Blurry image discrimination is a challenging and critical problem in computer vision. It is useful for image restoration, object recognition, and other image applications. In previous studies, researchers proposed a discrimination method based on hand-extracted features or deep learning. However, these methods are either pure data driven by deep learning or over-simplified assumptions on prior knowledge. As a result, a discrimination method is proposed for distinguishing sharp images and blurry images based on a fusion network. The proposed method can automatically discriminate and detect blur without performing image restoration or blur kernel function estimation. Actually, the blur and the noise are extracted by the improved VGG16 network and texture noise extraction algorithm, respectively. Then the fusion network integrates the advantages of deep learning and hand-extracted features, and achieves ultimate high-accuracy discrimination results. Rigorous experiments performed on own dataset and other popular datasets with a number of blurry images and sharp images, including RealBlur dataset, BSD-B dataset, and GoPro dataset. The results show that the proposed method outperforms with an accuracy of 98% on our own dataset and 94.8% on the other dataset, which satisfies the requirements of the image applications. Similarly, we have compared our method with state-of-the-art methods to show its robustness and generalization ability.

中文翻译：

---

用于模糊识别的融合网络

模糊图像识别是计算机视觉中一个具有挑战性和关键性的问题。它对于图像恢复、对象识别和其他图像应用非常有用。在之前的研究中，研究人员提出了一种基于手工提取特征或深度学习的判别方法。然而，这些方法要么是由深度学习驱动的纯数据，要么是对先验知识的过度简化假设。因此，提出了一种基于融合网络区分清晰图像和模糊图像的判别方法。所提出的方法可以在不进行图像恢复或模糊核函数估计的情况下自动识别和检测模糊。实际上，模糊和噪声分别由改进的 VGG16 网络和纹理噪声提取算法提取。然后融合网络融合了深度学习和手工提取特征的优点，达到了极致的高精度判别结果。在自己的数据集和其他流行的数据集上进行了严格的实验，其中包含大量模糊图像和清晰图像，包括 RealBlur 数据集、BSD-B 数据集和 GoPro 数据集。结果表明，所提出的方法在我们自己的数据集上的准确率达到了 98%，在其他数据集上的准确率达到了 94.8%，满足了图像应用的要求。同样，我们将我们的方法与最先进的方法进行了比较，以展示其鲁棒性和泛化能力。在自己的数据集和其他流行的数据集上进行了严格的实验，其中包含大量模糊图像和清晰图像，包括 RealBlur 数据集、BSD-B 数据集和 GoPro 数据集。结果表明，所提出的方法在我们自己的数据集上的准确率达到了 98%，在其他数据集上的准确率达到了 94.8%，满足了图像应用的要求。同样，我们将我们的方法与最先进的方法进行了比较，以展示其鲁棒性和泛化能力。在自己的数据集和其他流行的数据集上进行了严格的实验，其中包含大量模糊图像和清晰图像，包括 RealBlur 数据集、BSD-B 数据集和 GoPro 数据集。结果表明，所提出的方法在我们自己的数据集上的准确率达到了 98%，在其他数据集上的准确率达到了 94.8%，满足了图像应用的要求。同样，我们将我们的方法与最先进的方法进行了比较，以展示其鲁棒性和泛化能力。