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yt=1,否则yt=-1;
步骤3:对于每一幅输入数字图像It,It(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It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,
其中Ft(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|Ft|;
步骤5:将频谱图|Ft|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ht;
步骤6:计算每一图像的倒谱
其中代表反傅里叶反变换,|Ft(u,v)|为第t幅图像傅里叶变换Ft(u,v)的模,倒谱具体表达式为:
步骤7:将倒谱图Ct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st;
步骤8:对于每一图像由频谱向量ht和倒谱向量st构成模糊特征xt=[ht;st];
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
其中θ是网络参数,λ是控制约束项强弱的因子,y(xt)为样本xt属于模糊图像的概率p(yt=+1|xt,θ),对应的表达式为:
为深度网络最后一个隐层的节点构成的向量,sL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
表示第l层的第j个单元的响应值,j=1,...,sl,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sl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,sl+1为第l+1层隐单元的数目,输入层为xt;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。