基于深度学习的卷积神经网络图像清晰度识别研究

杨琳

摘要：人们在进行信息传递活动时需依靠图像这一介质，然而图像的信息采集环节与传递环节有很高几率出现失真情况，让图像内容存在不完整、不具体、不清晰和不真实问题。近年来，卷积神经网络的图像识别技术获得广阔应用空间，有利于图像清晰度的识别工作开展。本文分析了深度学习基础上的卷积神经网络图像清晰度识别，以望借鉴。

关键词：深度学习；卷积神经；网络图像

引言：在互联网技术快速发展背景下，以往图像清晰度识别技术应提取图像特点，给技术人员工作带来很大难度，同时让识别效果大打折扣，已不能和时代发展步伐相符。在卷积神经网络及深度学习影响下，人们能在不对图像特征进行提取前提下达到精准识别图像清晰度目的，让图像清晰度识别效果得到明显提升。

一、实验数据的处理过程

本文所用实验数据是公路多个卡口的图像，由摄像头整合的图像能对多个时间段进行覆盖，数据背后信息量很大，同时拥有很多干扰因素。在实验中，相关人员对三种高斯噪声进行添加，各种噪声在程度上有所区别，方差除0.01与0.07外，还有0.3，此情况可对实验研究办法准确程度与稳定程度进行显示。实验操作环节所用图像张数达到177340，原图图像为44335张，各种噪声图像同样为44335张。就进行训练操作环节来说，训练集占到90%，评测集占据另外10%[1]。

二、识别的原理分析

（一）caffe框架介绍

Caffe框架这一深度学习开源框架拥有可读性，而且内容非常清晰和完整，编写语言为C++，不仅可以对命令行和Matlab接口进行兼容，还可兼容Python，内部构件除Solver构件与Net构件外，还有Layer构件、Blob构件和Proto构件。

1.Solver模块

就Solver模块而言，其组成元素除训练网络元素外，还有评测网络元素，此模块可训练和指导深度网络模型，在实验数据处理中发挥重要作用。此组件同样能够应用至深度网络模型创建和深度网络模型训练环节，能够影响实验结果，相关实验人员需要对此引起重视。

2.Net模块

就Net模块而言，此模块通常需要计算模型中的函数，之后利用各种系列层组合，出于保证前向迭代准确程度和逆向迭代准确程度目的，应对图中所有中间值进行保留计算。举例说明，标准Net模型通常需要利用磁盘加载数据来推进，将做好计算分类任务以及对目标函数进行重构当作起点，可以通过Net模块让总体运输作用得到充分发挥。

3.Layer模型

对创造框架体系工作来说，Layer模型是关键网络基础，同时是模型组成单元计算单元。Layer模型功能除对模型本质特点进行计算外，还有对详细落实任务进行确定。就信号输入环节或者信号输出环节来说，通常利用Input Blob/Output Blob来表示。

4.Blob模块

在Blob模块中，此模块为框架存续结构，需要封存数据处理环节的详细数据，还可对无限维数矩阵进行存储，此模块可以便捷地处理高维数据。

5.Proto模块

在Proto模块中，需要依据框架读取结构和存取结构，以达到数据转换目的，可确定定义数据格式实际参考要求，可通过多个语言系统序列处理多个对象。

（二）卷积神经网络分析

使用卷积神经网络初始目的是对二维图像的形状进行辨别，指代多种感知器，可让自主学习特征得到发挥，亦可对有关数据进行自主处理，容错性很高，权值共享网络结构、局部连接网络结构及生物神经网络具有类同性，可让网络模型复杂程度有所减少，让权值数下降。过去计算机技术不像现在发展很快，没有和时代的发展处在同一步调，借助深层神经网络开展模型提炼会比较困难，无法深层次研究卷积神经网络。在新时代背景下，计算机技术发展速度逐渐加快，能够应用至很多领域，伴随CPU技术不断升级，以往不能解决的难题可以在应用最新技术之后获得圆满解决，在深度学习基础上，卷积神经网络能够在重要机器设备内部起到促进效果，还可以广泛渗透至图像处理领域。卷积神经网络的构成部分除了卷积层外，还有池化层，具体内容如下：

第一，卷积层即CNN及核心操作，可以起到特征提取效果。卷积层具有许多特征面，各特征面能够和多个小单元神经元相对应，神经元在数量上并不一致。神经元这一输出函数比较特别，能够通过卷积核进行对接，对接对象是上层特征面局部部位，可达到提取卷积工作所得输出图形特征目的，能对图像识别信息进行完全捕捉。卷积层输入表示三维数据，就卷积层参数而言，其别称是矩阵/卷积核，会依据随机梯度下降更新形式来调整参数。

第二，池化除了最大池化外，还有平均池化。池化即依据卷积层输出特点开展操控工作和处理工作，因为所输入图像具有完整特点，会和部分此特征相关，此特征往往重要性不足，针对此种情况，借助池化处理方式可以对主特征进行明确，从而让特征局部不稳定程度得到加强，还可以让计算速度得到明显提高，池化处理能够整合中间值或者最大值，之后开始进行个性化训练和个性化指导，以实现对指定训练模型进行创建目标。能够发现，池化层表示独立操作各个特征图和独立设计各个特征图，而且应该对对应特征图进行输入。假如判断池化的范围得到明确，对相应输入特征图来说，应该对部分小图进行提取，还要对子图最大值进行明确，或对子图中间值进行明确，从而可以把子图中间值当作指定输出值。就开展签证工作的环节来说，一般可以把最大值判断为最大池池化，把中间值表示为均值池化。就池化层创造环节而言，作用是让特征图分辨率有所降低，而且可以让特征图计算规模得到缩减，通过这样的方式让卷积神经网络的清晰度识别效果明显提高。

三、实验的结果

对混合了高斯噪声的图像数据集来说，假如将其同步上传到实验系统，就能够对终极训练模型进行创造，把数据集10%当作验证集，完成验证处理操作，能够得到实验的结果。能够发现，假如基于GooLeNet网络模型对预测模型进行创建，相应输出结果可以渗透至混淆矩阵，通常能对模型分类正确数及模型分类错误数进行展现，借助矩阵分析可看出以下现象：如果图片混入高斯噪声，且分差为0.01，那么图像识别分析环节只能找到一张未能正确识别的图片，识别准确性大于99.98%，就原本图像识别率而言，识别准确率达到99.62%，未能正确识别的图片张数为17。如果噪声方差为0.07，识别率一般达到99.59%。如果噪声方差为0.3，此种情况的识别率较低，通常可以超过96.38%，即使总体识别率较小，只达到6.38%标准，然而单一图片识别率非常高。总而言之，卷积神经网络的图像识别技术能够在识别图像清晰程度方面发挥显著效果，证明此方法可行性很高，而且效果令人满意[2]。

结束语：卷积神经网络的图像识别技术能对图像的参数进行输入，借助卷积神经网络和深度学习背景得到训练模型，最终通过训练模型完成图像信息验证工作，得到实验结果。依据实验结果，清晰度识别率超过99.98%。借助卷积神经网络的图像识别技术应用价值很高，可以达到精准识别多个图像清晰度目的。

参考文献：

[1]孙明辉.深度学习下的卷积神经网络图像清晰度识别分析[J].电子元器件与信息技术,2022,6(02):170-172.

[2]王灿芳.基于Jetson Nano的智能显微镜成像与图像识别的研究[D].天津职业技术师范大学,2021.