一图像为清晰图像。

10.根据权利要求7所述的装置，其中，所述一次模糊处理单元被进一步配置成：

对所述第一图像进行均值模糊处理，得到所述第二图像；

对应的，所述二次模糊处理单元被进一步配置成：

对所述第二图像进行高斯模糊处理，得到所述第三图像。

11.根据权利要求7-10任一项所述的装置，还包括：

第一期望清晰图像搜索单元，被配置成响应于所述第一图像被确定为模糊图像，搜索与所述第一图像具有相同颜色分布的期望清晰图像；

去模糊处理单元，被配置成对所述第一图像进行去模糊处理，得到去模糊图像；

参数调整单元，被配置成基于所述期望清晰图像与所述去模糊图像的差异，调整所述去模糊处理的处理参数直至所述差异满足预设要求。

12.根据权利要求7-10任一项所述的装置，还包括：

第二期望清晰图像搜索单元，被配置成响应于所述第一图像被确定为模糊图像，搜索与所述第一图像具有相同颜色分布的期望清晰图像；

去模糊图像训练单元，被配置成将所述第一图像作为输入样本、所述期望清晰图像作为输出样本，训练得到图像去模糊模型。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的图像模糊检测方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的图像模糊检测方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的图像模糊检测方法。

Images