CN104268888A - 一种图像模糊检测方法 - Google Patents

Abstract

本发明公开了一种图像模糊检测方法，其通过对待处理图像进行灰度化处理，得到灰度图像，并通过灰度图像计算出空域图像，然后通过空域图像计算出待处理图像的清晰度评分值，最后对所述的评分值进行阀值计算来判断待处理图像是否模糊；本发明通过在传统的主观评价方法中导入评分机制，将模型的评分值作为图像质量的评价，采用定量的方法测量图像的质量，评价过程自动完成，无需人工参与，并且能够有效的判断出图像是否模糊，从而可以帮助用户在大量图片快速筛选出所需的图像。

Description

一种图像模糊检测方法

技术领域

本发明涉及一种图像模糊检测方法。

背景技术

随着数码相机等大众化的成像设备的普及，在我们身边出现了越来越多的数字图像，普通用户个人电子相册里的图像已经数以万计，其中很多图像是存在多种失真的，模糊失真是其中重要的一类。实际应用中，人们期望能够由计算机在大量的图像库中自动识别出模糊图像，从而去除低质量的图像，提高存储效率。另一方面，低质量图像识别在图像搜索中也具有重要价值，人们不仅希望搜索引擎能够检索到相似图像，同时也能够将质量较高的图像排序尽可能靠前，从而提高图像利用效率。

图像质量是判断图像采集设备性能好坏、工作状态是否正常的一个重要指标，也较多地被用在图像处理算法性能优劣比较和优化系统参数。因此，在图像采集、编码压缩、网络传输等领域建立有效的图像质量评价机制具有重要的意义。传统的主观评价方法采用人类观察者来参与评价，通过自身的主观感受来评价视频对象的质量；这个方法虽然可靠性比较高，但如果判断的图像数量较多时，需要耗费大量的精力，效率较低。

发明内容

本发明为解决上述问题，提供了一种图像模糊检测方法，其能够通过评分机制快速、有效的检测出模糊图像。

为实现上述目的，本发明采用的技术方案为：

一种图像模糊检测方法，其特征在于，包括以下步骤：

10.获取待处理图像，并进行灰度化处理，得到灰度图像；

20.通过灰度图像计算出空域图像；

30.通过空域图像计算出待处理图像的清晰度评分值；

40.对所述的评分值进行阀值计算来判断待处理图像是否模糊。

优选的，所述步骤10中的灰度化处理，主要是根据以下计算公式对待处理图像的每个像素点进行计算得到灰度图像：

Gray＝0.2989R+0.5870G+0.1140B：

其中，Gray为灰度图像的像素点的颜色值，R、G、B分别为待处理图像当前像素点的红、绿、蓝三个通道的颜色值。

优选的，所述的步骤20中通过灰度图像计算出空域图像，进一步包括以下步骤：

21.定义待处理图像的扩大图像，并将待处理图像的像素点复制到扩大图像中，其中，待处理图像的大小为m*n，扩大图像的大小为(m+16)*(n+16)；

22.遍历所述的扩大图像，并将扩大图像分割为8*8的子块，每个子块的大小64，且子块的数量为(m+16)*(n+16)/64；

23.遍历扩大图像的每个8*8子块，并对每个8*8的子块滑动计算2*2的滑动块的总变差；

24.计算扩大图像每个8*8子块中的总变差最大的2*2滑动块；

25.根据2*2滑动块的最大总变差计算扩大图像每个8*8子块的平均最大总变差，并将该平均最大总变差作为所述空域图像的像素点的颜色值，得到空域图像。

优选的，所述步骤23中对每个8*8的子块滑动计算2*2的滑动块的总变差，计算方法如下：

$v\left(x\right)=\frac{1}{255}\underset{i,j}{\mathrm{\Σ}}|x_i-x_j|;$

其中，v(x)为2*2滑动块的总变差，X为2*2的滑动块的颜色值，xi和xj为2*2滑动块的相邻像素的颜色值。

优选的，所述步骤24中计算扩大图像每个8*8子块中的总变差最大的2*2滑动块，计算方法如下：

$S\left(x\right)=\frac{1}{4}\underset{\mathrm{\ξ}\∈x}{\max }v\left(\mathrm{\ξ}\right);$

其中，S(x)为每个8*8子块中的总变差最大的2*2滑动块。

优选的，所述步骤25中根据2*2滑动块的最大总变差计算扩大图像每个8*8子块的平均最大总变差，计算方法如下：

grad＝gradmax/(2*2)；

grad为每个8*8子块的2*2滑动块的平均最大总变差，gradmax为每个8*8子块的2*2滑动块的最大总变差。

优选的，所述步骤30中通过空域图像计算出待处理图像的评分值，主要是通过将空域图像的每个8*8子块的平均最大总变差从大到小进行排序，并对排序在前的部分数值求和取平均值，该平均值即为待处理图像的清晰度评分值。

优选的，所述平均值的计算方法如下：

$\mathrm{Aver}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\widetilde{\mathrm{grad}}\left(k\right);$

其中，Aver为所述平均值，为排序后的平均最大总变差，N＝(2*8+m)*(2*8+n)/(8*8)/100，k为排序后第k个的平均最大总变差。

优选的，所述步骤40中对所述的评分值进行阀值计算来判断待处理图像是否模糊，主要是将评分值与分界线分值作比较，如果评分值小于分界线分值，则判断待处理图像为模糊图像，反之则判断待处理图像为清晰图像。

优选的，所述的分界线分值主要是通过以下步骤获取得到：

41.搜集样本图像，并对样本图像进行清晰图像或模糊图像的人工标注；

42.选取数量相等的清晰图像和模糊图像进行灰度化处理，得到样本灰度图像；

43.通过样本灰度图像计算出样本空域图像；

44.通过样本空域图像计算出样本图像的清晰度评分值；

45.计算所有样本图像的评分值的均值，并将该均值作为所述分界线分值。

本发明的有益效果是：

本发明的一种图像模糊检测方法，其通过对待处理图像进行灰度化处理，得到灰度图像，并通过灰度图像计算出空域图像，然后通过空域图像计算出待处理图像的清晰度评分值，最后对所述的评分值进行阀值计算来判断待处理图像是否模糊；本发明通过在传统的主观评价方法中导入评分机制，将模型的评分值作为图像质量的评价，采用定量的方法测量图像的质量，评价过程自动完成，无需人工参与，并且能够有效的判断出图像是否模糊，从而可以帮助用户在大量图片快速筛选出所需的图像。

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为本发明一种图像模糊检测方法的流程简图；

图2为本发明第一实施例的待处理图像；

图3为本发明第一实施例的空域图像；

图4为本发明第一实施例的计算待处理图像评分值的示意图；

图5为本发明第二实施例的待处理图像；

图6为本发明第二实施例的空域图像；

图7为本发明第二实施例的计算待处理图像评分值的示意图。

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，以下结合附图及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，本发明的一种图像模糊检测方法，其包括以下步骤：

10.获取待处理图像，如图2和图5，并进行灰度化处理，得到灰度图像；

20.通过灰度图像计算出空域图像(spatial map)，如图3和图6；

30.通过空域图像计算出待处理图像的清晰度评分值，如图4和图7；

40.对所述的评分值进行阀值计算来判断待处理图像是否模糊。

所述步骤10中的灰度化处理，主要是根据以下计算公式对待处理图像的每个像素点进行计算得到灰度图像：

Gray＝0.2989R+0.5870G+0.1140B：

其中，Gray为灰度图像的像素点的颜色值，R、G、B分别为待处理图像当前像素点的红、绿、蓝三个通道的颜色值，灰度图像存在变量m grayBUFF中。

所述的步骤20中通过灰度图像计算出空域图像，进一步包括以下步骤：

21.定义待处理图像的扩大图像，并将待处理图像的像素点复制到扩大图像中，其中，待处理图像的像素点存在bitmapBuf中，扩大图像的像素点存在padmapBuf，padmapBuf的内存为(m+16)*(n+16)*(BYTE)，padmapBuf的起点为(m+8，n+8)，padmapBuf的上8行，下8行，左8列，右8列赋值为bitmapBuf的上8行，下8行，左8列，右8列的像素点；并且，待处理图像的大小为m*n，扩大图像的大小为(m+16)*(n+16)；

22.遍历所述的扩大图像，并将扩大图像分割为8*8的子块，每个子块的大小64，且子块的数量为(m+16)*(n+16)/64；

23.遍历扩大图像的每个8*8子块，并对每个8*8的子块滑动计算2*2的滑动块的总变差；计算方法如下：

$v\left(x\right)=\frac{1}{255}\underset{i,j}{\mathrm{\Σ}}|x_i-x_j|;$

其中，v(x)为2*2滑动块的总变差，X为2*2的滑动块的颜色值，xi和xj为2*2滑动块的相邻像素的颜色值。

上述公式的代码解析如下：

tv temp＝

(abs(x[r][c]-x[r][c+1])

+abs(x[r][c]-x[r+1][c])

+abs(x[r][c]-x[r+1][c+1])

+abs(x[r+1][c]-x[r][c+1])

+abs(x[r+1][c]-x[r+1][c+1])

+abs(x[r][c+1]-x[r+1][c+1]))/255；

其中，tv_temp即为上述公式中的v(x)，是指2*2滑动块的总变差，(r，c)为当前遍历到的像素点。

24.计算扩大图像每个8*8子块中的总变差最大的2*2滑动块；计算方法如下：

$S\left(x\right)=\frac{1}{4}\underset{\mathrm{\ξ}\∈x}{\max }v\left(\mathrm{\ξ}\right);$

其中，S(x)为每个8*8子块中的总变差最大的2*2滑动块。

25.根据2*2滑动块的最大总变差计算扩大图像每个8*8子块的平均最大总变差，并将该平均最大总变差作为所述空域图像的像素点的颜色值，得到空域图像；所述平均最大总变差的计算方法如下：

grad＝gradmax/(2*2)；

grad为每个8*8子块的2*2滑动块的平均最大总变差，gradmax为每个8*8子块的2*2滑动块的最大总变差；得到的grad值放在std：：vector<double>grad_vector；的Vector容器里面。

所述步骤30中通过空域图像计算出待处理图像的评分值，主要是通过将空域图像的每个8*8子块的平均最大总变差从大到小进行排序，并对排序在前的部分数值求和取平均值，该平均值即为待处理图像的清晰度评分值；所述平均值的计算方法如下：

$\mathrm{Aver}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}\widetilde{\mathrm{grad}}\left(k\right);$

其中，Aver为所述平均值，为排序后的平均最大总变差，N＝(2*8+m)*(2*8+n)/(8*8)/100，k为排序后第k个的平均最大总变差；

具体如下：

所述步骤40中对所述的评分值进行阀值计算来判断待处理图像是否模糊，主要是将评分值与分界线分值作比较，如果评分值小于分界线分值，则判断待处理图像为模糊图像(如图2至图4的第一实施例所示)，反之则判断待处理图像为清晰图像(如图5至图7的第二实施例所示)；所述的分界线分值主要是通过以下步骤获取得到：

41.搜集样本图像，并对样本图像进行清晰图像或模糊图像的人工标注；

42.选取数量相等的清晰图像和模糊图像进行灰度化处理，得到样本灰度图像；

43.通过样本灰度图像计算出样本空域图像；

44.通过样本空域图像计算出样本图像的清晰度评分值；

45.计算所有样本图像的评分值的均值，并将该均值作为所述分界线分值。

其中，步骤42、43、44的计算过程与前述待处理图像的步骤10、20、30的计算过程是相似的，这里不再赘述。

上述说明示出并描述了本发明的优选实施例，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 (10)

1.一种图像模糊检测方法，其特征在于，包括以下步骤：

10.获取待处理图像，并进行灰度化处理，得到灰度图像；

20.通过灰度图像计算出空域图像；

30.通过空域图像计算出待处理图像的清晰度评分值；

40.对所述的评分值进行阀值计算来判断待处理图像是否模糊。

2.根据权利要求1所述的一种图像模糊检测方法，其特征在于：所述步骤10中的灰度化处理，主要是根据以下计算公式对待处理图像的每个像素点进行计算得到灰度图像：

Gray＝0.2989R+0.5870G+0.1140B：

其中，Gray为灰度图像的像素点的颜色值，R、G、B分别为待处理图像当前像素点的红、绿、蓝三个通道的颜色值。

3.根据权利要求1所述的一种图像模糊检测方法，其特征在于：所述的步骤20中通过灰度图像计算出空域图像，进一步包括以下步骤：

21.定义待处理图像的扩大图像，并将待处理图像的像素点复制到扩大图像中，其中，待处理图像的大小为m*n，扩大图像的大小为(m+16)*(n+16)；

22.遍历所述的扩大图像，并将扩大图像分割为8*8的子块，每个子块的大小64，且子块的数量为(m+16)*(n+16)/64；

23.遍历扩大图像的每个8*8子块，并对每个8*8的子块滑动计算2*2的滑动块的总变差；

24.计算扩大图像每个8*8子块中的总变差最大的2*2滑动块；

25.根据2*2滑动块的最大总变差计算扩大图像每个8*8子块的平均最大总变差，并将该平均最大总变差作为所述空域图像的像素点的颜色值，得到空域图像。

4.根据权利要求3所述的一种图像模糊检测方法，其特征在于：所述步骤23中对每个8*8的子块滑动计算2*2的滑动块的总变差，计算方法如下：

$\mathrm{\&upsi;}\left(x\right)=\frac{1}{255}\underset{i,j}{\mathrm{\&Sigma;}}|x_i-x_j|;$

其中，υ(x)为2*2滑动块的总变差，X为2*2的滑动块的颜色值，xi和xj为2*2滑动块的相邻像素的颜色值。

5.根据权利要求4所述的一种图像模糊检测方法，其特征在于：所述步骤24中计算扩大图像每个8*8子块中的总变差最大的2*2滑动块，计算方法如下：

$S\left(x\right)=\frac{1}{4}\underset{\mathrm{\&xi;}\&Element;x}{\max }\mathrm{\&upsi;}\left(\mathrm{\&xi;}\right);$

其中，S(x)为每个8*8子块中的总变差最大的2*2滑动块。

6.根据权利要求5所述的一种图像模糊检测方法，其特征在于：所述步骤25中根据2*2滑动块的最大总变差计算扩大图像每个8*8子块的平均最大总变差，计算方法如下：

grad＝gradmax/(2*2)；

grad为每个8*8子块的2*2滑动块的平均最大总变差，gradmax为每个8*8子块的2*2滑动块的最大总变差。

7.根据权利要求3所述的一种图像模糊检测方法，其特征在于：所述步骤30中通过空域图像计算出待处理图像的评分值，主要是通过将空域图像的每个8*8子块的平均最大总变差从大到小进行排序，并对排序在前的部分数值求和取平均值，该平均值即为待处理图像的清晰度评分值。

8.根据权利要求7所述的一种图像模糊检测方法，其特征在于：所述平均值的计算方法如下：

$\mathrm{Aver}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}g\tilde{r}\mathrm{ad}\left(k\right);$

其中，Aver为所述平均值，为排序后的平均最大总变差，N＝(2*8+m)*(2*8+n)/(8*8)/100，k为排序后第k个的平均最大总变差。

9.根据权利要求1所述的一种图像模糊检测方法，其特征在于：所述步骤40中对所述的评分值进行阀值计算来判断待处理图像是否模糊，主要是将评分值与分界线分值作比较，如果评分值小于分界线分值，则判断待处理图像为模糊图像，反之则判断待处理图像为清晰图像。

10.根据权利要求1所述的一种图像模糊检测方法，其特征在于：所述的分界线分值主要是通过以下步骤获取得到：

41.搜集样本图像，并对样本图像进行清晰图像或模糊图像的人工标注；

42.选取数量相等的清晰图像和模糊图像进行灰度化处理，得到样本灰度图像；

43.通过样本灰度图像计算出样本空域图像；

44.通过样本空域图像计算出样本图像的清晰度评分值；

45.计算所有样本图像的评分值的均值，并将该均值作为所述分界线分值。