发明名称 | 一种基于深度学的图片背景清晰度检测方法 | ||
摘要 | 本发明公开了一种基于深度学的图片背景清晰度检测方法,该方法是利用卷积神经网络(CNN)进行特征提取,利用CNN提取的特征有效地将图片按照其背景清晰程度进行分类;同时利用迁移学的方法,用拥有大量已知标记的ImageNet图片集进行预训练,解决了样本图片集中已知背景清晰度值图片较少的缺陷,从而获得较好的CNN参数;进一步利用少量的已知背景清晰度值的样本图片,对参数进行调整,使CNN参数适应待检测图片集;得到调整好的CNN参数就可以进行待检测图片的背景清晰度检测。本发明的检测方法,使得背景清晰度检测能够达到高度的精确性。 | ||
申请公布号 | CN105825511A | 申请公布日期 | 2016.08.03 |
申请号 | CN201610155947.9 | 申请日期 | 2016.03.18 |
申请人 | 南京邮电大学 | 发明人 | 胡海峰;韩硕;吴建盛 |
分类号 | G06T7/00(2006.01)I | 主分类号 | G06T7/00(2006.01)I |
代理机构 | 南京经纬专利商标代理有限公司 32200 | 代理人 | 许方 |
主权项 | 一种基于深度学习的图片背景清晰度检测方法,其特征在于,包括如下步骤:步骤1,将图片库ImageNet中已知标记的图片以及未在图片库ImageNet中但已知背景清晰度值的样本图片,均转换成像素为256*256的灰度图片;步骤2,对图片库ImageNet中转换后的灰度图片进行预训练,利用卷积神经网络提取所有灰度图片的特征并进行分类,计算损失函数,用随机梯度下降法调整卷积参数,使函数损失在预定范围内,得到初步调整后的卷积参数;步骤3,对未在图片库ImageNet中但已知背景清晰度值的样本图片转换后的灰度图片,基于步骤2初步调整后的卷积参数,利用卷积神经网络提取特征并进行分类,得到其清晰度值,与实际清晰度值作对比,计算损失函数,用随机梯度下降法继续调整卷积参数,使函数损失在预定范围内,得到最终调整后的卷积参数;步骤4,将待检测清晰度的图片转换成像素为256*256的灰度图片,基于步骤3最终调整后的卷积参数,利用卷积神经网络提取特征并进行分类,得到待检测清晰度图片的清晰度值。 | ||
地址 | 210003 江苏省南京市鼓楼区新模范马路66号 |