一種基於深度學習的圖像模糊模型參數分析方法
2023-05-10 20:06:46 1
一種基於深度學習的圖像模糊模型參數分析方法
【專利摘要】本發明設計一種基於深度學習的模糊模型參數分析方法，其特徵在於包括：步驟1，以深度信念網絡結構來提取模糊特徵並對其分類，即首先使用半監督的深度信念網絡來將輸入圖像塊投射到差異特徵空間，然後再對各特徵進行分類；步驟2，對模糊核的參數進行識別，即由變換域的邊緣提取幫助深度信念網絡結構以較高的準確性來確認模糊參數。本發明能夠確保深度信念網絡結構以較高的準確性來確認模糊參數，經在如Berkeleysegmentation和PascalVOC2007等多個圖像資料庫中反覆試用驗證，取得了滿意的優於目前最好的模糊估計方法的性能效果。
【專利說明】一種基於深度學習的圖像模糊模型參數分析方法
【技術領域】
[0001] 本發明屬於圖像模糊分析【技術領域】，特別是涉及一種基於深度學習的圖像模糊模 型參數分析方法。
【背景技術】
[0002] 模糊圖像的修復是利用已有退化模型的不充分信息對原始高質量圖像進行重建 的過程。圖像去模糊的方法主要可以分為盲去模糊和非盲去模糊。非盲去模糊方法需要模 糊核與其參數的先驗知識，而在盲去模糊方法中可假設模糊算子未知。在實際應用的各種 情形當中點擴散函數（PointSpreadFunction(PSF))未知，所以非盲去模糊的應用範圍 比盲去模糊的範圍狹窄很多。盲圖像去模糊算法可以分為兩類：多圖像和單一圖像的去模 糊方法。在實際應用中，後者比較常見。如："A.LikasandN.Galasanos.Avariational approachforbayesianblindimagedeconvolution.IEEETransactionsonSignal Processing, 52(8) : 2222 - 2233, 2004" 一文中提出了利用貝葉斯模型進行單一圖像盲去卷 積；"F.Rooms,W.Philips,andJ.Porti11a.Parametricpsfestimationviasparseness maximizationinthewaveletdomain.InProc.SPIEvol. 5607,WaveletApplicationin IndustrialProcessingII,pages26 - 33, 2004" 一文中提出了用小波分解估計高斯模糊 模型的方法；"Rekleitis.Opticalflowrecognitionfromthepowerofspectrumof asingleblurredimage.InProc.ICIP,pages791 - 794, 1996" 一文中討論了如何修復 由運動模糊造成退化的圖像；類似的，還有"T.Cho,S.Paris,B.Horn,andFreemanW.Blur kernelestimationusingtheradontransform.InProc.CVPR,pages241 - 248,2011"一 文中提出了一個非常熱門的方法，使用radon變換來對圖像的邊緣進行估計，從而計算模 糊核。除此之外，還有其它許多方法也被用於運動模糊的估計，如倒頻譜方法（cepstral method)和方向可調濾波器（steerablefilters)等。
[0003] 雖然很多已有的研究集中在圖像去模糊這個問題上，但是圖像模糊的分類問題尚 未被很好的解決。圖像模糊的分類有較高的應用價值，因為實際拍攝得到的圖像中的模糊 類型通常是未知的。針對這類問題已有一些模糊分類方法並不做圖像去模糊，而是利用模 糊的特徵參數來進行分類；其中一個現有技術是利用模糊特徵即局部自相關一致性和貝葉 斯分類器進行分類的，參見R.Liu,Z.Li,andJ.Jia,Imagepartialblurdetectionand classification.InProc.CVPR,pages23 - 28, 2008 一文；另一個相似方法是由Su等人提 出的基於阿爾法通道的特徵分類方法，該特徵對模糊的擴展有不同的圓度；儘管這兩種方 法都能夠從實際的模糊圖像中檢測到局部模糊，它們都要很大程度依賴於手工提取的特 徵。
[0004] 儘管先前的利用手工提取特徵的模糊分類方法有較好的性能，它們的效果還是比 較有局限性的，因為自然圖像的變化很大。近年來，很多學者已經將目光從直覺先驗轉移到 了深度學習來更好的提取用於分類的特徵。深度神經網絡大致模仿了哺乳動物的視覺視 皮層，這已經被用於很多的計算機視覺應用，如物體識別，圖像分類，甚至是圖像分析。在 Jain等人的去噪工作中[6]，參見V.JainandH.Seung.Naturalimagedenoisingwith convolutionalnetworks.InProc.NIPS,pages769 - 776, 2008 一文，他們展不了將卷積 的神經網絡用於進行圖像去噪的潛力；在這樣的結構中，深度卷積神經網絡中的學習到的 權值和bias的值是由訓練足夠大量的自然圖像得到的；在測試階段，神經網絡中的的參數 對於退化圖像相當於貝葉斯模型的"先驗"信息；該方法相比於頂級的局部去噪方法來講效 果更佳。另一個例子是利用基於神經網絡的多特徵分類器來構造模糊內容度量，經證實，聯 合的學習到的特徵優於單獨的基於手工的特徵。
[0005] 綜上所述，現有圖像模糊分析技術存在的主要不足可歸納為：一是對同一幅圖中 出現的不同模糊類型較難進行分別處理；二是現有的基於塊的圖像模糊分類方法利用的圖 像特徵很難很好的同時描述各個不同模糊類型。
【發明內容】
[0006] 本發明的目的在於克服現有技術所存在的不足而提供一種基於深度學習的圖像 模糊模型參數分析方法，本發明針對現有的同一副圖像內出現不同模糊類型和模糊參數大 小的問題，首先以兩步驟的深度信念網絡結構來首先對模糊類型進行分類，然後對模糊核 的參數進行識別，確保深度信念網絡結構以較高的準確性來確認模糊參數。
[0007] 根據本發明提出的一種基於深度學習的模糊模型參數分析方法，其特徵在於包 括：
[0008] 步驟1，以深度信念網絡結構來提取模糊特徵並對其分類，即首先使用半監督的深 度信念網絡來將輸入圖像塊投射到差異特徵空間，然後再對各特徵進行分類；
[0009] 步驟2,對模糊核的參數進行識別，即由變換域的邊緣提取幫助深度信念網絡結構 以較高的準確性來確認模糊參數。
[0010] 本發明提出的一種基於深度學習的模糊模型參數分析方法的進一步優選方案 是：
[0011] 本發明步驟1所述以深度信念網絡結構來提取模糊特徵並對其分類，具體包括：
[0012] 步驟1. 1，對輸入深度信念網絡的模糊特徵進行分類確認其退化模型；
[0013] 步驟1. 2,在步驟1. 1的基礎上，對每類的模糊模型進行參數分類。
[0014] 本發明步驟1. 1所述對輸入深度信念網絡的模糊特徵進行分類確認其退化模型， 是指對輸入圖像進行第一步分塊預處理，預處理得到特徵後，送入深度信念網絡做特徵提 取和分類。
[0015] 本發明步驟1. 2所述在步驟1. 1的基礎上，對每類的模糊模型進行參數分類，是指 對已經得到的模型分類結果進行預處理，預處理得到新的特徵後，再次送入深度信念網絡 做特徵提取和分類。
[0016]本發明步驟1. 1所述對輸入圖像塊進行第一步分塊預處理，是指使用一個基於傅 裡葉變換稀疏的邊緣的差異特徵，其公式如下：
【權利要求】
1. 一種基於深度學習的模糊模型參數分析方法，其特徵在於包括： 步驟1，以深度信念網絡結構來提取模糊特徵並對其分類，即首先使用半監督的深度信 念網絡來將輸入圖像塊投射到差異特徵空間，然後再對各特徵進行分類； 步驟2,對模糊核的參數進行識別，即由變換域的邊緣提取幫助深度信念網絡結構以較 高的準確性來確認模糊參數。
2. 根據權利要求1所述的基於深度學習的模糊模型參數分析方法，其特徵在於步驟1 所述以深度信念網絡結構來提取模糊特徵並對其分類，具體包括： 步驟1. 1，對輸入深度信念網絡的模糊特徵進行分類確認其退化模型； 步驟1. 2,在步驟1. 1的基礎上，對每類的模糊模型進行參數分類。
3. 根據權利要求2所述的基於深度學習的模糊模型參數分析方法，其特徵在於步驟 1. 1所述對輸入深度信念網絡的模糊特徵進行分類確認其退化模型，是指對輸入圖像進行 第一步分塊預處理，預處理得到特徵後，送入深度信念網絡做特徵提取和分類。
4. 根據權利要求2所述的基於深度學習的模糊模型參數分析方法，其特徵在於步驟 1. 2所述在步驟1. 1的基礎上，對每類的模糊模型進行參數分類，是指對已經得到的模型分 類結果進行預處理，預處理得到新的特徵後，再次送入深度信念網絡做特徵提取和分類。
5. 根據權利要求3所述的基於深度學習的模糊模型參數分析方法，其特徵在於步驟 1. 1所述對輸入圖像塊進行第一步分塊預處理，是指使用一個基於傅立葉變換稀疏的邊緣 的差異特徵，其公式如下：
上式中：G(u)為觀察圖像經過傅立葉變換的值分別為G(u)的最大和最小 值。
6. 根據權利要求1所述的基於深度學習的模糊模型參數分析方法，其特徵在於步驟1 所述以深度信念網絡結構來提取模糊特徵，是指首先使用經典的Canny算子進行初步的特 徵提取，然後運用一個啟發式方法來細化邊緣提取的結果；細化的具體步驟如下： 一是對於兩種模糊類型，選擇孤立的邊緣；假設這個孤立區域的半徑是d，那些在當前 邊緣半徑為d的正交方向上的邊緣會被濾掉； 二是對於運動模糊，放棄非常短和非常彎曲的邊緣；考慮在區域半徑為d內的，角度範 圍是0 = [0，31 ]的邊緣； 三是對於運動模糊，所有由前兩步提取出的邊緣應該有同樣的方向角a，因此，在這一 步可根據主方向角，再次去掉無用邊緣。
7. 根據權利要求1所述的基於深度學習的模糊模型參數分析方法，其特徵在於步驟2 所述對模糊核的參數進行識別，是指對不同的模糊參數類型，不同的模糊參數被設定為： 一是高斯模糊有8種類型（標籤）：〇 ={0? 5, 1，1. 5, 2, 2. 5, 3, 3. 5, 4}; 二是運動模糊有8種類型（標籤）：M= {3, 9} ? = {0, 45, 90, 135}; 三是離焦模糊有8種類型（標籤）：R= {2, 5, 8, 11，14, 17, 20, 23}; 在步驟2所述參數分類的過程中，每個DBN的層的大小設置是相同的，但它們的輸出層 的標籤均不相同，且每個DBN充當模糊參數模型的特徵提取算子和分類器。
【文檔編號】G06T5/00GK104408692SQ201410692086
【公開日】2015年3月11日 申請日期:2014年11月25日 優先權日:2014年11月25日
【發明者】邵嶺, 閻若梅 申請人:南京信息工程大學