CN103927753B - 一种基于多尺度重组dct系数的图像绝对模糊度估计方法 - Google Patents

Abstract

本发明公开了一种基于多尺度重组DCT系数的图像绝对模糊度估计方法，对感兴趣图像进行8×8块状DCT变换，将每个8×8块64个系数划分三级共10个系数子块。将各8×8DCT块相同的系数子块组合到一起并放在对应的位置上，可得到一幅重组后包含三级多尺度DCT系数图。构建每一级的能量图，并找出能量图中的边缘点，找到所有的屋顶边缘点、阶梯边缘点、模糊边缘点，根据屋顶边缘点、阶梯边缘点个数和模糊边缘点个数计算图像绝对模糊度。本发明利用三级多尺度的重组DCT系数找到了一种计算绝对模糊度的方法，准确度高，计算简单、计算量小，适合硬件实现。

Description

一种基于多尺度重组DCT系数的图像绝对模糊度估计方法

技术领域

本发明涉及电子信息学科领域,特别是一种基于多尺度重组DCT系数的图像绝对模糊度估计方法。

背景技术

图像模糊度计算是图像处理和分析领域的一个重要问题，在图像压缩编码、图像质量评估、基于图像的被动聚焦等许多方面具有应用。

图像模糊度评估是图像质量评估的一种，可分为主观评估和客观评估。主观评估是基于人眼观察比较主观打分，通过采集一定数目的打分样本统计得到。在很多应用上，人都是作为图像或视频输出的终极用户，其对图像的主观感受和评价被认为是最可靠的。主观评估的缺点显而易见，即耗时、耗力，无法应用到需要实时评估的场合。客观评估是通过对图像数据分析计算达到与人眼观测相关或近似的评估指标，根据计算条件可分为全参照、部分参照和无参照三类方法。全参照评估需要原始无失真图像作为参照，其计算是基于原始图像与失真图像之间的误差，结果稳定且比较准确；部分参照方法利用原始图像的部分信息，其计算机与原始图像特征与失真图像特征差异，减少了数据传输同时也具有较高的可靠性；无参照方法不需要任何原始图像信息，这类方法灵活、具有广泛的应用。

一般来说，图像锐度与图像模糊度是成反比例的，图像锐度越大，也就是边缘愈加尖锐、细节愈加清楚而越容易分辨，此时图像越清晰也就是越不模糊。所以在很多情况下，两者似乎是可以互相代替的。但是，严格来说两者之间还是存在差别。图像不模糊不一定就锐度大，反之亦然。比如准确聚焦的光滑纯黑色区域是不锐利的，但不能认为它是模糊的。

一般的图像模糊度评估方法复杂度高，需要较大的计算资源消耗。为了克服此缺点，研究和采用计算简单、能够快速实时准确的达到绝对模糊度估计目的的方法，是很有意义的。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种计算资源消耗小、且能实时对模糊度进行准确估计的基于多尺度重组DCT系数的图像绝对模糊度估计方法。

为解决上述技术问题，本发明所采用的技术方案是：一种基于多尺度重组DCT系数的图像绝对模糊度估计方法，该方法为：

1)将图像分成若干个大小为8×8的图像小块，对每个8×8图像小块进行DCT变换，得到每个8×8图像小块DCT变换后的64个系数，且该64个系数排列成系数方阵，将每个DCT变换后的8×8图像小块的系数方阵划分为10个系数子块，所述系数方阵的1、2、3、4行，第5、6、7、8列为第7系数子块，所述系数方阵的第5、6、7、8行，第5、6、7、8列为第9系数子块，所述系数方阵的第5、6、7、8行，第1、2、3、4列为第8系数子块，第7系数子块、第9系数子块、第8系数子块为第一级；所述系数方阵的第1、2行，第3、4列为第4系数子块，所述系数方阵的第3、4行，第3、4列为第6系数子块，所述系数方阵的第3、4行，第1、2列为第5系数子块，第4系数子块、第6系数子块、第5系数子块为第二级；所述系数方阵的第1行、第1列元素为第0系数子块，所述系数方阵的第1行、第2列元素为第1系数子块，所述系数方阵的第2行、第1列元素为第2系数子块，所述系数方阵的第2行、第2列元素为第3系数子块，第0系数子块、第1系数子块、第2系数子块、第3系数子块为第三级；

2)把所有8×8图像小块编号相同的系数子块组合到一起，得到一幅包含三级多尺度的重组DCT图像；

3)对上述步骤2)的每一级分别构建一副能量图，第i级中点(k,l)的能量E_i(k,l)为：

$E_i(k,l)=\sqrt{{\left(S_{i1}\right(k,l\left)\right)}^2+{\left(S_{i2}\right(k,l\left)\right)}^2};$

其中，i＝1,2,3，j＝1,2,3；S_ij表示第(3-i)×3+j系数子块，即S_ij＝S_(3-i)×3+j，S_ij(k,l)表示第(3-i)×3+j系数子块的(k,l)坐标位置的系数；

4)找出每幅能量图中每个无重叠的大小为2^a-i×2^a-i窗口的最大能量值，定义各个最大能量值为边缘点，每幅能量图的边缘点构成一幅大小相同边缘图EM_i(x,y)，i＝1,2,3；a为3或4；

5)按照下述规则找到所有边缘图的所有屋顶边缘点和阶梯边缘点：初始化屋顶边缘点和阶梯边缘点个数N_rg＝0，对某边缘点(x,y),如果任意EM_i(x,y)>T₁,且EM₁(x,y)<EM₂(x,y)、EM₂(x,y)<EM₃(x,y)或EM₂(x,y)>EM₁(x,y)、EM₂(x,y)>EM₃(x,y)，则(x,y)为屋顶边缘点或阶梯边缘点,N_rg＝N_rg+1；T₁为预定义阈值，取值范围为5-15；

6)初始化模糊边缘点个数N_blur＝0，按照下述规则找到所有模糊边缘点：如果EM₂(x,y)>T₂，则边缘点(x,y)为模糊边缘点，N_blur＝N_blur+1；T₂为预定义阈值，T₂≥T₁；

7)计算图像的绝对模糊度B：

与现有技术相比，本发明所具有的有益效果为：本发明利用三级多尺度的重组DCT系数找到了一种计算绝对模糊度的方法，准确度高，计算简单、计算量小，适合硬件实现。

附图说明

图1为8×8DCT系数标号示意图；

图2为8×8DCT系数分区示意图；

图3为多尺度重组DCT示例；

图4为多尺度重组后DCT各分区示意图；

图5模糊度计算实例。

具体实施方式

本发明的模糊度估计思想是当图像模糊时，其中的某类边缘点比如屋顶边缘和阶梯边缘会显著减少，通过分析模糊的屋顶边缘和阶梯边缘点变化，则可以估计对应的图像模糊度。

本发明的实现步骤如下：

1)对感兴趣图像进行8×8块状DCT变换，将每个8×8块64个系数划分三级(类似于三级离散小波变换)共10个系数子块(见图2)，其中第一级包括7、8、9子块(分别对应于离散小波变换的第一级HL、LH和HH系数块)，各子块包含16个系数，共48个系数；第二级包括第4、5、6子块(分别对应于离散小波变换的第二级HL、LH和HH系数块)，各子块包含4个系数，共12个系数；第三级包括0、1、2、3子块(第0子块即为DCT的DC系数，第1、2、3子块分别对应离散小波变换的第三级HL、LH和HH系数块)，共4个系数；

2)把各个8×8小块相同的系数子块组合到一起并放在相应的位置上，得到一幅包含三级多尺度的重组DCT图像，如图3所示；其中第一级包括S₇,S₈,S₉子块，第二级包括S₄,S₅,S₆子块，第三级包括S₀,S₁,S₂,S₃子块；

3)对第i级构建一副能量图，每个点(k,l)的能量E_i(k,l)按如下公式计算：

$E_i(k,l)=\sqrt{{\left(S_{i1}\right(k,l\left)\right)}^2+{\left(S_{i2}\right(k,l\left)\right)}^2}$

其中{S_ij|j＝1,2,3}各值S_ij＝S_(3-i)×3+j为对应的子块；i＝1,2,3；

4)对每幅能量图查找出每个无重叠的大小为2^a-i×2^a-i邻域的最大能量值(窗口大小由a决定，为保证获得足够多的边缘点，一般取a为3或4)，定义各个最大能量值为边缘点，由此构成三幅同样大小的边缘图EM_i(i＝1,2,3)。考虑到DCT系数的能量具有向左上角集中的规律，可以仅仅查找每个邻域左上角的最大能量值作为整个领域的边缘点。采取这种方法不但可以显著减少计算量而且对计算精度影响很小。

5)按照下述规则找到所有的屋顶边缘和阶梯边缘点以及模糊边缘点，初始设这两类边缘点个数N_rg＝0及模糊边缘点个数为N_blur＝0。

a)对某边缘点(k,l),如果任意EM_i(k,l)>T₁(i＝1,2,3),且

EM₁(k,l)<EM₂(k,l)、EM₂(k,l)<EM₃(k,l)或

EM₂(k,l)>EM₁(k,l)、EM₂(k,l)>EM₃(k,l)，则(k,l)为屋顶或阶梯边缘点,N_rg＝N_rg+1。

b)对满足上述的条件的屋顶或阶梯边缘点(k,l)，如果

EM₂(k,l)>T₂，则(k,l)为模糊边缘点，N_blur＝N_blur+1。其中T₁和

T₂为两预定义阈值，满足：T₂≥T₁。

5)计算模糊度

图5给出了对29副公共模糊图像进行模糊度估计的对比结果。由结果可见，本发明所提的模糊度估计方法能够获得准确的模糊度估计值。

Claims (1)

1.一种基于多尺度重组DCT系数的图像绝对模糊度估计方法，其特征在于，该方法为：

1)将图像分成若干个大小为8×8的图像小块，对每个8×8图像小块进行DCT变换，得到每个8×8图像小块DCT变换后的64个系数，且该64个系数排列成系数方阵，将每个DCT变换后的8×8图像小块的系数方阵划分为10个系数子块，所述系数方阵的1、2、3、4行，第5、6、7、8列为第7系数子块，所述系数方阵的第5、6、7、8行，第5、6、7、8列为第9系数子块，所述系数方阵的第5、6、7、8行，第1、2、3、4列为第8系数子块，第7系数子块、第9系数子块、第8系数子块为第一级；所述系数方阵的第1、2行，第3、4列为第4系数子块，所述系数方阵的第3、4行，第3、4列为第6系数子块，所述系数方阵的第3、4行，第1、2列为第5系数子块，第4系数子块、第6系数子块、第5系数子块为第二级；所述系数方阵的第1行、第1列元素为第0系数子块，所述系数方阵的第1行、第2列元素为第1系数子块，所述系数方阵的第2行、第1列元素为第2系数子块，所述系数方阵的第2行、第2列元素为第3系数子块，第0系数子块、第1系数子块、第2系数子块、第3系数子块为第三级；

2)把所有8×8图像小块编号相同的系数子块组合到一起，得到一幅包含三级多尺度的重组DCT图像；

3)对上述步骤2)的每一级分别构建一副能量图，第i级中点(k,l)的能量E_i(k,l)为：

$E_i(k,l)=\sqrt{{\left(S_{i1}\right(k,l\left)\right)}^2+{\left(S_{i2}\right(k,l\left)\right)}^2};$

其中，i＝1,2,3，j＝1,2,3；S_ij表示第(3-i)×3+j系数子块，即S_ij＝S_(3-i)×3+j，S_ij(k,l)表示第(3-i)×3+j系数子块的(k,l)坐标位置的系数；

4)找出每幅能量图中每个无重叠的大小为2^a-i×2^a-i窗口的最大能量值，定义各个最大能量值为边缘点，每幅能量图的边缘点构成一幅大小相同边缘图EM_i(x,y)，i＝1,2,3；a为3或4；

5)按照下述规则找到所有边缘图的所有屋顶边缘点和阶梯边缘点：初始化屋顶边缘点和阶梯边缘点个数N_rg＝0，对某边缘点(x,y),如果任意EM_i(x,y)>T₁,且EM₁(x,y)<EM₂(x,y)、EM₂(x,y)<EM₃(x,y)或EM₂(x,y)>EM₁(x,y)、EM₂(x,y)>EM₃(x,y)，则(x,y)为屋顶边缘点或阶梯边缘点,N_rg＝N_rg+1；T₁为预定义阈值，取值范围为5-15；

6)初始化模糊边缘点个数N_blur＝0，按照下述规则找到所有模糊边缘点：如果EM₂(x,y)>T₂，则边缘点(x,y)为模糊边缘点，N_blur＝N_blur+1；T₂为预定义阈值，T₂≥T₁；

7)计算图像的绝对模糊度B：