CN110619647B - 基于边缘点频域空域特征结合图像模糊区域定位方法 - Google Patents

Abstract

本发明提供的基于边缘点频域空域特征结合图像模糊区域定位方法，对待测图像进行边缘点检测，得到不同尺度参数下滤波后的边缘点；在不同尺度的窗口下，对各个边缘点处的窗口图像做再模糊操作，提取原图窗口和再模糊图像窗口的DCT比值的频域特征；计算待测图像的共生矩阵，计算图像空域特征信息；将频域特征与图像空域特征信息进行加权融合并进行滤波操作，得到模糊响应图；用两个模糊响应阈值对模糊响应图进行处理，并将处理结果进行抠图计算，对得到的多尺度全像素点模糊相应图进行多尺度融合，输出融合后的模糊定位结果。本发明提供的模糊区域定位方法，实现了对数字图像中的模糊区域的精确定位，定位精度高。

Description

基于边缘点频域空域特征结合图像模糊区域定位方法

技术领域

本发明涉及数字图像取证技术领域，更具体的，涉及一种基于边缘点频域空域特征结合图像模糊区域定位方法。

背景技术

随着计算机、通讯技术和多媒体的不断发展，人们日常生活中可以接收到越来越多基于不同媒介的信息。图像尤其是数字图像作为主要的信息载体，在社交、军事、司法等领域都有不可替代的作用，但是随之而来的图像质量问题又严重地困扰了我们的生活。图像模糊是图像质量问题中最常见的一种，图像模糊可以分为人工模糊和自然模糊，人工模糊是人为使用编辑器对图像部分区域进行模糊操作以隐藏图像内容信息，自然模糊是由于拍摄过程中成像设备性能、拍摄抖动以及拍摄天气等诸多因素导致的结果。

图像模糊检测是图像处理一个重要分支，模糊区域的存在使得图像的质量下降，图像信息完整性受到破坏。因此，研究者在对图像做进一步处理时，常常要对图像进行模糊定位，但由于模糊类型繁多，模糊核在图像中存在的空间可变性和不确定性使得模糊检测问题变得更加复杂。时至今日，模糊检测研究仍然是一个具有挑战的工作。

现有传统的图像模糊定位技术主要分为基于边缘点方法和基于区域的方法。基于边缘点方法对图像边缘做模糊特征提取，再将边缘点处的模糊响应利用内插法或外推法传播到整张图像。但现有的基于边缘点的模糊定位工作由于只检测到少量像素点的模糊度，算法准确率并不高，影响检测的精度。

发明内容

本发明为克服现有的基于边缘点的模糊定位技术只检测到少量像素点的模糊度，存在定位准确度不高的技术缺陷，提供一种基于边缘点频域空域特征结合图像模糊区域定位方法。

为解决上述技术问题，本发明的技术方案如下：

基于边缘点频域空域特征结合图像模糊区域定位方法，包括以下步骤：

S1：对待测图像进行边缘点检测，得到不同尺度参数下滤波后的边缘点；

S2：在不同尺度的窗口下，对各个边缘点处的窗口图像做不同程度的再模糊操作，提取基于原图窗口和再模糊图像窗口的DCT比值的频域特征；

S3：计算待测图像的共生矩阵，计算共生矩阵的能量、熵、对比度从而得到图像空域特征信息；

S4：将频域特征与图像空域特征信息进行加权融合并进行滤波操作，得到模糊响应图；

S5：用两个模糊响应阈值对模糊响应图进行处理，并将处理结果进行抠图计算，对得到的多尺度全像素点模糊相应图进行多尺度融合，输出融合后的模糊定位结果。

其中，所述步骤S1采用Canny算法对待测图像进行边缘点检测，具体包括以下步骤：

S11：对待测图像进行高斯滤波操作，设置不同的标准方差σ_c；

S12：为标准方差σ_c取值设置一个区间，在此区间内对σ_c一一取值并对待测图像做该σ_c滤波下的边缘检测；

S13：根据所有检测结果，保留某一边缘点可被检测到时的最大σ_c取值作为该点的滤波尺度参数。

其中，所述步骤S2具体包括以下步骤：

S21：以待测图像边缘点为中心，选取多尺度、多角度窗口得到原窗口图像，对原窗口图像用高斯函数进行再模糊操作得到再模糊窗口图像，此过程中高斯函数的标准方差为σ_b，其由标准方差σ_c决定；

S22：将原窗口图像和再模糊窗口图像分别做DCT变换，得到原窗口和再模糊窗口的DCT矩阵；

S23：将DCT矩阵中同频率系数做平均操作，即将DCT矩阵中同一反对角线的元素平均，由此将DCT矩阵转换为DCT向量；

S24：将转换后的再模糊窗口图像DCT向量系数除以原窗口图像DCT向量系数，得到表征该边远点模糊响应的一个DCT比值向量R；

S25：将各频率段的DCT比值系数和做加权融合处理，得到s尺度下α角度窗口的DCT比值

并将各个角度窗口中最大的比值r_s作为s尺度下该边缘点的模糊响应值，得到边缘点模糊响应图M_r的频域特征，具体表达式为：

其中，low，medium，high是步骤S24得到的再模糊向量R的低频、中频和高频段系数，α₁，β₁和γ₁是各个频率段系数的权重，r_s是四个方向窗口下计算得到的最大模糊响应值。

其中，所述步骤S3具体包括以下步骤：

S31：以待测图像边缘点为中心，选取与步骤S21中相同的多尺度窗口，计算窗口图像水平、垂直和正负45°方向的共生矩阵P；

S32：分别计算多尺度窗口下四个方向共生矩阵的能量

熵

对比度值

将各方向的灰度共生矩阵特征值求平均作为该尺度窗口s下该边缘点的模糊响应值g_s，得到多尺度下基于空域的边缘点模糊响应图M_g，具体表达式为：

g_s＝mean(e_s,h_s,c_s)

其中，e_s，h_s和c_s是四个方向平均后的能量、熵和对比度值。

其中，所述步骤S4具体包括以下步骤：

S41：将边缘点模糊响应图M_r和边缘点模糊响应图M_g加权融合得到频域空域特征融合的边缘点模糊响应图M；

S42：用双边滤波器对响应图M进行滤波操作消除估计误差，得到滤波后的模糊相应图M^bf，具体表达式为：

其中，M_p、M_q是M在像素点p、q处的值，σ_s定义过滤窗口的大小，σ_n控制由于相邻像素强度差异决定的权重大小，W_p做归一化操作。

其中，所述步骤S5具体包括以下步骤：

S51：用双阈值Th₁和Th₂对边缘点模糊响应图M^bf进行操作，保留模糊度大于Th₁以及模糊度小于Th₂的边缘点，具体表达为：

S52：将步骤S51得到的多尺度下的边缘点模糊相应图Mask_s作为拉普拉斯抠图算法的输入，利用优化最小二乘问题求解多尺度下的前后景分割图B_s，具体表达为：

E(α)＝b^TLb+λ(b-mask)^TD(b-mask)

其中，b和mask是B和Mask转化后的向量形式，L是拉普拉斯矩阵，D是对角矩阵，如果像素i在mask中的值非0，则元素D(i,i)为1，否则为0；λ在边缘点模糊响应图Mask的保真度和插值平滑度之间进行平衡；L矩阵中的元素定义为：

其中，μ和σ²是窗口ω的均值和协方差矩阵，|ω|是窗口ω中的像素数；I_i和I_j是输入图像I在像素i和j处的颜色；

S53：用多尺度融合方法将多个尺度窗口计算下的前后景分割图α_s进行融合，利用最小化能量公式得到最后的融合结果，具体表达式为：

其中，α₂和β₂是权重参数，求出每一尺度窗口下的

B³是最后的模糊响应结果。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供的基于边缘点频域空域特征结合图像模糊区域定位方法，，利用边缘检测过程中得到的再模糊尺度参数，对边缘点处所在的尺度不同、方向不同的窗口图像中进行不同程度的再模糊操作，然后提取再模糊图像与原图像DCT系数比值，进行多频率段融合，得到基于频域的模糊响应图；其次基于空域的特征信息提取不同尺度、不同方向灰度共生矩阵的能量、熵、对比度作为模糊响应；最后将两者融合，用滤波操作和双阈值处理消除估计误差，最后利用多尺度融合的拉普拉斯抠图得到最后的模糊定位结果，实现了对数字图像中的模糊区域的精确定位，定位精度高。

附图说明

图1为本发明所述方法流程示意图；

图2为实施例2中待检测的图像；

图3为实施例2中检测效果图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，基于边缘点频域空域特征结合图像模糊区域定位方法，包括以下步骤：

S1：对待测图像进行边缘点检测，得到不同尺度参数下滤波后的边缘点；

S2：在不同尺度的窗口下，对各个边缘点处的窗口图像做不同程度的再模糊操作，提取基于原图窗口和再模糊图像窗口的DCT比值的频域特征；

S3：计算待测图像的共生矩阵，计算共生矩阵的能量、熵、对比度从而得到图像空域特征信息；

S4：将频域特征与图像空域特征信息进行加权融合并进行滤波操作，得到模糊响应图；

S5：用两个模糊响应阈值对模糊响应图进行处理，并将处理结果进行抠图计算，对得到的多尺度全像素点模糊相应图进行多尺度融合，输出融合后的模糊定位结果。

在具体实施过程中，本发明提供的基于边缘点频域空域特征结合图像模糊区域定位方法，利用边缘检测过程中得到的再模糊尺度参数，对边缘点处所在的尺度不同、方向不同的窗口图像中进行不同程度的再模糊操作，然后提取再模糊图像与原图像DCT系数比值，进行多频率段融合，得到基于频域的模糊响应图；其次基于空域的特征信息提取不同尺度、不同方向灰度共生矩阵的能量、熵、对比度作为模糊响应；最后将两者融合，用滤波操作和双阈值处理消除估计误差，最后利用多尺度融合的拉普拉斯抠图得到最后的模糊定位结果，实现了对数字图像中的模糊区域的精确定位，定位精度高。

实施例2

更具体的，在实施例1的基础上，将图2作为待检测图像，步骤S1采用Canny算法对待测图像进行边缘点检测，具体包括以下步骤：

S11：对待测图像进行高斯滤波操作，设置不同的标准方差σ_c；

S12：为标准方差σ_c取值设置一个区间[2.5,5]，步长为0.5，在此区间内对σ_c一一取值并对待测图像做该σ_c滤波下的边缘检测；

S13：根据所有检测结果，保留某一边缘点可被检测到时的最大σ_c取值作为该点的滤波尺度参数。

更具体的，所述步骤S2具体包括以下步骤：

S21：以待测图像边缘点为中心，选取9×15,17×29和25×41三个尺度的窗口，每个尺度窗口分别选取水平、垂直和正负45°四个方向，一共12个不同的窗口，得到原窗口图像，对原窗口图像用高斯函数进行再模糊操作得到再模糊窗口图像，此过程中高斯函数的标准方差为σ_b，在此次实验中σ_b＝0.5×σ_c；

S22：将原窗口图像和再模糊窗口图像分别做DCT变换，得到原窗口和再模糊窗口的DCT矩阵；

S23：将DCT矩阵中同频率系数做平均操作，即将DCT矩阵中同一反对角线的元素平均，由此将DCT矩阵转换为DCT向量；

S24：将转换后的再模糊窗口图像DCT向量系数除以原窗口图像DCT向量系数，得到表征该边远点模糊响应的一个DCT比值向量R；

S25：将各频率段的DCT比值系数和做加权融合处理，得到s尺度下α角度窗口的DCT比值

并将各个角度窗口中最大的比值r_s作为s尺度下该边缘点的模糊响应值，得到边缘点模糊响应图M_r的频域特征，具体表达式为：

其中，low，medium，high是步骤S24得到的再模糊向量R的低频、中频和高频段系数，在此次试验中，选取前1/6为低频段，1/6至2/3为中频段，后1/3位高频段。α₁，β₁和γ₁是各个频率段系数的权重，分别取值0.5、2.5和1。得到多尺度下基于频率域的边缘点模糊响应图M_r，并对M_r做最大最小池化操作，把模糊响应图变成[0,1]之间的数。具体公式为：

更具体的，所述步骤S3具体包括以下步骤：

S31：以待测图像边缘点为中心，选取与步骤S21中相同的多尺度窗口，计算窗口图像水平、垂直和正负45°方向的共生矩阵P；

S32：分别计算多尺度窗口下四个方向共生矩阵的能量

熵

对比度值

将各方向的灰度共生矩阵特征值求平均作为该尺度窗口s下该边缘点的模糊响应值g_s，得到多尺度下基于空域的边缘点模糊响应图M_g，并和步骤S25一样做最大最小池化操作，具体表达式为：

g_s＝mean(e_s,h_s,c_s)

其中，e_s，h_s和c_s是四个方向平均后的能量、熵和对比度值。

其中，所述步骤S4具体包括以下步骤：

S41：将边缘点模糊响应图M_r和边缘点模糊响应图M_g加权融合得到频域空域特征融合的边缘点模糊响应图M，其中，M＝0.8M_r+0.2M_g；

S42：用双边滤波器对响应图M进行滤波操作消除估计误差，得到滤波后的模糊相应图M^bf，具体表达式为：

其中，M_p、M_q是M在像素点p、q处的值，σ_s定义过滤窗口的大小，σ_n控制由于相邻像素强度差异决定的权重大小，W_p做归一化操作。此次试验中，σ_s为7，σ_n为0.1。

更具体的，所述步骤S5具体包括以下步骤：

S51：用双阈值Th₁＝0.51和Th₂＝0.32对边缘点模糊响应图M^bf进行操作，保留模糊度大于Th₁以及模糊度小于Th₂的边缘点，具体表达为：

S52：将步骤S51得到的多尺度下的边缘点模糊相应图Mask_s作为拉普拉斯抠图算法的输入，利用优化最小二乘问题求解多尺度下的前后景分割图B_s，具体表达为：

E(α)＝b^TLb+λ(b-mask)^TD(b-mask)

其中，b和mask是B和Mask转化后的向量形式，L是拉普拉斯矩阵，D是对角矩阵，如果像素i在mask中的值非0，则元素D(i,i)为1，否则为0；λ在边缘点模糊响应图Mask的保真度和插值平滑度之间进行平衡，此次实验λ取值0.001；L矩阵中的元素定义为：

其中，μ和σ²是窗口ω＝7×7的均值和协方差矩阵，|ω|是窗口ω中的像素数；I_i和I_j是输入图像I在像素i和j处的颜色；

S53：用多尺度融合方法将多个尺度窗口计算下的前后景分割图α_s进行融合，利用最小化能量公式得到最后的融合结果，具体表达式为：

其中，α₂和β₂是权重参数，此次试验中分别取值0.1和0.5，求出每一尺度窗口下的

B³是最后的模糊响应结果，输出如图3所示的检测效果图，实现了对待测图像中的模糊区域的精确定位，定位精度高。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.基于边缘点频域空域特征结合图像模糊区域定位方法，其特征在于：包括以下步骤：

S1：对待测图像进行边缘点检测，得到不同尺度参数下滤波后的边缘点；

S2：在不同尺度的窗口下，对各个边缘点处的窗口图像做不同程度的再模糊操作，提取基于原图窗口和再模糊图像窗口的DCT比值的频域特征；

S3：计算待测图像的共生矩阵，计算共生矩阵的能量、熵、对比度从而得到图像空域特征信息；

S4：将频域特征与图像空域特征信息进行加权融合并进行滤波操作，得到模糊响应图；

S5：用两个模糊响应阈值对模糊响应图进行处理，并将处理结果进行抠图计算，对得到的多尺度全像素点模糊相应图进行多尺度融合，输出融合后的模糊定位结果。

2.根据权利要求1所述的基于边缘点频域空域特征结合图像模糊区域定位方法，其特征在于：所述步骤S1采用Canny算法对待测图像进行边缘点检测，具体包括以下步骤：

S11：对待测图像进行高斯滤波操作，设置不同的标准方差σ_c；

S12：为标准方差σ_c取值设置一个区间，在此区间内对σ_c一一取值并对待测图像做该σ_c滤波下的边缘检测；

S13：根据所有检测结果，保留某一边缘点可被检测到时的最大σ_c取值作为该点的滤波尺度参数。

3.根据权利要求2所述的基于边缘点频域空域特征结合图像模糊区域定位方法，其特征在于：所述步骤S2具体包括以下步骤：

S21：以待测图像边缘点为中心，选取多尺度、多角度窗口得到原窗口图像，对原窗口图像用高斯函数进行再模糊操作得到再模糊窗口图像，此过程中高斯函数的标准方差为σ_b，其由标准方差σ_c决定；

S22：将原窗口图像和再模糊窗口图像分别做DCT变换，得到原窗口和再模糊窗口的DCT矩阵；

S23：将DCT矩阵中同频率系数做平均操作，即将DCT矩阵中同一反对角线的元素平均，由此将DCT矩阵转换为DCT向量；

S24：将转换后的再模糊窗口图像DCT向量系数除以原窗口图像DCT向量系数，得到表征该边缘 点模糊响应的一个DCT比值向量R；

S25：将各频率段的DCT比值系数和做加权融合处理，得到s尺度下α角度窗口的DCT比值

并将各个角度窗口中最大的比值r_s作为s尺度下该边缘点的模糊响应值，得到边缘点模糊响应图M_r的频域特征，具体表达式为：

其中，low，medium，high是步骤S24得到的再模糊向量R的低频、中频和高频段系数，α₁，β₁和γ₁是各个频率段系数的权重，r_s是四个方向窗口下计算得到的最大模糊响应值。

4.根据权利要求3所述的基于边缘点频域空域特征结合图像模糊区域定位方法，其特征在于：所述步骤S3具体包括以下步骤：

S31：以待测图像边缘点为中心，选取与步骤S21中相同的多尺度窗口，计算窗口图像水平、垂直和正负45°方向的共生矩阵P；

S32：分别计算多尺度窗口下四个方向共生矩阵的能量

熵

对比度值

将各方向的灰度共生矩阵特征值求平均作为该尺度窗口s下该边缘点的模糊响应值g_s，得到多尺度下基于空域的边缘点模糊响应图M_g，具体表达式为：

g_s＝mean(e_s,h_s,c_s)

其中，e_s，h_s和c_s是四个方向平均后的能量、熵和对比度值。

5.根据权利要求4所述的基于边缘点频域空域特征结合图像模糊区域定位方法，其特征在于：所述步骤S4具体包括以下步骤：

S41：将边缘点模糊响应图M_r和边缘点模糊响应图M_g加权融合得到频域空域特征融合的边缘点模糊响应图M；

S42：用双边滤波器对响应图M进行滤波操作消除估计误差，得到滤波后的模糊相应图M^bf，具体表达式为：

其中，M_p、M_q是M在像素点p、q处的值，σ_s定义过滤窗口的大小，σ_n控制由于相邻像素强度差异决定的权重大小，W_p做归一化操作。

6.根据权利要求5所述的基于边缘点频域空域特征结合图像模糊区域定位方法，其特征在于：所述步骤S5具体包括以下步骤：

S51：用双阈值Th₁和Th₂对边缘点模糊响应图M^bf进行操作，保留模糊度大于Th₁以及模糊度小于Th₂的边缘点，具体表达为：

S52：将步骤S51得到的多尺度下的边缘点模糊相应图Mask_s作为拉普拉斯抠图算法的输入，利用优化最小二乘问题求解多尺度下的前后景分割图B_s，具体表达为：

E(α)＝b^TLb+λ(b-mask)^TD(b-mask)

其中，b和mask是B和Mask转化后的向量形式，L是拉普拉斯矩阵，D是对角矩阵，如果像素i在mask中的值非0，则元素D(i,i)为1，否则为0；λ在边缘点模糊响应图Mask的保真度和插值平滑度之间进行平衡；L矩阵中的元素定义为：

其中，μ和σ²是窗口ω的均值和协方差矩阵，|ω|是窗口ω中的像素数；I_i和I_j是输入图像I在像素i和j处的颜色；

S53：用多尺度融合方法将多个尺度窗口计算下的前后景分割图α_s进行融合，利用最小化能量公式得到最后的融合结果，具体表达式为：

其中，α₂和β₂是权重参数，求出每一尺度窗口下的

B³是最后的模糊响应结果。

Images