CN104331871B - 一种图像去模糊方法及装置 - Google Patents
一种图像去模糊方法及装置 Download PDFInfo
- Publication number
- CN104331871B CN104331871B CN201410719427.7A CN201410719427A CN104331871B CN 104331871 B CN104331871 B CN 104331871B CN 201410719427 A CN201410719427 A CN 201410719427A CN 104331871 B CN104331871 B CN 104331871B
- Authority
- CN
- China
- Prior art keywords
- image
- blur
- fuzzy region
- edge
- category identifier
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 230000003595 spectral Effects 0.000 claims description 10
- 238000005316 response function Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 230000000875 corresponding Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 238000010183 spectrum analysis Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 18
- 230000001131 transforming Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002708 enhancing Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 2
- 239000000571 coke Substances 0.000 description 2
- 230000004059 degradation Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 206010061246 Intervertebral disc degeneration Diseases 0.000 description 1
- 241000586596 Melanaspis obscura Species 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010192 crystallographic characterization Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006011 modification reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive Effects 0.000 description 1
- 230000001603 reducing Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening Effects 0.000 description 1
Abstract
本申请公开了一种图像去模糊方法及装置,方法包括:对待处理图像进行模糊区域检测,确定模糊区域图像,判断所述模糊区域图像的模糊类型,若所述模糊区域图像的模糊类型为离焦模糊,则利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径,若所述模糊区域图像的模糊类型为运动模糊,则利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度,将估计的参数带入经典图像复原算法中,得到复原图像。本申请先确定图像出现模糊的区域,然后根据模糊类型不同选用不同的方法来进行复原时所必须的参数的估计,最后进行图像复原,能够准确进行车牌识别。
Description
技术领域
本申请涉及图像处理技术领域,更具体地说,涉及一种图像去模糊方法及装置。
背景技术
一般而言,车牌识别系统可分为车辆图像获取、图像预处理、车牌定位、字符分割、字符识别五个部分。但是,交通监视设备的装配存在问题、拍摄时对焦不准和目标车辆高速运动等因素均可能造成图像中存在部分区域的离焦或者运动模糊。
由于获取的图像存在上述离焦模糊或者运动模糊情况,从而造成现有的车牌识别系统无法准确识别模糊位置内的车牌信息。
发明内容
有鉴于此,本申请提供了一种图像去模糊方法及装置,用于解决现有技术针对图像出现离焦模糊或者运动模糊而无法准确进行车牌识别的问题。
为了实现上述目的,现提出的方案如下:
一种图像去模糊方法,包括:
对待处理图像进行模糊区域检测,确定模糊区域图像;
判断所述模糊区域图像的模糊类型,所述模糊类型包括运动模糊和离焦模糊;
若所述模糊区域图像的模糊类型为离焦模糊,则利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径;
若所述模糊区域图像的模糊类型为运动模糊,则利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度;
将所述模糊方向和模糊尺度,或者所述离焦半径带入经典图像复原算法中,得到复原图像。
优选地,所述对待处理图像进行模糊区域检测,确定模糊区域图像,包括:
对所述待处理图像进行下采样,并采用Canny算子对下采样后的图像进行边缘检测,得到边缘图像;
将所述边缘图像放大至与所述待处理图像大小一样的尺寸,记为BWedge;
对BWedge进行边缘处理,包括连接断开的边缘及腐蚀断开粘连的区域,得到图像BWarea,BWarea由若干个连通域areai构成;
以BWarea为掩膜,对BWedge应用预设大小的滑动窗口进行滑窗,滑动窗口覆盖的位置为BWarea中各连通域areai所覆盖的位置,统计滑动过程中窗口内BWedge像素值非零的像素个数,将areai区域内BWedge非零像素最多的窗口记为wi;
对各wi区域内的图像计算图像功率谱斜度αi和图像梯度双高斯分布标准差σ1,i;
若αi>Tα或σ1,i<Tσ,则确定该wi区域内的图像为模糊区域图像,其中Tα和Tσ分别为预设值。
优选地,所述判断所述模糊区域图像的模糊类型,包括:
采用Canny算子将所述模糊区域图像g(x,y)的倒谱绝对值图像|Cg(p,q)|转换为二值图像,记为Cg,binary(p,q);
以(0,0)点为固定点,对二值图像Cg,binary(p,q)做α方向上的线积分,统计非零像素在各方向上出现的概率,得到方向响应函数hist(α),其中α∈[-90,90);
计算hist(α)的方差δ,若δ>T′δ,则确定所述模糊区域图像为运动模糊,否则为离焦模糊,其中T′δ为预设值。
优选地,所述利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径,包括:
采用Laplace算子对模糊区域图像g(x,y)进行无方向微分,并计算微分图像自相关
以中心为极坐标原点,将转换到极坐标系(ρ,θ),对θ求和,得到离焦半径鉴别曲线S(ρ);
将S(ρ)中最大负峰对应的位置记为ρR,并确定离焦半径r=ρR/2。
优选地,所述利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度,包括:
确定模糊方向:
步骤A、从模糊区域图像g(x,y)的倒谱中心位置开始,寻找该位置的左侧、左上、上侧、右上四个位置中|Cg|值最大的位置;
步骤B、以步骤A中找到的最|Cg|大值点为中心点,重复步骤A,直到找到的最大值点|Cg|值小于阈值Tc;
步骤C、以直线连接步骤B中确定的点与倒谱中心点,直线方向记为θ1;
步骤D、从倒谱中心开始沿着步骤A中方向的反方向重复步骤A-步骤C,所连接直线的方向记为θ2;
步骤E、取θ1、θ2的平均值为模糊方向估计值θ;
确定模糊尺度:
计算模糊区域图像g(x,y)的倒谱图像Cg(p,q)中,|q|≤Tq的区域内所有负值向直线q=0的投影Pc(p):
取Pc(p)中位于投影中心位置(p=0)两侧的两个最小值,其距离投影中心的距离分别记为L1、L2,则确定模糊尺度估计值L=(L1+L2)/2。
优选地,所述经典图像复原算法包括维纳滤波图像复原算法和Lucy-Richardson滤波图像复原算法。
一种图像去模糊装置,包括:
模糊图像确定单元,用于对待处理图像进行模糊区域检测,确定模糊区域图像;
模糊类型确定单元,用于判断所述模糊区域图像的模糊类型,所述模糊类型包括运动模糊和离焦模糊;
第一参数确定单元,用于在所述模糊区域图像的模糊类型为离焦模糊时,利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径;
第二参数确定单元,用于在所述模糊区域图像的模糊类型为运动模糊时,利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度;
图像复原单元,用于将所述模糊方向和模糊尺度,或者所述离焦半径带入经典图像复原算法中,得到复原图像。
优选地,所述模糊图像确定单元包括:
边缘检测单元,用于对所述待处理图像进行下采样,并采用Canny算子对下采样后的图像进行边缘检测,得到边缘图像;
图像放大单元,用于将所述边缘图像放大至与所述待处理图像大小一样的尺寸,记为BWedge;
边缘处理单元,用于对BWedge进行边缘处理,包括连接断开的边缘及腐蚀断开粘连的区域,得到图像BWarea,BWarea由若干个连通域areai构成;
滑窗选取单元,用于以BWarea为掩膜,对BWedge应用预设大小的滑动窗口进行滑窗,滑动窗口覆盖的位置为BWarea中各连通域areai所覆盖的位置,统计滑动过程中窗口内BWedge像素值非零的像素个数,将areai区域内BWedge非零像素最多的窗口记为wi;
图像判断单元,用于对各wi区域内的图像计算图像功率谱斜度αi和图像梯度双高斯分布标准差σ1,i,若αi>Tα或σ1,i<Tσ,则确定该wi区域内的图像为模糊区域图像,其中Tα和Tσ分别为预设值。
优选地,所述模糊类型确定单元包括:
二值化单元,用于采用Canny算子将所述模糊区域图像g(x,y)的倒谱绝对值图像|Cg(p,q)|转换为二值图像,记为Cg,binary(p,q);
方向响应函数确定单元,用于以(0,0)点为固定点,对二值图像Cg,binary(p,q)做α方向上的线积分,统计非零像素在各方向上出现的概率,得到方向响应函数hist(α),其中α∈[-90,90);
方差计算单元,用于计算hist(α)的方差δ,若δ>T′δ,则确定所述模糊区域图像为运动模糊,否则为离焦模糊,其中T′δ为预设值。
优选地,所述第一参数确定单元包括:
微分计算单元,用于采用Laplace算子对模糊区域图像g(x,y)进行无方向微分,并计算微分图像自相关
离焦鉴别曲线确定单元,用于以中心为极坐标原点,将转换到极坐标系(ρ,θ),对θ求和,得到离焦半径鉴别曲线S(ρ);
将S(ρ)中最大负峰对应的位置记为ρR,并确定离焦半径r=ρR/2。
从上述的技术方案可以看出,本申请实施例提供的图像去模糊方法,首先对待处理图像进行模糊区域检测,确定模糊区域图像,判断所述模糊区域图像的模糊类型,若所述模糊区域图像的模糊类型为离焦模糊,则利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径,若所述模糊区域图像的模糊类型为运动模糊,则利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度,最后将估计的参数带入经典图像复原算法中,得到复原图像。本申请先确定图像出现模糊的区域,然后根据模糊类型不同选用不同的方法来进行复原时所必须的参数的估计,最后进行图像复原,能够准确进行车牌识别。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种图像去模糊方法流程图;
图2为本申请实施例公开的一种离焦半径鉴别曲线示意图;
图3为本申请实施例公开的一种运动模糊尺度鉴别曲线示意图;
图4为本申请实施例公开的一种图像去模糊装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,图1为本申请实施例公开的一种图像去模糊方法流程图。
如图1所示,该方法包括:
步骤S100、对待处理图像进行模糊区域检测,确定模糊区域图像;
具体地,在实际道路监控图像中,平坦的路面以及光滑的车辆表面均会导致所在图像区域频谱中高频成分较少,本申请从原始待处理图像中提取出边缘特征,仅对包含最多边缘像素的区域计算图像功率谱斜度、图像梯度双高斯分布标准差这两个测度,进而判断该区域所在连通域是否发生模糊。
步骤S110、判断所述模糊区域图像的模糊类型,所述模糊类型包括运动模糊和离焦模糊;
具体地,真实模糊图像中往往携带了大量真实场景本身的信息(边缘、拐角等),且易受到噪声污染,这导致难以直接根据频谱鉴别出模糊类型。然而,模糊图像的PSF也同时改变了倒谱图像的形态,而从倒谱中往往可以较容易地分辨出模糊的类型。
步骤S120、若所述模糊区域图像的模糊类型为离焦模糊,利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径;
步骤S130、若所述模糊区域图像的模糊类型为运动模糊,利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度;
步骤S140、将所述模糊方向和模糊尺度,或者所述离焦半径带入经典图像复原算法中,得到复原图像。
具体地,离焦半径是离焦模糊圆盘退化模型PSF的唯一表征,一旦离焦半径确定,退化函数也跟着确定,进而可以确定复原图像。
同理,模糊方向和模糊尺度是运动模糊PSF的两个关键参数,准确鉴别这两个参数时复原模糊图像的关键。
本申请实施例提供的图像去模糊方法,首先对待处理图像进行模糊区域检测,确定模糊区域图像,判断所述模糊区域图像的模糊类型,若所述模糊区域图像的模糊类型为离焦模糊,则利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径,若所述模糊区域图像的模糊类型为运动模糊,则利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度,最后将估计的参数带入经典图像复原算法中,得到复原图像。本申请先确定图像出现模糊的区域,然后根据模糊类型不同选用不同的方法来进行复原时所必须的参数的估计,最后进行图像复原,能够准确进行车牌识别。
其中,上述步骤S100的具体实现过程可以参照下述过程:
对所述待处理图像进行下采样,并采用Canny算子对下采样后的图像进行边缘检测,得到边缘图像;
将所述边缘图像放大至与所述待处理图像大小一样的尺寸,记为BWedge;
对BWedge进行边缘处理,包括连接断开的边缘及腐蚀断开粘连的区域,得到图像BWarea,BWarea由若干个连通域areai构成;
以BWarea为掩膜,对BWedge应用预设大小的滑动窗口进行滑窗,滑动窗口覆盖的位置为BWarea中各连通域areai所覆盖的位置,统计滑动过程中窗口内BWedge像素值非零的像素个数,将areai区域内BWedge非零像素最多的窗口记为wi;
对各wi区域内的图像计算图像功率谱斜度αi和图像梯度双高斯分布标准差σ1,i;
若αi>Tα或σ1,i<Tσ,则确定该wi区域内的图像为模糊区域图像,其中Tα和Tσ分别为预设值。
进一步,我们讲解上述判断模糊区域图像的模糊类型的过程。
首先介绍一下模糊区域图像g(x,y)的倒谱的定义:
Cg(p,q)=F-1{log|G(u,v)|}
其中G(u,v)为g(x,y)的Fourier变换,F-1{·}表示Fourier逆变换。为了保证在G(u,v)=0时Cg(p,q)有意义,实际应用中,常采用下式计算一幅图像的倒谱:
Cg(p,q)=F-1{log|1+G(u,v)|}
基于此,确定模糊类型的过程为:
首先,采用Canny算子将所述模糊区域图像g(x,y)的倒谱绝对值图像|Cg(p,q)|转换为二值图像,记为Cg,binary(p,q);
其次,以(0,0)点为固定点,对二值图像Cg,binary(p,q)做α方向上的线积分,统计非零像素在各方向上出现的概率,得到方向响应函数hist(α),其中α∈[-90,90);
最后,计算hist(α)的方差δ,若δ>T′δ,则确定所述模糊区域图像为运动模糊,否则为离焦模糊,其中T′δ为预设值。
对于确定为离焦模糊的图像,利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径。该过程包括:
1、采用Laplace算子对模糊区域图像g(x,y)进行无方向微分,并计算微分图像自相关
具体地,对模糊区域图像g(x,y)进行无方向微分为:
其中,f(x,y)表示清晰图像,h(x,y)以卷积的形式作用于f(x,y)上,若不考虑噪声影响,模糊图像g(x,y)的退化模型可表示为:h(x,y)称为模糊核或点扩散函数(PSF)。
微分模糊图像的自相关为:
其中,cov{·}表示二维相关运算,*为复共轭符号,sf与分别为f(x,y)与的自相关。模糊图像的微分图像自相关函数会受到PSF微分自相关函数的影响。
2、以中心为极坐标原点,将转换到极坐标系(ρ,θ),对θ求和,得到离焦半径鉴别曲线S(ρ);
3、将S(ρ)中最大负峰对应的位置记为ρR,并确定离焦半径r=ρR/2。
上述得到的离焦半径鉴别曲线可以参照图2所示,图2为本申请实施例公开的一种离焦半径鉴别曲线示意图。
同理,对于确定为运动模糊的图像,利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度。该过程包括两个过程,分别为确定模糊方向和确定模糊尺度。
其中,确定模糊方向包括:
步骤A、从模糊区域图像g(x,y)的倒谱中心位置开始,寻找该位置的左侧、左上、上侧、右上四个位置中|Cg|值最大的位置;
步骤B、以步骤A中找到的最|Cg|大值点为中心点,重复步骤A,直到找到的最大值点|Cg|值小于阈值Tc;
步骤C、以直线连接步骤B中确定的点与倒谱中心点,直线方向记为θ1;
步骤D、从倒谱中心开始沿着步骤A中方向的反方向重复步骤A-步骤C,所连接直线的方向记为θ2;
这里,步骤A中方向的反方向指的是倒谱中心位置的右侧、右下、下侧和左下位置。
步骤E、取θ1、θ2的平均值为模糊方向估计值θ。
经过上述步骤A-E,可以确定模糊方向θ。
接下来介绍确定模糊尺度的过程:
计算模糊区域图像g(x,y)的倒谱图像Cg(p,q)中,|q|≤Tq的区域内所有负值向直线q=0的投影Pc(p),将Pc(p)作为运动模糊尺度的鉴别曲线:
取Pc(p)中位于投影中心位置(p=0)两侧的两个最小值,其距离投影中心的距离分别记为L1、L2,则确定模糊尺度估计值L=(L1+L2)/2。
具体地,可以参见图3,图3为本申请实施例公开的一种运动模糊尺度鉴别曲线示意图。
经过上述各个参数的确定,接下来利用经典图像复原算法对图像进行复原。常见的算法有维纳滤波图像复原算法和Lucy-Richardson滤波图像复原算法等。
具体使用过程,可以同时采用两种复原算法以获得视觉效果最佳的复原图像
上式中,为维纳滤波复原图像,为Lucy-Richardson滤波复原图像,权值w的取值可事先设定,也可采用与用户交互的方式获得。
需要解释的是,当服从高斯分布的噪声污染了模糊退化图像,频谱G(u,v)中的平行暗条纹会减弱,一些条纹甚至会消失。增大噪声方差,大部分的暗条纹将会消失。当向运动模糊图像中添加SNR=30的高斯噪声后,对比无噪声图像的频谱可知:受噪声污染的模糊图像频谱中,距离中心较远的直线条纹已被噪声覆盖。倒谱Cg(p,q)根据G(u,v)计算而来,本申请实施例提出了一种基于小波变换和脊波变换的运动模糊频谱预处理方法,增强谱图中周期性平行直线条纹,进而提高上述利用倒谱分析运动模糊参数算法的鉴别精度。
其中,基于小波变换的运动模糊频谱预处理方法为:
小波变换在频域保持了良好的局部化特性,因而被广泛应用于数字图像处理领域。本申请中,引入小波变换是因为该变换具有分解图像到不同方向上的能力,通过削弱非条纹方向上的图像信息达到增强频谱sinc结构的目的。
粗略求出模糊图像运动方向θ后,将频谱图像逆向旋转θ角度,此时平行条纹位于或接近位于竖直方向上。采用四阶symlets小波对模糊图像频谱进行n尺度Mallat小波分解,生成LHj、HLj、HHj三个高频带系列(j=1,2,...,n)和一个LLn低频带。低频带表示在最大尺度上对原频谱图的逼近,包含了频谱的大量纹理信息;高频带系列则是图像在不同分辨率、不同方向上的细节信息,LHj表示竖直方向上的高频信息,HLj表示水平方向上的高频信息,HHj表示对角线方向上的高频信息。由于平行暗条纹位于竖直或接近竖直的方向上,对第一级至第四级水平方向细节系数HLj和对角线方向细节系数HHj(j=1,2,...,n)置零,重构图像,可以去频谱中偏离竖直方向的图像细节,增强平行暗条纹纹理。
进一步,上述频谱处理过程中,由于只利用了小波系数中竖直方向的高频系数重构图像,除由PSF的sinc型结构导致的平行条纹得到增强之外,一些由原始图像信息和噪声干扰形成的竖直方向上的细小纹理也被增强,这些细而短的条纹与PSF无关,影响模糊参数的准确鉴别。本文采用基于有限域脊波变换(Finite ridgelet transform,FRIT)的方法去除这些细小条纹。
为了进一步增强频谱中的平行条纹,同时减少小波重构后频谱中细小线形条纹对后续模糊参数鉴别的影响,对频谱进行FRAT后,采用经典的VisuShrink通用阈值小波降噪算法光滑各投影方向上的FRAT系数,实现FRIT降噪。
带有频谱增强的基于倒谱分析的运动模糊参数估计算法如下:
第1步:由模糊区域图像原始频谱G(u,v)计算倒谱Cg(p,q),根据Cg(p,q)粗略估计模糊方向计算模糊尺度鉴别曲线Pc(p),p=0两侧的最大负峰位置分别记为p1、p2;
第2步:将G(u,v)旋转角度,旋转后的G(u,v)图像中,平行暗条纹位于或接近于竖直方向;
第3步:对旋转后的频谱图像实施上述基于小波变换和脊波变换的运动模糊频谱预处理方法,增强后的频谱记为G'(u,v);
第4步:将G'(u,v)旋转回角度;
第5步:根据旋转后的G'(u,v)计算倒谱C'g(p,q),再次估计模糊方向θ,并计算模糊尺度鉴别曲线Pc'(p),在p1、p2附近分别寻找最大负峰,根据找到的负峰位置估计模糊尺度L。
下面对本申请实施例提供的图像去模糊装置进行描述,下文描述的图像去模糊装置与上文描述的图像去模糊方法可相互对应参照。
参见图4,图4为本申请实施例公开的一种图像去模糊装置结构示意图。
如图4所示,该装置包括:
模糊图像确定单元41,用于对待处理图像进行模糊区域检测,确定模糊区域图像;
模糊类型确定单元42,用于判断所述模糊区域图像的模糊类型,所述模糊类型包括运动模糊和离焦模糊;
第一参数确定单元43,用于在所述模糊区域图像的模糊类型为离焦模糊时,利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径;
第二参数确定单元44,用于在所述模糊区域图像的模糊类型为运动模糊时,利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度;
图像复原单元45,用于将所述模糊方向和模糊尺度,或者所述离焦半径带入经典图像复原算法中,得到复原图像。
其中,常见的经典图像复原算法有维纳滤波图像复原算法和Lucy-Richardson滤波图像复原算法等。
可选的,所述模糊图像确定单元41包括:
边缘检测单元,用于对所述待处理图像进行下采样,并采用Canny算子对下采样后的图像进行边缘检测,得到边缘图像;
图像放大单元,用于将所述边缘图像放大至与所述待处理图像大小一样的尺寸,记为BWedge;
边缘处理单元,用于对BWedge进行边缘处理,包括连接断开的边缘及腐蚀断开粘连的区域,得到图像BWarea,BWarea由若干个连通域areai构成;
滑窗选取单元,用于以BWarea为掩膜,对BWedge应用预设大小的滑动窗口进行滑窗,即滑动窗口覆盖的位置为BWarea中各连通域areai所覆盖的位置,并统计滑动过程中窗口内BWedge像素值非零的像素个数,将areai区域内BWedge非零像素最多的窗口记为wi;
图像判断单元,用于对各wi区域内的图像计算图像功率谱斜度αi和图像梯度双高斯分布标准差σ1,i,若αi>Tα或σ1,i<Tσ,则确定该wi区域内的图像为模糊区域图像,其中Tα和Tσ分别为预设值。
可选的,所述模糊类型确定单元42包括:
二值化单元,用于采用Canny算子将所述模糊区域图像g(x,y)的倒谱绝对值图像|Cg(p,q)|转换为二值图像,记为Cg,binary(p,q);
方向响应函数确定单元,用于以(0,0)点为固定点,对二值图像Cg,binary(p,q)做α方向上的线积分,统计非零像素在各方向上出现的概率,得到方向响应函数hist(α),其中α∈[-90,90);
方差计算单元,用于计算hist(α)的方差δ,若δ>T′δ,则确定所述模糊区域图像为运动模糊,否则为离焦模糊,其中T′δ为预设值。
可选的,所述第一参数确定单元43包括:
微分计算单元,用于采用Laplace算子对模糊区域图像g(x,y)进行无方向微分,并计算微分图像自相关
离焦鉴别曲线确定单元,用于以中心为极坐标原点,将转换到极坐标系(ρ,θ),对θ求和,得到离焦半径鉴别曲线S(ρ);
将S(ρ)中最大负峰对应的位置记为ρR,并确定离焦半径r=ρR/2。
可选的,上述第二参数确定单元可以包括:
方向确定单元,用于确定模糊方向:
步骤A、从模糊区域图像g(x,y)的倒谱中心位置开始,寻找该位置的左侧、左上、上侧、右上四个位置中|Cg|值最大的位置;
步骤B、以步骤A中找到的最|Cg|大值点为中心点,重复步骤A,直到找到的最大值点|Cg|值小于阈值Tc;
步骤C、以直线连接步骤B中确定的点与倒谱中心点,直线方向记为θ1;
步骤D、从倒谱中心开始沿着步骤A中方向的反方向重复步骤A-步骤C,所连接直线的方向记为θ2;
步骤E、取θ1、θ2的平均值为模糊方向估计值θ;
尺度确定单元,用于确定模糊尺度:
计算模糊区域图像g(x,y)的倒谱图像Cg(p,q)中,|q|≤Tq的区域内所有负值向直线q=0的投影Pc(p):
取Pc(p)中位于投影中心位置(p=0)两侧的两个最小值,其距离投影中心的距离分别记为L1、L2,则确定模糊尺度估计值L=(L1+L2)/2。
本申请实施例提供的图像去模糊装置,首先对待处理图像进行模糊区域检测,确定模糊区域图像,判断所述模糊区域图像的模糊类型,若所述模糊区域图像的模糊类型为离焦模糊,则利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径,若所述模糊区域图像的模糊类型为运动模糊,则利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度,最后将估计的参数带入经典图像复原算法中,得到复原图像。本申请先确定图像出现模糊的区域,然后根据模糊类型不同选用不同的方法来进行复原时所必须的参数的估计,最后进行图像复原,能够准确进行车牌识别。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种图像去模糊方法,其特征在于,包括:
对待处理图像进行模糊区域检测,确定模糊区域图像;
判断所述模糊区域图像的模糊类型,所述模糊类型包括运动模糊和离焦模糊;
若所述模糊区域图像的模糊类型为离焦模糊,则利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径;
若所述模糊区域图像的模糊类型为运动模糊,则利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度;
将所述模糊方向和模糊尺度,或者所述离焦半径带入经典图像复原算法中,得到复原图像,所述经典图像复原算法包括维纳滤波图像复原算法和Lucy-Richardson滤波图像复原算法;
所述对待处理图像进行模糊区域检测,确定模糊区域图像,包括:
对所述待处理图像进行下采样,并采用Canny算子对下采样后的图像进行边缘检测,得到边缘图像;
将所述边缘图像放大至与所述待处理图像大小一样的尺寸,记为BWedge;
对BWedge进行边缘处理,包括连接断开的边缘及腐蚀断开粘连的区域,得到图像BWarea,BWarea由若干个连通域areai构成;
以BWarea为掩膜,对BWedge应用预设大小的滑动窗口进行滑窗,滑动窗口覆盖的位置为BWarea中各连通域areai所覆盖的位置,统计滑动过程中窗口内BWedge像素值非零的像素个数,将areai区域内BWedge非零像素最多的窗口记为wi;
对各wi区域内的图像计算图像功率谱斜度αi和图像梯度双高斯分布标准差σ1,i;
若αi>Tα或σ1,i<Tσ,则确定该wi区域内的图像为模糊区域图像,其中Tα和Tσ分别为预设值。
2.根据权利要求1所述的方法,其特征在于,所述判断所述模糊区域图像的模糊类型,包括:
采用Canny算子将所述模糊区域图像g(x,y)的倒谱绝对值图像|Cg(p,q)|转换为二值图像,记为Cg,binary(p,q);
以(0,0)点为固定点,对二值图像Cg,binary(p,q)做α方向上的线积分,统计非零像素在各方向上出现的概率,得到方向响应函数hist(α),其中α∈[-90,90);
计算hist(α)的方差δ,若δ>T′δ,则确定所述模糊区域图像为运动模糊,否则为离焦模糊,其中T′δ为预设值。
3.根据权利要求1所述的方法,其特征在于,所述利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径,包括:
采用Laplace算子对模糊区域图像g(x,y)进行无方向微分,并计算微分图像自相关
以中心为极坐标原点,将转换到极坐标系(ρ,θ),对θ求和,得到离焦半径鉴别曲线S(ρ);
将S(ρ)中最大负峰对应的位置记为ρR,并确定离焦半径r=ρR/2。
4.根据权利要求1所述的方法,其特征在于,所述利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度,包括:
确定模糊方向:
步骤A、从模糊区域图像g(x,y)的倒谱中心位置开始,寻找该位置的左侧、左上、上侧、右上四个位置中|Cg|值最大的位置,|Cg|表示模糊图像g(x,y)的倒谱绝对值图像;
步骤B、以步骤A中找到的最|Cg|大值点为中心点,重复步骤A,直到找到的最大值点|Cg|值小于阈值Tc;
步骤C、以直线连接步骤B中确定的点与倒谱中心点,直线方向记为θ1;
步骤D、从倒谱中心开始沿着步骤A中方向的反方向重复步骤A-步骤C,所连接直线的方向记为θ2;
步骤E、取θ1、θ2的平均值为模糊方向估计值θ;
确定模糊尺度:
计算模糊区域图像g(x,y)的倒谱图像Cg(p,q)中,|q|≤Tq的区域内所有负值向直线q=0的投影Pc(p):
其中,q为倒谱图像Cg(p,q)中的未知变量,Tq为预设阈值;
取Pc(p)中位于投影中心位置(p=0)两侧的两个最小值,其距离投影中心的距离分别记为L1、L2,则确定模糊尺度估计值L=(L1+L2)/2。
5.一种图像去模糊装置,其特征在于,包括:
模糊图像确定单元,用于对待处理图像进行模糊区域检测,确定模糊区域图像;
模糊类型确定单元,用于判断所述模糊区域图像的模糊类型,所述模糊类型包括运动模糊和离焦模糊;
第一参数确定单元,用于在所述模糊区域图像的模糊类型为离焦模糊时,利用基于微分图像自相关的离焦模糊参数估计算法来确定离焦半径;
第二参数确定单元,用于在所述模糊区域图像的模糊类型为运动模糊时,利用基于倒谱分析的运动模糊参数估计算法来确定模糊方向和模糊尺度;
图像复原单元,用于将所述模糊方向和模糊尺度,或者所述离焦半径带入经典图像复原算法中,得到复原图像,所述经典图像复原算法包括维纳滤波图像复原算法和Lucy-Richardson滤波图像复原算法;
所述模糊图像确定单元包括:
边缘检测单元,用于对所述待处理图像进行下采样,并采用Canny算子对下采样后的图像进行边缘检测,得到边缘图像;
图像放大单元,用于将所述边缘图像放大至与所述待处理图像大小一样的尺寸,记为BWedge;
边缘处理单元,用于对BWedge进行边缘处理,包括连接断开的边缘及腐蚀断开粘连的区域,得到图像BWarea,BWarea由若干个连通域areai构成;
滑窗选取单元,用于以BWarea为掩膜,对BWedge应用预设大小的滑动窗口进行滑窗,滑动窗口覆盖的位置为BWarea中各连通域areai所覆盖的位置,统计滑动过程中窗口内BWedge像素值非零的像素个数,将areai区域内BWedge非零像素最多的窗口记为wi;
图像判断单元,用于对各wi区域内的图像计算图像功率谱斜度αi和图像梯度双高斯分布标准差σ1,i,若αi>Tα或σ1,i<Tσ,则确定该wi区域内的图像为模糊区域图像,其中Tα和Tσ分别为预设值。
6.根据权利要求5所述的装置,其特征在于,所述模糊类型确定单元包括:
二值化单元,用于采用Canny算子将所述模糊区域图像g(x,y)的倒谱绝对值图像|Cg(p,q)|转换为二值图像,记为Cg,binary(p,q);
方向响应函数确定单元,用于以(0,0)点为固定点,对二值图像Cg,binary(p,q)做α方向上的线积分,统计非零像素在各方向上出现的概率,得到方向响应函数hist(α),其中α∈[-90,90);
方差计算单元,用于计算hist(α)的方差δ,若δ>T′δ,则确定所述模糊区域图像为运动模糊,否则为离焦模糊,其中T′δ为预设值。
7.根据权利要求5所述的装置,其特征在于,所述第一参数确定单元包括:
微分计算单元,用于采用Laplace算子对模糊区域图像g(x,y)进行无方向微分,并计算微分图像自相关
离焦鉴别曲线确定单元,用于以中心为极坐标原点,将转换到极坐标系(ρ,θ),对θ求和,得到离焦半径鉴别曲线S(ρ);
将S(ρ)中最大负峰对应的位置记为ρR,并确定离焦半径r=ρR/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410719427.7A CN104331871B (zh) | 2014-12-02 | 一种图像去模糊方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410719427.7A CN104331871B (zh) | 2014-12-02 | 一种图像去模糊方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331871A CN104331871A (zh) | 2015-02-04 |
CN104331871B true CN104331871B (zh) | 2018-06-01 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542535A (zh) * | 2011-11-18 | 2012-07-04 | 中国科学院自动化研究所 | 虹膜图像的去模糊方法 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542535A (zh) * | 2011-11-18 | 2012-07-04 | 中国科学院自动化研究所 | 虹膜图像的去模糊方法 |
Non-Patent Citations (3)
Title |
---|
倒谱在混合模糊图像分析中的应用;周曲等;《光学技术》;20071130;第33卷(第6期);摘要,第3节 * |
基于倒谱分析的运动模糊参数估计;郭红伟等;《云南民族大学学报:自然科学版》;20121231;第1-3节 * |
基于微分图像自相关的离焦模糊图像盲复原;赵琳等;《光学学报》;20080930;第28卷(第9期);摘要,第3节 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
Yu et al. | A novel license plate location method based on wavelet transform and EMD analysis | |
CN103116875B (zh) | 自适应双边滤波图像去噪方法 | |
CN104408460B (zh) | 一种车道线检测及跟踪检测方法 | |
Maini et al. | Study and comparison of various image edge detection techniques | |
CN110349207B (zh) | 一种复杂环境下的视觉定位方法 | |
CN103369209B (zh) | 视频降噪装置及方法 | |
CN103984961B (zh) | 一种用于检测车底异物的图像检测方法 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
US8300949B2 (en) | Edge detection technique having improved feature visibility | |
CN108416789A (zh) | 图像边缘检测方法及系统 | |
CN100474337C (zh) | 一种基于径向基神经网络的有噪运动模糊图像复原方法 | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
JP6015257B2 (ja) | 偏光画像による車両位置検知方法及びシステム | |
Ding et al. | An adaptive road ROI determination algorithm for lane detection | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN113034452B (zh) | 一种焊件轮廓检测方法 | |
CN102842120B (zh) | 基于超复数小波相位测量的图像模糊程度检测方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN108257125B (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
CN109064418A (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN111091111A (zh) | 一种车底危险目标识别方法 | |
CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
CN106447640A (zh) | 基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |