CN103455994A - 图像模糊度的确定方法和设备 - Google Patents
图像模糊度的确定方法和设备 Download PDFInfo
- Publication number
- CN103455994A CN103455994A CN2012101694650A CN201210169465A CN103455994A CN 103455994 A CN103455994 A CN 103455994A CN 2012101694650 A CN2012101694650 A CN 2012101694650A CN 201210169465 A CN201210169465 A CN 201210169465A CN 103455994 A CN103455994 A CN 103455994A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- region
- pixels
- foreground
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了图像模糊度的确定方法和设备。用于确定具有空间不连续性的图像区域的模糊度的方法包括二值化步骤,用于将所述具有空间不连续性的图像区域二值化以便获得经二值化的图像区域;检测步骤,用于检测所述经二值化的图像区域中的轮廓边缘像素;以及确定步骤,用于基于检测到的轮廓边缘像素确定所述具有空间不连续性的图像区域的模糊度。
Description
技术领域
本发明总体上涉及灰度图像的模糊度的计算。特别地,本发明涉及用于确定具有空间不连续性的图像区域的模糊度的方法和设备,并且进一步涉及用于确定具有空间不连续性的图像的模糊度的方法和设备。
背景技术
随着电子信息捕获技术的飞速发展,自然环境中的真实物体(诸如人、建筑物、树木、文档等)通常被捕获为图像以便被进一步存储或处理。
在图像处理领域中存在多种用于评估被捕获的图像的质量的指标。其中,模糊度(blurring degree)是一种非常重要的表示图像的质量测量的指标,并且还可被称为模糊度量或模糊水平,并且还等同于锐度度量。
在实践中,图像的模糊度通常需要被精确地确定以便作为进一步处理的基础,因此图像的模糊度的确定在图像处理(诸如图像复原(例如,去模糊化)或者图像增强)、或多种图像拾取设备(例如照相机、视频照相机等)中得到广泛引用,并且图像的模糊度对于应用了模糊度的应用而言是非常关键的。
例如,在图像复原或者图像增强中,模糊度可被用作在自适应局部去模糊化中进行子图像分类的度量,可用于估计点扩散函数(PSF)矩阵的参数,或者可用作在迭代去模糊化算法中判断算法是否可停止的阈值。
在图像拾取设备的自聚焦系统中,模糊度可被用于实施自动聚焦系统中的最佳焦点确定,例如以便照相机自动调整其焦点。
当前,模糊度的确定主要基于两种思路。一种思路是基于频谱分析方法(现有技术1),另一种思路是基于边缘的方法(现有技术2)。
在现有技术1的技术中,通常通过在频域或者小波域中分析模糊图像的模糊程度来获得模糊度。
Sharp Laboratories of America,Inc.名下的美国专利No.7181082描述了一种用于基于DCT变换确定模糊度量的方法。在其实现中,该方法利用了模糊图像中的其功率谱随着频率增加更快地下落的特性,并且通过DCT系数的统计消息(诸如直方图或者标准偏差)来描述此现象。更具体而言,该方法从多个DCT系数中得出两个模糊指示符,并且使用这两个指示符来测量图像的模糊水平。
上述方法可适当地评估真实图像。但是,该方法计算复杂并且具有低计算速度,这是因为需要对于每8×8像素的子图像应用DCT变换,而这费时且难以在基于照相机的文档图像处理中直接实现。此外,由于DCT变换不能很好地描述空间不连续性,因此DCT变换不适合于具有空间不连续性的图像(诸如文档图像)的评估,因此不适合于模糊文档图像的评估。
在现有技术2的技术中,通常通过检测并且评估图像中包含的对象的边缘的锐度来获得模糊度。边缘的锐度可由边缘宽度或者边缘强度来表示。边缘宽度通常以像素数来衡量,并且边缘强度通常是无量纲的。实际上,边缘强度通常被用于表示边缘的锐度并且确定图像的模糊度。
在2008年的文章“Blind Image Quality Assessment for MeasuringImage Blur”中,提出了基于边缘强度测量确定锐度度量的方法。更具体来说,该方法被如下地实现:通过Canny检测器来检测边缘像素;根据各边缘像素周围的局部极值来计算各边缘像素的边缘强度;以及选择所有边缘像素的结果中的最大值作为最终模糊度量。
此方法没有考虑局部对比度差别的影响,并且可推断局部图像的对比度越高,则最终结果变得越大,这样不能反映图像的真实模糊水平。另一个缺陷是其使用Canny检测器来检测边缘。Canny检测器基于Gauss滤波进行操作并且因此使得检测过程具有高计算开销并且变得缓慢且不准确,而且其在基于照相机的文档图像处理中相对不高效。
STMicroelectronics Ltd.名下的美国专利No.7899264也描述了用于评估模糊图像的方法。此方法使用四个第一阶边缘检测核(kernel)来确定边缘,并且在固定边缘宽度的上下文中来测量边缘强度。然后,此方法通过边缘的对比度来将边缘强度归一化,该边缘的对比度是在垂直于边缘的朝向的方向上确定的。
此方法的缺陷如下:首先,这种检测核可能引入更多的噪声,并且难以预先设定用于判断是否为边缘像素的合理阈值。其次,对于给定的边缘,边缘强度的测量仅仅利用了边缘像素的最近相邻像素,因此评估结果在没有以高准确度定位边缘的情况下可能不那么可靠。
Eastman Kodak Company名下的美国专利No.6023056公开了这样的方法,该方法通过Sobel检测器来检测图像中的预定量值之上的多个边缘,并且根据边缘相关矩阵来测量检测到的边缘的锐度。
此方法缺陷如下:首先,Sobel检测器在检测边缘时引入了一些噪声。其次,边缘相关矩阵的计算费时。第三,此方法没有考虑不同对比度的影响。
从上文可见,在现有技术2的技术中,边缘检测速度低并且其性能不稳定,这是因为现有技术2的技术依赖于它们的边缘检测器或检测核的参数。此外,这些技术不能适当地抑制图像的对比度的影响,因此在应用于具有不同对比度的文档图像时不能实现准确结果。
发明内容
针对基于边缘的方法开发了本发明,并且本发明旨在解决如上文所述的关于现有技术2的问题。
本发明的一个目标是加速确定图像的模糊度的处理速度。
本发明的另一个目标是鲁棒地实现图像的模糊度确定。
根据本发明的第一方面,提供了一种用于确定具有空间不连续性的图像区域的模糊度的方法。该方法包括用于将具有空间不连续性的图像区域二值化以便获得经二值化的图像区域的二值化步骤;检测该经二值化的图像区域中的轮廓边缘像素的检测步骤;以及用于基于检测到的轮廓边缘像素确定具有空间不连续性的图像区域的模糊度的确定步骤。
根据本发明的第二方面,提供了用于确定具有空间不连续性的图像的模糊度的方法。该方法包括将图像划分成至少一个图像区域的步骤;将根据第一方面的方法应用于每个图像区域以计算该图像区域的模糊度的步骤;以及将该至少一个图像区域的模糊度进行平均以获得该图像的模糊度的步骤。
根据本发明的第三方面,提供了一种用于将具有空间不连续性的模糊图像去模糊化的方法。该方法包括将该图像划分成至少一个图像区域的步骤;将根据本发明的第一方面的方法应用于每个图像区域以计算该图像区域的模糊度的步骤;对于每个图像区域基于计算出的该图像区域的模糊度进行去模糊化的步骤;以及将该至少一个去模糊化的图像区域组合以获得去模糊化的图像的步骤。
根据本发明的第四方面,提供了一种用于确定具有空间不连续性的图像区域的模糊度的设备。该设备包括被配置用于将具有空间不连续性的图像区域二值化以便获得经二值化的图像区域的二值化单元;被配置用于检测经二值化的图像区域中的轮廓边缘像素的检测单元;以及被配置用于基于检测到的轮廓边缘像素确定具有空间不连续性的图像区域的模糊度的确定单元。
根据本发明的第五方面,提供了用于确定具有空间不连续性的图像的模糊度的设备。该设备包括被配置用于将图像划分成至少一个图像区域的单元;被配置用于将根据第一方面的方法应用于每个图像区域以计算该图像区域的模糊度的单元;以及被配置用于将该至少一个图像区域的模糊度进行平均以获得该图像的模糊度的单元。
根据本发明的第六方面,提供了一种用于将具有空间不连续性的模糊图像去模糊化的设备。该设备包括被配置用于将图像划分成至少一个图像区域的单元;被配置用于将根据本发明的第一方面的方法应用于每个图像区域以计算该图像区域的模糊度的单元;被配置用于对于每个图像区域基于计算出的该图像区域的模糊度进行去模糊化的单元;以及被配置用于将该至少一个去模糊化的图像区域组合以获得去模糊化的图像的单元。
[有利效果]
这样,基于图像二值化以及轮廓边缘像素提取,本发明实现了具有空间不连续性的图像的模糊度的快速确定。
此外,通过计算灰度图像的每个轮廓像素的边缘强度并且利用关于该灰度图像的对比度条件的信息来归一化该边缘强度,本发明实现了具有空间不连续性的图像的模糊度的稳定确定,由此确定的模糊度可在不同的照度和对比度条件下保持稳定,因而该方法可用作边缘强度的客观度量来测量图像的模糊度。
此外,本发明可实现用于具有空间不连续性的图像的快速且鲁棒的模糊度确定,这样可明显地加速计算过程,并且克服不同文档图像之间的对比度差的影响。
本发明的其他特性特征和优点从下文参照附图的描述将变得清晰。
附图说明
并入说明书中并且构成说明书的一部分的附图示出了本发明的实施例,并且与描述一起用于解释本发明的原理。在附图中,相似的附图标记指示相似的项目。
图1是示出可实现本发明的实施例的计算机系统的示例性硬件配置的框图。
图2是示出根据本发明的实施例的图像区域的模糊度的确定方法的流程图。
图3是示出根据本发明的实施例的图像区域的模糊度的确定设备的框图。
图4是示出根据本发明的示例性实施例的检测步骤中的处理的流程图。
图5A示出灰度图,图5B示出得自该灰度图的二值化图像,图5C示出得自该二值化图像的去噪声的图像,并且图5D示出得自该去噪声的图像的轮廓边缘。
图6A示出模糊图像,图6B示出通过现有技术获得的边缘,并且图6C示出通过本发明获得的轮廓边缘。
图7是示出根据本发明的示例性实施例的检测单元的框图。
图8是示出根据本发明的另一示例性实施例的检测步骤中的处理的流程图。
图9示出具有2×2像素的像素块的轮廓边缘像素的分析结果。
图10是示出根据本发明的示例性实施例的确定步骤中的处理的流程图。
图11示出要被确定的一些示例性梯度方向。
图12示意性地示出轮廓边缘像素周围的局部灰度极值位置。
图13示出根据本发明的示例性实施例的确定单元的框图。
图14示出具有相同内容、相同模糊水平以及不同对比度的一组文档图像,其中(a)代表具有中间对比度的图像,(b)代表具有低对比度的图像,并且(c)代表具有高对比度的图像。
图15示出用于比较根据本发明的方法和现有技术的具有相同内容、相同模糊水平以及不同对比度的另一组文档图像,其中(a)代表具有中间对比度的图像,(b)代表具有低对比度的图像,并且(c)代表具有高对比度的图像。
图16示出用于比较根据本发明的方法和现有技术的具有相同模糊水平、不同内容、以及不同对比度的一组文档图像,其中(a)代表具有中间对比度的图像,(b)代表具有低对比度的图像,并且(c)代表具有高对比度的图像。
具体实施方式
下文将参照附图描述本发明的实施例。
应注意,在附图中相似的附图数字和字母指示相似的项目,并且因此一旦一个项目在一个附图中被定义,则对于随后的附图无需再对其进行论述。
首先,将解释在本公开的上下文中的一些术语的含义。
在本说明书的上下文中,图像通常指的是灰度图像,并且包括多个像素。
图像可被分成至少一个图像区域,每个图像区域包括至少一个像素,并且图像区域可以是多种形状(诸如方形、矩形、五边形、六边形等)中的任一种。
图像区域可包括至少一个像素块,每个像素块包括至少一个像素,并且像素块可以是多种形状(诸如方形、矩形、五边形、六边形等)中的任一种。通常,在具体实现中,像素块的形状将根据图像区域的形状被选择。
具有空间不连续性的图像通常指的是如下这样的图像,即该图像包括与背景形成对比的至少一个离散分布的对象。这样的具有空间不连续性的图像的常见示例是文档图像,并且该至少一个离散分布的对象是文档图像中包含的字符。当然,离散对象可以是文档图像或其它类型的图像中的例如离散人物、建筑物、树木等的其他物体的图片。
二值化之后的图像由两种类型的像素(即前景像素和背景像素)构成,其中背景像素是在二值化中使用的背景颜色的像素,并且前景像素是在二值化中使用的非背景颜色(即,前景颜色)的像素。在通常的实现中,灰度图像可被二值化为黑白图像,并且前景像素是黑像素并且背景像素是白像素。当然,二值化中使用的两种颜色可以是其它颜色。
图像中的轮廓边缘像素指的是二值化图像区域中的至少一个离散分布的对象相对于背景的轮廓边界中的像素,并且在文档图像的情况下,轮廓边缘像素通常是字符中包含的笔划的外轮廓中的像素。
内部前景像素(inner foreground pixel)是在二值化图像区域中的至少一个离散分布对象内部包含的前景像素,并且在文档图像的情况下,内部前景像素是在字符的笔划轮廓内部的前景像素。
在本公开中,术语“第一”、“第二”等仅仅用于区分元素或者步骤,而不是要指示时间顺序、优先选择或者重要性。
图1是示出可实施本发明的实施例的计算机系统1000的硬件配置的框图。
如图1所示,计算机系统包括计算机1110。计算机1110包括处理单元1120、系统存储器1130、不可移除非易失性存储器接口1140、可移除非易失性存储器接口1150、用户输入接口1160、网络接口1170、视频接口1190、和输出外围接口1195,它们通过系统总线1121连接。
系统存储器1130包括ROM(只读存储器)1131和RAM(随机存取存储器)1132。BIOS(基本输入输出系统)1133驻留在ROM 1131中。操作系统1134、应用程序1135、其它程序模块1136和一些程序数据1137驻留在RAM 1132中。
不可移除非易失性存储器1141(诸如硬盘)连接到不可移除非易失性存储器接口1140。不可移除非易失性存储器1141例如可存储操作系统1144、应用程序1145、其它程序模块1146以及一些程序数据1147。
可移除非易失性存储器(例如软盘驱动器1151和CD-ROM驱动器1155)连接到可移除非易失性存储器接口1150。例如,软盘1152可插入软盘驱动器1151,并且CD(紧致盘)1156可插入CD-ROM驱动器1155。
诸如鼠标1161和键盘1162的输入设备连接到用户输入接口1160。
计算机1110可通过网络接口1170连接到远程计算机1180。例如,网络接口1170可经局域网1171连接到远程计算机1180。可替换地,网络接口1170可连接到调制解调器(调制器-解调器)1172,并且调制解调器1172经广域网1173连接到远程计算机1180。
远程计算机1180可包括诸如硬盘的存储器1181,其存储远程应用程序1185。
视频接口1190连接到监视器1191。
输出外围接口1195连接到打印机1196和扬声器1197。
图1所示的计算机系统仅是说明性的,并且决不打算限制本发明、其应用或者使用。
图1所示的计算机系统可对于任一实施例被实现为孤立计算机,或者设备中的处理系统,其中可去除一个或多个不必要的组件或者可添加一个或多个附加的组件。
[基本实施例]
下文,将参照图2描述具有空间不连续性的图像区域的模糊度的确定方法。
在步骤S100(还被称为二值化步骤)中,具有空间不连续性的图像区域被二值化以便获得二值化图像区域。这样的具有空间不连续性的图像区域是灰度图像区域,并且通常由具有空间不连续性的灰度图像分割得到。
在步骤S200(还被称为检测步骤)中,可在该二值化图像区域中检测轮廓边缘像素。
在步骤S300(还被称为确定步骤)中,可基于检测到的轮廓边缘像素确定具有空间不连续性的图像区域的模糊度。更具体来说,基于与检测到的轮廓边缘像素对应的灰度图像区域中的像素的值计算模糊度。
图3是示出根据本发明的实施例的图像区域的模糊度的确定设备的框图。该设备300可包括被配置为将具有空间不连续性的图像区域二值化以便获得二值化图像区域的二值化单元301;被配置为在该二值化图像区域中检测轮廓边缘像素的检测单元302;以及被配置为基于检测到的轮廓边缘像素确定具有空间不连续性的图像区域的模糊度的确定单元303。
下文,将参照本发明的一些示例性实施例描述实施例中的各步骤以及对应单元中的具体处理。应注意,尽管以下的描述和对应的附图涉及文档图像,但是这些处理可被等同地应用于其它类型的具有空间不连续性的图像。
[二值化处理]
二值化可被以本领域中已知的多种方式实现。在本发明中,使用Otus方法来二值化图像区域,并且该方法可以高速度和相对好的结果将图像区域二值化。由于Otus方法是本领域中常用的二值化方法,它的详细描述在此被省略。
图5A示出原始的灰度文档图像,并且图5B是通过Otus方法得自图5A中的灰度图像的二值化文档图像。如图5B所示,白像素将是二值化图像中的背景像素,并且黑像素因此是前景像素。应注意,图5B仅是说明性的,并且依赖于二值化中所使用的颜色,前景像素和背景像素可具有与图5B中的颜色不同的颜色。
[检测处理]
如上所述,本发明通过从二值化图像中检测轮廓边缘像素并且利用该轮廓边缘像素来确定模糊度,改进了图像的模糊度的确定,这是因为轮廓边缘像素可更准确地识别图像中所包含的对象的边缘,因此使得确定更准确。
下文,将描述用于检测轮廓边缘像素的两种检测处理。
[示例性实施例1]
在示例性实施例1中,将参照图4描述本发明的检测处理。
在步骤S201(还可被称为噪声过滤步骤)中,从二值化图像区域中滤除被视为噪声像素的前景像素。
在步骤S202(还可被称为内部前景像素过滤步骤)中,从噪声过滤之后的二值化图像区域中滤除内部前景像素,从而剩余的前景像素将被视为轮廓边缘像素。
图7是示出根据本发明的示例性实施例的检测单元的框图。检测单元302可包括被配置为从二值化图像区域中滤除被视为噪声像素的前景像素的噪声过滤单元3021和被配置为从噪声过滤之后的二值化图像区域中滤除内部前景像素,从而剩余的前景像素将被视为轮廓边缘像素的内部前景像素过滤单元3022。
下文,将参照图5A至6C详细描述噪声过滤步骤和内部前景像素过滤步骤中的每一个中的具体处理。图5A至5D输出各处理阶段中的图像,并且图6A至6C示出现有技术2和本发明之间的检测边缘的比较。
如图5B所示,二值化图像例如由于不均匀的照明而在其中仍包含一些噪声,诸如在二值化图像的左上角的黑色污迹,并且噪声像素通常表现为二值化图像中的前景像素,并且在检测期间可能被不正确地检测为边缘像素,由此对于基于检测结果的进一步处理产生不利影响。因此,需要消除噪声像素以避免它的负面影响。
由于噪声像素通常是前景像素,因此噪声像素将被从二值化图像中的所有前景像素检测。
对于二值化图像中的通常由p(i,j)表达的每个检测到的前景像素,其中(i,j)是二值化图像和原始灰度图像中的像素的坐标,检测到的前景像素的周围的具有预定尺寸的预定区域(像素块)将被检测。更具体来说,预定区域中所包含的除了该检测到的前景像素之外的像素的类型和数目被检测。
当前景像素周围的预定区域中所包含的背景像素的数目大于预定阈值(第一阈值)时,该前景像素被视为噪声像素并且将被滤除。
第一阈值可以是该预定区域中包含的像素的总数的80%。
该预定区域可被称为第一预定区域,并且可以是如上文所述的多种形状,并且预定区域的优选形状为方形,并且预定区域的预定尺寸(第一尺寸)可以是5×5像素的尺寸。
优选地,该预定区域通常为其中该检测到的前景像素居中的区域。可替换地,该检测到的前景像素可位于该预定区域的中部范围中。
当然,该预定尺寸(第一尺寸)和第一阈值可被操作者根据实际处理环境任意设定。
图5C示出二值化图像的去噪声的结果,并且可见,噪声像素(诸如在图像区域的左上角处的污迹)被有效地检测到并且滤除,而实际笔划得到保护。
相比于现有技术2的边缘检测器(诸如Canny检测器),本发明的一个主要优点是仅识别并且利用图像中的离散分布的对象的轮廓边缘(例如,在文档图像中,轮廓笔划上的边缘),而现有技术的边缘检测器检测并利用了更详细的边缘。但是,并不是输入图像中的所有边缘对于边缘强度计算都是有用的。
如图6B所示,可见当图像如图6A所示那样模糊时,Canny方法检测到笔划中的许多弱的边缘(在图6B中用圆圈标记出)。但是,由于文档图像的模糊水平主要由文档图像中包含的字符的轮廓边缘与背景之间的边缘的强度描述,而不是由笔划内的那些边缘(例如,弱边缘)描述,并且剩余的那些弱边缘将不仅增加计算开销,而且也使得模糊度的计算不准确。
相反,本发明忽略了那些弱边缘,并且将获得更加精确的结果,如图6C所示。
因此,本发明将滤除与二值化图像中的内部前景像素对应的这样的弱边缘像素,以便仅识别并利用离散分布对象的轮廓边界与背景之间的边缘中包含的轮廓边缘像素。
在内部前景像素过滤期间,对于噪声过滤之后的前景像素中的每一个,当该前景像素周围的具有预定尺寸的预定区域(像素块)中包含的所有像素都是前景像素时,该前景像素被视为内部前景像素并且将被滤除。
该预定区域可被称为第二预定区域,并且可以为如上所述的多种形状,并且该预定区域的优选形状为方形,并且该预定区域的预定尺寸(第二尺寸)可以是3×3像素的尺寸。
优选地,该预定区域通常是其中被检测的前景像素居中的区域。可替换地,该被检测的前景像素可位于该预定区域的中部范围中。
当然,该预定尺寸(第二尺寸)可被操作者根据实际处理环境任意设定。
从图5D中可见,笔划的内部前景像素被滤除,并且各像素的轮廓被检测到。
[示例性实施例2]
下文,将描述检测步骤中的用于识别轮廓边缘像素的另一处理。
在此检测处理中,将检测二值化图像中的具有预定尺寸(第三尺寸)的每个像素块,并且当像素块中的前景像素符合预定条件时,可在该像素块中识别轮廓边缘像素。
因此,在这样的示例性实施例中,检测单元302将检测二值化图像中的具有预定尺寸(第三尺寸)的每个像素块,并且当该像素块中的前景像素符合预定条件时,从该像素块中识别轮廓边缘像素。
在示例性实现中,该预定尺寸为2×2像素的尺寸,并且该预定条件对应于该2×2像素块中的前景像素的数量。
图8是示出这样的示例性实现中的检测处理的流程图,并且图9示出对应于该预定条件的具有2×2像素的像素块中的像素布置,以及该示例性实现中的轮廓边缘像素的识别结果。
如图8所示,要被检测的具有2×2像素的尺寸的每个像素块中包含的前景像素的数量应被首先确定,并且当像素块包含两个或三个前景像素时,该像素块将被确定为包括轮廓边缘像素,并且符合特定布置的前景像素将被识别为轮廓边缘像素。
更具体而言,当该像素块中存在两个前景像素时,这两个前景像素为轮廓边缘像素,并且当该像素块中存在三个前景像素时,这三个前景像素中的沿对象线方向的两个像素为轮廓边缘像素,如图9所示,其中该像素块中的阴影框和空白框分别对应于前景像素和背景像素,并且其中的具有符号“*”的阴影框对应于轮廓边缘像素。
应注意,图9仅示出用于确定轮廓边缘像素的一些示例性条件和布置,并且其它条件和布置还可由操作者根据灰度图像中的离散对象被设定。例如,在其它形状的预定区域中,轮廓边缘像素的布置可以是沿曲线的。
尽管上文已经描述了两个示例性检测处理,但是应注意,它们是说明性的并且本发明并不因此受限。本发明的检测处理可被以其它方式实现,只要仅轮廓边缘像素被识别并且被用于确定灰度图像的模糊度即可。
[确定步骤]
这样的确定处理可被以与现有技术中的用于基于边缘像素计算模糊度的方式类似的方式实现。例如,通过计算检测到的边缘像素中的每一个的边缘强度来计算灰度图像的模糊度。
在本实施例中,灰度图像区域的模糊度通过如下地平均化该图像区域中包含的轮廓边缘像素的边缘强度以便获得该图像区域的模糊度而被获得。
其中,N为图像区域中的轮廓边缘像素的数量,S(pj)为该图像区域中的第j个轮廓边缘像素的边缘强度。
应注意,不管确定方式如何,本发明的基本实施例的整体计算速度仍由于轮廓边缘像素的快速检测而大大提高。
此外,为了进一步加速图像区域的模糊度的计算,在轮廓边缘像素的检测完成之后,可将轮廓边缘像素的数目与预定阈值(第二阈值)相比,以便确定该图像区域是否是空白区域(margin area)。第二阈值通常是该图像区域中的像素的总数的0.05%。
当轮廓边缘像素的数目小于此阈值时,该图像区域可被分类为空白区域,并且其模糊度可不进行计算,或者可被设定为默认值,例如值0。
[良好效果]
通过利用二值化和轮廓边缘像素的检测,本发明的基本实施例可实现良好的效果。
该过程使用二值化图像来检测轮廓边缘像素,与灰度图像中的边缘检测方法相比,该二值化图像适合于文档图像并且对于找到真实边缘是可靠的。
此外,与现有技术1相比,由于避免了频域中的变换,计算复杂度显著降低并且计算速度显著增加。此外,本发明的基本实施例可良好地适合于具有空间不连续性的图像。
与现有技术2相比,本发明参照二值化图像,并且仅检测并利用得自前景像素的外轮廓像素以用于确定模糊度,这样不需要计算或分析灰度图像的导数,从而速度提高并且检测精度提高。相反,现有技术2中的技术通常具有低的速度,并且它们的检测精度依赖于预设参数,因此受限。
以下的表1和2示出了现有技术和本发明的检测速度之间的比较。从中清楚可见,本发明的检测速度大大提高。
与现有技术1相比,如表1所示,本发明的运行速度提高大约6倍。
表1
(CPU:Pentium 4,2.8GHz)
与现有技术2相比,如表2所示,该边缘检测过程可被加速大约12倍,并且最终速度提高大约4倍。
表2
(CPU:Pentium 4,2.8GHz)
[改良的实施例]
如上所述,尽管现有技术2中的技术也基于边缘强度确定灰度图像的模糊度,但是该技术并没有考虑不同对比度的影响。即,这样的技术不能正确地抑制图像的对比度差异的影响,因此当应用于具有不同对比度的图像时不能实现相应的准确结果。
本发明提出了一种改进的边缘强度计算方法,该方法可抑制图像的对比度差异的影响,从而对于具有不同对比度的图像可实现可靠且准确的结果。
下文,将参照图10描述根据本发明的改良的实施例的确定步骤,图10是示出确定步骤中的处理的流程图。应注意,此确定步骤是针对原始灰度图像区域实施的,因此在此上下文中的轮廓边缘像素还指的是在原始灰度图像区域中的与二值化图像区域中的位置相同的位置处的像素。
在步骤S301(还可被称为边缘强度计算步骤)中,计算各轮廓边缘像素的边缘强度。
在步骤S302(还可被称为归一化步骤)中,计算出的各轮廓边缘像素的边缘强度通过利用关于包括该轮廓边缘像素的图像区域的对比度条件的信息被归一化。
在步骤S303(还可被称为模糊度计算步骤)中,基于经归一化的轮廓边缘像素的边缘强度计算图像区域的模糊度。
图13表示示出根据本发明的本示例性实施例的确定单元的框图。该确定单元303可包括被配置为计算轮廓边缘像素的边缘强度的边缘强度计算单元3031;被配置为通过利用关于包括该轮廓边缘像素的图像区域的对比度条件的信息归一化计算出的该轮廓边缘像素的边缘强度的归一化单元3032;以及被配置为基于经归一化的轮廓边缘像素的边缘强度计算图像区域的模糊度的模糊度计算单元3033。
下文,将参照本发明的一些示例性实施例详细描述改良的实施例中的各步骤以及对应单元中的具体处理。应注意,尽管下文的描述以及对应的附图涉及文档图像,但是这些处理也可等同地应用于其它类型的具有空间不连续性的图像。
[边缘强度计算过程]
通常可根据边缘像素的局部极值计算该边缘像素的边缘强度,并且本实施例的具体过程如下。
对于检测到的轮廓边缘像素中的每一个,首先,从图像区域中找到在该轮廓边缘像素周围的局部灰度极大值像素和局部灰度极小值像素,并且其次,基于该局部灰度极大值像素和局部灰度极小值像素之间的灰度差以及该局部灰度极大值像素和局部灰度极小值像素的位置,计算轮廓边缘像素的边缘强度。
在本过程中,局部灰度极大值像素和局部灰度极小值像素分别是在通过该轮廓边缘像素的最大灰度梯度方向上的具有局部极大灰度值的局部灰度极大值像素和具有局部极小灰度值的局部灰度极小值像素。
图11示出通过轮廓边缘像素的四个示例性梯度方向,其中轮廓边缘像素由中心的“0”指示,并且通过数字“1”和“-1”两者的方向是通过该轮廓边缘像素的梯度方向。应注意,在此附图中,数字“0”、“1”、“-1”仅仅指示轮廓边缘像素的位置和梯度方向,而不是指示在该位置的像素值。这里,像素的像素值指的是像素的灰度值。
在对应的原始灰度图像区域中,该过程计算跨该边缘像素的全部四个方向上的梯度,并且选择最大的一个。在现有技术中,每个方向的梯度可被以多种方式计算,因此出于清楚起见,这里将省略其细节。
然后,在原始灰度图像区域中,本过程搜索在边缘像素的最大梯度方向上在两侧最接近于此边缘像素的灰度局部极值位置。通常,局部极大值像素和局部极小值像素位于该边缘像素的不同侧。
图12示意性地示出在边缘像素周围的局部灰度极值位置,其中P1和P3分别是两个轮廓边缘像素点,P2是边缘像素点P1的局部极大值像素,并且P2’是对应的局部最小值像素。此外,P4和P4’是边缘像素点P3的局部极值像素。
在轮廓边缘像素周围的局部灰度极大值像素和局部灰度极小值像素被确定之后,将基于局部灰度极大值像素和局部灰度极小值像素之间的灰度差和距离来计算该轮廓边缘像素的边缘强度。
更具体而言,通过将局部灰度极大值像素和局部灰度极小值像素之间的灰度差除以它们之间的在最大灰度梯度方向上的距离来计算轮廓边缘像素的边缘强度。
首先,边缘宽度(局部灰度极大值像素和局部灰度极小值像素之间的在最大灰度梯度方向上的距离)通过对两个局部极值位置之间的像素数计数来确定。
E(p)=abs(pmax-pmin)
其中,pmax是沿最大梯度方向的在轮廓边缘像素p周围的局部灰度极大值像素的位置,并且pmin是沿最大梯度方向的在轮廓边缘像素p周围的局部灰度极小值像素的位置。值E(p)由沿最大梯度方向的这两个局部极值像素之间的像素数表示。
然后,局部灰度极大值像素和局部灰度极小值像素之间的在最大灰度梯度方向上的灰度值差为
D(p)=f(pmax)-f(pmin)
其中,f(·)代表像素的灰度值,f(pmax)和f(pmin)分别代表局部极大灰度值和局部极小灰度值。
然后,将该灰度值差除以该边缘宽度以获得该轮廓边缘像素的边缘强度。
该结果指的是沿最大梯度方向的灰度变化比。很明显,越大的值代表越锐利的边缘。
例如,如图12所示,边缘像素点P3的边缘强度很明显小于边缘像素点P1的边缘强度,但是边缘像素点P3周围的灰度标度变化明显大于边缘像素点P1周围的灰度标度变化。因此,根据边缘强度的定义,边缘像素点P3的边缘强度大于该边缘像素点P1的边缘强度。
因此,边缘强度计算单元3031可进一步包括被配置为对于每个轮廓边缘像素,在该图像区域中寻找在该轮廓边缘像素周围的局部灰度极大值像素和局部灰度极小值像素的单元30311,以及被配置为基于该局部灰度极大值像素和局部灰度极小值像素之间的灰度差以及局部灰度极大值像素和局部灰度极小值像素的位置,计算该轮廓边缘像素的边缘强度的单元30312。
通过利用轮廓边缘像素周围的局部极值而不仅是利用最相邻像素来计算轮廓边缘像素的边缘强度,计算结果可更稳定。
[归一化过程]
如在表3中可见,如果直接使用在步骤300中计算的边缘强度值作为模糊测量值,则结果将在如图14中所示的具有不同对比度(相同模糊度)的图像之间变化很大。但是,它们的实际模糊度是相似的。
表3
(a) | (b) | (c) | |
边缘强度 | 0.0585 | 0.0525 | 0.0664 |
由此可容易地推断,当图像对比度提高很多时,模糊的边缘似乎随着局部灰度标度变化增加而变得更锐利。因此,这种边缘的边缘强度值将变得更大。为了解决此问题,本过程利用关于包括轮廓边缘像素的灰度图像区域的对比度条件的信息对计算出的轮廓边缘像素的边缘强度进行归一化,以便抑制灰度图像的局部对比度的影响。
边缘强度的归一化可被以多种方式实现。本过程对于边缘强度的归一化如下。
本发明的归一化过程可计算具有空间不连续性的灰度图像区域中的在轮廓边缘像素周围的预定区域中的局部灰度方差,并且然后将计算出的边缘强度除以该局部灰度方差以便对计算出的边缘强度进行归一化。
因此,归一化单元3032可进一步包括被配置为计算具有空间不连续性的灰度图像区域中的在轮廓边缘像素周围的预定区域中的局部灰度方差的单元30321,以及被配置为将计算出的边缘强度除以该局部灰度方差以便对计算出的边缘强度进行归一化的单元30322。
应注意,以上描述仅是说明性的,并且本发明的归一化不限于此。局部灰度方差是指示包括轮廓边缘像素的灰度图像的对比度条件的一种信息,当然,可使用指示灰度图像的对比度条件的其他形式的信息,而不会背离本发明的精神。
局部灰度方差在该轮廓边缘像素周围的具有预定尺寸的预定区域中被确定。应注意,预定区域的其它局部灰度特性(诸如灰度均值、灰度中值等)也可被使用。
如上所述,像素块的形状也可以是多种形状中的任一种,诸如方形、矩形、五边形、六边形等。通常,在具体实现中,该像素块的形状将根据图像区域的形状被选择。
优选地,预定区域通常是在其中所检测的前景像素居中的区域。可替换地,该检测的前景像素可位于该预定区域的中部范围中。
下文,描述作为示例的具有M×M像素的尺寸的像素区域中的局部灰度方差的确定。
对于轮廓边缘像素p,在此像素区域中的局部灰度标度方差被计算如下:
然后,将边缘强度除以关于包括该轮廓边缘像素的灰度图像区域的对比度条件的信息。例如,当对比度条件的信息为灰度值的局部方差时,归一化后的边缘强度被计算如下:
其中S′(p)为归一化后的边缘强度。
通过利用在轮廓边缘像素周围的块区域中计算出的轮廓边缘像素周围的灰度值的局部方差而不是沿特定方向的局部方差来归一化边缘强度,归一化效果得到提高。
如在表4中可见,对于图14中的图像,由不同对比度导致的边缘强度的差异在归一化之后被消除。
表4
[模糊度计算过程]
在这里,图像区域的模糊度可基于归一化后的边缘强度以本领域中的多种方式被计算,例如如上所述,将图像区域中的各像素的归一化后的边缘强度进行平均化。
应注意,不管计算方式如何,由于轮廓边缘像素的边缘强度的归一化,本实施例的模糊度的确定的准确性和稳定性仍大大提高。
[有利效果]
如上所述,现有技术中的技术主要直接利用计算出的边缘强度作为模糊图像区域的模糊度的测量。但是,这样的边缘强度易于受灰度图像的局部对比度影响,这是因为可容易推断,随着图像对比度增加,模糊边缘似乎更锐利,因此这种边缘的边缘强度值将更大。因此,对于具有不同对比度以及相同模糊水平的图像,现有技术中的技术将获得大大不同的模糊度,因此由于没有考虑灰度图像的局部对比度,这样的技术不能获得稳定且准确的模糊度。
在本发明中,通过基于关于灰度图像区域的对比度条件的信息对灰度图像区域中包含的轮廓边缘像素中的每一个的边缘强度进行归一化,图像区域的局部对比度对边缘强度的影响可被有效地抑制,因此通过本过程确定的模糊度可稳定且准确地反映模糊灰度图像的实际模糊水平。
应注意,该改良的实施例中的过程也可与本领域中的边缘强度计算方法相组合,并且由于利用图像区域的对比度条件的信息进行归一化,仍可提高模糊度的确定,由此对于具有不同对比度的图像提供稳定且准确的模糊度。
此外,改良的实施例中的过程可与基本实施例中的过程相组合,从而可提供可实现快速且鲁棒的灰度图像的模糊度的确定的过程。
下文,本实施例与现有技术中的技术之间的比较在以下的表中被示出。
对于如图14和15所示的具有相同图像内容、相同模糊水平和不同对比度的图像区域,通过本发明和现有技术计算的模糊度分别在表5和表6中被示出。
表5
(a) | (b) | (c) | |
现有技术2 | 0.0589 | 0.0530 | 0.0665 |
本发明 | 0.0679 | 0.0703 | 0.0693 |
表6
(a) | (b) | (c) | |
现有技术2 | 0.0790 | 0.0655 | 0.0965 |
本发明 | 0.0926 | 0.0913 | 0.1025 |
对于如图16所示的具有不同图像内容、相同模糊水平和不同对比度的图像区域,通过本发明和现有技术计算的模糊度在表7中被示出。
表7
(a) | (b) | (c) | |
现有技术2 | 0.0853 | 0.0655 | 0.0966 |
本发明 | 0.1004 | 0.0926 | 0.1022 |
可见不管图像区域中的内容如何,通过本发明确定的模糊度对于具有不同对比度的图像保持稳定(在具有不同对比度的图像之间评估值类似)。但是,现有技术2的结果受对比度影响并且变化很大。
[其它实施例]
尽管对于具有空间不连续性的图像区域描述了模糊度的确定,但是它可等同地扩展到具有空间不连续性的灰度图像的模糊度的确定,就好像该灰度图像是在上文描述中所描述的图像区域似的,并且在此情况下,上述的过程可针对于整个图像。
可替换地,整个图像可被首先分割成多个图像区域,并且在不同的图像区域之间不存在重叠。
然后,上述过程可被应用于该多个图像区域中的每一个,并且整个图像的模糊度可基于该多个图像区域各自的模糊度被确定。
例如,整个图像的模糊度可如下地通过对多个图像区域中所有归一化后的边缘强度进行平均而被获得。
其中,M是图像区域的计数,Ni是第i个图像区域中的边缘的数目,是整个图像中的边缘像素的总数。S′(pij)是第i个图像区域中的第j个轮廓边缘像素的归一化后的边缘强度。
本领域中那些技术人员可想到在不背离本发明的精神的情况下,可利用基于多个图像区域的模糊度确定整个图像的模糊度的其它方式,诸如计算各图像区域的各模糊度的中值、方差等。
此外,为了加速整个图像的模糊度确定,在整个图像的模糊度的计算期间,在其中轮廓边缘像素的数目小于预定阈值(第二阈值)的图像区域、即被视为空白区域的图像区域可不被考虑。
作为另一个应用,本发明还可用于具有空间不连续性的劣化的图像区域或者图像(诸如模糊的文档图像)的自适应去模糊化。
在实现中,本发明可如上所述地计算图像区域或者整个图像的模糊度,并且然后对该图像区域或者整个图像进行去模糊化。
可替换地,对于劣化的图像,本发明可首先将该图像分割成多个图像区域,然后计算该多个图像区域中的每一个的模糊度。然后,本发明可基于每一图像区域的计算出的模糊度自适应地将每一图像区域去模糊化。在将所有多个图像区域去模糊化之后,可将经去模糊化的图像区域组合以便获得对应于原始的劣化图像的完整的去模糊化的图像。
如上所述,由于图像区域的模糊度的确定的改进,整个图像的模糊度的确定以及图像区域或者整个图像的去模糊化与现有技术相比也可被改进。
另外,可采用多种方式来实行本发明的方法和系统。例如,可通过软件、硬件、固件或它们的任何组合来实行本发明的方法和系统。上文所述的该方法的步骤的顺序仅是说明性的,并且除非另外具体说明,否则本发明的方法的步骤不限于上文具体描述的顺序。此外,在一些实施例中,本发明还可具体化为记录介质中记录的程序,包括用于实施根据本发明的方法的机器可读指令。因此,本发明还涵盖了存储用于实施根据本发明的方法的程序的记录介质。
虽然已经参考示例实施例描述了本发明,应当理解,本发明不限于公开的示例实施例。下面的权利要求的范围将被给予最宽泛的解释,以便包含所有这些修改以及等同结构和功能。
Claims (36)
1.一种用于确定具有空间不连续性的图像区域的模糊度的方法,该方法包括:
二值化步骤,用于将所述具有空间不连续性的图像区域二值化以便获得经二值化的图像区域;
检测步骤,用于检测所述经二值化的图像区域中的轮廓边缘像素;以及
确定步骤,用于基于检测到的轮廓边缘像素确定所述具有空间不连续性的图像区域的模糊度。
2.根据权利要求1所述的方法,其中,所述具有空间不连续性的图像区域包括至少一个离散分布的对象,并且轮廓边缘像素为在所述经二值化的图像区域中离散分布的对象相对于背景的轮廓边界中的像素。
3.根据权利要求2所述的方法,其中,所述具有空间不连续性的图像区域是文档图像区域,并且所述至少一个离散分布的对象是所述文档图像区域中的字符。
4.根据权利要求1所述的方法,其中,所述确定步骤包括用于计算检测到的轮廓边缘像素中的每一个的边缘强度、以便确定所述具有空间不连续性的图像区域的模糊度的步骤。
5.根据权利要求1所述的方法,其中,所述经二值化的图像区域包括前景像素和背景像素,并且
其中,所述检测步骤进一步包括:
噪声过滤步骤,用于从所述经二值化的图像区域中滤除被视为噪声像素的前景像素;以及
内部前景像素过滤步骤,用于在噪声过滤之后的所述经二值化的图像区域中滤除内部前景像素,
其中,在噪声过滤和内部前景像素过滤之后的剩余的前景像素被检测为轮廓边缘像素。
6.根据权利要求5所述的方法,其中,
噪声过滤步骤包括对于前景像素中的每一个,当该前景像素周围的第一预定区域中所包含的背景像素的数目大于第一预定阈值时,检测该前景像素为噪声像素,并且滤除该前景像素。
7.根据权利要求6所述的方法,其中,所述第一预定区域是具有5×5像素的方形区域;以及
其中,所述第一预定阈值是所述第一预定区域中包含的像素的总数的80%。
8.根据权利要求5所述的方法,其中,
内部前景像素过滤步骤包括对于噪声过滤之后的前景像素中的每一个,当该前景像素周围的第二预定区域中所包含的所有像素都是前景像素时,检测该前景像素为内部前景像素,并且滤除该前景像素。
9.根据权利要求8所述的方法,其中,所述第二预定区域为具有3×3像素的方形区域。
10.根据权利要求1所述的方法,其中,
所述检测步骤包括对于所述经二值化的图像区域中包含的具有预定尺寸的像素块中的每一个,仅当该像素块中的前景像素符合预定条件时识别该像素块中的轮廓边缘像素。
11.根据权利要求10所述的方法,其中
该像素块的预定尺寸为2×2像素,
该预定条件是该像素块中包含的前景像素的数目为2或3,以及
当该像素块中存在两个前景像素时,这两个前景像素被识别为轮廓边缘像素,或者
当该像素块中存在三个前景像素时,该三个前景像素之中的沿对角线方向的两个前景像素被识别为轮廓边缘像素。
12.根据权利要求1所述的方法,其中,所述确定步骤包括:
边缘强度计算步骤,用于对于每个轮廓边缘像素,计算该轮廓边缘像素的边缘强度;
归一化步骤,对于每个轮廓边缘像素,利用关于该图像区域的对比度条件的信息来对该轮廓边缘像素的计算出的边缘强度进行归一化;以及
模糊度计算步骤,用于基于该轮廓边缘像素的经归一化的边缘强度,计算该图像区域的模糊度。
13.根据权利要求12所述的方法,其中,所述边缘强度计算步骤包括:
从该图像区域中在通过该轮廓边缘像素的最大灰度梯度方向上找到该轮廓边缘像素周围的局部灰度极大值像素和局部灰度极小值像素;以及
通过将该局部灰度极大值像素和局部灰度极小值像素之间的灰度差除以该局部灰度极大值像素和局部灰度极小值像素之间的沿该最大灰度梯度方向的距离,计算该轮廓边缘像素的边缘强度。
14.根据权利要求12所述的方法,其中,
关于该图像区域的对比度条件的信息是在该具有空间不连续性的图像区域中的该轮廓边缘像素周围的第三预定区域中的局部灰度方差;以及
该归一化步骤包括将计算出的边缘强度除以该局部灰度方差以便归一化该计算出的边缘强度。
15.根据权利要求14所述的方法,其中,所述第三预定区域是具有5×5像素的区域。
16.根据权利要求4所述的方法,其中,所述确定步骤包括:
将图像区域中包含的轮廓边缘像素的边缘强度平均化以便获得该图像区域的模糊度。
17.一种用于确定具有空间不连续性的图像的模糊度的方法,该方法包括:
将该图像划分成至少一个图像区域;
将根据权利要求1-16中任一项所述的方法应用于各图像区域,以计算图像区域的模糊度;以及
将该至少一个图像区域的模糊度进行平均化以获得该图像的模糊度。
18.一种用于将具有空间不连续性的模糊图像去模糊化的方法,该方法包括:
将该图像划分成至少一个图像区域;
将根据权利要求1-16中任一项所述的方法应用于各图像区域,以计算图像区域的模糊度;
基于计算出的图像区域的模糊度对各图像区域进行去模糊化;以及
将该至少一个经去模糊化的图像区域进行组合以获得经去模糊化的图像。
19.一种用于确定具有空间不连续性的图像区域的模糊度的设备,该设备包括:
二值化单元,被配置用于将所述具有空间不连续性的图像区域二值化以便获得经二值化的图像区域;
检测单元,被配置用于检测所述经二值化的图像区域中的轮廓边缘像素;以及
确定单元,被配置用于基于检测到的轮廓边缘像素确定所述具有空间不连续性的图像区域的模糊度。
20.根据权利要求19所述的设备,其中,所述具有空间不连续性的图像区域包括至少一个离散分布的对象,并且轮廓边缘像素为在所述经二值化的图像区域中离散分布的对象相对于背景的轮廓边界中的像素。
21.根据权利要求20所述的设备,其中,所述具有空间不连续性的图像区域是文档图像区域,并且所述至少一个离散分布的对象是所述文档图像区域中的字符。
22.根据权利要求19所述的设备,其中,所述确定单元包括被配置用于计算检测到的轮廓边缘像素中的每一个的边缘强度、以便确定所述具有空间不连续性的图像区域的模糊度的单元。
23.根据权利要求19所述的设备,其中,所述经二值化的图像区域包括前景像素和背景像素,并且
其中,所述检测单元进一步包括:
噪声过滤单元,被配置用于从所述经二值化的图像区域中滤除被视为噪声像素的前景像素;以及
内部前景像素过滤单元,被配置用于在噪声过滤之后的所述经二值化的图像区域中滤除内部前景像素,
其中,在噪声过滤和内部前景像素过滤之后的剩余的前景像素被检测为轮廓边缘像素。
24.根据权利要求23所述的设备,其中,
噪声过滤单元包括被配置用于对于前景像素中的每一个,当该前景像素周围的第一预定区域中所包含的背景像素的数目大于第一预定阈值时,检测该前景像素为噪声像素,并且滤除该前景像素的单元。
25.根据权利要求24所述的设备,其中,所述第一预定区域是具有5×5像素的方形区域;以及
其中,所述第一预定阈值是所述第一预定区域中包含的像素的总数的80%。
26.根据权利要求23所述的设备,其中,
内部前景像素过滤单元包括被配置用于对于噪声过滤之后的前景像素中的每一个,当该前景像素周围的第二预定区域中所包含的所有像素都是前景像素时,检测该前景像素为内部前景像素,并且滤除该前景像素的单元。
27.根据权利要求26所述的设备,其中,所述第二预定区域为具有3×3像素的方形区域。
28.根据权利要求19所述的设备,其中,
所述检测单元包括被配置用于对于所述经二值化的图像区域中包含的具有预定尺寸的像素块中的每一个,仅当该像素块中的前景像素符合预定条件时识别该像素块中的轮廓边缘像素的单元。
29.根据权利要求28所述的设备,其中
该像素块的预定尺寸为2×2像素,
该预定条件是该像素块中包含的前景像素的数目为2或3,以及
当该像素块中存在两个前景像素时,这两个前景像素被识别为轮廓边缘像素,或者
当该像素块中存在三个前景像素时,该三个前景像素之中的沿对角线方向的两个前景像素被识别为轮廓边缘像素。
30.根据权利要求19所述的设备,其中,所述确定单元包括:
边缘强度计算单元,被配置用于对于每个轮廓边缘像素,计算该轮廓边缘像素的边缘强度;
归一化单元,被配置用于对于每个轮廓边缘像素,利用关于该图像区域的对比度条件的信息来对该轮廓边缘像素的计算出的边缘强度进行归一化;以及
模糊度计算单元,被配置用于基于该轮廓边缘像素的经归一化的边缘强度,计算该图像区域的模糊度。
31.根据权利要求30所述的设备,其中,所述边缘强度计算单元包括:
被配置用于从该图像区域中在通过该轮廓边缘像素的最大灰度梯度方向上找到该轮廓边缘像素周围的局部灰度极大值像素和局部灰度极小值像素的单元;以及
被配置用于通过将该局部灰度极大值像素和局部灰度极小值像素之间的灰度差除以该局部灰度极大值像素和局部灰度极小值像素之间的沿该最大灰度梯度方向的距离,计算该轮廓边缘像素的边缘强度的单元。
32.根据权利要求30所述的设备,其中,
关于图像区域的对比度条件的信息是在该具有空间不连续性的图像区域中的该轮廓边缘像素周围的第三预定区域中的局部灰度方差;以及
该归一化单元包括被配置用于将该计算出的边缘强度除以该局部灰度方差以便归一化该计算出的边缘强度的单元。
33.根据权利要求32所述的设备,其中,所述第三预定区域是具有5×5像素的区域。
34.根据权利要求22所述的设备,其中,所述确定单元包括:
被配置用于将图像区域中包含的轮廓边缘像素的边缘强度平均化以便获得该图像区域的模糊度的单元。
35.一种用于确定具有空间不连续性的图像的模糊度的设备,该设备包括:
被配置用于将该图像划分成至少一个图像区域的单元;
被配置用于将根据权利要求1-16中任一项所述的方法应用于各图像区域,以计算图像区域的模糊度的单元;以及
被配置用于将该至少一个图像区域的模糊度进行平均化以获得该图像的模糊度的单元。
36.一种用于将具有空间不连续性的模糊图像去模糊化的设备,该设备包括:
被配置用于将该图像划分成至少一个图像区域的单元;
被配置用于将根据权利要求1-16中任一项所述的方法应用于各图像区域,以计算图像区域的模糊度的单元;
被配置用于基于计算出的图像区域的模糊度对各图像区域进行去模糊化的单元;以及
被配置用于将该至少一个经去模糊化的图像区域进行组合以获得经去模糊化的图像的单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101694650A CN103455994A (zh) | 2012-05-28 | 2012-05-28 | 图像模糊度的确定方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101694650A CN103455994A (zh) | 2012-05-28 | 2012-05-28 | 图像模糊度的确定方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103455994A true CN103455994A (zh) | 2013-12-18 |
Family
ID=49738326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101694650A Pending CN103455994A (zh) | 2012-05-28 | 2012-05-28 | 图像模糊度的确定方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103455994A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794702A (zh) * | 2014-10-08 | 2015-07-22 | 南京音视软件有限公司 | 一种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法 |
CN104867128A (zh) * | 2015-04-10 | 2015-08-26 | 浙江宇视科技有限公司 | 图像模糊检测方法和装置 |
WO2016058336A1 (zh) * | 2014-10-16 | 2016-04-21 | 中兴通讯股份有限公司 | 一种图像的处理方法和装置 |
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 |
CN106663311A (zh) * | 2014-08-06 | 2017-05-10 | 谷歌公司 | 用于增加图像的位深的系统和方法 |
CN107194887A (zh) * | 2017-05-08 | 2017-09-22 | 广州智慧城市发展研究院 | 一种应用于车牌检测的图像去模糊方法及系统 |
CN107331341A (zh) * | 2017-08-10 | 2017-11-07 | 武汉华星光电技术有限公司 | 一种子像素的渲染方法及系统 |
CN107784651A (zh) * | 2017-10-31 | 2018-03-09 | 中国矿业大学 | 一种基于模糊检测加权的模糊图像质量评价方法 |
CN108629766A (zh) * | 2018-04-26 | 2018-10-09 | 北京大米科技有限公司 | 图像模糊度检测方法、装置、计算机设备及可读存储介质 |
CN108921905A (zh) * | 2018-07-16 | 2018-11-30 | 意力(广州)电子科技有限公司 | 靶标定位方法、装置、计算机设备和可读存储介质 |
CN109919882A (zh) * | 2019-01-18 | 2019-06-21 | 平安科技(深圳)有限公司 | 基于眼底彩照图像的图像优化方法及相关设备 |
CN110135288A (zh) * | 2019-04-28 | 2019-08-16 | 佛山科学技术学院 | 一种电子证照的快速核对方法及装置 |
CN111445433A (zh) * | 2019-10-14 | 2020-07-24 | 北京华宇信息技术有限公司 | 一种电子卷宗的空白页和模糊页的检测方法及装置 |
CN111492402A (zh) * | 2017-12-28 | 2020-08-04 | 三星电子株式会社 | 用于处理图像的方法和装置及其计算机程序产品 |
CN114549499A (zh) * | 2022-03-01 | 2022-05-27 | 浪潮金融信息技术有限公司 | 一种用于终端设备的高拍仪达标检测方法、系统及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040120598A1 (en) * | 2002-12-18 | 2004-06-24 | Feng Xiao-Fan | Blur detection system |
CN101609500A (zh) * | 2008-12-01 | 2009-12-23 | 公安部第一研究所 | 出入境数字人像相片质量评估方法 |
CN101950418A (zh) * | 2010-08-26 | 2011-01-19 | 北京中创信测科技股份有限公司 | 一种图像质量评价方法和装置 |
-
2012
- 2012-05-28 CN CN2012101694650A patent/CN103455994A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040120598A1 (en) * | 2002-12-18 | 2004-06-24 | Feng Xiao-Fan | Blur detection system |
CN101609500A (zh) * | 2008-12-01 | 2009-12-23 | 公安部第一研究所 | 出入境数字人像相片质量评估方法 |
CN101950418A (zh) * | 2010-08-26 | 2011-01-19 | 北京中创信测科技股份有限公司 | 一种图像质量评价方法和装置 |
Non-Patent Citations (2)
Title |
---|
XIN WANG ET AL: "Blind Image Quality Assessment for Measuring Image Blur", 《2008 CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
赵巨峰等: "基于模糊度和噪声水平的图像质量评价方法", 《光电子激光》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106663311A (zh) * | 2014-08-06 | 2017-05-10 | 谷歌公司 | 用于增加图像的位深的系统和方法 |
CN106663311B (zh) * | 2014-08-06 | 2019-12-03 | 谷歌有限责任公司 | 用于增加图像的位深的系统和方法 |
CN104794702B (zh) * | 2014-10-08 | 2016-02-17 | 江苏省电力公司电力科学研究院 | 一种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法 |
CN104794702A (zh) * | 2014-10-08 | 2015-07-22 | 南京音视软件有限公司 | 一种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法 |
WO2016058336A1 (zh) * | 2014-10-16 | 2016-04-21 | 中兴通讯股份有限公司 | 一种图像的处理方法和装置 |
CN104867128B (zh) * | 2015-04-10 | 2017-10-31 | 浙江宇视科技有限公司 | 图像模糊检测方法和装置 |
CN104867128A (zh) * | 2015-04-10 | 2015-08-26 | 浙江宇视科技有限公司 | 图像模糊检测方法和装置 |
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 |
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 |
CN107194887A (zh) * | 2017-05-08 | 2017-09-22 | 广州智慧城市发展研究院 | 一种应用于车牌检测的图像去模糊方法及系统 |
CN107331341B (zh) * | 2017-08-10 | 2020-11-03 | 武汉华星光电技术有限公司 | 一种子像素的渲染方法及系统 |
CN107331341A (zh) * | 2017-08-10 | 2017-11-07 | 武汉华星光电技术有限公司 | 一种子像素的渲染方法及系统 |
CN107784651A (zh) * | 2017-10-31 | 2018-03-09 | 中国矿业大学 | 一种基于模糊检测加权的模糊图像质量评价方法 |
CN111492402A (zh) * | 2017-12-28 | 2020-08-04 | 三星电子株式会社 | 用于处理图像的方法和装置及其计算机程序产品 |
CN111492402B (zh) * | 2017-12-28 | 2023-08-18 | 三星电子株式会社 | 用于处理图像的方法和装置及其计算机程序产品 |
CN108629766A (zh) * | 2018-04-26 | 2018-10-09 | 北京大米科技有限公司 | 图像模糊度检测方法、装置、计算机设备及可读存储介质 |
CN108921905A (zh) * | 2018-07-16 | 2018-11-30 | 意力(广州)电子科技有限公司 | 靶标定位方法、装置、计算机设备和可读存储介质 |
CN109919882A (zh) * | 2019-01-18 | 2019-06-21 | 平安科技(深圳)有限公司 | 基于眼底彩照图像的图像优化方法及相关设备 |
CN109919882B (zh) * | 2019-01-18 | 2023-07-21 | 平安科技(深圳)有限公司 | 基于眼底彩照图像的图像优化方法及相关设备 |
CN110135288A (zh) * | 2019-04-28 | 2019-08-16 | 佛山科学技术学院 | 一种电子证照的快速核对方法及装置 |
CN111445433A (zh) * | 2019-10-14 | 2020-07-24 | 北京华宇信息技术有限公司 | 一种电子卷宗的空白页和模糊页的检测方法及装置 |
CN114549499A (zh) * | 2022-03-01 | 2022-05-27 | 浪潮金融信息技术有限公司 | 一种用于终端设备的高拍仪达标检测方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103455994A (zh) | 图像模糊度的确定方法和设备 | |
Chung et al. | Efficient shadow detection of color aerial images based on successive thresholding scheme | |
US8774514B2 (en) | Method of and apparatus for classifying image using histogram analysis, and method of and apparatus for recognizing text image using the histogram analysis | |
US8437054B2 (en) | Methods and systems for identifying regions of substantially uniform color in a digital image | |
US10748023B2 (en) | Region-of-interest detection apparatus, region-of-interest detection method, and recording medium | |
CN114387273B (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及系统 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN101877127A (zh) | 基于梯度剖面的图像无参考质量评价方法及系统 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
JP2024050880A (ja) | 文字分割方法、装置、および、コンピュータ可読記憶媒体 | |
US20120320433A1 (en) | Image processing method, image processing device and scanner | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
Popescu et al. | Texture based method for automated detection, localization and evaluation of the exudates in retinal images | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN113516608A (zh) | 轮胎的缺陷检测方法和检测装置、轮胎检测设备 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 | |
JP5424694B2 (ja) | 画像認識装置、及びプログラム | |
CN114299092A (zh) | 一种指纹图像的湿度评估方法、装置及系统 | |
JP4247993B2 (ja) | 画像検査装置、画像検査方法、制御プログラムおよび可読記憶媒体 | |
US9536171B2 (en) | Logo detection by edge matching | |
CN118097581B (zh) | 一种道路边缘识别控制方法及装置 | |
CN111476821B (zh) | 基于在线学习的目标跟踪方法 | |
CN108960254B (zh) | 一种基于mscn信息识别模糊图像的方法和装置、计算设备及存储介质 | |
CN117911338A (zh) | 图像清晰度评价方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131218 |