一种用于图像清晰度判别的神经网络的设计方法技术

本发明专利技术公开了一种用于图像清晰度判别的神经网络的设计方法，搭建了一种可以判别图像局域清晰度的卷积神经网络，将待检测的图像块经过特定结构的网络输出其清晰程度的指标并进行分类，形成一个分类的二值图像。由于卷积神经网络的参数可以基于训练样本和训练过程进行优化，较好地解决了空间频率、SML、对比度、区域能量等一般用来度量图像局部清晰度的特征指标不能很好的适应复杂的图像环境、容易在灰度均匀区域判别出错等问题，因此能够获得更优的清晰度度量方式。

A design method of neural network for image definition

【技术实现步骤摘要】
一种用于图像清晰度判别的神经网络的设计方法
本专利技术属于图像处理
，具体涉及一种用于图像清晰度判别的神经网络的设计方法。
技术介绍
在图像的质量评价中，图像的清晰度是衡量图像质量优劣的重要指标，而如何客观有效地评价图像的清晰度，仍是研究的热点。现有的可用来度量图像局部清晰度的指标通常有空间频率、SML、对比度、区域能量等。而这些先验的度量指标并不能很好的适应复杂的图像环境，并且容易在灰度均匀区域判别出错。近年来，随着大数据应用以及GPU加速运算的快速发展，卷积神经网络的研究逐渐变得广泛而深入，很多优秀的卷积神经网络结构不断涌现出来。卷积神经网络是深度学习的代表性网络结构之一，由于其相较于一般神经网络的高效性和高准确性及其特有的连接性、表征学习能力和生物学相似性，在大规模的语音和图像数据应用领域发挥着越来越重要的作用。目前，一些学者也在探索用于图像清晰度判别的新的方法，但在深度学习领域，用于图像清晰度判别，并能取得较好效果的完整网络还相对较少。
技术实现思路
本专利技术的目的为了克服现有技术中存在的不足本文档来自技高网...

【技术保护点】
1.一种用于图像清晰度判别的神经网络的设计方法，其特征在于，包括以下步骤：/n步骤1：确定神经网络的基本结构；/n步骤2：对不同卷积核尺寸网络的比照实验来确定卷积核尺寸的选取；/n步骤3：测试网络深度和每层卷积核数量对网络结构应用效果的影响，并选取合适的卷积层数和各层卷积核数量；/n步骤4：给出清晰和模糊子块分类卷积神经网络的完整结构：/n步骤5：以步骤四4给出的神经网络为主体，保证同一位置清晰和模糊子块成对存在，设计一个仅区分对应位置子块的分类网络。/n

【技术特征摘要】
1.一种用于图像清晰度判别的神经网络的设计方法，其特征在于，包括以下步骤：
步骤1：确定神经网络的基本结构；
步骤2：对不同卷积核尺寸网络的比照实验来确定卷积核尺寸的选取；
步骤3：测试网络深度和每层卷积核数量对网络结构应用效果的影响，并选取合适的卷积层数和各层卷积核数量；
步骤4：给出清晰和模糊子块分类卷积神经网络的完整结构：
步骤5：以步骤四4给出的神经网络为主体，保证同一位置清晰和模糊子块成对存在，设计一个仅区分对应位置子块的分类网络。


2.根据权利要求1所述的一种用于图像清晰度判别的神经网络的设计方法，其特征在于：所述的步骤1中神经网络的基本结构采用类似于LeNet-5的简单结构，网络结构包括输入层、若干连续的卷积层C1~m、评分层、Objecti...

【专利技术属性】
技术研发人员：董志芳，姜奕颖，李子恒，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32