[發明專利]圖像清晰度檢測方法、裝置、設備及存儲介質

在審

• 申請號: 202110304049.6
• 申請日: 2021-03-22
• 公開（公告）號: CN113066059A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 洪叁亮;梁俊杰;賴眾程
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 姚維

1.一種圖像清晰度檢測方法，其特征在于，包括：

獲取待檢測的圖像；

采用預置場景文本檢測模型對所述圖像進行文字區域定位，輸出所述圖像中各文字所在區域對應的文字區域框；

從所述圖像中裁取所述各文字區域框對應的文字區域；

基于無參考離散余弦變換域，對所述文字區域對應的空域進行變換，得到所述文字區域對應的頻域圖像；

根據所述頻域圖像，采用預置文本清晰度計算公式，計算所述各文字區域的清晰度；

根據所述各文字區域的清晰度，計算所述圖像的綜合清晰度。

2.根據權利要求1所述的圖像清晰度檢測方法，其特征在于，所述場景文本檢測模型依次包括：PVAnet網絡、特征合并層、網絡輸出層，所述采用預置場景文本檢測模型對所述圖像進行文字區域定位，輸出所述圖像中各文字所在區域對應的文字區域框包括：

在所述PVAnet網絡中，將所述圖像輸入所述PVAnet網絡進行特征提取，得到不同尺寸的多個第一特征圖；

在所述特征合并層的多個第一反卷積層中，使用多個第一反卷積核，對所述不同尺寸的各第一特征圖進行上采樣并向下合并，得到對應的多個第二特征圖；

在所述網絡輸出層的第一池化層中，使用第一池化卷積核，對所述各第二特征圖進行線性變換計算，得到對應的多個文字區域框。

3.根據權利要求2所述的圖像清晰度檢測方法，其特征在于，所述PVAnet網絡依次包括：激活層、Inception網絡、HyperNet網絡，所述將所述圖像輸入所述PVAnet網絡進行特征提取，得到不同尺寸的多個第一特征圖包括：

在所述激活層的第一卷積層中，使用C.ReLU激活函數及第一卷積核，對所述圖像進行非線性映射計算及卷積操作，得到對應的多個第一卷積特征圖；

在所述Inception網絡的多個第二卷積層中，使用大小不同的多個第二卷積核，對所述各第一卷積特征圖進行不同的卷積操作，得到對應不同尺寸的多個第二卷積特征圖；

在所述HyperNet網絡的多個第三卷積層中，使用第三卷積核，對所述不同尺寸的各第二卷積特征圖進行線性插值上采樣及特征圖融合，得到不同尺寸的多個第一特征圖。

4.根據權利要求3所述的圖像清晰度檢測方法，其特征在于，在所述獲取待檢測的圖像之前，還包括：

獲取具有不同清晰度的多張圖像樣本；

將所述各圖像樣本輸入預置全卷積網絡模型，在所述全卷積網絡模型的激活層的第四卷積層中，使用C.ReLU激活函數及第四卷積核，對所述各圖像樣本進行非線性映射計算及卷積操作，得到對應的多個第三卷積特征圖；

在所述全卷積網絡模型的Inception網絡的多個第五卷積層中，使用大小不同的多個第五卷積核，對所述各第三卷積特征圖進行不同的卷積操作，得到對應不同尺寸的多個第四卷積特征圖；

在所述全卷積網絡模型的HyperNet網絡的多個第六卷積層中，使用多個第六卷積核，對所述不同尺寸的各第四卷積特征圖進行線性插值上采樣及特征圖融合，得到不同尺寸的多個預測特征圖；

在所述全卷積網絡模型的特征合并層的多個第二反卷積層中，使用多個第二反卷積核，對所述各預測特征圖進行上采樣并向下合并，得到對應的多個第三特征圖；

在所述全卷積網絡模型的網絡輸出層的多個第二池化層中，使用多個第二池化卷積核，對所述各第三特征圖進行線性變換計算，得到對應的多個預測文字區域框；

根據所述各預測文字框區域，調用預置損失函數采用梯度更新方法對所述全卷積網絡模型進行參數優化，直至所述全卷積網絡模型收斂，得到場景文本檢測模型。

5.根據權利要求1-4中任一項所述的圖像清晰度檢測方法，其特征在于，基于無參考離散余弦變換域，對所述文字區域對應的空域進行變換，得到所述文字區域對應的頻域圖像包括：

基于無參考離散余弦變換域，采用離散余弦函數，對所述文字區域對應的像素數據進行計算，得到離散余弦變換系數；

基于所述離散余弦變換系數，對所述文字區域對應的空域進行正交變換，得到所述文字區域對應的頻域圖像。