[发明专利]一种基于深度学习的模糊图像检测方法

摘要

本发明专利提出了一种基于频谱和倒谱特征的模糊图像检测方法，并利用深度分类网络计算图像存在模糊问题的概率，取得了很好的性能。该方法提出了利用向量化频谱特征和向量化倒谱特征两种特征作为图像的模糊特征，用于模糊检测。对所有图像进行模糊特征分析的基础上，建立深度分类网络模型，模型的输出值为图像属于模糊图像的概率，当该概率值较大时则判断为模糊图像。该方法由于引入了深度网络，有良好的分类效果，同时也是一种无参照的模糊图像检测方法，可以广泛的应用于图像识别领域。

主权项

一种基于深度学习的模糊图像检测方法，它包含以下步骤：步骤1：任意选取摄像头采集的N1+N2幅同类数字图像其中既包含模糊图像也包含清晰图像，代表第t幅大小为M×N的图像；步骤2：对步骤1中得到的N1+N2幅数字图像根据其模糊与否进行人工标定，若第t幅图像为模糊图像，则令其对应的标定变量yt＝1，否则yt＝‑1；步骤3：对于每一幅输入数字图像It，It(m，n)表示其中任意一像素点的灰度值，(m，n)为该像素点的坐标位置，进行It与算子(‑1)m+n的相乘运算以保证傅里叶变换之后的零频部分位于频谱图像的中心，得到步骤4：对每一变换后的图像进行二维离散傅里叶变换，Ft(u,v)=Σm=0M-1Σn=0N-1I′t(m,n)e-j2π(umM+vnN),u=0,1,...,M-1;v=0,1,...,N-1]]>其中Ft(u，v)表示I′t的二维离散傅里叶变换，u，v为傅里叶变换后的空间坐标，进而得到总体频谱图|Ft|；步骤5：将频谱图|Ft|做下采样，下采样的比例根据图像大小决定，下采样后频谱图的宽度和高度都不超过50个点，向量化下采样后频谱图得到向量ht；步骤6：计算每一图像的倒谱其中代表反傅里叶反变换，|Ft(u，v)|为第t幅图像傅里叶变换Ft(u，v)的模，倒谱具体表达式为：Ct(m,n)=1MNΣu=0M-1Σv=0N-1log|Ft(u,v)|ej2π(umM+vnN),m=0,1,...,M-1;n=0,1,...,N-1;]]>步骤7：将倒谱图Ct做下采样，下采样的比例根据图像大小决定，下采样后倒谱图的宽度和高度都不超过50个点，向量化下采样倒谱图得到向量st；步骤8：对于每一图像由频谱向量ht和倒谱向量st构成模糊特征xt＝[ht；st]；步骤9：设计深度分类网络，为已有图像的模糊特征和对应是否清晰的标签，定义目标函数为其中θ是网络参数，λ是控制约束项强弱的因子，y(xt)为样本xt属于模糊图像的概率p(yt＝+1|xt，θ)，对应的表达式为：为深度网络最后一个隐层的节点构成的向量，sL为最后一隐层节点的数目，w为最后一层的参数向量，L为网络隐层总的层数；网络往前每一层的节点单元由上一层的节点单元和网络参数决定hti(l+1)=σ(wi1(l+1)ht1(l)+wi2(l+1)ht2(l)...+wisl(l+1)htsl(l)+bi(l)),i=1,...,sl+1,l=0,...,L-1]]>表示第l层的第j个单元的响应值，j＝1，...，sl，表示第l+1层的第i个单元的输入，和表示连接深度神经网络第l层的所有sl个单元和第l+1层的第i个单元之间的参数；具体来讲，表示连接第l层的第j个单元和第l+1层第i个单元之间的参数，为与第l+1层的隐单元i相关的偏差项，sl+1为第l+1层隐单元的数目，输入层为xt；因此网络参数步骤10：利用后向传播算法计算求解目标函数J(θ)关于参数θ的梯度得到步骤11：根据步骤10中得到的梯度利用梯度下降法对步骤9中的目标函数进行优化，求取目标函数取最小值时候的对应参数θ，利用由此参数确定的神经网络判断新图像是否模糊。