1.基于模糊检测的图像处理方法,其特征在于,所述方法执行以下步骤:
步骤1:图像拍摄装置在拍摄图像信息时,首先使用第一图像识别模型对拍摄对象进行图像识别,得到第一图像识别结果,并将第一图像识别结果附加到拍摄得到的图像信息中,得到完整图像信息,执行步骤2;
步骤2:对完整图像信息进行图像模糊判别,具体包括:使用第二图像识别模型对完整图像信息中的图像信息进行图像识别,得到第二图像识别结果,并将第二图像识别结果与完整图像信息中的第一图像识别结果进行比较,得到相似值;若第一图像识别结果与第二图像识别结果的相似值大于或等于设定的阈值,则判断完整图像信息中的图像信息为清晰图像;若第一图像识别结果与第二图像识别结果的相似值小于设定的阈值,则判断完整图像信息中的图像信息为模糊图像,执行步骤3;
步骤3:对完整图像信息中的图像信息进行模糊区域检测,具体包括:基于步骤2中得到的相似值,计算出图像信息中模糊区域的大小值;构建一个与模糊区域的大小值相等的边缘窗口检测器;采用窗函数的方式,使用边缘窗口检测器在图像信息中进行逐行边缘检测,找到图像信息中的模糊区域部分,执行步骤4;
步骤4:对完整图像信息中的图像信息进行模糊区域处理,具体包括:选定步骤3中找到的模糊区域部分,将模糊区域部分按照预设的多个比例进行放大,得到多个模糊图像层;将模糊区域置于最底层,按照比例由小到达以此依次重叠,最大比例对应的模糊图像层置于最顶层,并为每一层建立基于马尔科夫链的模糊方程;从最底层到最顶层逐步求解模糊方程并复原图像,同时在不同尺度设置自适应参数,直到图像大小到达原始尺度,得到最后精确的模糊方程,并用此模糊方程复原模糊区域得到清晰图像。
2.如权利要求1所述的方法,其特征在于,所述步骤1中的第一图像识别模型对拍摄图像进行图像识别的方法包括:从所述拍摄对象中确定目标候选区域,并在所述目标候选区域内进行特征提取,获得提取的图像特征;利用提取的所述图像特征、基于深度卷积多层神经网络目标检测模型进行目标检测,获得候选目标;利用提取的所述图像特征、基于深度卷积多层神经网络目标分类模型对所述候选目标进行识别,获得第一图像识别结果。
3.如权利要求2所述的方法,其特征在于,所述步骤2中的第二图像识别模型对完整图像信息中的图像信息进行图像识别的方法包括:提取所述图像信息的多维度局部特征,并提取所述图像信息的深度学习特征;将所述多维度局部特征和所述深度学习特征进行拼接以形成所述图像信息的多维向量,并通过度量学习降维矩阵对拼接后的所述多维向量进行降维处理以得到度量学习特征,其中,所述度量学习降维矩阵包括第一度量学习降维矩阵和第二度量学习降维矩阵;根据所述度量学习特征对所述图像进行识别,得到第二图像识别结果。
4.如权利要求3所述的方法,其特征在于,所述步骤2中将第二图像识别结果与完整图像信息中的第一图像识别结果进行比较,得到相似值的方法包括:设定多个层次识别分类集,分别为第一类识别分类集、第二类识别分类集、…、第n类识别分类集;其中第二类识别分类集为第一类识别分类集的子集,以此类推,第n类识别分类集为第n-1类识别分类集的子集;在每个层次的识别分类集中又包含多个识别分类子集;若第一图像识别结果和第二图像识别结果均属于第一类识别分类集,但第一图像识别结果和第二图像识别结果不同属于第二类识别分类集,则得到相似值为1;以此类推,若第一图像识别结果和第二图像识别结果均属于第n-1类识别分类集,但第一图像识别结果和第二图像识别结果不同属于第n类识别分类集,则得到相似值为n-1。
5.如权利要求4所述的方法,其特征在于,所述步骤3中基于步骤2中得到的相似值,计算出图像信息中模糊区域的大小值的方法包括:使用如下公式计算图像信息中模糊区域的大小值:
6.如权利要求5所述的方法,其特征在于,所述步骤3中的边缘窗口检测器使用如下公式表示:
7.如权利要求6所述的方法,其特征在于,所述步骤3中使用边缘窗口检测器在图像信息中进行逐行边缘检测,找到图像信息中的模糊区域部分的方法包括:将边缘检测值与设定的判别阈值进行比较,若边缘检测值与判别阈值的差值在设定的阈值范围内,则将该边缘检测值对应的像素点作为模糊像素点;将所有模糊像素点组成的区域作为模糊区域b。
8.如权利要求7所述的方法,其特征在于,所述步骤4中的建立的基于马尔科夫链的模糊方程使用如下公式表示:
9.如权利要求8所述的方法,其特征在于,所述步骤4中复原模糊区域得到清晰图像的方法包括:基于求解得到的最底层到最顶层的模糊方程,在不同尺度设置自适应参数,直到图像大小到达原始尺度,得到最后精确的模糊方程,并用此模糊方程复原模糊区域得到清晰图像。
10.用于实现权利要求1至9所述方法的基于模糊检测的图像处理装置。