一種基于深度學習的模糊圖像檢測方法技術

本發明專利技術提出了一種基于頻譜和倒譜特征的模糊圖像檢測方法，并利用深度分類網絡計算圖像存在模糊問題的概率，取得了很好的性能。該方法提出了利用向量化頻譜特征和向量化倒譜特征兩種特征作為圖像的模糊特征，用于模糊檢測。對所有圖像進行模糊特征分析的基礎上，建立深度分類網絡模型，模型的輸出值為圖像屬于模糊圖像的概率，當該概率值較大時則判斷為模糊圖像。該方法由于引入了深度網絡，有良好的分類效果，同時也是一種無參照的模糊圖像檢測方法，可以廣泛的應用于圖像識別領域。

A fuzzy image detection method based on depth learning

The present invention proposes a fuzzy image detection method based on spectrum and cepstrum features, and uses depth classification network to calculate the probability of fuzzy problem of image, and achieves good performance. The proposed method takes vector spectrum features and vector cepstrum features into two images as fuzzy features, and is used for fuzzy detection. Based on the fuzzy feature analysis of all images, a depth classification network model is established. The output value of the model is the probability that the image belongs to the fuzzy image. When the probability value is large, the model is judged to be a fuzzy image. Because of introducing deep network, this method has good classification effect, and also is a fuzzy image detection method without reference. It can be widely used in the field of image recognition.

【技術實現步驟摘要】
一種基于深度學習的模糊圖像檢測方法
本專利技術屬于圖像處理
，特別涉及各類圖像的模糊檢測技術。
技術介紹
圖像模糊檢測一直是圖像處理的重要研究方向，它是指自動從輸入圖像序列中篩除存在模糊圖像的過程。在車牌識別、人臉識別、物體識別和虹膜識別等多個計算機視覺問題中，都需要確保輸入圖像清晰，才能進一步提取有效的視覺特征進行識別。因此，如何利用圖像處理技術去除掉模糊圖像，是各種計算機視覺問題第一步需要解決的。目前的圖像模糊檢測算法可以分為兩個類別：(1)有參照模糊檢測方法和(2)無參照模糊檢測方法。有參照模糊檢測方法是指通過比較失真圖像和參照(清晰)圖像來評價失真圖像的模糊程度，該方法是目前為止客觀評價圖像模糊程度中最可靠的方法。其中，基于均方誤差、峰值信噪比、和歸一化最小平方誤差等的方法為常見的評價方法。這類方法計算簡單，同時能有效評測失真圖像的模糊程度。然而，由于在實際應用中參照圖像通常無法得到，因此該類方法的應用范圍非常有限。參見文獻“RonyFerzliandLinaJ.Karam,HumanVisualSystemBasedNo-ReferenceObjectiveImageSharpnessMetric,2006IEEEInternationalConferenceonImageProcessing,pp.2949-2952”。非參照模糊圖像檢測方法是指不通過與參照(清晰)圖像進行對比，直接根據模糊失真圖像的特性定義檢測指標，通過指標的數值判斷圖像是否模糊以及模糊程度。該類方法與有參照模糊圖像檢測方法相比，在檢測準確性上略顯不足。但是，由于該類方法不需要獲取原始參照圖像進行對比，應用范圍很廣。目前大多數研究工作都在針對如何尋找更有效的模糊檢測指標而進行。參見文獻“PinaMarziliano,FredericDufaux,StefanWinklerandTouradjEbrahimi,ANo-ReferencePerceptualBlurMetric,2002IEEEInternationalConferenceonImageProcessing,Vol.3,pp.57-60”。
技術實現思路
本專利技術的任務是提供一種基于多特征的圖像模糊檢測方法。該方法首先計算圖像的頻譜特征和倒譜特征，并將上述兩種特征作為圖像的模糊特征；之后，選用深度神經網絡進行分類，利用已采集的帶模糊和清晰兩類類別標定的圖像訓練深度神經網絡的相應參數；最終使用訓練好的深度神經網絡檢測待測試圖像是否為模糊圖像。上述方法最大的優點在于作為一種非參照模糊圖像檢測方法，不需要參照圖像，因此有非常廣泛的應用。同時，由于定義的模糊特征有明確的物理意義，因此能夠準確地區分清晰和模糊圖像。為了方便地描述本
技術實現思路
，首先對一些術語進行定義。定義1：數字圖像。由數組或矩陣表示圖像，其光照位置和強度都是離散值。定義2：傅里葉變換。傅里葉變換是一種分析信號成分的方法。在本專利中用到的二維離散傅里葉變換定義為：其中f(m，n)，m＝1，...，M，n＝1，...，N為二維時域信號，F(u，v)為其傅里葉變化。傅里葉反變換定義如下：定義3：倒譜。功率譜對數值的反傅氏變換稱為倒譜，又稱作功率倒頻譜。定義4：模糊特征。用于區分圖像清晰和模糊而定義的圖像頻譜和倒譜特征。定義5：下采樣。對數據進行等間隔的抽取，使得原有數據的規模變小。定義6：深度分類網絡。即利用棧式自編碼器作為深度網絡，并在將最后一層隱層節點送入到邏輯回歸器中，得到類別概率。定義7：S形函數。S形函數(sigmoidfunction)一般可以表示為σ(·)，其表達式為定義8：后向傳播算法。是一種監督學習算法，常被用來訓練多層神經網絡。一般包含兩個階段：(1)前向傳播階段將訓練輸入送入網絡以獲得激勵響應；(2)反向傳播階段將激勵響應同訓練輸入對應的目標輸出求差，從而獲得隱層和輸出層的響應誤差。定義9：梯度法。梯度下降法是一個最優化算法，為求解函數f(x)取極值時，自變量的取值可以迭代求解，即：直到梯度值為零，得到解。按照本專利技術的一種基于深度學習的模糊圖像檢測方法，它包含以下步驟：步驟1：任意選取攝像頭采集的N1+N2幅同類數字圖像其中既包含模糊圖像也包含清晰圖像(兩者比例接近)，代表第t幅大小為M×N的圖像；步驟2：對步驟1中得到的N1+N2幅數字圖像根據其模糊與否進行人工標定，若第t幅圖像為模糊圖像，則令其對應的標定變量yt＝1，否則yt＝-1；步驟3：對于每一幅輸入數字圖像It，It(m，n)表示其中任意一像素點的灰度值，(m，n)為該像素點的坐標位置，進行It與算子(-1)m+n的相乘運算以保證傅里葉變換之后的零頻部分位于頻譜圖像的中心，得到步驟4：對每一變換后的圖像進行二維離散傅里葉變換，其中Ft(u，v)表示I′t的二維離散傅里葉變換，u，v為傅里葉變換后的空間坐標，進而得到總體頻譜圖|Ft|；步驟5：將頻譜圖|Ft|做下采樣，下采樣的比例根據圖像大小決定，下采樣后頻譜圖的寬度和高度都不超過50個點，向量化下采樣后頻譜圖得到向量ht；步驟6：計算每一圖像的倒譜其中代表反傅里葉反變換，|Ft(u，v)|為第t幅圖像傅里葉變換Ft(u，v)的模，倒譜具體表達式為：步驟7：將倒譜圖Ct做下采樣，下采樣的比例根據圖像大小決定，下采樣后倒譜圖的寬度和高度都不超過50個點，向量化下采樣倒譜圖得到向量st；步驟8：對于每一圖像由頻譜向量ht和倒譜向量st構成模糊特征xt＝[ht；st]；步驟9：設計深度分類網絡，為已有圖像的模糊特征和對應是否清晰的標簽，定義目標函數為其中θ是網絡參數，λ是控制約束項強弱的因子，y(xt)為樣本xt屬于模糊圖像的概率p(yt＝+1|xt，θ)，對應的表達式為：為深度網絡最后一個隱層的節點構成的向量，sL為最后一隱層節點的數目，w為最后一層的參數向量，L為網絡隱層總的層數；網絡往前每一層的節點單元由上一層的節點單元和網絡參數決定表示第L層的第j個單元的響應值，j＝1，...，sl，表示第l+1層的第i個單元的輸入，和表示連接深度神經網絡第l層的所有sl個單元和第l+1層的第i個單元之間的參數；具體來講，表示連接第l層的第j個單元和第l+1層第i個單元之間的參數，為與第l+1層的隱單元i相關的偏差項，sl+1為第l+1層隱單元的數目，輸入層(即第0層)為xt(參見圖2)；因此網絡參數步驟10：利用后向傳播算法計算求解目標函數J(θ)關于參數θ的梯度得到步驟11：根據步驟10中得到的梯度利用梯度下降法對步驟9中的目標函數進行優化，求取目標函數取最小值時候的對應參數θ，利用由此參數確定的神經網絡判斷新圖像是否模糊。需要說明的是：步驟1中選取攝像頭采集的圖像進行模糊檢測分類器訓練時，選擇某一類圖像，比如人臉、固定場景等。另外，選取N1+N2幅圖像的目的在于用N1幅圖像作訓練樣本，N2幅圖像作測試樣本，一般分類器的性能會隨著N1的增加而改善。本專利技術的創新之處在于：提出了一種基于頻譜和倒譜結合的深度網絡分類器，用于檢測模糊圖像。該方法提出了利用向量化頻譜特征和向量化倒譜特征兩種特征作為圖像的模糊特征，用于模糊檢測。對所有圖像進行模糊特征分析的基礎上，建立深度分類網絡模型，模本文檔來自技高網...

【技術保護點】
一種基于深度學習的模糊圖像檢測方法，它包含以下步驟：步驟1：任意選取攝像頭采集的N

【技術特征摘要】
1.一種基于深度學習的模糊圖像檢測方法，它包含以下步驟：步驟1：任意選取攝像頭采集的N1+N2幅同類數字圖像其中既包含模糊圖像也包含清晰圖像，代表第t幅大小為M×N的圖像；步驟2：對步驟1中得到的N1+N2幅數字圖像根據其模糊與否進行人工標定，若第t幅圖像為模糊圖像，則令其對應的標定變量yt＝1，否則yt＝-1；步驟3：對于每一幅輸入數字圖像It，It(m，n)表示其中任意一像素點的灰度值，(m，n)為該像素點的坐標位置，進行It與算子(-1)m+n的相乘運算以保證傅里葉變換之后的零頻部分位于頻譜圖像的中心，得到步驟4：對每一變換后的圖像進行二維離散傅里葉變換，其中Ft(u，v)表示I′t的二維離散傅里葉變換，u，v為傅里葉變換后的空間坐標，進而得到總體頻譜圖|Ft|；步驟5：將頻譜圖|Ft|做下采樣，下采樣的比例根據圖像大小決定，下采樣后頻譜圖的寬度和高度都不超過50個點，向量化下采樣后頻譜圖得到向量ht；步驟6：計算每一圖像的倒譜其中代表反傅里葉反變換，|Ft(u，v)|為第t幅圖像傅里葉變換Ft(u，v)的模，倒譜具體表達式為：步驟7：將倒譜圖Ct做下采樣，下采樣的比例根據圖像大小決定，下采樣后倒譜圖的寬度和高度都不超過50個點，向量化下采樣倒譜圖得到向量st；步...

【專利技術屬性】
技術研發人員：潘力立，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：四川,51