一种基于深度学习的模糊核尺寸估计方法与系统技术方案

本发明专利技术公开了一种基于深度学习的模糊核尺寸估计方法，属于模式识别技术领域。该方法首先根据模糊图样属性选择采用降采样或尺寸截取进行预处理，得到尺寸满足需求的输入图像；之后，将图像输入至已完成训练的多分类卷积神经网络中，通过不同层的权值计算，得到一个概率分布向量；最后，通过比较向量中各元素的大小，取值最大的元素所对应图像类别代表的模糊核尺寸即为模糊图像尺寸大小的估计结果。本发明专利技术还实现了一种基于深度学习的模糊核尺寸估计系统。本发明专利技术为现有图像去模糊算法提供了更具科学依据的模糊核尺寸作为输入参数，有效解决了现有方法中存在的尺寸盲目输入以及无法提供直接的输入值等问题。

【技术实现步骤摘要】

本专利技术属于模式识别
，更具体地，涉及一种基于深度学习的模糊图像模糊核尺寸估计方法与系统。
技术介绍
当成像设备处于一个不理想的成像环境时，往往会产生模糊的图像，对后续的视觉处理，如：识别、跟踪等造成一定的干扰。造成图像模糊的原因有很多，包括光学因素、大气因素、人工因素、技术因素等，日常生产生活中对图像进行去模糊操作有其重要意义。模糊图像B通常由一个清晰图像I与模糊核k(也称点扩散函数)卷积操作得来，如公式(1)所示：其中,N表示图像噪声，表示二维卷积操作。图像模糊的类型主要分为高斯模糊、运动模糊以及失焦模糊三类，其区别体现在模糊核k表现形式上。根据上述退化模型，图像去模糊实际上是一个反卷积的过程，当模糊核k与清晰图像I均未知时称为盲目反卷积，当模糊核k已知时称为非盲目反卷积。实际情况下，模糊图像的模糊核k与清晰图像I均未知，所以通过公式(1)一个方程要得到两个未知参数，这个问题是不适定的。对于不适定的病态问题，目前的研究大多采用最大后验概率估计的方法对模糊核k与清晰图像I进行估计，如公式(2)所示，其中称为数据逼近项，保证了估计出的清晰图像满足退化模型；R(k)与R(I)分别为模糊核与清晰图像的约束，也称为正则化项，通过不同的正则化项使模糊核与清晰图像更符合实际的先验信息约束。许多研究围绕公式(2)展开，通过对模糊核与清晰图像的先验信息的深入研究，以提高图像去模糊的效果。在上述基于最大后验概率的图像去模糊算法中，模糊核尺寸是一个非常重要的输入参数。模糊核尺寸，主要由模糊轨迹以及模糊核支撑域所决定，反映了模糊的程度，即尺寸大的模糊核产生的模糊图像比尺寸小的模糊核产生的模糊图像的模糊程度更大。在图像去模糊的过程中，输入的模糊核尺寸越接近真实情况，图像复原效果则越理想。输入过大或过小模糊核尺寸复原出的图像通常无法达到预期的效果。现有的模糊图像模糊核尺寸估计的方法主要包括两类：(1)试错法，按照经验在固定其他输入参数的情况下输入常见的模糊核尺寸，通过复原效果对比，选取效果最好的尺寸作为输入；(2)根据图像内容提取边缘信息，通过相应的滤波计算出图像模糊程度，从而估计出模糊和尺寸。以上两种方法的缺陷在于：前者存在很大的盲目性，单凭经验通过试错法复原的成功率低，并且估计出的模糊核尺寸无实际根据，不具有说服力；后者仅对模糊的程度，即模糊的轨迹做出相应的估计，但是模糊核尺寸既包含模糊轨迹信息，又包含模糊核支撑域信息，所以估计的结果无法直接作为输入参数。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于深度学习的模糊核尺寸估计方法，其目的在于通过深度学习的方法，将模糊核估计问题建立为一种多分类问题，通过多分类卷积神经网络的离线训练，对任何输入的模糊图像模糊核尺寸进行较为准确的估计，由此解决现有技术方法中存在的模糊核盲目估计及估计结果无法直接作为优化算法的输入参数等的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种基于深度学习的模糊核尺寸估计方法，该方法包括以下按步骤：(1)对模糊图像B进行预处理得到图像B0，使图像B0的尺寸满足多分类卷积神经网络的图像输入尺寸；(2)将图像B0输入至已完成训练的多分类卷积神经网络中，得到一个模糊核尺寸概率分布向量；(3)比较模糊核尺寸概率分布向量中每个元素的大小，最大的元素所对应的模糊核尺寸即为模糊图像B的模糊核尺寸大小的估计结果。进一步地，将图像B0输入进多分类卷积神经网络，得到一个模糊核尺寸概率分布向量其中，ωisoft-max表示软最大化(Soft-max)层的权值，xfull-connect()表示全连接层的输出值，T表示矩阵转置，m代表模糊核尺寸类别数，所得到的模糊核尺寸概率分布向量中每一个元素分别代表该元素所对应模糊核尺寸为输入图像B的模糊核尺寸的概率值。进一步地，所述多分类卷积神经网络的训练包括以下步骤：(31)选择分类卷积神经网络的训练集T＝{t1,...,tn本文档来自技高网...

【技术保护点】
一种基于深度学习的模糊核尺寸估计方法，其特征在于，该方法包括以下步骤：(1)对模糊图像B进行预处理得到图像B0，使图像B0的尺寸满足多分类卷积神经网络的图像输入尺寸；(2)将图像B0输入至已完成训练的多分类卷积神经网络中，得到一个模糊核尺寸概率分布向量；(3)比较模糊核尺寸概率分布向量中每个元素的大小，最大的元素所对应的模糊核尺寸即为模糊图像B的模糊核尺寸大小的估计结果。

【技术特征摘要】
1.一种基于深度学习的模糊核尺寸估计方法，其特征在于，该方法包括以下步骤：(1)对模糊图像B进行预处理得到图像B0，使图像B0的尺寸满足多分类卷积神经网络的图像输入尺寸；(2)将图像B0输入至已完成训练的多分类卷积神经网络中，得到一个模糊核尺寸概率分布向量；(3)比较模糊核尺寸概率分布向量中每个元素的大小，最大的元素所对应的模糊核尺寸即为模糊图像B的模糊核尺寸大小的估计结果。2.根据权利要求1所述的一种基于深度学习的模糊核尺寸估计方法，其特征在于，将图像B0输入进多分类卷积神经网络，得到一个模糊核尺寸概率分布向量P(Bsize=(s1,...,sm)|B0)=e(ω(1,...,m)soft-...

【专利技术属性】
技术研发人员：桑农，李乐仁瀚，颜露新，高常鑫，邵远杰，彭军才，张士伟，王金，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42