CN106485703A

CN106485703A - 基于图像梯度dct变换的模糊检测方法

Info

Publication number: CN106485703A
Application number: CN201610873849.9A
Authority: CN
Inventors: 张善卿; 吴涛; 徐向华; 程宗毛
Original assignee: Hangzhou Electronic Science and Technology University
Current assignee: Hangzhou Dianzi University; Hangzhou Electronic Science and Technology University
Priority date: 2016-09-30
Filing date: 2016-09-30
Publication date: 2017-03-08
Anticipated expiration: 2036-09-30
Also published as: CN106485703B

Abstract

本发明涉及一种基于图像梯度DCT变换的模糊检测方法，本发明在前人方法的基础上进行改进，使其效率大大提高。本发明通过对标准数据库中的图像进行检测，首先将待测图像转换到梯度域，通过对梯度图进行分块，然后对分块后的梯度图以块为单位转换到DCT域，并求所有块的非直流系数能量之和，最后利用图像的方差归一化该图像的能量之和得到最终的模糊分数。实验结果证明该分数能够非常准确地反映人眼对图像的模糊程度的主观评价。另外，本发明的检测模型具有很好的稳定性，而且快速DCT变换大大节约时间，提高了检测效率高，这也使得其大大优于前人的方法。

Description

基于图像梯度DCT变换的模糊检测方法

技术领域

本发明针对图像模糊检测这一应用领域，特别是图像模糊检测提出了一种基于图像梯度DCT变换的模糊检测方法，该方法具有较快的图像模糊检测的速度和较高的检测性能。

背景技术

随着计算机网络的发展和数字图像的普及，图像质量的好坏直接影响到人们的主观感受和信息量获取,而图像模糊是自然图像中经常出现的一种失真类型，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。

图像的模糊是人眼对于图像的一种主观感受，为了利用计算机对这一种失真类型进行检测，近些年来人们提出了很多的检测方法。图像的模糊检测大致上分为三类：空域法、频域法和混合域法。空域法是在图像的灰度空间进行的，其原理是利用图像的边缘信息与图像的模糊程度的关联，如Marziliano等等提出了一种算法，首先采用Sobel算子检测图像中的边缘，然后通过每个边缘附近的像素极值确定边缘的宽度，图像的模糊则定义为图像中所有边缘宽度的均值；又如Ferzli等提出恰可见模糊(Just Noticable Blur,JNB)的概念，该方法首先从图像中确定边缘块，然后计算局部的对比度和块边缘宽度，通过结合一个概率求和模型得到模糊评价的分数。频域法，则是将图像转换到相应的频率域，如DFT域或DCT域，研究频率系数与模糊程度之间的关系，如Wang Z等将块状效应的图像模拟为一个无块状效应图像受到纯块状效应信号干扰的结果，借助DFT，通过中值平滑前后功率谱的差异来估计块状效应的强度等；Bovik和Liu首先给出一种DCT域快速算法来构建图像中跨两个相邻块的新块,用一个2D阶跃函数对块状效应建模,并提取相应的双向活跃度参数,最后结合HVS亮度和活跃度掩蔽效应来估计块状效应强度。混合域法，将空间域与其他变换域结合的算法，如Vu等也提出了一种空间域与频域结合的算法(S3)，该算法一方面用局部幅频的梯度描述图像中高频内容损失，另一方面用全变差描述对比度变化对模糊评价的影响；李雷军博士提出的一种基于离散正交矩的图像模糊评价算法，该方法一方面利用梯度提取图像边缘信息，另一方面利用Tchebichef矩将梯度域转换到其他变换域，通过计算图像的非DC矩能量之和来描述图像的总能量。这两者的结合对图像中的模糊评价具有很高的精度。

虽然图像模糊检测的方法很多，但大多数模糊的图像都有共同的特性：图像越模糊图像的边缘就越宽，反映在梯度图上的边缘信息就越少，也就导致图像的高频能量会相应的减少。

发明内容

鉴于上述特点，本发明提出了一种基于图像梯度DCT变换的模糊检测方法，该方法采用空域和频域相结合的方式，利用图像的梯度图来提取边缘信息，然后将梯度图分块DCT变换，因为DCT直流系数影响图像亮度，而交流系数影响图像的边缘细节，本发明主要考虑边缘细节，所以需要忽略直流系数的影响，最终用变换后的DCT域的非直流系数的幅度变化来刻画图像的模糊程度，保证了检测速度和性能，降低了误检率。

本发明的技术方案步骤如下：

基于图像梯度DCT变换的模糊检测方法，采用以下步骤实现：

步骤1：计算待测图像的梯度图像；

步骤2：对梯度图像进行分块DCT变换操作，设块的大小为l*l；

步骤3：计算步骤2中的DCT块的非直流系数的之和(简称分块能量)，并将所有分块能量叠加在一起，从而获得整幅图像的总能量。

步骤4：对待测图像进行分块操作(块的大小同步骤1)，计算每个块的方差，将所有的块方差求和，得到一幅图像的总方差。

步骤5：用步骤4中的总方差对步骤2中的总能量进行归一化处理，从而得出最终的模糊分数Scores。

步骤6：对模糊分数选取适当的阈值Threold，从而将图像分为清晰与模糊两类。

本发明的有益效果：

本发明针对图像模糊检测的速度和性能，采用空间域和频率域相结合的方式，以此来弥补使用单方面域的缺陷。在空间域中定位图像的边缘，在频率域中计算图像的模糊幅度(能量)，两者的结合既保留了图像空域处理的直观性，又保留了频域处理的速度快的优越性；此外，本发明通过对图像的总能量进行归一化处理，从而消除图像内容的影响。

附图说明

图1算法流程图

图2清晰图像样本

图3模糊图像样本

图4 LIVE图像库中60幅图像的模糊分数

图5清晰图像样本和模糊图像样本对应的检测数据

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。基于图像梯度DCT变换的模糊检测方法，其具体步骤描述如图1所示：

步骤1：计算待测图像的梯度图像；

步骤2：对梯度图像进行分块DCT变换操作，设块的大小为l*l；

步骤4：对待测图像进行分块操作(块的大小同步骤2)，计算每个块的方差，将所有的块方差求和，得到一幅图像的总方差。

步骤5：用步骤4中的总方差对步骤3中的总能量进行归一化处理，从而得出最终的模糊分数Scores。

步骤1：将待测图像I(大小为m*n)变换到梯度域G，公式如下：

其中和分别为待测图像水平和垂直的梯度图像。

步骤2：对梯度图像G进行分块，每个分块设为B_k，块大小为l*l。然后将每个分块B_k变换到DCT域D_k，公式如下：

D_k＝DCT(B_k)

步骤3：计算DCT域中每个分块D_k的非直流系数之和S_k，即块能量：

并计算一幅图像所有块的能量之和sumS，即总能量，公式如下：

其中N为总的块数。

步骤4：对待测图像I进行分块，块大小为l*l，并计算每块的方差v_k，计算所有块的方差v_k之和sumV：

步骤5：对sumS进行归一化得到最终的模糊分数scores公式如下：

步骤6：确定清晰与模糊之间的阈值threold。通过对实验数据的分析，当图像清晰(见附图2)的时候经计算所得的scores比模糊图像(见附图3)的scores要高很多(见附表1)。由此可以证明：清晰图像的非直流能量较大，而模糊图像的非直流能量较低。同时经过对LIVE(Laboratory for image&video engineering，图像质量评价数据库由美国德克萨斯大学奥斯汀分校的电气与计算机工程系与心理学系联合建立,是应用最为广泛的一个共享数据库)图像库中大量样本(包含模糊的和清晰的图像)的检测和比较(见附图4)，可以得到相应的阈值，本实验所取的阈值为threold＝4(线条代表阈值)，当Scores＞4时图像为清晰，当Scores≤4图像为模糊。

Claims

1.基于图像梯度DCT变换的模糊检测方法，其特征在于：通过将待测图像转换为梯度图像，再将其转换到DCT域并求其非直流系数能量，然后利用自然图像模糊后图像边缘变宽，高频能量相应减少的特征，以此来区分清晰图像和模糊的图像；具体步骤如下：

步骤1：计算待测图像的梯度图像；

步骤2：对梯度图像进行分块DCT变换操作，设块的大小为l*l；

步骤3：计算步骤2中的DCT块的非直流系数的之和，即分块能量；并将所有分块能量叠加在一起，从而获得整幅图像的总能量；

步骤4：对待测图像进行分块操作，块的大小依旧为l*l，计算每个块的方差，将所有的块方差求和，得到整幅图像的总方差；

步骤5：用步骤4中的总方差对步骤3中的总能量进行归一化处理，从而得出最终的模糊分数Scores；

2.根据权利要求1所述的基于图像梯度DCT变换的模糊检测方法，其特征在于步骤1具体实现如下：

将大小为m*n的待测图像I变换到梯度域G，公式如下：

其中和分别为待测图像水平和垂直的梯度图像。

3.根据权利要求2所述的基于图像梯度DCT变换的模糊检测方法，其特征在于步骤2具体实现如下：

对梯度图像G进行分块，每个分块设为B_k，块大小为l*l；然后将每个分块B_k变换到DCT域D_k，公式如下：

D_k＝DCT(B_k)。

4.根据权利要求3所述的基于图像梯度DCT变换的模糊检测方法，其特征在于步骤3具体实现如下：

计算DCT域中每个分块D_k的非直流系数之和S_k，即分块能量：

并计算整幅图像所有块的能量之和sumS，即总能量，公式如下：

其中N为总的块数。

5.根据权利要求4所述的基于图像梯度DCT变换的模糊检测方法，其特征在于步骤4具体实现如下：

对待测图像I进行分块，块大小为l*l，并计算每块的方差v_k，计算所有块的方差v_k之和sumV：

6.根据权利要求5所述的基于图像梯度DCT变换的模糊检测方法，其特征在于步骤5具体实现如下：

对sumS进行归一化得到最终的模糊分数scores公式如下：

7.根据权利要求6所述的基于图像梯度DCT变换的模糊检测方法，其特征在于步骤6具体实现如下：

确定清晰与模糊之间的阈值threold；通过对实验数据的分析，图像清晰的时候经计算所得的scores比模糊图像的scores高很多；由此可以证明：清晰图像的非直流能量较大，而模糊图像的非直流能量较低；同时经过对LIVE图像库中大量样本的检测和比较，得到相应的阈值threold＝4，当Scores＞4时图像为清晰，当Scores≤4图像为模糊。