CN104143185B - 一种污点区域检测方法 - Google Patents

Abstract

本申请的实施方式提供了一种污点区域检测方法。该方法包括：获取拍摄设备拍摄的图像；计算所述图像各点的边缘散焦度值，所述边缘散焦度值反映图像边缘的模糊程度；比较计算得到的各点边缘散焦度值与预设阈值的大小，将边缘散焦度大于预设阈值的点确定为污点边缘点；将污点边缘点所在区域确定为污点区域。本申请实施方式提供的污点区域检测方法利用污点散焦模糊现象的物理规律对污点区域实现检测，突破了传统思维定势，给出了一种检测污点区域的全新路径。

Description

一种污点区域检测方法

技术领域

本发明的实施方式涉及检测技术领域，尤其涉及一种污点区域检测方法。

背景技术

图像拍摄设备在使用过程中，常常会由于外界环境影响或人为因素作用等各种原因在拍摄设备的入光面出现污点(区域)，从而影响到拍摄设备获取正确的图像，甚至由此引发出进一步的问题。比如，在计算机视觉识别系统中，如果拍摄设备的镜头上附着有污点，将使获取的图像不真实、不完整，而计算机视觉识别系统会基于这种拍摄到的图像进行特征分析以实现各种具体的应用，在特征分析时这种不真实、不完整的图像将可能导致分析错误，使应用的正常运行受到影响，严重时甚至可能导致整个系统瘫痪。为此，需要一种污点检测技术来及时发现污点(区域)，以便对污点采取清理措施，进而获取到正确图像。

目前，已经出现这种技术，该技术主要依靠污点在入光面中始终保持位置固定的特点，采取多帧图像进行差分分析的方法来识别污点区域。然而，这种技术存在较大的缺点。比如，当拍摄设备用于拍摄包含有相对于拍摄设备位置固定的景象时，由于该景象也具有位置不变的特点，采用上述“帧间差分分析法”将可能使该景象被当作污点识别出来，从而导致污点区域检测出现错误。

发明内容

为了解决上述问题，本申请实施例提供了一种污点区域检测方法，以实现对污点区域的检测。

本申请实施例提供的污点区域检测方法包括：

获取拍摄设备拍摄的图像；

计算所述图像的边缘散焦度值，所述边缘散焦度值反映图像边缘的模糊程度；

比较计算得到的各点边缘散焦度与预设阈值的大小，将边缘散焦度值大于预设阈值的点确定为污点边缘点；

将污点边缘点所在区域确定为污点区域。

优选地，所述阈值为双阈值，包括高阈值和低阈值，所述比较计算得到的各点边缘散焦度值与预设阈值的大小，将边缘散焦度值大于预设阈值的点确定为污点边缘点具体包括：

比较计算得到的各点边缘散焦度与所述高阈值的大小；

如果有边缘散焦度值大于或等于高阈值的点，则将该边缘散焦度值大于或等于高阈值的点确定为污点边缘点，且寻找该边缘散焦度值大于或等于高阈值的点对应的L邻域内是否存在满足如下关系的第一特定点：该第一特定点的边缘散焦度值小于高阈值，且大于或等于低阈值；如果存在，则将所述第一特定点确定为污点边缘点。

进一步优选地，对所述图像进行边缘检测，得到边缘图像B，所述边缘图像B中边缘点的值用第一预设值标识，非边缘点的值用第二预设值标识；

初始化污点候选边缘图B₁、B₂，其中：B₁＝B₂＝B；

比较各点的边缘散焦度值与高阈值、低阈值的大小，如果边缘散焦度值大于或等于高阈值，则保留该点在污点候选边缘图像B₁中对应点的值，否则，将该对应点的值置为第二预设值，形成高置信度的污点候选边缘图B₁₁；如果边缘散焦度值大于或等于低阈值，则保留该点在污点候选边缘图像B₂中对应点的值，否则，将该对应点的值置为第二预设值，形成低置信度的污点候选边缘图B₂₁；

判断污点候选边缘图B₁₁中值为第一预设值的各个点的L邻域内或者该各个点在污点候选边缘图B₂₁中对应点的L邻域内是否存在满足下述关系的第一特定点：该第一特定点在污点候选边缘图B₁₁中对应的值为第二预设值，且在候选边缘图像B₂₁中对应的值为第一预设值；如果存在，则将该第一特定点在污点候选边缘图B₁₁中对应的值置为第一预设值，对该第一特定点进行上述判断步骤，直至找不到满足上述关系的点；

将污点候选边缘图B₁₁中值为第一预设值的点确定为污点边缘点；

确定污点候选边缘图B₁₁中值为第一预设值的各点按L邻域连接可形成边缘线段组的点的个数，将个数大于或等于二分之L的边缘线段组所包含的点确定为污点边缘点。

优选地，将污点边缘点所在区域确定为污点区域具体包括：

以所述污点边缘点为种子点，寻找在该种子点的L邻域内满足如下关系的第二特定点：该第二特定点的灰度值和/或梯度值小于或等于所述种子点；将该第二特定点作为新的种子点，执行寻找步骤；当找不到满足上述关系的点时止，形成的区域为污点区域；

或者，

计算各污点边缘点之间的距离；将满足预设距离阀值的污点边缘点连通，形成闭合轮廓，将该闭合轮廓确定为污点区域。

进一步优选地，根据所述污点区域的区域完整性和面积特征，完善污点区域，应用二值形态学操作填充图像中的污点候选区域内部的孔洞并剔除小面积的伪污点区域，得到新的污点区域。

优选地，所述方法还包括：对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域。

进一步优选地，所述对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域具体包括：

计算所述污点区域的灰度共生矩阵；

根据灰度共生矩阵计算污点区域的对比度特征值，所述对比度特征值反映污点区域的模糊程度；

判断所述对比度特征值是否小于预定对比度特征阀值，如果是，则将该污点区域确定为最终的污点区域。

进一步优选地，所述对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域具体包括：

计算所述污点区域的灰度共生矩阵；

根据灰度共生矩阵计算污点区域的相关性特征值，所述相关性特征值反映灰度共生矩阵元素在行或列方向上的相似程度；

判断所述相关性特征值是否大于预定相关性特征阀值，如果是，则将该 污点区域确定为最终的污点区域。

进一步优选地，所述对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域具体包括：

计算所述污点区域的灰度共生矩阵；

根据灰度共生矩阵计算污点区域的同质性特征值，所述同质性特征值反映灰度共生矩阵中元素分布到对角线紧密程度；

判断所述同质性特征值是否大于预定同质性特征阀值，如果是，则将该污点区域确定为最终的污点区域；

进一步优选地，所述对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域具体包括：

计算所述污点区域的灰度共生矩阵；

根据灰度共生矩阵计算污点区域的对比度特征值、相关性特征值和同质性特征值，所述对比度特征值反映污点区域的模糊程度，所述相关性特征值反映灰度共生矩阵元素在行或列方向上的相似程度，所述同质性特征值反映灰度共生矩阵中元素分布到对角线紧密程度；

根据对比度特征值、相关性特征值和同质性特征值按照如下公式计算融合特征参数：

式中：fea(r)为第r个污点候选区域的融合特征参数，Contrast(r)为第r个污点候选区域的对比度特征值，Correlation(r)为第r个污点候选区域的相关性特征值，Homogeneity(r)第r个污点候选区域的同质性特征值；

根据融合特征参数建立如下模型并计算概率值：

p(r)＝f(fea(r),λ)，其中：

其中：x＝fea(r),r＝1,2,3…R，p(r)＝f(fea(r),λ)，λ为概率参数；

判断所述概率值是否大于预设概率阀值，如果大于，则将该污点区域确定为最终污点区域。

本申请实施例利用污点区域的边缘散焦特性，通过计算边缘散焦度来确定污点边缘，进而确定污点区域。这种方法不再依赖污点相对于拍摄设备镜头的位置固定的特征，而是依赖拍摄设备镜头污点自身成像特征，利用污点散焦模糊现象的物理规律对污点区域实现检测，一方面突破了传统思维定势，给出了一种检测污点区域的全新路径；另一方面该方法由于基于污点自身特征，可以不受外界环境影响，检测效果较好，实用性广，具有较高的实用价值。此外，本实施例的方法相对于基于先验知识的背景建模等实现污点区域检测技术而言，仅通过分析图像本身的相关属性特征即可，而不再需要任何先验知识作为先导，提高了污点区域检测的效率。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1a为拍摄设备的成像模型示意图；

图1b为物体位于前景深之前时散焦现象示意图；

图1c为物体位于前景深之后时散焦现象示意图；

图2为本申请污点区域检测方法的一个实施例的流程图；

图3为本申请计算边缘散焦度的一种示例性方法的流程图；

图4a为图像灰度化处理后的灰度图像示意图；

图4b为对灰度图像进行滤波后得到的图像示意图；

图5为边缘散焦度值一种分布情况的直方图；

图6a为本申请确定污点边缘点的一种示例性方法的流程图；

图6b为本申请确定污点边缘点的又一种示例性方法的流程图；

图7为经过图6a所示的流程后形成的污点边缘点的一种示意图；

图8为本申请的确定污点区域的一种示例性方法的流程图；

图9a为本申请的灰度共生矩阵中的d和θ含义示意图；

图9b为本申请的灰度共生矩阵中两点之间特定组合关系示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。

为了说明本申请的技术方案，先对拍摄设备拍摄图片的成像原理进行介绍。参见图1a，该图示出了拍摄设备的成像模型。在该图中，B点位置所在平面为定焦平面，相机镜头与成像平面之间的距离称为相距v，如果物距为u、焦距为f，则相机成像公式为：

由上式可知，仅有位于B点位置上的物体能在成像平面上呈现出清晰图像，而没有位于B点位置上的物体在成像平面上的图像通常会比较模糊，这包括两种情形：一是物体位于定焦平面之前(即处于定焦平面与相机镜头之间)，由定焦平面到相机镜头方向的一定范围称为前景深，该区域内前景深以外的物体的出射光通过镜头后，折射光将无法在成像平面上汇聚，即存在散焦现象，导致图像模糊(参见图1b)；二是物体位于定焦平面之后(即远离相机镜头)，由定焦平面远离相机镜头方向的一定范围称为后景深，该区域内以外的物体的出射光通过镜头后，折射光在到达成像平面之前已经汇聚，在成像平面上的光又发散，呈现散焦现象，导致图像模糊(参见图1c)。在该相机成像原理中，发明人发现位于相机镜头上的污点具有类似特征，即由于污点区域在相机镜头上存在的散焦现象产生的边缘模糊特性，本申请实施例利用了该特征来实现污点区域的检测。下面将详细介绍本申请的技术方案。

参见图2，该图示出了本申请的污点区域检测方法的一个实施例。该实施例包括：

步骤S21：获取拍摄设备拍摄的图像；

拍摄设备完成拍摄操作后，对于产生的图像可以立即进行本申请的流程，即通过本步骤获取该图像，利用该图像进行后续污点区域检测过程；也可以拍摄一定数量的图像后，再通过本步骤一并获取这些图像进行检测 过程。在前者的情况下，该检测流程可以设置在拍摄设备内部，作为拍摄设备拍摄图像后的一个必经的处理过程，以便及时向拍摄者反馈拍摄设备上是否存在污点的情况；在后者的情况下，该检测流程可以是独立于拍摄设备之外的单独过程，这通常适用于室外安装的摄像头等场合，摄像头拍摄的图像需要先传输到处理中心，处理中心才能通过这些图像分析是否存在污点区域，进而实地采取措施清理摄像头上的污点。在拍摄设备拍摄的图像不立即进入污点检测流程的情况下，还可以设置一个缓存设备先缓存这些图像，根据污点检测处理流程的处理能力大小，有时间选择地获取相应的图像。

步骤S22：计算所述图像各点的边缘散焦度值，所述边缘散焦度值反映图像边缘的模糊程度；

如前述对拍摄设备的拍摄图像的成像原理的介绍所言，污点区域具有散焦现象。本实施例即可利用该散焦现象计算图像中各点的边缘散焦度，通过对边缘散焦度的考察来分析污点区域。由于边缘散焦度可以定量地反映出图像边缘的模糊程度，该模糊程度是与污点的有无、污点区域的大小等具有匹配关系的，因此，可以利用该模糊程度与预设阀值之间的关系确定出污点边缘点，进而对污点区域实现检测。

步骤S23：比较计算得到的各点边缘散焦度值与预设阈值的大小，将边缘散焦度值大于预设阈值的边缘点确定为污点边缘点；

本步骤将计算得到的边缘散焦度与预设阈值进行比较，存在两种情况：一是边缘散焦度大于预设阈值，则说明图像上存在污点的可能性较大，当设置的阈值足够合理时，这一比较结果便真实地反映出拍摄设备上的污点情况；二是边缘散焦度小于预设阈值，则通常说明图像上存在污点的可能性较小，当设置的阈值足够合理时，这一比较结果便真实地反映出拍摄设备上不存在污点。

步骤S24：将污点边缘点所在区域确定为污点区域。

本实施例利用污点区域的边缘散焦特性，通过计算边缘散焦度来确定污点边缘，进而确定污点区域。这种方法不再依赖污点相对于拍摄设备镜头的位置固定的特征，而是依赖拍摄设备镜头污点自身成像特征，利用污点散焦模糊现象的物理规律对污点区域实现检测，一方面突破了传统思维定势，给 出了一种检测污点区域的全新路径；另一方面该方法由于基于污点自身特征，不受外界环境影响，检测效果较好，实用性广，具有较高的实用价值。此外，本实施例的方法相对于基于先验知识的背景建模等实现污点区域检测技术而言，仅通过分析图像本身的相关属性特征即可，而不再需要任何先验知识作为先导，提高了污点区域检测的效率。

在前述实施例的步骤S22中提到需要计算图像的边缘散焦度，在实际应用过程中，可以采取多种方法来得到边缘散焦度，为了便于对技术方案的理解，这里示例性的给出两种计算方式，本领域技术人员可以在此基础之上得到更多变形方式，这些方式均在本申请的保护范围之内。

示例性方式之一：边缘梯度比法。该方法先依据散焦成像模型，利用标准差为的高斯核函数对原图像进行“二次模糊化”操作得到二次模糊图像，然后计算原图像与二次模糊图像的梯度比，利用梯度比和标准差计算图像上各点的边缘散焦度值。这里的散焦模型可以由一幅理想阶跃边缘模型与一个点扩散函数(PSF)的卷积来表示，点扩散函数(PSF)的散焦效应可以由高斯核函数g(x,y,σ)来模拟。那么，原图像 参见图3所示，具体计算过程可以按照如下步骤进行：

步骤S2201：对原图像f₁(x,y)做二次高斯模糊化处理，获得二次模糊图像f₂(x,y)，处理过程按照如下公式进行：

式中：符号表示卷积运算，g(x,y,σ₁)为预先确定的高斯核函数，σ₁为高斯核函数的标准差。

步骤S2202：分别计算图像中的点P_e(x,y)在原图像f₁(x,y)和二次模糊图像f₂(x,y)中对应像素处的梯度值，公式分别为：

式中：和分别表示点P_e(x,y)在原图像f₁(x,y)中的x和y方向上的梯度值，和分别表示点P_e(x,y)在二次模糊图像f₂(x,y)中的x和y方向上的梯度值。

步骤S2203：按照如下公式计算点P_e(x,y)处的边缘散焦度σ：

式中：

示例性方式之二：基于二阶导数的极值点距离判别法。该方法先计算图像边缘位置处三阶导数过零点位置，然后确定二阶导数极大值与极小值的间距，再依据该间距与边缘散焦度之间的对应关系来衡量边缘位置的散焦度。具体过程如下：先求取原图像的一阶导数、二阶导数和三阶导数，再令三阶导数为零，得到二阶导数f₁″(x)的极大值max(f₁″(x))与极小值min(f₁″(x))点，然后计算极大值点与极小值点之间的距离D，即D＝|x_l-x_r|,其中x_l、x_r为极值点。由于阶跃边缘宽度(两个极值点之间的距离)与边缘散焦度具有正比例关系：D＝ρ₂δ，其中ρ₂为常值系数，因此，可以借助上述关系式得到图像中各点的边缘散焦度值。

在实际应用过程中，采用上述任何一种或者别的计算边缘散焦度的方法之前，为了避免拍摄设备拍摄环境中可能存在的细小复杂噪声，通常在进行上述操作之前，先对图像进行预处理，预处理的方式可以多种多样，比如可以是将获取的图像转换为灰度图像f₁(x,y)(大小为M×N)(参见图4a)，然后采用双边滤波(Bilateral filter)对灰度图像f₁(x,y)进行滤波预处理，获得滤波后图像(参见图4b)。经过这样处理后的图像既保持了原有灰度图像f₁(x,y)上的主要边缘，又使图像变得平滑，抑制了杂碎的细小边缘。

此外，在上述计算边缘散焦度时是针对图像中的每一个点进行计算，但是，在实际应用过程中，图像中不是每个点均具有一定大小的边缘散焦度值，或者其边缘散焦度的值明显不会超过预设阈值，即图像中通常不会每个点均为污点，那么对这些点(有较大概率认为不太可能为污点的点)进行如此复杂的求取边缘散焦度计算，将浪费不少的处理资源，为此，本申请可以采取一些边缘检测方法对滤波后的图像进行初步边缘检测，提取图像中的主要边 缘，得到“二值化”的边缘图像B，在该图中元素的值仅包括零值和非零值两种，比如“0”和“1”。这样在计算边缘散焦度时可以仅仅选择边缘图像B中的点作为计算点，即上述点P_e(x,y)可以为边缘图像B中的点。需要说明的是，后续在进行本申请相关(优选)技术方案介绍时，可以采用这种经过边缘提取后形成的边缘图像B，也可以采用未经边缘提取的原图像，这取决于处理器的处理能力和具体情况，比如，处理器的处理能力能够满足用户需求，而且用户希望尽可能地不遗漏有嫌疑的污点，那么可以在原图基础上进行相关操作，否则，则可以经过边缘提取后的边缘图像B为基础进行相关操作。

在前述实施例的步骤S23中提到将边缘散焦度大于预设阈值的边缘确定为污点边缘点，在实际应用过程中，可以采用多种实现方式，比如，一种常见的方式是直接计算得到边缘散焦度与某个预设阈值进行比较，根据比较结果确定污点边缘点，这种方式简单易行，效率较高。但是，该方法确定的污点边缘点可能存在一定程度(或较大程度)的误判，为此，本申请实施例可以优选采用“动态双阈值”的方法实现污点边缘点的确定，即该方法的预设阈值包括高阈值和低阈值两个阈值，先比较计算得到的各点边缘散焦度值与所述高阈值的大小，如果有边缘散焦度值大于或等于高阈值的点，则将该边缘散焦度值大于高阈值的点确定为污点边缘点，且寻找边缘散焦度值大于或等于高阈值的点对应的L个邻域内(比如，8邻域或4邻域)是否存在满足如下关系的特定点：该特定点的边缘散焦度值小于所述高阈值，且大于或等于低阈值；如果存在这样的特定点，则将该特定点确定为污点边缘点。这里的高阈值hight_threshold和低阈值low_threshold可以这样确定：

将前述步骤计算边缘点的边缘散焦度值保存在边缘散焦矩阵A_M×N中对应位置，边缘散焦度矩阵A_M×N初始化为零矩阵，然后取出边缘散焦矩阵A_M×N中的非零元素并由大到小降序排列，得到数列{l_num}，其中num为边缘散焦矩阵A_M×N中的非零元素个数。假设高阈值hight_threshold在数列{l_num}中的位置为则其中表示向下取整，rat_hight为百分比常数。那么，高阈值和低阈值可以通过如下公式确定：

low_threshold＝rat_lh×high_threshold

式中：高阈值为数列{l_num}中的第个元素值，rat_high、rat_lh为百分比常数，具体数值可根据实际情况合理确定，比如，rat_high∈[0.088,0.092]， 在实际确定高低阈值时还可以参考图5所示的边缘散焦度值分布情况。

按照上述方法确定出高低阈值后，即可按照下面的步骤进行污点边缘点的确定，参见图6a，该图示出了通过比较边缘散焦度的值与预设阈值的大小来确定污点边缘点的步骤：

步骤S2301：初始化污点候选边缘图B₁、B₂，令B₁＝B₂＝B，其中B₁表示置信度较高的污点候选边缘图，B₁表示置信度较低的污点候选边缘图，B可以为前述经过“二值化”处理后的边缘图像。

步骤S2302：从边缘散焦矩阵A_M×N中取出一个非零元素，即a(m,n)≠0，其中m＝1,2,3…M，n＝1,2,3…N；

步骤S2303：针对污点候选边缘图B₁，判断该非零元素的边缘散焦度值是否大于等于高阈值，即判断下述式子是否成立：a(m,n)≥high_threshold，如果是(成立)，则执行步骤S2304；如果否(不成立)，则执行步骤S2305；

步骤S2304：保留该非零点在污点候选边缘图B₁中的值，进入步骤S2309；

步骤S2305：将该非零点在污点候选边缘图B₁中的值置为零，进入步骤S2309；

步骤S2306：针对污点候选边缘图B₂，判断该非零元素的边缘散焦度值是否大于等于低阈值，即判断下述式子是否成立：a(m,n)≥low_threshold，如果是(成立)，则执行步骤S2307；如果否(不成立)，则执行步骤S2308；

步骤S2307:保留该非零点在污点候选边缘图B₂中的值,进入步骤S2309；

步骤S2308:将该非零点在污点候选边缘图B₂中的值置为零；

步骤S2309：判断边缘散焦矩阵A_M×N的非零元素是否已经取完，如果否，则返回步骤S2302；如果是，则得到高置信度的新的污点候选边缘图B₁和低置信度的新的污点候选边缘图B₂，进入步骤S2310；

步骤S2310：扫描新的污点候选边缘图B₁中的非零点，将被扫描到的 非零点作为检查点；

步骤S2311：判断检查点的L邻域内是否存在这样的特定点：该特定点在候选边缘图像B₁中对应的值为零且在候选边缘图B₂中对应的值为非零，即判断某点(m′,n′)是否满足如下式子：B₂(m′,n′)＝1且B₁(m′,n′)＝0；如果存在，则执行步骤S2312；如果不存在，则执行步骤S2313；

步骤S2312：将B₁中特定点的值置为1，并将各个特定点作为新的检查点，执行步骤S2311；

步骤S2313：继续扫描候选边缘图B₁的下一个非零点，判断是否扫描完毕，如果是，则进入步骤S2314；如果否，则执行步骤S2310；

步骤S2314：结束流程，将经过上述处理后的污点候选边缘图B₁中的非零点确定为污点边缘点。

通过上述步骤确定的污点边缘点的一种示意图如图7所示。实际上，确定污点边缘点的方式并不仅仅限于上述方式，本领域技术人员还可以将上述步骤进行适当变形得到另外的实施方式。参见图6b所示的流程，比如，将得到高置信度和低阈值的污点候选边缘图进行嵌套执行，即在判断出边缘散焦矩阵A_M×N中的一个元素的值小于高阈值后，进入对低阈值的判断。再比如，在判断出某个点的边缘散焦度的值大于高阈值时，不仅保留污点候选边缘图B₁中的相应点的值，而且同时将B₂中对应点的值置零，这种方式与前述方式的区别在于污点候选边缘图B₂中不再具有大于或等于高阈值的那些点，这样可以避免重复工作，节约资源。还比如，为了便于区分经过不同处理的边缘图，可以再设置一个B₃，用于表示污点边缘结果图，初始时也设为零矩阵，用高置信度污点候选边缘图对其赋值，这样在进行扫描步骤时则以该边缘图作为扫描对象，并在找出满足特定关系的特定点后将B₃中对应特定点位置的元素置为1，最后将B₃中的非零点确定为污点边缘点。

在实际应用过程中，为了减少噪声等因素对污点边缘点的结果造成不良影响，本申请在得到上述的污点边缘点后，还可以进一步采取措施优化该结果。比如，从上述最终确定的污点边缘点图中除去长度(指L邻域内能够连通的边缘点的个数)小于预设值的离散短边界，从而得到较为聚集的污点边缘点图。这里的预设值在L为8邻域时，可以设置为4。

在前述实施例的步骤S24中可以直接将污点边缘点所在的区域确定为污点区域，这样并不影响本申请发明目的的实现。但是，通常情况下，通过前述实施例的步骤确定的污点边缘点之间并不是封闭的，而由这些不完整的区域轮廓来确定污点区域存在难度。因此，在实际应用过程中，在确定出污点边缘后，还需要采取一定的措施得到完整的污点区域。该措施可以表现为各种形式，这里同样的示例性地给出两种，本领域技术人员可以在此基础上推知各种可能的变形形式，这些变形形式均在本申请的保护范围之内。

示例性方式之一：区域生长法。为叙述方便，这里将通过前述步骤得到的污点边缘点称为候选污点边缘点，该方法以候选污点边缘点为生长基点，依据污点内部灰度均匀、梯度平稳的特征，进行区域迭代生成算法，得到污点候选区域。参见图8，具体步骤包括：

步骤S2401：以一个候选污点边缘点为种子点，查找该种子点的L邻域内满足预定规则的点，这里的预定规则包括：查找到的点在灰度图像上的灰度值和梯度值不大于所述种子点在灰度图像上的灰度值和梯度值；

步骤S2402：判断是否查找到满足预设规则的点，如果查找到，则执行步骤S2403，如果未查找到，则执行步骤S2404；

步骤S2403：将查找到的点作为新的种子点，返回步骤S241执行查找满足预设规则的点；

步骤S2404：连通所查找到的点形成污点区域。

对每个候选污点边缘点进行上述操作，将得到所有的污点区域，图7示出了经过前述步骤后形成的污点区域的情况。在这些通过区域生成法得到的污点区域后，还可以进一步根据污点的区域完整性完善该区域，比如应用二值形态学操作填充污点区域内的孔洞。

示例性方式之二：边缘点连接法。该方法根据污点候选边缘点通常局部聚集的特点，将满足预设距离条件的短边界(即两个污点边缘点之间的距离长短)连通，从而得到闭合的曲线轮廓，由此获得污点候选区域。

通过本申请前述实施例及其各种改进措施，可以确定出污点区域，但是，在实际应用过程中，上述确定出来的污点区域仍然可能不是真正的污点区域， 为了减少或避免对污点区域的误判，本申请在通过前述步骤确定出污点区域后(这时的污点区域可以称为候选污点区域)，还对确定出来的(候选)污点区域进行验证，从而排除那些伪污点区域，最终确定或者有极大概率地确定某污点区域为真实的污点区域。

比如，某个候选污点区域的面积过小(面积大小可以通过该污点区域内的边缘点个数即连通的边缘点个数来衡量，那么该区域为真正的污点区域的可能性不大，因此，可以先获取该候选污点区域内的边缘点个数，如果该个数达到某个预设阀值(比如大于20个)，则认为该候选污点区域为真正的污点区域，否则，将其视为伪污点区域而排除掉。

除上述这种通过候选污点区域的面积属性情况来验证污点区域的真伪

外，实际应用中还可以采用其他方式，下面示例性地列举出三种基于灰度共生矩阵的验证方法，包括依据对比度特征、相关性特征、同质性特征的验证方法。在具体叙述这三种方法之前，先对灰度共生矩阵进行一下介绍。

每个候选污点区域Q可以对应一个灰度共生矩阵p(i,j,d,θ)，灰度共生矩阵中的各个元素为p_i,j，则灰度共生矩阵：

p(i,j,d,θ)＝#{(x₁,y₁),(x₂,y₂)∈Q|Q(x₁,y₁)＝i,Q(x₂,y₂)＝j}

上式中：i,j＝0,1,2…K-1，K为图像灰度级数，符号“#”表示统计集合中元素的个数，p_i,j为候选污点区域Q中灰度值为i的点(x₁,y₁)和灰度值为j的点(x₂,y₂)满足特定位置关系的组合个数，d和θ分别为点(x₁,y₁)与点(x₂,y₂)间的距离和这两点的连线与横坐标轴间的夹角，该特定位置关系由d和θ确定。

参见图9a、9b，其中9a示出了d和θ的示意图，9b示出了特定组合关系中的一种，即d＝1,θ＝0，d为1表示点(x₁,y₁)和点(x₂,y₂)之间的距离为1个单位，即相邻关系，θ为零表示两个点处于同一行上。这里假设图像为F′(x′,y′)，p′(i′,j′,1,0)为该图像在条件d＝1,θ＝0下的灰度共生矩阵，该灰度共生矩阵中的元素记做_′p′_i′,j,则根据图9a、9b可得到

下面基于上述灰度共生矩阵具体阐释利用对比度特征、相关性特征和同质性对候选污点区域进行验证的过程。

关于对比度特征验证。对比度能够反映候选污点区域Q的模糊程度，具体可以通过如下公式计算对比度特征值：

获取到对比度特征值Contrast(Q)后，由于通常情况下对比度特征值越小，污点候选区域Q为真实污点区域的可能性便越大，因此，可以设定一个合理的阈值，将计算出来的对比度特征值与该阈值进行比较，小于该阈值的污点候选区域即算通过验证，可以将其确定为真正的污点区域，否则，未通过验证，将其排除掉。

关于相关性特征验证。相关性能够衡量灰度共生矩阵中元素间在行或列方向上的相似程度，从而反映污点区域内部灰度均匀情况。具体可以通过如下公式计算相关性特征值：

上式中：μ_i、μ_j为灰度共生矩阵的均值，σ_i、σ_j为灰度共生矩阵的标准差，分别通过如下的公式确定：

获取到相关性特征值后，由于通常情况下相关性特征值越大，污点候选区域Q为真实污点区域的可能性便越大，因此，可以设定一个合理的阈值，将计算出来的相关性特征值与该阈值进行比较，大于该阈值的污点候选区域即算通过验证，可以将其确定为真正的污点区域，否则，未通过验证，将其排除掉。

关于同质性特征验证。同质性能够衡量灰度共生矩阵中元素的分布到对角线的紧密程度，从而反映污点区域Q中局部纹理变化情况，具体可以通过如下公式计算同质性特征值：

获取到同质性特征值Contrast(Q)后，由于通常情况下同质性特征值越大， 图像纹理不同区域间变化越小、越均匀，污点候选区域Q为真实污点区域的可能性便越大，因此，可以设定一个合理的阈值，将计算出来的同质性特征值与该阈值进行比较，大于该阈值的污点候选区域即算通过验证，可以将其确定为真正的污点区域，否则，未通过验证，将其排除掉。

前述对比度特征、相关性特征、同质性特征三种验证方法，可以独立使用，但是，在实际应用过程中，这三种方式可以配合使用，将其关联起来进行污点候选区域的验证。如前所述，对比度特征值、相关性特征与同质性特征值与污点候选区域为真实污点区域的可能性存在一定的对应关系，这里假设第r个污点候选区域Q_r为真实污点的概率为p(r)，则p(r)将随候选污点区域Q_r的对比度特征值Contrast(r)的增大而减小，随相关性特征值Correlation(r)的增大而增大，随同质性特征值Homogeneity(r)的增大而增大。基于此，本申请提出融合特征参数fea的概念，则第r个区域的融合特征参数fea(r)可通过如下的公式确定：

根据上述确定的融合特征参数fea(r)与各个独立参数(对比度特征值、相关性特征值、同质性特征值)与概率p(r)的关系可知污点候选区域Q_r的融合特征参数fea(r)的值越小，该区域为真实污点的可能性p(r)就越大；反之，fea(r)的值越大，对应的p(r)就越小。基于这种关系建立如下的指数概率模型：

p(r)＝f(fea(r),λ)，其中：

其中：x＝fea(r),r＝1,2,3…R，r为第r个污点候选区域Q_r，λ为概率参数。

通过该概率模型可知，p(r)随fea(r)的增加而呈指数倍减小。按照这种方式获取到p(r)后，将其与预设的阈值p_th进行比较，如果第r个污点候选区域Q_r对应的概率值p(r)≥p_th，则判定该污点候选区域为真正的污点区域。这里的阀值p_th可以根据实际情况确定，比如，通过多次统计试验得到较为合理的阈值，通常情况下，可以选择p_th＝0.8。

在实际应用过程中，还可能对上述模型进行某些变形。比如，对于概率参数λ，除了选择固定的概率参数外，还可以按照如下的公式得到采用动态 参数λ：

上式中：mean(fea)表示各污点候选区域的融合特征参数的平均值。通过这种动态参数的方式可以提高处理的通用性。还比如，可以对p(r)按照如下的方式进行归一化处理：p(r)＝p(r)/max{p(r)}。

应当注意，尽管在上文详细描述中提及了车辆盲区内目标对象的检测装置的若干单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个装置中具体化，也可以在不同的装置中具体化。并且，相反地，上文描述的一个单元的特征和功能可以进一步划分为由多个子单元来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种污点区域检测方法，其特征在于，该方法包括：

获取拍摄设备拍摄的图像；

计算所述图像各点的边缘散焦度值，所述边缘散焦度值反映图像边缘的模糊程度；

比较计算得到的各点边缘散焦度值与预设阈值的大小，将边缘散焦度值大于预设阈值的点确定为污点边缘点；

将污点边缘点所在区域确定为污点区域。

2.根据权利要求1所述的方法，其特征在于，所述阈值为双阈值，包括高阈值和低阈值，所述比较计算得到的各点边缘散焦度值与预设阈值的大小，将边缘散焦度值大于预设阈值的点确定为污点边缘点具体包括：

比较计算得到的各点边缘散焦度值与所述高阈值的大小；

如果有边缘散焦度值大于或等于高阈值的点，则将该边缘散焦度值大于或等于高阈值的点确定为污点边缘点，且寻找该边缘散焦度值大于或等于高阈值的点对应的L邻域内是否存在满足如下关系的第一特定点：该第一特定点的边缘散焦度值小于高阈值，且大于或等于低阈值；如果存在，则将所述第一特定点确定为污点边缘点。

3.根据权利要求2所述的方法，其特征在于，对所述图像进行边缘检测，得到边缘图像B，所述边缘图像B中边缘点的值用第一预设值标识，非边缘点的值用第二预设值标识；

初始化污点候选边缘图B₁、B₂，其中：B₁＝B₂＝B；

比较各点的边缘散焦度值与高阈值、低阈值的大小，如果边缘散焦度值大于或等于高阈值，则保留该点在污点候选边缘图像B₁中对应点的值，否则，将该对应点的值置为第二预设值，形成高置信度的污点候选边缘图B₁₁；如果边缘散焦度值大于或等于低阈值，则保留该点在污点候选边缘图像B₂中对应点的值，否则，将该对应点的值置为第二预设值，形成低置信度的污点候选边缘图B₂₁；

判断污点候选边缘图B₁₁中值为第一预设值的各个点的L邻域内或者该各个点在污点候选边缘图B₂₁中对应点的L邻域内是否存在满足下述关系的第一特定点：该第一特定点在污点候选边缘图B₁₁中对应的值为第二预设值，且在候选边缘图像B₂₁中对应的值为第一预设值；如果存在，则将该第一特定点在污点候选边缘图B₁₁中对应的值置为第一预设值，对该第一特定点进行上述判断步骤，直至找不到满足上述关系的点；

将污点候选边缘图B₁₁中值为第一预设值的点确定为污点边缘点；

确定污点候选边缘图B₁₁中值为第一预设值的各点按L邻域连接可形成边缘线段组的点的个数，将个数大于或等于二分之L的边缘线段组所包含的点确定为污点边缘点。

4.根据权利要求1所述的方法，其特征在于，所述将污点边缘点所在区域确定为污点区域具体包括：

以所述污点边缘点为种子点，寻找在该种子点的L邻域内满足如下关系的第二特定点：该第二特定点的灰度值和/或梯度值小于或等于所述种子点；将该第二特定点作为新的种子点，执行寻找步骤；当找不到满足上述关系的点时止，形成的区域为污点区域；

或者，计算各污点边缘点之间的距离；将满足预设距离阀值的污点边缘点连通，形成闭合轮廓，将该闭合轮廓确定为污点区域。

5.根据权利要求4所述的方法，其特征在于，根据所述污点区域的区域完整性和面积特征完善污点区域，应用二值形态学操作填充图像中污点区域内部的孔洞并剔除小面积的伪污点区域，得到新的污点区域。

6.根据权利要求1至5中任何一项所述的方法，其特征在于，所述方法还包括：

对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域。

7.根据权利要求6所述的方法，其特征在于，所述对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域具体包括：

计算所述污点区域的灰度共生矩阵；

根据灰度共生矩阵计算污点区域的对比度特征值，所述对比度特征值反映污点区域的模糊程度；

判断所述对比度特征值是否小于预定对比度特征阀值，如果是，则将该污点区域确定为最终的污点区域。

8.根据权利要求6所述的方法，其特征在于，所述对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域具体包括：

计算所述污点区域的灰度共生矩阵；

根据灰度共生矩阵计算污点区域的相关性特征值，所述相关性特征值反映灰度共生矩阵元素在行或列方向上的相似程度；

判断所述相关性特征值是否大于预定相关性特征阀值，如果是，则将该污点区域确定为最终的污点区域。

9.根据权利要求6所述的方法，其特征在于，所述对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域具体包括：

计算所述污点区域的灰度共生矩阵；

根据灰度共生矩阵计算污点区域的同质性特征值，所述同质性特征值反映灰度共生矩阵中元素分布到对角线的紧密程度；

判断所述同质性特征值是否大于预定同质性特征阀值，如果是，则将该污点区域确定为最终的污点区域。

10.根据权利要求6所述的方法，其特征在于，所述对确定的污点区域进行验证，将通过验证的污点区域确定为最终的污点区域具体包括：

计算所述污点区域的灰度共生矩阵；

根据灰度共生矩阵计算污点区域的对比度特征值、相关性特征值和同质性特征值，所述对比度特征值反映污点区域的模糊程度，所述相关性特征值反映灰度共生矩阵元素在行或列方向上的相似程度，所述同质性特征值反映灰度共生矩阵中元素分布到对角线的紧密程度；

根据对比度特征值、相关性特征值和同质性特征值按照如下公式计算融合特征参数：

$fear\left(r\right)=\frac{Contrast\left(r\right)}{Correlation\left(r\right)\·Homogeneity\left(r\right)}$

式中：fea(r)为第r个污点候选区域的融合特征参数，Contrast(r)为第r个污点候选区域的对比度特征值，Correlation(r)为第r个污点候选区域的相关性特征值，Homogeneity(r)第r个污点候选区域的同质性特征值；

根据融合特征参数建立如下模型并计算概率值：

p(r)＝f(fea(r),λ)，其中：

其中：x＝fea(r),r＝1,2,3…R，r为第r个污点候选区域Q_r，λ为概率参数；

判断所述概率值是否大于预设概率阀值，如果大于，则将该污点候选区域确定为最终污点区域。