2.1 引言

非聚焦模糊检测是一项重要的图像处理技术，它可以帮助我们分析和理解图像中不同区域的清晰度，从而实现更好的图像质量和视觉效果。非聚焦模糊检测方法根据所采用的图像特征，一般可以分为两大类：基于手工特征的方法和基于深度学习特征的方法。前者利用低水平的非聚焦模糊线索，如梯度和频率。基于梯度的方法 ^[1-6] 利用模糊会直接抑制图像梯度这一特点，即清晰区域中的梯度分布倾向于包含更多的重尾分量。从频率的角度来看 ^[7-12] ，模糊会衰减高频成分。这些方法在简单的非聚焦模糊检测场景中通常是有效的，但是它们难以处理以下有挑战性的情况：缺乏结构信息的同质区域和包含背景杂波的低对比度的聚焦区域。图2.1.1（a）所示的矩形区域就是一个例子，图2.1.1（b）所示为放大的矩形区域。基于手工特征的方法不能有效地捕捉聚焦的平滑区域中隐藏的语义上下文，导致在同质聚焦区域中产生错误的检测结果[见图2.1.1（d）中的边框]。这些方法也难以检测低对比度的聚焦区域，因为它们只考虑了对局部特征的测量，而没有利用全局的语义信息。

DCNN已经在各种计算机视觉任务中显示出优于传统手工特征的性能，如实例分割 ^[13] 、图像分类 ^[14] 、图像去噪 ^[15] 、图像超分辨率 ^[16] 、显著性检测 ^[17-18] 和对象跟踪 ^[19-20] 。XU等人 ^[12] 提出了一种基于卷积神经网络的块级方法来解决非聚焦模糊检测问题。然而，这种方法不能准确地区分低对比度聚焦区域并抑制背景杂波[见图2.1.1（e）中的边框]，因为它们通过多级空间池化和卷积层对初始图像块进行逐步下采样，导致大部分精细图像的结构丢失。

本章致力于研究图像非聚焦模糊与多尺度变化的密切关系，以及从多尺度学习的角度解决上述问题的方法。非聚焦模糊与多尺度变化的关系，即在同一张图像中，不同尺度的区域可能存在不同程度的模糊，其模糊程度随尺度的增大而增大。对于不同尺度的非聚焦模糊，需要以不同的分辨率和判别标准来检测，这就需要利用多尺度特征学习的技术，从不同尺度的非聚焦模糊图像中提取有用的信息，包括细节、纹理、上下文等，从而有效解决两种高难度场景的模糊检测。具体而言，这两种场景分别是低对比度区域的非聚焦模糊和同质区域的非聚焦模糊。本章聚焦于这两种场景的模糊检测，探讨在多尺度学习的框架下如何提高模型的性能，并通过残差学习和协助策略优化特征融合，以实现对精准非聚焦模糊的检测。本章通过下面3节分别论述并总结多尺度图像非聚焦模糊检测模型。

2.2节提出级联映射残差学习网络 ^[21] ，首先通过全卷积神经网络级联映射的结构来学习多尺度的非聚焦模糊特征，然后设计一种新的融合和循环重建网络，以提高模型对于不同尺度区域的特征提取和融合。2.3节提出图像尺度对称协作网络 ^[22] ，以对称地从大到小和由小到大的变换形式融合多尺度信息，通过分层特征集成和双向传递机制沟通不同图像尺度的级联网络，实现对缺乏结构信息的同质区域和低对比度的聚焦区域的精准去模糊。2.4节将对上述方法进行总结，给出方法的核心思想及启示，说明方法的适用场景和实际应用场景。 MGfXIpR2cJySSs8h/SVd2CAPASt/hIHiDeF5PlMvLxTD/WdTAxSDdh7mrBX028k9