[发明专利]一种基于深度学习的图像模糊区域检测方法及装置

摘要

本发明涉及图像识别领域，尤其是一种基于深度学习的图像模糊区域检测方法及装置。本发明针对现有技术存在的问题，提供一种基于深度学习的图像模糊区域检测方法及装置；本发明主要包括以下步骤：样本图片集的创建；gabor滤波及根据多尺度信息创建4通道图像；构建深度卷积网络学习图像的特征，将得到的样本四通道图像作为深度卷积网络的输入进行训练，产生深度学习网络的最优模型；对需要识别的图像进行区域小块提取并建立四通道图像，将建立的四通道图像输入深度学习网络的最优模型，获得分类结果；通过对分类结果进行分析获得待识别图像的模糊属性及清晰区域。

主权项

1.一种基于深度学习的图像模糊区域检测方法，其特征在于：步骤1：根据qq张清晰图片集DIor＝{DIor1,DIor2...,DIorqq}建立对应清晰图片块集合DI＝{DI1,DI2...,DIqq}，根据pp张模糊图片集BLor＝{BLor1,BLor2...,BLorpp}建立模糊图片块集合BL＝{BL1,BL2...,BLpp}；清晰图片块DIi是从第i张清晰图片DIori的清晰部分裁剪得到的清晰图像块，模糊样本图块BLi是从第i张模糊图片BLori的模糊部分裁剪得到的模糊图像块；所述清晰图片集DIor及模糊图片集BLor中的图片尺寸大小为mor*nor；模糊图像块以及清晰图像块的尺寸大小为m*n；其中pp＝qq,pp大于等于10000；mor>＝m>150,nor>＝n>150，00；执行步骤5；步骤5：将步骤4中获得的集合ROI’中的每个四通道图像元素作为步骤3获得的网络最优模型的输入进行分类，ROI’中的每个四通道图像元素依次经过前向传播过程即依次经过卷积层c1‑>池化层P1‑>归一化层n1‑>卷积层c2‑>池化层P2‑>归一化层n2‑>卷积层c3‑>卷积层c4‑>池化层P3‑>全连接层f1‑>dropout层d1‑>全连接层f2‑>输出层；最后的输出层采用SoftMax函数给出ROI’中的每个四通道图像元素的分类结果，组成结果集合RES＝{RE’hsv,RE’1,RE’2,...,RE’num},其中RE’hsv表示B’hsv的分类结果，RE’1表示根据B’1的分类结果，RE’2表示根据B’2的分类结果，RE’3表示根据B’3的分类结果，...,RE’num表示B’num的分类结果；执行步骤6；步骤6：根据RE’hsv确定整幅待识别图像的模糊属性，如果RE’hsv为模糊，则待识别图像为模糊；如果RE’hsv为清晰，numdi初始化为1，之后遍历E’1,RE’2,...,RE’num，遇见值为清晰的，执行numdi＝numdi+1操作,最终若numdi/(num+1)>Ra，则待识别图像为清晰图像；否则，待识别图像为模糊图像，其中，Ra为浮点数类型的阈值且Ra>＝0.2；numdi<＝num+1；当待识别图像为清晰图像，则集合RES中元素值为清晰的元素对应的区域为待识别图像中的清晰区域。