CN106296688B - 基于全局估计的影像模糊检测方法及系统 - Google Patents

Abstract

本发明涉及一种基于全局估计的影像模糊检测方法及系统，包括通过特征点检测获取影像集合中任意两影像间的同名点集合，进一步得到同名区域集合；将同名区域作Laplace卷积后的同名区域的方差作为影像模糊程度的表征量，以方差的比值确定影像之间模糊程度关系，并将影像之间的模糊程度关系表达成矩阵的形式，进一步转化为齐次线性方程组；求得齐次线性方程组的最优解；结合影像集合和最优解来确定影像之间的模糊程度大小顺序。本发明有效避免了图像盲复原和盲模糊函数运算量较大，没有明确的模糊判决标准的缺陷，同时，解决了基于梯度分布规律的图像模糊检测方法需要具体的阈值设置，且对纯色区域的模糊检测失效问题。

Description

基于全局估计的影像模糊检测方法及系统

技术领域

本发明属于数字图像处理领域，特别是涉及一种基于全局估计的影像模糊检测方法及系统。

背景技术

在光学相机的曝光时间内，如果相机与目标场景之间存在相对运动或者场景对焦不准，就会造成在成像平面内一个像点重叠了若干个物点的成像，从而产生运动模糊或失焦模糊，降低了图像质量和信息的准确获取。图像模糊检测在图像复原、图像质量评价、图像篡改被动认证等方面都有重要的应用。目前，图像模糊检测方法主要有图像盲复原和盲模糊函数(或点扩展函数，降晰函数)估计方法、基于小波分析的模糊检测方法、基于梯度分布规律的图像模糊检测方法等。

图像盲复原和盲模糊函数(或点扩展函数，降晰函数)估计方法先估计出模糊函数，利用该模糊函数进行模糊判断。该方法运算量较大，而且如何根据估计的点扩展函数进行模糊判决没有确定的标准。

基于小波分析的模糊检测方法先对图像进行小波分解，然后判断图像中边缘陡峭类型，利用其检测图像是否经过模糊，但由于该方法需要在整幅图像中进行，因而不利于局部或小区域的模糊检测。

基于梯度分布规律的图像模糊检测方法根据图像梯度分布统计规律对图像模糊区域进行检测，这种方法基于清晰区域对模糊的敏感性要大于模糊区域的前提，定义表征经过对图像模糊后的图像信息变化量来衡量图像的模糊程度。这种方法虽然能够检测出模糊区域，但这种方法依赖于具体的阈值，模糊检测结果较粗糙。另一方面，对于纯色区域，清晰和模糊情况下对模糊的敏感性将无法进行量化衡量，纯色区域对模糊的敏感性均会表现出很低。

因此，本领域亟待准确性和稳定性的技术方案出现。

发明内容

本发明的目的在于提供一种基于全局估计的影像模糊检测方法。通过该方法，可以对存在重叠区域的影像集合的模糊程度在全局的基础上进行确定，评断出影像集合的模糊程度高低，解决基于梯度信息的模糊评断方法在纯色区域的失效性，提升估计的准确性和稳定性。

为了达到上述目的，本发明基于梯度信息模糊检测方法，首先通过影像集合的同名点来连接各影像之间的模糊程度关系，并用矩阵来表达这种模糊程度的关系，最后求得矩阵对应的齐次线性方程组的最优解向量，从最优解向量中得到影像集合的模糊程度关系。

本发明提供一种基于全局估计的影像模糊检测方法，其特征在于，包括以下步骤：

步骤1，通过特征点检测获取影像集合中任意两影像间的同名点集合；

步骤2，以同名点集合中各同名点为中心截取L×L大小的区域作为同名点对应的同名区域，从而获取同名区域集合，其中L为预设的同名区域边长；

步骤3，对同名区域集合中相应的同名区域进行拉普拉斯卷积，并计算卷积后的同名区域对应的方差；

步骤4，求得两影像所有同名区域对应方差的均值，并以均值的比值确定影像之间模糊程度关系的表达；

步骤5，构建齐次线性方程组Ax＝0，并通过奇异值分解求得方程组最优解，其中，A为影像之间模糊关系表达构成的方形矩阵，齐次线性方程组的未知数向量x表示对应影像的模糊程度；

步骤6，利用最优解确定影像集合的模糊程度大小顺序。

而且，所述步骤1中，特征点的检测通过尺度不变特征转换方法实现。

而且，所述步骤1中，特征点的检测结果通过Forstner算子实现描述特征。

而且，所述步骤3的实现方式如下，

对同名区域进行拉普拉斯卷积，卷积公式为，

其中，DstRoi为拉普拉斯卷积后得到的同名区域，SrcRoi为原始同名区域，表示卷积，Laplace为拉普拉斯卷积核；

然后计算同名区域对应的方差Variance，方差计算公式为，

其中，M为集合影像灰度的平均值，p_t为某同名区域的像素灰度值，其中t＝1,2,3...,num，num为同名区域中像素值的数目。

本发明还提供一种基于全局估计的影像模糊检测系统，包括以下模块，

同名点集合模块，用于通过特征点检测获取影像集合中任意两影像间的同名点集合；

同名区域集合模块，用于根据同名点集合中各同名点为中心截取L×L大小的区域作为同名点对应的同名区域，从而获取同名区域集合，其中L为预设的同名区域边长；

同名区域方差提取模块，用于对同名区域集合中相应的同名区域进行拉普拉斯卷积，并计算卷积后的同名区域对应的方差；

模糊程度关系表达模块，用于求得两影像所有同名区域对应方差的均值，并以均值的比值确定影像之间模糊程度关系的表达；

模糊程度提取模块，用于构建齐次线性方程组Ax＝0，并通过奇异值分解求得方程组最优解，其中，A为影像之间模糊关系表达构成的方形矩阵，齐次线性方程组的未知数向量x表示对应影像的模糊程度；

影像模糊程度确定模块，用于利用最优解确定影像集合的模糊程度大小顺序。

而且，所述特征点的检测通过尺度不变特征转换方法实现。

而且，所述步骤1中，特征点的检测结果通过Forstner算子实现描述特征。

而且，所述对同名区域集合中相应的同名区域进行拉普拉斯卷积，并计算卷积后的同名区域对应的方差，

实现方式如下，

对同名区域进行拉普拉斯卷积，卷积公式为，

其中，DstRoi为拉普拉斯卷积后得到的同名区域，SrcRoi为原始同名区域，表示卷积，Laplace为拉普拉斯卷积核；

然后计算同名区域对应的方差Variance，方差计算公式为，

其中，M为集合影像灰度的平均值，p_t为某同名区域的像素灰度值，其中t＝1,2,3...,num，num为同名区域中像素值的数目。

本发明利用影像集合的同名点得到同名区域，对同名区域进行拉普拉斯卷积，定义区域方差为影像模糊程度的表征量。并将影像模糊程度的关系改写成矩阵的形式，进一步将这种关系转化为齐次线性方程组，利用SVD分解求得齐次线性方程组的最优解，从而对影像的模糊程度进行了准确的评判，稳定度和准确度都有很大的提高。避免了图像盲复原和盲模糊函数(或点扩展函数，降晰函数)运算量较大，没有明确的模糊判决标准的缺陷。同时，解决了基于梯度分布规律的图像模糊检测方法需要具体的阈值设置，且对纯色区域的模糊检测失效问题。

本发明与现有技术相比，具有以下显著效果：

1.本发明利用影像集合的同名点得到同名区域，利用同名区域来对影像之间的模糊程度进行衡量。从而避免了从单张影像衡量影像模糊程度的不确定性，使得得到的模糊程度结果更加可靠，更加准确；

2.在求解影像模糊程度关系时，将影像集合的模糊程度关系转化为齐次方程组的形式，求得齐次方程组的最优解，从而进一步加强了结果的可信度。

附图说明

图1为本发明实施例中影像集合以及同名点示意图。

图2为本发明实施例中由影像同名点得到同名区域示意图。

图3为本发明实施例中对同名区域进行Laplace卷积并计算方差得到Variance示意图。

图4为本发明实施例中基于全局估计的影像模糊检测方法流程图。

具体实施方式

本发明是基于全局估计的影像模糊检测方法，首先通过特征点检测得到影像集合中两两影像之间的同名点集合，进而得到同名区域，对同名区域做Laplace卷积后计算同名区域的方差，取两幅影像中所有同名区域方差的均值作为影像集合的表征量。用比值的形式反应两两影像之间的模糊程度关系，并将这种关系改写成矩阵的形式，进一步转换为齐次线性方程组。对齐次线性方程组的系数矩阵进行SVD分解，求得齐次线性方程组的最优解，最优解结合影像集合即可得到影像集合的模糊程度大小的顺序。

下面结合附图和实施例对本发明的技术方案作进一步说明。

如图4所示，本发明实施例的流程包括以下步骤：

步骤1、获取影像同名点集合

对重叠区域的影像集合(I₁,I₂,I₃..................I_n)进行特征点检测，通过特征点检测得到两两影像之间的同名点，设PointI_i(x,y)和PointI_j(l,k)为影像I_i和I_j之间的同名点对，(x,y)和(l,k)为同名点在相应影像中的坐标；影像I_i和I_j之间的同名点集合分别记为{PointI_i(x,y)}和{PointI_j(l,k)}(其中i,j＝1,2,3........n)。如图1所示，影像集合中有影像Image1、Image2、Image3…两幅影像之间可能存在多组同名点，图1中给出两组示例点：P₁为Image1上检测得到的特征点，在Image2上对应Image1影像上P₁的同名点为P₁'，则P₁和P₁'分别为影像Image1和Image2的一组同名点，P₂和P₂'分别为Image2和Image3对应的一组同名点。特征点检测所用的方法主要有尺度不变特征转换(Scale-invariantfeature transform，SIFT)和Forstner特征点检测方法等，本实施例利用这两种特征点检测方法检测和描述特征，可以检测出两两影像中的多组同名点。具体特征点检测方法实现为现有技术，本发明不予赘述。

步骤2、获取同名区域集合

根据特征点检测得到的同名点集合后，分别在影像I_i和I_j上以各同名点PointI_i(x,y)和相应PointI_j(l,k)为中心截取L×L(具体实施时，本领域技术人员可预设尺寸取值，如实施例优选采用3x3)大小的同名区域，得到同名区域集合{SrcRoiI_i}和{SrcRoiI_j}，SrcRoiI_i表示同名点PointI_i(x,y)为中心的同名区域，SrcRoiI_j表示同名点PointI_j(l,k)为中心的同名区域。如图2所示，Point为影像Image上的一个同名点，Roi是以这个同名点为中心取L×L大小的正方形区域作为同名区域。

步骤3、对同名区域进行卷积并计算方差

对得到的同名区域集合中各相应同名区域SrcRoiI_i和SrcRoiI_j分别作Laplace卷积，卷积公式为：

其中，DstRoi为拉普拉斯卷积后得到的同名区域，SrcRoi为原始同名区域，表示卷积，Laplace为拉普拉斯卷积核。具体实施时，本领域技术人员可根据实际情况选取拉普拉斯卷积核，本实施例取卷积核为3x3的Laplace核，即

由公式(1)的计算分别得到卷积后的各同名区域DstRoiI_i和DstRoiI_j，然后计算DstRoiI_i和DstRoiI_j对应的方差VarianceI_i和VarianceI_j，其中方差的计算公式为：

其中，M为集合影像灰度的平均值，p_t为某同名区域的像素灰度值(其中t＝1,2,3...,num，num为同名区域中像素值的数目)。如图3所示，对同名区域Roi进行Laplace卷积并计算方差后得到Variance的示意图。

步骤4、确定影像之间模糊程度关系的表达

如果两幅影像存在多个同名点，取所有同名区域方差的均值和作为影像模糊程度的表征量。取两幅影像同名区域对应方差的均值和的比值作为影像之间模糊程度的关系，即并将影像集合中的所有影像之间的模糊关系表达成矩阵A的形式，令

步骤5、构建齐次线性方程组，通过SVD求方程组最优解

构建齐次线性方程组Ax＝0，其中齐次线性方程组的未知数向量x＝(x₁,x₂,x₃............x_n-1,x_n)^T表示对应影像的模糊程度；对矩阵A作奇异值分解(SingularValueDecomposition，SVD)，得到A的最小特征值λ_min对应的特征向量μ＝(μ₁,μ₂，μ₂............μ_n-1,μ_n)^T，即为Ax＝0的最优解，其中特征向量中的元素值μ_i对应影像I_i(i＝1,2,3......n)。

步骤6、确定影像集合的模糊程度大小顺序

因为对图像做Laplace卷积，越清晰的图像对模糊越敏感，而模糊图像对模糊的敏感程度越迟钝。基于这个前提，结合Ax＝0的最优解和影像集合即可以得到影像结合的模糊程度大小关系。最优解中绝对值最小的值对应的影像即为最模糊影像，最优解中绝对值最大的值对应的影像即为最清晰影像，也就是说μ_i对应的影像按|μ_i|从大到小的顺序即为影像集合的模糊程度高低顺序。由此可以评判出集合|μ|＝{(|μ₁|,|μ₂|,|μ₃|............|μ_n-1|,|μ_n|)}中最小值|μ_min|相应的影像为最模糊影像，|μ|＝{(|μ₁|,|μ₂|,|μ₃|............|μ_n-1|,|μ_n|)}中最大值|μ_max|相应的影像为最清晰影像。

具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模块化方式实现相应系统。本发明实施例还提供一种基于全局估计的影像模糊检测系统，包括以下模块，

同名点集合模块，用于通过特征点检测获取影像集合中任意两影像间的同名点集合；

同名区域集合模块，用于根据同名点集合中各同名点为中心截取L×L大小的区域作为同名点对应的同名区域，从而获取同名区域集合，其中L为预设的同名区域边长；

同名区域方差提取模块，用于对同名区域集合中相应的同名区域进行拉普拉斯卷积，并计算卷积后的同名区域对应的方差；

模糊程度关系表达模块，用于求得两影像所有同名区域对应方差的均值，并以均值的比值确定影像之间模糊程度关系的表达；

模糊程度提取模块，用于构建齐次线性方程组Ax＝0，并通过奇异值分解求得方程组最优解，其中，A为影像之间模糊关系表达构成的方形矩阵，齐次线性方程组的未知数向量x表示对应影像的模糊程度；

影像模糊程度确定模块，用于利用最优解确定影像集合的模糊程度大小顺序。

各模块具体实现和各步骤相应，本发明不予赘述。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种基于全局估计的影像模糊检测方法，其特征在于，包括以下步骤：

步骤1，通过特征点检测获取影像集合中任意两影像间的同名点集合；

步骤2，以同名点集合中各同名点为中心截取L×L大小的区域作为同名点对应的同名区域，从而获取同名区域集合，其中L为预设的同名区域边长；

步骤3，对同名区域集合中相应的同名区域进行拉普拉斯卷积，并计算卷积后的同名区域对应的方差；

步骤4，求得两影像所有同名区域对应方差的均值，并以均值的比值确定影像之间模糊程度关系的表达；

步骤5，构建齐次线性方程组Ax＝0，并通过奇异值分解求得方程组最优解，其中，A为影像之间模糊关系表达构成的方形矩阵，齐次线性方程组的未知数向量x表示对应影像的模糊程度；

步骤6，利用最优解确定影像集合的模糊程度大小顺序。

2.如权利要求1所述的一种基于全局估计的影像模糊检测方法，其特征在于：所述步骤1中，特征点的检测通过尺度不变特征转换方法实现。

3.如权利要求1所述的一种基于全局估计的影像模糊检测方法，其特征在于：所述步骤1中，特征点的检测结果通过Forstner算子实现描述特征。

4.如权利要求1或2或3所述的一种基于全局估计的影像模糊检测方法，其特征在于：所述步骤3的实现方式如下，

对同名区域进行拉普拉斯卷积，卷积公式为，

其中，DstRoi为拉普拉斯卷积后得到的同名区域，SrcRoi为原始同名区域，表示卷积，Laplace为拉普拉斯卷积核；

然后计算同名区域对应的方差Variance，方差计算公式为，

其中，M为集合影像灰度的平均值，p_t为某同名区域的像素灰度值，其中t＝1,2,3...,num，num为同名区域中像素值的数目。

5.一种基于全局估计的影像模糊检测系统，其特征在于：包括以下模块，

同名点集合模块，用于通过特征点检测获取影像集合中任意两影像间的同名点集合；

同名区域集合模块，用于根据同名点集合中各同名点为中心截取L×L大小的区域作为同名点对应的同名区域，从而获取同名区域集合，其中L为预设的同名区域边长；

同名区域方差提取模块，用于对同名区域集合中相应的同名区域进行拉普拉斯卷积，并计算卷积后的同名区域对应的方差；

模糊程度关系表达模块，用于求得两影像所有同名区域对应方差的均值，并以均值的比值确定影像之间模糊程度关系的表达；

模糊程度提取模块，用于构建齐次线性方程组Ax＝0，并通过奇异值分解求得方程组最优解，其中，A为影像之间模糊关系表达构成的方形矩阵，齐次线性方程组的未知数向量x表示对应影像的模糊程度；

影像模糊程度确定模块，用于利用最优解确定影像集合的模糊程度大小顺序。

6.如权利要求5所述的一种基于全局估计的影像模糊检测系统，其特征在于：所述特征点的检测通过尺度不变特征转换方法实现。

7.如权利要求5所述的一种基于全局估计的影像模糊检测系统，其特征在于：所述同名点集合模块中，特征点的检测结果通过Forstner算子实现描述特征。

8.如权利要求5或6或7所述的一种基于全局估计的影像模糊检测系统，其特征在于：所述对同名区域集合中相应的同名区域进行拉普拉斯卷积，并计算卷积后的同名区域对应的方差，实现方式如下，

对同名区域进行拉普拉斯卷积，卷积公式为，

其中，DstRoi为拉普拉斯卷积后得到的同名区域，SrcRoi为原始同名区域，表示卷积，Laplace为拉普拉斯卷积核；

然后计算同名区域对应的方差Variance，方差计算公式为，

其中，M为集合影像灰度的平均值，p_t为某同名区域的像素灰度值，其中t＝1,2,3...,num，num为同名区域中像素值的数目。