一种基于深度学习的模糊图像检测方法与流程

技术特征：

1.一种基于深度学习的模糊图像检测方法，它包含以下步骤：

步骤1：任意选取摄像头采集的N₁+N₂幅同类数字图像其中既包含模糊图像也包含清晰图像，代表第t幅大小为M×N的图像；

步骤2：对步骤1中得到的N₁+N₂幅数字图像根据其模糊与否进行人工标定，若第t幅图像为模糊图像，则令其对应的标定变量y_t＝1，否则y_t＝-1；

步骤3：对于每一幅输入数字图像I_t，I_t(m，n)表示其中任意一像素点的灰度值，(m，n)为该像素点的坐标位置，进行I_t与算子(-1)^m+n的相乘运算以保证傅里叶变换之后的零频部分位于频谱图像的中心，得到

步骤4：对每一变换后的图像进行二维离散傅里叶变换，

$\begin{array}{ccc}{F}_t(u,v)=\underset{m=0}{\overset{M-1}{\Σ}}\underset{n=0}{\overset{N-1}{\Σ}}{I^{\′}}_t(m,n)e^{-j2\mathrm{\π}(\frac{um}{M}+\frac{vn}{N})},& u=0,1,...,M-1;& v=0,1,...,N-1\end{array}$

其中F_t(u，v)表示I′_t的二维离散傅里叶变换，u，v为傅里叶变换后的空间坐标，进而得到总体频谱图|F_t|；

步骤5：将频谱图|F_t|做下采样，下采样的比例根据图像大小决定，下采样后频谱图的宽度和高度都不超过50个点，向量化下采样后频谱图得到向量h_t；

步骤6：计算每一图像的倒谱

其中代表反傅里叶反变换，|F_t(u，v)|为第t幅图像傅里叶变换F_t(u，v)的模，倒谱具体表达式为：

$\begin{array}{ccc}{C}_t\left(m,n\right)=\frac{1}{MN}{\mathrm{\Σ}}_{u=0}^{M-1}{\mathrm{\Σ}}_{v=0}^{N-1}\log \left|F_t\left(u,v\right)\right|e^{j2\mathrm{\π}\left(\frac{um}{M}+\frac{vn}{N}\right)},& m=0,1,\mathrm{...},M-1;& n=0,1,\mathrm{...},N-1;\end{array}$

步骤7：将倒谱图C_t做下采样，下采样的比例根据图像大小决定，下采样后倒谱图的宽度和高度都不超过50个点，向量化下采样倒谱图得到向量s_t；

步骤8：对于每一图像由频谱向量h_t和倒谱向量s_t构成模糊特征x_t＝[h_t；s_t]；

步骤9：设计深度分类网络，为已有图像的模糊特征和对应是否清晰的标签，定义目标函数为

$J\left(\mathrm{\θ}\right)=-\frac{1}{N_1+N_2}\underset{t=1}{\overset{N_1+N_2}{\Σ}}\{y_t\log y\left(x_t\right)+(1-y_t)log(1-y(x_t\left)\right)\}+\frac{\mathrm{\λ}}{2}\left|\right|\mathrm{\θ}|{|}^2$

其中θ是网络参数，λ是控制约束项强弱的因子，y(x_t)为样本x_t属于模糊图像的概率p(y_t＝+1|x_t，θ)，对应的表达式为：

$y\left(x_t\right)=\frac{1}{1+\exp \left(w^T{h}_t^{\left(L\right)}\right)}$

为深度网络最后一个隐层的节点构成的向量，s_L为最后一隐层节点的数目，w为最后一层的参数向量，L为网络隐层总的层数；网络往前每一层的节点单元由上一层的节点单元和网络参数决定

$\begin{array}{ccc}{h}_{ti}^{(l+1)}=\mathrm{\σ}(w_{i1}^{(l+1)}{h}_{t1}^{\left(l\right)}+w_{i2}^{(l+1)}{h}_{t2}^{\left(l\right)}...+w_{{\mathrm{is}}_l}^{(l+1)}{h}_{{\mathrm{ts}}_l}^{\left(l\right)}+b_i^{\left(l\right)}),& i=1,...,s_{l+1},& l=0,...,L-1\end{array}$

表示第l层的第j个单元的响应值，j＝1，...，s_l，表示第l+1层的第i个单元的输入，和表示连接深度神经网络第l层的所有s_l个单元和第l+1层的第i个单元之间的参数；具体来讲，表示连接第l层的第j个单元和第l+1层第i个单元之间的参数，为与第l+1层的隐单元i相关的偏差项，s_l+1为第l+1层隐单元的数目，输入层为x_t；因此网络参数

步骤10：利用后向传播算法计算求解目标函数J(θ)关于参数θ的梯度得到

步骤11：根据步骤10中得到的梯度利用梯度下降法对步骤9中的目标函数进行优化，求取目标函数取最小值时候的对应参数θ，利用由此参数确定的神经网络判断新图像是否模糊。