一种模糊检测神经网络训练图片预处理方法与流程

1.本发明涉及图像识别技术领域，特别涉及一种模糊检测神经网络训练图片预处理方法。


背景技术：

2.现有技术中模糊图检测是检测图像质量的重要指标之一。已有的包括基于传统机器视觉方法的模糊检测，以及基于神经网络的模糊检测。
3.通常地，传统机器视觉方法的模糊检测，采用固定的算子，无法适用所有类型的图片，采用深度学习的神经网络进行模糊检测，依赖完备的训练数据集，但这一点很难做到，因为训练数据是有限的，而现实中遇到的情形是无限的，因此会遇到某些图片和训练样本类似而结果较好，某些图片和训练样本差异大，而结果较差。
4.另外，现有技术中的常用术语如下：
5.1、模糊检测：辨识一张图片的模糊度。
6.2、人脸模糊检测：辨识一张人脸图片的模糊度。


技术实现要素：

7.为了解决上述现有技术中的问题，本技术的目的在于：
8.对训练数据进行预处理，利用有限的训练数据，能够训练出更好的结果，提升模型的准确率和泛化能力。归一化后，使得数据更加具有代表性，例如有一万张不同的图片，他们归一化后的结果是同一张图片，因此你训练这一张图片的效果，就等同与训练之前一万张图片的效果。
9.具体地，本发明提供一种模糊检测神经网络训练图片预处理方法，所述方法包括：
10.s1，将图片转换为灰度图；
11.s2，设置模糊检测图片的亮度平均值，作均值归一化处理；
12.s3，设置模糊检测图片的平均差，作平均差归一化处理；
13.s4，将归一化后的灰度图作为神经网络的训练样本，进行训练，检测时，对待检测图片作同样的归一化预处理，即使用均值归一化和平均差归一化方法，得到归一化图片，将归一化图片使用神经网络预测模糊结果。
14.所述步骤s2进一步包括：
15.均值归一化，计算图片灰度图的均值avg_src，计算归一化目标均值avg_dst和均值avg_src的比值，ratio_avg＝avg_dst/avg_src，灰度图x乘以ratio_avg，得到均值为目标均值的灰度图x’。
16.所述归一化目标均值avg_dst的值设置为128。
17.所述步骤s3进一步包括：
18.平均差归一化，计算灰度图x’的平均差ad，ad＝sum(abs(x
’‑
avg_dst))/n，n为图片pixel的个数，计算归一化目标平均差ad_dst和当前平均差ad的比值，ratio_ad＝ad_
dst/ad，x”＝(x
’‑
avg_dst)*ratio_ad avg_dst，此时灰度图x”的均值为avg_dst，平均差为ad_dst。
19.设置目标平均差ad_dst＝30。
20.所述方法假设图片是否模糊和图片的亮度、色度没有关系。
21.由此，本技术的优势在于：
22.本发明的方法忽略与检测结果不相关的图片属性，使得训练数据更具有代表性，比如人的身高和体重具有相关性，但是和国籍无关，因此训练数据并不需要说明样本的国籍。此时只需要专注训练集身高样本是否完备(各种不同的身高都有)，而无需关注训练集是否各个国家的人都有。
附图说明
23.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，并不构成对本发明的限定。
24.图1本发明的方法流程图。
25.图2(a)是本技术实施例的原图。
26.图2(b)是本技术实施例的原图的灰度图。
27.图2(c)是本技术实施例均值128的灰度图，设置目标平均差ad_dst＝30。
28.图2(d)是本技术实施例亮度平均差为30，均值为128的灰度图。
具体实施方式
29.为了能够更清楚地理解本发明的技术内容及优点，现结合附图对本发明进行进一步的详细说明。
30.如图1所示，本发明涉及一种模糊检测神经网络训练图片预处理方法，所述方法包括：
31.s1，将图片转换为灰度图；
32.s2，设置模糊检测图片的亮度平均值，作均值归一化处理；
33.s3，设置模糊检测图片的平均差，作平均差归一化处理；
34.s4，将灰度图x”作为神经网络的训练样本，进行训练，检测时，对待检测图片作同样的归一化预处理，即使用均值归一化和平均差归一化的方法，得到新的图片，将新的图片使用神经网络在预测模糊结果。
35.步骤s1-s3描述了图片归一化的预处理方法，训练和检测使用相同的预处理，不会影响模糊检测效果，步骤s1-s3的数据预处理，提升步骤s4模糊检测网络的准确率和泛化能力。
36.具体地，本发明的实施例为：
37.1、本技术设定图片是否模糊和图片的亮度、色度没有关系，所以将图片转换为灰度图，且对图片亮度的平均值和平均差做归一化处理。
38.2、图片预处理流程如下，将图片转换为灰度图。均值归一化，计算图片灰度图的均值avg_src，计算归一化目标均值avg_dst(例如这个值设置为128)和均值avg_src的比值，ratio_avg＝avg_dst/avg_src，灰度图x乘以ratio_avg，得到均值为目标均值的灰度图x’。
39.3、平均差归一化，计算灰度图x’的平均差ad(average deviation)，ad＝sum(abs(x
’‑
avg_dst))/n，n为图片pixel的个数，计算归一化目标平均差ad_dst和当前平均差ad的比值，ratio_ad＝ad_dst/ad，x”＝(x
’‑
avg_dst)*ratio_ad avg_dst，此时灰度图x”的均值为avg_dst，平均差为ad_dst。
40.4、将灰度图x”作为神经网络的训练样本，进行训练，检测时，对待检测图片作同样的归一化预处理，即使用均值归一化和平均差归一化的方法，得到新的图片，将新的图片使用神经网络在预测模糊结果。
41.进一步地，如图2(a)-图2(d)所示，图2(a)为原图，图2(b)为原图的灰度图，设置目标均值avg_dst＝128，图2(c)为均值128的灰度图，设置目标平均差ad_dst＝30，图2(d)为平均差为30，均值为128的灰度图。其中，图2(c)的均值是128，平均差48，不等于30，需要将平均差归一化到30，图2(d)的均值是128，平均差是30，是最终归一化图片。图2(b)和图2(c)的亮度平均亮度不一样，亮度均值归一化后，图2(c)的亮度均值为128，因此如果图(b)均值亮度小于128，图2(c)比图2(b)亮，反之会变暗，此实例中图2(c)比图2(b)整体更亮。图2(c)和图2(d)的亮度平均差不一样，图2(d)归一化到30，如果图2(c)的平均差小于30，那么图2(d)的对比度将更大，即亮的地方会变得更亮，暗的地方会变得更暗，反之对比度变小，此实例中图2(d)比图2(c)对比度更小。
42.此外，在现有技术专利cn106203624b中也提到了归一化，但现有技术中的归一化方法与本技术中采用的方法并不一样，现有技术中的技术方案后续步骤有反归一化，本技术归一化后，并无反归一化，本技术中，不同的图片，可能归一化的结果是相同的，而现有技术中不同的图片，归一化的结果是不同的。且两者处理的目的不同，现有技术中归一化是为了量化处理做准备，本技术归一化的目的是让训练集数据具有更加广泛的代表性。
43.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。