一种图像处理方法及系统与流程

本发明涉及图像处理技术领域，具体涉及一种图像处理方法及系统。

背景技术：

随着科学技术的发展，电视、电影和综艺等视频节目早已成为人们生活中不可或缺的一部分，而呈现在观众眼前的视频节目是经过处理后的视频素材。这些原始视频素材由于是使用不同机位和不同角度等手段进行录制的视频，这样在录制的过程中原始视频素材会存在大量的瑕疵片段，所以在录制完成后需要对原始视频素材进行多次处理才能呈现在观众眼前，对原始视频素材的处理方式之一就是识别废片并剪去这些无用的视频片段。其中，最为常见的废片形式就是原始视频素材中的模糊片段。

模糊片段，是指由于录制视频的镜头剧烈抖动，或者拍摄目标的快速移动而导致录制画面模糊。目前识别废片的手段通常是先由初级剪辑师去识别模糊片段并标记这些模糊片段，然后再由高级剪辑师对进行初步处理后的原始视频素材进行后面更加精细的剪辑，从而将视频能更好的呈现出来。但是，在节目录制过程中，尤其是近年来的综艺等节目录制，通常同时存在几十个甚至上百个机位在拍摄，最终呈现出来的一个小时的节目可能是从上百小时的原始视频素材剪辑出来的，这样初级剪辑师需要去浏览上百小时时间的原始视频素材去进行识别模糊片段、标记模糊片段等初步准备工作。这样会造成大量时间成本和人员成本的浪费，影响后期制作的工作效率。

技术实现要素：

有鉴于此，本发明实施例提供一种图像处理方法及系统，以解决现有的图像处理方法存在的视频处理时间成本高、人工成本高和工作效率低等问题。

为实现上述目的，本发明实施例提供如下技术方案：

本发明实施例第一方面公开了一种图像处理方法，所述方法包括：

对待处理视频进行间隔抽帧处理，得到n帧画面，n为正整数；

将所述n帧画面作为图像处理模型的输入，得到长度为n的模糊度序列，所述模糊度序列包括每帧画面的模糊度，所述模糊度为每帧画面属于模糊画面的概率值，所述图像处理模型基于图片样本训练卷积神经网络模型得到，所述模糊画面的模糊程度为预先设定；

将所述每帧画面的模糊度与预设的模糊度阈值进行比较，获得所述待处理视频的模糊片段列表。

优选的，所述图像处理模型基于图片样本训练卷积神经网络模型得到，包括：

将所述图片样本输入预先构建好的所述卷积神经网络模型中进行识别，得到所述图片样本的模糊度；

计算所述图片样本的模糊度和所述图片样本的真实模糊度之间的误差；

判断所述误差是否小于误差阈值；

若是，基于所述卷积神经网络计算所述图片样本的模糊度所使用的权重，建立所述图像处理模型；

若否，基于所述误差调整所述卷积神经网络的权重，基于调整权重后的卷积神经网络对所述图片样本再次进行识别得到图片样本的模糊度，计算再次进行识别得到的图片样本的模糊度和所述图片样本的真实模糊度之间的误差，直至所述误差小于所述误差阈值，基于当前卷积神经网络计算图片样本的模糊度所使用的权重，建立所述图像处理模型。

优选的，所述对待处理视频进行间隔抽帧处理，得到n帧画面的过程包括：

基于所述待处理视频的长度，按照间隔抽帧方式得到n帧画面，其中，l为所述需要处理的视频的长度，为向下取整公式。

优选的，将所述每帧画面的模糊度与预设的模糊度阈值进行比较，获得所述待处理视频中最终的模糊片段列表，包括：

对所述模糊度序列进行高斯平滑；

获取所述模糊序列中模糊度大于所述模糊度阈值的m帧模糊画面；

将所述m帧模糊画面组成0个以上包含一个模糊画面的模糊片段，或包含m个序号相邻的模糊画面的模糊片段，其中，m为大于等于0小于等于n的正整数，m为大于1的整数；

将所述模糊片段组成模糊片段列表；

对所述模糊片段列表中的模糊片段进行合并和删除，得到所述最终的模糊片段列表。

优选的，所述对所述模糊片段列表中的模糊片段进行合并和删除，包括：

若所述模糊片段列表中存在片段时长小于预设时长的模糊片段，则删除所述模糊片段；

若所述模糊片段列表中，存在两个相邻的模糊片段，并且所述两个相邻的模糊片段之间相隔预设帧数的画面，则将所述两个相邻的模糊片段合并成为一个模糊片段。

本发明实施例第二方面公开了一种图像处理系统，所述系统包括：

抽帧单元，用于对待处理视频进行间隔抽帧处理，得到n帧画面，n为正整数；

计算单元，用于将所述n帧画面作为图像处理模型的输入，计算得到长度为n的模糊度序列，所述模糊度序列包括每帧画面的模糊度，所述模糊度为每帧画面属于模糊画面的概率值，所述图像处理模型基于图片样本训练卷积神经网络模型得到，所述模糊画面的模糊程度为预先设定；

处理单元，用于将所述每帧画面的模糊度与预设的模糊度阈值进行比较，获得所述待处理视频的模糊片段列表。

优选的，所述计算单元包括：

输入模块，用于将所述图片样本输入预先构建好的所述卷积神经网络模型中进行识别，得到所述图片样本的模糊度；

误差模块，用于计算所述图片样本的模糊度和所述图片样本的真实模糊度之间的误差；

判断模块，用于判断所述误差是否小于误差阈值，若是，则执行建立模块，若否，则执行循环模块；

建立模块，用于基于所述卷积神经网络计算所述图片样本的模糊度所使用的权重，建立所述图像处理模型；

循环模块，用于基于所述误差调整所述卷积神经网络的权重，基于调整权重后的卷积神经网络对所述图片样本再次进行识别得到图片样本的模糊度，计算再次进行识别得到的图片样本的模糊度和所述图片样本的真实模糊度之间的误差，直至所述误差小于所述误差阈值，基于当前卷积神经网络计算图片样本的模糊度所使用的权重，建立所述图像处理模型。

优选的，所述抽帧单元具体用于基于所述待处理视频的长度，按照间隔抽帧方式得到n帧画面，其中，l为所述需要处理的视频的长度，为向下取整公式。

优选的，所述处理单元包括：

高斯平滑模块，用于对所述模糊度序列进行高斯平滑；

获取模块，用于获取所述模糊序列中模糊度大于所述模糊度阈值的m帧模糊画面；

第一组合模块，用于将所述m帧模糊画面组成0个以上包含一个模糊画面的模糊片段，或包含m个序号相邻的模糊画面的模糊片段，其中，m为大于等于0小于等于n的正整数，m为大于1的整数；

第二组合模块，用于将所述模糊片段组成模糊片段列表；

处理模块，用于对所述模糊片段列表中的模糊片段进行合并和删除，得到所述最终的模糊片段列表。

优选的，所述处理模块包括：

删除子模块，用于若所述模糊片段列表中存在片段时长小于预设时长的模糊片段，则删除所述模糊片段；

合并子模块，用于若所述模糊片段列表中，存在两个相邻的模糊片段，并且所述两个相邻的模糊片段之间相隔预设帧数的画面，则将所述两个相邻的模糊片段合并成为一个模糊片段。

基于上述本发明实施例提供的一种图像处理方法及系统，该方法包括：对待处理视频进行间隔抽帧处理，得到n帧画面，n为正整数。将n帧画面作为图像处理模型的输入，计算得到长度为n的模糊度序列，该模糊度序列包含每帧画面的模糊度，模糊度为每帧画面属于模糊画面的概率值，图像处理模型基于图片样本训练卷积神经网络模型得到。将每帧画面的模糊度与预设的模糊度阈值进行比较，获得待处理视频的模糊片段列表。本发明提供的方案中，通过对待处理视频进行抽帧处理得到多帧画面，将多帧画面输入预先训练好的图像处理模型中处理，得到每帧画面属于模糊画面的概率值的模糊度序列。将每帧画面的模糊度与阈值比较，得到待处理视频中的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种图像处理方法的流程图；

图2为本发明实施例提供的训练卷积神经网络得到图像处理模型的流程图；

图3为本发明实施例提供的获取待处理视频中最终的模糊片段列表的流程图；

图4为本发明实施例提供的一种图像处理系统的结构框图；

图5为本发明实施例提供的一种图像处理系统的结构框图；

图6为本发明实施例提供的一种图像处理系统的结构框图；

图7为本发明实施例提供的一种图像处理系统的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

由背景技术可知，目前识别废片的手段通常是先由初级剪辑师去识别模糊片段并标记这些模糊片段，然后再由高级剪辑师对进行初步处理后的原始视频素材进行后面更加精细的剪辑，从而将视频能更好的呈现出来。但是，在节目录制过程中，尤其是近年来的综艺等节目录制，通常同时存在几十个甚至上百个机位在拍摄，最终呈现出来的一个小时的节目可能是从上百小时的原始视频素材剪辑出来的，这样初级剪辑师需要去浏览上百小时时间的原始视频素材去进行识别模糊片段、标记模糊片段等初步准备工作。这样会造成大量时间成本和人员成本的浪费，影响后期制作的工作效率。

因此，本发明实施例公开的一种图像处理方法及系统，该方法包括：通过对待处理视频进行间隔抽帧处理，得到n帧画面，n为正整数。将n帧画面作为图像处理模型的输入，计算得到长度为n并且包含每帧画面的模糊度的模糊度序列，其中，模糊度为每帧画面属于模糊画面的概率值，图像处理模型基于图片样本训练卷积神经网络模型得到。将每帧画面的模糊度与预设的模糊度阈值进行比较，获得待处理视频的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

参考图1，示出了本发明实施例提供的一种图像处理方法的流程图，所述方法包括以下步骤：

步骤s101：对待处理视频进行间隔抽帧处理，得到n帧画面。

在具体实现步骤s101的过程中，基于所述待处理视频的长度，按照间隔抽帧方式得到n帧画面，n为正整数。根据公式(1)计算n的取值。在进行抽帧处理时，将每帧画面在所述待处理视频中的时间信息标注出来。

所述公式(1)为：

其中，l为所述需要处理的视频的长度，为向下取整公式。

需要说明的是，所述向下取整公式为向下取整数，即只保留整数部分，删除小数点部分，比如3.3取3、4.7取4。上述涉及到的视频抽帧方式包括但不仅限于向下取整公式。

步骤s102：将所述n帧画面作为图像处理模型的输入，计算得到长度为n的模糊度序列，所述模糊序列包括每帧画面的模糊度。

在具体实现步骤s102的过程中，所述模糊度为每帧画面属于模糊画面的概率值，所述图像处理模型基于图片样本训练卷积神经网络模型得到，所述模糊画面的模糊程度为预先设定。

步骤s103：将所述每帧画面的模糊度与预设的模糊度阈值进行比较，获得所述待处理视频的模糊片段列表。

在具体实现步骤s103的过程中，预先设置模糊阈值，将模糊度大于所述模糊度阈值的画面作为模糊画面，对得到的模糊画面进行处理得到最终的模糊片段列表。

需要说明的是，对应模糊画面的具体定义由技术人员根据实际情况进行设置。

在本发明实施例中，通过对待处理视频进行抽帧处理得到多帧画面，将多帧画面输入预先训练好的图像处理模型中处理，得到每帧画面属于模糊画面的概率值的模糊度序列。将每帧画面的模糊度与阈值比较，得到待处理视频中的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

上述图1公开的步骤s102中涉及到的基于图片样本训练卷积神经网络模型得到图像处理模型的过程，参考图2，示出了本发明实施例提供的训练卷积神经网络得到图像处理模型的流程图，包括以下步骤：

步骤s201：将所述图片样本输入预先构建好的所述卷积神经网络模型中进行识别，得到所述图片样本的模糊度。

在具体实现步骤s201的过程中，所述图片样本包括预设数量的清晰图片和模糊图片，预先对所述清晰图片和模糊图片的模糊度进行标注。

需要说明的是，所述清晰图片和模糊图片的获取由技术人员根据实际情况进行获取。卷积神经网络模型的选取由技术人员根据实际情况进行选择，比如选择低复杂度的mobilenet网络。

步骤s202：计算所述图片样本的模糊度和所述图片样本的真实模糊度之间的误差。

在具体实现步骤s202的过程中，所述图片样本的真实模糊度已经在所述步骤s201中预先标注。

步骤s203：判断所述误差是否小于误差阈值，若是，则执行步骤s204，若否，则执行步骤s205。

在具体实现步骤s203的过程中，所述误差阈值由技术人员根据实际情况进行设置。

步骤s204：基于所述卷积神经网络计算所述图片样本的模糊度所使用的权重，建立所述图像处理模型。

步骤s205：基于所述误差调整所述卷积神经网络的权重，基于调整权重后的卷积神经网络对所述图片样本再次进行识别得到图片样本的模糊度，计算再次进行识别得到的图片样本的模糊度和所述图片样本的真实模糊度之间的误差，直至所述误差小于所述误差阈值，基于当前卷积神经网络计算图片样本的模糊度所使用的权重，建立所述图像处理模型。

在具体实现步骤s205的过程中，利用所述图片样本不断训练所述卷积神经网络模型，直至所述卷积神经网络模型输出的结果与真实结果之间的误差小于所述误差阈值，基于所述卷积神经网络最后一次计算所述图片样本的模糊度所使用的权重，建立所述图像处理模型。

优选的，在实际应用所述图像处理模型识别视频中的模糊片段时，技术人员可以根据识别结果和所述视频对应的实际模糊度实时更新所述图像处理模型的权重，不断提高所述图像处理模型的识别精度。

在本发明实施例中，通过对待处理视频进行抽帧处理得到多帧画面，将多帧画面输入预先训练好的图像处理模型中处理，得到每帧画面属于模糊画面的概率值的模糊度序列。将每帧画面的模糊度与阈值比较，得到待处理视频中的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

上述图1公开的步骤s103中涉及到的获得所述待处理视频中最终的模糊片段列表的过程，参考图3，示出了本发明实施例提供的获取待处理视频中最终的模糊片段列表的流程图，包括以下步骤：

步骤s301：对所述模糊度序列进行高斯平滑。

在具体实现步骤s301的过程中，对所述模糊度序列进行高斯平滑处理，去除异常突变值，比如去除两帧画面之间出现一个模糊度非常低或非常高的画面。

步骤s302：获取所述模糊序列中模糊度大于所述模糊度阈值的m帧模糊画面。

在具体实现步骤s302的过程中，将所述模糊度序列中的每一帧画面的模糊度与模糊度阈值进行比较，得到模糊度大于所述模糊度阈值的m帧模糊画面。m为大于等于0小于等于n的正整数。

步骤s303：将所述m帧模糊画面组成0个以上包含一个模糊画面的模糊片段，或包含m个序号相邻的模糊画面的模糊片段。

在具体实现步骤s303的过程中，在获取所述n帧画面后，按顺序对n帧画面中的每一画面进行序号排序。当获取所述m帧模糊画面时，将所述m帧模糊画面中序号相邻的m个模糊画面组成一个模糊片段，与其它模糊画面序号不相邻的单独一个模糊画面组成一个模糊片段。m为大于1的整数。

步骤s304：将所述模糊片段组成模糊片段列表。

在具体实现步骤s304的过程中，将由步骤s303中获取的模糊片段组成模糊片段列表。

步骤s305：对所述模糊片段列表中的模糊片段进行合并和删除，得到所述最终的模糊片段列表。

在具体实现步骤s305的过程中，若所述模糊片段列表中存在片段时长小于预设时长的模糊片段，则删除所述模糊片段。若所述模糊片段列表中，存在两个相邻的模糊片段，并且所述两个相邻的模糊片段之间相隔预设帧数的画面，则将所述两个相邻的模糊片段合并成为一个模糊片段。

需要说明的是，上述涉及到的所述预设时长和阈值由技术人员根据实际情况进行设置。

为更好解释说明如何得到所述最终的模糊片段列表，下面通过过程a1-a3进行举例说明：

a1、将待处理视频进行抽帧处理后得到9帧画面，将9帧画面输入图像处理模型后得到包含每帧画面模糊度的模糊度序列为：[0.7,0.8,0.5,0.3,0.5,0.9,0.1,0.2,0.9]，序号分别为1-9。

a2、假设模糊度阈值为0.5，则大于等于0.5的模糊画面为[1，2，3，5，6，9]。组成3个模糊片段，分别为(start：1，stop：3)、(start：5，stop：6)和(start：9，stop：9)。

a3、假设两个模糊片段两个相邻的模糊片段之间相隔1帧画面，则将所述两个相邻的模糊片段合并成为一个模糊片段。删除片段时长小于1秒的模糊片段。假设模糊片段(start：9，stop：9)的片段时长为0.5秒。则将模糊片段(start：1，stop：3)和(start：5，stop：6)合并成(start：1，stop：6)，将模糊片段(start：9，stop：9)删除。最终的模糊片段列表包含模糊片段(start：1，stop：6)。

需要说明的是，上述过程a1-a3涉及到的内容仅限于举例说明，组成模糊片段的方式包含但不仅限于上述过程a1-a3涉及到的方式。

在本发明实施例中，通过对待处理视频进行抽帧处理得到多帧画面，将多帧画面输入预先训练好的图像处理模型中处理，得到每帧画面属于模糊画面的概率值的模糊度序列。将每帧画面的模糊度与阈值比较，得到待处理视频中的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

与上述本发明实施例提供的一种图像处理方法相对应，参考图4，本发明实施例还提供了一种图像处理系统的结构框图，包括：抽帧单元401、计算单元402和处理单元403。

抽帧单元401，用于对待处理视频进行间隔抽帧处理，得到n帧画面，n为正整数。具体内容参见上述本发明实施例图1公开的步骤s101相对应的内容。

优选的，所述抽帧单元401具体用于基于所述待处理视频的长度，按照公式(1)进行抽帧处理得到n帧画面。

计算单元402，用于将所述n帧画面作为图像处理模型的输入，计算得到长度为n的模糊度序列，所述模糊度序列包括每帧画面的模糊度，其中，所述模糊度为每帧画面属于模糊画面的概率值，所述图像处理模型基于图片样本训练卷积神经网络模型得到，所述模糊画面的模糊程度为预先设定。具体内容参见上述本发明实施例图1公开的步骤s102相对应的内容。

处理单元403，用于将所述每帧画面的模糊度与预设的模糊度阈值进行比较，获得所述待处理视频的模糊片段列表。具体内容参见上述本发明实施例图1公开的步骤s103相对应的内容。

在本发明实施例中，通过对待处理视频进行抽帧处理得到多帧画面，将多帧画面输入预先训练好的图像处理模型中处理，得到每帧画面属于模糊画面的概率值的模糊度序列。将每帧画面的模糊度与阈值比较，得到待处理视频中的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

参考图5，示出了本发明实施例提供的一种图像处理系统的结构框图，所述计算单元402包括：输入模块4021、误差模块4022、判断模块4023、建立模块4024和循环模块4025。

输入模块4021，用于将所述图片样本输入预先构建好的所述卷积神经网络模型中进行识别，得到所述图片样本的模糊度。具体内容参见上述本发明实施例图2公开的步骤s201相对应的内容。

误差模块4022，用于计算所述图片样本的模糊度和所述图片样本的真实模糊度之间的误差。具体内容参见上述本发明实施例图2公开的步骤s202相对应的内容。

判断模块4023，用于判断所述误差是否小于误差阈值，若是，则执行建立模块4024，若否，则执行循环模块4025。具体内容参见上述本发明实施例图2公开的步骤s203相对应的内容。

建立模块4024，用于基于所述卷积神经网络计算所述图片样本的模糊度所使用的权重，建立所述图像处理模型。具体内容参见上述本发明实施例图2公开的步骤s204相对应的内容。

循环模块4025，用于基于所述误差调整所述卷积神经网络的权重，基于调整权重后的卷积神经网络对所述图片样本进行识别得到所述图片样本的模糊度，计算再次进行识别得到的图片样本的模糊度和所述图片样本的真实模糊度之间的误差，直至所述误差小于所述误差阈值，基于当前卷积神经网络计算图片样本的模糊度所使用的权重，建立所述图像处理模型。具体内容参见上述本发明实施例图2公开的步骤s205相对应的内容。

在本发明实施例中，通过对待处理视频进行抽帧处理得到多帧画面，将多帧画面输入预先训练好的图像处理模型中处理，得到每帧画面属于模糊画面的概率值的模糊度序列。将每帧画面的模糊度与阈值比较，得到待处理视频中的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

参考图6，示出了本发明实施例提供的一种图像处理系统的结构框图，所述处理单元403包括：高斯平滑模块4031、获取模块4032、第一组合模块4033、第二组合模块4034和处理模块4035。

高斯平滑模块4031，用于对所述模糊度序列进行高斯平滑。具体内容参见上述本发明实施例图3公开的步骤s301相对应的内容。

获取模块4032，用于获取所述模糊序列中模糊度大于所述模糊度阈值的m帧模糊画面。具体内容参见上述本发明实施例图3公开的步骤s302相对应的内容。

第一组合模块4033，用于将所述m帧模糊画面组成0个以上包含一个模糊画面的模糊片段，或包含m个序号相邻的模糊画面的模糊片段，其中，m为大于等于0小于等于n的正整数，m为大于1的整数。具体内容参见上述本发明实施例图3公开的步骤s303相对应的内容。

第二组合模块4034，用于将所述模糊片段组成模糊片段列表。具体内容参见上述本发明实施例图3公开的步骤s304相对应的内容。

处理模块4035，用于对所述模糊片段列表中的模糊片段进行合并和删除，得到所述最终的模糊片段列表。具体内容参见上述本发明实施例图3公开的步骤s305相对应的内容。

在本发明实施例中，通过对待处理视频进行抽帧处理得到多帧画面，将多帧画面输入预先训练好的图像处理模型中处理，得到每帧画面属于模糊画面的概率值的模糊度序列。将每帧画面的模糊度与阈值比较，得到待处理视频中的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

参考图7，示出了本发明实施例提供的一种图像处理系统的结构框图，所述处理模块4035包括：删除子模块40351和合并子模块40352。

删除子模块40351，用于若所述模糊片段列表中存在片段时长小于预设时长的模糊片段，则删除所述模糊片段。具体内容参见上述本发明实施例图3公开的步骤s305相对应的内容。

合并子模块40352，用于若所述模糊片段列表中，存在两个相邻的模糊片段，并且所述两个相邻的模糊片段之间相隔预设帧数的画面，则将所述两个相邻的模糊片段合并成为一个模糊片段。具体内容参见上述本发明实施例图3公开的步骤s305相对应的内容。

综上所述，本发明提供一种图像处理方法及系统，该方法包括：对待处理视频进行间隔抽帧处理，得到n帧画面，n为正整数。将n帧画面作为图像处理模型的输入，得到长度为n并且包含每帧画面属于模糊画面的概率值的模糊度序列，其中，图像处理模型基于图片样本训练卷积神经网络模型得到。将每帧画面的模糊度与预设的模糊度阈值进行比较，获得待处理视频的模糊片段列表。本发明提供的方案中，通过对待处理视频进行抽帧处理得到多帧画面，将多帧画面输入预先训练好的图像处理模型中处理，得到每帧画面属于模糊画面的概率值的模糊度序列。将每帧画面的模糊度与阈值比较，得到待处理视频中的模糊片段列表。能降低视频处理成本、人工成本和提高视频处理效率。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。