基于卷积神经网络且用于对模糊图像进行处理的方法技术

本发明专利技术实施例公开了一种基于卷积神经网络且用于对模糊图像进行处理的方法，涉及计算机数字图像处理技术领域，能够实现对模糊图像的无参考图像质量评价。本发明专利技术包括：建立监督图像数据集，利用所述监督图像数据集获取SSIM，将SSIM作为监督图像数据集的标签；建立基于CNN的网络框架；获取对应所述网络框架的损失函数，初始化优化器并初始化网络参数；将模糊图像集输入所述网络框架，并进行前向计算得到网络输出，利用所述数据集标签和所述网络输出确定网络损失；利用所确定的网络损失进行反向传播计算得到网络各参数梯度值，并通过所述优化器对所述网络参数进行更新；直至计算得到的网络损失收敛，通过训练完毕的所述网络可以对模糊图像进行质量评价。以对模糊图像进行质量评价。以对模糊图像进行质量评价。

【技术实现步骤摘要】
基于卷积神经网络且用于对模糊图像进行处理的方法


[0001]本专利技术涉及计算机数字图像处理
，尤其涉及一种基于卷积神经网络且用于对模糊图像进行处理的方法。

技术介绍

[0002]图像和视频在采集、压缩、传输以及存储过程中，不可避免的会造成图像的失真和退化，其中图像模糊是造成图像质量下降的主要原因之一，会影响图像的细节与纹理部分造成图像视觉体验下降。为此，需要对模糊图像设计相应的质量评价方法，实时的对获取图像的模糊程度进行评估，以便于为进一步的图像改良、去噪措施提供数据基础。
[0003]传统的模糊图像质量评价方法一般通过比较模糊图像及其对应的清晰图像的全部像素，然后经过一定的算法计算得到评分，如均方差(Mean Square Error,MSE)、峰值信噪比(Peak Signal to Noise Ratio,PSNR)、结构相似度等，但此类方法都需要获取模糊图像以及对应的清晰图像才能对图像的模糊程度进行评分，而在日常图像的获取和处理过程中往往只能得到一张模糊图像，而难以获取对应的清晰参考图像，故此类方法在模糊图像质量评价上往往受限，难以实现对模糊图像的无参考图像质量评价。

技术实现思路

[0004]本专利技术的实施例提供一种基于卷积神经网络且用于对模糊图像进行处理的方法，能够实现对模糊图像的无参考图像质量评价。
[0005]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0006]步骤1，建立监督图像数据集，利用所述监督图像数据集获取结构相似性指标(SSIM)，并将SSIM作为监督图像数据集的标签，其中，所述监督图像数据集包括清晰图像集S1和模糊图像集S2；
[0007]步骤2，建立基于卷积神经网络(CNN)的网络框架，所述网络框架中包括：图像特征提取网络和图像质量估计网络；
[0008]步骤3，获取对应所述网络框架的损失函数，初始化优化器并初始化网络参数；
[0009]步骤4，将模糊图像集S2输入所述网络框架，并进行前向计算得到网络输出，之后利用所述数据集标签和所述网络输出确定网络损失；
[0010]步骤5，利用所确定的网络损失进行反向传播计算得到网络各参数梯度值，并通过所述优化器对所述网络参数进行更新；
[0011]步骤6，重复执行步骤4至步骤5，直至步骤4中计算得到的网络损失收敛，得到训练完毕的所述网络框架，通过训练完毕的所述网络可以对模糊图像进行质量评价。
[0012]本专利技术实施例提供的基于卷积神经网络且用于对模糊图像进行处理的方法，通过构建有监督图像数据集，利用模糊图像集及对应的清晰图像集计算得到SSIM评价指标作为数据集标签，然后以模糊图像集和SSIM标签对本专利构建的卷积神经网络进行训练，最终训练完毕的网络通过输入模糊图像便可得到对应的SSIM评价指标，实现对模糊图像的无参
考图像质量评价，能够利用有监督的模糊图像集和清晰图像集对本专利技术构建的网络进行训练，从而使得该网络具备对模糊图像进行质量评价的能力。相较于传统的图像评价方法在使用上更为灵活，具有更好的实用价值。
附图说明
[0013]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0014]图1为本专利技术实施例提供的方法流程图；
[0015]图2为本专利技术实施例提供的卷积神经网络的结构图；
[0016]图3为本专利技术实施例提供的测试数据集的SSIM估计曲线图；
[0017]图4为本专利技术实施例提供的模糊图像质量评价效果图。
具体实施方式
[0018]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0019]本专利技术实施例提供一种基于卷积神经网络且用于对模糊图像进行处理的方法，如图1所示，包括：
[0020]步骤1，建立监督图像数据集，利用所述监督图像数据集获取结构相似性指标(Structural Similarity Indicator,SSIM)，并将SSIM作为监督图像数据集的标签。
[0021]其中，所述监督图像数据集包括清晰图像集S1和模糊图像集S2。清晰数据集的作用是与模糊数据集计算得到SSIM的标签数据。本实施例中，SSIM算法需要模糊图像和与之参考的清晰图像进行计算，在后续的训练和测试过程中仅使用SSIM的标签数据，而不使用清晰数据集。
[0022]步骤2，建立基于卷积神经网络(Convolutional Neural Network,CNN)的网络框
架，所述网络框架中包括：图像特征提取网络和图像质量估计网络。
[0023]其中，基于卷积神经网络(Convolutional Neural Network,CNN)框架，以多个卷积层和池化层对输入图像的特征进行提取，以多个全连接层对数据集标签进行估计预测。
[0024]步骤3，获取对应所述网络框架的损失函数，初始化优化器并初始化网络参数。
[0025]步骤4，将模糊图像集S2输入所述网络框架，并进行前向计算得到网络输出，之后利用所述数据集标签和所述网络输出确定网络损失。
[0026]其中，利用有监督图像数据集的模糊图像集作为输入，通过所述网络框架进行前向计算得到网络输出，可以再结合数据集标签计算得到网络损失。
[0027]步骤5，利用所确定的网络损失进行反向传播计算得到网络各参数梯度值，并通过所述优化器对所述网络参数进行更新。
[0028]步骤6，重复执行步骤4至步骤5，直至步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络且用于对模糊图像进行处理的方法，其特征在于，包括：步骤1，建立监督图像数据集，利用所述监督图像数据集获取结构相似性指标(SSIM)，并将SSIM作为监督图像数据集的标签，其中，所述监督图像数据集包括清晰图像集S1和模糊图像集S2；步骤2，建立基于卷积神经网络(CNN)的网络框架，所述网络框架中包括：图像特征提取网络和图像质量估计网络；步骤3，获取对应所述网络框架的损失函数，初始化优化器并初始化网络参数；步骤4，将模糊图像集S2输入所述网络框架，并进行前向计算得到网络输出，之后利用所述数据集标签和所述网络输出确定网络损失；步骤5，利用所确定的网络损失进行反向传播计算得到网络各参数梯度值，并通过所述优化器对所述网络参数进行更新；步骤6，重复执行步骤4至步骤5，直至步骤4中计算得到的网络损失收敛，得到训练完毕的所述网络框架，通过训练完毕的所述网络可以对模糊图像进行质量评价。2.根据权利要求1所述的方法，其特征在于，在步骤1中，包括：建立图像数据匹配的清晰图像集S1和模糊图像集S2，其中，S2中的模糊图像是通过S1中的清晰图像经过模糊处理得到的，S1中的图像的内容和S2中的图像的内容一一对应，S1中的一个图像与S2中的对应的一个图像组成图像数据对。3.根据权利要求1或2所述的方法，其特征在于，在步骤1中，利用所述监督图像数据集获取SSIM，包括：分别获取S1和S2中图像像素值的均值、标准差和相关性系数，并分别计算S1与S2中各图像数据对的属性信息；其中，获取S1和S2中图像像素值的均值、标准差和相关性系数的方式相同，包括：其中，获取S1和S2中图像像素值的均值、标准差和相关性系数的方式相同，包括：其中，获取S1和S2中图像像素值的均值、标准差和相关性系数的方式相同，包括：其中，x
(i)
为S1中的第i张清晰图像，y
(i)
为S2的第i张模糊图像，m,n都为表示图片的像素位置的参数，M,N分别为图像的长和宽，i为正整数，表示S1中第i张图像像素值的均值，表示S2中第i张图像像素值的均值，表示S1中第i张图像像素值的标准差，表示S2中第i张图像像素值的标准差，表示S1和S2中第i对图像像素值的相关性系数；利用所得到的图像数据对的属性信息，获取SSIM。4.根据权利要求3所述的方法，其特征在于，所述图像数据对的属性信息包括亮度、对比度和结构，其中：
亮度...

【专利技术属性】
技术研发人员：朱晨龙，董文德，徐贵力，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：