模糊图像的类型识别方法、装置、计算机设备和存储介质与流程

本技术涉及图像识别，特别是涉及一种模糊图像的类型识别方法、装置、计算机设备和存储介质。

背景技术：

1、通过对模糊图像进行艺术创作，可给人带来独特的视觉展示效果，但在更多情况下，模糊图像会严重影响后续视觉任务或信息提取工作。由于模糊图像中模糊区域、模糊类别的不同，后续进行信息提取的过程也并不相同，因此，对模糊图像的类型识别成为现阶段的研究重点。

2、目前，通常先将低分辨率的图像重建为高分辨率的模糊图像，并通过超分辨率重建技术为其补清细节，再对高分辨率的模糊图像进行分类识别，进而达到对模糊图像进行类型识别的效果。然而，通过超分辨率重建进行模糊处理与再分类，需要很大的计算量，且现有方式只考虑了模糊类别的区分，忽略了模糊范围的影响，也即无法精确识别出模糊区域。

3、因此，如何在不增大数据计算量的情况下，准确地识别出模糊图像中的模糊区域、以及模糊区域对应的模糊类别是本公开需要解决的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够准确对模糊图像的类型进行识别的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种模糊图像的类型识别方法。所述方法包括：

3、当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；

4、确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；

5、获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；

6、确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；

7、将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。

8、在其中一个实施例中，所述确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征，包括：对所述特征图进行特征图检测，得到区域检测结果；所述区域检测结果包括多个模糊区域；确定每个所述模糊区域各自对应的区域大小，并根据多个所述区域大小，从多个模糊区域筛选出目标模糊区域；从所述特征图中截取出所述目标模糊区域对应的初始区域特征，并对所述初始区域特征进行特征维度转换，得到目标区域特征。

9、在其中一个实施例中，所述模糊图像的类型识别方法由类型识别模型执行，所述类型识别模型包括特征提取模型和特征分类模型；所述类型识别模型的训练步骤，包括：获取样本模糊图像和样本标签；对所述样本模糊图像进行图像检测，得到样本区域检测结果；所述样本区域检测结果包括多个样本模糊区域；根据所述样本区域检测结果和所述样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型；通过多个所述样本模糊区域，得到目标样本区域特征，并按照预设的模糊类型，对所述目标样本区域特征进行聚类训练，得到训练好的特征分类模型。

10、在其中一个实施例中，在所述获取样本模糊图像和样本标签之前，上述方法还包括：获取样本清晰图像，并确定所述样本清晰图像中的标签区域，并将所述标签区域作为样本标签；所述样本标签包括标签位置和标签范围；对所述样本清晰图像进行预处理，得到样本模糊图；所述预处理包括噪声叠加、随机旋转和图像增容中的至少一种。

11、在其中一个实施例中，所述特征提取模型包括提取网络和检测网络；所述对所述样本模糊图像进行图像检测，得到区域检测结果，包括：通过所述提取网络，对所述样本模糊图像进行特征提取，得到样本特征图；通过所述检测网络，对所述样本特征图进行特征图检测，得到样本区域检测结果；所述根据所述样本区域检测结果和所述样本标签之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型，包括：按照所述样本特征图，对所述样本标签进行特征匹配，得到标签特征图；根据所述样本区域检测结果和所述标签特征图之间的差异，对特征提取模型进行特征训练，得到训练好的特征提取模型。

12、在其中一个实施例中，所述预设的模糊类型包括失焦模糊类型、运动模糊类型和预清晰类型中的至少一种；所述按照预设的模糊类型，对所述目标样本区域特征进行聚类训练，得到训练好的特征分类模型，包括：针对通过多个所述样本模糊图像得到的多个目标样本区域特征，均确定每个所述目标样本区域特征各自对应的样本模糊类型；所述样本模糊类型为所述预设的模糊类型中的任意一种；确定每个所述样本模糊类型对应的特征集合；所述特征集合包括多个目标样本区域特征；分别对每个所述特征集合进行迭代聚类，得到每个所述样本模糊类型各自对应的聚类中心；确定多个所述聚类中心中的任意两个所述聚类中心之间的中心距离，并在每个所述中心距离均符合第二预设条件时，得到训练好的特征分类模型。

13、第二方面，本技术还提供了一种模糊图像的类型识别装置。所述装置包括：

14、区域特征确定模块，用于当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；

15、聚类中心获取模块，用于获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；

16、特征距离确定模块，用于确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。

17、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

18、当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；

19、确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；

20、获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；

21、确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；

22、将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。

23、第四方面，本技术还提供了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以下步骤：

24、当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；

25、确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；

26、获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；

27、确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；

28、将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。

29、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

30、当获取目标模糊图像时，确定所述目标模糊图像对应的特征图；

31、确定所述特征图中的目标模糊区域、以及确定所述目标模糊区域对应的目标区域特征；

32、获取预设的多个聚类中心；每个所述聚类中心对应于相应的模糊类型；所述聚类中心是通过对所述模糊类型的特征集合进行迭代聚类得到；

33、确定所述目标区域特征分别与每个所述聚类中心之间的特征距离，并将符合第一预设条件的所述特征距离作为目标特征距离；

34、将至少一个所述目标特征距离各自对应的模糊类型，作为所述目标模糊图像的目标模糊类型。

35、上述模糊图像的类型识别方法、装置、计算机设备、存储介质和计算机程序产品，通过当获取目标模糊图像时，可确定目标模糊图像对应的特征图，进而确定特征图中的目标模糊区域、以及确定目标模糊区域对应的目标区域特征；当获取预设的多个聚类中心时，可确定目标区域特征分别与每个聚类中心之间的特征距离，并将符合第一预设条件的特征距离作为目标特征距离，如此，便可将至少一个目标特征距离各自对应的模糊类型，作为目标模糊图像的目标模糊类型。由于本技术是在确定目标模糊区域之后，再确定目标区域特征分别与每个聚类中心之间的特征距离，相较于传统通过超分辨率重建进行模糊处理与再分类的方法，本技术可从多个特征距离中确定出目标特征距离，进而将目标特征距离对应的模糊类型作为目标模糊类型，因此，实现了准确识别模糊图像中的模糊区域的同时，还可准确得到目标模糊图像的目标模糊类型。

36、此外，现有模糊图像的分类方法中通常认为不同模糊类型之间是互斥的，而本技术是将至少一个目标特征距离各自对应的模糊类型，作为目标模糊类型，也即当目标特征距离为多个时，同一目标模糊区域对应的模糊类型则为多个。因此，考虑了多种模糊类型的同时存在的情况，使得对模糊图像的类型识别更加符合实际场景。