CN104394377A - 一种监控图像的模糊异常的识别方法及装置 - Google Patents
一种监控图像的模糊异常的识别方法及装置 Download PDFInfo
- Publication number
- CN104394377A CN104394377A CN201410736875.8A CN201410736875A CN104394377A CN 104394377 A CN104394377 A CN 104394377A CN 201410736875 A CN201410736875 A CN 201410736875A CN 104394377 A CN104394377 A CN 104394377A
- Authority
- CN
- China
- Prior art keywords
- monitoring image
- fuzzy
- image
- evaluation value
- described monitoring
- 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.)
- Granted
Links
Landscapes
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种监控图像的模糊异常的识别方法及装置,包括:截取视频流的监控图像并对监控图像进行平滑处理;计算原始的监控图像与进行平滑处理后的监控图像的模糊评价值;将模糊评价值与预设的模糊阈值进行比较,如果模糊评价值小于模糊阈值,则判断监控图像为模糊图像。本发明的监控图像的模糊异常的识别方法及装置,基于结构相似度的评价实时监控系统视频图像是否模糊,不需要原始参考图像,并且不受图像分辨率的影响,不需要先验条件,评价算法计算结果有界,适用于绝大部分的室外监控图像,并且算法时间复杂度低,运行效率高。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种监控图像的模糊异常的识别方法及装置。
背景技术
目前,随着社会经济与技术的飞速发展,视频监控作为安防的一种重要手段越来越受到重视,在社会各个领域也得到了许多应用。视频监控系统中前端设备是最基础、最直接的组成部分,而前端设备大多被分散安装在室外,平时缺少维护,容易造成各种故障与质量问题,最直接反应出来的就是前端设备采集的视频图像异常,产生诸如失去信号、偏色、彩条等的问题。
图像模糊作为一种常见的异常类型,往往是前端设备摄像头对焦不准确造成的。许多前端设备虽有自动对焦系统,但精确度不够,很多时候依旧需要人工对焦。但对于成千上万个点位的监控视频,用人工方式去一一筛选模糊的那部分显然是极其耗费人力的,因此用计算机自动筛选出模糊的图像很有必要。视频由许多帧的图像构成,因此分析视频的模糊程度一定程度上可以由分析某帧图像模糊程度代替。目前常见的模糊评价算法大部分基于全参考和部分参考,即需要原始图像或部分原始图像作为参考,但对于实时视频监控系统来说,根本无法得到清晰的原始参考图像。而均分方差、领域方差这些常见的无参考评价算法,其评价结果又与人眼评价结果相差比较大,并且容易受到图像本身信息量丰富程度和图像分辨率的影响,不适合用于多场合的视频监控系统。
发明内容
有鉴于此,本发明要解决的一个技术问题是提供一种监控图像的模糊异常的识别方法,基于模糊评价值判断图像是否模糊。
一种监控图像的模糊异常的识别方法,包括:截取视频流的监控图像并对所述监控图像进行平滑处理;计算原始的所述监控图像与进行平滑处理后的所述监控图像的模糊评价值;将所述模糊评价值与预设的模糊阈值进行比较,如果所述模糊评价值小于所述模糊阈值,则判断所述监控图像为模糊图像。
根据本发明的一个实施例,进一步的,所述计算原始的所述监控图像与进行平滑处理后的所述监控图像的模糊评价值包括:计算原始的所述监控图像x与进行平滑处理后的所述监控图像y的结构相似度值SSIM(x,y);所述SSIM(x,y)=[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ;其中,I(x,y)为亮度比较函数,c(x,y)为对比度比较函数,s(x,y)为结构比较函数,α、β和γ为分别调节l(x,y)、c(x,y)和s(x,y)的参数;将所述监控图像x与进行平滑处理后的所述监控图像y的模糊评价值设置为1-SSIM(x,y)。
根据本发明的一个实施例,进一步的,当所述监控图像被判断为模糊图像后,将所述监控图像分割为多个子块并分别计算每个子块的均方差;对所述多个子块中均方差最大的M个子块进行平滑处理;计算原始的所述M个子块与进行平滑处理后的所述M个子块的模糊评价值;获取所述M个子块的模糊评价值的平均值,并将所述平均值与所述模糊阈值进行比较,如果所述平均值大于模糊阈值,则确定所述监控图像为正常图像;如果所述平均值小于模糊阈值,则确定所述监控图像为模糊图像。
根据本发明的一个实施例,进一步的,对被确定为模糊图像的所述监控图像进行灰度直方图处理;通过分析所述监控图像的灰度直方图的单峰性或双峰性特点,判断所述监控图像是否为道路图像;当所述监控图像为道路图像时,将所述模糊评价值与预设的道路模糊阈值进行比较,如果所述模糊评价值大于所述道路模糊阈值,则确定所述监控图像为正常图像;如果所述模糊评价值小于所述道路模糊阈值,则确定所述监控图像为模糊图像。
根据本发明的一个实施例,进一步的,通过高斯平滑处理器对所述监控图像进行平滑处理。
本发明要解决的一个技术问题是提供一种监控图像的模糊异常的识别装置,基于模糊评价值判断图像是否模糊。
一种监控图像的模糊异常的识别装置,包括:平滑处理单元,用于截取视频流的监控图像并对所述监控图像进行平滑处理;模糊评价值计算单元,用于计算原始的所述监控图像与进行平滑处理后的所述监控图像的模糊评价值;图像识别单元,用于将所述模糊评价值与预设的模糊阈值进行比较,如果所述模糊评价值小于所述模糊阈值,则判断所述监控图像为模糊图像。
根据本发明的一个实施例,进一步的,所述模糊评价值计算单元包括:相似度计算子模块,用于计算原始的所述监控图像x与进行平滑处理后的所述监控图像y的结构相似度值SSIM(x,y);所述SSIM(x,y)=[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ;其中,I(x,y)为亮度比较函数,c(x,y)为对比度比较函数,s(x,y)为结构比较函数,α、β和γ为分别调节l(x,y)、c(x,y)和s(x,y)的参数;评价值设置子模块,用于将所述监控图像x与进行平滑处理后的所述监控图像y的模糊评价值设置为1-SSIM(x,y)。
根据本发明的一个实施例,进一步的,还包括:子块平滑处理子模块,用于当所述监控图像被判断为模糊图像后,将所述监控图像分割为多个子块并分别计算每个子块的均方差;对所述多个子块中均方差最大的M个子块进行平滑处理;子块评价值计算子模块,用于计算原始的所述M个子块与进行平滑处理后的所述M个子块的模糊评价值;子块图像识别子模块,用于获取所述M个子块的模糊评价值的平均值,并将所述平均值与所述模糊阈值进行比较,如果所述平均值大于模糊阈值,则确定所述监控图像为正常图像;如果所述平均值小于模糊阈值,则确定所述监控图像为模糊图像。
根据本发明的一个实施例,进一步的,所述图像识别单元包括:道路图像判定子模块,用于对被确定为模糊图像的所述监控图像进行灰度直方图处理;通过分析所述监控图像的灰度直方图的单峰性或双峰性特点,判断所述监控图像是否为道路图像;道路图像识别子模块,用于当所述监控图像为道路图像时,将所述模糊评价值与预设的道路模糊阈值进行比较,如果所述模糊评价值大于所述道路模糊阈值,则确定所述监控图像为正常图像;如果所述模糊评价值小于所述道路模糊阈值,则确定所述监控图像为模糊图像。
根据本发明的一个实施例,进一步的,所述平滑处理单元通过高斯平滑处理器对所述监控图像进行平滑处理。
本发明的监控图像的模糊异常的识别方法及装置,基于结构相似度的评价实时监控系统视频图像是否模糊,不需要原始参考图像,不受图像分辨率的影响。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明的监控图像的模糊异常的识别方法的一个实施例的流程图;
图2为根据本发明的监控图像的模糊异常的识别方法的另一个实施例的流程图;
图3为一个正常的道路图像所对应的灰度直方统计图像;
图4为一个模糊的道路图像所对应的灰度直方统计图像;
图5为根据本发明的监控图像的模糊异常的识别装置的一个实施例的示意图;
图6为根据本发明的监控图像的模糊异常的识别装置的一个实施例的图像识别单元示意图。
具体实施方式
下面参照附图对本发明进行更全面的描述,其中说明本发明的示例性实施例。下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。下面结合各个图和实施例对本发明的技术方案进行多方面的描述。
图1为根据本发明的监控图像的模糊异常的识别方法的一个实施例的流程图,如图1所示:
步骤101,截取视频流的监控图像并对监控图像进行平滑处理。
步骤102,计算原始的监控图像与进行平滑处理后的监控图像的模糊评价值。
步骤103,将模糊评价值与预设的模糊阈值进行比较,如果模糊评价值小于模糊阈值,则判断监控图像为模糊图像。
上述实施例的监控图像的模糊异常的识别方法,提供一种基于结构相似度的实时监控图像模糊识别方法,采用无参考的模糊评价算法,即不需要原始参考图像,并且不受图像分辨率的影响,不需要先验条件,评价算法计算结果有界,适用于绝大部分的室外监控图像。
对监控图像进行平滑处理具有多种方法,例如采用高斯平滑滤波器进行平滑处理。对待评价的图像采用平滑处理的目的主要有两个:一是消除噪声影响,二是构建参考图像。图像的轮廓信息主要属于高频分量,也就是说清晰图像比模糊图像有更多的高频信息,通过低通滤波,降低待评价图像的高频信息,也就是增加了图像的模糊程度。
高斯平滑滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器,对于抑制服从正态分布的噪声非常有效,无论在空间域还是在频率域都是十分有效的低通滤波器,且在实际图像处理中得到了工程人员的有效使用。
高斯函数具有以下性质:二维高斯函数具有旋转对称性、单值函数、由于高斯函数的可分离性,较大尺寸的高斯滤波器可以得以有效地实现等等。高斯平滑滤波器被使用去模糊图像,和均值滤波器差不多,但是和均值滤波器不一样的地方就是核不同,均值滤波器的核每一个值都是相等,而高斯平滑滤波器的核内的数却是呈现高斯分布的。
在一个实施例中,计算原始的监控图像x与进行平滑处理后的监控图像y的结构相似度值SSIM(x,y)。SSIM(x,y)=[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ。I(x,y)为亮度比较函数,c(x,y)为对比度比较函数,s(x,y)为结构比较函数,α、β和γ为分别调节l(x,y)、c(x,y)和s(x,y)的参数;将监控图像x与进行平滑处理后的监控图像y的模糊评价值设置为1-SSIM(x,y)。
清晰图像经过滤波处理后,损失的高频分量多,而模糊图像损失的就比较少,因此越是清晰的图像,处理后的图像与原始图像相差越大,利用这个原理,计算原始图像与参考图像的结构相似度。
SSIM(Structural SIMilarity:结构相似性)是一种用来评测图像质量的方法,由于人类视觉很容易从图像中抽取出结构信息,因此计算两幅图像结构信息的相似性就可以用来作为一种检测图像质量的好坏。
首先,结构信息不应该受到照明的影响,因此在计算结构信息时需要去掉亮度信息,即需要减掉图像的均值。其次,结构信息不应该受到图像对比度的影响,因此计算结构信息时需要归一化图像的方差。最后,
可以对图像求取结构信息,通常可以简单地计算一下这两幅处理后的图像的相关系数。然而图像质量的好坏也受到亮度信息和对比度信息的制约,因此在计算图像质量好坏时,在考虑结构信息的同时也需要考虑这两者的影响。
原始的监控图像x与进行平滑处理后的监控图像y两幅图像的结构相似度采用SSIM算法计算,计算公式如下:SSIM(x,y)=[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ。l(x,y)比较两幅图像的亮度,c(x,y)比较对比度,s(x,y)比较结构,α、β和γ为调节l(x,y)、c(x,y)和s(x,y)相对重要性的参数,一般情况下都取1。用1减去计算出的SSIM值,计算得出的结果即为该图像的模糊评价值。将模糊评价值与用户设置的模糊阈值比较,小于这个阈值的原始图像就被临时筛选为模糊图像。
在一个实施例中,当监控图像被判断为模糊图像后,将监控图像分割为多个子块并分别计算每个子块的均方差。对多个子块中均方差最大的M个子块进行平滑处理。计算原始的M个子块与进行平滑处理后的M个子块的模糊评价值。
获取M个子块的模糊评价值的平均值,并将平均值与模糊阈值进行比较,如果平均值大于模糊阈值,则确定监控图像为正常图像。如果平均值小于模糊阈值,则确定监控图像为模糊图像。
对被筛选出的模糊图像分割为N x N的小块并分别计算每个小块的均方差,选取均方差最大的M个小块,再次进行→高斯滤波→计算结构相似度→计算模糊评价值的过程,将得出的模糊评价值取平均值,小于用户设置的模糊阈值的图像被筛选为模糊图像。
实时视频监控系统对算法的运行效率有较高要求,一般情况下视频模糊的异常点位占总点位数的比例不会高于10%,因此,采用先筛选出一批、对这一批图像进行再次筛选的方法,能够提高运行效率。
在一个实施例中,对被确定为模糊图像的监控图像进行灰度直方图处理。通过分析监控图像的灰度直方图的单峰性或双峰性特点,判断监控图像是否为道路图像。
当监控图像为道路图像时,将模糊评价值与预设的道路模糊阈值进行比较,如果模糊评价值大于道路模糊阈值,则确定监控图像为正常图像。如果模糊评价值小于道路模糊阈值,则确定监控图像为模糊图像。
灰度直方图(histogram)是灰度级的函数,它表示图像中具有每种灰度级的象素的个数,反映图像中每种灰度出现的频率,能够有效用于图像增强,可以通过直方图的状态来评断图像的一些性质:明亮图像的直方图倾向于灰度级高的一侧;低对比度图像的直方图窄而集中于灰度级的中部,高对比度图像的直方图成分覆盖的灰度级很宽而且像素的分布没有不太均匀,只有少量的垂线比其他高许多等。从概率的观点来理解,灰度出现的频率可看作其出现的概率,这样直方图就对应于概率密度函数而概率分布函数就是直方图的累积和,即概率密度函数的积分。
将被筛选出的模糊图像进行灰度直方图统计。室外的前端设备很多时候都需要对道路状态进行监控,而行道树、行人与车辆比较少的道路监控图像呈现出轮廓少,灰度分布单一的特点,与模糊图像特点近似,因此容易被错误的辨别为模糊图像。
道路图像的灰度直方图有显著的特点,即明显单峰性或双峰性,如图3、4所示。利用这个特征,对图像进行灰度直方图统计,其中若呈现明显的单峰性或双峰性并且模糊评价值大于用户设置的模糊阈值,则判断为正常图像,否则判断为模糊图像。
图2为根据本发明的监控图像的模糊异常的识别方法的另一个实施例的流程图,如图2所示:
步骤201,输入原始图像。点位巡检系统获取某一前端点位的视频流,点位巡检系统截取视频流的帧图像,并以任意图像格式保存在磁盘中。
步骤202,点位巡检系统调用模糊判断调用接口,并传递图像路径参数,模糊判断函数根据图像路径参数读取图像,进行高斯平滑处理。
步骤203,模糊判断函数计算原始图像与高斯平滑处理后的图像的模糊评价值。
步骤204、205,将模糊评价值与用户设置的模糊阈值比较,小于此阈值的原始图像就被判断为模糊图像。
步骤206,模糊评价值大于此阈值的原始图像就被判断为正常图像。
步骤207,若原始图像在步骤205中被判断为模糊图像,则模糊判断函数将原始图像进行进一步的分割,选取均方差最大的M个小块,再次进行高斯滤波→计算模糊评价值的过程。
步骤208,将得出的模糊评价值取平均值,小于用户设置的模糊阈值的图像被判断为模糊图像;否则,转到步骤211。
步骤209-212,若原始图像在步骤208中被判断为模糊图像,则模糊判断函数对原始图像进行是否为道路监控图像的判断,若为道路图像并且模糊评价值大于用户设置的道路判断阈值,则判断为正常图像,否则判断为模糊图像。
点位巡检系统保存判断结果,转到下一个需要巡检的前端点位,回到步骤201。
上述实施例的监控图像的模糊异常的识别方法,不受视频图像分辨率影响,并对室外监控图像的模糊异常的识别进行特化,广泛适用于各种室外视频监控系统,算法时间复杂度低,运行效率高。
如图5、6所示,本发明提供一种监控图像的模糊异常的识别装置4,包括:平滑处理单元41、模糊评价值计算单元42和图像识别单元43。平滑处理单元41截取视频流的监控图像并对监控图像进行平滑处理。模糊评价值计算单元42计算原始的监控图像与进行平滑处理后的监控图像的模糊评价值。图像识别单元43将模糊评价值与预设的模糊阈值进行比较,如果模糊评价值小于模糊阈值,则判断监控图像为模糊图像。
平滑处理单元41可以通过多种方法进行平滑处理,例如,通过高斯平滑处理器对监控图像进行平滑处理。
模糊评价值计算单元42包括:相似度计算子模块和评价值设置子模块。相似度计算子模块计算原始的监控图像x与进行平滑处理后的监控图像y的结构相似度值SSIM(x,y);SSIM(x,y)=[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ;其中,I(x,y)为亮度比较函数,c(x,y)为对比度比较函数,s(x,y)为结构比较函数,α、β和γ为分别调节l(x,y)、c(x,y)和s(x,y)的参数;评价值设置子模块将监控图像x与进行平滑处理后的监控图像y的模糊评价值设置为1-SSIM(x,y)。
图像识别单元43包括:子块平滑处理子模块431、子块评价值计算子模块432和子块图像识别子模块433。当监控图像被判断为模糊图像后,子块平滑处理子模块431将监控图像分割为多个子块并分别计算每个子块的均方差。对多个子块中均方差最大的M个子块进行平滑处理。
子块评价值计算子模块432计算原始的M个子块与进行平滑处理后的M个子块的模糊评价值。子块图像识别子模块433获取M个子块的模糊评价值的平均值,并将平均值与模糊阈值进行比较,如果平均值大于模糊阈值,则确定监控图像为正常图像。如果平均值小于模糊阈值,则确定监控图像为模糊图像。
图像识别单元还包括:道路图像判定子模块434、道路图像识别子模块435。道路图像判定子模块434对被确定为模糊图像的监控图像进行灰度直方图处理。通过分析监控图像的灰度直方图的单峰性或双峰性特点,判断监控图像是否为道路图像。
当监控图像为道路图像时,道路图像识别子模块435将模糊评价值与预设的道路模糊阈值进行比较,如果模糊评价值大于道路模糊阈值,则确定监控图像为正常图像;如果模糊评价值小于道路模糊阈值,则确定监控图像为模糊图像。
上述实施例提供的监控图像的模糊异常的识别方法及装置,采用无参考的模糊评价算法,基于结构相似度的评价实时监控系统视频图像是否模糊,不需要原始参考图像,并且不受图像分辨率的影响,不需要先验条件,评价算法计算结果有界,适用于绝大部分的室外监控图像,并且算法时间复杂度低,运行效率高。
可能以许多方式来实现本发明的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种监控图像的模糊异常的识别方法,其特征在于,包括:
截取视频流的监控图像并对所述监控图像进行平滑处理;
计算原始的所述监控图像与进行平滑处理后的所述监控图像的模糊评价值;
将所述模糊评价值与预设的模糊阈值进行比较,如果所述模糊评价值小于所述模糊阈值,则判断所述监控图像为模糊图像。
2.如权利要求1所述的方法,其特征在于,所述计算原始的所述监控图像与进行平滑处理后的所述监控图像的模糊评价值包括:
计算原始的所述监控图像x与进行平滑处理后的所述监控图像y的结构相似度值SSIM(x,y);所述SSIM(x,y)=[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ;
其中,I(x,y)为亮度比较函数,c(x,y)为对比度比较函数,s(x,y)为结构比较函数,α、β和γ分别为调节l(x,y)、c(x,y)和s(x,y)的参数;
将所述监控图像x与进行平滑处理后的所述监控图像y的模糊评价值设置为1-SSIM(x,y)。
3.如权利要求2所述的方法,其特征在于:
当所述监控图像被判断为模糊图像后,将所述监控图像分割为多个子块并分别计算每个子块的均方差;
对所述多个子块中均方差最大的M个子块进行平滑处理;
计算原始的所述M个子块与进行平滑处理后的所述M个子块的模糊评价值;
获取所述M个子块的模糊评价值的平均值,并将所述平均值与所述模糊阈值进行比较,如果所述平均值大于所述模糊阈值,则确定所述监控图像为正常图像;如果所述平均值小于所述模糊阈值,则确定所述监控图像为模糊图像。
4.如权利要求3所述的方法,其特征在于:
对被确定为模糊图像的所述监控图像进行灰度直方图处理;
通过分析所述监控图像的灰度直方图的单峰性或双峰性特点,判断所述监控图像是否为道路图像;
当所述监控图像为道路图像时,将所述模糊评价值与预设的道路模糊阈值进行比较,如果所述模糊评价值大于所述道路模糊阈值,则确定所述监控图像为正常图像;如果所述模糊评价值小于所述道路模糊阈值,则确定所述监控图像为模糊图像。
5.如权利要求1至4任意一项所述的方法,其特征在于:
通过高斯平滑处理器对所述监控图像进行平滑处理。
6.一种监控图像的模糊异常的识别装置,其特征在于,包括:
平滑处理单元,用于截取视频流的监控图像并对所述监控图像进行平滑处理;
模糊评价值计算单元,用于计算原始的所述监控图像与进行平滑处理后的所述监控图像的模糊评价值;
图像识别单元,用于将所述模糊评价值与预设的模糊阈值进行比较,如果所述模糊评价值小于所述模糊阈值,则判断所述监控图像为模糊图像。
7.如权利要求6所述的装置,其特征在于:
所述模糊评价值计算单元包括:
相似度计算子模块,用于计算原始的所述监控图像x与进行平滑处理后的所述监控图像y的结构相似度值SSIM(x,y);所述SSIM(x,y)=[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ;其中,I(x,y)为亮度比较函数,c(x,y)为对比度比较函数,s(x,y)为结构比较函数,α、β和γ为分别调节l(x,y)、c(x,y)和s(x,y)的参数;
评价值设置子模块,用于将所述监控图像x与进行平滑处理后的所述监控图像y的模糊评价值设置为1-SSIM(x,y)。
8.如权利要求7所述的装置,其特征在于:
所述图像识别单元包括:
子块平滑处理子模块,用于当所述监控图像被判断为模糊图像后,将所述监控图像分割为多个子块并分别计算每个子块的均方差;对所述多个子块中均方差最大的M个子块进行平滑处理;
子块评价值计算子模块,用于计算原始的所述M个子块与进行平滑处理后的所述M个子块的模糊评价值;
子块图像识别子模块,用于获取所述M个子块的模糊评价值的平均值,并将所述平均值与所述模糊阈值进行比较,如果所述平均值大于模糊阈值,则确定所述监控图像为正常图像;如果所述平均值小于模糊阈值,则确定所述监控图像为模糊图像。
9.如权利要求8所述的装置,其特征在于:
所述图像识别单元包括:
道路图像判定子模块,用于对被确定为模糊图像的所述监控图像进行灰度直方图处理;通过分析所述监控图像的灰度直方图的单峰性或双峰性特点,判断所述监控图像是否为道路图像;
道路图像识别子模块,用于当所述监控图像为道路图像时,将所述模糊评价值与预设的道路模糊阈值进行比较,如果所述模糊评价值大于所述道路模糊阈值,则确定所述监控图像为正常图像;如果所述模糊评价值小于所述道路模糊阈值,则确定所述监控图像为模糊图像。
10.如权利要求6至9任意一项所述的装置,其特征在于:
所述平滑处理单元通过高斯平滑处理器对所述监控图像进行平滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410736875.8A CN104394377B (zh) | 2014-12-08 | 2014-12-08 | 一种监控图像的模糊异常的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410736875.8A CN104394377B (zh) | 2014-12-08 | 2014-12-08 | 一种监控图像的模糊异常的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104394377A true CN104394377A (zh) | 2015-03-04 |
CN104394377B CN104394377B (zh) | 2018-03-02 |
Family
ID=52612206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410736875.8A Active CN104394377B (zh) | 2014-12-08 | 2014-12-08 | 一种监控图像的模糊异常的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104394377B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485703A (zh) * | 2016-09-30 | 2017-03-08 | 杭州电子科技大学 | 基于图像梯度dct变换的模糊检测方法 |
CN107085845A (zh) * | 2017-04-19 | 2017-08-22 | 北京数码视讯科技股份有限公司 | 图像模糊检测方法及装置 |
CN107133958A (zh) * | 2017-04-26 | 2017-09-05 | 北方工业大学 | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 |
CN109215010A (zh) * | 2017-06-29 | 2019-01-15 | 沈阳新松机器人自动化股份有限公司 | 一种图像质量判断的方法及机器人人脸识别系统 |
CN112714246A (zh) * | 2019-10-25 | 2021-04-27 | Tcl集团股份有限公司 | 连拍照片获取方法、智能终端及存储介质 |
CN113326721A (zh) * | 2020-02-29 | 2021-08-31 | 湖南超能机器人技术有限公司 | 基于滑窗再模糊的图像模糊检测方法、设备 |
CN113962974A (zh) * | 2021-10-27 | 2022-01-21 | 阿波罗智联(北京)科技有限公司 | 图像处理方法、装置、电子设备和介质 |
WO2022141002A1 (zh) * | 2020-12-28 | 2022-07-07 | 生物岛实验室 | 3d显示系统的2d/3d图像自动切换方法和系统 |
CN114760457A (zh) * | 2020-12-28 | 2022-07-15 | 生物岛实验室 | 3d显示系统的2d/3d图像自动切换方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008106994A1 (en) * | 2007-03-07 | 2008-09-12 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concept for determining a video quality measure for block coded images |
CN201726493U (zh) * | 2010-07-02 | 2011-01-26 | 浙江红苹果电子有限公司 | 一种针对监控视频的去隔行的装置 |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN103581662A (zh) * | 2012-07-26 | 2014-02-12 | 腾讯科技(深圳)有限公司 | 视频清晰度测量方法和系统 |
-
2014
- 2014-12-08 CN CN201410736875.8A patent/CN104394377B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008106994A1 (en) * | 2007-03-07 | 2008-09-12 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concept for determining a video quality measure for block coded images |
CN201726493U (zh) * | 2010-07-02 | 2011-01-26 | 浙江红苹果电子有限公司 | 一种针对监控视频的去隔行的装置 |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN103581662A (zh) * | 2012-07-26 | 2014-02-12 | 腾讯科技(深圳)有限公司 | 视频清晰度测量方法和系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485703B (zh) * | 2016-09-30 | 2019-05-21 | 杭州电子科技大学 | 基于图像梯度dct变换的模糊检测方法 |
CN106485703A (zh) * | 2016-09-30 | 2017-03-08 | 杭州电子科技大学 | 基于图像梯度dct变换的模糊检测方法 |
CN107085845A (zh) * | 2017-04-19 | 2017-08-22 | 北京数码视讯科技股份有限公司 | 图像模糊检测方法及装置 |
CN107133958A (zh) * | 2017-04-26 | 2017-09-05 | 北方工业大学 | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 |
CN107133958B (zh) * | 2017-04-26 | 2021-04-23 | 北方工业大学 | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 |
CN109215010B (zh) * | 2017-06-29 | 2021-08-31 | 沈阳新松机器人自动化股份有限公司 | 一种图像质量判断的方法及机器人人脸识别系统 |
CN109215010A (zh) * | 2017-06-29 | 2019-01-15 | 沈阳新松机器人自动化股份有限公司 | 一种图像质量判断的方法及机器人人脸识别系统 |
CN112714246A (zh) * | 2019-10-25 | 2021-04-27 | Tcl集团股份有限公司 | 连拍照片获取方法、智能终端及存储介质 |
CN113326721A (zh) * | 2020-02-29 | 2021-08-31 | 湖南超能机器人技术有限公司 | 基于滑窗再模糊的图像模糊检测方法、设备 |
WO2022141002A1 (zh) * | 2020-12-28 | 2022-07-07 | 生物岛实验室 | 3d显示系统的2d/3d图像自动切换方法和系统 |
CN114760457A (zh) * | 2020-12-28 | 2022-07-15 | 生物岛实验室 | 3d显示系统的2d/3d图像自动切换方法和系统 |
CN114760457B (zh) * | 2020-12-28 | 2024-03-26 | 生物岛实验室 | 3d显示系统的2d/3d图像自动切换方法和系统 |
CN113962974A (zh) * | 2021-10-27 | 2022-01-21 | 阿波罗智联(北京)科技有限公司 | 图像处理方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104394377B (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104394377A (zh) | 一种监控图像的模糊异常的识别方法及装置 | |
CN108346149B (zh) | 图像检测、处理方法、装置及终端 | |
Gibson et al. | Fast single image fog removal using the adaptive Wiener filter | |
EP3467767A1 (en) | Anomalous pixel detection | |
CN106599783B (zh) | 一种视频遮挡检测方法及装置 | |
KR101518722B1 (ko) | 안개 등의 대기 산란 입자로 인한 왜곡 보정용 영상 처리 방법 및 장치 | |
US7903848B2 (en) | Method for processing an image acquired through a guide consisting of a plurality of optical fibers | |
CN110287791B (zh) | 一种用于人脸图片的筛选方法和系统 | |
EP1492052A2 (en) | Method and system for contrast enhancement of digital video | |
CN107240092B (zh) | 一种图像模糊度检测方法及装置 | |
KR20220058843A (ko) | 카메라 렌즈의 상태 검출 방법, 장치, 기기 및 저장 매체 | |
CN104504707B (zh) | 一种监控相机视频画面的异物遮挡检测方法 | |
EP2665039A2 (en) | Detection of near-field camera obstruction | |
Liu et al. | A perceptually relevant approach to ringing region detection | |
TW201346835A (zh) | 影像模糊程度之估測方法及影像品質之評估方法 | |
CN104767913B (zh) | 一种对比度自适应的视频去噪系统 | |
WO2017001096A1 (en) | Static soiling detection and correction | |
CN105554494B (zh) | 雪点图像检测方法和装置以及视频质量检测装置和系统 | |
Silk et al. | Fast high dynamic range image deghosting for arbitrary scene motion | |
CN115631191A (zh) | 一种基于灰度特征和边缘检测的堵煤检测算法 | |
Beghdadi et al. | A new video quality assessment dataset for video surveillance applications | |
CN109360189B (zh) | 检测非制冷红外机芯图像像素缺陷点的方法 | |
US11631183B2 (en) | Method and system for motion segmentation | |
CN104112266B (zh) | 一种图像边缘虚化的检测方法和装置 | |
KR101582800B1 (ko) | 적응적으로 컬러 영상 내의 에지를 검출하는 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |