图像清晰度检测方法、装置、电子装置和存储介质与流程

1.本技术涉及图像处理领域，特别是涉及图像清晰度检测方法、装置、电子装置和存储介质。


背景技术：

2.随着安防市场的快速增长，对视频监控画面的清晰度的检测，对于视频监控的正常运行起着重要作用。目前，对于视频监控画面的清晰度检测，往往基于采集的图像内容进行分析。例如，基于归一化处理的图像的均值、最大值建立清晰度评价模型，或者，基于图像边缘过度宽度建立清晰度评价模型。在上述方式中，清晰度检测结果受图像本身内容影响较大，因此检测中存在误报和漏报，准确度较低。
3.针对相关技术中存在图像清晰度检测准确度较低的问题，目前还没有提出有效的解决方案。


技术实现要素：

4.在本实施例中提供了一种图像清晰度检测方法、装置、电子装置和存储介质，以解决相关技术中存在图像清晰度检测准确度较低的问题。
5.第一个方面，在本实施例中提供了一种图像清晰度检测方法，包括：
6.提取待检测目标图像的边缘信息；
7.响应于所述边缘信息满足预设的边缘条件，基于所述边缘信息得到所述目标图像的特征点，并对所述目标图像进行模糊化处理，得到目标模糊图像；
8.基于所述特征点，得到所述目标图像的第一边缘统计特征和所述目标模糊图像的第二边缘统计特征；
9.根据所述第一边缘统计特征和所述第二边缘统计特征之间的相似度，得到所述目标图像的清晰度。
10.在其中的一些实施例中，所述提取待检测目标图像的边缘信息，包括：
11.根据预设的边缘信息提取算子对所述目标图像进行处理，将得到的边缘特征图确定为所述目标图像的边缘信息。
12.在其中的一些实施例中，所述基于所述边缘信息得到所述目标图像的特征点，包括：
13.根据所述边缘信息的局部统计信息，和预设的第一特征值阈值，得到所述目标图像的尖锐点；
14.响应于所述尖锐点的数量大于预设的第一数量阈值，将所述尖锐点作为所述目标图像的特征点。
15.在其中的一些实施例中，还包括：
16.响应于所述尖锐点的数量小于所述第一数量阈值，根据所述边缘信息，和预设的第二特征值阈值，得到所述目标图像的强边缘点；
17.响应于所述强边缘点的数量大于预设的第二数量阈值，将所述强边缘点作为所述目标图像的特征点。
18.在其中的一些实施例中，所述基于所述特征点，得到所述目标图像的第一边缘统计特征和所述目标模糊图像的第二边缘统计特征，包括：
19.基于所述特征点，计算所述目标图像的特征点宽度直方图，得到所述目标图像的第一边缘统计特征；
20.基于所述特征点，计算所述目标模糊图像的特征点宽度直方图，得到所述目标模糊图像的第二边缘统计特征。
21.在其中的一些实施例中，所述基于所述特征点，计算所述目标图像的特征点宽度直方图，包括：
22.根据所述目标图像在所述特征点预设范围内的亮度特征变化值，计算所述特征点在所述预设范围内的极值点；
23.根据所述极值点与所述特征点在所述目标图像中的距离，得到特征点宽度；
24.对所述目标图像中的特征点宽度进行统计，得到所述目标图像的特征点宽度直方图。
25.在其中的一些实施例中，所述根据所述第一边缘统计特征和所述第二边缘统计特征之间的相似度，得到所述目标图像的清晰度，包括：
26.计算所述第一边缘统计特征和所述第二边缘统计特征之间的相似度；
27.根据预设的映射函数对所述相似度进行映射，得到所述目标图像的清晰度。
28.在其中的一些实施例中，在提取待检测目标图像的边缘信息，之后还包括：
29.在所述边缘信息不满足预设的边缘条件的情况下，将所述目标图像的清晰度设置为预设的清晰度异常值。
30.第二个方面，在本实施例中提供了一种图像清晰度检测装置，包括：提取模块、特征获取模块、统计模块、以及清晰度计算模块；其中：
31.所述提取模块，用于提取待检测目标图像的边缘信息；
32.所述特征获取模块，用于响应于所述边缘信息满足预设的边缘条件，基于所述边缘信息得到所述目标图像的特征点，并对所述目标图像进行模糊化处理，得到目标模糊图像；
33.所述统计模块，用于基于所述特征点，得到所述目标图像的第一边缘统计特征和所述目标模糊图像的第二边缘统计特征；
34.所述清晰度计算模块，用于根据所述第一边缘统计特征和所述第二边缘统计特征之间的相似度，得到所述目标图像的清晰度。
35.第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的图像清晰度检测方法。
36.第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的图像清晰度检测方法。
37.本实施例提供了图像清晰度检测方法、装置、电子装置和存储介质，其中的图像清晰度检测方法，通过提取待检测目标图像的边缘信息，响应于边缘信息满足预设的边缘条
件，基于边缘信息得到目标图像的特征点，并对目标图像进行模糊化处理，得到目标模糊图像，基于特征点，得到目标图像的第一边缘统计特征和目标模糊图像的第二边缘统计特征，根据第一边缘统计特征和第二边缘统计特征之间的相似度，得到目标图像的清晰度。其利用目标图像与模糊图像之间的边缘统计特征的相似度，作为目标图像的清晰度的评价，从而避免了基于目标图像本身内容对清晰度检测的影响，提高了图像清晰度检测的准确度。
38.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
39.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
40.图1是本实施例的图像清晰度检测方法的终端的硬件结构框图；
41.图2是本实施例的图像清晰度检测方法的流程图；
42.图3是本实施例提供的一种5
×
5高斯滤波器模板示意图；
43.图4a是本实施例中提供的一种视频帧图像a；
44.图4b是本实施例中视频帧图像a的sobel特征图；
45.图4c是本实施例中视频帧图像a模糊化处理后的sobel特征图；
46.图4d是本实施例中视频图像a对应的特征点宽度直方图；
47.图4e是本实施例中视频帧图像a模糊化处理后对应的特征点宽度直方图；
48.图5a是本实施例中提供的一种视频帧图像b；
49.图5b是本实施例中视频帧图像b的sobel特征图；
50.图5c是本实施例中视频帧图像b模糊化处理后的sobel特征图；
51.图5d是本实施例中视频图像b对应的特征点宽度直方图；
52.图5e是本实施例中视频帧图像b模糊化处理后对应的特征点宽度直方图；
53.图6是本优选实施例的图像清晰度检测方法的流程图；
54.图7是本实施例的图像清晰度检测装置的结构框图。
具体实施方式
55.为更清楚地理解本技术的目的、技术方案和优点，下面结合附图和实施例，对本技术进行了描述和说明。
56.除另作定义外，本技术所涉及的技术术语或者科学术语应具有本技术所属技术领域具备一般技能的人所理解的一般含义。在本技术中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本技术中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本技术中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本技术中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，
例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本技术中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
57.在本实施例中提供的方法实施例可以在终端、计算机、服务器或者类似的运算装置中执行。下文中以在终端上运行为例进行说明，图1是本实施例的图像清晰度检测方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
58.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的图像清晰度检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
59.传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
60.在本实施例中提供了一种图像清晰度检测方法，图2是本实施例的图像清晰度检测方法的流程图，如图2所示，该流程包括如下步骤：
61.步骤s210，提取待检测目标图像的边缘信息。
62.具体地，该目标图像可以来源于待进行清晰度检测的视频设备所采集的视频数据中的某一帧图像。在采集该目标图像时，为了提高该目标图像的清晰度检测结果，可以基于yuv采样格式对视频图像进行采集，并将y通道图像作为该目标图像。另外地，还可以通过其他格式对视频图像进行采集，例如rgb格式，在此不作具体限定。
63.另外地，可以通过边缘信息提取算子，对该目标图像进行处理，从而得到该边缘信息。例如，可以通过边缘检测sobel算子，对目标图像计算sobel特征图，从而得到该边缘信息。另外地，也可以通过其他边缘信息提取算子，例如canny算子对目标图像进行处理。具体的边缘信息提取方法可以结合实际应用场景进行确定，在此不作具体限定。
64.步骤s220，响应于边缘信息满足预设的边缘条件，基于边缘信息得到目标图像的特征点，并对目标图像进行模糊化处理，得到目标模糊图像。
65.其中，该预先设置的边缘条件，具体可以包括边缘信息中特征值阈值和大于该特征值阈值的数量阈值。示例性地，在提取到目标图像的sobel特征图作为该目标图像的边缘信息后，若目标图像上的点p，其对应的sobel特征值i
sobel
(p)为邻域范围内的sobel特征值
最大值，并且大于预设的sobel特征值阈值t0，则将该点p作为目标图像的一个尖锐点，若目标图像上所有尖锐点的数量大于预设的第一数量阈值，则可以确定该边缘信息满足预设的边缘条件，并将尖锐点作为该目标图像的特征点。进一步地，若目标图像上所有尖锐点的数量小于预设的第二数量阈值，则可以根据预设的sobel特征值阈值t1，判断目标图像中是否存在sobel特征值大于该t1的点，若是，则将sobel特征值大于t1的点作为目标图像的强边缘点。在强边缘点的数量大于预设的第二数量阈值的情况下，可以确定该边缘信息满足预设的边缘条件，并将该强边缘点作为目标图像的特征点。若目标图像的尖锐点数量小于第一数量阈值，且强边缘点的数量小于第二数量阈值，则可以确定该边缘信息不满足预设的边缘条件。
66.在边缘信息满足预设的边缘条件的情况下，可以对目标图像进行高斯模糊，从而得到目标模糊图像。具体地，可以根据预设的高斯滤波器模板，对目标图像进行设置。图3为本实施例提供的一种5
×
5高斯滤波器模板示意图。此外，也可以通过实际应用场景设置其他高斯滤波器模板，在此不作具体限定。
67.另外地，在边缘信息不满足预设的边缘条件的情况下，可以将该目标图像的清晰度设置为预先确定的清晰度异常值。
68.步骤s230，基于特征点，得到目标图像的第一边缘统计特征和目标模糊图像的第二边缘统计特征。
69.具体地，可以基于该特征点在目标图像中的坐标，确定该特征点预设范围内的亮度变化信息，对所有特征点对应的亮度变化信息进行统计，从而得到目标图像的第一边缘统计特征；并基于该特征点在目标模糊图像中的坐标，确定该特征点在目标模糊图像中预设范围内的亮度变化信息，从而得到目标模糊图像的第二边缘统计特征。进一步地，可以基于特征点在目标图像中的坐标，确定目标图像在该特征点的预设范围内，亮度值一阶求导后是否存在亮度变化极小值点和亮度变化极大值点，根据对应的极小值点和/或极大值点在目标图像中与该特征点的距离，以及预设范围大小计算该特征点宽度，进而统计得到目标图像的特征点宽度直方图。
70.步骤s240，根据第一边缘统计特征和第二边缘统计特征之间的相似度，得到目标图像的清晰度。
71.本实施例比对目标图像与其自身模糊处理后得到的模糊图像之间的相似度，目标图像清晰度越高，其与对应的模糊图像之间的相似度将越低，因此通过计算第一边缘统计特征和第二边缘统计特征之间的相似度，可以确定目标图像与其模糊图像在边缘统计特征上的相似度，进而能够基于该相似度确定目标图像的清晰度。具体地，可以基于预设的映射函数，对该相似度进行处理，从而得到目标图像对应的清晰度。通过采集视频数据中若干帧图像的清晰度均值，并根据预设的清晰度异常阈值，判断该视频数据存在清晰度异常，若是，则触发相关系统进行报警或生成提示消息。
72.上述步骤s210至步骤s240，通过提取待检测目标图像的边缘信息，响应于边缘信息满足预设的边缘条件，基于边缘信息得到目标图像的特征点，并对目标图像进行模糊化处理，得到目标模糊图像，基于特征点，得到目标图像的第一边缘统计特征和目标模糊图像的第二边缘统计特征，根据第一边缘统计特征和第二边缘统计特征之间的相似度，得到目标图像的清晰度。其利用目标图像与模糊图像之间的边缘统计特征的相似度，作为目标图
像的清晰度的评价，从而避免了基于目标图像本身内容对清晰度检测的影响，提高了图像清晰度检测的准确度。
73.进一步地，在一个实施例中，基于上述步骤s220，提取待检测目标图像的边缘信息，具体包括以下步骤：
74.步骤s221，根据预设的边缘信息提取算子对目标图像进行处理，将得到的边缘特征图确定为目标图像的边缘信息。其中，该边缘信息提取算子具体可以为sobel算子或canny算子，也可以为其他用于图像边缘信息提取的算子。通过对目标图像进行边缘信息提取，基于边缘信息实现对目标图像的清晰度评价，能够提高清晰度检测结果的准确度。
75.另外地，在一个实施例中，基于上述步骤s220，基于边缘信息得到目标图像的特征点，具体包括以下步骤：
76.步骤s221，根据边缘信息的局部统计信息，和预设的第一特征值阈值，得到目标图像的尖锐点。
77.其中，该局部统计信息具体可以为预设范围内边缘信息的特征值最大值。例如，在目标图像的每n
×
n大小邻域范围内的sobel特征值最大值。具体地，在使用sobel算子提取目标图像的边缘信息的情况下，可以判断对于目标图像中的任意一点p，其对应的sobel特征值i
sobel
(p)是否为预设邻域范围内的最大值，且是否大于第一特征值阈值，若是，则将该点p作为目标图像的一个尖锐点。其中，获取目标图像中尖锐点集合的过程如下式所示。
78.s1＝{p|islocalmax(i
sobel
(p))，且i
sobel
(p)》t0}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
79.其中，s1表示尖锐点集合，islocalmax(i
sobel
(p))表示目标图像上的局部最大值，t0为第一特征值阈值。
80.步骤s222，响应于尖锐点的数量大于预设的第一数量阈值，将尖锐点作为目标图像的特征点。具体地，在尖锐点的数量大于预设的第一数量阈值的情况下，可以确定目标图像的边缘信息满足预设的边缘条件，则可以将尖锐点作为目标图像的特征点，从而基于尖锐点得到目标图像的第一边缘统计特征，和目标模糊图像的第二边缘统计特征。
81.上述步骤s221至步骤s222，通过基于特征值阈值和特征点数量阈值来确定边缘信息中的尖锐点，并基于尖锐点得到目标图像的第一边缘统计特征和目标模糊图像的第二边缘统计特征，从而能够提高边缘信息统计的准确度，进而提高后续清晰度识别结果的准确度。
82.另外地，在一个实施例中，基于上述步骤s220，上述图像清晰度检测方法，还可以包括以下步骤：
83.步骤s223，响应于尖锐点的数量小于第一数量阈值，根据边缘信息，和预设的第二特征值阈值，得到目标图像的强边缘点。具体地，在尖锐点的数量小于第一数量阈值的情况下，获取目标图像中边缘信息的特征值大于预设的第二特征值阈值的特征点，作为目标图像的强边缘点。例如，可以根据下式，得到目标图像中基于sobel特征的所有的强边缘点。
84.s2＝{p|i
sobel
(p)》t1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
85.其中，s2表示强边缘点集合，i
sobel
(p)表示目标图像中任意一点p对应的sobel特征值，t1表示第二特征值阈值。
86.步骤s224，响应于强边缘点的数量大于预设的第二数量阈值，将强边缘点作为目标图像的特征点。
87.另外地，若强边缘点的数量小于预设的第二数量阈值，则可以确定该目标图像的边缘信息不符合预设的边缘条件，从而可以确定该目标图像为清晰度异常的图像。
88.上述步骤s223至步骤s224，响应于尖锐点数量小于预设的第一数量阈值，通过获取目标图像中的强边缘点，响应于强边缘点的数量大于预设的第二数量阈值，将强边缘点作为特征点，从而基于强边缘点得到目标图像的第一边缘统计特征，和目标模糊图像的第二边缘统计特征，从而提高清晰度检测的准确度。
89.另外地，在一个实施例中，基于上述步骤s230，基于特征点，得到目标图像的第一边缘统计特征和目标模糊图像的第二边缘统计特征，具体包括以下步骤：
90.步骤s231，基于特征点，计算目标图像的特征点宽度直方图，得到目标图像的第一边缘统计特征。
91.具体地，判断目标图像在特征点预设范围内，是否存在亮度变化的极小值点或极大值点。若存在极小值点和极大值点，则可以计算该预设范围内的极小值点和极大值点在目标图像上的距离，得到特征点宽度。若仅存在极小值点，则根据该极小值点与特征点在目标图像上的距离，以及该预设范围的宽度，得到特征点宽度。若仅存在极大值点，则根据该极大值点与特征点在目标图像上的距离，以及该预设范围的宽度，得到特征点宽度。统计目标图像上每个特征点对应的特征点宽度，从而得到目标图像的特征点宽度直方图，进而得到目标图像的第一边缘统计特征。类似地，可以基于特征点在目标模糊图像上对应的坐标，按照上述求解第一边缘统计特征的方式，得到目标模糊图像上的第二边缘统计特征。
92.步骤s232，基于特征点，计算目标模糊图像的特征点宽度直方图，得到目标模糊图像的第二边缘统计特征。
93.上述步骤s231和步骤s232，通过基于特征点，计算目标图像的特征点宽度直方图和目标模糊图像的特征点宽度直方图，从而基于特征点宽度直方图实现了对目标图像和与其对应的模糊图像的边缘信息的准确表征，从而提高了对图像边缘统计特征的提取准确度。
94.进一步地，在一个实施例中，基于上述步骤s231，基于特征点，计算目标图像的特征点宽度直方图，具体包括以下步骤：
95.步骤s2311，根据目标图像在特征点预设范围内的亮度特征变化值，计算特征点在预设范围内的极值点；
96.步骤s2312，根据极值点与特征点在目标图像中的距离，得到特征点宽度；
97.步骤s2313，对目标图像中的特征点宽度进行统计，得到目标图像的特征点宽度直方图。
98.具体的特征点宽度计算过程如下式所示。
[0099][0100]
其中，w为特征点宽度；is_find_small为该特征点预设范围内存在极小值点的标记；is_find_big为该特征点预设范围内存在极大值点的标记；small_r为极小值点与特征
值点之间的距离；big_r为极大值点与特征值点之间的距离；maxr为预设范围内，特征点到该范围边界的距离。通过对目标图像中所有特征点对应的特征点宽度进行统计，得到特征点宽度直方图。
[0101]
另外地，在一个实施例中，基于上述步骤s240，根据第一边缘统计特征和第二边缘统计特征之间的相似度，得到目标图像的清晰度，具体包括以下步骤：
[0102]
步骤s241，计算第一边缘统计特征和第二边缘统计特征之间的相似度。
[0103]
具体地，可以将第一边缘统计特征和第二边缘统计特征归一化到相同的尺度空间，并计算二者之间的距离，从而得到该相似度。进一步地，可以利用相关性比较、卡方比较、十字交叉性、以及巴氏距离等计算二值之间的相似度。具体的相似度计算方法可以根据实际应用场景进行设置，在此不作具体限定。
[0104]
其中，以巴氏距离为例，得到该相似度similar的计算过程如下式所示：
[0105][0106]
其中，similar为第一边缘统计特征与第二边缘统计特征之间的相似度；h1为第一边缘统计特征；h2为第二边缘统计特征；i为目标图像。
[0107]
步骤s242，根据预设的映射函数对相似度进行映射，得到目标图像的清晰度。
[0108]
示例性地，该映射函数如下式所示：
[0109][0110]
其中，similar为第一边缘统计特征与第二边缘统计特征之间的相似度；s
min
、s
mid
、s
max
为三种相似度阈值，其中，当上述步骤s241计算得到的相似度similar小于等于s
min
时，将该目标图像的清晰度映射为0；当similar等于s
mid
时，将清晰度映射为50；当similar大于s
max
时，将清晰度映射为100。对于similar的其他取值情况可以参照上式进行计算，在此不再赘述。另外地，上述映射函数仅为本实施例中提供的一种示例，具体映射函数的设置可以根据实际应用场景进行确定。
[0111]
基于上述方法，可以对采集的视频数据中的每帧图像进行清晰度进行计算，取连续若干帧图像的清晰度的均值，判断该视频数据是否存在清晰度异常的问题。例如，可以取连续三帧图像的清晰度，若该连续三帧图像的清晰度均值大于预设的清晰度异常阈值，则可以确定该视频数据存在清晰度异常，从而触发相关系统进行报警或消息提示。
[0112]
上述步骤s241至步骤s242，通过预设的映射函数对相似度进行映射，从而得到目标图像的清晰度，避免了基于图像本身内容检测清晰度，从而提高了图像清晰度检测的准确度。
[0113]
另外地，在一个实施例中，在提取待检测目标图像的边缘信息之后，上述图像清晰度检测方法还包括以下步骤：
[0114]
步骤s250，在边缘信息不满足预设的边缘条件的情况下，将目标图像的清晰度设置为预设的清晰度异常值。例如，在清晰度异常阈值为50的情况下，可以将该目标图像的清晰度设置为100。
[0115]
在一个实施例中，图4a为一张较为清晰的视频帧图像a；图4b为对视频帧图像a进行sobel算子处理后，得到的sobel特征图；图4c为对该视频帧图像a进行模糊化处理后，提取得到的sobel特征图。图4d为基于上述步骤计算得到的视频帧图像a对应的特征点宽度直方图；图4e为基于上述步骤计算得到的视频帧图像a对应的模糊图像的特征点宽度直方图。根据图4d和图4e可知，对于清晰度较高的图像而言，其与自身模糊化处理后得到的模糊图像，在特征点宽度直方图上的相似度较低。
[0116]
另外地，在一个实施例中，图5a为一张较为模糊的视频帧图像b；图5b为对视频帧图像b进行sobel算子处理后，得到的sobel特征图；图5c为对该视频帧图像b进行模糊化处理后，提取得到的sobel特征图。图5d为基于上述步骤计算得到的视频帧图像b对应的特征点宽度直方图；图5e为基于上述步骤计算得到的视频帧图像b对应的模糊图像的特征点宽度直方图。根据图5d和图5e可知，对于较为模糊的图像而言，其与自身模糊化处理后得到的模糊图像，在特征点宽度直方图上的相似度较高。
[0117]
下面通过优选实施例对本实施例进行描述和说明。
[0118]
图6是本优选实施例的图像清晰度检测方法的流程图。如图6所示，该图像清晰度检测方法包括如下步骤：
[0119]
步骤s601，输入当前视频帧图像；
[0120]
步骤s602，计算当前视频帧图像中尖锐点坐标集合，及该尖锐点坐标个数m，更新当前帧图像的特征点为尖锐点；
[0121]
步骤s603，判断尖锐点数量m是否小于第一数量阈值thresh1；若是，则执行步骤s604，否则，执行步骤s606；
[0122]
步骤s604，计算当前视频帧图像中的强边缘点坐标集合，即该强边缘点坐标个数n，更新当前帧图像的特征点为强边缘点；
[0123]
步骤s605，判断强边缘点个数n是否大于第二数量阈值thresh2；若是，则执行步骤s606，否则，执行步骤s609；
[0124]
步骤s606，对当前视频帧图像做高斯模糊，得到当前视频帧模糊图像；
[0125]
步骤s607，计算当前帧视频图像和当前视频帧模糊图像的特征点宽度直方图；
[0126]
步骤s608，根据当前帧视频图像和当前视频帧模糊图像的特征点宽度直方图之间的相似度，计算当前帧视频图像的清晰度；
[0127]
步骤s609，将当前帧视频图像的清晰度设置为预设的清晰度异常值；
[0128]
步骤s610，输出当前视频帧图像的清晰度。
[0129]
在本实施例中还提供了一种图像清晰度检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0130]
图7是本实施例的图像清晰度检测装置70的结构框图，如图7所示，该图像清晰度检测装置70包括：提取模块72、特征获取模块74、统计模块76、以及清晰度计算模块78；其
中：
[0131]
提取模块72，用于提取待检测目标图像的边缘信息；
[0132]
特征获取模块74，用于响应于边缘信息满足预设的边缘条件，基于边缘信息得到目标图像的特征点，并对目标图像进行模糊化处理，得到目标模糊图像；
[0133]
统计模块76，用于基于特征点，得到目标图像的第一边缘统计特征和目标模糊图像的第二边缘统计特征；
[0134]
清晰度计算模块78，用于根据第一边缘统计特征和第二边缘统计特征之间的相似度，得到目标图像的清晰度。
[0135]
上述图像清晰度检测装置70，通过提取待检测目标图像的边缘信息，响应于边缘信息满足预设的边缘条件，基于边缘信息得到目标图像的特征点，并对目标图像进行模糊化处理，得到目标模糊图像，基于特征点，得到目标图像的第一边缘统计特征和目标模糊图像的第二边缘统计特征，根据第一边缘统计特征和第二边缘统计特征之间的相似度，得到目标图像的清晰度。其利用目标图像与模糊图像之间的边缘统计特征的相似度，作为目标图像的清晰度的评价，从而避免了基于目标图像本身内容对清晰度检测的影响，提高了图像清晰度检测的准确度。
[0136]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0137]
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0138]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0139]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0140]
提取待检测目标图像的边缘信息；
[0141]
响应于边缘信息满足预设的边缘条件，基于边缘信息得到目标图像的特征点，并对目标图像进行模糊化处理，得到目标模糊图像；
[0142]
基于特征点，得到目标图像的第一边缘统计特征和目标模糊图像的第二边缘统计特征；
[0143]
根据第一边缘统计特征和第二边缘统计特征之间的相似度，得到目标图像的清晰度。
[0144]
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
[0145]
此外，结合上述实施例中提供的图像清晰度检测方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种图像清晰度检测方法。
[0146]
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本技术提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本技术保护范围。
[0147]
显然，附图只是本技术的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本技术适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本技术披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本技术公开的内容不足。
[0148]“实施例”一词在本技术中指的是结合实施例描述的具体特征、结构或特性可以包括在本技术的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本技术中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
[0149]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。