[发明专利]一种基于深度学习的高精度图像模糊检测方法

说明书

技术领域

本发明属于图像模糊检测领域，涉及一种基于深度学习(deep learning)的高精度图像模糊检测技术。

背景技术

本发明中涉及到的背景技术有：

(1)图像模糊检测(Blur detection)：对于图像的模糊检测，之前的工作主要集中于特征的人工选定和能量函数的优化上面。选择合适的特征或者能量函数，可以采用不同的方法来直接对主题进行建模，比如利用多方向的梯度统计方法为模糊分割建立能量函数，局部梯度统计方法同样被用来估计物体运动产生的模糊。常用的特征有局部能量谱斜率、梯度直方图跨度、最大饱和性和局部自动相关一致性。有一些工作通过使用逐像素的单个值的信息来识别模糊的类型和度量模糊的内容。最近，有一些工作在图像梯度，傅里叶和数据驱动的局部过滤空间上学习模糊特征的表示，取得了不错的区分效果。相对于这些基于从多样的低阶图像统计衍生出来的人工选取的特征进行模糊检测的方法而言，本发明所基于的深度卷积神经网络，指的是通过深度卷积神经网络训练出的具有可区分性的深度特征来对图像的模糊区域进行标识与分割。

(2)深度卷积神经网络(Convolutional Neural Networks)：近些年我们目睹了深度卷积神经网络模型在许多计算机视觉领域问题上多都取得了远好于经典的方法的效果。比如，物体检测和识别，图像分割，场景解析，深度重建，显著性检测，图像去噪，超像素等等。一种普遍接受度的观点是，深度卷积神经网络模型成功的原因主要来自它超强的直接从输入图像提取特征的能力。因为图像的模糊是图像品质的一种退化，所以图像模糊检测不同于大多数识别问题。图像识别问题对于图片质量造成影响的因素，像噪声和模糊，应该被容忍。然而，在图像模糊检测方面，我们需要学习与模糊相关的特征而忽视由于不同的图像内容造成的巨大差异。据我们目前所知，我们的模型是第一个将深度卷积神经网络用于模糊度量和检测的。

发明内容

针对现有技术中存在的技术问题，本发明提供一种基于深度学习的高精度图像模糊检测方法，该方法是将深度卷积神经网络(Convolutional Neural Networks)应用到图像模糊检测问题中，以精确地检测出图像中的模糊区域为目标。

为了解决现有技术中存在的技术问题，本发明采用如下技术方案：

一种基于深度学习的高精度图像模糊检测方法，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；

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。

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的图像块图像的像素点的每一个对应的图像块。

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。

所述第四卷积层和所述第五卷积层为整体连通层。

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。

所述第二卷积层提取中价的特征为复杂的纹理和样式。

所述第三卷积层提取高价特征为语义信息。

本发明有益效果：

第一，本发明是解决现有技术中在提取特征进行图像模糊检测方法精确性差的技术问题。如图4,图5所示。

第二，本发明是将深度神经网络应用到图像模糊检测中，即在多个尺度上仅利用深度卷积神经网络提取的可区分的特征就可以做到高精度图像模糊检测的方法，高对模糊图像的处理能力。如图6,图7所示。

附图说明

图1：图像模糊检测流程图