基于神經(jīng)網(wǎng)絡(luò)的圖像局部模糊測(cè)量與分割.pdf

1、圖像在實(shí)際獲取的過程中，由于天氣、個(gè)人的拍攝水平、相機(jī)的因素、光照以及相機(jī)與被拍攝物體之間發(fā)生相對(duì)運(yùn)動(dòng)等原因?qū)е聢D像模糊。有效地提取出局部模糊圖像的模糊區(qū)域，可以用于圖像復(fù)原或者圖像融合等。本文也主要針對(duì)圖像局部模糊測(cè)量與分割進(jìn)行相關(guān)研究，具體研究工作如下:
　　(1)基于BP神經(jīng)網(wǎng)絡(luò)的圖像局部模糊測(cè)量
　　現(xiàn)有的模糊測(cè)量方法主要存在以下不足:1）容易將紋理平坦的清晰區(qū)域誤檢成模糊區(qū)域;2）部分模糊測(cè)量方法只適用全局或者只適

2、合測(cè)量運(yùn)動(dòng)模糊或者散焦模糊中一種。針對(duì)上面提到的不足，本文在前人的研究基礎(chǔ)上提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的局部模糊測(cè)量方法，該方法采用所有奇異值組成的奇異值向量以描述圖像模糊后不同尺度信息變化情況，并與描述高頻信息變化的DCT(discrete cosine transform)非零系數(shù)相結(jié)合，實(shí)現(xiàn)奇異值向量和DCT非零系數(shù)個(gè)數(shù)相聯(lián)合的混合模糊測(cè)度，達(dá)到了分別在空域和頻域?qū)δ：M(jìn)行描述，并進(jìn)一步引入能夠更好的反映模糊感知特性的BP(bac

3、k propagation)神經(jīng)網(wǎng)絡(luò)和具有較強(qiáng)泛化能力的SVM(support vector machine)作為分類器，以實(shí)現(xiàn)高效、準(zhǔn)確的模糊測(cè)量。單幅局部模糊圖像對(duì)比實(shí)驗(yàn)結(jié)果以及多幅局部模糊圖像準(zhǔn)確率-召回率(PR)統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果表明，該方法可以有效地區(qū)分紋理平坦的清晰區(qū)域和模糊區(qū)域，而且本文選擇的模糊特征值具有較強(qiáng)魯棒性。
　　(2)基于語義的模糊區(qū)域分割
　　現(xiàn)有的模糊測(cè)量方法難以較為準(zhǔn)確地分割出局部模糊圖像的模糊區(qū)域

4、。針對(duì)該問題，本文從大多數(shù)局部模糊圖像的模糊區(qū)域具有成片且具有特定語義的特點(diǎn)出發(fā)，結(jié)合圖像語義分割是按照?qǐng)D像特定語義進(jìn)行圖像分割的特點(diǎn)，提出了一種基于語義的模糊區(qū)域分割方法。該方法包含三個(gè)步驟:1）使用雙邊濾波器對(duì)本文方法的模糊測(cè)量結(jié)果進(jìn)行濾波處理，雙邊濾波器可以有效去除本文方法模糊測(cè)量結(jié)果的噪聲，而且可以很好保留模糊區(qū)域的邊界，進(jìn)而可以提高模糊區(qū)域分割的準(zhǔn)確率;2）使用基于深度神經(jīng)網(wǎng)絡(luò)的語義分割方法對(duì)待分割局部模糊圖像進(jìn)行語義分割，該