CN102289806B - 一种利用多尺度形态学特征的图像清晰度度量方法 - Google Patents

Abstract

本发明涉及一种利用多尺度形态学特征的图像清晰度度量方法，它包括以下步骤：一：利用高帽变换通过多尺度结构元素分别提取图像的多尺度亮特征和暗特征；二：利用提取的多尺度亮特征和暗特征计算综合多尺度特征的最终亮特征和暗特征；三：通过最大值运算由最终亮特征和暗特征得到用于清晰度计算的最终多尺度特征；四：计算最终多尺度特征的灰度均值，并将之作为图像清晰度的度量。本发明不仅可以正确度量图像的清晰度，而且对清晰度的变化更为敏感，具有更好的清晰度分辨能力，本发明可以广泛应用于各类基于图像的应用系统，具有广阔的市场与应用价值。

Description

一种利用多尺度形态学特征的图像清晰度度量方法

技术领域

本发明涉及一种利用多尺度形态学特征的图像清晰度度量方法，属于数字图像处理领域，它主要涉及数学形态学和图像清晰度度量技术。并在各类基于图像的应用系统中有广阔的应用前景。

背景技术

清晰的图像是大量基于图像的应用的关键，尤其是在基于图像的自动化应用领域，图像清晰度的自动判断至关重要。一个有效的图像清晰度度量应该不仅能够正确地度量图像的清晰度，而且能够对图像清晰度的变化具有良好的分辨能力。为了能够有效地度量图像的清晰度，研究人员提出了各种图像清晰度度量。标准差是衡量图像灰度变化的重要指标，也可以用来衡量图像的清晰度。不过，标准差对图像清晰度的变化不敏感。基于熵的度量也被用于度量图像的清晰度。参见文献：白相志等，利用多尺度中心环绕高帽变换提取图像区域的红外与可见光图像融合，光学快讯，19卷，(2011)8444-8457。(Xiangzhi Bai，Fugen Zhou，BindangXue.Fusion of infrared and visual images through region extraction by using multi scalecenter-surround top-hat transform.Optics Express 19(2011)8444-8457)但是，其对图像清晰度的变化仍然不够敏感，而且图像大小对基于熵的度量也会产生影响。利用图像灰度的空间分布信息是构造图像清晰度度量的有效方法。线形模糊度是其中的一种度量，参见文献：莱锐等，基于红外图像增强的利用隐性直方图的量化度量，光学通讯，16(2)(2007)310-316。(RuiLai，Yin-tang Yang，Bing-jian Wang，Hui-xin Zhou，A quantitative measure based infrared imageenhancement algorithm using plateau histogram，Optics Commun.283(2010)4283-4288)但该度量同样对图像清晰度变化的响应不够灵敏。平均梯度，参见文献：王伟杰等，基于小波变换的图像融合方法，图像图形杂志，6(11)(2001)1130-1136。(Weijie Wang，Ping Tang，andChongguang Zhu，A Wavelet Transform Based Image Fusion Method，Journal of Image andGraphics 6(11)(2001)1130-1136)和空间分辨率，参见文献：埃斯兰塔斯等，变焦含噪声图像融合准则比较，光学通讯，282(2009)3231-3242。(V.Aslantas and R.Kurban，A comparison ofcriterion functions for fusion of multi-focus noisy images，Optics Communications 282(2009)3231-3242)是两个有效的图像清晰度度量。但是，这两种度量不能很好利用低对比度的图像梯度信息，使得其对图像清晰度的变化不够敏感。

事实上，清晰的图像通常包含丰富的图像细节信息，这些细节信息是图像清晰度度量的重要可用特征。合理地提取这些重要的图像特征是构造有效图像清晰度度量的关键。而形态学的高帽变换是提取图像特征的重要工具，可有效提取图像中的有用特征，参见文献：塞瓦等，图像分析与数学形态学，科学出版社，纽约，1982。(J.Serra，Image Analysis and MathematicalMorphology，Academic Press，New York，1982)同时，通过利用多尺度理论，参见文献：杰克维等，多尺度形态学膨胀腐蚀的尺度空间特性，美国电子电气工程师协会模式分析与机器智能汇刊，18(1996)38-51。(P.Jackway，M.Deriche，Scale-space properties of the multiscalemorphological dilation-erosion，IEEE Transactions on Pattern Analysis and Machine Intelligence18(1996)38-51)形态学高帽变换可以提取图像中的多尺度信息。合理利用这些多尺度信息不仅可以构造有效的图像清晰度度量，而且能够提高清晰度度量对图像清晰度变化的分辨能力。为了构造更加有效的图像清晰度度量并提高其对图像清晰度变化的分辨能力，基于形态学多尺度高帽变换，本发明提出了一种利用多尺度形态学特征的图像清晰度度量方法。

发明内容

图像清晰度度量是基于图像的各种应用中的重要关键技术，虽然现有的各种度量方法比较有效，但现有的度量方法对图像清晰度的变化不够敏感，其对图像清晰度变化的分辨能力还不够好，不能被有效应用于对清晰度要求较高的场合，如显微镜自动聚焦、图像增强与融和效果的自动判定等。

为了解决上述问题并弥补传统方法的不足，本发明提出了一种利用多尺度形态学特征的图像清晰度度量方法。本发明的技术方案如下，首先，利用高帽变换通过多尺度结构元素分别提取图像的多尺度亮特征和暗特征；然后，利用提取的多尺度亮特征和暗特征计算综合多尺度特征的最终亮特征和暗特征；其次，通过最大值运算由最终亮特征和暗特征得到用于清晰度计算的最终多尺度特征；最后，计算最终多尺度特征的灰度均值，并将之作为图像清晰度的度量。

本发明一种利用多尺度形态学特征的图像清晰度度量方法，它包含以下具体步骤：

步骤一：提取多尺度亮、暗特征

设用于特征提取的尺度数为n，则有n个尺度的结构元素B₁，B₂，...，B_n参与计算，

1≤i≤n。利用高帽变换提取每个尺度i(1≤i≤n)下原始图像f中的多尺度亮区域(WF_i)和暗区域(BF_i)如下：

WF_i(x，y)＝f(x，y)-f○B_i(x，y)，

BF_i(x，y)＝f●B_i(x，y)-f(x，y)。

其中，

○，●，

和

分别为形态学开、闭、膨胀和腐蚀运算符号；(x，y)和(u，v)分别为图像f和结构元素B的像素坐标。

步骤二：计算综合多尺度特征的最终亮特征和暗特征

按下式计算综合所有n尺度特征的最终亮特征(FWF)和暗特征(FBF)：

$\mathrm{FWF}=\underset{0\≤i\≤n}{\max }\left\{{\mathrm{WF}}_i\right\},$

$\mathrm{FBF}=\underset{0\≤i\≤n}{\max }\left\{{\mathrm{BF}}_i\right\}.$

步骤三：计算最终多尺度特征

按下式通过最大值运算由最终亮特征(FWF)和暗特征(FBF)获取用于清晰度度量的最终多尺度特征(FIF)：

FIF＝max{FWF，FBF}。

步骤四：计算清晰度度量

按下式将最终多尺度特征(FIF)的均值作为图像的清晰度度量(MCM)：

$\mathrm{MCM}=\underset{x,y}{\mathrm{mean}}\left\{\mathrm{FIF}\right\}.$

本发明的优点及功效在于：本发明利用多尺度高帽变换有效提取图像中的多尺度特征，为构造更好的清晰度度量提供了更多的可用信息；通过合理组合多尺度特征并利用其最终特征的均值作为度量值可以有效利用提取的多尺度特征中的有用信息。因此，由于本发明可以有效提取更多有用信息并合理利用这些有用信息，本发明提出的图像清晰度度量方法不仅可以正确度量图像的清晰度，而且具有更好的清晰度分辨能力，可广泛应用于各类基于图像的应用系统，具有广阔的市场前景与应用价值。

附图说明

图1为本发明利用多尺度形态学特征的图像清晰度度量方法的原理框图。

图2是在标准图像上验证本发明效果的实验结果。

图3是各种清晰度度量方法的清晰度分辨能力比较图。

具体实施方式

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。本发明的原理框图如图1所示，本发明的具体实施细节如下：

步骤一：提取多尺度亮、暗特征

一幅清晰的图像通常包括大量的重要图像细节特征，也就是说图像中包含的有用特征是度量图像清晰度的重要可用信息。而高帽变换是提取图像特征的重要数学工具，能够有效提取图像中的有用特征尤其是细节特征。因此，基于高帽变换，可有效提取图像特征用于图像清晰度的构造。

高帽变换可提取图像中与所用结构元素对应的图像特征。为了尽量多地提取图像中包含的可用信息，需要使用多尺度结构元素。

设用于特征提取的尺度数为n，则有n个尺度的结构元素B₁，B₂，...，B_n参与计算，

1≤i≤n。利用高帽变换提取每个尺度i(1≤i≤n)下原始图像f中的多尺度亮区域(WF_i)和暗区域(BF_i)如下：

WF_i(x，y)＝f(x，y)-f○B_i(x，y)，

BF_i(x，y)＝f●B_i(x，y)-f(x，y)。

其中，

○，●，和

分别为形态学开、闭、膨胀和腐蚀运算符号；(x，y)和(u，v)分别为图像f和结构元素B的像素坐标。结构元素B为扁平结构元素，形状为方形，所用尺度数n为3。

步骤二：计算综合多尺度特征的最终亮特征和暗特征

高帽变换中提取到的特征图像中特征区域的灰度值通常大于其它区域。因此，综合所有尺度下的图像特征可通过取所有尺度特征图像上对应像素的最大值来实现。即，可按下式计算综合所有n尺度特征的最终亮特征(FWF)和暗特征(FBF)图像：

$\mathrm{FWF}=\underset{0\≤i\≤n}{\max }\left\{{\mathrm{WF}}_i\right\},$

$\mathrm{FBF}=\underset{0\≤i\≤n}{\max }\left\{{\mathrm{BF}}_i\right\}.$

步骤三：计算最终多尺度特征

最终获取的亮特征(FWF)和暗特征(FBF)图像中特征区域的灰度值较大。因此，可通过最大值运算来综合最终的亮特征(FWF)和暗特征(FBF)图像从而得到最终的多尺度特征图像。即，可按下式通过取对应像素的最大值由最终亮特征(FWF)和暗特征(FBF)图像获取用于清晰度度量的最终多尺度特征(FIF)图像：

FIF＝max{FWF，FBF}。

步骤四：计算清晰度度量

图像中包含的有用特征越多，图像越清晰。即，可用图像中包含的特征的多少来衡量图像的清晰度。因此，可直接通过计算提取的最终多尺度特征(FIF)图像的平均值来衡量图像的清晰度。即，可按下式将最终多尺度特征(FIF)的均值作为图像的清晰度度量(MCM)：

$\mathrm{MCM}=\underset{x,y}{\mathrm{mean}}\left\{\mathrm{FIF}\right\}.$

为了展示本发明的效果，大量标准图像和矿物图像被用于本发明的图像清晰度计算并与现有的常用图像清晰度度量进行比较。图2是其中一幅图像的例子。图2是在标准莱娜图像上验证本发明效果的实验结果。其中所用的实验图像包括原始标准图像(第二列)、中值滤波后的图像(第三列)、二次中值滤波后的图像(第四列)、均值滤波后的图像(第五列)和二次均值滤波后的图像(第六列)。第二行为由标准差度量(STD)计算得到的各幅图像的清晰度值；第三行为由熵度量(E)计算得到的各幅图像的清晰度值；第四行为由平均梯度度量(MG)计算得到的各幅图像的清晰度值；第五行为由空间频率度量(SF)计算得到的各幅图像的清晰度值；第六行为由线性模糊度度量(LIF)计算得到的各幅图像的清晰度值；第七行为由本发明提出的度量(MCM)计算得到的各幅图像的清晰度值。原始图像比中值或均值滤波后的图像更加清晰，而且中值滤波后的结果图像比均值滤波后的结果图像清晰，从结果中可以看出，由各度量计算得到的度量值能够基本反映这种规律，本发明提出的MCM度量也可以正确的反应这种规律。因此，本发明提出的MCM度量可被用于正确度量图像的清晰度。更为重要的是，一个更好的图像清晰度度量应具有更好的图像清晰度分辨能力，即图像清晰度的变化可以引起度量值更大的变化。为了验证本发明提出的MCM度量良好的清晰度分辨能力，将由图2中各对应图像计算得到的各清晰度度量值的方差显示于图3，用于表示各种清晰度度量方法的清晰度分辨能力。从图3中可以看出，本发明提出的MCM度量的方差最大，也就是说同样的图像清晰度变化将引起MCM度量值的更大变化，这说明MCM的清晰度分辨能力更好。这些实验结果表明，本发明提出的MCM度量不仅能够正确度量图像的清晰度，而且具有更好的清晰度分辨能力。用于验证的图像有标准图像和来自于各种不同应用领域的图像，本发明的实验结果都非常有效，这充分说明本发明可广泛应用于各类基于图像的应用系统，具有广阔的市场前景与应用价值。

Claims (1)

1.一种利用多尺度形态学特征的图像清晰度度量方法，其特征在于：该方法包括以下具体步骤：

步骤一：提取多尺度亮、暗特征

设用于特征提取的尺度数为n，则有n个尺度的结构元素B₁,B₂,…,B_n参与计算，

1≤i≤n；利用高帽变换提取每个尺度i下原始图像f中的多尺度亮区域即WF_i和暗区域即BF_i如下：

WF_i(x,y)＝f(x,y)-foB_i(x，y)，

BF_i(x，y)＝f●B_i(x，y)-f(x,y)；

其中，

$f\⊕B=\underset{u,v}{\max }\left(f(x-u,y-v)\right),$

○，●，和

分别为形态学开、闭、膨胀和腐蚀运算符号；(x,y)和(u,v)分别为图像f和结构元素B的像素坐标；

步骤二：计算综合多尺度特征的最终亮特征和暗特征

按下式计算综合所有n尺度特征的最终亮特征即FWF和暗特征即FBF：

$\mathrm{FWF}=\underset{0\≤i\≤n}{\max }\left\{{\mathrm{WF}}_i\right\},$

$\mathrm{FBF}=\underset{0\≤i\≤n}{\max }\left\{{\mathrm{BF}}_i\right\};$

步骤三：计算最终多尺度特征

按下式通过最大值运算由最终亮特征即FWF和暗特征即FBF获取用于清晰度度量的最终多尺度特征即FIF：

FIF＝max{FWF,FBF}；

步骤四：计算清晰度度量

按下式将最终多尺度特征即FIF的均值作为图像的清晰度度量即MCM：

$\mathrm{MCM}=\underset{x,y}{\mathrm{mean}}\left\{\mathrm{FIF}\right\}\·$

Images