CN106682617B - 一种基于频谱段信息的图像清晰与模糊判别特征提取方法 - Google Patents

一种基于频谱段信息的图像清晰与模糊判别特征提取方法 Download PDF

Info

Publication number
CN106682617B
CN106682617B CN201611231402.8A CN201611231402A CN106682617B CN 106682617 B CN106682617 B CN 106682617B CN 201611231402 A CN201611231402 A CN 201611231402A CN 106682617 B CN106682617 B CN 106682617B
Authority
CN
China
Prior art keywords
image
sum
information
frequency spectrum
fuzzy
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
Application number
CN201611231402.8A
Other languages
English (en)
Other versions
CN106682617A (zh
Inventor
傅志中
王琦艺
徐凯
赵宇飞
孙翊皓
徐进
周宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201611231402.8A priority Critical patent/CN106682617B/zh
Publication of CN106682617A publication Critical patent/CN106682617A/zh
Application granted granted Critical
Publication of CN106682617B publication Critical patent/CN106682617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于频谱段信息的图像清晰与模糊判别特征提取方法，属于图像处理技术领域，主要针对图像频谱段信息曲线特性的提取和统计分析，并将其应用于模糊图像识别中。本发明的具体实现步骤为：对输入图像进行灰度化及二维离散傅立叶变换，同时将直流分量搬移到频谱中心；取兴趣区域与统计区域，并在统计区域内依次进行半径逐渐增大的圆形频谱区域外信息值的统计；为了方便观察曲线变化，将信息曲线进行横纵坐标的归一化；最终提取信息曲线的特性，即曲线下方的区域积分，并统计特性分布情况。本发明可用于对图像的模糊识别分类，其提取识别特征过程快速、简便，分类区分度高。

Description

一种基于频谱段信息的图像清晰与模糊判别特征提取方法
技术领域
本发明涉图像处理技术领域，具体涉及通过对频谱段信息特性的提取进行统计和分析，从而达到对图像进行清晰与模糊识别的目的。
背景技术
在获取图像过程中，人为原因、拍摄环境恶劣均会造成图像的模糊失真。不同程度的模糊将对图像分析造成或大或小的影响。因此，在对图像进行应用前，需区分图像清晰与否，避免模糊图像对后续处理结果的干扰。
模糊检测识别方法大致分为三类：提取图像特征进行阈值设定、建立评价模型对图像进行评估、利用图像抠图方法(Alpha Matting等)定位模糊区域。基于DA的模糊图像识别方法“Xie X,Cao Z,Xiao Y,et al.Blurred image recognition using domainadaptation[C].IEEE International Conference on Image Processing.2015”，其虽提高了识别性能，但需先依据大量样本进行LMDR度量学习，过程繁杂。在提取图像特征进行识别的方法中，文献“王小莹,易尧华.基于SVM的模糊图像识别[J].包装工程,2016(13):179-183”利用了频率系数统计特征、峰度值、颜色饱和度三方面作为图像特征，但未能识别仅有灰度信息的图像，且特征建立过程繁杂。在上述模糊识别中，需提取图像众多特征或者构建复杂模型，而某些特殊图像并不能被识别。
发明内容
本发明的发明目的在于：针对现有模糊检测识别方法的缺陷，基于对图像频谱段信息的分析，提出一种基于频谱段信息的图像清晰与模糊判别特征提取方法，可根据统计特性的分布情况对图像进行清晰与模糊图像分类。在图像应用前，对图像进行清晰与否的预处理判断，避免模糊图像对后续处理结果的干扰。
本发明的基于频谱段信息的图像清晰与模糊判别特征提取方法，包括下列步骤：
步骤1：待处理区域选取。依次读入待处理图像，对其进行灰度化处理；为后续方便统计频谱段信息，以图像宽度和高度中较短的边(记为a)为边长选取一个正方形区域A作为待处理区域；
步骤2：频域转换。对区域A进行二维离散傅立叶变换，并将直流分量搬移到频谱中心，得到图像的频域幅度谱图；
步骤3：频谱信息统计。由于图像为实信号，步骤2得到的频域幅度谱图是中心对称，且同一场景的图像在低频区域频谱接近，而在中高频区域频谱存在差异。因此，本发明将兴趣区域A均分为左右两部分，并对右侧区域统计位于右侧区域内的半圆域之外频谱信息总和sum(r)，其中，半圆域的半径r的取值范围为[0，a/2-1]。
不同图像在中高频区域所含频谱值不同，为了表征圆域外每一频率点所含频谱值平均大小，将频谱信息总和平均化，即：sum(r)’＝sum(r)/[a2/2-πr2/2]；同时，为使得sum(r)’不随图像尺寸大小而不同，将sum(r)’归一化为：Ratio(r)＝sum(r)’/sum(0)’，其中sum(0)’表示r＝0时的sum(r)’值；
然后，以r为横轴，Ratio(r)为纵轴，绘制待处理图像的频谱段信息曲线，同时，将横轴r的数值归一化为[0，1]。
步骤4：频谱段信息曲线特征提取。用参数s表征频谱段信息曲线下方的区域面积，将参数s作为当前待处理图像的图像清晰与模糊判别的特征信息。
因将横轴r的数值归一化为[0，1]，故s∈[0,1]。以s为横轴、出现次数为纵轴，统计同一场景下不同图像的参数s的分布情况，可得特性分布曲线图，即参数s的概率分布图，从参数s的概率分布图能直观看出清晰图与模糊图间的差异，进而更好的对两者进行区分。在将本发明用于图像清晰和模糊的分类判决时，可基于其特性分布曲线图设置门限阈值T，然后基于参数s与门限阈值T大小关系进行图像分类判决：当图像的参数s≥T时，则判决该图像为清晰图像，否则为模糊图像。
综上所述，由于采用了上述技术方案，本发明的有益效果是：基于对图像频谱图的分析，提出了一种基于频谱段信息的图像清晰与模糊判别特征提取方法，该方法提取识别特征过程快速、简便，用于图像清晰与模糊的分类区分度高。
附图说明
图1是本发明用于图像分类的处理流程图；
图2是具体实施方式中，对待处理的图像I的兴趣区域A和统计区域B的示意图；
图3是具体实施方式中，频谱信息值的统计示意图，其中黑点为圆域内像素点的频谱值；
图4是用于实施例的两幅场景示意图，图像大小均为1080×1080，其中，左图为清晰图，右图为模糊图；
图5是实施例的频谱段信息曲线，其中，虚线为清晰图像的频谱信息统计曲线，实线为模糊图像的频谱信息统计曲线；
图6是基于本发明的频谱信息曲线面积参数s的概率分布情况图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
将本发明的图像清晰与模糊判别特征提取方法用于清晰图像和模糊图像的图像分类识别处理，参见图1，其主要包括下述过程：
(1)对输入的图像I进行灰度化处理，并在图像I中选取待处理区域A(图2所示的矩形阴影区域)；
(2)对区域A进行二维离散傅立叶变换；
(3)将直流分量搬移到频谱中心得到图像的频域幅度谱图；
(4)为统计方便，在区域A内取右侧区域为统计区域B(图2所示的斜线矩形区域)，在区域B中进行频谱信息值的统计；为方便与其他图像进行比较，将频谱信息值进行归一化处理；
(5)对频谱段信息曲线的特性(曲线下方的区域积分)进行提取，即得到图像清晰与模糊判别的特征信息；
(6)依据频谱段信息曲线的特性分布情况，确定门限阈值T，再基于T得到图像识别类别结果：若当前输入图像I的参数s大于等于T，则判决图像I为清晰图像，否则为模糊图像。
步骤(1)～(6)的其具体实现过程如下：
步骤1：依次读入待识别的图像I，如图3所示，图像尺寸为1080×1080；对图像I进行灰度化处理，并在图像I中选择一个方形区域作为兴趣区域A，其中兴趣区域A的边长为a，而a为图像I的宽度和高度中较短的边，本实施方式中，a为1080，即直接选取图像I本身作为兴趣区域A。
步骤2：对区域A进行二维离散傅立叶变换，得到一个大小为1080×1080的复数频谱矩阵FFT。
步骤3：将直流分量搬移到频谱中心，并对步骤2得到的数频谱矩阵FFT取绝对值。
步骤4：圆形频谱段外的信息统计：
401：将兴趣区域A均分为左右两部分，并记右侧区域为统计区域B。
402：在区域B内取半径为r的1/2圆域(如图2所示的位于区域B的半圆域)，统计r以1为步长，范围为[0,539]的半个圆形区域外的频谱信息值总和sum(r)。
为方便计算，先统计圆域(半径为r)内的频谱段信息值sum_inner(r)，具体操作如下：
参见图3，当r＝0时，频谱段信息值sum_inner(0)为直流分量值；
当r＝1时，频谱段信息值sum_inner(1)＝sum_inner(0)+FFT(540,541)+FFT(541,540)+FFT(539,540)；
当r＝2时，频谱段信息值sum_inner(2)＝sum_inner(1)+FFT(542,540)+FFT(538,540)+FFT(542,542)+FFT(539,541)+FFT(541,541)；
同理可得，当r＝539时，频谱段信息值sum_inner(539)＝sum_inner(538)+FFT(1,540)+FFT(1079,540)+…+FFT(540,1079)，此时，得到一个1×540的信息统计矩阵。其中FFT(x,y)表示在图像坐标(x,y)的FFT值，对应图3所示的黑点。
步骤402中的信息统计矩阵为半径r圆域内的信息统计值，需将其转换为圆域外的频谱信息值总和sum(r)，sum(r)＝[sum_inner(a/2-1)-sum_inner(r)]，然后再将其平均化，得到sum(r)’，即sum(r)’＝[sum_inner(539)-sum_inner(r)]/[(540*1080-1.57×r2)]
404：令Ratio(r)＝sum(r)’/sum(0)’，以r为横轴，Ratio(r)为纵轴，绘制图像I的频谱段信息曲线，并将r归一化为[0，1]，作为归一化的频率大小。
图4给出的两幅示例图的频谱段信息曲线如图5所示，其中，虚线为清晰图像的频谱信息统计曲线，实线为模糊图像的频谱信息统计曲线。
步骤5：统计频谱段信息曲线下方区域的积分值，即获取当前带处理图像的参数s。如图4给出的两幅示例图中，左图(清晰图)所对应的积分值area1为0.3671；右图(模糊图)所对应的积分值area2为0.1556，可见，清晰图和模糊图的参数s的差异性显著。
为了实现对待处理图像的图像识别分类，判定其为清晰图像还是模糊图像，可以基于大量的统计结果设定门限阈值，以参数s与门限阈值的比较结果完成图像识别分类。
步骤6：根据上述对图像频谱信息值特性的统计，在待处理图像集中重复步骤1～5，可得特性分布曲线图，如图6所示。虚线为清晰图的参数s概率分布，实线为模糊图的参数s概率分布，两个概率分布曲线之间存在显著可区分性。据此确定一个合适的门限阈值T，本具体实施方式中，设置T＝0.35。
然后分别对待处理图像进行识别分类：若当前待处理图像的参数s大于0.35时，判决该图像为清晰图像，否则判决为模糊图像。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (2)

1.一种基于频谱段信息的图像清晰与模糊判别特征提取方法，其特征在于，包括下列步骤：
步骤1：待处理区域选取：
对待处理图像进行灰度化处理后，在待处理图像中选取一个正方形区域作为兴趣区域A，兴趣区域A的边长为a，其中a为待处理图像的宽度和高度中较短的边；
步骤2：对兴趣区域A进行二维离散傅立叶变换，并将直流分量搬移到频谱中心，得到图像的频域幅度谱图；
步骤3：频谱信息统计：
将兴趣区域A均分为左右两部分，并对右侧区域统计位于右侧区域内的半圆域之外频谱信息总和sum(r)，其中，半圆域的半径r的取值范围为[0，a/2-1]，取值变化步长为1；
再对频谱信息总和sum(r)平均化，得到sum(r)’，其中sum(r)’＝sum(r)/[a2/2-πr2/2]；
将sum(r)’归一化为：Ratio(r)＝sum(r)’/sum(0)’，其中sum(0)’表示r＝0时的sum(r)’值；
以r为横轴，Ratio(r)为纵轴，绘制待处理图像的频谱段信息曲线，同时将横轴r的数值归一化为[0，1]；
步骤4：用参数s表征频谱段信息曲线下方的区域面积，将参数s作为待处理图像的图像清晰与模糊判别的特征信息。
2.如权利要求1所述的方法，其特征在于，步骤3中，统计半径为r的半圆域外的频谱信息总和sum(r)具体为：
统计半径为r的半圆域内的频谱段信息值sum_inner(r)；
再根据公式得到半径为r的半圆域外的频谱信息总和sum(r)：
sum(r)＝[sum_inner(a/2-1)-sum_inner(r)]。
CN201611231402.8A 2016-12-28 2016-12-28 一种基于频谱段信息的图像清晰与模糊判别特征提取方法 Active CN106682617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611231402.8A CN106682617B (zh) 2016-12-28 2016-12-28 一种基于频谱段信息的图像清晰与模糊判别特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611231402.8A CN106682617B (zh) 2016-12-28 2016-12-28 一种基于频谱段信息的图像清晰与模糊判别特征提取方法

Publications (2)

Publication Number Publication Date
CN106682617A CN106682617A (zh) 2017-05-17
CN106682617B true CN106682617B (zh) 2019-11-05

Family

ID=58871734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611231402.8A Active CN106682617B (zh) 2016-12-28 2016-12-28 一种基于频谱段信息的图像清晰与模糊判别特征提取方法

Country Status (1)

Country Link
CN (1) CN106682617B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381156B (zh) * 2020-11-18 2023-04-18 重庆电子工程职业学院 基于图像识别的中药材病虫害检测系统
CN113269854B (zh) * 2021-07-16 2021-10-15 成都索贝视频云计算有限公司 一种智能生成访谈类综艺节目的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006221347A (ja) * 2005-02-09 2006-08-24 Tokyo Institute Of Technology ぶれ情報検出方法
CN101364302A (zh) * 2008-09-28 2009-02-11 西安理工大学 一种散焦模糊图像的清晰化处理方法
CN104268888A (zh) * 2014-10-09 2015-01-07 厦门美图之家科技有限公司 一种图像模糊检测方法
CN104282028A (zh) * 2014-10-30 2015-01-14 电子科技大学 一种频谱和倒谱信息融合的模糊图像检测方法
CN105550694A (zh) * 2015-12-01 2016-05-04 厦门瑞为信息技术有限公司 一种度量人脸图像模糊程度的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006221347A (ja) * 2005-02-09 2006-08-24 Tokyo Institute Of Technology ぶれ情報検出方法
CN101364302A (zh) * 2008-09-28 2009-02-11 西安理工大学 一种散焦模糊图像的清晰化处理方法
CN104268888A (zh) * 2014-10-09 2015-01-07 厦门美图之家科技有限公司 一种图像模糊检测方法
CN104282028A (zh) * 2014-10-30 2015-01-14 电子科技大学 一种频谱和倒谱信息融合的模糊图像检测方法
CN105550694A (zh) * 2015-12-01 2016-05-04 厦门瑞为信息技术有限公司 一种度量人脸图像模糊程度的方法

Also Published As

Publication number Publication date
CN106682617A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
WO2022099598A1 (zh) 一种基于图像像素相对统计特征的视频动态目标检测的方法
Rabby et al. A modified canny edge detection algorithm for fruit detection & classification
CN103955949B (zh) 基于Mean-shift算法的运动目标检测方法
CN108898132B (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
CN104268602A (zh) 一种基于二进制特征匹配的遮挡工件识别方法及装置
CN106709500B (zh) 一种图像特征匹配的方法
CN109255386B (zh) 基于毫米波雷达和视觉融合的道路行人快速检测方法
CN110599507B (zh) 一种番茄识别定位方法及系统
CN107220664B (zh) 一种基于结构化随机森林的油瓶装箱清点方法
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN111178252A (zh) 多特征融合的身份识别方法
CN110335233B (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN108647706A (zh) 基于机器视觉的物品识别分类与瑕疵检测方法
TWI765442B (zh) 瑕疵等級判定的方法及存儲介質
CN115035110B (zh) 依据凹点切割及链码跟踪的纱线毛羽定量检测方法
Feng et al. A separating method of adjacent apples based on machine vision and chain code information
CN106682617B (zh) 一种基于频谱段信息的图像清晰与模糊判别特征提取方法
KR101769741B1 (ko) 동공 탐지를 통한 홍채 인식 방법 및 홍채 인식 장치
CN106446832B (zh) 一种基于视频的实时检测行人的方法
CN109063774B (zh) 图像追踪效果评价方法、装置、设备及可读存储介质
CN115082449B (zh) 一种电子元器件缺陷检测方法
CN110866917A (zh) 一种基于机器视觉的药片类型及排列方式识别方法
CN109858397A (zh) 一种基于自适应建模的红外弱小目标识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Fu Zhizhong

Inventor after: Wang Qiyi

Inventor after: Xu Kai

Inventor after: Zhao Yufei

Inventor after: Sun Yihao

Inventor after: Xu Jin

Inventor after: Zhou Ning

Inventor before: Fu Zhizhong

Inventor before: Wang Qiyi

Inventor before: Sun Yihao

Inventor before: Xu Kai

Inventor before: Xu Jin

Inventor before: Zhou Ning

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant