[发明专利]一种用于图像清晰度判别的神经网络的设计方法

说明书

本发明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。

技术领域

本发明属于图像处理技术领域，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。

背景技术

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。

发明内容

本发明的目的为了克服现有技术中存在的不足，提出一种用于图像清晰度判别的神经网络的设计方法。在现代结构的类LeNet-5网络的基础上进行实验，确定卷积核尺寸、卷积层数等相关参数。然后得到可以直接放入处理过的多聚焦图像数据集进行清晰度判别的卷积神经网络。

为实现上述目的，本发明提供得方法是：一种用于图像清晰度判别的神经网络的设计方法，包括如下步骤：

步骤1：确定神经网络的基本结构；

步骤2：通过对不同卷积核尺寸网络的比照实验来选取合适的卷积核尺寸；

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。

进一步地，所述步骤1中神经网络采用类似于LeNet-5的简单结构。考虑到子块的尺寸相对较小，因此选择弃用池化层，并修改评分层输出为2类评分值。

进一步地，所述步骤2中为尽可能地使网络具有可比性，采用的两个网络网络层数以及各层卷积核数量一致、每层相应的特征图尺寸相同，训练周期相同。

进一步地，所述步骤3以相同的训练方式训练上述网络各60个周期，选取各自训练过程中评估错误率最低时的网络应用于从测试集。

进一步地，所述步骤5中由于清晰度比对是基于两幅源图像相同位置的子块，因而将区分全体中两类子块的网络改进为区分对应位置子块的分类网络，增强其针对性。

有益效果：

本发明与现有技术相比，解决了目前通过单一图像特征评判子块的清晰程度不够准确且受限于图像环境等问题，并且在多聚焦图像融合的应用中融合效果较好。

附图说明

图1为本发明中卷积神经网络参数配置示意图；