一種基於顯著性檢測的圖像模糊檢測方法
2023-05-30 00:05:36
一種基於顯著性檢測的圖像模糊檢測方法
【專利摘要】本發明公開了一種基於顯著性檢測的圖像模糊檢測方法，其收集樣本圖像，首先對每個樣本圖像的最顯著區域的RGB三個通道分別進行快速傅立葉變換及尺寸縮小處理，用尺寸縮小後的複數數據構建新圖像，並將所得到的新構建的縮小圖像作為卷積神經網絡的輸入圖像，進行清晰-模糊圖像分類訓練，得到模糊檢測模型，最後對待檢測圖像的最顯著區域進行RGB三個通道的快速傅立葉變換及尺寸縮小處理，並用尺寸縮小後的複數數據構建新的待檢測圖像，然後採用所述模糊檢測模型對所述的新構建的待檢測圖像進行清晰-模糊圖像的判別，從而有效的減少計算量，加快檢測速度，同時特別適用於大尺寸圖像的快速模糊檢測，提高檢測的準確率。
【專利說明】一種基於顯著性檢測的圖像模糊檢測方法
【技術領域】
[0001] 本發明涉及一種圖像處理方法，特別是一種基於顯著性檢測的圖像模糊檢測方 法。
【背景技術】
[0002] 數字圖像處理已經成為信息科學、生物學、醫學等諸多領域的基礎研究對象。隨 著資訊時代的到來，數字圖像處理在計算機視覺、機器學習、人工智慧等領域都得到廣泛的 應用，其重要性日益凸顯。令人遺憾的是，在數字圖像的採集過程中，採集設備在快門開啟 的瞬間會產生不可避免的輕微抖動，這種抖動往往使我們最終只能得到一張細節模糊的圖 像，尤其是在光照條件不理想的情況下，較長的快門時間使得圖像的模糊程度更加劇烈。這 樣的模糊圖像給人眼視覺帶來了很大的困擾，同時也丟失了大量的細節信息，是無法應用 於日常生活和科研活動中的。現有的圖像模糊檢測方法大體上可以分為兩類：一類給出整 幅圖像的模糊程度的估計，另一類將圖像劃分為若干個區域，對各個區域分別給出模糊程 度的估計，但大都計算方法比較複雜，運算量較大，處理速度慢。
【發明內容】
[0003] 本發明為解決上述問題，提供了一種基於顯著性檢測的圖像模糊檢測方法，檢測 結果更加快速準確。
[0004] 為實現上述目的，本發明採用的技術方案為：
[0005] -種基於顯著性檢測的圖像模糊檢測方法，其特徵在於，包括以下步驟：
[0006] 10.收集樣本圖像，對每個樣本圖像進行顯著性檢測以獲取樣本圖像中最顯著區 域，並對所述樣本圖像的最顯著區域的RGB三個通道分別進行快速傅立葉變換，得到變換 後的複數數據；
[0007] 20.對所述的複數數據進行尺寸縮小處理，並用尺寸縮小後的複數數據構建新圖 像，得到縮小圖像；
[0008] 30.將所述的新構建的縮小圖像作為卷積神經網絡的輸入圖像，進行清晰-模糊 圖像分類訓練，得到模糊檢測模型；
[0009] 40.獲取待檢測圖像，對待檢測圖像進行顯著性檢測以獲取待檢測圖像中最顯著 區域，並對所述待檢測圖像的最顯著區域的RGB三個通道進行快速傅立葉變換，對變換得 到的複數數據進行尺寸縮小處理，並用尺寸縮小後的複數數據構建新的待檢測圖像，然後 採用所述模糊檢測模型對所述的新構建的待檢測圖像進行清晰-模糊圖像的判別。
[0010] 優選的，所述的顯著性檢測進一步包括：
[0011] a.提取圖像特徵：採用高斯濾波器對樣本圖像或待檢測圖像進行濾波和採樣，形 成以所述的樣本圖像或待檢測圖像為底層的高斯金字塔模型；然後對高斯金字塔模型中的 每一層分別提取各種圖像特徵，形成特徵金字塔模型；再根據該特徵金字塔模型進行計算 得到所述的樣本圖像或待檢測圖像的特徵圖；
[0012] b.生成顯著圖：把每一個所述的特徵圖歸一化處理，並將各個歸一化處理後的特 徵圖進行綜合計算，得到對應於所述的樣本圖像或待檢測圖像的顯著圖。
[0013] 優選的，所述的顯著圖中採用白色和黑色對其進行標記以獲取圖像的顯著性區 域，其中，白色表示圖像中顯著的區域，黑色表示圖像中不顯著的區域。
[0014] 優選的，還包括計算顯著性檢測後的顯著性區域裡的最大矩形區域，主要通過標 記法對所述顯著圖進行連通區域的計算和提取，從而得到最大矩形區域。
[0015] 優選的，所述的標記法進一步包括：
[0016] bl.初始標記值記為1 ;
[0017] b2.對所述顯著圖進行逐行掃描，找到一個未標記區域的顏色為白色的像素點，標 記該像素點的標記值為1 ;
[0018] b3.檢查該點的八鄰域的像素點並標記像素點滿足為顏色為白色的像素點且未被 標記的標記值為當前標記值，同時將新增的標記像素點記錄下來作為區域增長的種子點；
[0019] b4.在後續的標記像素點過程中，不斷從記錄種子點的數組中取出一個種子，實施 上述的操作，如此循環，直到記錄種子點的數組為空；
[0020] b5.若一個連通區域標記結束，則標記值+1，並遍歷下一個連通區域，直到所有像 素點被標記為止；
[0021] b6.獲取每個標記值的最大區域，並將每個標記值為1的白色區域連接起來，然後 計算出顯著性區域與非顯著性區域的比例達到最大的矩形區域為所述的最大矩形區域。
[0022] 優選的，所述的步驟40中採用所述模糊檢測模型對所述的新構建的待檢測圖像 進行清晰-模糊圖像的判別，主要是將轉換後構建的新的待檢測圖像塊放入卷積神經網絡 系統中，然後根據所述的模糊檢測模型進行計算該新構建的待檢測圖像為清晰圖像或模糊 圖像的概率，並選擇概率較大的圖像類型作為所述的待檢測圖像的清晰-模糊類型。
[0023] 本發明的有益效果是：
[0024] 本發明的一種基於顯著性檢測的圖像模糊檢測方法，其通過收集樣本圖像，並對 每個樣本圖像進行顯著性檢測，獲取圖像的最顯著區域，然後對所述樣本圖像最顯著區域 的RGB三個通道分別進行快速傅立葉變換，然後對得到變換後的複數數據進行尺寸縮小處 理，並用尺寸縮小後的複數數據構建新圖像，並將所得到的新構建的縮小圖像作為卷積神 經網絡的輸入圖像，進行清晰-模糊圖像分類訓練，得到模糊檢測模型，最後對待檢測圖像 提取最顯著區域，並對該待檢測圖像最顯著區域進行RGB三個通道的快速傅立葉變換，對 變換得到的複數數據進行尺寸縮小處理，並用尺寸縮小後的複數數據構建新的待檢測圖 像，然後採用所述模糊檢測模型對所述的新構建的待檢測圖像進行清晰-模糊圖像的判 另IJ，從而有效的減少計算量，加快檢測速度，同時特別適用於大尺寸圖像的快速模糊檢測， 檢測的準確率更高。
【專利附圖】
【附圖說明】
[0025] 此處所說明的附圖用來提供對本發明的進一步理解，構成本發明的一部分，本發 明的示意性實施例及其說明用於解釋本發明，並不構成對本發明的不當限定。在附圖中：
[0026] 圖1為本發明一種基於顯著性檢測的圖像模糊檢測方法的流程簡圖；
[0027] 圖2為用於說明本發明效果的待檢測圖像；
[0028] 圖3為圖2進行顯著性檢測後的顯著圖；
[0029] 圖4為圖2待檢測圖像的最顯著部分進行快速傅立葉變換後的複數數據。
【具體實施方式】
[0030] 為了使本發明所要解決的技術問題、技術方案及有益效果更加清楚、明白，以下結 合附圖及實施例對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用 以解釋本發明，並不用於限定本發明。
[0031] 如圖1所示，本發明的一種基於顯著性檢測的圖像模糊檢測方法，其包括以下步 驟：
[0032] 10.收集樣本圖像，對每個樣本圖像進行顯著性檢測以獲取樣本圖像中最顯著區 域，並對所述樣本圖像的最顯著區域的RGB三個通道分別進行快速傅立葉變換，得到變換 後的複數數據；
[0033] 20.對所述的複數數據進行尺寸縮小處理，並用尺寸縮小後的複數數據構建新圖 像，得到縮小圖像；
[0034] 30.將所述的新構建的縮小圖像作為卷積神經網絡的輸入圖像，進行清晰-模糊 圖像分類訓練，得到模糊檢測模型；
[0035] 40.獲取待檢測圖像（如圖2)，對待檢測圖像進行顯著性檢測以獲取待檢測圖像 中最顯著區域（如圖3)，並對所述待檢測圖像的最顯著區域的RGB三個通道進行快速傅 裡葉變換（如圖4)，對變換得到的複數數據進行尺寸縮小處理，並用尺寸縮小後的複數數 據構建新的待檢測圖像，然後採用所述模糊檢測模型對所述的新構建的待檢測圖像進行清 晰-模糊圖像的判別。
[0036] 所述的步驟10和步驟40中的顯著性檢測進一步包括：
[0037] a.提取圖像特徵：採用高斯濾波器對樣本圖像或待檢測圖像進行濾波和採樣，形 成以所述的樣本圖像或待檢測圖像為底層的高斯金字塔模型；然後對高斯金字塔模型中的 每一層分別提取各種圖像特徵，形成特徵金字塔模型；再根據該特徵金字塔模型進行計算 得到所述的樣本圖像或待檢測圖像的特徵圖；
[0038] b.生成顯著圖：把每一個所述的特徵圖歸一化處理，並將各個歸一化處理後的特 徵圖進行綜合計算，得到對應於所述的樣本圖像或待檢測圖像的顯著圖（如圖3)。
[0039] 所述的顯著圖中採用白色和黑色對其進行標記以獲取圖像的顯著性區域，其中， 白色表示圖像中顯著的區域，黑色表示圖像中不顯著的區域。
[0040] 其中，還包括計算顯著性檢測後的顯著性區域裡的最大矩形區域，主要通過標記 法對所述顯著圖進行連通區域的計算和提取，從而得到最大矩形區域。
[0041] 所述的標記法進一步包括：
[0042] bl.初始標記值記為1 ;
[0043] b2.對所述顯著圖進行逐行掃描，找到一個未標記區域的顏色為白色的像素點，標 記該像素點的標記值為1 ;
[0044] b3.檢查該點的八鄰域的像素點並標記像素點滿足為顏色為白色的像素點且未被 標記的標記值為當前標記值，同時將新增的標記像素點記錄下來作為區域增長的種子點；
[0045] b4.在後續的標記像素點過程中，不斷從記錄種子點的數組中取出一個種子，實施 上述的操作，如此循環，直到記錄種子點的數組為空；
[0046] b5.若一個連通區域標記結束，則標記值+1，並遍歷下一個連通區域，直到所有像 素點被標記為止；
[0047] b6.獲取每個標記值的最大區域，並將每個標記值為1的白色區域連接起來，然後 計算出顯著性區域與非顯著性區域的比例達到最大的矩形區域為所述的最大矩形區域。
[0048] 所述的步驟40中採用所述模糊檢測模型對所述的新構建的待檢測圖像進行清 晰-模糊圖像的判別，主要是將轉換後構建的新的待檢測圖像塊放入卷積神經網絡系統 中，然後根據所述的模糊檢測模型進行計算該新構建的待檢測圖像為清晰圖像或模糊圖像 的概率，並選擇概率較大的圖像類型作為所述的待檢測圖像的清晰-模糊類型。
[0049] 所述的步驟30中將所述的新構建的縮小圖像作為卷積神經網絡的輸入圖像，進 行清晰-模糊圖像分類訓練，主要是對新構建的縮小圖像進行人工分類，並輸入卷積神經 網絡進行分類測試，並且，將分類測試中分類錯誤的縮小圖像收集起來重新進行人工標註， 即進行調整網絡結構，再將重新人工分類後的縮小圖像再次進行訓練學習，如此重複"訓 練_>調整網絡結構_>再訓練"的過程直到分類正確為止。
[0050] 本實施例中網格結構順序為輸入層_>Κ個小組層_>全連接層_>SoftMax層，其中 K大於等於1 ;小組層包括卷積層、激活層、下採樣層、歸一化層；卷積層、激活層、下採樣層、 歸一化層中每個層的核大小以及輸出大小都是可以進行任意調節的，並且每個層都有一個 輸入且產生一個輸出，每一層的輸出作為下一層的輸入。
[0051] 其中，輸入層的輸入大小為Height X Weight X Channel,其中Weight、Height為 輸入層圖像的寬和高，Channel為輸入層圖像的顏色通道；由於本發明使用GPU硬體實現的 原因 ，Weight = Height ;輸入圖像的channel只能為1或者3。
[0052] 卷積層：
[0053] 1)核的大小必須是奇數，且不大於該層輸入的寬或者高；
[0054] 2)中間表示通過卷積層時不改變寬和高，通道數可變可不變；理論上可以為任意 正整數，由於本發明使用GPU硬體實現的原因，這裡為16的倍數。
[0055] 激活層：
[0056] 1)激活層不改變卷積層表示的寬、高或者通道數；
[0057] 2)激活層所使用的激活函數包括但不限於以下函數類型：
[0058]
【權利要求】
1. 一種基於顯著性檢測的圖像模糊檢測方法，其特徵在於，包括以下步驟：
10.收集樣本圖像，對每個樣本圖像進行顯著性檢測以獲取樣本圖像中最顯著區域，並 對所述樣本圖像的最顯著區域的RGB三個通道分別進行快速傅立葉變換，得到變換後的復 數數據；
20.對所述的複數數據進行尺寸縮小處理，並用尺寸縮小後的複數數據構建新圖像，得 到縮小圖像；
30.將所述的新構建的縮小圖像作為卷積神經網絡的輸入圖像，進行清晰-模糊圖像 分類訓練，得到模糊檢測模型；
40.獲取待檢測圖像，對待檢測圖像進行顯著性檢測以獲取待檢測圖像中最顯著區域， 並對所述待檢測圖像的最顯著區域的RGB三個通道進行快速傅立葉變換，對變換得到的復 數數據進行尺寸縮小處理，並用尺寸縮小後的複數數據構建新的待檢測圖像，然後採用所 述模糊檢測模型對所述的新構建的待檢測圖像進行清晰-模糊圖像的判別。
2. 根據權利要求1所述的一種基於顯著性檢測的圖像模糊檢測方法，其特徵在於：所 述的顯著性檢測進一步包括： a. 提取圖像特徵：採用高斯濾波器對樣本圖像或待檢測圖像進行濾波和採樣，形成以 所述的樣本圖像或待檢測圖像為底層的高斯金字塔模型；然後對高斯金字塔模型中的每一 層分別提取各種圖像特徵，形成特徵金字塔模型；再根據該特徵金字塔模型進行計算得到 所述的樣本圖像或待檢測圖像的特徵圖； b. 生成顯著圖：把每一個所述的特徵圖歸一化處理，並將各個歸一化處理後的特徵圖 進行綜合計算，得到對應於所述的樣本圖像或待檢測圖像的顯著圖。
3. 根據權利要求2所述的一種基於顯著性檢測的圖像模糊檢測方法，其特徵在於：所 述的顯著圖中採用白色和黑色對其進行標記以獲取圖像的顯著性區域，其中，白色表示圖 像中顯著的區域，黑色表示圖像中不顯著的區域。
4. 根據權利要求3所述的一種基於顯著性檢測的圖像模糊檢測方法，其特徵在於：還 包括計算顯著性檢測後的顯著性區域裡的最大矩形區域，主要通過標記法對所述顯著圖進 行連通區域的計算和提取，從而得到最大矩形區域。
5. 根據權利要求4所述的一種基於顯著性檢測的圖像模糊檢測方法，其特徵在於：所 述的標記法進一步包括： bl.初始標記值記為1 ; b2.對所述顯著圖進行逐行掃描，找到一個未標記區域的顏色為白色的像素點，標記該 像素點的標記值為1 ; b3.檢查該點的八鄰域的像素點並標記像素點滿足為顏色為白色的像素點且未被標記 的標記值為當前標記值，同時將新增的標記像素點記錄下來作為區域增長的種子點； b4.在後續的標記像素點過程中，不斷從記錄種子點的數組中取出一個種子，實施上述 的操作，如此循環，直到記錄種子點的數組為空； b5.若一個連通區域標記結束，則標記值+1，並遍歷下一個連通區域，直到所有像素點 被標記為止； b6.獲取每個標記值的最大區域，並將每個標記值為1的白色區域連接起來，然後計算 出顯著性區域與非顯著性區域的比例達到最大的矩形區域為所述的最大矩形區域。
6.根據權利要求1所述的一種基於顯著性檢測的圖像模糊檢測方法，其特徵在於：所 述的步驟40中採用所述模糊檢測模型對所述的新構建的待檢測圖像進行清晰-模糊圖像 的判別，主要是將轉換後構建的新的待檢測圖像塊放入卷積神經網絡系統中，然後根據所 述的模糊檢測模型進行計算該新構建的待檢測圖像為清晰圖像或模糊圖像的概率，並選擇 概率較大的圖像類型作為所述的待檢測圖像的清晰-模糊類型。
【文檔編號】G06T7/00GK104091341SQ201410344795
【公開日】2014年10月8日 申請日期:2014年7月18日 優先權日:2014年7月18日
【發明者】張偉, 曾志勇, 傅松林, 許清泉 申請人:廈門美圖之家科技有限公司