CN106485702A - 基于自然图像特征统计的图像模糊检测方法 - Google Patents

Abstract

本发明公开了一种基于自然图像特征统计的图像模糊检测方法。本发明首先将图像进行归一化，并对归一化后的图像通过简单的直方图统计，通过实验观察，该直方图近似服从广义的高斯分布，然后通过最小二乘拟合的方法得到该函数的两个参数，通过实验研究得出：图像越模糊，图像对应的直方图分布是变化的，这种变换可以根据该函数的两个参数的变化来决定，接着通过对两个参数的处理，得到图像的模糊分数，最后对标准库中大量的图像进行检测得到清晰图像和模糊图像之间的阈值。当图像的检测分数大于该阈值时检测为清晰，否则为模糊。本发明的检测模型计算量小，计算效率高。本发明利用图像的自然图像特征统计的内在规律，因此具有较高的准确率。

Description

基于自然图像特征统计的图像模糊检测方法

技术领域

本发明针对图像模糊检测这一应用领域，提出了一种基于自然图像特征统计的图像模糊检测方法，该方法能快速地检测出模糊图像，提高了图像模糊检测的实时性。

背景技术

虽然自然图像千变万化，但是自然图像是对外在客观世界的反映，对于同一个事物必然获得相同或者类似的结果，虽然较难直接从图像数据中获取简单直观的规律，但是自然界的万事万物所呈现的形态，都是经过了上亿年的自然选择的结果，具有潜在的规律。为了挖掘自然图像所具有的潜在规律，人们在空域和变换域内对其进行统计，发现自然图像服从一定的统计规律。如：Huang和Mumford等人通过大量的图像数据研究发现，自然图像的梯度信息符合一个固定的统计规律，这个规律不随图像类型的变化而变化；又如MicheleA.等通过对大量图像进行局部DCT变换，然后发现自然图像的DCT系数服从广义的高斯分布，根据这一统计规律可以得到图像的一些特征；Wen Lu等人通过将自然图像统计特性应用到轮廓小波域，在轮廓小波上建立起联合分布模型等自然图像的统计规律。

图像的这种自然统计特性与图像质量是一致相关的。研究表明，人类视觉系统的感知特性与自然场景的统计特性是一致对应的。在长期的进化过程中，人类视觉系统也接受自然界的选择，适应于所生存的环境，对于自然场景的信息形成了很强的感知及编码能力。人类视觉系统的这种倾向性，使得自然图像更适合于被人眼观察，具有更高的图像质量。因此自然性是高质量图像的一个重要属性。

图像模糊是造成自然图像失真的一种重要类型，也是影响图像质量的非常重要的因素。现实环境中造成图像的模糊的因素有很多，如相机离焦模糊、拍摄目标运动模糊、图像的压缩模糊等。图像的模糊必然破坏图像的自然性，从而引起这种统计特性改变，而统计特性的改变程度对应着图像的不同的模糊级别。这种基于自然图像统计模型的模糊检测的基本假设是：自然图像具有理想的图像质量，图像的“自然”程度代表了图像质量的高低。

现存的利用自然图像特征统计来进行图像模糊检测的方法有很多，它们往往对应于不同的变换域：梯度域；DCT域；小波域等。这些方法假设变换域的数据服从某种统计分布模型，如广义Gauss分布等，从而估计出相应的分布参数，最后根据相应的参数进行分类。本发明采用对图像数据的一种归一化方法，得到一种新的变化域，在此变换域上通过简单的参数估计和分类实现了图像模糊和清晰的判别。

发明内容

鉴于上述特点，本发明提出了一种基于自然图像特征统计的图像模糊检测方法，该方法首先对图像数据进行归一化操作，根据归一化后的清晰图像的直方图近似符合广义的高斯分布的统计特性，而模糊图像将会破坏这种分布模型，从而通过分布参数的估计和分类来判定图像的模糊。。

本发明的技术方案步骤如下：

步骤1：对待测图像计算每个像素领域内的平均值和方差。

步骤2：利用上述局部均值和方差对待测图像进行归一化处理。

步骤3：对归一化的图像数据进行广义的高斯分布函数拟合，得到该分布函数相应的两个参数值。

步骤4：对两个参数值进行组合得到该图像最终的模糊分数值。

步骤5：通过对标准图像库中大量图像的检测，找到清晰图像和模糊图像之间的阈值。通过该阈值就可以检测该图像是否模糊。

本发明的有益效果：

本发明只在图像的空域中进行的计算，因此具有高的模糊检测速度，从而具有很好地实时性；此外，本发明从自然图像的自然统计特性性出发，很好地符合人类视觉系统的要求。

附图说明

图1算法大致流程图

图2清晰图像和模糊图像及其转换到的直方图

图3清晰图像样本

图4模糊图像样本

图5 LIVE图像库中60幅图像的模糊分数

图6清晰图像样本和和模糊图像样本的检测结果.

具体实施方式：

下面结合附图，对本发明的具体实施方案作进一步详细描述。基于自然图像特征统计的图像模糊检测方法，其具体步骤描述如图1-图6所示：

步骤1：对待测图像计算每个像素邻域内的平均值和方差。

步骤2：利用上述局部均值和方差对待测图像进行归一化处理。

步骤3：对归一化的图像数据进行广义的高斯分布函数拟合，得到该分布函数相应的两个参数值。

步骤4：对两个参数值进行组合得到该图像最终的模糊分数值。

步骤5：通过对标准图像库中大量图像的检测，找到清晰图像和模糊图像之间的阈值。通过该阈值就可以检测该图像是否模糊。

步骤1：计算图像I的每个像素邻域内的加权平均值μ及加权方差δ，得到该图像的加权平均值μ(i,j)，加权方差δ(i,j)，公式如下：

其中，K*L指代每个像素的邻域大小，I_k,l(i,j)表示图像I在坐标为(i,j)位置处的邻域像素；ω＝{ω_k,l|k＝-K,....,K,l＝-L,....L}为邻域权重系数，采用圆对称高斯加权函数

其中σ指代高斯半径；

步骤2：利用步骤1中得到的图像的加权平均值μ(i,j)和加权方差δ(i,j)，对原图像数据进行归一化处理，得到归一化图像数据公式如下：

其中C为非零常数，防止分母为零，I(i,j)表示图像I在坐标为(i,j)位置处的像素值；

步骤3：根据自然图像特征统计的方法，对归一化图像数据做直方图统计，并应用广义的高斯分布来拟合(清晰自然图像的直方图近似服从广义的高斯分布，而模糊的图像往往破坏这种分布)(如图2中所示)，其中α为形状参数，广义高斯函数公式如下：

其中，σ指代该广义高斯函数的方差；

步骤4：通过非线性拟合的方法估计待测图像的广义高斯分布函数的分布参数α,σ。

步骤5：对α，σ进行处理，得到最终的分数，公式如下：

Scores＝(10+lg(σ²))×(lgα+1)

步骤6：确定阈值Threold＝k。通过对LIVE图像库中的大量图像进行检测(见附图5)得出阈值Threold＝10.5，当Scores＞10.5时，判定图像清晰(见附图3)，当Scores≤10.5时判定图像模糊(见附图4)。具体数据对比见图5。

Claims (6)

1.基于自然图像特征统计的图像模糊检测方法，其特征在于具体步骤如下：

步骤1：对待测图像计算每个像素邻域内的平均值和方差；

步骤2：利用上述局部均值和方差对待测图像进行归一化处理；

步骤3：对归一化的图像数据进行广义的高斯分布函数拟合，得到该分布函数相应的两个参数值；

步骤4：对两个参数值进行组合得到该图像最终的模糊分数值；通过非线性拟合的方法估计待测图像的广义高斯分布函数的分布参数α,σ；

步骤5：通过对标准图像库中大量图像的检测，找到清晰图像和模糊图像之间的阈值；通过该阈值就可以检测该图像是否模糊。

2.根据权利要求1所述的基于自然图像特征统计的图像模糊检测方法，其特征在于所述的步骤1具体如下：

计算图像I的每个像素邻域内的加权平均值μ及加权方差δ，得到该图像的加权平均值μ(i,j)，加权方差δ(i,j)，公式如下：

$\mathrm{\μ}(i,j)=\underset{k=-k}{\overset{K}{\Σ}}\underset{l=-L}{\overset{L}{\Σ}}{\mathrm{\ω}}_{k,l}{I}_{k,l}(i,j)$

$\mathrm{\δ}(i,j)=\sqrt{\underset{k=-k}{\overset{K}{\Σ}}\underset{l=-L}{\overset{L}{\Σ}}{\mathrm{\ω}}_{k,l}{\left(I_{k,l}\right(i,j)-\mathrm{\μ}(i,j\left)\right)}^2}$

其中，K*L指代每个像素的邻域大小，I_k,l(i,j)表示图像I在坐标为(i,j)位置处的邻域像素；ω＝{ω_k,l|k＝-K,....,K,l＝-L,....L}为邻域权重系数，采用圆对称高斯加权函数

${\mathrm{\ω}}_{k,l}=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-\frac{k^2+l^2}{2{\mathrm{\σ}}^2}};$

其中σ指代高斯半径。

3.根据权利要求2所述的基于自然图像特征统计的图像模糊检测方法，其特征在于所述的步骤2具体如下：

利用步骤1中得到的图像的加权平均值μ(i,j)和加权方差δ(i,j)，对原图像数据进行归一化处理，得到归一化图像数据公式如下：

$\hat{I}(i,j)=\frac{I(i,j)-\mathrm{\μ}(i,j)}{\mathrm{\δ}(i,j)+C}$

其中C为非零常数，防止分母为零，I(i,j)表示图像I在坐标为(i,j)位置处的像素值。

4.根据权利要求3所述的基于自然图像特征统计的图像模糊检测方法，其特征在于所述的步骤3具体步骤如下：

根据自然图像特征统计的方法，对归一化图像数据做直方图统计，并应用广义的高斯分布来拟合，因为清晰自然图像的直方图近似服从广义的高斯分布，而模糊的图像往往破坏这种分布，其中α为形状参数，广义高斯函数公式如下：

$f(x;\mathrm{\α},{\mathrm{\σ}}^2)=\frac{\mathrm{\α}}{2\mathrm{\β}\mathrm{\Γ}(1/\mathrm{\α})}\exp (-{\left(\frac{\left|x\right|}{\mathrm{\β}}\right)}^{\mathrm{\α}})$

$\mathrm{\β}=\mathrm{\σ}\sqrt{\frac{\mathrm{\Γ}(1/\mathrm{\α})}{\mathrm{\Γ}(3/\mathrm{\α})}}$

$\begin{array}{cc}\mathrm{\Γ}\left(\mathrm{\β}\right)={\∫}_0^{\mathrm{\∞}}{t}^{\mathrm{\α}-1}{e}^{-t}dt& a>0\end{array};$

其中，σ指代该广义高斯函数的方差。

5.根据权利要求4所述的基于自然图像特征统计的图像模糊检测方法，其特征在于所述的步骤5：对α，σ进行处理，得到最终的分数，公式如下：

Scores＝(10+lg(σ²))×(lgα+1)。

6.根据权利要求4所述的基于自然图像特征统计的图像模糊检测方法，其特征在于所述的步骤6具体如下：

确定阈值Threold＝k；通过对LIVE图像库中的大量图像进行检测得出阈值Threold＝10.5，当Scores＞10.5时，判定图像清晰，当Scores≤10.5时判定图像模糊。