CN106469435B - 图像处理方法、装置及设备 - Google Patents
图像处理方法、装置及设备 Download PDFInfo
- Publication number
- CN106469435B CN106469435B CN201510496340.2A CN201510496340A CN106469435B CN 106469435 B CN106469435 B CN 106469435B CN 201510496340 A CN201510496340 A CN 201510496340A CN 106469435 B CN106469435 B CN 106469435B
- Authority
- CN
- China
- Prior art keywords
- image block
- fuzzy
- feature
- pixel
- block
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种图像处理方法、装置及设备，涉及图像处理领域。本发明的方法包括：获取一输入图像；将所述输入图像划分为多个图像块；从所述多个图像块中，获取模糊的图像块的数量；根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。本发明的方案可以更加准确的判断输入图像是否为模糊图像，并进一步计算输入图像的模糊程度，可实现照相机或者投影仪的自动对焦功能。
Description
技术领域
本发明涉及图像处理技术领域，特别是指一种图像处理方法、装置及设备。
背景技术
相机与拍摄场景的相对运动，以及相机的焦距设置是造成图像模糊的两类主要原因。通常情况下，在焦距模糊的图像中，有一些区域是清晰的，另一些区域是模糊的。因此，将图像整体分析的方法不能准确地检测出图像是否是焦距模糊的。此外，现有方法大多仅通过边缘信息计算图像的模糊程度，对于边缘信息较少的图像很有可能不能给出准确地结果。
在美国专利US8639039B2中，介绍了一种评估图像模糊程度的方法，主要用于评估二维码图像的质量。具体为，首先，在规定模式的图像上，生成不同模糊程度的结果作为模板。在输入图像中检测模式图案区域，即二维码区域，计算模式区域和模板的匹配程度。根据匹配程度最高的模板，得出输入图像的模糊程度，即匹配到的模板的模糊程度。
上述分析方法中，其针对的是二维码图像的模糊程度，对于因焦距设置引起的图像模糊，即图像的焦距模糊问题未提及。因此，期望提供一种技术来判断因焦距设置引起的图像模糊以及其具体的模糊程度，从而实现照相机或投影仪的自动对焦。
发明内容
本发明的目的在于至少解决上述一个问题。
为此，本发明提供了一种图像处理方法、装置及设备，能够判断因焦距设置引起的图像模糊，进而输入图像的模糊程度，从而有助于实现照相机或者投影仪的自动对焦功能。
本发明的实施例提供一种图像处理方法，包括：获取一输入图像；
将所述输入图像划分为多个图像块；
从所述多个图像块中，获取模糊的图像块的数量；
根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
另一方面，本发明的实施例还提供一种图像处理装置，包括：
第一获取模块，用于获取一输入图像；
划分模块，用于将所述输入图像划分为多个图像块；
第二获取模块，用于从所述多个图像块中，获取模糊的图像块的数量；
判断模块，用于根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
再一方面，本发明的实施例还提供一种图像处理设备，包括：
采集器，用于获取一输入图像；
处理器，用于将所述输入图像划分为多个图像块；从所述多个图像块中，获取模糊的图像块的数量；根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
本发明的上述技术方案的有益效果如下：
上述方案中，通过将输入图像划分为多个图像块；从所述多个图像块中，获取模糊的图像块的数量；根据模糊的图像块的数量，判断所述输入图像是否为模糊图像，并进一步可以更加准确的计算模糊图像的模糊程度，并进一步可实现照相机或者投影仪的自动对焦功能。
附图说明
图1是本发明的第一实施例图像处理方法的流程图；
图2是本发明的第二实施例图像处理方法的流程图；
图3是本发明的第三实施例图像处理方法的流程图；
图4是本发明的第四实施例图像处理方法的流程图；
图5是本发明的第五实施例图像处理方法的流程图；
图6是本发明的第六实施例图像处理方法的流程图；
图7是本发明的第七实施例图像处理方法的流程图；
图8是本发明的第七实施例图像处理方法的流程图中步骤75的具体实现过程一；
图9是本发明的第七实施例图像处理方法的流程图中步骤75的具体实现过程二；
图10是本发明的第七实施例图像处理方法的流程图中步骤75的具体实现过程三；
图11是本发明的第七实施例图像处理方法的流程图中步骤76的具体实现过程；
图12是本发明的图像处理装置的模块结构框图；
图13是本发明的图像处理设备的结构框图；
图14是图13所示图像处理设备的一具体应用场景示意图；
图15是本发明的图像处理系统的一具体应用场景示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有技术无法准确计算模糊图像的模糊程度值的问题，本发明的实施例提供一种图像处理方法，可以能够判断输入图像中的模糊的图像块，再依据模糊的图像块的数量，判断该输入图像是否为模糊图像，并进一步可以获取该模糊图像的模糊程度。应用于照相机或者投影仪时，能够有效地区分投影仪造成的模糊和投射图像本身的模糊，从而实现自动对焦。
第一实施例
如图1所示，一种图像处理方法，包括：
步骤11，获取一输入图像；
步骤12，将所述输入图像划分为多个图像块；
步骤13，从所述多个图像块中，获取模糊的图像块的数量；
步骤14，根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
该实施例中，可以从一图像采集设备获取一输入图像，该图像采集设备如照相机、摄像机等以及具有照相机模块或者摄像机模块的设备等；在获得输入图像后，可以按照一个或者多个预设图像块的面积值，将所述输入图像划分为多个图像块。其中，按照一个预设图像块的面积值划分输入图像时，可以将输入图像均匀划分为多个图像块；如果按照多个预设图像块的面积值，将输入图像划分多个图像块时，如果多个预设图像块的面积值大小互不相同或者部分相同，可以将输入图像划分为大小不同的多个图像块，如对输入图像的第一区域按照第一预设图像块的面积值划分为大小相同的多个图像块，对输入图像的第二区域按照第二预设图像块的面积值划分为大小相同的多个图像块，而第一预设图像块的面积值与第二预设图像块的面积值不同，且输入图像的第一区域和第二区域不同。
本发明的该实施例通过将输入图像划分为多个图像块；从所述多个图像块中，获取模糊的图像块的数量；根据模糊的图像块的数量，判断所述输入图像是否为模糊图像，可以更加准确的判断该输入图像是否为模糊图像。
第二实施例
如图2所示，一种图像处理方法，包括：
步骤21，获取一输入图像；
步骤22，将所述输入图像划分为多个图像块；
步骤23，从所述多个图像块中，获取模糊的图像块的数量；
步骤24，根据模糊的图像块的数量，判断所述输入图像是否为模糊图像；
步骤25，获取所述模糊图像的模糊程度值。
该第二实施例与上述第一实施例的区别在于，在判断输入图像是模糊图像之后，还可以进一步获取所述模糊图像的模糊程度值，在应用于照相机或者投影仪时，能够有效地区分投影仪造成的模糊和投射图像本身的模糊，从而实现自动对焦。
第三实施例
如图3所示，图像处理方法包括：
步骤31，获取一输入图像；
步骤32，将所述输入图像划分为多个图像块；
步骤33，获取多个图像块中的每一个图像块的特征值和特征向量；
步骤34，根据所述图像块的特征值和特征向量，判断所述图像块是否为模糊的图像块；
步骤35，获取被判断为模糊的图像块的数量；
步骤36，根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
该实施例通过计算每一个图像块的特征值和特征向量，判断该图像块是否为模糊的图像块，并获取整个输入图像中所有被判断为模糊的图像块，并根据模糊的图像块的数量，判断输入图像是否为模糊图像。该实施例的方案可以更加准确的判断该输入图像是否为模糊图像。
第四实施例
如图4所示，图像处理方法包括：
步骤41，获取一输入图像；
步骤42，将所述输入图像划分为多个图像块；
步骤43，获取每一个图像块中的任意一个像素点(x,y)的自相关矩阵；
步骤44，获取所述自相关矩阵的第一特征值λ1(x,y)和第二特征值λ2(x,y)，以及所述第一特征值对应的第一特征向量V1(x,y)和第二特征值对应的第二特征向量V2(x,y)；
其中，以像素点(x,y)为中心的一个图像窗口L内，像素点(x,y)的自相关矩阵
其中，Ix为(x,y)对x求偏导得到的值，Iy为(x,y)对y求偏导得到的值，且λ1(x,y)＞λ2(x,y)；该图像窗口L大小与一图像块大小相同；
步骤45，根据所述图像块的特征值和特征向量，判断所述图像块是否为模糊的图像块；
步骤46，获取被判断为模糊的图像块的数量；
步骤47，根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
该实施例中，通过获取输入图像中的一个图像块中的像素点的自相关矩阵，并求得该自相关矩阵的第一特征值、第二特征值，以及第一特征值对应的第一特征向量和第二特征值对应的第二特征向量，从而依据该特征值和特征向量，判断该图像块是否为模糊的图像块。
由于模糊的图像保持了大尺度的形状结构但丢掉了小尺度的细节信息，而自相关矩阵的较小的特征值对应的特征向量与细节信息相关，因此，可以通过分析图像块中像素点的特征值和特征向量来估计图像块的模糊程度，由于该自相关矩阵为二阶矩阵，因此该自相关矩阵具有两个特征值。
第五实施例
如图5所示，图像处理方法包括：
步骤51，获取一输入图像；
步骤52，将所述输入图像划分为多个图像块；
步骤53，获取每一个图像块中的任意一个像素点(x,y)的自相关矩阵；
步骤54，获取所述自相关矩阵的第一特征值λ1(x,y)和第二特征值λ2(x,y)，以及所述第一特征值对应的第一特征向量V1(x,y)和第二特征值对应的第二特征向量V2(x,y)；
其中，以像素点(x,y)为中心的一个图像窗口L内，像素点(x,y)的自相关矩阵
其中，Ix为(x,y)对x求偏导得到的值，Iy为(x,y)对y求偏导得到的值，且λ1(x,y)＞λ2(x,y)；该图像窗口L大小与一图像块大小相同；
步骤55，根据所述图像块的特征值和特征向量，获取所述图像块的权值；
步骤56，获取所述图像块中每个像素点的第一特征值和第二特征值中较小特征值对应的特征向量的方向角；
步骤57，根据所述权值和所述方向角，得到所述方向角的方向响应直方图；
步骤58，根据所述方向响应直方图，判断所述图像块是否为模糊的图像块；
步骤59，获取被判断为模糊的图像块的数量；
步骤60，根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
该实施例中，在获取图像块的特征值和特征向量后，进一步获取该图像块的权值，具体的，
可以通过公式：
获取所述图像块的权值；其中，w(x,y)为像素点(x,y)的权值；且进一步的，当第一特征值大于第二特征值，且第一特征值和第二特征值均接近于0时，像素点(x,y)属于所述图像块的平坦区域中的点，该图像块的平坦区域中的点(x,y)的权值为0；
当第一特征值远大于第二特征值，且第二特征值接近于0时，像素点(x,y)属于所述图像块的边缘上的点，该图像块的边缘上的点(x,y)的权值为0到1之间的值；
当第一特征值大于第二特征值，且第一特征值和第二特征值均远大于0时，像素点(x,y)属于所述图像块的角点，该图像块的角点(x,y)的权值为1。
由于模糊图像具有较少的边缘、角点和较多的平坦区域，因此通过统计图像块中的边缘及角点，来判断其是否模糊。统计过程中，通过权值来放大边缘点及角点的响应，同时抑制平坦区域的点的响应，以更有效地区分清晰图像和模糊图像。
该实施例中，可以根据公式：d(x,y)∈p＝hist(w(x,y),θ(x,y))，得到所述方向角的方向响应直方图；
其中，d(x,y)∈p为方向角的方向响应直方图，hist为绘制直方图的函数，θ(x,y)为像素点的第一特征值和第二特征值中较小特征值对应的特征向量的方向角，P为图像块，(x,y)为图像块P中的像素点。
该实施例的步骤58可以具体包括：
步骤581，获取所述方向响应直方图的方差；
步骤582，如果所述方差超过一预设阈值，判断所述图像块为模糊的图像块。
相比于清晰图像，模糊图像具有较少的边缘方向，因而模糊图像的方向响应直方图具有较少的峰值。因此，通过统计上述直方图的方差来判断图像的模糊情况。如果上述方差超过阈值，判定该图像块是模糊的图像块P∈Blur；否则，判定该图像块不是模糊的图像块
第六实施例
如图6所示，一种图像处理方法包括：
步骤61，获取一输入图像；
步骤62，将所述输入图像划分为多个图像块；
步骤63，从所述多个图像块中，获取模糊的图像块的数量；
步骤64，获取模糊的图像块的数量与图像块的总数量的比例值；
步骤65，在所述比例值大于一预设阈值时，判断所述输入图像为模糊图像，否则，判断所述输入图像不为模糊图像。
需要说明的是，上述各实施例中，判断图像块是模糊的图像块的所有具体实现过程均适用于该实施例中。
第七实施例
如图7所示，一种图像处理方法包括：
步骤71，获取一输入图像；
步骤72，将所述输入图像划分为多个图像块；
步骤73，从所述多个图像块中，获取模糊的图像块的数量；
步骤74，根据模糊的图像块的数量，判断所述输入图像是否为模糊图像；
步骤75，判断所述输入图像为模糊图像时，获取所述模糊图像中每个模糊的图像块的边缘约束特征、颜色连贯性特征和颜色饱和度特征；
步骤76，根据每个模糊的图像块的所述边缘约束特征、颜色连贯性特征和颜色饱和度特征，获取所述模糊图像的模糊程度值。
如图8所示，该实施例的步骤75中，获取所述模糊图像中每个模糊的图像块的边缘约束特征的过程包括：
步骤751，根据图像块的所述权值，确定模糊的图像块边缘上的像素点(xi,yi)；
步骤752，获取所述模糊的图像块边缘上的像素点(xi,yi)的透明度值；具体可以通过公式：i＝αF+(1-α)B,α∈[0,1]获取；其中，α像素点(xi,yi)的透明度值，i为一个图像窗口内的像素点的颜色值；F为该窗口内，该像素点周围作为前景的像素点；B为该窗口内，该像素点周围作为背景的像素点；
步骤753，根据所述透明度值，获取模糊的图像块的边缘上的所有像素点的透明度值图；
步骤754，获取所述透明度值图的梯度；
步骤755，根据所有模糊的图像块的边缘上的所有像素点的透明度值图的梯度，获取所述模糊图像的边缘约束特征；
具体的，可以通过公式：获取所述模糊图像的边缘约束特征；
其中，mi为透明度值图的梯度，Fp为模糊图像的边缘约束特征。
该实施例中，在模糊的图像块P∈Blur上，根据上述特征值和特征向量，找到属于边缘的像素点(xi,yi)∈Edge，并计算边缘上的像素点(xi,yi)∈Edge的颜色值，得到颜色值图。颜色值的计算可以采用现有的方法，如论文S.Dai and Y.Wu.Motion from blur.CVPR,2008.，J.Jia.Single image motion deblurring using transparency.CVPR,2007，Q.Shan,W.Xiong,and J.Jia.Rotational motion deblurring of a rigid object froma single image.ICCV,2007等方法。
如图9所示，该实施例的步骤75中，获取所述模糊图像中每个模糊的图像块的颜色连贯性特征的过程包括：
步骤756，获取模糊的图像块的颜色个数；
步骤757，将模糊的图像块中的像素点标记为对应的颜色，得到标记图像；
步骤758，获取所述标记图像中的连通域；
步骤759，根据所述连通域，获取所述模糊图像中每个模糊的图像块的颜色连贯性特征；具体的，该步骤759可以包括：
步骤7591，如果所述连通域的面积大于一预设阈值，确定所述连通域内的像素点是连贯点；否则，确定所述连通域内的像素点不是连贯点；
步骤7592，获取所述模糊的图像块中，连贯点的个数占所有像素点个数的比例；
步骤7593，根据所述模糊的图像块中，连贯点的个数占所有像素点个数的比例，得到所述模糊图像中的每个模糊的图像块的颜色连贯性特征具体的，可以通过公式：得到所述模糊图像中的每个模糊的图像块的颜色连贯性特征；
其中，Nc是图像块的颜色个数，是颜色j包含像素点的个数，是颜色j包含连贯点的个数。
如图10所示，该实施例的步骤75中，获取所述模糊图像中每个模糊的图像块的颜色饱和度特征的实现过程包括：
步骤760，获取所述模糊图像中每个模糊的图像块中每一个像素点的颜色饱和度；
步骤761，获取所述输入图像的每一个像素点的颜色饱和度；
步骤762，根据所述每个模糊的图像块中每一个像素点的颜色饱和度和所述输入图像的每一个像素点的颜色饱和度，获取所述模糊图像中每个模糊的图像块的颜色饱和度特征；
具体的，可以通过公式：获取所述模糊图
像中每个模糊的图像块中每一个像素点的颜色饱和度；
其中，Sk为模糊的图像块每一个像素点k的颜色饱和度，
可以通过公式：获取所述模糊图像中每
一个像素点q的颜色饱和度；
其中，Sq为模糊的图像块每一个像素点q的颜色饱和度，
步骤762可以具体包括：
步骤7621，获取每个模糊的图像块中像素点的颜色饱和度的最大值；
步骤7621，获取所述输入图像中像素点的颜色饱和度的最大值；
步骤7621，根据所述每个模糊的图像块中像素点的颜色饱和度的最大值以及所述输入图像中像素点的颜色饱和度的最大值，获取所述模糊图像中每个模糊的图像块的颜色饱和度特征；
可以通过公式：
获取所述模糊图像中每个模糊的图像块的颜色饱和度特征；
其中，SP为模糊的图像块的颜色饱和度特征；
max(Sk∈p)为所述每个模糊的图像块中像素点的颜色饱和度的最大值；
max(Sk∈I)为所述输入图像中像素点的颜色饱和度的最大值。
如图11所示，该实施例中，步骤76具体可以包括：
步骤771，根据每个模糊的图像块的所述边缘约束特征、颜色连贯性特征和颜色饱和度特征，获取每个模糊的图像块的模糊程度值；具体可以通过公式：Dp＝WFFp+WCCp+WSSp获取模糊的图像块的模糊程度值；
其中，Dp为模糊图像的模糊程度值，Fp为模糊的图像块边缘约束特征，Cp为模糊的图像块颜色连贯性特征，Sp模糊的图像块的颜色饱和度特征，WF为边缘约束特征的权值，Wc为颜色连贯性特征的权值，Ws为颜色饱和度特征的权值；优选的，WF，Wc，Ws取值范围为[0,1]，实验中，设置为WF＝1/3，Wc＝1/3，Ws＝1/3。
步骤772，根据模糊的图像块的在输入图像中的位置及面积，获得全局权值；具体可以通过公式：
获得全局权值；
其中，Wp为全局权值，D(P,Qt)表示图像块P的中心到第t个交叉点Qt的距离，ΩP为图像块P的面积，ΩI为输入图像I的面积，γ1和γ2为[0,1]权值；
步骤773，根据每个模糊的图像块的模糊程度值及全局权值，获得输入图像的模糊程度值；具体可以通过公式：
获得输入图像的模糊程度值；
其中，P∈Blur表示模糊的图像块P集合中一个模糊的图像块。
本发明的上述实施例通过对输入图像进行分块，利用对每个图像块的分析，统计图像块中的边缘及角点，来判断该图像块是否是模糊的图像块，并进一步计算图像块的自相关矩阵，以及该自相关矩阵的特征值和特征向量，按照权值统计特征向量的方向。本发明的实施例通过权值来放大边缘点及角点的响应，同时抑制平坦区域的点的响应，以更有效地区分清晰图像和模糊图像。
另外，在输入图像的模糊程度计算过程中，本发明的实施例根据上述图像块的边缘约束特征、颜色连贯性特征和颜色饱和度特征计算输入图像的模糊程度。目前，焦外成像(也称背景虚化)摄影方法已被广泛使用，使用这种方法拍摄的照片具有焦点区域清晰而焦外区域模糊的特点，并且焦点区域通常处在整幅图像的构图关键位置上，即在符合构图规则的位置上。因此，焦外成像的图像不应被检测为焦距模糊的图像。针对上述问题，本发明的实施例在计算整幅图像的模糊程度时，根据图像块的位置及面积为其分配了权值。最后，本发明根据图像块的模糊程度及权值，计算出整幅图像的模糊程度。本发明的上述实施例可以应用于投影仪系统质量控制、相机自动对焦、制作图像特效等。
第八实施例
如图12所示，本发明的实施例还提供一种图像处理装置，包括：
第一获取模块121，用于获取一输入图像；
划分模块122，用于将所述输入图像划分为多个图像块；
第二获取模块123，用于从所述多个图像块中，获取模糊的图像块的数量；
判断模块124，用于根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
进一步的，该装置还可以包括：第三获取模块125，用于获取所述模糊图像的模糊程度值。
需要说明的是，上述各方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
第九实施例
如图13所示，一种图像处理设备，包括：
接收机131，用于获取一输入图像；
处理器132，用于将所述输入图像划分为多个图像块；从所述多个图像块中，获取模糊的图像块的数量；根据模糊的图像块的数量，判断所述输入图像是否为模糊图像。
进一步的，所述处理器还用于获取所述模糊图像的模糊程度值。
该图像处理设备还可以进一步包括存储器133，用于存储输入图像以及处理器在处理过程中所产生和所用到的所有数据，该存储器并于接收机和处理器通过接口连接。
需要说明的是，上述各方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
如图14所示，为该图像处理设备的一具体应用场景，该图像处理设备具体可以是一台计算机102，也可以图像采集设备，如照相机或者摄像机中的处理设备。计算机接收照相机101采集的输入图像，并在获得该输入图像的模糊程度值后，输出给显示设备105进行显示。
如图15所示，集成了本发明的应用系统的示意图。装置100包括一个照相机101，一台计算机102，以及一台投影仪103。上述照相机101可以是任意一种能够提供投影区域的彩色图像的照相机，比如网络摄像头、家用数码相机等。安装了本系统的计算机102分析101拍摄到的彩色图像，计算出投影图像的模糊程度。这个结果可用于投影仪自动调焦的依据。图15所示的装置100仅为本发明的一个应用示例，实际应用中可能会多于或少于其所包含的设备个数，或者使用不同的设备。
本发明的上述实施例通过对输入图像进行分块，利用对每个图像块的分析，统计图像块中的边缘及角点，来判断该图像块是否是模糊的图像块，并进一步计算图像块的自相关矩阵，以及该自相关矩阵的特征值和特征向量，按照权值统计特征向量的方向。本发明通过权值来放大边缘点及角点的响应，同时抑制平坦区域的点的响应，以更有效地区分清晰图像和模糊图像。
另外，在输入图像的模糊程度计算过程中，本发明根据上述图像块的边缘约束特征、颜色连贯性特征和颜色饱和度特征计算输入图像的模糊程度。目前，焦外成像(也称背景虚化)摄影方法已被广泛使用，使用这种方法拍摄的照片具有焦点区域清晰而焦外区域模糊的特点，并且焦点区域通常处在整幅图像的构图关键位置上，即在符合构图规则的位置上。因此，焦外成像的图像不应被检测为焦距模糊的图像。针对上述问题，本发明的实施例在计算整幅图像的模糊程度时，根据图像块的位置及面积为其分配了权值。最后，本发明根据图像块的模糊程度及权值，计算出整幅图像的模糊程度。
本发明的上述实施例可以应用于投影仪系统质量控制、相机自动对焦、制作图像特效等。本发明的一个具体的应用例是投影仪系统中投影图像质量控制。本发明使用照相机拍摄投影图像，通过分析投影图像的模糊情况，判断投影仪的焦距设置是否正常。
本领域技术人员可以理解，实现上述实施例的全部或者部分步骤可以通过硬件来完成，也可以通过计算机程序来指示相关的硬件来完成，所述计算机程序包括执行上述方法的部分或者全部步骤的指令；且该计算机程序可以存储于一可读存储介质中，存储介质可以是任何形式的存储介质。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (24)
1.一种图像处理方法，其特征在于，包括：
获取一输入图像；
将所述输入图像划分为多个图像块；
从所述多个图像块中，获取模糊的图像块的数量；
根据模糊的图像块的数量，判断所述输入图像是否为模糊图像；
其中，判断所述输入图像是否为模糊图像的步骤之后还包括：获取所述模糊图像的模糊程度值；
获取所述模糊图像的模糊程度值的步骤包括：
获取所述模糊图像中每个模糊的图像块的边缘约束特征、颜色连贯性特征和颜色饱和度特征；
根据每个模糊的图像块的所述边缘约束特征、颜色连贯性特征和颜色饱和度特征，获取所述模糊图像的模糊程度值；
获取所述模糊图像中每个模糊的图像块的颜色连贯性特征的步骤包括：
获取模糊的图像块的颜色个数；
将模糊的图像块中的像素点标记为对应的颜色，得到标记图像；
获取所述标记图像中的连通域；
根据所述连通域，获取所述模糊图像中每个模糊的图像块的颜色连贯性特征。
2.根据权利要求1所述的图像处理方法，其特征在于，将所述输入图像划分为多个图像块的步骤包括：按照一个或者多个预设图像块的面积值，将所述输入图像划分为多个图像块。
3.根据权利要求1所述的图像处理方法，其特征在于，从所述多个图像块中，获取模糊的图像块的数量的步骤包括：
获取多个图像块中的每一个图像块的特征值和特征向量；
根据所述图像块的特征值和特征向量，判断所述图像块是否为模糊的图像块；
获取被判断为模糊的图像块的数量。
4.根据权利要求3所述的图像处理方法，其特征在于，获取多个图像块中的每一个图像块的特征值和特征向量的步骤包括：
获取每一个图像块中的任意一个像素点(x，y)的自相关矩阵；
获取所述自相关矩阵的第一特征值λ1(x,y)和第二特征值λ2(x,y)，以及所述第一特征值对应的第一特征向量V1(x,y)和第二特征值对应的第二特征向量V2(x,y)；
其中，以像素点(x,y)为中心的一个图像窗口L内，像素点(x,y)的自相关矩阵
其中，Ix为(x,y)对x求偏导得到的值，Iy为(x,y)对y求偏导得到的值，且λ1(x,y)＞λ2(x,y)；该图像窗口L大小与一图像块大小相同。
5.根据权利要求4所述的图像处理方法，其特征在于，根据所述图像块的特征值和特征向量，判断所述图像块是否为模糊的图像块的步骤包括：
根据所述图像块的特征值和特征向量，获取所述图像块的权值；
获取所述图像块中每个像素点的第一特征值和第二特征值中较小特征值对应的特征向量的方向角；
根据所述权值和所述方向角，得到所述方向角的方向响应直方图；
根据所述方向响应直方图，判断所述图像块是否为模糊的图像块。
6.根据权利要求5所述的图像处理方法，其特征在于，根据所述图像块的特征值和特征向量，获取所述图像块的权值的步骤包括：
通过公式：获取所述图像块的权值；
其中，w(x,y)为像素点(x,y)的权值。
7.根据权利要求6所述的图像处理方法，其特征在于，根据所述权值和所述方向角，得到所述方向角的方向响应直方图的步骤包括：
根据公式：d(x,y)∈p＝hist(w(x,y),θ(x,y))，得到所述方向角的方向响应直方图；
其中，d(x,y)∈p为方向角的方向响应直方图，hist为绘制直方图的函数，θ(x,y)为方向角，P为图像块，(x,y)为图像块P中的像素点。
8.根据权利要求7所述的图像处理方法，其特征在于，
当第一特征值大于第二特征值，且第一特征值和第二特征值均接近于0时，像素点(x,y)属于所述图像块的平坦区域中的点，该图像块的平坦区域中的点(x,y)的权值为0；
当第一特征值远大于第二特征值，且第二特征值接近于0时，像素点(x,y)属于所述图像块的边缘上的点，该图像块的边缘上的点(x,y)的权值为0到1之间的值；
当第一特征值大于第二特征值，且第一特征值和第二特征值均远大于0时，像素点(x,y)属于所述图像块的角点，该图像块的角点(x,y)的权值为1。
9.根据权利要求5所述的图像处理方法，其特征在于，根据所述方向角的方向响应直方图，判断所述图像块是否为模糊的图像块的步骤包括：
获取所述方向响应直方图的方差；
如果所述方差超过一预设阈值，判断所述图像块为模糊的图像块，否则，判断所述图像块不为模糊的图像块。
10.根据权利要求1所述的图像处理方法，其特征在于，根据模糊的图像块的数量，判断所述输入图像是否为模糊图像的步骤包括：
获取模糊的图像块的数量与图像块的总数量的比例值；
在所述比例值大于一预设阈值时，判断所述输入图像为模糊图像，否则，判断所述输入图像不为模糊图像。
11.根据权利要求1所述的图像处理方法，其特征在于，获取所述模糊图像中每个模糊的图像块的边缘约束特征的步骤包括：
根据图像块的权值，确定模糊的图像块边缘上的像素点(xi,yi)；
获取所述模糊的图像块边缘上的像素点(xi,yi)的透明度值；
根据所述透明度值，获取模糊的图像块的边缘上的所有像素点的透明度值图；
获取所述透明度值图的梯度；
根据所有模糊的图像块的边缘上的所有像素点的透明度值图的梯度，获取所述模糊图像的边缘约束特征。
12.根据权利要求11所述的图像处理方法，其特征在于，获取所述模糊的图像块边缘上的像素点(xi,yi)的边缘约束特征值的步骤包括：
通过公式：i＝αF+(1-α)B,α∈[0,1]，获取所述模糊的图像块边缘上的像素点(xi,yi)的边缘约束特征值；
其中，α像素点(xi,yi)的透明度值；
i为一个图像窗口内的像素点的颜色值；
F为该窗口内，该像素点周围作为前景的像素点；
B为该窗口内，该像素点周围作为背景的像素点。
13.根据权利要求11所述的图像处理方法，其特征在于，获取所述模糊图像的边缘约束特征的步骤包括：
通过公式：获取所述模糊图像的边缘约束特征；
其中，mi为透明度值图的梯度，Fp为模糊图像的边缘约束特征。
14.根据权利要求1所述的图像处理方法，其特征在于，根据所述连通域，获取所述模糊图像中每个模糊的图像块的颜色连贯性特征的步骤包括：
如果所述连通域的面积大于一预设阈值，判断所述连通域内的像素点是连贯点；否则，判断所述连通域内的像素点不是连贯点；
获取所述模糊的图像块中，连贯点的个数占所有像素点个数的比例；
根据所述模糊的图像块中，连贯点的个数占所有像素点个数的比例，得到所述模糊图像中的每个模糊的图像块的颜色连贯性特征。
15.根据权利要求14所述的图像处理方法，其特征在于，得到所述模糊图像中的每个模糊的图像块的颜色连贯性特征的步骤包括：
通过公式：得到所述模糊图像中的每个模糊的图像块的颜色连贯性特征；
其中，Nc是图像块的颜色个数，是颜色j包含像素点的个数，是颜色j包含连贯点的个数。
16.根据权利要求1所述的图像处理方法，其特征在于，获取所述模糊图像中每个模糊的图像块的颜色饱和度特征的步骤包括：
获取所述模糊图像中每个模糊的图像块中每一个像素点的颜色饱和度；
获取所述输入图像的每一个像素点的颜色饱和度；
根据所述每个模糊的图像块中每一个像素点的颜色饱和度和所述输入图像的每一个像素点的颜色饱和度，获取所述模糊图像中每个模糊的图像块的颜色饱和度特征。
17.根据权利要求16所述的图像处理方法，其特征在于，获取所述模糊图像中每个模糊的图像块中每一个像素点的颜色饱和度的步骤包括：
通过公式：获取所述模糊图像中每个模糊的图像块中每一个像素点的颜色饱和度；
其中，Sk为模糊的图像块每一个像素点k的颜色饱和度，
18.根据权利要求16所述的图像处理方法，其特征在于，获取所述输入图像的每一个像素点的颜色饱和度的步骤包括：
通过公式：获取所述模糊图像中每一个像素点q的颜色饱和度；
其中，Sq为模糊的图像块每一个像素点q的颜色饱和度，
19.根据权利要求16所述的图像处理方法，其特征在于，根据所述每个模糊的图像块中每一个像素点的颜色饱和度和所述输入图像的每一个像素点的颜色饱和度，获取所述模糊图像中每个模糊的图像块的颜色饱和度特征的步骤包括：
获取每个模糊的图像块中像素点的颜色饱和度的最大值；
获取所述输入图像中像素点的颜色饱和度的最大值；
根据所述每个模糊的图像块中像素点的颜色饱和度的最大值以及所述输入图像中像素点的颜色饱和度的最大值，获取所述模糊图像中每个模糊的图像块的颜色饱和度特征。
20.根据权利要求19所述的图像处理方法，其特征在于，根据所述每个模糊的图像块中像素点的颜色饱和度的最大值以及所述输入图像中像素点的颜色饱和度的最大值，获取所述模糊图像中每个模糊的图像块的颜色饱和度特征的步骤包括：
通过公式：
获取所述模糊图像中每个模糊的图像块的颜色饱和度特征；
其中，SP为模糊的图像块的颜色饱和度特征；
max(Sk∈p)为所述每个模糊的图像块中像素点的颜色饱和度的最大值；
max(Sk∈I)为所述输入图像中像素点的颜色饱和度的最大值。
21.根据权利要求1所述的图像处理方法，其特征在于，根据每个模糊的图像块的所述边缘约束特征、颜色连贯性特征和颜色饱和度特征，获取所述模糊图像的模糊程度值的步骤包括：
根据每个模糊的图像块的所述边缘约束特征、颜色连贯性特征和颜色饱和度特征，获取每个模糊的图像块的模糊程度值；
根据模糊的图像块的在输入图像中的位置及面积，获得全局权值；
根据每个模糊的图像块的模糊程度值及全局权值，获得输入图像的模糊程度值。
22.根据权利要求21所述的图像处理方法，其特征在于，根据每个模糊的图像块的所述边缘约束特征、颜色连贯性特征和颜色饱和度特征，获取每个模糊的图像块的模糊程度值的步骤包括：
通过公式：Dp＝WFFp+WCCp+WSSp获取模糊的图像块的模糊程度值；
其中，Dp为模糊图像的模糊程度值，Fp为模糊的图像块边缘约束特征，Cp为模糊的图像块颜色连贯性特征，Sp模糊的图像块的颜色饱和度特征，WF为边缘约束特征的权值，WC为颜色连贯性特征的权值，WS为颜色饱和度特征的权值。
23.一种图像处理装置，其特征在于，包括：
第一获取模块，用于获取一输入图像；
划分模块，用于将所述输入图像划分为多个图像块；
第二获取模块，用于从所述多个图像块中，获取模糊的图像块的数量；
判断模块，用于根据模糊的图像块的数量，判断所述输入图像是否为模糊图像；
第三获取模块，用于在所述判断模块判断所述输入图像是否为模糊图像的步骤之后获取所述模糊图像的模糊程度值；
获取所述模糊图像的模糊程度值的步骤包括：
获取所述模糊图像中每个模糊的图像块的边缘约束特征、颜色连贯性特征和颜色饱和度特征；
根据每个模糊的图像块的所述边缘约束特征、颜色连贯性特征和颜色饱和度特征，获取所述模糊图像的模糊程度值；
获取所述模糊图像中每个模糊的图像块的颜色连贯性特征的步骤包括：
获取模糊的图像块的颜色个数；
将模糊的图像块中的像素点标记为对应的颜色，得到标记图像；
获取所述标记图像中的连通域；
根据所述连通域，获取所述模糊图像中每个模糊的图像块的颜色连贯性特征。
24.一种图像处理设备，其特征在于，包括：
接收机，用于获取一输入图像；
处理器，用于将所述输入图像划分为多个图像块；从所述多个图像块中，获取模糊的图像块的数量；根据模糊的图像块的数量，判断所述输入图像是否为模糊图像；
其中，所述处理器还用于获取所述模糊图像的模糊程度值；
其中，判断所述输入图像是否为模糊图像的步骤之后还包括：获取所述模糊图像的模糊程度值；
获取所述模糊图像的模糊程度值的步骤包括：
获取所述模糊图像中每个模糊的图像块的边缘约束特征、颜色连贯性特征和颜色饱和度特征；
根据每个模糊的图像块的所述边缘约束特征、颜色连贯性特征和颜色饱和度特征，获取所述模糊图像的模糊程度值；
获取所述模糊图像中每个模糊的图像块的颜色连贯性特征的步骤包括：
获取模糊的图像块的颜色个数；
将模糊的图像块中的像素点标记为对应的颜色，得到标记图像；
获取所述标记图像中的连通域；
根据所述连通域，获取所述模糊图像中每个模糊的图像块的颜色连贯性特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510496340.2A CN106469435B (zh) | 2015-08-13 | 2015-08-13 | 图像处理方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510496340.2A CN106469435B (zh) | 2015-08-13 | 2015-08-13 | 图像处理方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106469435A CN106469435A (zh) | 2017-03-01 |
| CN106469435B true CN106469435B (zh) | 2019-11-08 |
Family
ID=58213431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510496340.2A Active CN106469435B (zh) | 2015-08-13 | 2015-08-13 | 图像处理方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106469435B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985273B (zh) * | 2019-05-23 | 2024-03-15 | 九阳股份有限公司 | 一种智能家电的图像处理方法及智能家电 |
| CN111191054B (zh) * | 2019-12-18 | 2024-02-13 | 腾讯科技（深圳）有限公司 | 媒体数据的推荐方法、装置 |
| CN111188392A (zh) * | 2020-01-15 | 2020-05-22 | 李勇妹 | 产妇用智能马桶座便池清洗方法 |
| CN112085720B (zh) * | 2020-09-07 | 2022-05-27 | 中国石油大学(华东) | 一种缝洞连通域检测与表征方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793918A (zh) * | 2014-03-07 | 2014-05-14 | 深圳市辰卓科技有限公司 | 一种图像清晰度检测方法及装置 |
| CN104637046A (zh) * | 2013-11-13 | 2015-05-20 | 索尼公司 | 图像检测方法和装置 |
-
2015
- 2015-08-13 CN CN201510496340.2A patent/CN106469435B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104637046A (zh) * | 2013-11-13 | 2015-05-20 | 索尼公司 | 图像检测方法和装置 |
| CN103793918A (zh) * | 2014-03-07 | 2014-05-14 | 深圳市辰卓科技有限公司 | 一种图像清晰度检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Image Partial Blur Detection and Classification;Renting Liu;《2008 IEEE Conference on Computer Vision and Pattern Recognition》;20080628;第1-10页 * |
| 图像模糊检测与模糊区域分割研究;咸兆勇;《中国优秀硕士学位论文全文数据库（电子期刊）-信息科技辑》;20140331(第3期);第四章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106469435A (zh) | 2017-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898567B (zh) | 图像降噪方法、装置及系统 | |
| WO2018201809A1 (zh) | 基于双摄像头的图像处理装置及方法 | |
| CN108537155B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| EP3496383A1 (en) | Image processing method, apparatus and device | |
| CN109474780B (zh) | 一种用于图像处理的方法和装置 | |
| EP3783564A1 (en) | Image processing method, computer readable storage medium, and electronic device | |
| CN110782394A (zh) | 全景视频快速拼接方法及系统 | |
| KR101643607B1 (ko) | 영상 데이터 생성 방법 및 장치 | |
| KR101662846B1 (ko) | 아웃 포커싱 촬영에서 빛망울 효과를 생성하기 위한 장치 및 방법 | |
| JP6347675B2 (ja) | 画像処理装置、撮像装置、画像処理方法、撮像方法及びプログラム | |
| CN110349163B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| US11375097B2 (en) | Lens control method and apparatus and terminal | |
| EP3798975B1 (en) | Method and apparatus for detecting subject, electronic device, and computer readable storage medium | |
| CN106469435B (zh) | 图像处理方法、装置及设备 | |
| WO2021082883A1 (zh) | 主体检测方法和装置、电子设备、计算机可读存储介质 | |
| CN104519328A (zh) | 图像处理设备、图像捕捉装置和图像处理方法 | |
| CN110796041B (zh) | 主体识别方法和装置、电子设备、计算机可读存储介质 | |
| CN111932587A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN109712177A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| CN110022430A (zh) | 图像虚化方法、装置、移动终端及计算机可读存储介质 | |
| CN108447105A (zh) | 一种全景图像的处理方法及装置 | |
| CN110278366B (zh) | 一种全景图像虚化方法、终端及计算机可读存储介质 | |
| US20200364832A1 (en) | Photographing method and apparatus | |
| CN113159229B (zh) | 图像融合方法、电子设备及相关产品 | |
| WO2022193288A1 (zh) | 图像处理方法、装置及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |