一種基于深度學習的圖像模糊模型參數(shù)分析方法
【專利摘要】本發(fā)明設計一種基于深度學習的模糊模型參數(shù)分析方法，其特征在于包括：步驟1，以深度信念網(wǎng)絡結構來提取模糊特征并對其分類，即首先使用半監(jiān)督的深度信念網(wǎng)絡來將輸入圖像塊投射到差異特征空間，然后再對各特征進行分類；步驟2，對模糊核的參數(shù)進行識別，即由變換域的邊緣提取幫助深度信念網(wǎng)絡結構以較高的準確性來確認模糊參數(shù)。本發(fā)明能夠確保深度信念網(wǎng)絡結構以較高的準確性來確認模糊參數(shù)，經(jīng)在如Berkeleysegmentation和PascalVOC2007等多個圖像數(shù)據(jù)庫中反復試用驗證，取得了滿意的優(yōu)于目前最好的模糊估計方法的性能效果。
【專利說明】一種基于深度學習的圖像模糊模型參數(shù)分析方法

【技術領域】
[0001] 本發(fā)明屬于圖像模糊分析【技術領域】，特別是涉及一種基于深度學習的圖像模糊模 型參數(shù)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(zhì)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(shù)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(shù)（PointSpreadFunction(PSF))未知，所以非盲去模糊的應用范圍 比盲去模糊的范圍狹窄很多。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，后者比較常見。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于運動模糊的估計，如倒頻譜方法（cepstral method)和方向可調(diào)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并不做圖像去模糊，而是利用模 糊的特征參數(shù)來進行分類；其中一個現(xiàn)有技術是利用模糊特征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 出的基于阿爾法通道的特征分類方法，該特征對模糊的擴展有不同的圓度；盡管這兩種方 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于手工提取的特 征。
[0004] 盡管先前的利用手工提取特征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(jīng)將目光從直覺先驗轉(zhuǎn)移到 了深度學習來更好的提取用于分類的特征。深度神經(jīng)網(wǎng)絡大致模仿了哺乳動物的視覺視 皮層，這已經(jīng)被用于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(jīng)網(wǎng)絡用于進行圖像去噪的潛力；在這樣的結構中，深度卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)絡中的的參數(shù) 對于退化圖像相當于貝葉斯模型的"先驗"信息；該方法相比于頂級的局部去噪方法來講效 果更佳。另一個例子是利用基于神經(jīng)網(wǎng)絡的多特征分類器來構造模糊內(nèi)容度量，經(jīng)證實，聯(lián) 合的學習到的特征優(yōu)于單獨的基于手工的特征。
[0005] 綜上所述，現(xiàn)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(xiàn)的不同模糊類型較難進行分別處理；二是現(xiàn)有的基于塊的圖像模糊分類方法利用的圖 像特征很難很好的同時描述各個不同模糊類型。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服現(xiàn)有技術所存在的不足而提供一種基于深度學習的圖像 模糊模型參數(shù)分析方法，本發(fā)明針對現(xiàn)有的同一副圖像內(nèi)出現(xiàn)不同模糊類型和模糊參數(shù)大 小的問題，首先以兩步驟的深度信念網(wǎng)絡結構來首先對模糊類型進行分類，然后對模糊核 的參數(shù)進行識別，確保深度信念網(wǎng)絡結構以較高的準確性來確認模糊參數(shù)。
[0007] 根據(jù)本發(fā)明提出的一種基于深度學習的模糊模型參數(shù)分析方法，其特征在于包 括：
[0008] 步驟1，以深度信念網(wǎng)絡結構來提取模糊特征并對其分類，即首先使用半監(jiān)督的深 度信念網(wǎng)絡來將輸入圖像塊投射到差異特征空間，然后再對各特征進行分類；
[0009] 步驟2,對模糊核的參數(shù)進行識別，即由變換域的邊緣提取幫助深度信念網(wǎng)絡結構 以較高的準確性來確認模糊參數(shù)。
[0010] 本發(fā)明提出的一種基于深度學習的模糊模型參數(shù)分析方法的進一步優(yōu)選方案 是：
[0011] 本發(fā)明步驟1所述以深度信念網(wǎng)絡結構來提取模糊特征并對其分類，具體包括：
[0012] 步驟1. 1，對輸入深度信念網(wǎng)絡的模糊特征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(shù)分類。
[0014] 本發(fā)明步驟1. 1所述對輸入深度信念網(wǎng)絡的模糊特征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，預處理得到特征后，送入深度信念網(wǎng)絡做特征提 取和分類。
[0015] 本發(fā)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(shù)分類，是指 對已經(jīng)得到的模型分類結果進行預處理，預處理得到新的特征后，再次送入深度信念網(wǎng)絡 做特征提取和分類。
[0016]本發(fā)明步驟1. 1所述對輸入圖像塊進行第一步分塊預處理，是指使用一個基于傅 里葉變換稀疏的邊緣的差異特征，其公式如下：

【權利要求】
1. 一種基于深度學習的模糊模型參數(shù)分析方法，其特征在于包括： 步驟1，以深度信念網(wǎng)絡結構來提取模糊特征并對其分類，即首先使用半監(jiān)督的深度信 念網(wǎng)絡來將輸入圖像塊投射到差異特征空間，然后再對各特征進行分類； 步驟2,對模糊核的參數(shù)進行識別，即由變換域的邊緣提取幫助深度信念網(wǎng)絡結構以較 高的準確性來確認模糊參數(shù)。
2. 根據(jù)權利要求1所述的基于深度學習的模糊模型參數(shù)分析方法，其特征在于步驟1 所述以深度信念網(wǎng)絡結構來提取模糊特征并對其分類，具體包括： 步驟1. 1，對輸入深度信念網(wǎng)絡的模糊特征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(shù)分類。
3. 根據(jù)權利要求2所述的基于深度學習的模糊模型參數(shù)分析方法，其特征在于步驟 1. 1所述對輸入深度信念網(wǎng)絡的模糊特征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，預處理得到特征后，送入深度信念網(wǎng)絡做特征提取和分類。
4. 根據(jù)權利要求2所述的基于深度學習的模糊模型參數(shù)分析方法，其特征在于步驟 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(shù)分類，是指對已經(jīng)得到的模型分 類結果進行預處理，預處理得到新的特征后，再次送入深度信念網(wǎng)絡做特征提取和分類。
5. 根據(jù)權利要求3所述的基于深度學習的模糊模型參數(shù)分析方法，其特征在于步驟 1. 1所述對輸入圖像塊進行第一步分塊預處理，是指使用一個基于傅里葉變換稀疏的邊緣 的差異特征，其公式如下：
上式中：G(u)為觀察圖像經(jīng)過傅里葉變換的值分別為G(u)的最大和最小 值。
6. 根據(jù)權利要求1所述的基于深度學習的模糊模型參數(shù)分析方法，其特征在于步驟1 所述以深度信念網(wǎng)絡結構來提取模糊特征，是指首先使用經(jīng)典的Canny算子進行初步的特 征提取，然后運用一個啟發(fā)式方法來細化邊緣提取的結果；細化的具體步驟如下： 一是對于兩種模糊類型，選擇孤立的邊緣；假設這個孤立區(qū)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； 二是對于運動模糊，放棄非常短和非常彎曲的邊緣；考慮在區(qū)域半徑為d內(nèi)的，角度范 圍是0 = [0，31 ]的邊緣； 三是對于運動模糊，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(jù)主方向角，再次去掉無用邊緣。
7. 根據(jù)權利要求1所述的基于深度學習的模糊模型參數(shù)分析方法，其特征在于步驟2 所述對模糊核的參數(shù)進行識別，是指對不同的模糊參數(shù)類型，不同的模糊參數(shù)被設定為： 一是高斯模糊有8種類型（標簽）：〇 ={0? 5, 1，1. 5, 2, 2. 5, 3, 3. 5, 4}; 二是運動模糊有8種類型（標簽）：M= {3, 9} ? = {0, 45, 90, 135}; 三是離焦模糊有8種類型（標簽）：R= {2, 5, 8, 11，14, 17, 20, 23}; 在步驟2所述參數(shù)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 的標簽均不相同，且每個DBN充當模糊參數(shù)模型的特征提取算子和分類器。
【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(yōu)先權日:2014年11月25日
【發(fā)明者】邵嶺, 閻若梅 申請人:南京信息工程大學