CN103065118A - 图像模糊检测方法和装置 - Google Patents
图像模糊检测方法和装置 Download PDFInfo
- Publication number
- CN103065118A CN103065118A CN2011103352386A CN201110335238A CN103065118A CN 103065118 A CN103065118 A CN 103065118A CN 2011103352386 A CN2011103352386 A CN 2011103352386A CN 201110335238 A CN201110335238 A CN 201110335238A CN 103065118 A CN103065118 A CN 103065118A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- zone
- input picture
- fuzzy characteristics
- image blurring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本申请公开了一种图像模糊检测方法和装置。所述图像模糊检测方法包括:将输入图像划分为从内向外逐个包围的多个区域;提取每个区域的模糊特征;组合所提取的模糊特征,以生成输入图像的全局模糊特征;以及根据输入图像的全局模糊特征对输入图像进行模糊分类。
Description
技术领域
本发明总体上涉及计算机视觉领域,更具体而言,涉及一种图像模糊检测方法和装置。
背景技术
图像模糊的类型主要有两种:聚焦模糊和运动模糊。聚焦模糊可以分为全部聚焦模糊和部分聚焦模糊;运动模糊可以分为全部运动模糊和部分运动模糊。对两种模糊类型而言,全部模糊,即整幅图像中绝大部分区域都发生模糊,都会导致整幅图像的质量受损。而部分模糊,无论是部分聚焦模糊还是部分运动模糊,都有可能出现在高质量的图像中。例如,拍照时为了突出主要目标,经常采用大光圈,令背景出现较大面积的聚焦模糊;大光圈情况下,比聚焦目标距离镜头近很多的物体,也可以在画面边缘起点缀作用,使画面更有层次感。再如,拍摄快速运动的目标(如运动员、动物、车辆)时,经常让镜头跟随目标的运动趋势,使图像中的目标保持清晰,而背景出现较大面积的运动模糊,表现出速度感。因此,部分模糊对图像质量的影响跟模糊区域占图像的比例和模糊区域在图像中的分布有关。
现有的图像模糊检测方法大体上可以分为两类:一类给出整幅图像的模糊程度的估计,另一类将图像划分为若干个区域,对各个区域分别给出模糊程度的估计。前者由于仅给出整体的估计结果,不能辨别图像中有部分区域清晰、部分区域模糊的情况,例如对于上述的有意令背景中存在大面积聚焦模糊的摄影作品,这种对整体模糊估计方法可能会给出错误的评价。后者试图对图像中每一区域都给出模糊程度估计;然而实际中由于图像中各区域本来的外观未知且千差万别,很难对每一区域都给出正确的判断。并且在实际应用中,绝大多数情况下,仅需要一幅图像的模糊类型的总体判断,或者对比不同图像的模糊情况,因此后者往往并不必要。
根据以上分析可见,实际中需要一种既可以分辨全部模糊,又可以分辨部分模糊的方法。另外,一般以图像质量评价和对比为目的的应用都同 时要求对聚焦模糊和运动模糊的检测,并且部分应用要求区分聚焦模糊和运动模糊。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
本发明的一个目的是提供一种图像模糊检测方法和装置,以克服现有技术中的上述缺陷中的至少一种。
根据本发明的一个方面,提供了一种图像模糊检测方法,包括:将输入图像划分为从内向外逐个包围的多个区域;提取每个区域的模糊特征;组合所提取的模糊特征,以生成输入图像的全局模糊特征;以及根据输入图像的全局模糊特征对输入图像进行模糊分类。
根据本发明的另一方面,提供了一种图像模糊检测装置,包括:区域划分部件,用于将输入图像划分为从内向外逐个包围的多个区域;区域特征提取部件,用于提取每个区域的模糊特征;全局特征生成部件,用于组合所述区域特征提取部件提取的模糊特征,以生成输入图像的全局模糊特征;以及模糊分类部件,用于根据输入图像的全局模糊特征对输入图像进行模糊分类。
在根据本发明的上述方面的图像模糊检测方法和装置中,全局模糊特征是多个区域的模糊特征的组合,既体现了局部模糊特征,又体现了全局模糊特征。因此,根据这种模糊特征的组合进行分类,既可以分辨输入图像的全部模糊,又可以分辨输入图像的部分模糊。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本 发明的原理和优点。在附图中:
图1是根据本发明的一个实施例的图像模糊检测方法的示意性流程图;
图2a是根据本发明的一个实施例的区域划分的一个示例;
图2b是根据本发明的所述实施例的区域划分的另一个示例;
图3是根据本发明的一个实施例的区域合并示例;
图4a示出对输入图像进行块划分的一个示例;
图4b是根据本发明的一个实施例的区域细致划分示例;
图5是根据本发明的另一个实施例的图像模糊检测方法的示意性流程图;
图6是根据本发明的一个实施例的图像模糊检测装置的示意性框图;
图7是根据本发明的另一个实施例的图像模糊检测装置的示意性框图;
图8是根据本发明的另一个实施例的图像模糊检测装置的示意性框图;
图9是根据本发明的另一个实施例的图像模糊检测装置的示意性框图;
图10是根据本发明的又一个实施例的图像模糊检测装置的示意性框图;以及
图11是可以实现本公开的实施例/示例的计算机的结构的示例性框图。
具体实施方式
鉴于现有技术的以上情况,在本公开中构思了一种图像模糊检测方法和装置。在根据本发明实施例的图像模糊检测方法和装置中,先提取输入图像中多个区域的模糊特征,然后组合多个区域的模糊特征得到输入图像的全局模糊特征,最后根据全局模糊特征对输入图像进行分类。由此,既可以分辨输入图像的全部模糊,又可以分辨输入图像的部分模糊。
此外,通过观察人在清晰/模糊方面对图像质量的评价模式,在本公 开中总结出模糊区域在图像中的位置与其对图像质量评价的影响之间的规律,即,在靠近图像中心的区域中的模糊对图像质量评价的影响较大。根据以上观察,在将图像划分为多个区域时,将图像划分为从内向外逐级包围的多个区域。由此,可以获得与人的感受相吻合的模糊分类结果。
下面将参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
图1是根据本发明的一个实施例的图像模糊检测方法的示意性流程图。如图1所示,在步骤S110中,将输入图像划分为从内向外逐个包围的多个区域。这样的划分,能够突出图像的中心区域,也就是大多数图像中关注对象集中出现的区域,从而可以对输入图像中前景和背景中出现的模糊分别进行提取,以利于后续对图像模糊的准确分类。
为方便理解,图2a示出根据本发明的一个实施例的区域划分的一个示例。在图2a中,输入图像被划分为4个区域1,2,3和4。为了方便观看和说明,采用了白色和暗色来区分不同的区域。其中,区域1由输入图像中心的白色矩形区域表示,区域2由围绕区域1的暗色环形区域表示,区域3由围绕区域2的白色环形区域表示,区域4由围绕区域3的暗色环形区域表示。这四个区域从内向外逐个包围。在该示例中,所划分出的从内向外逐个包围的多个区域包括中心区域和从内向外逐个包围该中心区域的多个环形区域。
此外,图2b示出根据本发明的所述实施例的区域划分的另一个示例。在图2b中,输入图像也被划分为4个区域1’,2’,3’和4’。其中,区域1’是最内层区域,区域2’是比区域1’大并包围区域1’的区域,区域3’是比区域2’大并包围区域2’的区域,区域4’是比区域3’大并包围区域3’的区域。这四个区域也是从内向外逐个包围。与图2a不同的是,在图2b中,区域1’,2’,3’和4’都是实心的区域。换言之,所划分出的从内向外逐个包围的多个区域包括中心区域和从内向外逐个包围该中心区域的多个实心区域。
图2a和2b示出的区域划分示例仅用于说明目的,而不是为了限制。本领域技术人员可以以各种方式将输入图像划分为各种形式的多个区域,只要这些区域是从内向外逐个包围的。
在本发明的一个实施例中,在提取区域的模糊特征之前,逐级将相邻的两个或更多个区域合并,以获得更多区域。为方便理解,图3示出根据本发明的一个实施例的区域合并示例。在该示例中,输入图像如图2a所示被划分为4个区域1,2,3和4。这4个区域作为第一级区域。然后,通过将这4个区域中的相邻区域1和2合并以生成第二级的区域5,相邻区域3和4合并以生成第二级的区域6。最后,将第二级的相邻区域5和6合并,生成第三级的区域7。最高级的区域7实际上是整个输入图像。通过这种由细到粗的划分区域方式,可以得到在不同的层级的多个区域,从而有利于后续从不同层次对图像模糊进行分类,具体的,可以提取所有层级的多个区域的模糊特征并进行组合,以生成一个较为完备的全局模糊特征,并根据该全局模糊特征进行模糊分类。应当理解,尽管在图3中的合并示例中,最高级的区域是整个输入图像,但是这只是示例而不是对合并次数的限制。在其他实施例中,也可以只合并一次、两次或更多次,并且合并得到的最高级的区域也可以是部分输入图像而不必是整个输入图像。
另外,在将输入图像划分为多个区域之前,还可以通过下采样将输入图像的尺寸调整到预定的大小范围。这样,可以将输入图像缩放到同样的尺寸,以简化后续的模糊分类步骤,使得对所有尺寸的输入图像可以使用同样的模糊分类标准来分类。
继续参考图1,在步骤S120中,提取每个区域的模糊特征。
本领域技术人员可以采用现有的任何适当的方法来提取输入图像中的每个区域的模糊特征。为了说明的目的,以下描述根据本发明的一个实施例的提取区域的模糊特征的方法。
在所述实施例中,将输入图像划分为相等大小的多个块(block),并提取每个块的模糊特征。每个块包含相同数目的像素。提取每个区域的模糊特征可以通过以下来实现:针对每个区域统计与该区域交叠的块的模糊特征,以生成该区域的模糊特征。
为方便理解,图4a示出对输入图像进行块划分的一个示例。在图4a中,以图2所示的输入图像为例进行块划分。如图4a所示,输入图像被分成54(9×6)个块,每个块的大小相等。这里,与一个区域交叠的块可以是与该区域存在交叠的所有块,例如,图4a中,有6个与区域1存在交叠的块,有20个与区域2存在交叠的块,有32个与区域3存在交叠的块,有26个与区域4存在交叠的块。在另一个实施例中,与一个区域交 叠的块也可以是与该区域完全交叠的块,例如,在图4a中,有0个与区域1完全交叠的块,有4个与区域2完全交叠的块,有8个与区域3完全交叠的块,有12个与区域4完全交叠的块。另外,也可以考虑每个块与区域的交叠比例。
本领域技术人员可以采用现有的任何适当的方法来提取每个块的模糊特征。作为示例而不是限制,以下描述几种提取块的模糊特征的方法。
在一个示例中,利用对块进行小波变换的结果来构造块的模糊特征。即,将基于对块进行小波变换的结果而获得的块的特征作为所述块的模糊特征。小波变换是一种常用的图像变换方式和边缘检测技术。通过小波变换,能够将图像映射到相应的频域中并检测到图像中的边缘特征。图像中的模糊,不论是聚焦模糊还是运动模糊,都会使图像中至少部分边缘变得不再锐利,即边缘处的灰度、颜色的变化(即边缘两侧之间的过渡)变得平缓。因此,可以用对图像块进行小波变换的结果(取自各频率层的边缘特征)构造图像块的模糊特征。例如,在参考文献1(H.Tong,M.Li,et al,Blur detection for digital images using wavelet transform,IEEE ICME2004.)中公开了一种利用对图像块进行哈尔(Haar)小波变换的结果来构造块的模糊特征的方法。
在另一个示例中,利用对块进行三角函数变换的结果来构造块的模糊特征。即,将基于对块进行三角函数变换的结果而获得的块的特征作为所述块的模糊特征。对图像进行三角函数变换的结果能够反映图像的纹理分布特征。通常,当图像模糊时,具有平缓的边缘;当图像清晰时,具有锐利的边缘。图像纹理可以看作边缘的组合,纹理中所包含的边缘的平缓或锐利,在相应的三角函数变换的结果中有所反映。通过分析三角函数变换的结果,可以判断图像是否有模糊。因此,可以用对图像块进行三角函数变换的结果来构造图像块的模糊特征。参考文献2(US2004120598A1)公开了一种利用离散余弦变换(Discrete Consine Transform,DCT)的结果来构造块的模糊特征的方法。参考文献3(R.Liu,Z.Li,et al,Image partial blur detection and classification,IEEE CVPR 2008.)中公开了一种利用离散傅立叶变换(DFT)来构造块的模糊特征的方法。
在另一个示例中,利用块中的边缘宽度来构造块的模糊特征。即,将基于提取块中的部分或全部的边缘的宽度而获得的块的特征作为所述块的模糊特征。在图像中,如果存在较大比例的宽度较大的边缘,则图像中存在模糊的可能性较大。参考文献4(R.Ferzli,and L.Karam,A No-Reference Objective Image Sharpness Metric Based on the Notion of Just Noticeable Blur(JNB),IEEE TIP,2009.)公开了一种利用块中的边缘宽度来构造块的模糊特征的方法。
在另一个示例中,利用块中的像素位置的横向和纵向差分的二阶统计量来构造块的模糊特征。即,将基于提取所述块中的多个像素位置的横向和纵向差分的二阶统计量而获得的块的特征作为所述块的模糊特征。由于成像设备或被拍摄目标的运动在成像的短时间内都表现出一定的方向性,由此运动引起的图像中的模糊具有各向异性的特点,即对于图像中的边界,若其方向与相应的运动方向平行则其模糊程度较低,若其方向与相应的运动方向垂直则其模糊程度较高。运动模糊导致图像中各局部的横向和纵向差分受到影响,受影响程度与各局部对应的运动方向和运动幅度有关。而局部的像素位置的横向和纵向差分的二阶统计量可以很好地反映运动模糊的上述特性。在上述参考文献3中公开了一种利用块中的多个像素位置的横向和纵向差分的二阶统计量来构造块的模糊特征的方法,以及利用所述模糊特征进行模糊区域检测的方法。利用本示例中构造的块的模糊特征,可以判断图像中是否存在聚焦模糊。有利的是,与利用上述其他示例中的模糊特征区分聚焦模糊和运动模糊的效果相比,本实施例中构造的块的模糊特征可以更好地区分聚焦模糊和运动模糊。
可以采用以上示例中的块特征中的一种或多种作为块的模糊特征。
本领域技术人员在上述说明的指引下可以用各种不同的手段来提取每个块的模糊特征。
在提取了块的模糊特征后,针对每个区域统计与该区域交叠的块的模糊特征,以生成该区域的模糊特征。例如,可以针对每个区域统计与该区域存在交叠的所有块的模糊特征。或者,针对每个区域统计与该区域完全交叠的块的模糊特征。另外,针对每个区域,也可以根据块与该区域的交叠比例来统计与该区域交叠的块的模糊特征。
可以使用现有的任何适当的方法来统计块的模糊特征。作为示例而不是限制,在根据本发明的一个实施例中,将与区域交叠的块的模糊特征求平均,由此生成所述区域的模糊特征。在根据本发明的另一个实施例中,生成用于统计与区域交叠的块的模糊特征的直方图,作为所述区域的模糊特征。
从图像块中提取的模糊特征可能是多维的。因此,考虑通过降低块的 模糊特征的维度来提高特征中单一维度的分辨能力,从而在根据模糊特征对图像进行分类的学习过程中减轻对数据量的依赖,并便于统计生成区域特征。根据本发明的一个实施例,在提取每个区域的模糊特征之前,将从输入图像划分出的多个块中每个块的模糊特征分别映射为维度低于所述块的模糊特征维度的特征。在随后的区域模糊特征提取步骤中,针对每个区域统计与该区域交叠的块的映射后的特征。
作为示例而不是限制,可以使用词袋模型和分类器中的至少一种来将每个块的模糊特征分别映射为维度低于所述块的模糊特征维度的特征。
继续参考图1,在步骤S130中,组合所提取的模糊特征以生成输入图像的全局模糊特征。这样的全局模糊特征包含图像中各个区域的模糊特征,能够准确、全面地描述输入图像内局部及整体的模糊信息。
可以使用现有的任何适当的方法来组合所提取的各个区域的模糊特征。作为示例而不是限制,在本发明的一个实施例中,将输入图像的各个区域的模糊特征拼接,产生全局模糊特征。拼接是指将各个区域的模糊特征直接连接在一起。每个区域的模糊特征在拼接得到的全局模糊特征中保持完整。例如,如果L个区域中每个区域的模糊特征是n×n的矩阵,则拼接得到的全局模糊特征是n×nL的矩阵。再例如,如果L个区域中每个区域的模糊特征是包含n个区间(bin)的直方图的形式,则拼接得到的全局模糊特征是包含nL个区间的直方图的形式。其他例子不再一一赘述。在本发明的另一个实施例中,可以计算输入图像的各个区域的模糊特征的加权和,作为全局模糊特征。例如,可以对关注对象集中出现的区域(如中心区域)的模糊特征赋予较高的权重,而对边缘区域的模糊特征赋予较低的权重,然后将各个区域的加权后的模糊特征求和。借此获得的全局模糊特征能够突出关注对象集中区域的模糊情况,以便于后续更准确的模糊分类。
继续参考图1,在步骤S140中,根据输入图像的全局模糊特征对输入图像进行模糊分类。
在一个实施例中,作为示例而不是限制,可以根据输入图像的全局模糊特征对输入图像进行以下分类中的至少一个:
(1)根据输入图像的全局模糊特征判断输入图像中是否存在模糊,或者存在模糊的概率。
(2)根据输入图像的全局模糊特征判断输入图像是部分模糊的还是 全部模糊的,或者是部分或全部模糊的概率。
(3)根据输入图像的全局模糊特征判断输入图像的模糊是聚焦模糊还是运动模糊,或者是聚焦模糊或运动模糊的概率。
(4)根据输入图像的全局模糊特征判断输入图像的质量是好的还是差的,或者是好或差的概率。在分类时,可以根据预先确定的评价标准来自动地判断输入图像的质量是好的还是差的。例如,如果在分类过程中判断输入图像全部运动模糊,则分类结果为输入图像的质量是差的。如果在分类过程中判断输入图像是部分聚焦模糊的,并且模糊部分在图像的边缘位置或者模糊部分在图像中的比例很小,则分类结果为输入图像的质量是好的。当然,这仅是示例,可以根据实际需要预先确定其他适当的评价标准,而没有限制。
在给出输入图像的全局模糊特征的情况下,可以通过利用大量样本图像预先训练好的分类器来容易地完成以上分类。在此不详细描述分类器的训练过程,以免不必要地模糊本发明。
在图1所示的实施例中,将输入图像划分为从内向外逐个包围的多个区域。为了获得更多区域,在本发明的另一个实施例中,对从内向外逐个包围的多个区域进行进一步划分。图4b示出了根据本发明的一个实施例的区域细致划分示例。在图4b中,使用通过如图2a中划分出的从内向外逐个包围的4个区域的最内层区域1的直线L1、L2、L3、L4,将这4个区域进一步划分,形成若干个比区域1-4更小(即,更细致)的区域。当然,也可以使用按图2b的示例或者其他适当方法划分的从内向外逐个包围的多个区域作为进一步划分的基础,而没有限制。尽管图4b中示出了用4条直线来对图像的区域进一步划分,但是这只是示例而不是限制。可以使用任意数目的直线来对从内向外逐个包围的多个区域进行进一步划分。另外,尽管图4b中示出的4条直线在最内层区域1中相交于一个点,但是这只是示例而不是限制,这些直线的交点也可以多于一个。用于划分从内向外逐个包围的多个区域的直线只要都通过最内层区域即可。这样,可以获得更细致的多个区域,并且由于用于进一步划分的直线通过最内层区域,使得不同层的区域被这些直线进一步划分的模式基本一致,因此进一步划分后所获得的不同层的区域的细致程度基本一致。
在对区域进行上述细致划分后,在后续的提取区域的模糊特征的步骤(S120)中,可以只对通过进一步划分获得的更细致的多个区域提取模糊特征。可选地,也可以对细致划分前的多个区域和进一步划分获得的更细 致的多个区域均提取模糊特征。另外,可选地,在对区域进行上述细致划分后,在提取区域的模糊特征之前,还可以通过上述区域合并方法对所述更细致的多个区域进行合并,以得到不同层级的更多区域。
图5示出了利用这种区域细致划分方法的图像模糊检测方法的示意性流程图。如图5所示,在步骤S510中,将输入图像划分为从内向外逐个包围的多个区域。该步骤与图1中的步骤S110相同。在步骤S520中,使用通过所述多个区域的最内层区域的直线对所述多个区域进行进一步划分,以获得更细致的多个区域。在步骤S530中,提取每个区域的模糊特征。区域的模糊特征提取方法与关于图1中的步骤S120所述的区域的模糊特征提取方法相同。在步骤S540中,组合所提取的模糊特征,以生成输入图像的全局模糊特征。组合模糊特征的方法与关于图1中的步骤S130所述的区域模糊特征组合方法相同。在步骤S550中,根据输入图像的全局模糊特征对输入图像进行模糊分类。模糊分类方法与关于图1中的步骤S140所述的模糊分类方法相同。
以下结合图6-11来描述根据本发明的实施例的图像模糊检测装置。在这些图中,为了简明起见,仅示出与本发明密切相关的部分。
图6是根据本发明的一个实施例的图像模糊检测装置的示意性框图。如图6所示,图像模糊检测装置600包括区域划分部件610、区域特征提取部件620、全局特征生成部件630和模糊分类部件640。在本实施例中,区域划分部件610用于将输入图像划分为从内向外逐个包围的多个区域。区域特征提取部件620用于提取每个区域的模糊特征。全局特征生成部件630用于组合所述区域特征提取部件提取的模糊特征,以生成输入图像的全局模糊特征。模糊分类部件640用于根据输入图像的全局模糊特征对输入图像进行模糊分类。
在一个实施例中,作为示例而不是限制,全局特征生成部件630可以包括拼接部件和加权和计算部件(未示出)。拼接部件用于将所述区域特征提取部件提取的模糊特征拼接。加权和计算部件用于计算所述区域特征提取部件提取的模糊特征的加权和。
在一个实施例中,作为示例而不是限制,模糊分类部件640进一步用于以下中的至少一个:
根据输入图像的全局模糊特征判断输入图像中是否存在模糊,或者存在模糊的概率;
根据输入图像的全局模糊特征判断输入图像是部分模糊的还是全部模糊的,或者是部分或全部模糊的概率;
根据输入图像的全局模糊特征判断输入图像的模糊是聚焦模糊还是运动模糊,或者是聚焦模糊或运动模糊的概率;以及
根据输入图像的全局模糊特征判断输入图像的质量是好的还是差的,或者是好或差的概率。
区域特征提取部件620可以采用现有的任何适当的方法来提取输入图像中的每个区域的模糊特征。为了说明的目的,图7是根据本发明的另一个实施例的图像模糊检测装置的示意性框图。与图6所示的图像模糊检测装置600相比,图7所示的图像模糊检测装置700还包括块划分部件750和块特征提取部件760。其中,块划分部件750用于将输入图像划分为相等大小的多个块,块特征提取部件760用于提取每个块的模糊特征。区域特征提取部件720进一步用于针对每个区域统计与该区域交叠的块的模糊特征,以生成该区域的模糊特征。
在一个实施例中,作为示例而不是限制,块特征提取部件760可以包括以下部件中的至少一个(未示出):
小波变换特征提取部件,用于基于对块进行小波变换的结果而获得块的特征;
三角函数变换特征提取部件,用于基于对块进行三角函数变换的结果而获得块的特征;
边缘宽度特征提取部件,用于基于提取块中的部分或全部的边缘的宽度而获得块的特征;以及
二阶统计量特征提取部件,用于基于提取块中的多个像素位置的横向和纵向差分的二阶统计量而获得块的特征。
在一个实施例中,作为示例而不是限制,区域特征提取部件720可以包括求平均部件和直方图生成部件中的一个(未示出)。求平均部件可以用于将与区域交叠的块的模糊特征求平均。直方图生成部件可以用于生成用于统计与区域交叠的块的模糊特征的直方图。
此外,作为示例而不是限制,区域特征提取部件720可以针对每个区域统计与该区域存在交叠的所有块的模糊特征;或者针对每个区域统计与该区域完全交叠的块的模糊特征;或者针对每个区域,根据块与该区域的 交叠比例来统计与该区域交叠的块的模糊特征。
图7中的区域划分部件710、全局特征生成部件730和模糊分类部件740的功能与图6中的区域划分部件610、全局特征生成部件630和模糊分类部件640的功能相同,不再重复。
图8是根据本发明的另一个实施例的图像模糊检测装置的示意性框图。与图7所示的图像模糊检测装置700相比,图8中的图像模糊检测装置800还包括块特征映射部件870。块特征映射部件870用于在提取每个区域的模糊特征之前,将所述多个块中每个块的模糊特征分别映射为维度低于所述块的模糊特征维度的特征。作为示例而不是限制,块特征映射部件870可以使用词袋模型以及分类器中的至少一种来将每个块的模糊特征分别映射为维度低于所述模糊特征维度的特征。区域特征提取部件820进一步用于针对每个区域统计与该区域交叠的块的映射后的特征。图8中的其他部件的功能与图7中的相应部件的功能相同,不再重复。
图9是根据本发明的另一个实施例的图像模糊检测装置的示意性框图。与图6中的图像模糊检测装置600相比,图9中的图像模糊检测装置900还包括区域合并部件950。在图9的示例中,与图6的区域划分部件610相比,区域划分部件910进一步用于将输入图像划分为中心区域和从内向外逐个包围该中心区域的多个环形区域。区域合并部件950用于在区域特征提取部件720提取区域的模糊特征之前,逐级将相邻的两个或更多个区域合并,以获得更多区域。图9中的其他部件与图6中的相应部件的功能相同,不再重复。
图10是根据本发明的又一个实施例的图像模糊检测装置的示意性框图。图10中的图像检测装置1000包括区域划分部件1010、区域细分部件1020、区域特征提取部件1030、全局特征提取部件1040和模糊分类部件1050。区域细分部件1020用于在区域特征提取部件1030提取每个区域的模糊特征之前,使用通过区域划分部件1010划分的多个区域中的最内层区域的直线对所述多个区域进行进一步划分,以获得更细致的多个区域。图9中的其他部件与图6中的相应部件的功能相同,不再重复。
关于根据本发明上述实施例的图像模糊检测装置中每个部件的更多详细操作,可以参考以上对根据本发明实施例的图像模糊检测方法的相关描述,这里不再重复。
在根据本发明实施例的图像模糊检测方法和装置中,全局模糊特征是 多个区域的模糊特征的组合,既体现了局部模糊特征,又体现了全局模糊特征。因此,根据这种模糊特征的组合进行分类,既可以分辨输入图像的全部模糊,又可以分辨输入图像的部分模糊。
根据本发明实施例的图像模糊检测方法和装置可用于图像/视频的处理和分析,尤其是数码相机、摄像机、具有拍摄功能的手机、以及各种计算机等设备的图像/视频质量的评价及对比;还可以用于图像数据库管理以及图像检索服务。这些描述是为了说明本发明的工业实用性而不是为了限制。
应当理解,根据本发明实施例的各个装置中各个组成模块、单元可以通过软件、固件、硬件或其组合的方式进行配置。配置可使用的具体手段或方式为本领域技术人员所熟知,在此不再赘述。在通过软件或固件实现的情况下,从存储介质或网络向具有专用硬件结构的计算机安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等。
图11示出可以实现本公开的实施例/示例的计算机的结构的示例性框图。在图11中,中央处理单元(CPU)1101根据只读存储器(ROM)1102中存储的程序或从存储部分1108加载到随机存取存储器(RAM)1103的程序执行各种处理。在RAM 1103中,还根据需要存储当CPU 1101执行各种处理等等时所需的数据。CPU 1101、ROM 1102和RAM 1103经由总线1104彼此连接。输入/输出接口1105也连接到总线1104。
下述部件连接到输入/输出接口1105:输入部分1106(包括键盘、鼠标等等)、输出部分1107(包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分1108(包括硬盘等)、通信部分1109(包括网络接口卡比如LAN卡、调制解调器等)。通信部分1109经由网络比如因特网执行通信处理。根据需要,驱动器1110也可连接到输入/输出接口1105。可拆卸介质1111比如磁盘、光盘、磁光盘、半导体存储器等等可以根据需要被安装在驱动器1110上,使得从中读出的计算机程序根据需要被安装到存储部分1108中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质1111安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图11所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1111。可拆卸介质1111的例子包含磁盘(包含软盘(注册商标))、光盘 (包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM 1102、存储部分1108中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
本发明还提出一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时,可执行上述根据本发明实施例的图像模糊检测方法。
相应地,用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的公开中。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
在上面对本发明具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
此外,本发明的方法不限于按照说明书中描述的时间顺序来执行,也可以按照其他的时间顺序地、并行地或独立地执行。因此,本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。
以上虽然结合附图详细描述了本发明的实施例,但是应当明白,上面所描述的实施方式只是用于说明本发明,而并不构成对本发明的限制。对于本领域的技术人员来说,可以对上述实施方式做出各种修改和变更而没有背离本发明的实质和范围。因此,本发明的范围仅由所附的权利要求及其等效含义来限定。
Claims (20)
1.一种图像模糊检测方法,包括:
将输入图像划分为从内向外逐个包围的多个区域;
提取每个区域的模糊特征;
组合所提取的模糊特征,以生成所述输入图像的全局模糊特征;以及
根据所述输入图像的全局模糊特征对所述输入图像进行模糊分类。
2.根据权利要求1的图像模糊检测方法,还包括:
将所述输入图像划分为相等大小的多个块;以及
提取每个块的模糊特征;以及
其中,提取每个区域的模糊特征包括:针对每个区域统计与该区域交叠的块的模糊特征,以生成该区域的模糊特征。
3.根据权利要求2的图像模糊检测方法,还包括:
在提取每个区域的模糊特征之前,将所述多个块中每个块的模糊特征分别映射为维度低于所述模糊特征维度的特征;以及
其中,针对每个区域统计与该区域交叠的块的模糊特征包括:针对每个区域统计与该区域交叠的块的映射后的特征。
4.根据权利要求3的图像模糊检测方法,其中,使用词袋模型和分类器中的至少一种来将每个块的模糊特征分别映射为维度低于所述块的模糊特征维度的特征。
5.根据权利要求2的图像模糊检测方法,其中,提取每个块的模糊特征包括提取所述块的以下特征中的至少一个:
基于对所述块进行小波变换的结果而获得的所述块的特征;
基于对所述块进行三角函数变换的结果而获得的所述块的特征;
基于提取所述块中的部分或全部的边缘的宽度而获得的所述块的特征;以及
基于提取所述块中的多个像素位置的横向和纵向差分的二阶统计量而获得的所述块的特征。
6.根据权利要求2的图像模糊检测方法,其中,针对每个区域统计与该区域交叠的块的模糊特征包括:
将与所述区域交叠的块的模糊特征求平均;或者
生成用于统计与所述区域交叠的块的模糊特征的直方图。
7.根据权利要求2的图像模糊检测方法,其中,针对每个区域统计与该区域交叠的块的模糊特征包括以下之一:
针对每个区域统计与该区域存在交叠的所有块的模糊特征;
针对每个区域统计与该区域完全交叠的块的模糊特征;以及
针对每个区域,根据块与该区域的交叠比例来统计与该区域交叠的块的模糊特征。
8.根据权利要求1的图像模糊检测方法,其中,组合所提取的模糊特征包括以下之一:
将所提取的模糊特征拼接;以及
计算所提取的模糊特征的加权和。
9.根据权利要求1的图像模糊检测方法,其中,根据所述输入图像的全局模糊特征对所述输入图像进行模糊分类包括以下中的至少一个:
根据所述输入图像的全局模糊特征判断所述输入图像中是否存在模糊,或者存在模糊的概率;
根据所述输入图像的全局模糊特征判断所述输入图像是部分模糊的还是全部模糊的,或者是部分或全部模糊的概率;
根据所述输入图像的全局模糊特征判断所述输入图像的模糊是聚焦模糊还是运动模糊,或者是聚焦模糊或运动模糊的概率;以及
根据所述输入图像的全局模糊特征判断所述输入图像的质量是好的还是差的,或者是好或差的概率。
10.根据权利要求1的图像模糊检测方法,其中,将输入图像划分为从内向外逐个包围的多个区域包括:将所述输入图像划分为中心区域和从内向外逐个包围该中心区域的多个环形区域;以及
其中,在提取每个区域的模糊特征之前,所述方法还包括:
逐级将相邻的两个或更多个区域合并,以获得更多区域。
11.根据权利要求1的图像模糊检测方法,其中,在提取每个区域的模糊特征之前,所述方法还包括:
使用通过所述多个区域的最内层区域的直线对所述多个区域进行进一步划分,以获得更细致的多个区域。
12.一种图像模糊检测装置,包括:
区域划分部件,用于将输入图像划分为从内向外逐个包围的多个区域;
区域特征提取部件,用于提取每个区域的模糊特征;
全局特征生成部件,用于组合所述区域特征提取部件提取的模糊特征,以生成所述输入图像的全局模糊特征;以及
模糊分类部件,用于根据所述输入图像的全局模糊特征对所述输入图像进行模糊分类。
13.根据权利要求12的图像模糊检测装置,还包括:
块划分部件,用于将所述输入图像划分为相等大小的多个块;以及
块特征提取部件,用于提取每个块的模糊特征;以及
其中,所述区域特征提取部件进一步用于:针对每个区域统计与该区域交叠的块的模糊特征,以生成该区域的模糊特征。
14.根据权利要求13的图像模糊检测装置,其中,所述块特征提取部件包括以下中的至少一个:
小波变换特征提取部件,用于基于对所述块进行小波变换的结果而获得所述块的特征;
三角函数变换特征提取部件,用于基于对所述块进行三角函数变换的结果而获得所述块的特征;
边缘宽度特征提取部件,用于基于提取所述块中的部分或全部的边缘的宽度而获得所述块的特征;以及
二阶统计量特征提取部件,用于基于提取所述块中的多个像素位置的横向和纵向差分的二阶统计量而获得所述块的特征。
15.根据权利要求13的图像模糊检测装置,其中,所述区域特征提取部件包括以下中的一个:
求平均部件,用于将与所述区域交叠的块的模糊特征求平均;以及
直方图生成部件,用于生成用于统计与所述区域交叠的块的模糊特征的直方图。
16.根据权利要求13的图像模糊检测装置,其中,所述区域特征提取部件针对每个区域统计与该区域存在交叠的所有块的模糊特征,或者针对每个区域统计与该区域完全交叠的块的模糊特征,或者针对每个区域,根据块与该区域的交叠比例来统计与该区域交叠的块的模糊特征。
17.根据权利要求12的图像模糊检测装置,其中,全局特征生成部件包括以下中的一个:
拼接部件,用于将所述区域特征提取部件提取的模糊特征拼接;以及
加权和计算部件,用于计算所述区域特征提取部件提取的模糊特征的加权和。
18.根据权利要求12的图像模糊检测装置,其中,所述模糊分类部件进一步用于以下中的至少一个:
根据所述输入图像的全局模糊特征判断所述输入图像中是否存在模糊,或者存在模糊的概率;
根据所述输入图像的全局模糊特征判断所述输入图像是部分模糊的还是全部模糊的,或者是部分或全部模糊的概率;
根据所述输入图像的全局模糊特征判断所述输入图像的模糊是聚焦模糊还是运动模糊,或者是聚焦模糊或运动模糊的概率;以及
根据所述输入图像的全局模糊特征判断所述输入图像的质量是好的还是差的,或者是好或差的概率。
19.根据权利要求12的图像模糊检测装置,其中,所述区域划分部件进一步用于将所述输入图像划分为中心区域和从内向外逐个包围该中心区域的多个环形区域;以及
其中,所述图像模糊检测装置还包括:
区域合并部件,用于在所述区域特征提取部件提取每个区域的模糊特征之前,逐级将相邻的两个或更多个区域合并,以获得更多区域。
20.根据权利要求12的图像模糊检测装置,还包括:
区域细分部件,用于在所述区域特征提取部件提取每个区域的模糊特征之前,使用通过所述多个区域的最内层区域的直线对所述多个区域进行进一步划分,以获得更细致的多个区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103352386A CN103065118A (zh) | 2011-10-21 | 2011-10-21 | 图像模糊检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103352386A CN103065118A (zh) | 2011-10-21 | 2011-10-21 | 图像模糊检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103065118A true CN103065118A (zh) | 2013-04-24 |
Family
ID=48107742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103352386A Pending CN103065118A (zh) | 2011-10-21 | 2011-10-21 | 图像模糊检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103065118A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413311A (zh) * | 2013-08-19 | 2013-11-27 | 厦门美图网科技有限公司 | 一种基于边缘的模糊检测方法 |
CN104301722A (zh) * | 2014-11-03 | 2015-01-21 | 电子科技大学 | 一种基于频域的视频流模糊检测方法 |
CN104361087A (zh) * | 2014-11-17 | 2015-02-18 | 东方网力科技股份有限公司 | 一种基于图像的机动车辆检索方法及装置 |
CN104657972A (zh) * | 2013-11-25 | 2015-05-27 | 北京大学 | 一种图像块的模糊度判断方法及系统 |
CN105611284A (zh) * | 2015-12-23 | 2016-05-25 | 小米科技有限责任公司 | 图像清晰度判定方法、装置及系统 |
CN106599783A (zh) * | 2016-11-09 | 2017-04-26 | 浙江宇视科技有限公司 | 一种视频遮挡检测方法及装置 |
CN108509827A (zh) * | 2017-02-27 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 视频流中异常内容的识别方法及视频流处理系统和方法 |
CN111476253A (zh) * | 2019-01-23 | 2020-07-31 | 阿里巴巴集团控股有限公司 | 服装图像分类、图像分类方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
US20100272356A1 (en) * | 2008-05-27 | 2010-10-28 | Li Hong | Device and method for estimating whether an image is blurred |
CN101894257A (zh) * | 2010-07-02 | 2010-11-24 | 西安理工大学 | 多尺度渐进式虹膜图像质量评估方法 |
-
2011
- 2011-10-21 CN CN2011103352386A patent/CN103065118A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100272356A1 (en) * | 2008-05-27 | 2010-10-28 | Li Hong | Device and method for estimating whether an image is blurred |
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
CN101894257A (zh) * | 2010-07-02 | 2010-11-24 | 西安理工大学 | 多尺度渐进式虹膜图像质量评估方法 |
Non-Patent Citations (1)
Title |
---|
PING HSU ET AL: "blurred image detection and classification", 《MMM 2008,LNCS 4903》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413311B (zh) * | 2013-08-19 | 2016-12-28 | 厦门美图网科技有限公司 | 一种基于边缘的模糊检测方法 |
CN103413311A (zh) * | 2013-08-19 | 2013-11-27 | 厦门美图网科技有限公司 | 一种基于边缘的模糊检测方法 |
CN104657972A (zh) * | 2013-11-25 | 2015-05-27 | 北京大学 | 一种图像块的模糊度判断方法及系统 |
CN104301722A (zh) * | 2014-11-03 | 2015-01-21 | 电子科技大学 | 一种基于频域的视频流模糊检测方法 |
CN104361087B (zh) * | 2014-11-17 | 2017-12-12 | 东方网力科技股份有限公司 | 一种基于图像的机动车辆检索方法及装置 |
CN104361087A (zh) * | 2014-11-17 | 2015-02-18 | 东方网力科技股份有限公司 | 一种基于图像的机动车辆检索方法及装置 |
CN105611284A (zh) * | 2015-12-23 | 2016-05-25 | 小米科技有限责任公司 | 图像清晰度判定方法、装置及系统 |
CN106599783A (zh) * | 2016-11-09 | 2017-04-26 | 浙江宇视科技有限公司 | 一种视频遮挡检测方法及装置 |
CN106599783B (zh) * | 2016-11-09 | 2020-01-14 | 浙江宇视科技有限公司 | 一种视频遮挡检测方法及装置 |
CN108509827A (zh) * | 2017-02-27 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 视频流中异常内容的识别方法及视频流处理系统和方法 |
CN108509827B (zh) * | 2017-02-27 | 2022-07-08 | 阿里巴巴集团控股有限公司 | 视频流中异常内容的识别方法及视频流处理系统和方法 |
CN111476253A (zh) * | 2019-01-23 | 2020-07-31 | 阿里巴巴集团控股有限公司 | 服装图像分类、图像分类方法、装置及设备 |
CN111476253B (zh) * | 2019-01-23 | 2024-04-02 | 阿里巴巴集团控股有限公司 | 服装图像分类、图像分类方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103065118A (zh) | 图像模糊检测方法和装置 | |
Huang et al. | Road centreline extraction from high‐resolution imagery based on multiscale structural features and support vector machines | |
CN101142584B (zh) | 面部特征检测的方法 | |
CN109165645A (zh) | 一种图像处理方法、装置以及相关设备 | |
Zhang et al. | Region-of-interest extraction based on saliency analysis of co-occurrence histogram in high spatial resolution remote sensing images | |
CN110059596B (zh) | 一种图像识别方法、装置、介质和电子设备 | |
CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
CN106886995A (zh) | 多线性示例回归器聚合的图像显著对象分割方法 | |
CN104751147A (zh) | 一种图像识别方法 | |
CN101828201A (zh) | 图像处理装置及方法、学习装置及方法以及程序 | |
CN105976392B (zh) | 基于最大输出概率的车辆轮胎检测方法及装置 | |
CN103793717A (zh) | 判断图像主体显著性及训练其分类器的方法和系统 | |
Zhang et al. | Research on mine vehicle tracking and detection technology based on YOLOv5 | |
CN104766095A (zh) | 一种移动终端图像识别方法 | |
CN109858570A (zh) | 图像分类方法及系统、计算机设备及介质 | |
CN110516584A (zh) | 一种显微镜用的基于动态学习的细胞自动计数方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN109035196A (zh) | 基于显著性的图像局部模糊检测方法 | |
Warif et al. | CMF-iteMS: An automatic threshold selection for detection of copy-move forgery | |
CN108647703B (zh) | 一种基于显著性的分类图像库的类型判断方法 | |
Miao et al. | A novel fast image segmentation algorithm for large topographic maps | |
Kumar et al. | Comparative analysis for edge detection techniques | |
Qin et al. | Face inpainting network for large missing regions based on weighted facial similarity | |
Zhu et al. | A learning-to-rank approach for image scaling factor estimation | |
CN102682291B (zh) | 一种场景人数统计方法、装置和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130424 |