一种基于深度学习的图像模糊模型参数分析方法技术

本发明专利技术设计一种基于深度学习的模糊模型参数分析方法，其特征在于包括：步骤1，以深度信念网络结构来提取模糊特征并对其分类，即首先使用半监督的深度信念网络来将输入图像块投射到差异特征空间，然后再对各特征进行分类；步骤2，对模糊核的参数进行识别，即由变换域的边缘提取帮助深度信念网络结构以较高的准确性来确认模糊参数。本发明专利技术能够确保深度信念网络结构以较高的准确性来确认模糊参数，经在如Berkeleysegmentation和PascalVOC2007等多个图像数据库中反复试用验证，取得了满意的优于目前最好的模糊估计方法的性能效果。

【技术实现步骤摘要】

本专利技术属于图像模糊分析
，特别是涉及一种基于深度学习的图像模糊模 型参数分析方法。
技术介绍
模糊图像的修复是利用已有退化模型的不充分信息对原始高质量图像进行重建 的过程。图像去模糊的方法主要可以分为盲去模糊和非盲去模糊。非盲去模糊方法需要模 糊核与其参数的先验知识，而在盲去模糊方法中可假设模糊算子未知。在实际应用的各种 情形当中点扩散函数（PointSpreadFunction(PSF))未知，所以非盲去模糊的应用范围 比盲去模糊的范围狭窄很多。盲图像去模糊算法可以分为两类：多图像和单一图像的去模 糊方法。在实际应用中，后者比较常见。如：A.LikasandN.Galasanos.Avariational approachforbayesianblindimagedeconvolution.IEEETransactionsonSignal Processing, 52(8) : 2222 - 2233, 2004 一文中提出了利用贝叶斯模型进行单一图像盲去卷 积；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计高斯模糊 模型的方法；Rekleitis.Opticalflowrecognitionfromthepowerofspectrumof asingleblurredimage.InProc.ICIP,pages791 - 794, 1996 一文中讨论了如何修复 由运动模糊造成退化的图像；类似的，还有T.Cho,S.Paris,B.Horn,andFreemanW.Blur kernelestimationusingtheradontransform.InProc.CVPR,pages241 - 248,2011一 文中提出了一个非常热门的方法，使用radon变换来对图像的边缘进行估计，从而计算模 糊核。除此之外，还有其它许多方法也被用于运动模糊的估计，如倒频谱方法（cepstral method)和方向可调滤波器（steerablefilters)等。 虽然很多已有的研究集中在图像去模糊这个问题上，但是图像模糊的分类问题尚 未被很好的解决。图像模糊的分类有较高的应用价值，因为实际拍摄得到的图像中的模糊 类型通常是未知的。针对这类问题已有一些模糊分类方法并不做图像去模糊，而是利用模 糊的特征参数来进行分类；其中一个现有技术是利用模糊特征即局部自相关一致性和贝叶 斯分类器进行分类的，参见R.Liu,Z.Li,andJ.Jia,Imagepartialblurdetectionand classification.InProc.CVPR,pages23 - 28, 2008 一文；另一个相似方法是由Su等人提 出的基于阿尔法通道的特征分类方法，该特征对模糊的扩展有不同的圆度；尽管这两种方 法都能够从实际的模糊图像中检测到局部模糊，它们都要很大程度依赖于手工提取的特 征。 尽管先前的利用手工提取特征的模糊分类方法有较好的性能，它们的效果还是比 较有局限性的，因为自然图像的变化很大。近年来，很多学者已经将目光从直觉先验转移到 了深度学习来更好的提取用于分类的特征。深度神经网络大致模仿了哺乳动物的视觉视 皮层，这已经被用于很多的计算机视觉应用，如物体识别，图像分类，甚至是图像分析。在 Jain等人的去噪工作中[6]，参见V.JainandH.Seung.Naturalimagedenoisingwith convolutionalnetworks.InProc.NIPS,pages769 - 776, 2008 一文，他们展不了将卷积 的神经网络用于进行图像去噪的潜力；在这样的结构中，深度卷积神经网络中的学习到的 权值和bias的值是由训练足够大量的自然图像得到的；在测试阶段，神经网络中的的参数 对于退化图像相当于贝叶斯模型的先验信息；该方法相比于顶级的局部去噪方法来讲效 果更佳。另一个例子是利用基于神经网络的多特征分类器来构造模糊内容度量，经证实，联 合的学习到的特征优于单独的基于手工的特征。 综上所述，现有图像模糊分析技术存在的主要不足可归纳为：一是对同一幅图中 出现的不同模糊类型较难进行分别处理；二是现有的基于块的图像模糊分类方法利用的图 像特征很难很好的同时描述各个不同模糊类型。
技术实现思路
本专利技术的目的在于克服现有技术所存在的不足而提供一种基于深度学习的图像 模糊模型参数分析方法，本专利技术针对现有的同一副图像内出现不同模糊类型和模糊参数大 小的问题，首先以两步骤的深度信念网络结构来首先对模糊类型进行分类，然后对模糊核 的参数进行识别，确保深度信念网络结构以较高的准确性来确认模糊参数。 根据本专利技术提出的一种基于深度学习的模糊模型参数分析方法，其特征在于包 括： 步骤1，以深度信念网络结构来提取模糊特征并对其分类，即首先使用半监督的深 度信念网络来将输入图像块投射到差异特征空间，然后再对各特征进行分类； 步骤2,对模糊核的参数进行识别，即由变换域的边缘提取帮助深度信念网络结构 以较高的准确性来确认模糊参数。 本专利技术提出的一种基于深度学习的模糊模型参数分析方法的进一步优选方案 是： 本专利技术步骤1所述以深度信念网络结构来提取模糊特征并对其分类，具体包括： 步骤1. 1，对输入深度信念网络的模糊特征进行分类确认其退化模型； 步骤1. 2,在步骤1. 1的基础上，对每类的模糊模型进行参数分类。 本专利技术步骤1. 1所述对输入深度信念网络的模糊特征进行分类确认其退化模型， 是指对输入图像进行第一步分块预处理，预处理得到特征后，送入深度信念网络做特征提 取和分类。 本专利技术步骤1. 2所述在步骤1. 1的基础上，对每类的模糊模型进行参数分类，是指 对已经得到的模型分类结果进行预处理，预处理得到新的特征后，再次送入深度信念网络 做特征提取和分类。 本专利技术步骤1. 1所述对输入图像块进行第一步分块预处理，是指使用一个基于傅 里叶变换稀疏的边缘的差异特征，其公式如下：本文档来自技高网...

【技术保护点】
一种基于深度学习的模糊模型参数分析方法，其特征在于包括：步骤1，以深度信念网络结构来提取模糊特征并对其分类，即首先使用半监督的深度信念网络来将输入图像块投射到差异特征空间，然后再对各特征进行分类；步骤2，对模糊核的参数进行识别，即由变换域的边缘提取帮助深度信念网络结构以较高的准确性来确认模糊参数。

【技术特征摘要】
1. 一种基于深度学习的模糊模型参数分析方法，其特征在于包括： 步骤1，以深度信念网络结构来提取模糊特征并对其分类，即首先使用半监督的深度信 念网络来将输入图像块投射到差异特征空间，然后再对各特征进行分类； 步骤2,对模糊核的参数进行识别，即由变换域的边缘提取帮助深度信念网络结构以较 高的准确性来确认模糊参数。2. 根据权利要求1所述的基于深度学习的模糊模型参数分析方法，其特征在于步骤1 所述以深度信念网络结构来提取模糊特征并对其分类，具体包括： 步骤1. 1，对输入深度信念网络的模糊特征进行分类确认其退化模型； 步骤1. 2,在步骤1. 1的基础上，对每类的模糊模型进行参数分类。3. 根据权利要求2所述的基于深度学习的模糊模型参数分析方法，其特征在于步骤 1. 1所述对输入深度信念网络的模糊特征进行分类确认其退化模型，是指对输入图像进行 第一步分块预处理，预处理得到特征后，送入深度信念网络做特征提取和分类。4. 根据权利要求2所述的基于深度学习的模糊模型参数分析方法，其特征在于步骤 1. 2所述在步骤1. 1的基础上，对每类的模糊模型进行参数分类，是指对已经得到的模型分 类结果进行预处理，预处理得到新的特征后，再次送入深度信念网络做特征提取和分类。5. 根据权利要求3所述的基于深度学习的模糊模型参数分析方法，其特征在于步骤 1. 1所述对输入图像块进行第一步分块预处理，是指使用一个基于傅里叶变换稀疏的边缘 的差异特征，其公式如下：上式中：G(u...

【专利技术属性】
技术研发人员：邵岭，阎若梅，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32