CN103413311A - 一种基于边缘的模糊检测方法 - Google Patents

Abstract

本发明公开了一种基于边缘的模糊检测方法，包括以下步骤:接收图像并对图像进行灰度化处理，得到图像A；对图像A分别进行强边缘与弱边缘检测，并分别得到强边缘结果B和弱边缘结果C；对图像A进行分块，并对块、及块所对应的强边缘结果B和弱边缘结果C进行统计，得到强度的直方图统计；根据强度直方图统计的结果计算出图像A的模糊图像概率。采用上述方案，无论我们关注对象出现在图像的任何位置，都可以实现对图像的模糊检测与处理，实现了检测方法的通用性及准确性。

Description

一种基于边缘的模糊检测方法

技术领域

本发明涉及一种计算机图像处理方法，特别涉及一种基于边缘的模糊检测方法。

背景技术

图像在拍照过程中会遇到抖动、运动和聚焦等外界因素的干扰产生模糊；或者我们用图像处理软件对图像进行处理导致产生模糊。

中国专利公开文件CN103065118公开了一种图像模糊检测方法和装置，该专利文件中提出了一种由内向外扩充的方法来进行图像模糊检测方法，它是将图像由内向外划分为多个区域，并根据各个区域的模糊特征生成图像的全局模糊特征，从而进行分类。然而，采用上述方案有一定局限性，上述方法是默认图像的中心就是我们关注对象集中出现的区域，并以此为基础进行图像特征在分析。当我们关注对象不在图像的中心位置时，则会出现判断失准。

发明内容

为解决现有技术中存在的技术问题，本发明提供了一种通用性很强、对图像模糊检测精确的基于边缘的模糊检测方法。

本发明解决上述技术问题，所采用的技术方案是：提供一种基于边缘的模糊检测方法，包括以下步骤:步骤10，接收图像并对图像进行灰度化处理，得到图像A；步骤20，对图像A分别进行强边缘与弱边缘检测，并分别得到强边缘结果B和弱边缘结果C；步骤30,对图像A进行分块，并对块、及块所对应的强边缘结果B和弱边缘结果C进行统计，得到强度的直方图统计；步骤40，根据强度直方图统计的结果计算出图像A的模糊图像概率。

作为本发明的优选方案，所述步骤10中，灰度化处理公式可以是下面两个公式的其中一个：

Gray=0.299*Red+0.587*Green+0.114*Blue,或者

Gray=(Red*306+Green*601+Blue*117+512)/1024,

其中，Gray为均值灰度值，Red、Green、Blue分别为红、绿、蓝三个通道的所述均值颜色值。

作为本发明的优选方案，所述步骤30进一步包括以下步骤：步骤31,对图像A进行分块；步骤32，对每块的强边缘结果B进行分析，判断是否属于边缘块；如果是，则执行步骤33；步骤33，计算边缘块里的每个像素点的梯度；步骤34，根据每个像素点的梯度计算该像素点所对应的梯度方向；步骤35，根据每块对应的弱边缘结果C与上述计算出的梯度方向寻找每个像素点的边缘连续性强度；步骤36，计算每块里的对比度差，并对每块的边缘的连续性强度进行强度的直方图统计。

作为本发明的优选方案，所述步骤31中，对图像A进行分块，且每块的大小为16-128个像素。

作为本发明的优选方案，所述步骤32中判断是否属于边缘块，是根据判断强边缘结果B属于边缘的像素点个数是否大于块像素点总数的预定百分比，且该预定百分比的范围是0.1%-2%。

作为本发明的优选方案，所述步骤33中，像素点的梯度计算公式为：

grad=(next-prev)/2，

其中，grad为当前像素点的梯度值；next为当前像素点的后一个像素点的值；prev为当前像素点的前一个像素点的值。

作为本发明的优选方案，所述步骤34中，像素点所对应的梯度方向的计算，是根据像素点的梯度的X方向和Y方向的梯度值,进行反正切得到的角度。

作为本发明的优选方案，所述步骤35中，像素点的边缘连续性强度的计算是利用梯度方向上的像素点是否在弱边缘结果里属于边缘，以此得到每个像素点是边缘的连续性的强度。

作为本发明的优选方案，所述步骤36中，对比度差的计算方法，是计算每块里的像素值的最大值与最小值，两者相减得到差值，再得到最终的对比度差；其中，

差值范围在0-51之间时，其对比度差为5；

差值范围在52-256之间时，其对比度差为3。

作为本发明的优选方案，所述步骤36中，直方图统计公式为：

index=0.5+100*(1-e^{(-continue[x][y]/block)3.6})；

其中，index为直方图的序号值，范围为0-100；continue为边缘连续性强度值，block为对比度差值。

作为本发明的优选方案，所述步骤40中，模糊图像的概率计算公式为：

$\mathrm{score}=1.0-\left(\underset{i=0}{\overset{64}{\mathrm{\Σ}}}\mathrm{hist}\right[i\left]\right)/\mathrm{nCount};$

其中，score为模糊的概率，范围为0.0-1.0，1.0表示模糊的概率最高，0.0表示模糊的概率最低；hist为直方图统计后得到的数组；nCount为进行直方图统计的总数。

本发明所述的技术方案相对于现有技术，取得的有益效果是：

本发明所述的基于边缘的模糊检测方法，先对图像进行灰度化处理，然后再进行强边缘检测和弱边缘检测，再进行统计得出图像的模糊概率值，从而可以实现图像的模糊化处理。采用上述方案，无论我们关注对象出现在图像的任何位置，都可以实现对图像的模糊检测与处理，实现了检测方法的通用性及准确性。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明所述的基于边缘的模糊检测方法流程示意图；

图2是本发明所述的对图像A分块，以块对应的强边缘结果B和弱边缘结果C进行统计，得到强度的直方图统计的流程示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明所述的基于边缘的模糊检测方法，包括以下步骤10-步骤40。

步骤10,接收图像并对图像进行灰度化处理，得到图像A。

具体来说，灰度化处理公式可以是下面两个公式的其中一个：

Gray=0.299*Red+0.587*Green+0.114*Blue,或者

Gray=(Red*306+Green*601+Blue*117+512)/1024,

其中，Gray为均值灰度值，Red、Green、Blue分别为红、绿、蓝三个通道的所述均值颜色值。

步骤20，对图像A分别进行强边缘与弱边缘检测，并分别得到强边缘结果B和弱边缘结果C。

具体来说，强边缘检测的方法可以是Canny边缘检测算法或阈值边缘检测算法，弱边缘检测的方法有是Sobel边缘检测算法或Prewitt边缘检测算法。上述边缘检测方法为现有检测方法，在此不累述。

步骤30,对图像A进行分块，并对块、及块所对应的强边缘结果B和弱边缘结果C进行统计，得到强度的直方图统计。

具体来说，如图2所示，步骤30可以进一步包括以下步骤31-步骤36。

步骤31,对图像A进行分块。每块的大小16-128个像素之间，优选64个像素。

步骤32，对每块的强边缘结果B进行分析，判断是否属于边缘块；如果是，则执行步骤33。此步骤是根据判断强边缘结果B属于边缘的像素点个数是否大于块像素点总数的预定百分比，且该预定百分比的范围是0.1%-2%。

步骤33，计算边缘块里的每个像素点的梯度。像素点的梯度计算公式为：

grad=(next-prev)/2；

其中，grad为当前像素点的梯度值；next为当前像素点的后一个像素点的值；prev为当前像素点的前一个像素点的值。

步骤34，根据每个像素点的梯度计算该像素点所对应的梯度方向。像素点所对应的梯度方向的计算，是根据像素点的梯度的X方向和Y方向的梯度值,进行反正切得到的角度。

步骤35，根据每块对应的弱边缘结果C与上述计算出的梯度方向寻找每个像素点的边缘连续性强度。像素点的边缘连续性强度的计算是利用梯度方向上的像素点是否在弱边缘结果里属于边缘，以此得到每个像素点是边缘的连续性的强度。

步骤36，计算每块里的对比度差，并对每块的边缘的连续性强度进行强度的直方图统计。对比度差的计算方法，是计算每块里的像素值的最大值与最小值，两者相减得到差值，再得到最终的对比度差；其中，差值范围在0-51之间时，其对比度差为5；差值范围在52-256之间时，其对比度差为3。直方图统计公式为：

index=0.5+100*(1-e^{(-continue[x][y]/block)3.6})；

其中，index为直方图的序号值，范围为0-100；continue为边缘连续性强度值，block为对比度差值。

步骤40，根据强度直方图统计的结果计算出图像A的模糊图像概率。

具体而言，模糊图像的概率计算公式为：

$\mathrm{score}=1.0-\left(\underset{i=0}{\overset{64}{\mathrm{\Σ}}}\mathrm{hist}\right[i\left]\right)/\mathrm{nCount};$

其中，score为模糊的概率，范围为0.0-1.0，1.0表示模糊的概率最高，0.0表示模糊的概率最低；hist为直方图统计后得到的数组；nCount为进行直方图统计的总数。

上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (11)

1.一种基于边缘的模糊检测方法，其特征在于，包括以下步骤:

步骤10，接收图像并对图像进行灰度化处理，得到图像A；

步骤20，对图像A分别进行强边缘与弱边缘检测，并分别得到强边缘结果B和弱边缘结果C；

步骤30,对图像A进行分块，并对块、及块所对应的强边缘结果B和弱边缘结果C进行统计，得到强度的直方图统计；

步骤40，根据强度直方图统计的结果计算出图像A的模糊图像概率。

2.根据权利要求1所述的基于边缘的模糊检测方法，其特征在于，所述

步骤10中灰度化处理公式可以是下面两个公式的其中一个：

Gray=0.299*Red+0.587*Green+0.114*Blue,或者

Gray=(Red*306+Green*601+Blue*117+512)/1024,

其中，Gray为均值灰度值，Red、Green、Blue分别为红、绿、蓝三个通道的所述均值颜色值。

3.根据权利要求1所述的基于边缘的模糊检测方法，其特征在于，所述步骤30进一步包括以下步骤：

步骤31,对图像A进行分块；

步骤32，对每块的强边缘结果B进行分析，判断是否属于边缘块；如果是，则执行步骤33；

步骤33，计算边缘块里的每个像素点的梯度；

步骤34，根据每个像素点的梯度计算该像素点所对应的梯度方向；

步骤35，根据每块对应的弱边缘结果C与上述计算出的梯度方向寻找每个像素点的边缘连续性强度；

步骤36，计算每块里的对比度差，并对每块的边缘的连续性强度进行强度的直方图统计。

4.根据要利要求3所述的基于边缘的模糊检测方法，其特征在于，所述步骤31中，对图像A进行分块，且每块的大小为16-128个像素。

5.根据权利要求3所述的基于边缘的模糊检测方法，其特征在于，所述步骤32中判断是否属于边缘块，是根据判断强边缘结果B属于边缘的像素点个数是否大于块像素点总数的预定百分比，且该预定百分比的范围是0.1%-2%。

6.根据权利要求3所述的基于边缘的模糊检测方法，其特征在于，所述步骤33中，像素点的梯度计算公式为：

grad=(next-prev)/2，

其中，grad为当前像素点的梯度值；next为当前像素点的后一个像素点的值；prev为当前像素点的前一个像素点的值。

7.根据权利要求3所述的基于边缘的模糊检测方法，其特征在于，所述步骤34中，像素点所对应的梯度方向的计算，是根据像素点的梯度的X方向和Y方向的梯度值,进行反正切得到的角度。

8.根据权利要求3所述的基于边缘的模糊检测方法，其特征在于，所述步骤35中，像素点的边缘连续性强度的计算是利用梯度方向上的像素点是否在弱边缘结果里属于边缘，以此得到每个像素点是边缘的连续性的强度。

9.根据权利要求3所述的基于边缘的模糊检测方法，其特征在于，所述步骤36中，对比度差的计算方法，是计算每块里的像素值的最大值与最小值，两者相减得到差值，再得到最终的对比度差；其中，

差值范围在0-51之间时，其对比度差为5；

差值范围在52-256之间时，其对比度差为3。

10.根据权利要求3所述的基于边缘的模糊检测方法，其特征在于，所述步骤36中，直方图统计公式为：

index=0.5+100*(1-e^{(-continue[x][y]/block)3.6})；

其中，index为直方图的序号值，范围为0-100；continue为边缘连续性强度值，block为对比度差值。

11.根据权利要求1所述的基于边缘的模糊检测方法，其特征在于，所述步骤40中，模糊图像的概率计算公式为：

$\mathrm{score}=1.0-\left(\underset{i=0}{\overset{64}{\mathrm{\Σ}}}\mathrm{hist}\right[i\left]\right)/\mathrm{nCount};$

其中，score为模糊的概率，范围为0.0-1.0，1.0表示模糊的概率最高，0.0表示模糊的概率最低；hist为直方图统计后得到的数组；nCount为进行直方图统计的总数。

Images