一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法
【專利摘要】本發(fā)明公開了一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其收集樣本圖像，首先對(duì)每個(gè)樣本圖像的最顯著區(qū)域的RGB三個(gè)通道分別進(jìn)行快速傅里葉變換及尺寸縮小處理，用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新圖像，并將所得到的新構(gòu)建的縮小圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，進(jìn)行清晰-模糊圖像分類訓(xùn)練，得到模糊檢測(cè)模型，最后對(duì)待檢測(cè)圖像的最顯著區(qū)域進(jìn)行RGB三個(gè)通道的快速傅里葉變換及尺寸縮小處理，并用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新的待檢測(cè)圖像，然后采用所述模糊檢測(cè)模型對(duì)所述的新構(gòu)建的待檢測(cè)圖像進(jìn)行清晰-模糊圖像的判別，從而有效的減少計(jì)算量，加快檢測(cè)速度，同時(shí)特別適用于大尺寸圖像的快速模糊檢測(cè)，提高檢測(cè)的準(zhǔn)確率。
【專利說明】一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圖像處理方法，特別是一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方 法。

【背景技術(shù)】
[0002] 數(shù)字圖像處理已經(jīng)成為信息科學(xué)、生物學(xué)、醫(yī)學(xué)等諸多領(lǐng)域的基礎(chǔ)研究對(duì)象。隨 著信息時(shí)代的到來，數(shù)字圖像處理在計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)、人工智能等領(lǐng)域都得到廣泛的 應(yīng)用，其重要性日益凸顯。令人遺憾的是，在數(shù)字圖像的采集過程中，采集設(shè)備在快門開啟 的瞬間會(huì)產(chǎn)生不可避免的輕微抖動(dòng)，這種抖動(dòng)往往使我們最終只能得到一張細(xì)節(jié)模糊的圖 像，尤其是在光照條件不理想的情況下，較長的快門時(shí)間使得圖像的模糊程度更加劇烈。這 樣的模糊圖像給人眼視覺帶來了很大的困擾，同時(shí)也丟失了大量的細(xì)節(jié)信息，是無法應(yīng)用 于日常生活和科研活動(dòng)中的?，F(xiàn)有的圖像模糊檢測(cè)方法大體上可以分為兩類：一類給出整 幅圖像的模糊程度的估計(jì)，另一類將圖像劃分為若干個(gè)區(qū)域，對(duì)各個(gè)區(qū)域分別給出模糊程 度的估計(jì)，但大都計(jì)算方法比較復(fù)雜，運(yùn)算量較大，處理速度慢。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明為解決上述問題，提供了一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，檢測(cè) 結(jié)果更加快速準(zhǔn)確。
[0004] 為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0005] -種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其特征在于，包括以下步驟：
[0006] 10.收集樣本圖像，對(duì)每個(gè)樣本圖像進(jìn)行顯著性檢測(cè)以獲取樣本圖像中最顯著區(qū) 域，并對(duì)所述樣本圖像的最顯著區(qū)域的RGB三個(gè)通道分別進(jìn)行快速傅里葉變換，得到變換 后的復(fù)數(shù)數(shù)據(jù)；
[0007] 20.對(duì)所述的復(fù)數(shù)數(shù)據(jù)進(jìn)行尺寸縮小處理，并用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新圖 像，得到縮小圖像；
[0008] 30.將所述的新構(gòu)建的縮小圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，進(jìn)行清晰-模糊 圖像分類訓(xùn)練，得到模糊檢測(cè)模型；
[0009] 40.獲取待檢測(cè)圖像，對(duì)待檢測(cè)圖像進(jìn)行顯著性檢測(cè)以獲取待檢測(cè)圖像中最顯著 區(qū)域，并對(duì)所述待檢測(cè)圖像的最顯著區(qū)域的RGB三個(gè)通道進(jìn)行快速傅里葉變換，對(duì)變換得 到的復(fù)數(shù)數(shù)據(jù)進(jìn)行尺寸縮小處理，并用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新的待檢測(cè)圖像，然后 采用所述模糊檢測(cè)模型對(duì)所述的新構(gòu)建的待檢測(cè)圖像進(jìn)行清晰-模糊圖像的判別。
[0010] 優(yōu)選的，所述的顯著性檢測(cè)進(jìn)一步包括：
[0011] a.提取圖像特征：采用高斯濾波器對(duì)樣本圖像或待檢測(cè)圖像進(jìn)行濾波和采樣，形 成以所述的樣本圖像或待檢測(cè)圖像為底層的高斯金字塔模型；然后對(duì)高斯金字塔模型中的 每一層分別提取各種圖像特征，形成特征金字塔模型；再根據(jù)該特征金字塔模型進(jìn)行計(jì)算 得到所述的樣本圖像或待檢測(cè)圖像的特征圖；
[0012] b.生成顯著圖：把每一個(gè)所述的特征圖歸一化處理，并將各個(gè)歸一化處理后的特 征圖進(jìn)行綜合計(jì)算，得到對(duì)應(yīng)于所述的樣本圖像或待檢測(cè)圖像的顯著圖。
[0013] 優(yōu)選的，所述的顯著圖中采用白色和黑色對(duì)其進(jìn)行標(biāo)記以獲取圖像的顯著性區(qū) 域，其中，白色表示圖像中顯著的區(qū)域，黑色表示圖像中不顯著的區(qū)域。
[0014] 優(yōu)選的，還包括計(jì)算顯著性檢測(cè)后的顯著性區(qū)域里的最大矩形區(qū)域，主要通過標(biāo) 記法對(duì)所述顯著圖進(jìn)行連通區(qū)域的計(jì)算和提取，從而得到最大矩形區(qū)域。
[0015] 優(yōu)選的，所述的標(biāo)記法進(jìn)一步包括：
[0016] bl.初始標(biāo)記值記為1 ;
[0017] b2.對(duì)所述顯著圖進(jìn)行逐行掃描，找到一個(gè)未標(biāo)記區(qū)域的顏色為白色的像素點(diǎn)，標(biāo) 記該像素點(diǎn)的標(biāo)記值為1 ;
[0018] b3.檢查該點(diǎn)的八鄰域的像素點(diǎn)并標(biāo)記像素點(diǎn)滿足為顏色為白色的像素點(diǎn)且未被 標(biāo)記的標(biāo)記值為當(dāng)前標(biāo)記值，同時(shí)將新增的標(biāo)記像素點(diǎn)記錄下來作為區(qū)域增長的種子點(diǎn)；
[0019] b4.在后續(xù)的標(biāo)記像素點(diǎn)過程中，不斷從記錄種子點(diǎn)的數(shù)組中取出一個(gè)種子，實(shí)施 上述的操作，如此循環(huán)，直到記錄種子點(diǎn)的數(shù)組為空；
[0020] b5.若一個(gè)連通區(qū)域標(biāo)記結(jié)束，則標(biāo)記值+1，并遍歷下一個(gè)連通區(qū)域，直到所有像 素點(diǎn)被標(biāo)記為止；
[0021] b6.獲取每個(gè)標(biāo)記值的最大區(qū)域，并將每個(gè)標(biāo)記值為1的白色區(qū)域連接起來，然后 計(jì)算出顯著性區(qū)域與非顯著性區(qū)域的比例達(dá)到最大的矩形區(qū)域?yàn)樗龅淖畲缶匦螀^(qū)域。
[0022] 優(yōu)選的，所述的步驟40中采用所述模糊檢測(cè)模型對(duì)所述的新構(gòu)建的待檢測(cè)圖像 進(jìn)行清晰-模糊圖像的判別，主要是將轉(zhuǎn)換后構(gòu)建的新的待檢測(cè)圖像塊放入卷積神經(jīng)網(wǎng)絡(luò) 系統(tǒng)中，然后根據(jù)所述的模糊檢測(cè)模型進(jìn)行計(jì)算該新構(gòu)建的待檢測(cè)圖像為清晰圖像或模糊 圖像的概率，并選擇概率較大的圖像類型作為所述的待檢測(cè)圖像的清晰-模糊類型。
[0023] 本發(fā)明的有益效果是：
[0024] 本發(fā)明的一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其通過收集樣本圖像，并對(duì) 每個(gè)樣本圖像進(jìn)行顯著性檢測(cè)，獲取圖像的最顯著區(qū)域，然后對(duì)所述樣本圖像最顯著區(qū)域 的RGB三個(gè)通道分別進(jìn)行快速傅里葉變換，然后對(duì)得到變換后的復(fù)數(shù)數(shù)據(jù)進(jìn)行尺寸縮小處 理，并用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新圖像，并將所得到的新構(gòu)建的縮小圖像作為卷積神 經(jīng)網(wǎng)絡(luò)的輸入圖像，進(jìn)行清晰-模糊圖像分類訓(xùn)練，得到模糊檢測(cè)模型，最后對(duì)待檢測(cè)圖像 提取最顯著區(qū)域，并對(duì)該待檢測(cè)圖像最顯著區(qū)域進(jìn)行RGB三個(gè)通道的快速傅里葉變換，對(duì) 變換得到的復(fù)數(shù)數(shù)據(jù)進(jìn)行尺寸縮小處理，并用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新的待檢測(cè)圖 像，然后采用所述模糊檢測(cè)模型對(duì)所述的新構(gòu)建的待檢測(cè)圖像進(jìn)行清晰-模糊圖像的判 另IJ，從而有效的減少計(jì)算量，加快檢測(cè)速度，同時(shí)特別適用于大尺寸圖像的快速模糊檢測(cè)， 檢測(cè)的準(zhǔn)確率更高。

【專利附圖】

【附圖說明】
[0025] 此處所說明的附圖用來提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本發(fā)明的一部分，本發(fā) 明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定。在附圖中：
[0026] 圖1為本發(fā)明一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法的流程簡圖；
[0027] 圖2為用于說明本發(fā)明效果的待檢測(cè)圖像；
[0028] 圖3為圖2進(jìn)行顯著性檢測(cè)后的顯著圖；
[0029] 圖4為圖2待檢測(cè)圖像的最顯著部分進(jìn)行快速傅里葉變換后的復(fù)數(shù)數(shù)據(jù)。

【具體實(shí)施方式】
[0030] 為了使本發(fā)明所要解決的技術(shù)問題、技術(shù)方案及有益效果更加清楚、明白，以下結(jié) 合附圖及實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用 以解釋本發(fā)明，并不用于限定本發(fā)明。
[0031] 如圖1所示，本發(fā)明的一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其包括以下步 驟：
[0032] 10.收集樣本圖像，對(duì)每個(gè)樣本圖像進(jìn)行顯著性檢測(cè)以獲取樣本圖像中最顯著區(qū) 域，并對(duì)所述樣本圖像的最顯著區(qū)域的RGB三個(gè)通道分別進(jìn)行快速傅里葉變換，得到變換 后的復(fù)數(shù)數(shù)據(jù)；
[0033] 20.對(duì)所述的復(fù)數(shù)數(shù)據(jù)進(jìn)行尺寸縮小處理，并用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新圖 像，得到縮小圖像；
[0034] 30.將所述的新構(gòu)建的縮小圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，進(jìn)行清晰-模糊 圖像分類訓(xùn)練，得到模糊檢測(cè)模型；
[0035] 40.獲取待檢測(cè)圖像（如圖2)，對(duì)待檢測(cè)圖像進(jìn)行顯著性檢測(cè)以獲取待檢測(cè)圖像 中最顯著區(qū)域（如圖3)，并對(duì)所述待檢測(cè)圖像的最顯著區(qū)域的RGB三個(gè)通道進(jìn)行快速傅 里葉變換（如圖4)，對(duì)變換得到的復(fù)數(shù)數(shù)據(jù)進(jìn)行尺寸縮小處理，并用尺寸縮小后的復(fù)數(shù)數(shù) 據(jù)構(gòu)建新的待檢測(cè)圖像，然后采用所述模糊檢測(cè)模型對(duì)所述的新構(gòu)建的待檢測(cè)圖像進(jìn)行清 晰-模糊圖像的判別。
[0036] 所述的步驟10和步驟40中的顯著性檢測(cè)進(jìn)一步包括：
[0037] a.提取圖像特征：采用高斯濾波器對(duì)樣本圖像或待檢測(cè)圖像進(jìn)行濾波和采樣，形 成以所述的樣本圖像或待檢測(cè)圖像為底層的高斯金字塔模型；然后對(duì)高斯金字塔模型中的 每一層分別提取各種圖像特征，形成特征金字塔模型；再根據(jù)該特征金字塔模型進(jìn)行計(jì)算 得到所述的樣本圖像或待檢測(cè)圖像的特征圖；
[0038] b.生成顯著圖：把每一個(gè)所述的特征圖歸一化處理，并將各個(gè)歸一化處理后的特 征圖進(jìn)行綜合計(jì)算，得到對(duì)應(yīng)于所述的樣本圖像或待檢測(cè)圖像的顯著圖（如圖3)。
[0039] 所述的顯著圖中采用白色和黑色對(duì)其進(jìn)行標(biāo)記以獲取圖像的顯著性區(qū)域，其中， 白色表示圖像中顯著的區(qū)域，黑色表示圖像中不顯著的區(qū)域。
[0040] 其中，還包括計(jì)算顯著性檢測(cè)后的顯著性區(qū)域里的最大矩形區(qū)域，主要通過標(biāo)記 法對(duì)所述顯著圖進(jìn)行連通區(qū)域的計(jì)算和提取，從而得到最大矩形區(qū)域。
[0041] 所述的標(biāo)記法進(jìn)一步包括：
[0042] bl.初始標(biāo)記值記為1 ;
[0043] b2.對(duì)所述顯著圖進(jìn)行逐行掃描，找到一個(gè)未標(biāo)記區(qū)域的顏色為白色的像素點(diǎn)，標(biāo) 記該像素點(diǎn)的標(biāo)記值為1 ;
[0044] b3.檢查該點(diǎn)的八鄰域的像素點(diǎn)并標(biāo)記像素點(diǎn)滿足為顏色為白色的像素點(diǎn)且未被 標(biāo)記的標(biāo)記值為當(dāng)前標(biāo)記值，同時(shí)將新增的標(biāo)記像素點(diǎn)記錄下來作為區(qū)域增長的種子點(diǎn)；
[0045] b4.在后續(xù)的標(biāo)記像素點(diǎn)過程中，不斷從記錄種子點(diǎn)的數(shù)組中取出一個(gè)種子，實(shí)施 上述的操作，如此循環(huán)，直到記錄種子點(diǎn)的數(shù)組為空；
[0046] b5.若一個(gè)連通區(qū)域標(biāo)記結(jié)束，則標(biāo)記值+1，并遍歷下一個(gè)連通區(qū)域，直到所有像 素點(diǎn)被標(biāo)記為止；
[0047] b6.獲取每個(gè)標(biāo)記值的最大區(qū)域，并將每個(gè)標(biāo)記值為1的白色區(qū)域連接起來，然后 計(jì)算出顯著性區(qū)域與非顯著性區(qū)域的比例達(dá)到最大的矩形區(qū)域?yàn)樗龅淖畲缶匦螀^(qū)域。
[0048] 所述的步驟40中采用所述模糊檢測(cè)模型對(duì)所述的新構(gòu)建的待檢測(cè)圖像進(jìn)行清 晰-模糊圖像的判別，主要是將轉(zhuǎn)換后構(gòu)建的新的待檢測(cè)圖像塊放入卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng) 中，然后根據(jù)所述的模糊檢測(cè)模型進(jìn)行計(jì)算該新構(gòu)建的待檢測(cè)圖像為清晰圖像或模糊圖像 的概率，并選擇概率較大的圖像類型作為所述的待檢測(cè)圖像的清晰-模糊類型。
[0049] 所述的步驟30中將所述的新構(gòu)建的縮小圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，進(jìn) 行清晰-模糊圖像分類訓(xùn)練，主要是對(duì)新構(gòu)建的縮小圖像進(jìn)行人工分類，并輸入卷積神經(jīng) 網(wǎng)絡(luò)進(jìn)行分類測(cè)試，并且，將分類測(cè)試中分類錯(cuò)誤的縮小圖像收集起來重新進(jìn)行人工標(biāo)注， 即進(jìn)行調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，再將重新人工分類后的縮小圖像再次進(jìn)行訓(xùn)練學(xué)習(xí)，如此重復(fù)"訓(xùn) 練_>調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)_>再訓(xùn)練"的過程直到分類正確為止。
[0050] 本實(shí)施例中網(wǎng)格結(jié)構(gòu)順序?yàn)檩斎雽觃>Κ個(gè)小組層_>全連接層_>SoftMax層，其中 K大于等于1 ;小組層包括卷積層、激活層、下采樣層、歸一化層；卷積層、激活層、下采樣層、 歸一化層中每個(gè)層的核大小以及輸出大小都是可以進(jìn)行任意調(diào)節(jié)的，并且每個(gè)層都有一個(gè) 輸入且產(chǎn)生一個(gè)輸出，每一層的輸出作為下一層的輸入。
[0051] 其中，輸入層的輸入大小為Height X Weight X Channel,其中Weight、Height為 輸入層圖像的寬和高，Channel為輸入層圖像的顏色通道；由于本發(fā)明使用GPU硬件實(shí)現(xiàn)的 原因 ，Weight = Height ;輸入圖像的channel只能為1或者3。
[0052] 卷積層：
[0053] 1)核的大小必須是奇數(shù)，且不大于該層輸入的寬或者高；
[0054] 2)中間表示通過卷積層時(shí)不改變寬和高，通道數(shù)可變可不變；理論上可以為任意 正整數(shù)，由于本發(fā)明使用GPU硬件實(shí)現(xiàn)的原因，這里為16的倍數(shù)。
[0055] 激活層：
[0056] 1)激活層不改變卷積層表示的寬、高或者通道數(shù)；
[0057] 2)激活層所使用的激活函數(shù)包括但不限于以下函數(shù)類型：
[0058]

【權(quán)利要求】
1. 一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其特征在于，包括以下步驟：
10.收集樣本圖像，對(duì)每個(gè)樣本圖像進(jìn)行顯著性檢測(cè)以獲取樣本圖像中最顯著區(qū)域，并 對(duì)所述樣本圖像的最顯著區(qū)域的RGB三個(gè)通道分別進(jìn)行快速傅里葉變換，得到變換后的復(fù) 數(shù)數(shù)據(jù)；
20.對(duì)所述的復(fù)數(shù)數(shù)據(jù)進(jìn)行尺寸縮小處理，并用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新圖像，得 到縮小圖像；
30.將所述的新構(gòu)建的縮小圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像，進(jìn)行清晰-模糊圖像 分類訓(xùn)練，得到模糊檢測(cè)模型；
40.獲取待檢測(cè)圖像，對(duì)待檢測(cè)圖像進(jìn)行顯著性檢測(cè)以獲取待檢測(cè)圖像中最顯著區(qū)域， 并對(duì)所述待檢測(cè)圖像的最顯著區(qū)域的RGB三個(gè)通道進(jìn)行快速傅里葉變換，對(duì)變換得到的復(fù) 數(shù)數(shù)據(jù)進(jìn)行尺寸縮小處理，并用尺寸縮小后的復(fù)數(shù)數(shù)據(jù)構(gòu)建新的待檢測(cè)圖像，然后采用所 述模糊檢測(cè)模型對(duì)所述的新構(gòu)建的待檢測(cè)圖像進(jìn)行清晰-模糊圖像的判別。
2. 根據(jù)權(quán)利要求1所述的一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其特征在于：所 述的顯著性檢測(cè)進(jìn)一步包括： a. 提取圖像特征：采用高斯濾波器對(duì)樣本圖像或待檢測(cè)圖像進(jìn)行濾波和采樣，形成以 所述的樣本圖像或待檢測(cè)圖像為底層的高斯金字塔模型；然后對(duì)高斯金字塔模型中的每一 層分別提取各種圖像特征，形成特征金字塔模型；再根據(jù)該特征金字塔模型進(jìn)行計(jì)算得到 所述的樣本圖像或待檢測(cè)圖像的特征圖； b. 生成顯著圖：把每一個(gè)所述的特征圖歸一化處理，并將各個(gè)歸一化處理后的特征圖 進(jìn)行綜合計(jì)算，得到對(duì)應(yīng)于所述的樣本圖像或待檢測(cè)圖像的顯著圖。
3. 根據(jù)權(quán)利要求2所述的一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其特征在于：所 述的顯著圖中采用白色和黑色對(duì)其進(jìn)行標(biāo)記以獲取圖像的顯著性區(qū)域，其中，白色表示圖 像中顯著的區(qū)域，黑色表示圖像中不顯著的區(qū)域。
4. 根據(jù)權(quán)利要求3所述的一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其特征在于：還 包括計(jì)算顯著性檢測(cè)后的顯著性區(qū)域里的最大矩形區(qū)域，主要通過標(biāo)記法對(duì)所述顯著圖進(jìn) 行連通區(qū)域的計(jì)算和提取，從而得到最大矩形區(qū)域。
5. 根據(jù)權(quán)利要求4所述的一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其特征在于：所 述的標(biāo)記法進(jìn)一步包括： bl.初始標(biāo)記值記為1 ; b2.對(duì)所述顯著圖進(jìn)行逐行掃描，找到一個(gè)未標(biāo)記區(qū)域的顏色為白色的像素點(diǎn)，標(biāo)記該 像素點(diǎn)的標(biāo)記值為1 ; b3.檢查該點(diǎn)的八鄰域的像素點(diǎn)并標(biāo)記像素點(diǎn)滿足為顏色為白色的像素點(diǎn)且未被標(biāo)記 的標(biāo)記值為當(dāng)前標(biāo)記值，同時(shí)將新增的標(biāo)記像素點(diǎn)記錄下來作為區(qū)域增長的種子點(diǎn)； b4.在后續(xù)的標(biāo)記像素點(diǎn)過程中，不斷從記錄種子點(diǎn)的數(shù)組中取出一個(gè)種子，實(shí)施上述 的操作，如此循環(huán)，直到記錄種子點(diǎn)的數(shù)組為空； b5.若一個(gè)連通區(qū)域標(biāo)記結(jié)束，則標(biāo)記值+1，并遍歷下一個(gè)連通區(qū)域，直到所有像素點(diǎn) 被標(biāo)記為止； b6.獲取每個(gè)標(biāo)記值的最大區(qū)域，并將每個(gè)標(biāo)記值為1的白色區(qū)域連接起來，然后計(jì)算 出顯著性區(qū)域與非顯著性區(qū)域的比例達(dá)到最大的矩形區(qū)域?yàn)樗龅淖畲缶匦螀^(qū)域。
6.根據(jù)權(quán)利要求1所述的一種基于顯著性檢測(cè)的圖像模糊檢測(cè)方法，其特征在于：所 述的步驟40中采用所述模糊檢測(cè)模型對(duì)所述的新構(gòu)建的待檢測(cè)圖像進(jìn)行清晰-模糊圖像 的判別，主要是將轉(zhuǎn)換后構(gòu)建的新的待檢測(cè)圖像塊放入卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，然后根據(jù)所 述的模糊檢測(cè)模型進(jìn)行計(jì)算該新構(gòu)建的待檢測(cè)圖像為清晰圖像或模糊圖像的概率，并選擇 概率較大的圖像類型作為所述的待檢測(cè)圖像的清晰-模糊類型。
【文檔編號(hào)】G06T7/00GK104091341SQ201410344795
【公開日】2014年10月8日 申請(qǐng)日期:2014年7月18日 優(yōu)先權(quán)日:2014年7月18日
【發(fā)明者】張偉, 曾志勇, 傅松林, 許清泉 申請(qǐng)人:廈門美圖之家科技有限公司