[发明专利]图像的处理方法、装置、电子设备和存储介质

说明书

本发明实施例提供了一种图像的处理方法和装置，其中，所述方法包括：按照切块规则和图像块尺寸将原始图像切割为一组包含多个图像块的图像块序列；将图像块序列输入至神经网络提取出各图像块的图像特征；基于注意力机制对各图像块的图像特征进行池化处理得到图像块序列的融合图像特征；将融合图像特征输入至全卷积网络输出图像块序列的分类结果，将图像块序列的分类结果作为原始图像的分类结果。本发明实施例采用全卷积网络输出原始图像的分类结果，网络结构较为简单，与分割方式相比，计算复杂度低。本发明实施例避免将原始图像resize到统一尺寸，维持原始图像的质量，与卷积分类网络相比，输出比较准确的分类结果，通用性高。

技术领域

本发明涉及互联网技术领域，特别是涉及一种图像的处理方法、装置、电子设备和计算机可读存储介质。

背景技术

随着互联网技术的快速发展，越来越多的业务已经可以实现线上办理，例如，资质验证、身份验证、保险审核等。因此，线上办理业务的过程中需要利用数字版的照片、文档等。但是，受拍摄设备的抖动、光照等原因的影响，可能会产生的模糊的照片、文档，严重影响业务办理。例如，图像模糊导致照片中的细节信息丢失，对照片中的文字识别具有较大影响，同时干扰了审核人员的审核，进而带来法务问题、金融问题、保险理赔漏洞等。因此，如何判断图像是否模糊就变得尤为重要。

目前，常见的图像是否模糊的判断方法包含直接通过卷积分类网络进行整图判断和通过分割方式对图像的模糊区域和清晰区域进行区分。其中，通过卷积分类网络进行整图判断的方法，需要将种类多样、尺寸不一、版式、长宽比各异的图像，强制调整(resize)到统一尺寸，导致图像的质量下降，无法准确判断图像是否模糊。而且，还存在一张图像既存在清晰区域又存在模糊区域的情况。直接用卷积分类网络对整图进行模糊判断对图像部分区域模糊的分类准确性不够好。分割方式判断图像是否模糊可以区分出模糊区域与清晰区域，不包含模糊区域的区域为清晰区域。但是，分割方式所采用的分割算法的计算复杂度高，分割算法中需要对模糊区域的位置进行标注，模糊区域相对于整张图像的大小不一、边界不明确，可能出现在图像的任意位置，导致模糊区域的位置标注难度大。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像的处理方法、装置、电子设备和计算机可读存储介质。

为了解决上述问题，根据本发明实施例的第一方面，公开了一种图像的处理方法，所述方法包括：获取待处理的原始图像；按照预先设定的切块规则和预先设定的图像块尺寸，将所述原始图像切割为一组图像块序列，所述图像块序列包含多个图像块；将所述图像块序列输入至预先设定的神经网络，提取出各所述图像块的图像特征；基于注意力机制对各所述图像块的图像特征进行池化处理得到所述图像块序列的融合图像特征；将所述融合图像特征输入至预先设定的全卷积网络，输出所述图像块序列的分类结果，并将所述图像块序列的分类结果作为所述原始图像的分类结果。

可选地，所述按照预先设定的切块规则和预先设定的图像块尺寸，将所述原始图像切割为一组图像块序列，包括：将所述图像块尺寸中的第一尺寸作为各所述图像块的第一边尺寸；按照所述切块规则、所述原始图像的长宽比和所述第一边尺寸，将所述原始图像切割为多个所述图像块；将多个所述图像块拼接为所述图像块序列；其中，各所述图像块的长宽比与所述原始图像的长宽比相同；所述切块规则包含以下之一：滑窗规则、随机抽取规则。

可选地，所述将多个所述图像块拼接为所述图像块序列，包括：按照各所述图像块的通道数将多个所述图像块拼接为所述图像块序列。

可选地，所述将所述图像块序列输入至预先设定的神经网络，提取出各所述图像块的图像特征，包括：将所述图像块序列的第一维度特征矩阵降维为第二维度特征矩阵；将所述第二维度特征矩阵输入至卷积神经网络，输出图像特征矩阵；将所述图像特征矩阵降维为所述图像特征。