[发明专利]一种基于深度学习的高精度图像模糊检测方法

权利要求书

1.一种基于深度学习的高精度图像模糊检测方法，其特征在于：包括如下步骤：

步骤一，建立深度卷积神经网络模型CNN和初始化，并向其输入检测图像；

步骤二，所述深度卷积神经网络模型对需要检测图像选取不同s个尺度获得不同尺度的图像块，(其中s＝1,2,..)；

步骤三，所述深度卷积神经网络模型按照六种卷积层对步骤二中所述图像块进行特征提取获得单尺度模糊图：

步骤四，所述深度卷积神经网络模型对不同的所述单尺度模糊图进行多次融合处理输出模糊图。

2.根据权利要求1所述的一种基于深度学习的高精度图像模糊检测方法，其特征在于：所述步骤二中不同尺度的图像块是根据对应的尺度对检测图像进行填料，然后用滑动窗口对于图下的每一个像素点取对应的图像块，获得每个尺度下能够输入对应图像块的图像像素点的每一个对应的图像块。

3.根据权利要1所述的一种基于深度学习的高精度图像模糊检测方法，其特征在于：所述深度卷积神经网络模型按照六种卷积层对步骤二中所述图像块进行特征提取获得单尺度模糊图步骤：

步骤一，第一卷积层采用96个5x5的过滤器对所述图像块提取低阶的特征；

步骤二，第二卷积层采用256个5x5的过滤器对所述图像块提取中阶的特征；

步骤三，第三卷积层采用384个3x3的过滤器对所述图像块提取高阶的特征；

步骤四，第四卷积层和第五卷积层均采用2048个过滤器对所述图像块提取特征；

步骤五，第六卷积层采用一个2路的softmax分类器对所述图像块进行二值的分类获得单尺度模糊图。

4.根据权利要求3所述的一种基于深度学习的高精度图像模糊检测方法，其特征在于：所述第四卷积层和所述第五卷积层为整体连通层。

5.根据权利要求3所述的一种基于深度学习的高精度图像模糊检测方法，其特征在于：所述第一卷积层提取低价的特征为提取角和边连接的信息。

6.根据权利要求3所述的一种基于深度学习的高精度图像模糊检测方法，其特征在于：所述第二卷积层提取中价的特征为复杂的纹理和样式。

7.根据权利要求3所述的一种基于深度学习的高精度图像模糊检测方法，其特征在于：所述第三卷积层提取高价特征为语义信息。