深度學習下的卷積神經網絡圖像清晰度識別分析

孫明輝

（貝葉斯電子科技有限公司，浙江 紹興 312000）

0 引言

由于時代的持續性發展，圖像作為一種信息傳播介質逐漸發揮著愈發重要的信息交流作用。但是圖像在采集、傳輸等期間，極易出現一些失真問題，造成圖像信息無法精準地表達。在圖像清晰度識別方面，傳統的應用技術一般是利用提取圖像特征等方法給予識別與評估。由于圖像特征的提取具備較強的復雜性，特別是對高維圖像、背景復雜圖像等來說，在提取其數據特征等方面存在一定的偏差。一些學者通過對失真圖像展開研究，發現需要對其中提取的圖像特征進行區別整合。例如：一些學者通過提取圖像中的均方誤差、峰值信噪比、圖像亮度、對比性等參數，將其認定是支持向量機的輸入參數，接下來對其實施模型建設與評估。還有一些學者利用離散余弦調整區域內的頻率系數進行特征統計、峰度值、顏色飽和度等分析，然后將其當作是支持向量機輸入參數，由此能夠確定圖像的模糊比。還有一些學者認為，需要通過分析空間對比與結構分布等IQA方法進行圖像識別度分析，然后確定圖像的灰度波動圖，并創建與原圖空間結構信息變化相吻合的矩陣，接下來通過支持向量回歸法實施模型訓練，由此能夠實現識別目的。部分學者認為，按照諧波均值的匯總方法評估FR-IQA的最終質量分值，由此來區分圖像的清晰度。盡管通過提取圖像特征能夠獲得比較清晰的圖像識別信息，但是必須要通過一系列復雜的預處理過程，方可獲得較高圖像的清晰度，同時圖像的特征提取也是非常繁瑣的。因為特征提取的難度非常大，對此，這種方法的通用性并不強。

結合以上方法的分析與研究來看，通過卷積神經網絡給予識別分析，將整合到的圖像混合到各個程度的高斯造影中，創建Caffe框架結合GoogLeNet網絡模型，然后把存在造影與清晰的原圖直接當作輸入參數，接下來利用卷積神經網絡對其實施模型創建，即可獲得相應的分析結果。整個處理構成非常精簡、直接、高效，通過大量的實驗能夠驗證了這一技術的精準性、有效性等，而且能夠直接取消繁瑣圖像特征的預處理過程。對此，在圖像信息處理方面存在較強的實踐應用價值。接下來通過實驗分析法對這一技術的實際應用流程展開整理與分析。

1 實驗數據處理

實驗數據來自于某高速公路若干個卡口的高清圖像，攝像頭整合到的圖像一般覆蓋了不同的時間段，對此，數據覆蓋的信息量是非常大的，而且還存在一些復雜的干擾因素（例如：在不同的氣候或者環境下等），最初的數據僅僅是增添了程度不一的三類高斯噪聲，其方差各是0.01、0.07與0.3，由此能夠說明實驗研究方法的精準性、穩定性。實驗操作過程中對應的圖像總計是177340張（原圖和三類噪聲圖像各是44335張），在實施訓練操作的過程中，訓練集與評測集各是90%與10%。

2 識別原理

2.1 caffe框架

caffe框架是由伯克利人工智能研究小組和伯克利視覺和學習中心開發的，這是一個具有可讀性同時內容清晰、完整的深度學習開源框架，其通常對應的是C++語言編寫，能夠兼容命令行、Python與Matlab接口，其對應的內部構件有五個，即：Solver、Net、Laver、Blob、Proto等。①對于Solver模塊來說，其包括兩大構成元素，即：訓練網絡與評測網絡，其功能是對深度網絡模型實施訓練指導，這也屬于實驗數據處理的一個重要構成元素。值得注意的是，這一組件一般是用于對深度網絡模型的創建與訓練，必然會對最終的實驗效果帶來一定的影響，這種情況通常能夠引起大部分實驗者的關注。②對于Net模塊來說，其一般是對模型內的函數實施計算，然后通過不同系列層組合而成，對應的是五環計算圖，若要確保前向迭代與逆向迭代的精準性，需要保留計算圖內全部的中間值。比如：一個最具有代表性的Net模型一般是由磁盤中加載數據進行推進的，由完成計算分類和重構目標函數的任務這一過程開始，能夠在這一模塊中發揮整體運輸等功能。③Layer模型屬于創建框架體系的一個重要的網絡基礎，并且也屬于模型組成單元中一個規模非常小的計算單元，其功能有兩個：計算模型內的本質特征，明確具體的落實任務。在進行信號輸入或輸出的過程中，一般是通過“Input Blob或Output BLOB”等給予闡釋。④對于Blob模塊來說，其屬于框架的一個存續結構，一般是用來負責對數據處理形成的具體數據實施封存，也能夠存儲一個無限維數的矩陣，一般來說，則能夠對其中的高維數據實施便捷化處理。⑤對于Proto模塊來說，其一般是按照框架內對其中的一些結構進行讀取、存取等功能，由此能夠實現數據的轉換，并進一步明確用戶定義數據格式的具體參考標準，能夠在不同語言系統中對不同的對象進行序列化處理。

2.2 卷積神經網絡

一開始的卷積神經網絡的應用是為了辨別二維圖像形狀，其對應的是不同的感知器，能夠發揮自主學習等特點，而且還能夠自行處理相關數據，具備非常強的容錯性，其權值共享和局部連接的網絡結構與生物神經網絡存在一定的類同性，能夠大大減少網絡模型的繁瑣度，并且也能夠降低權值數量。基于此，它通常是在上世紀末期得到深入性地運用，因為在那個年代中，計算機技術的發展速度相對滯緩，并未與時代發展同步（缺乏訓練數據，并且計算過程繁瑣等），但是若要通過深層次的神經網絡進行相關模型提煉，則存在一定的難度。不過，若有通過深層次的神經網絡系統中獲得相關模型，也是比較困難的一件事情，對此，對其展開深入性地研究困難重重。這些年來，因為計算機對應的一些技術得到廣泛發展，且應用范圍在不斷擴大，所以隨著硬件諸如CPU技術的持續升級，之前存在的一些無法解決的問題，能夠在目前技術應用下得到有效地解決與處理，讓卷積神經網絡在一些熱門的機器設備中發揮積極的推動作用，并且能夠大范圍地滲透到圖像處理范圍內，其常見的有兩種，即：卷積層與池化層。①卷積層是CNN和核心操作，主要作用是特征提取[1]，一般是包括若干個特征面，并且不同的特征面一般對應著若干個最小單元的神經元，其數量不一。神經元是一種相對獨特的輸出函數，其一般是利用卷積核和上一層特征面的局部區域對接，由此能夠對卷積操作獲得的輸出圖形特征進行提取，從而更完整地捕捉到相關圖像的識別信息。另外，卷積層輸入通常代表著一個三維數據。另外，對于卷積層的參數來說，又稱作為矩陣或卷積核，通常是按照隨機梯度下降更新的方式對其中的參數進行調整。②池化包括最大池化和平均池化[2]，一般是指對卷積層輸出特征實施操控與處理，由于輸入的是一些存在完整性的圖像，涉及到一些不重要的次特征，對此，通過池化處理能夠確定主特征，由此能夠增強特征局部的不穩定性，并且能夠大大提升計算速度，其一般是對不同區域中用來運算這一區域中特征的中間值或最大值進行整合[3]，然后實施個性化的訓練與指導，由此能夠創建一個訓練模型。由此來看，池化層代表著對不同特征圖進行單獨操作與設計，同時還需要輸入一個相應的特征圖。如果認定池化范圍已經確定的話，那么其對應的輸入特征圖，需要提取其中一些小圖，并確定子圖的最大值，或者用來確定子圖的中間值，由此能夠將其認定是一個輸出值。在進行簽證的過程中，通常能夠將其認定是最大化池化，后者代表著均值池化。在創建池化層的過程中，其功能一般是用來減少特征圖的分辨率，同時能夠縮減其計算規模，由此能夠大大提升網絡的魯棒性能[4-6]。

3 實驗結果與分析

如果把混入高斯噪聲之后的圖像數據集一并地上傳至實驗系統中，即可創建最終的訓練模型，然后把數據集中的10%（各類對應4433張圖片）認定是驗證集，然后對其驗證處理，最后即可獲得實驗結果。

由此來看，如果是在GoogLeNet網絡模型的作用下創建的預測模型，那么其對應的輸出結果通常能夠滲透到混淆矩陣中，它一般是用來呈現模型分類的一個正確數與錯誤數，通過矩陣分析能夠發現：對含有混合高斯噪聲方差是0.01的圖片，在對其進行識別分析的過程中，僅有一張識別錯誤，精準性突破99.98%，對于原圖像的識別率來說，精準率是99.62%，其對應了17張圖片識別錯誤；對應噪聲方差是0.07的識別率，通常也僅有99.59%；對應的噪聲方差是0.3，其識別率盡管是非常小的，但是一般能夠突破96.38%，盡管整體的識別率非常小，大概是6.38%，但是其中某一張的識別率是極高的。通過這一數據能夠發現：對于這種圖像信息提取方法來說，其對于圖像清晰度的識別效果是非常明顯的，由此能夠直接說明這種評估方面具備較強的可行性與有效性。

4 結語

隨著科學技術的持續性發展，網絡技術實現飛躍升級，圖像與社會中各個行業的信息傳遞有著很大的相關性。在海量數據整合、分析等背景下，對其實施圖像識別則是目前大數據下的研究熱點，并且也對圖像特征信號提出極大的要求。現今，考慮到圖像信息存在一定的繁瑣性，而且對應的一些運算技術存在一定的局限性。所以，在圖像識別層面來看，識別精度與性能提升已經是目前研究工作的一個重難點。其對應的主流技術比較多。不同學者通過長期的研究發現：在運用深度學習技術之后，其在圖像清晰度識別方面的應用是愈加廣泛與深入。通過自然語言處理、語言個性化識別等，能夠獲得不錯的研究成效。對此在本文的研究中，筆者以深度研究發現探討卷積神經網絡圖像清晰度識別的具體應用策略。根據圖像清晰度的識別分析，我們能夠發現：在通過不同提取方法展開研究的過程中，其能夠直接識別出程度不一的噪聲圖像。那么與一些傳統的操作技術進行對比，一般需要把原始圖像對其展開預處理，例如：提取圖像的部分特征等進行操作處理，把提取到的一些特征認定是支持向量機的輸入參數，在對其進行訓練模型分類的過程中，還需要創建相應的模型，同時還需要創建一個固定閾值，由此能夠確定圖像的清晰度。這種提取方法具備的優勢是非常突出的，那就是無需對圖像實施預處理，即可獲得相關信息的提取特征。另外，也能夠直接把圖像認定是輸入參數，借助于卷積神經網絡對其實施深度分析，由此能夠創建訓練模型，接下來還需要將驗證集的圖像輸入至模型內，對其進行驗證分析，最后能夠確定最終的實驗信息。根據此次的實驗驗證結果能夠發現：這一方法在識別圖像清晰度方面是非常高的，其精準率能夠突破99.98%，也就是說，針對這一類圖像的清晰度來說，其存在一定的類同性，通常能夠給予直接識別與分析。這種方法的應用能夠避免圖像在傳遞、采集等過程中受到噪聲等因素的干擾，而且也能夠確保圖像信息能夠更加完整、清晰地呈現出相應的圖像內容，以便于進行前端設備監測，確保工作人員能夠動態地掌握設備的運行狀態。

總而言之，卷積神經網絡是一種用來模仿人體神經組織的模型結構，它的內部組成包括兩大部分：卷積層與池化層。同時，在具體應用的過程中，必須要明確上下級的層級規則，而且還需要確定周圍神經組織之間的銜接性，由此能夠確保不同層級之間的強約束力，并使其維持一定的關聯性。通過深度學習理念在圖像分類、清晰度等識別中的靈活應用，能夠體現出目前大數據的應用價值，而且也是目前機器領域智能化研究的一個重要熱點，為了能給更加清晰、完整、高效地實現圖形分類、圖像信息識別等帶來可能。在本文的研究中，必須通過模型訓練，然后借助于深度分析法分析建構模型的網絡參數與特征信號，最后發現，在算法性能、識別精準性等方面得到明顯提升，由此來看，這一應用方法具備一定的推廣與實踐價值。當然，在本文的研究中，也存在一些遺憾的地方，那就是在訓練環節耗用的資源比較多，希望在今后的研究中能夠繼續優化和完善。