[发明专利]基于轮廓深度学习的图像模糊检测方法、设备

权利要求书

1.一种基于轮廓深度学习的图像模糊检测方法，其特征在于：具体技术方案如下：

步骤S1：输入包含模糊图像和清晰图像的手掌图像作为待考察的目标图像；

步骤S2：对目标图像进行高斯模糊滤波除去噪声；

步骤S3：使用边缘检测算子Canny设置阈值对目标图像进行边缘轮廓提取，得到目标边缘轮廓图像；

步骤S4：定义目标边缘轮廓图像为清晰手掌边缘轮廓图像和模糊手掌边缘轮廓图像；

步骤S5：建立深度卷积神经网络模型CNN；初始化；向其输入清晰手掌边缘轮廓图像和模糊手掌边缘轮廓图像；使用四种卷积层、不同大小的卷积核对需检测图像进行检测；对输入图像使用步长为一的滑动窗口以获得不同大小的特征图，进行特征提取，获得边缘轮廓特征；

步骤S6：使用一个sigmoid函数分类器对步骤S5所得图像进行二值分类，获得清晰图片和模糊图片，过滤模糊图片。

2.根据权利要求1所述的基于轮廓深度学习的图像模糊检测方法，其特征在于：步骤S3的提取方法具体为：

使用一阶偏导有限差分计算图像的梯度幅值和方向，达到图像边缘增强；

对梯度幅值进行非极大值抑制，从而保留梯度方向上的最大值；

使用高低双阈值算法区分边缘像素；

如果边缘像素点梯度值大于高阈值，则被认为是强边缘点；如果边缘梯度值小于高阈值且大于低阈值，则标记为弱边缘点；小于低阈值的点则被抑制掉，从而实现检测和连接边缘。

3.根据权利要求2所述的基于轮廓深度学习的图像模糊检测方法，其特征在于：所述高阈值为低阈值的二倍。

4.根据权利要求1所述的基于轮廓深度学习的图像模糊检测方法，其特征在于：步骤S5中深度卷积神经网络模型CNN处理方案具体为：

步骤S5-1：第一层卷积层输入边缘轮廓图像，使用32个3*3的步长为1的卷积核进行过滤，使用Relu激活函数通过加权的输入进行非线性组合产生非线性决策边界；引入2x2的最大池化层减少图像空间大小并保持平移不变性，达到特征融合和降维；

步骤S5-2：第二个卷积层将第一个卷积层的输出作为输入，使用64个3x3的卷积核进行过滤，使用ReLU激活函数和2x2的最大池化层，加快收敛，提取中阶特征；

步骤S5-3：第三个和第四个卷积层将第二个卷积层的输出作为输入，均使用128个3x3的卷积核进行过滤，使用ReLU激活函数和2x2的最大池化层，加快收敛，提取高阶特征；

步骤S5-4：将卷积后得到的多维特征一维化，得到6272个神经元的输出运算结果；

步骤S5-5：第一层全连接层对输出的6272个神经元进行全连接，使用ReLU激活函数进行运算，输出6272个本层的输出结果值。

5. 根据权利要求4所述的基于轮廓深度学习的图像模糊检测方法，其特征在于：深度卷积神经网络模型CNN的第二个全连接层使用sigmoid函数作为输出层的多层感知机，实现对清晰边缘轮廓和模糊边缘轮廓进行分类检测。

6.一种基于滑窗再模糊的图像模糊检测方法的设备，其特征在于，包括：存储器，其上存储有计算机程序代码；以及

处理器，其被配置为运行所述计算机程序代码，以执行如权利要求1至5中任一项所述的方法。

7.一种计算机可读存储介质，其上存储有计算机程序代码，所述计算机程序代码在被运行时执行如权利要求1至5中任一项所述的方法。