一种基于显著性检测的图像模糊检测方法
【专利摘要】本发明公开了一种基于显著性检测的图像模糊检测方法，其收集样本图像，首先对每个样本图像的最显著区域的RGB三个通道分别进行快速傅里叶变换及尺寸缩小处理，用尺寸缩小后的复数数据构建新图像，并将所得到的新构建的缩小图像作为卷积神经网络的输入图像，进行清晰-模糊图像分类训练，得到模糊检测模型，最后对待检测图像的最显著区域进行RGB三个通道的快速傅里叶变换及尺寸缩小处理，并用尺寸缩小后的复数数据构建新的待检测图像，然后采用所述模糊检测模型对所述的新构建的待检测图像进行清晰-模糊图像的判别，从而有效的减少计算量，加快检测速度，同时特别适用于大尺寸图像的快速模糊检测，提高检测的准确率。
【专利说明】一种基于显著性检测的图像模糊检测方法
【技术领域】
[0001] 本发明涉及一种图像处理方法，特别是一种基于显著性检测的图像模糊检测方 法。
【背景技术】
[0002] 数字图像处理已经成为信息科学、生物学、医学等诸多领域的基础研究对象。随 着信息时代的到来，数字图像处理在计算机视觉、机器学习、人工智能等领域都得到广泛的 应用，其重要性日益凸显。令人遗憾的是，在数字图像的采集过程中，采集设备在快门开启 的瞬间会产生不可避免的轻微抖动，这种抖动往往使我们最终只能得到一张细节模糊的图 像，尤其是在光照条件不理想的情况下，较长的快门时间使得图像的模糊程度更加剧烈。这 样的模糊图像给人眼视觉带来了很大的困扰，同时也丢失了大量的细节信息，是无法应用 于日常生活和科研活动中的。现有的图像模糊检测方法大体上可以分为两类：一类给出整 幅图像的模糊程度的估计，另一类将图像划分为若干个区域，对各个区域分别给出模糊程 度的估计，但大都计算方法比较复杂，运算量较大，处理速度慢。
【发明内容】
[0003] 本发明为解决上述问题，提供了一种基于显著性检测的图像模糊检测方法，检测 结果更加快速准确。
[0004] 为实现上述目的，本发明采用的技术方案为：
[0005] -种基于显著性检测的图像模糊检测方法，其特征在于，包括以下步骤：
[0006] 10.收集样本图像，对每个样本图像进行显著性检测以获取样本图像中最显著区 域，并对所述样本图像的最显著区域的RGB三个通道分别进行快速傅里叶变换，得到变换 后的复数数据；
[0007] 20.对所述的复数数据进行尺寸缩小处理，并用尺寸缩小后的复数数据构建新图 像，得到缩小图像；
[0008] 30.将所述的新构建的缩小图像作为卷积神经网络的输入图像，进行清晰-模糊 图像分类训练，得到模糊检测模型；
[0009] 40.获取待检测图像，对待检测图像进行显著性检测以获取待检测图像中最显著 区域，并对所述待检测图像的最显著区域的RGB三个通道进行快速傅里叶变换，对变换得 到的复数数据进行尺寸缩小处理，并用尺寸缩小后的复数数据构建新的待检测图像，然后 采用所述模糊检测模型对所述的新构建的待检测图像进行清晰-模糊图像的判别。
[0010] 优选的，所述的显著性检测进一步包括：
[0011] a.提取图像特征：采用高斯滤波器对样本图像或待检测图像进行滤波和采样，形 成以所述的样本图像或待检测图像为底层的高斯金字塔模型；然后对高斯金字塔模型中的 每一层分别提取各种图像特征，形成特征金字塔模型；再根据该特征金字塔模型进行计算 得到所述的样本图像或待检测图像的特征图；
[0012] b.生成显著图：把每一个所述的特征图归一化处理，并将各个归一化处理后的特 征图进行综合计算，得到对应于所述的样本图像或待检测图像的显著图。
[0013] 优选的，所述的显著图中采用白色和黑色对其进行标记以获取图像的显著性区 域，其中，白色表示图像中显著的区域，黑色表示图像中不显著的区域。
[0014] 优选的，还包括计算显著性检测后的显著性区域里的最大矩形区域，主要通过标 记法对所述显著图进行连通区域的计算和提取，从而得到最大矩形区域。
[0015] 优选的，所述的标记法进一步包括：
[0016] bl.初始标记值记为1 ;
[0017] b2.对所述显著图进行逐行扫描，找到一个未标记区域的颜色为白色的像素点，标 记该像素点的标记值为1 ;
[0018] b3.检查该点的八邻域的像素点并标记像素点满足为颜色为白色的像素点且未被 标记的标记值为当前标记值，同时将新增的标记像素点记录下来作为区域增长的种子点；
[0019] b4.在后续的标记像素点过程中，不断从记录种子点的数组中取出一个种子，实施 上述的操作，如此循环，直到记录种子点的数组为空；
[0020] b5.若一个连通区域标记结束，则标记值+1，并遍历下一个连通区域，直到所有像 素点被标记为止；
[0021] b6.获取每个标记值的最大区域，并将每个标记值为1的白色区域连接起来，然后 计算出显著性区域与非显著性区域的比例达到最大的矩形区域为所述的最大矩形区域。
[0022] 优选的，所述的步骤40中采用所述模糊检测模型对所述的新构建的待检测图像 进行清晰-模糊图像的判别，主要是将转换后构建的新的待检测图像块放入卷积神经网络 系统中，然后根据所述的模糊检测模型进行计算该新构建的待检测图像为清晰图像或模糊 图像的概率，并选择概率较大的图像类型作为所述的待检测图像的清晰-模糊类型。
[0023] 本发明的有益效果是：
[0024] 本发明的一种基于显著性检测的图像模糊检测方法，其通过收集样本图像，并对 每个样本图像进行显著性检测，获取图像的最显著区域，然后对所述样本图像最显著区域 的RGB三个通道分别进行快速傅里叶变换，然后对得到变换后的复数数据进行尺寸缩小处 理，并用尺寸缩小后的复数数据构建新图像，并将所得到的新构建的缩小图像作为卷积神 经网络的输入图像，进行清晰-模糊图像分类训练，得到模糊检测模型，最后对待检测图像 提取最显著区域，并对该待检测图像最显著区域进行RGB三个通道的快速傅里叶变换，对 变换得到的复数数据进行尺寸缩小处理，并用尺寸缩小后的复数数据构建新的待检测图 像，然后采用所述模糊检测模型对所述的新构建的待检测图像进行清晰-模糊图像的判 另IJ，从而有效的减少计算量，加快检测速度，同时特别适用于大尺寸图像的快速模糊检测， 检测的准确率更高。
【专利附图】
【附图说明】
[0025] 此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0026] 图1为本发明一种基于显著性检测的图像模糊检测方法的流程简图；
[0027] 图2为用于说明本发明效果的待检测图像；
[0028] 图3为图2进行显著性检测后的显著图；
[0029] 图4为图2待检测图像的最显著部分进行快速傅里叶变换后的复数数据。
【具体实施方式】
[0030] 为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结 合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用 以解释本发明，并不用于限定本发明。
[0031] 如图1所示，本发明的一种基于显著性检测的图像模糊检测方法，其包括以下步 骤：
[0032] 10.收集样本图像，对每个样本图像进行显著性检测以获取样本图像中最显著区 域，并对所述样本图像的最显著区域的RGB三个通道分别进行快速傅里叶变换，得到变换 后的复数数据；
[0033] 20.对所述的复数数据进行尺寸缩小处理，并用尺寸缩小后的复数数据构建新图 像，得到缩小图像；
[0034] 30.将所述的新构建的缩小图像作为卷积神经网络的输入图像，进行清晰-模糊 图像分类训练，得到模糊检测模型；
[0035] 40.获取待检测图像（如图2)，对待检测图像进行显著性检测以获取待检测图像 中最显著区域（如图3)，并对所述待检测图像的最显著区域的RGB三个通道进行快速傅 里叶变换（如图4)，对变换得到的复数数据进行尺寸缩小处理，并用尺寸缩小后的复数数 据构建新的待检测图像，然后采用所述模糊检测模型对所述的新构建的待检测图像进行清 晰-模糊图像的判别。
[0036] 所述的步骤10和步骤40中的显著性检测进一步包括：
[0037] a.提取图像特征：采用高斯滤波器对样本图像或待检测图像进行滤波和采样，形 成以所述的样本图像或待检测图像为底层的高斯金字塔模型；然后对高斯金字塔模型中的 每一层分别提取各种图像特征，形成特征金字塔模型；再根据该特征金字塔模型进行计算 得到所述的样本图像或待检测图像的特征图；
[0038] b.生成显著图：把每一个所述的特征图归一化处理，并将各个归一化处理后的特 征图进行综合计算，得到对应于所述的样本图像或待检测图像的显著图（如图3)。
[0039] 所述的显著图中采用白色和黑色对其进行标记以获取图像的显著性区域，其中， 白色表示图像中显著的区域，黑色表示图像中不显著的区域。
[0040] 其中，还包括计算显著性检测后的显著性区域里的最大矩形区域，主要通过标记 法对所述显著图进行连通区域的计算和提取，从而得到最大矩形区域。
[0041] 所述的标记法进一步包括：
[0042] bl.初始标记值记为1 ;
[0043] b2.对所述显著图进行逐行扫描，找到一个未标记区域的颜色为白色的像素点，标 记该像素点的标记值为1 ;
[0044] b3.检查该点的八邻域的像素点并标记像素点满足为颜色为白色的像素点且未被 标记的标记值为当前标记值，同时将新增的标记像素点记录下来作为区域增长的种子点；
[0045] b4.在后续的标记像素点过程中，不断从记录种子点的数组中取出一个种子，实施 上述的操作，如此循环，直到记录种子点的数组为空；
[0046] b5.若一个连通区域标记结束，则标记值+1，并遍历下一个连通区域，直到所有像 素点被标记为止；
[0047] b6.获取每个标记值的最大区域，并将每个标记值为1的白色区域连接起来，然后 计算出显著性区域与非显著性区域的比例达到最大的矩形区域为所述的最大矩形区域。
[0048] 所述的步骤40中采用所述模糊检测模型对所述的新构建的待检测图像进行清 晰-模糊图像的判别，主要是将转换后构建的新的待检测图像块放入卷积神经网络系统 中，然后根据所述的模糊检测模型进行计算该新构建的待检测图像为清晰图像或模糊图像 的概率，并选择概率较大的图像类型作为所述的待检测图像的清晰-模糊类型。
[0049] 所述的步骤30中将所述的新构建的缩小图像作为卷积神经网络的输入图像，进 行清晰-模糊图像分类训练，主要是对新构建的缩小图像进行人工分类，并输入卷积神经 网络进行分类测试，并且，将分类测试中分类错误的缩小图像收集起来重新进行人工标注， 即进行调整网络结构，再将重新人工分类后的缩小图像再次进行训练学习，如此重复"训 练_>调整网络结构_>再训练"的过程直到分类正确为止。
[0050] 本实施例中网格结构顺序为输入层_>Κ个小组层_>全连接层_>SoftMax层，其中 K大于等于1 ;小组层包括卷积层、激活层、下采样层、归一化层；卷积层、激活层、下采样层、 归一化层中每个层的核大小以及输出大小都是可以进行任意调节的，并且每个层都有一个 输入且产生一个输出，每一层的输出作为下一层的输入。
[0051] 其中，输入层的输入大小为Height X Weight X Channel,其中Weight、Height为 输入层图像的宽和高，Channel为输入层图像的颜色通道；由于本发明使用GPU硬件实现的 原因 ，Weight = Height ;输入图像的channel只能为1或者3。
[0052] 卷积层：
[0053] 1)核的大小必须是奇数，且不大于该层输入的宽或者高；
[0054] 2)中间表示通过卷积层时不改变宽和高，通道数可变可不变；理论上可以为任意 正整数，由于本发明使用GPU硬件实现的原因，这里为16的倍数。
[0055] 激活层：
[0056] 1)激活层不改变卷积层表示的宽、高或者通道数；
[0057] 2)激活层所使用的激活函数包括但不限于以下函数类型：
[0058]
【权利要求】
1. 一种基于显著性检测的图像模糊检测方法，其特征在于，包括以下步骤：
10.收集样本图像，对每个样本图像进行显著性检测以获取样本图像中最显著区域，并 对所述样本图像的最显著区域的RGB三个通道分别进行快速傅里叶变换，得到变换后的复 数数据；
20.对所述的复数数据进行尺寸缩小处理，并用尺寸缩小后的复数数据构建新图像，得 到缩小图像；
30.将所述的新构建的缩小图像作为卷积神经网络的输入图像，进行清晰-模糊图像 分类训练，得到模糊检测模型；
40.获取待检测图像，对待检测图像进行显著性检测以获取待检测图像中最显著区域， 并对所述待检测图像的最显著区域的RGB三个通道进行快速傅里叶变换，对变换得到的复 数数据进行尺寸缩小处理，并用尺寸缩小后的复数数据构建新的待检测图像，然后采用所 述模糊检测模型对所述的新构建的待检测图像进行清晰-模糊图像的判别。
2. 根据权利要求1所述的一种基于显著性检测的图像模糊检测方法，其特征在于：所 述的显著性检测进一步包括： a. 提取图像特征：采用高斯滤波器对样本图像或待检测图像进行滤波和采样，形成以 所述的样本图像或待检测图像为底层的高斯金字塔模型；然后对高斯金字塔模型中的每一 层分别提取各种图像特征，形成特征金字塔模型；再根据该特征金字塔模型进行计算得到 所述的样本图像或待检测图像的特征图； b. 生成显著图：把每一个所述的特征图归一化处理，并将各个归一化处理后的特征图 进行综合计算，得到对应于所述的样本图像或待检测图像的显著图。
3. 根据权利要求2所述的一种基于显著性检测的图像模糊检测方法，其特征在于：所 述的显著图中采用白色和黑色对其进行标记以获取图像的显著性区域，其中，白色表示图 像中显著的区域，黑色表示图像中不显著的区域。
4. 根据权利要求3所述的一种基于显著性检测的图像模糊检测方法，其特征在于：还 包括计算显著性检测后的显著性区域里的最大矩形区域，主要通过标记法对所述显著图进 行连通区域的计算和提取，从而得到最大矩形区域。
5. 根据权利要求4所述的一种基于显著性检测的图像模糊检测方法，其特征在于：所 述的标记法进一步包括： bl.初始标记值记为1 ; b2.对所述显著图进行逐行扫描，找到一个未标记区域的颜色为白色的像素点，标记该 像素点的标记值为1 ; b3.检查该点的八邻域的像素点并标记像素点满足为颜色为白色的像素点且未被标记 的标记值为当前标记值，同时将新增的标记像素点记录下来作为区域增长的种子点； b4.在后续的标记像素点过程中，不断从记录种子点的数组中取出一个种子，实施上述 的操作，如此循环，直到记录种子点的数组为空； b5.若一个连通区域标记结束，则标记值+1，并遍历下一个连通区域，直到所有像素点 被标记为止； b6.获取每个标记值的最大区域，并将每个标记值为1的白色区域连接起来，然后计算 出显著性区域与非显著性区域的比例达到最大的矩形区域为所述的最大矩形区域。
6.根据权利要求1所述的一种基于显著性检测的图像模糊检测方法，其特征在于：所 述的步骤40中采用所述模糊检测模型对所述的新构建的待检测图像进行清晰-模糊图像 的判别，主要是将转换后构建的新的待检测图像块放入卷积神经网络系统中，然后根据所 述的模糊检测模型进行计算该新构建的待检测图像为清晰图像或模糊图像的概率，并选择 概率较大的图像类型作为所述的待检测图像的清晰-模糊类型。
【文档编号】G06T7/00GK104091341SQ201410344795
【公开日】2014年10月8日 申请日期:2014年7月18日 优先权日:2014年7月18日
【发明者】张伟, 曾志勇, 傅松林, 许清泉 申请人:厦门美图之家科技有限公司