(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111659819.5 (22)申请日 2021.12.31 (71)申请人 杭州海康威视数字技 术股份有限公 司 地址 310051 浙江省杭州市滨江区阡 陌路 555号 (72)发明人 陈宾朋　何萍　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 代理人 孟维娜　丁芸 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像清晰度评价方法 (57)摘要 本发明实施例提供了一种图像清晰度评价 方法， 方法包括： 获取待评价图像； 将待评价图像 输入至已经训练好的第二清晰度评价网络中， 第 二清晰度评价网络包括： 卷积模块， 其中， 卷积模 块包括多个不同大小的卷积核、 归一化通道和激 活函数， 多个不同大小的卷积核对 卷积模块的输 入进行卷积处理， 得到卷积核处理量， 归一化通 道将卷积核处理量作为输入进行归一化处理， 得 到归一化通道处理量， 激活函数将归一化通道处 理量作为输入进行激活处理， 得到激活处理量， 卷积模块将激活处理量进行合并得到卷积处理 量； 第二清晰度评价网络输出待评价图像的清晰 度评价值。 从而实现对图像的清晰度的准确评 价。 权利要求书3页 说明书15页 附图3页 CN 114332038 A 2022.04.12 CN 114332038 A 1.一种图像清晰度评价方法， 其特 征在于， 所述方法包括： 获取待评价图像； 将所述待评价图像输入至已经训练好的第 二清晰度评价网络 中， 所述第 二清晰度评价 网络包括： 卷积模块， 其中， 所述卷积模块包括多个不同大小的卷积核、 归一化通道和激活 函数， 所述多个不同大小的卷积核对所述卷积模块的输入进行卷积处理， 得到卷积核处理 量， 所述归一化通道将所述卷积核处理量作为输入进行归一化处理， 得到归一化通道处理 量， 所述激活函数将所述归一化通道处理量作为输入进 行激活处理， 得到激活处理量， 所述 卷积模块将所述激活 处理量作为卷积处 理量； 所述第二清晰度评价网络 输出所述待评价图像的清晰度评价 值。 2.根据权利要求1所述的方法， 其特征在于， 所述第二清晰度评价网络还包括： 归一化 模块； 所述归一化模块对输入至所述第二清晰度评价网络中的所述待评价图像进行归一化 处理， 得到归一 化处理量， 其中， 所述归一 化处理为均值方差归一 化处理。 3.根据权利要求1所述的方法， 其特征在于， 所述第二清晰度评价网络还包括： 第一池 化模块、 全局池化模块， 所述第一池化模块包括： 最大池化子模块和平均池化子模块； 所述最大池化子模块和所述平均池化子模块将所述卷积处理量作为输入分别进行池 化处理， 得到最大池化 量和平均池化 量； 所述第一池化模块将所述 最大池化 量和所述平均池化 量作为第一池化 量； 所述全局池化模块将所述第一池化 量作为输入进行全局池化处 理， 得到全局池化 量。 4.根据权利要求1所述的方法， 其特征在于， 所述第二清晰度评价网络还包括： 全连接 模块； 所述全连接模块将所述全局池化量作为输入进行加权累加， 得到累加特征， 其中， 所述 全连接模块包括： sigmo id激活函数子模块； 所述sigmo id激活函数子模块对所述累加特 征进行映射得到映射 量； 将所述映射 量作为所述待评价图像的清晰度评价 值。 5.根据权利要求1所述的方法， 其特征在于， 所述第 二清晰度评价网络是通过以下训练 方式得到的： 将一组训练图像输入至初始清晰度评价网络获得所述训练图像中各图像的初始清晰 度评价值， 所述训练图像是一组按照清晰度由清晰到模糊的顺序排列的图像； 从所述训练图像中随机选取一张第一图像并确定所述第一图像对应的第一初始清晰 度评价值； 判断所述第一初始清晰度评价值与第二初始清晰度评价值和第三初始清晰度评价值 的大小关系， 所述第二初始清晰度评价值为在所述训练图像中排序在所述第一图像之前的 训练图像中初始清晰度评价值最大的值， 所述第三初始清晰度评价值为在所述训练图像中 排序在所述第一图像之后的图像中初始 清晰度评价 值最小的值； 根据所述大小关系确定所述初始 清晰度评价网络的惩罚量； 根据所述 惩罚量调整所述初始 清晰度评价网络得到第二清晰度评价网络 。 6.根据权利要求5所述的方法， 其特征在于， 所述根据所述大小关系确定所述初始清晰 度评价网络的惩罚量， 包括：权　利　要　求　书 1/3 页 2 CN 114332038 A 2确定第一差值和第二差值； 将所述第一差值和所述第二差值的和作为所述初始 清晰度评价网络的惩罚量； 其中， 确定第一差值包括： 若所述第一初始 清晰度评价 值大于所述第二初始 清晰度评价 值， 确定第一差值 为0； 若所述第一初始清晰度评价值小于所述第 二初始清晰度评价值， 确定第 一差值为第 一 初始清晰度评价 值减所述第二初始 清晰度评价 值得到的差值； 其中， 确定第二差值包括： 若所述第一初始 清晰度评价 值小于所述第三初始 清晰度评价 值， 确定第二差值 为0； 若所述第一初始清晰度评价值大于所述第 三初始清晰度评价值， 确定第 二差值为第 一 初始清晰度评价 值减第三初始 清晰度评价 值所述得到的差值。 7.根据权利要求5所述的方法， 其特征在于， 所述根据所述惩罚量调 整所述初始清晰度 评价网络得到第二清晰度评价网络， 包括： 根据所述惩罚量建立关于网络调 整参数的损失函数， 所述网络调整参数为根据 所述初 始清晰度评价网络的输出对所述初始 清晰度评价网络的参数进行调整的调整量； 确定使所述损失函数的输出小于预设阈值的所述第一网络调整参数； 根据所述第一网络调整参数调整所述初始 清晰度评价网络得到第二清晰度评价网络 。 8.根据权利要求7所述的方法， 其特征在于， 所述确定使所述损失函数的输出小于预设 阈值的所述第一网络调整参数， 包括： 将所述初始清晰度评价网络的初始网络参数向初始映射函数的梯度下降方向调 整， 直 至调整后得到的网络参数使所述损失函数的输出小于预设阈值， 将调整后得到的网络参数 作为第一网络调整参数， 其中， 调整的幅度与惩罚量正相关， 所述初始映射函数为所述初始 清晰度评价网络所实现的映射 函数。 9.根据权利要求8所述的方法， 其特征在于， 所述将所述初始清晰度评价网络的初始网 络参数向所述初始映射 函数的梯度下降方向调整， 包括： 按照下式对所述初始网络参数进行调整： 其中， w为第一网络调整参数， x为至少一张待评价图像， η1为超参数， fx为x对应的惩罚 量， f(x,w)为第一初始 清晰度评价 值。 10.根据权利要求7所述的方法， 其特征在于， 所述根据所述第一网络调整参数调整所 述初始清晰度评价网络得到第二清晰度评价网络， 包括： 根据所述第一网络调整参数对所述初始清晰度评价网络中的所述卷积核的数量和大 小、 所述卷积模块的数量和所述第一池化模块的数量进行调整， 得到第二清晰度评价网络 。 11.一种图像清晰度评价方法， 其特 征在于， 所述方法包括： 获取至少一张待评价图像； 通过预先训练好的第二清晰度评价网络中的卷积池化单元对所述至少一张待评价图 像进行处理， 得到卷积池化特征图， 其中， 所述卷积池化单元包括卷积模块和池化模块， 用 于对输入进行 卷积处理和池化处 理； 通过所述第二清晰度评价网络中的全局池化模块对所述卷积池化特征图进行全局池权　利　要　求　书 2/3 页 3 CN 114332038 A 3