图像检测方法、装置、电子设备及存储介质与流程

1.本发明涉图像检测技术领域，具体涉及一种图像检测方法、装置、电子设备及存储介质。


背景技术：

2.目前业界对卡证的模糊检测所使用的基于深度学习的方法，主要包括语义分割算法和分类算法，这类算法的训练成本较高，且只对特定卡证有效。此外，这类算法对卡证的局部模糊检测的精准度也不高。


技术实现要素：

3.鉴于以上内容，有必要提出一种图像检测方法、装置、电子设备及存储介质，能够辅助进行对多种类型的卡证进行模糊检测，降低训练成本，提高对卡证图像的局部模糊检测的准确度。
4.本发明的第一方面提供一种图像检测方法，所述方法包括：
5.获取待检测图像；
6.利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果；
7.当所述第一检测结果为清晰时，对所述待检测图像进行感兴趣区域roi处理，获得所述待检测图像的多个roi区域；
8.利用所述模糊检测算法对每个roi区域进行模糊检测，获得任一roi区域的第二检测结果；
9.当任一roi区域的所述第二检测结果为模糊时，确定所述待检测图像为模糊图像。
10.根据本发明的一个可选的实施方式，所述利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果，包括：
11.对所述待检测图像进行图像灰度化处理，得到所述待检测图像的灰度图像；
12.将所述灰度图像划分为n
×
n个子区域，其中，n表示根据待检测图像的尺寸设置的正整数；
13.对所述灰度图像进行傅里叶变换，得到所述灰度图像的频谱图s：
14.基于所述频谱图s的图像中心点对所述频谱图s进行中心化，获得图像s1；
15.对所述图像s1进行傅里叶逆变换，获得图像s2；
16.以所述图像s2的图像左下角为第一坐标原点构建第一平面直角坐标系，将所述图像s2的[(n-f1)/2:(n f1)/2,(n-f1)/2:(n f1)/2]区域内的灰度值更新为0，获得图像s3，其中，f1表示预先计算的尺寸的超参数；
[0017]
计算所述图像s3的图像均值m，比较所述图像s3的图像均值m与预先计算的条件阈值的超参数f2的大小，获得所述第一检测结果，包括：
[0018]
若所述图像s3的图像均值m大于所述超参数f2，确定所述第一检测结果为清晰；或
[0019]
若所述图像s3的图像均值m小于或等于所述超参数f2，确定所述第一检测结果为模糊。
[0020]
根据本发明的一个可选的实施方式，所述基于所述频谱图s的图像中心点对所述频谱图s进行中心化，获得图像s1，包括：
[0021]
以所述频谱图s的图像中心点为第二坐标原点构建第二平面直角坐标系，所述第二平面直角坐标系的横轴与纵轴将所述频谱图s划分为四个象限，所述四个象限包括第一象限、第二象限、第三象限和第四象限；
[0022]
将所述第一象限的图像与所述第三象限的图像进行交换，将所述第二象限的图像与所述第四象限的图像进行交换，获得所述图像s1。
[0023]
根据本发明的一个可选的实施方式，所述方法还包括：对所述模糊检测算法进行优化，包括：
[0024]
对所述模糊检测算法的尺寸的超参数与条件阈值的超参数进行优化，将得到的最优的尺寸超参数作为所述超参数f1，以及将得到的最优的条件阈值的超参数作为所述超参数f2。
[0025]
根据本发明的一个可选的实施方式，所述对所述模糊检测算法的尺寸的超参数与条件阈值的超参数进行优化包括：
[0026]
获取数据集x，所述数据集x包括多张正样本图像x_p和多张负样本图像x_n，将所述数据集x中的任一图像表示为xj；
[0027]
设置初始尺寸的超参数f1_i，所述超参数f1_i属于[f1_a，f1_b]，其中，f1_a表示所述数据集x中图像的最小尺寸，f1_b表示所述数据集x中图像的最大尺寸，所述数据集x中图像的尺寸包括图像的长度或宽度；
[0028]
利用所述模糊检测算法遍历所述[f1_a，f1_b]范围内的每个超参数f1_i对所述数据集x进行模糊检测，得到图像xj对应的图像s3_xj_i的图像均值mj_i；
[0029]
对于每个超参数f1_i，将正样本图像x_p中最小的图像均值mj_i作为初始条件阈值的超参数f2_i，并计算负样本图像x_n的识别精度pre_n_i；
[0030]
将最大的识别精度pre_n_i对应的f1_i作为所述超参数f1，将所述超参数f1对应的超参数f2_i作为所述超参数f2。
[0031]
根据本发明的一个可选的实施方式，所述计算负样本图像x_n的识别精度pre_n_i包括：
[0032]
确定负样本图像x_n中图像的总个数q，以及负样本图像x_n中图像均值mj_i小于等于所述超参数f2_i的图像的个数p_i，令所述识别精度pre_n_i＝p_i/q。
[0033]
根据本发明的一个可选的实施方式，所述方法还包括：
[0034]
当所述第一检测结果为模糊时，确定所述待检测图像为模糊图像；或
[0035]
当所有roi区域的第二检测结果为清晰时，确定所述待检测图像为清晰图像。
[0036]
本发明的第二方面提供一种图像检测装置，所述装置包括：
[0037]
获取模块，用于获取待检测图像；
[0038]
检测模块，用于利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果；
[0039]
处理模块，用于当所述第一检测结果为清晰时，对所述待检测图像进行感兴趣区
域roi处理，获得所述待检测图像的多个roi区域；
[0040]
检测模块，还用于利用所述模糊检测算法对每个roi区域进行模糊检测，获得任一roi区域的第二检测结果；
[0041]
判断模块，用于当任一所述第二检测结果为模糊时，确定所述待检测图像为模糊图像。
[0042]
本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述图像检测方法。
[0043]
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述图像检测方法。
[0044]
综上所述，本发明所述的图像检测方法、装置、电子设备及存储介质，首先利用少量训练样本训练模糊检测算法，利用所述模糊检测算法对待检测图像进行模糊检测，当第一检测结果为清晰时，基于roi技术获取所述待检测区域的roi区域，再对每个roi区域利用所述模糊检测算法进行复核，当任一roi区域的第二检测结果为模糊时，确定所述待检测图像为模糊图像，当所有roi区域的第二检测结果为清晰时，确定所述待检测图像为清晰图像，从而提高对所述待检测图像的模糊检测的准确度，剔除拍摄图像获得的模糊图像，还可以降低训练成本和计算量，方便部署至移动终端，提高移动终端拍摄图像的清晰度。
附图说明
[0045]
图1是本发明实施例一提供的图像检测方法的流程图。
[0046]
图2是本发明实施例二提供的图像检测装置的结构图。
[0047]
图3是为本技术实施例提供的频谱中心化的示例图。
[0048]
图4是本技术实施例提供的第一平面直角坐标系的示例图。
[0049]
图5是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
[0050]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
[0051]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述在一个可选的实施方式中实施例的目的，不是旨在于限制本发明。
[0052]
本发明实施例提供的图像检测方法由电子设备执行，相应地，图像检测装置运行于电子设备中。
[0053]
实施例一
[0054]
图1是本发明实施例一提供的图像检测方法的流程图。所述图像检测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
[0055]
s11，获取待检测图像。
[0056]
在一个可选的实施方式中，本技术实施例提供的方案可以应用于对多种类型的卡证图像进行模糊检测，所述待检测图像可以包括多种类型的卡证图像，例如，身份证图像、
名片图像等。
[0057]
电子设备可以响应用户输入获取所述待检测图像，还可以预先存储所述待检测图像在电子设备的存储器中，或者预先存储待检测图像在与电子设备通讯连接的其他设备中。此外，所述电子设备还可以包括移动终端(例如，手机)，可以利用所述移动终端的摄像装置(例如，手机的摄像头)对卡证(例如，身份证、名片等)进行拍摄，将拍摄获得的卡证图像作为所述待检测图像。
[0058]
在一个可选的实施方式中，可以将本技术实施例提供的方案部署至移动终端，在利用移动终端对卡证进行拍摄时，实时检测获得的卡证图像是否为模糊图像，从而在卡证图像为模糊图像时提醒用户进行重新拍摄，以剔除卡证的模糊图像，提高摄像装置的拍摄精度以及获得的卡证图像的清晰度。在其他实施例中，本技术提供的方案还可以用于对卡证图像之外的其他物品(例如，课本等)的图像进行检测。
[0059]
s12，利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果。
[0060]
在一个可选的实施方式中，所述利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果，包括：
[0061]
对所述待检测图像进行图像灰度化处理，得到所述待检测图像的灰度图像；
[0062]
将所述灰度图像划分为n
×
n个子区域，其中，n表示根据待检测图像的尺寸设置的正整数；
[0063]
对所述灰度图像进行傅里叶变换，得到所述灰度图像的频谱图s：
[0064]
基于所述频谱图s的图像中心点对所述频谱图s进行中心化，获得图像s1；
[0065]
对所述图像s1进行傅里叶逆变换，获得图像s2；
[0066]
以所述图像s2的图像左下角为第一坐标原点构建第一平面直角坐标系，将所述图像s2的[(n-f1)/2:(n f1)/2,(n-f1)/2:(n f1)/2]区域内的灰度值更新为0，获得图像s3，其中，f1表示预先计算的尺寸的超参数，(n-f1)/2:(n f1)/2表示所述第一平面直角坐标系的横轴或纵轴上(n-f1)/2至(n f1)/2的范围；
[0067]
计算所述图像s3的图像均值m，比较所述图像s3的图像均值m与预先计算的条件阈值的超参数f2的大小，获得所述第一检测结果，包括：
[0068]
若所述图像s3的图像均值m大于所述超参数f2，确定所述第一检测结果为清晰；或
[0069]
若所述图像s3的图像均值m小于或等于所述超参数f2，确定所述第一检测结果为模糊。
[0070]
在一个可选的实施方式中，在对所述待检测图像进行图像灰度化处理之前，还可以对所述待检测图像进行其他预处理，例如图像几何校正、图像灰度校正等，从而对由于摄像装置的拍摄姿态和扫描非线性引起的图像几何失真(例如，图像中的横线不平)、由于拍摄场景的光源引起的图像成像不均匀(例如，曝光不均匀使图像半边暗半边亮)等进行校准，使得所述待检测图像最大程度地接近真实物品。此外，还可以对所述待检测图像进行裁剪，以获得待检测图像中需要检测的区域，将需要检测的区域的图像作为之后步骤中的待检测图像。例如，将卡证所在区域的卡证图像截取出来，以去除卡证图像之外的背景图像，将卡证图像作为待检测图像，从而提高卡证图像的模糊检测的准确度。
[0071]
在一个可选地实施例中，对所述待检测图像进行图像灰度化处理的方法包括分量
法、最大值法、平均值法、加权平均法等。所述图像灰度化处理包括使得所述待检测图像的像素点矩阵中的每一个像素点都满足关系：r＝g＝b，其中r表示红色，g表示绿色，b表示蓝色。举例而言，像素点a的rgb为(100,100,100)代表像素点a的灰度值为100。其中，所述加权平均法包括：将待检测图像中任一像素点的r、g、b这三个分量以不同的权值进行加权平均，将加权平均的结果gray作为所述任一像素点的灰度值，得到所述待检测图像的灰度图像，其中，加权平均所使用的公式包括：gray＝0.299r 0.578g 0.114b。
[0072]
在一个可选的实施方式中，所述待检测图像大多是彩色图像，通过所述图像灰度化处理对所述待检测图像进行预处理，可以简化所述待检测图像的图像矩阵，提高后续运算的运算速度。
[0073]
在一个可选的实施方式中，所述待检测图像大多是矩形图像，所述灰度图像的尺寸与所述待检测图像的尺寸相同。可以根据所述灰度图像的尺寸将所述灰度图像划分为n
×
n个子区域，其中，n表示根据待检测图像的尺寸设置的正整数，例如，10。此外，所述灰度图像还可以是正方形的图像，所述n可以表示正方形的所述灰度图像的边长的长度，例如，当所述灰度图像为边长40毫米的正方形图像时，所述n可以为40，此灰度图像划分为40
×
40个子区域；所述n还可以表示正方形的所述灰度图像的边长的像素的个数，例如，当所述灰度图像为像素500
×
500的正方形图像时，所述n可以为500，此灰度图像划分为500
×
500个子区域。
[0074]
在一个可选的实施方式中，对所述灰度图像进行的所述傅里叶变换(fourier transform，ft)包括二维离散傅里叶变换(discrete fourier transform，dft)，可以将所述灰度图像由空间域(二维灰度矩阵)转换至频域(频率矩阵)，得到所述灰度图像的频谱图s(或称功率图)。
[0075]
其中，所述频谱图s的大小于所述灰度图像一致，所述频谱图s中像素点的明暗度表示像素点的频率(或称能量)大小，所述频率可以表示灰度值变化的剧烈程度。所述频谱图s中亮的点越多，表示高频区域越多，所述高频区域表示所述灰度图像中灰度值变化剧烈的区域，例如物体边缘、随机噪声(或称噪音)等，一般而言高频区域在所述频谱图s中占比较小；所述频谱图s中暗的点越多，表示低频区域越多，所述低频区域表示所述灰度图像中灰度值变化缓慢的区域，保留了图像的主要信息，所述频谱图s的大部分区域都是低频区域。
[0076]
在一个可选的实施方式中，所述基于所述频谱图s的图像中心点对所述频谱图s进行中心化，获得图像s1，包括：
[0077]
以所述频谱图s的图像中心点为第二坐标原点构建第二平面直角坐标系，所述第二平面直角坐标系的横轴与纵轴将所述频谱图s划分为四个象限，所述四个象限包括第一象限、第二象限、第三象限和第四象限；
[0078]
将所述第一象限的图像与所述第三象限的图像进行交换，将所述第二象限的图像与所述第四象限的图像进行交换，获得所述图像s1。
[0079]
在一个可选的实施方式中，由于dft的周期性，只取其中一个周期得到的所述频谱图s的能量中心可能会分布在正方形的四个边角。基于所述频谱图s的图像中心点对所述频谱图s进行频谱的中心化获得图像s1，可以将能量中心聚集至正方形的中心，便于频谱的分析。例如图3所示，为本技术实施例提供的频谱中心化的示例图，其中，数字1至4分别表示第
一至第四象限。具体地，可以使用matlab软件中的fftshit命令实现频谱居中的目的。
[0080]
在一个可选的实施方式中，所述傅里叶逆变换(inverse fourier transform，int)可以将所述图像s1由频域转换至空间域。经过所述傅里叶变换和所述傅里叶逆变换，可以实现对所述灰度图像的图像去噪，例如，在获得所述频谱图s后，可以直观确定所述灰度图像的噪音的类型，当所述噪音的类型为高频噪音时，可以低通滤波器对图像进行处理以去除高频噪音。
[0081]
在一个可选的实施方式中，以所述图像s2的图像左下角为第一坐标原点构建第一平面直角坐标系。例如图4所示，为本技术实施例提供的第一平面直角坐标系的示例图，其中，虚线框内的区域表示区域[(n-f1)/2:(n f1)/2,(n-f1)/2:(n f1)/2]。
[0082]
所述超参数f1表示预先计算的尺寸的超参数，所述超参数f1为小于或等于n的整数。例如，当n表示边长40毫米的正方形图像的边长尺寸时，n等于40，那么所述超参数f1小于或等于40。此外，所述超参数f1与所述图像s2中最模糊的区域的范围相关，区域[(n-f1)/2:(n f1)/2,(n-f1)/2:(n f1)/2]表示所述图像s2中最模糊的区域，将此区域内的灰度值更新为0可以提高图像模糊检测的精准度。具体地，所述超参数f1的计算将在后续对所述模糊检测算法进行优化的步骤进行说明。
[0083]
在一个可选的实施方式中，所述计算所述图像s3的图像均值m包括：计算所述图像s3的(r_mean,g_mean,b_mean)。其中r_mean表示所述图像s3中所有像素点的r分量的均值，g_mean表示所述图像s3中所有像素点的g分量的均值，b_mean表示所述图像s3中所有像素点的b分量的均值，将(r_mean,g_mean,b_mean)作为所述图像均值m。计算所述图像均值m可以将所述图像s3进行降维，简化所述图像s3的图像矩阵，方便后续的比较和计算。此外，还可以对所述图像s3进行降噪，提高模糊检测的精准度。
[0084]
在一个可选的实施方式中，在构建了如上述的模糊检测算法的框架后，所述方法还包括：对所述模糊检测算法进行优化，包括：
[0085]
对所述模糊检测算法的尺寸的超参数与条件阈值的超参数进行优化，将得到的最优的尺寸超参数作为所述超参数f1，以及将得到的最优的条件阈值的超参数作为所述超参数f2。
[0086]
在一个可选的实施方式中，所述对所述模糊检测算法的尺寸的超参数与条件阈值的超参数进行优化包括：
[0087]
获取数据集x，所述数据集x包括多张正样本图像x_p和多张负样本图像x_n，将所述数据集x中的任一图像表示为xj；
[0088]
设置初始尺寸的超参数f1_i，所述超参数f1_i属于[f1_a，f1_b]，其中，f1_a表示所述数据集x中图像的最小尺寸，f1_b表示所述数据集x中图像的最大尺寸，所述数据集x中图像的尺寸包括图像的长度或宽度，还可以包括图像的长或宽包含的像素的个数；
[0089]
利用所述模糊检测算法遍历所述[f1_a，f1_b]范围内的每个超参数f1_i对所述数据集x进行模糊检测，得到图像xj对应的图像s3_xj_i的图像均值mj_i；
[0090]
对于每个超参数f1_i，将正样本图像x_p中最小的图像均值mj_i作为初始条件阈值的超参数f2_i，并计算负样本图像x_n的识别精度pre_n_i；
[0091]
将最大的识别精度pre_n_i对应的f1_i作为所述超参数f1，将所述超参数f1对应的超参数f2_i作为所述超参数f2。
[0092]
在一个可选的实施方式中，所述计算负样本图像x_n的识别精度pre_n_i包括：确定负样本图像x_n中图像的总个数q，以及负样本图像x_n中图像均值mj_i小于等于所述超参数f2_i的图像的个数p_i，令所述识别精度pre_n_i＝p_i/q。
[0093]
其中，所述多张正样本图像可以表示多张(例如，100张)卡证的清晰图像，所述多张(例如，100张)负样本图像可以表示多张卡证的模糊图像。获取所述多张正样本图像与所述多张负样本图像的方法与获取所述瑕疵图像的方法相同。此外，由于本实施例提供的方案中所述模糊检测算法并不是深度学习算法，所以并不需要海量的正样本图像和负样本图像，大大减少了训练成本和计算量。
[0094]
所述超参数f1_i属于[f1_a，f1_b]，其中，所述超参数f1_i表示小于或等于n的整数，例如，当n为40时，[f1_a，f1_b]可以为[0，40]。
[0095]
在一个可选的实施方式中，所述第一检测结果包括清晰或模糊。当所述第一检测结果为模糊时，确定所述待检测图像为模糊图像。当所述第一检测结果为清晰时，可以通过如下步骤进行复核，以提高图像模糊检测的准确度。
[0096]
s13，当所述第一检测结果为清晰时，对所述待检测图像进行感兴趣区域roi(region of interest)处理，获得所述待检测图像的多个roi区域。
[0097]
在一个可选的实施方式中，可以基于固定区域智能编码技术或动态跟踪智能编码技术实现对所述待检测图像的感兴趣区域roi处理，获得所述待检测图像的多个roi区域。其中，所述多个roi区域可以包括所述待检测图像中的文字区域、图标区域等，例如名片图像中的文字区域、身份证图像中的人脸区域等。每个roi区域的形状可以是长方形、正方形等。
[0098]
具体地，可以基于固定区域智能编码技术将所述待检测图像中的预设区域作为roi区域，例如，将身份证图像右上角的人脸所在矩形区域作为roi区域；还可以基于动态跟踪智能编码技术对所述待检测区域的预设对象进行检测，将所述预设对象所在区域作为roi区域，例如，对身份证图像中的人脸进行检测和识别，将人脸所在矩形区域作为roi区域。
[0099]
s14，利用所述模糊检测算法对每个roi区域进行模糊检测，获得任一roi区域的第二检测结果。
[0100]
在一个可选的实施方式中，可以利用步骤s12中的所述模糊检测算法对每个roi区域进行模糊检测，获得任一roi区域的第二检测结果，以提高每个roi区域的模糊检测的准确性，从而提高对所述待检测图像的每个局部区域的模糊检测的准确度。其中，所述第二检测结果包括清晰或模糊。
[0101]
s15，当任一roi区域的所述第二检测结果为模糊时，确定所述待检测图像为模糊图像。
[0102]
在一个可选的实施方式中，当所有roi区域的第二检测结果为清晰时，确定所述待检测图像为清晰图像。
[0103]
在一个可选的实施方式中，利用所述模糊检测算法对所述待检测图像进行模糊检测，当第一检测结果为清晰时，基于roi技术获取所述待检测区域的roi区域，再对每个roi区域利用所述模糊检测算法进行复核，当所有roi区域的第二检测结果为清晰时，确定所述待检测图像为清晰图像，从而提高对所述待检测图像的模糊检测的准确度，剔除拍摄图像
获得的模糊图像，提高了拍摄图像的清晰度。
[0104]
实施例二
[0105]
图2是本发明实施例二提供的图像检测装置的结构图。
[0106]
在一些实施例中，所述图像检测装置20可以包括多个由计算机程序段所组成的功能模块。所述图像检测装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)图像检测的功能。
[0107]
本实施例中，所述图像检测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、检测模块202、处理模块203、判断模块204。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
[0108]
所述获取模块201，用于获取待检测图像。
[0109]
在一个可选的实施方式中，本技术实施例提供的方案可以应用于对多种类型的卡证图像进行模糊检测，所述待检测图像可以包括多种类型的卡证图像，例如，身份证图像、名片图像等。
[0110]
电子设备可以响应用户输入获取所述待检测图像，还可以预先存储所述待检测图像在电子设备的存储器中，或者预先存储待检测图像在与电子设备通讯连接的其他设备中。此外，所述电子设备还可以包括移动终端(例如，手机)，可以利用所述移动终端的摄像装置(例如，手机的摄像头)对卡证(例如，身份证、名片等)进行拍摄，将拍摄获得的卡证图像作为所述待检测图像。
[0111]
在一个可选的实施方式中，可以将本技术实施例提供的方案部署至移动终端，在利用移动终端对卡证进行拍摄时，实时检测获得的卡证图像是否为模糊图像，从而在卡证图像为模糊图像时提醒用户进行重新拍摄，以剔除卡证的模糊图像，提高摄像装置的拍摄精度以及获得的卡证图像的清晰度。在其他实施例中，本技术提供的方案还可以用于对卡证图像之外的其他物品(例如，课本等)的图像进行检测。
[0112]
所述检测模块202，用于利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果。
[0113]
在一个可选的实施方式中，所述利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果，包括：
[0114]
对所述待检测图像进行图像灰度化处理，得到所述待检测图像的灰度图像；
[0115]
将所述灰度图像划分为n
×
n个子区域，其中，n表示根据待检测图像的尺寸设置的正整数；
[0116]
对所述灰度图像进行傅里叶变换，得到所述灰度图像的频谱图s：
[0117]
基于所述频谱图s的图像中心点对所述频谱图s进行中心化，获得图像s1；
[0118]
对所述图像s1进行傅里叶逆变换，获得图像s2；
[0119]
以所述图像s2的图像左下角为第一坐标原点构建第一平面直角坐标系，将所述图像s2的[(n-f1)/2:(n f1)/2,(n-f1)/2:(n f1)/2]区域内的灰度值更新为0，获得图像s3，其中，f1表示预先计算的尺寸的超参数，(n-f1)/2:(n f1)/2表示所述第一平面直角坐标系的横轴或纵轴上(n-f1)/2至(n f1)/2的范围；
[0120]
计算所述图像s3的图像均值m，比较所述图像s3的图像均值m与预先计算的条件阈值的超参数f2的大小，获得所述第一检测结果，包括：
[0121]
若所述图像s3的图像均值m大于所述超参数f2，确定所述第一检测结果为清晰；或
[0122]
若所述图像s3的图像均值m小于或等于所述超参数f2，确定所述第一检测结果为模糊。
[0123]
在一个可选的实施方式中，在对所述待检测图像进行图像灰度化处理之前，还可以对所述待检测图像进行其他预处理，例如图像几何校正、图像灰度校正等，从而对由于摄像装置的拍摄姿态和扫描非线性引起的图像几何失真(例如，图像中的横线不平)、由于拍摄场景的光源引起的图像成像不均匀(例如，曝光不均匀使图像半边暗半边亮)等进行校准，使得所述待检测图像最大程度地接近真实物品。此外，还可以对所述待检测图像进行裁剪，以获得待检测图像中需要检测的区域，将需要检测的区域的图像作为之后步骤中的待检测图像。例如，将卡证所在区域的卡证图像截取出来，以去除卡证图像之外的背景图像，将卡证图像作为待检测图像，从而提高卡证图像的模糊检测的准确度。
[0124]
在一个可选地实施例中，对所述待检测图像进行图像灰度化处理的方法包括分量法、最大值法、平均值法、加权平均法等。所述图像灰度化处理包括使得所述待检测图像的像素点矩阵中的每一个像素点都满足关系：r＝g＝b，其中r表示红色，g表示绿色，b表示蓝色。举例而言，像素点a的rgb为(100,100,100)代表像素点a的灰度值为100。其中，所述加权平均法包括：将待检测图像中任一像素点的r、g、b这三个分量以不同的权值进行加权平均，将加权平均的结果gray作为所述任一像素点的灰度值，得到所述待检测图像的灰度图像，其中，加权平均所使用的公式包括：gray＝0.299r 0.578g 0.114b。
[0125]
在一个可选的实施方式中，所述待检测图像大多是彩色图像，通过所述图像灰度化处理对所述待检测图像进行预处理，可以简化所述待检测图像的图像矩阵，提高后续运算的运算速度。
[0126]
在一个可选的实施方式中，所述待检测图像大多是矩形图像，所述灰度图像的尺寸与所述待检测图像的尺寸相同。可以根据所述灰度图像的尺寸将所述灰度图像划分为n
×
n个子区域，其中，n表示根据待检测图像的尺寸设置的正整数，例如，10。此外，所述灰度图像还可以是正方形的图像，所述n可以表示正方形的所述灰度图像的边长的长度，例如，当所述灰度图像为边长40毫米的正方形图像时，所述n可以为40，此灰度图像划分为40
×
40个子区域；所述n还可以表示正方形的所述灰度图像的边长的像素的个数，例如，当所述灰度图像为像素500
×
500的正方形图像时，所述n可以为500，此灰度图像划分为500
×
500个子区域。
[0127]
在一个可选的实施方式中，对所述灰度图像进行的所述傅里叶变换(fourier transform，ft)包括二维离散傅里叶变换(discrete fourier transform，dft)，可以将所述灰度图像由空间域(二维灰度矩阵)转换至频域(频率矩阵)，得到所述灰度图像的频谱图s(或称功率图)。
[0128]
其中，所述频谱图s的大小于所述灰度图像一致，所述频谱图s中像素点的明暗度表示像素点的频率(或称能量)大小，所述频率可以表示灰度值变化的剧烈程度。所述频谱图s中亮的点越多，表示高频区域越多，所述高频区域表示所述灰度图像中灰度值变化剧烈的区域，例如物体边缘、随机噪声(或称噪音)等，一般而言高频区域在所述频谱图s中占比
较小；所述频谱图s中暗的点越多，表示低频区域越多，所述低频区域表示所述灰度图像中灰度值变化缓慢的区域，保留了图像的主要信息，所述频谱图s的大部分区域都是低频区域。
[0129]
在一个可选的实施方式中，所述基于所述频谱图s的图像中心点对所述频谱图s进行中心化，获得图像s1，包括：
[0130]
以所述频谱图s的图像中心点为第二坐标原点构建第二平面直角坐标系，所述第二平面直角坐标系的横轴与纵轴将所述频谱图s划分为四个象限，所述四个象限包括第一象限、第二象限、第三象限和第四象限；
[0131]
将所述第一象限的图像与所述第三象限的图像进行交换，将所述第二象限的图像与所述第四象限的图像进行交换，获得所述图像s1。
[0132]
在一个可选的实施方式中，由于dft的周期性，只取其中一个周期得到的所述频谱图s的能量中心可能会分布在正方形的四个边角。基于所述频谱图s的图像中心点对所述频谱图s进行频谱的中心化获得图像s1，可以将能量中心聚集至正方形的中心，便于频谱的分析。例如图3所示，为本技术实施例提供的频谱中心化的示例图，其中，数字1至4分别表示第一至第四象限。具体地，可以使用matlab软件中的fftshit命令实现频谱居中的目的。
[0133]
在一个可选的实施方式中，所述傅里叶逆变换(inverse fourier transform，int)可以将所述图像s1由频域转换至空间域。经过所述傅里叶变换和所述傅里叶逆变换，可以实现对所述灰度图像的图像去噪，例如，在获得所述频谱图s后，可以直观确定所述灰度图像的噪音的类型，当所述噪音的类型为高频噪音时，可以低通滤波器对图像进行处理以去除高频噪音。
[0134]
在一个可选的实施方式中，以所述图像s2的图像左下角为第一坐标原点构建第一平面直角坐标系。例如图4所示，为本技术实施例提供的第一平面直角坐标系的示例图，其中，虚线框内的区域表示区域[(n-f1)/2:(n f1)/2,(n-f1)/2:(n f1)/2]。
[0135]
所述超参数f1表示预先计算的尺寸的超参数，所述超参数f1为小于或等于n的整数。例如，当n表示边长40毫米的正方形图像的边长尺寸时，n等于40，那么所述超参数f1小于或等于40。此外，所述超参数f1与所述图像s2中最模糊的区域的范围相关，区域[(n-f1)/2:(n f1)/2,(n-f1)/2:(n f1)/2]表示所述图像s2中最模糊的区域，将此区域内的灰度值更新为0可以提高图像模糊检测的精准度。具体地，所述超参数f1的计算将在后续对所述模糊检测算法进行优化的步骤进行说明。
[0136]
在一个可选的实施方式中，所述计算所述图像s3的图像均值m包括：计算所述图像s3的(r_mean,g_mean,b_mean)。其中r_mean表示所述图像s3中所有像素点的r分量的均值，g_mean表示所述图像s3中所有像素点的g分量的均值，b_mean表示所述图像s3中所有像素点的b分量的均值，将(r_mean,g_mean,b_mean)作为所述图像均值m。计算所述图像均值m可以将所述图像s3进行降维，简化所述图像s3的图像矩阵，方便后续的比较和计算。此外，还可以对所述图像s3进行降噪，提高模糊检测的精准度。
[0137]
在一个可选的实施方式中，在构建了如上述的模糊检测算法的框架后，所述方法还包括：对所述模糊检测算法进行优化，包括：
[0138]
对所述模糊检测算法的尺寸的超参数与条件阈值的超参数进行优化，将得到的最优的尺寸超参数作为所述超参数f1，以及将得到的最优的条件阈值的超参数作为所述超参
数f2。
[0139]
在一个可选的实施方式中，所述对所述模糊检测算法的尺寸的超参数与条件阈值的超参数进行优化包括：
[0140]
获取数据集x，所述数据集x包括多张正样本图像x_p和多张负样本图像x_n，将所述数据集x中的任一图像表示为xj；
[0141]
设置初始尺寸的超参数f1_i，所述超参数f1_i属于[f1_a，f1_b]，其中，f1_a表示所述数据集x中图像的最小尺寸，f1_b表示所述数据集x中图像的最大尺寸，所述数据集x中图像的尺寸包括图像的长度或宽度，还可以包括图像的长或宽包含的像素的个数；
[0142]
利用所述模糊检测算法遍历所述[f1_a，f1_b]范围内的每个超参数f1_i对所述数据集x进行模糊检测，得到图像xj对应的图像s3_xj_i的图像均值mj_i；
[0143]
对于每个超参数f1_i，将正样本图像x_p中最小的图像均值mj_i作为初始条件阈值的超参数f2_i，并计算负样本图像x_n的识别精度pre_n_i；
[0144]
将最大的识别精度pre_n_i对应的f1_i作为所述超参数f1，将所述超参数f1对应的超参数f2_i作为所述超参数f2。
[0145]
在一个可选的实施方式中，所述计算负样本图像x_n的识别精度pre_n_i包括：确定负样本图像x_n中图像的总个数q，以及负样本图像x_n中图像均值mj_i小于等于所述超参数f2_i的图像的个数p_i，令所述识别精度pre_n_i＝p_i/q。
[0146]
其中，所述多张正样本图像可以表示多张(例如，100张)卡证的清晰图像，所述多张(例如，100张)负样本图像可以表示多张卡证的模糊图像。获取所述多张正样本图像与所述多张负样本图像的方法与获取所述瑕疵图像的方法相同。此外，由于本实施例提供的方案中所述模糊检测算法并不是深度学习算法，所以并不需要海量的正样本图像和负样本图像，大大减少了训练成本和计算量。
[0147]
所述超参数f1_i属于[f1_a，f1_b]，其中，所述超参数f1_i表示小于或等于n的整数，例如，当n为40时，[f1_a，f1_b]可以为[0，40]。
[0148]
在一个可选的实施方式中，所述第一检测结果包括清晰或模糊。当所述第一检测结果为模糊时，确定所述待检测图像为模糊图像。当所述第一检测结果为清晰时，可以通过如下步骤进行复核，以提高图像模糊检测的准确度。
[0149]
所述处理模块203，用于当所述第一检测结果为清晰时，对所述待检测图像进行感兴趣区域roi(region of interest)处理，获得所述待检测图像的多个roi区域。
[0150]
在一个可选的实施方式中，可以基于固定区域智能编码技术或动态跟踪智能编码技术实现对所述待检测图像的感兴趣区域roi处理，获得所述待检测图像的多个roi区域。其中，所述多个roi区域可以包括所述待检测图像中的文字区域、图标区域等，例如名片图像中的文字区域、身份证图像中的人脸区域等。每个roi区域的形状可以是长方形、正方形等。
[0151]
具体地，可以基于固定区域智能编码技术将所述待检测图像中的预设区域作为roi区域，例如，将身份证图像右上角的人脸所在矩形区域作为roi区域；还可以基于动态跟踪智能编码技术对所述待检测区域的预设对象进行检测，将所述预设对象所在区域作为roi区域，例如，对身份证图像中的人脸进行检测和识别，将人脸所在矩形区域作为roi区域。
[0152]
所述检测模块202，还用于利用所述模糊检测算法对每个roi区域进行模糊检测，获得任一roi区域的第二检测结果。
[0153]
在一个可选的实施方式中，可以利用步骤s12中的所述模糊检测算法对每个roi区域进行模糊检测，获得任一roi区域的第二检测结果，以提高每个roi区域的模糊检测的准确性，从而提高对所述待检测图像的模糊检测的准确度。其中，所述第二检测结果包括清晰或模糊。
[0154]
所述判断模块204，用于当任一roi区域的所述第二检测结果为模糊时，确定所述待检测图像为模糊图像。
[0155]
在一个可选的实施方式中，当所有roi区域的第二检测结果为清晰时，确定所述待检测图像为清晰图像。
[0156]
在一个可选的实施方式中，利用所述模糊检测算法对所述待检测图像进行模糊检测，当第一检测结果为清晰时，基于roi技术获取所述待检测区域的roi区域，再对每个roi区域利用所述模糊检测算法进行复核，当所有roi区域的第二检测结果为清晰时，确定所述待检测图像为清晰图像，从而提高对所述待检测图像的模糊检测的准确度，剔除拍摄图像获得的模糊图像，提高了拍摄图像的清晰度。
[0157]
实施例三
[0158]
本实施例提供一种计算机可读存储介质，该计算机可读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图像检测方法实施例中的步骤，例如图1所示的s11-s15：
[0159]
s11，获取待检测图像；
[0160]
s12，利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果；
[0161]
s13，当所述第一检测结果为清晰时，对所述待检测图像进行感兴趣区域roi处理，获得所述待检测图像的多个roi区域；
[0162]
s14，利用所述模糊检测算法对每个roi区域进行模糊检测，获得任一roi区域的第二检测结果；
[0163]
s15，当任一roi区域的所述第二检测结果为模糊时，确定所述待检测图像为模糊图像。
[0164]
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能，例如图2中的模块201-204：
[0165]
所述获取模块201，用于获取待检测图像；
[0166]
所述检测模块202，用于利用预先构建的模糊检测算法对所述待检测图像进行模糊检测，获得第一检测结果；
[0167]
所述处理模块203，用于当所述第一检测结果为清晰时，对所述待检测图像进行感兴趣区域roi处理，获得所述待检测图像的多个roi区域；
[0168]
所述检测模块202，还用于利用所述模糊检测算法对每个roi区域进行模糊检测，获得任一roi区域的第二检测结果；
[0169]
所述判断模块204，用于当任一所述第二检测结果为模糊时，确定所述待检测图像为模糊图像。
[0170]
实施例四
[0171]
参阅图5所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
[0172]
本领域技术人员应该了解，图5示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
[0173]
在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
[0174]
需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
[0175]
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的图像检测方法中的全部或者部分步骤。所述存储器31包括只读存储器(read-only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子擦除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0176]
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0177]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0178]
在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心(control unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的图像检测方法的全部或者部分步骤；或者实现图像检测装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
[0179]
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
[0180]
尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、wi-fi模块、摄像装置等，在此不再赘述。
[0181]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
[0182]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0183]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0184]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0185]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0186]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。