CN112541913B - 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 - Google Patents
一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 Download PDFInfo
- Publication number
- CN112541913B CN112541913B CN202011549937.6A CN202011549937A CN112541913B CN 112541913 B CN112541913 B CN 112541913B CN 202011549937 A CN202011549937 A CN 202011549937A CN 112541913 B CN112541913 B CN 112541913B
- Authority
- CN
- China
- Prior art keywords
- image
- fuzzy
- local
- point
- column
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000000605 extraction Methods 0.000 title claims abstract description 34
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- OKTLIOWWGVGPKG-PMACEKPBSA-N (2s)-2-[2-[[(s)-carboxy-(2-hydroxyphenyl)methyl]-(carboxymethyl)amino]ethyl-(carboxymethyl)amino]-2-(2-hydroxyphenyl)acetic acid Chemical compound C1([C@@H](C(O)=O)N(CC(O)=O)CCN(CC(=O)O)[C@H](C(O)=O)C=2C(=CC=CC=2)O)=CC=CC=C1O OKTLIOWWGVGPKG-PMACEKPBSA-N 0.000 description 2
- 108010021819 N,N'-bis(hydroxycarbonylmethyl)-N,N'-bis(alpha-hydroxycarbonyl-2-hydroxytolyl)diaminoethane Proteins 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,针对各种视觉传感装置获取的含有离焦、运动、抖动等模糊形式的数字图像,首先利用主动模糊方法和沃尔什变换将待测图像转换至列率域进行对比解析;并对列率谱的低列率区域进行自适应截断以消除噪声干扰;在此基础上构造并求解各像素点的局部模糊度量,得到待测图像的模糊分布;最终在快速聚类引导下采用多尺度修正生长实现局部模糊区域的提取。该方法有效兼顾了准确性和实时性,尤其在噪声环境下显示出优越的检测性能和噪声鲁棒性,相比现有方法能够实现至少14%的精度提升和42%的误差降低,有效解决了实际计算机视觉工程中的模糊检测与提取问题。
Description
技术领域
本发明属于计算机视觉与图像处理技术领域,更具体地,涉及一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法。
背景技术
模糊是数字图像普遍存在的一种感知质量退化现象。图像模糊的检测是诸多计算机视觉工程的关键步骤,如模糊图像复原、图像质量评估、运动目标检测、图像聚焦编辑、相机标定等。但是,实际视觉工程中的局部模糊图像多呈现模糊程度不均匀、模糊界限难确定的特点,并且数字图像在感知与传输过程中受传感元器件质量、工作环境、传输信道等多方面影响,极易混叠多种图像噪声。这些因素极大增加了局部模糊检测的难度,导致现有方法大多难以兼顾检测的准确性和实时性,并且在处理含噪声模糊图像时检测性能受到较大限制。因此,面对局部模糊与噪声混叠的实际图像情况以及愈来愈高的即时响应与实时处理需求,图像局部模糊的有效检测成为计算机视觉领域一项十分重要且极具挑战性的任务。
现阶段,图像局部模糊检测方法主要分为两种:基于频率与梯度分析的无监督方法和基于学习的有监督方法。无监督方法大多难以兼顾准确性和实时性,检测性能的提升往往以牺牲时间效率为代价;而基于学习的模糊检测方法则需要使用大量含标注的样本进行长时间的监督训练,人工标注代价大、对算力和硬件的要求高,尤其深度学习的复杂非线性网络机制令其模型的可解释性较差;更重要的是,现有方法较少涉及含噪模糊图像的针对性研究,因而普遍易受噪声影响,在处理实际视觉工程中常见的含噪模糊图像时算法性能受到较大限制。因此,现阶段在实际视觉工程中亟需一种兼顾准确性与实时性,同时具备噪声鲁棒性的局部模糊检测方法。
相关专利文献:CN109035196A公开了一种基于显著性的图像局部模糊检测方法,针对清晰的纹理平坦区域由于缺乏高频信息,而容易被误检成模糊区域的问题,提出了一基于显著性的图像局部模糊检测方法:将代表图像变换域特征的奇异值向量,反映图像高频信息的局部极值点与熵加权的池化DCT高频系数(HiFST系数)相结合,这两种类型的特征值相互补充,得到更好的特征向量,将得到的混合特征向量输入到BP神经网络进行训练得到模型后,通过预测得到初步结果,再与图像显著性检测相结合,通过图像的显著性约束得到进一步的检测结果,并通过双边滤波优化边缘信息得到最终的结果。
以上这些技术对于如何使图像局部模糊检测与提取方法如何能克服在实际视觉工程中数字图像的非均匀模糊与噪声混叠带来的检测难题,从而提高图像模糊的检测精度和时间效率,并未给出具体的指导方案。
发明内容
针对现有技术的以上缺陷或改进需求,本发明的目的在于提供了一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,它能克服在实际视觉工程中数字图像的非均匀模糊与噪声混叠带来的检测难题,从而提高图像模糊的检测精度和时间效率。
为实现上述发明目的,本发明的基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法具体包括以下工艺步骤(方法步骤):
步骤(1):对待测图像I进行主动模糊得到主动模糊图像B;
步骤(2):对待测图像和主动模糊图像分别进行沃尔什变换,分别得到待测图像和主动模糊图像的列率谱WI和WB;
步骤(3):对于任意像素点p,在列率谱WI中取p点周围的局部谱Wp I,在列率谱WB中取p点周围的局部谱Wp B,对局部谱Wp I和Wp B进行自适应截断,保留低列率区域而去除高列率区域,分别得到截断谱<Wp I>T和<Wp B>T;
其中,局部谱的自适应截断为三角形截断,保留左上角低列率谱系数,剔除其它高列率谱系数,其截断长度由p点邻域图像的均匀性自适应决定;
步骤(4):根据步骤(3)得到的截断谱<Wp I>T和<Wp B>T,对比二者的综合范数算子得到p点的原始模糊程度,即p点的局部模糊度量;
其中,综合范数算子包含1范数和∞范数,前者表征全局效应,后者表征局部效应;
步骤(5):对待测图像I所有像素点均求解其局部模糊度量后,得到待测图像I的模糊分布Λ;
步骤(6):增加像素点的邻域尺度,重复步骤(3)~步骤(5),得到待测图像I在大邻域尺度下的模糊分布Λ’;
步骤(7):对步骤(5)和步骤(6)得到的模糊分布Λ和Λ’分别进行二元均值聚类,得到聚类结果C和C’;
步骤(8):对步骤(7)得到的聚类结果C和C’进行二元区域生长,得到生长结果G和G’;
步骤(9):利用多尺度生长结果G’对G进行修正,若对于某像素点G’和G的值不一致,则根据该点周围八邻域中的0元素和1元素的比重来决定该点的值赋为0还是1,最终得到局部模糊区域的提取结果。
上述技术方案中,优选的技术方案可以是,所述步骤(1)中主动模糊所采用的模糊函数为高斯滤波器或均值滤波器。所述步骤(2)中由待测图像I和主动模糊图像B得到列率谱WI和WB的沃尔什变换公式具体为:
其中,2k代表沃尔什变换的阶数,上标T表示矩阵转置。
所述步骤(3)中p点局部谱的自适应截断长度l=αL,α为一个自适应的截断系数:
其中,L为p点的局部谱尺度,Var(■)为方差算子,Round(■)为取整算子,l∈[2,L]。
所述步骤(4)中p点的局部模糊度量λp由下式计算:
其中,‖■‖1表示1范数,‖■‖∞表示∞范数。
所述步骤(5)和步骤(6)中得到的待测图像I的模糊分布Λ和Λ’,其各点的值在0~1之间,越接近1说明该点越模糊,越接近0则说明该点越清晰。
所述步骤(7)中二元均值聚类的步骤如下:
步骤(71):以模糊分布图Λ中<λmax,λmin>分别作为<模糊类,清晰类>的初始聚类中心<Cb,Cs>;
步骤(72):计算每个像素的模糊度量λ与Cb、Cs的距离,根据min{|λ–Cb|,|λ–Cs|}将像素归到距离更近的类;
步骤(73):分别计算模糊类和清晰类的类内平均模糊度量,以之更新聚类中心<C′b,C′s>;
步骤(74):重复步骤(72)~步骤(73),直至损失函数E=∑{|λb-C′b|+|λs-C′s|}≤0.01;
步骤(75):将模糊类像素置1(白)而清晰类像素置0(黑),输出二元均值聚类图C;
所述步骤(8)中二元区域生长的步骤如下:
步骤(81):在二元聚类图C的主连通区域中任选一点为初始种子,且以该点为初始生长区域;
步骤(82):由种子开始沿八邻域向外生长,与种子具有相同像素值的邻域点归入生长区域并成为新种子;
步骤(83):重复步骤(82),直至所有种子的外邻域点无法继续生长;
步骤(84):重复步骤(81)~步骤(83),直至C中所有主连通区域(含黑色清晰域和白色模糊域)均生长完毕;
步骤(85):输出区域生长结果图G。
所述步骤(7)的聚类结果和步骤(8)中的生长结果均为二元图像,像素值为0代表该点清晰,像素值为1代表该点模糊。
所述步骤(9)具体包括以下步骤:
步骤(92):对于任一像素点q,若有d(q)=1,说明该点在不同尺度下提取结果不一致,则依据q点八邻域的主要成分(0或1的比重)重新确定其所属的模糊或清晰是类别,即:
其中,n8←q指代q点的八邻域,r为八邻域像素,x=0和1分别指代模糊与清晰;Ind(G(q)=x)为指示函数,当G(q)=x为真时,Ind为1,否则为0;
步骤(93):对于任一像素点q,若有d(q)=0,则表示G(q)=G’(q),此时有SG(q)=G(q);
步骤(94):综合步骤(91)-(93),模糊区域的最终提取结果SG为:
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下技术特征及有益效果:
(1)本发明基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,针对各种视觉传感装置获取的含有离焦、运动、抖动等模糊形式的数字图像,首先利用主动模糊方法和沃尔什变换将待测图像转换至列率域进行对比解析;并对列率谱的低列率区域进行自适应截断以消除噪声干扰;在此基础上构造并求解各像素点的局部模糊度量,得到待测图像的模糊分布;最终在快速聚类引导下采用多尺度修正生长实现局部模糊区域的提取。
(2)本发明有效兼顾了准确性和实时性,尤其在噪声环境下显示出优越的检测性能和噪声鲁棒性,相比现有方法能够实现至少14%的精度提升和42%的误差降低,有效解决了实际计算机视觉工程中的模糊检测与提取难题。
附图说明
图1为本发明实施例提供的图像局部模糊检测与提取方法流程图;
图2为本发明实施例提供的含局部模糊的待测图像示意图。
图3为本发明实施例提供的列率谱自适应截断方法示意图。
图4为本发明实施例提供的所检测出的模糊分布示意图。
图5为本发明实施例提供的二元聚类结果示意图。
图6为本发明实施例提供的二元生长结果(所提取的局部模糊区域)示意图。
图7为本发明实施例提供的本发明方法提取结果和人工提取结果对比示意图,其中,图7中(a)为本发明方法提取结果的示意图,图7中(b)为人工提取结果的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,现结合具体实施例,并参照附图,对本发明作进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明提出的图像局部模糊检测与提取方法流程图,具体包括如下步骤:
步骤(1):对于图2所示的含局部模糊的待测图像I,进行主动模糊得到主动模糊图像B;
其中,主动模糊所采用的模糊函数为高斯滤波器或均值滤波器。
步骤(2):对待测图像和主动模糊图像分别进行沃尔什变换,分别得到待测图像和主动模糊图像的列率谱WI和WB;
其中,由待测图像I和主动模糊图像B得到列率谱WI和WB的沃尔什变换公式具体为:
其中,2k代表沃尔什变换的阶数,上标T表示矩阵转置。
步骤(3):图3所示,图3为本发明提出的列率谱自适应截断方法示意图。对于任意像素点p,在列率谱WI中取p点周围的局部谱Wp I,在列率谱WB中取p点周围的局部谱Wp B,对局部谱Wp I和Wp B进行自适应的三角形截断,保留低列率区域而去除高列率区域,截断长度l=αL,α为一个自适应的截断系数:
其中,L为p点的局部谱尺度,Var(■)为方差算子,Round(■)为取整算子,l∈[2,L]。通过局部谱Wp I和Wp B进自适应截断,分别得到截断谱<Wp I>T和<Wp B>T;
步骤(4):根据步骤(3)得到的截断谱<Wp I>T和<Wp B>T,对比二者的综合范数算子得到p点的原始模糊程度,即p点的局部模糊度量λp,由下式计算:
其中,综合范数算子包含1范数和∞范数,即‖■‖1表示1范数,‖■‖∞表示∞范数,前者表征全局效应,后者表征局部效应;
步骤(5):对待测图像I所有像素点均求解其局部模糊度量后,得到待测图像I的模糊分布Λ。如图4所示,图4为本发明方法所检测出的模糊分布示意图;
步骤(6):增加像素点的邻域尺度,重复步骤(3)~步骤(5),得到待测图像I在大邻域尺度下的模糊分布Λ’;
其中,步骤(5)和步骤(6)中得到的待测图像I的模糊分布Λ和Λ’,其各点的值在0~1之间,越接近1说明该点越模糊,越接近0则说明该点越清晰;
步骤(7):对步骤(5)和步骤(6)得到的模糊分布Λ和Λ’分别进行二元均值聚类,得到聚类结果C和C’。如图5所示,图5为本发明实施例中二元聚类结果的示意图;
进一步地,所述步骤(7)中二元均值聚类的步骤如下:
步骤(71):以模糊分布图Λ中<λmax,λmin>分别作为<模糊类,清晰类>的初始聚类中心<Cb,Cs>;
步骤(72):计算每个像素的模糊度量λ与Cb、Cs的距离,根据min{|λ–Cb|,|λ–Cs|}将像素归到距离更近的类;
步骤(73):分别计算模糊类和清晰类的类内平均模糊度量,以之更新聚类中心<C′b,C′s>;
步骤(74):重复步骤(72)~步骤(73),直至损失函数E=∑{|λb-C′b|+|λs-C′s|}≤0.01;
步骤(75):将模糊类像素置1(白)而清晰类像素置0(黑),输出二元均值聚类图C;
步骤(8):对步骤(7)得到的聚类结果C和C’进行二元区域生长,得到生长结果G和G’;
进一步地,所述步骤(8)中二元区域生长的步骤如下:
步骤(81):在二元聚类图C的主连通区域中任选一点为初始种子,且以该点为初始生长区域;
步骤(82):由种子开始沿八邻域向外生长,与种子具有相同像素值的邻域点归入生长区域并成为新种子;
步骤(83):重复步骤(82),直至所有种子的外邻域点无法继续生长;
步骤(84):重复步骤(81)~步骤(83),直至C中所有主连通区域(含黑色清晰域和白色模糊域)均生长完毕;
步骤(85):输出区域生长结果图G;
所述步骤(7)输出的聚类结果和步骤(8)输出的生长结果均为二元图像,像素值为0代表该点清晰,像素值为1代表该点模糊。
步骤(9):利用多尺度生长结果G’对G进行修正,若对于某像素点G’和G的值不一致,则根据该点周围八邻域中的0元素和1元素的比重来决定该点的值赋为0还是1,最终得到局部模糊区域的提取结果。如图6所示,图6为本发明实施例中二元生长结果(即所提取的局部模糊区域)的示意图;
进一步地,所述步骤(9)中多尺度修正的步骤如下:
步骤(92):对于任一像素点q,若有d(q)=1,说明该点在不同尺度下提取结果不一致,则依据q点八邻域的主要成分(0或1的比重)重新确定其所属的模糊或清晰是类别,即:
其中,n8←q指代q点的八邻域,r为八邻域像素,x=0和1分别指代模糊与清晰;Ind(G(q)=x)为指示函数,当G(q)=x为真时,Ind为1,否则为0。
步骤(93):对于任一像素点q,若有d(q)=0,则表示G(q)=G’(q),此时有SG(q)=G(q);
步骤(94):综合步骤(91)-步骤(93),模糊区域的最终提取结果SG为:
如图7所示,图7为本发明方法提取结果和人工提取结果对比示意图。
进一步地,本发明方法在公开数据集DUT上进行了更广泛的检测和提取实验,包括无噪声情况和含噪声情况下的实验,并与2015-2020年间公开发表、业内公认一流的JNDB、SSA、LBP、DCT、HiFST、DHDE、BTBCRL等7个模糊检测方法,在相同条件下进行了定量的比较。比较采用四个像素级评估指标:精确率(p)、召回率(r)、F度量(F1)和平均绝对误差(MAE),其定义见表1。其中,R代表被检测为模糊的像素集合,RGT代表真值图像GT中标注为模糊的像素集合,F度量是一个融合精确率与召回率的综合指标,此处采用F1形式以同等强调精确率与召回率。精确率、召回率与F度量的数值越大,或平均绝对误差的数值越小,代表检测分割的准确性越高。
表1算法性能评估指标
不同方法在更多测试图像上的F1和MAE指标如表2所示。对于无噪声情况,本发明方法取得了最高的F1值(0.872)和最低的MAE(0.118),相比第二名提升了2.1%的检测准确性和降低了9.2%的检测误差;而对于有噪声污染的情况,本发明方法同样取得了最高的F1值(0.869)和最低的MAE(0.121),相比第二名提升了14.8%的检测准确性和降低了42.9%的检测误差。
表2本发明方法与其它方法的检测提取性能对比
进一步地,对不同方法的运行时间进行了测试和比较。所有可获取源码的方法与本发明方法均在同一工作站(i7 9700 3.0GHz CPU,16GB RAM)上运行。输入20幅512×512像素的局部离焦图像样本计算出的单幅图像平均运行时间如表3所示。可以看出,本发明方法实现了1.1秒的最快运行时间,且无需长时间、大数据量的监督训练过程和昂贵的GPU硬件。
表3本发明方法与其它方法的时间效率对比
算法 | JNDB | SSA | LBP | DCT | HiFST | DHDE | BTBCRL | 本发明方法 |
时间 | 13.8s | 2.8s | 26.5s | 84.4s | 95.2s | 26.1s | 12s | 1.1s |
以上实验结果证明了本发明方法在高检测精度、高噪声鲁棒性的同时也具备高时间效率,有效解决了图像局部模糊检测与提取这一难题。
以上内容本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
综上所述,本发明提供了一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,它利用沃尔什变换二进制机制的运算快速性和自适应列率谱截断方法的抗噪性,由此克服在实际视觉工程中数字图像的非均匀模糊与噪声混叠带来的检测难题,从而提高图像模糊的检测精度和时间效率。
Claims (10)
1.一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,其特征在于所述方法包括如下工艺步骤:
步骤(1):对待测图像I进行主动模糊得到主动模糊图像B;
步骤(2):对待测图像和主动模糊图像分别进行沃尔什变换,分别得到待测图像和主动模糊图像的列率谱WI和WB;
步骤(3):对于任意像素点p,在列率谱WI中取p点周围的局部谱Wp I,在列率谱WB中取p点周围的局部谱Wp B,对局部谱Wp I和Wp B进行自适应截断,保留低列率区域而去除高列率区域,分别得到截断谱<Wp I>T和<Wp B>T;
其中,局部谱的自适应截断为三角形截断,保留左上角低列率谱系数,剔除其它高列率谱系数,其截断长度由p点邻域图像的均匀性自适应决定;
步骤(4):根据步骤(3)得到的截断谱<Wp I>T和<Wp B>T,对比二者的综合范数算子得到p点的原始模糊程度,即p点的局部模糊度量;
其中,综合范数算子包含1范数和∞范数,前者表征全局效应,后者表征局部效应;
步骤(5):对待测图像I所有像素点均求解其局部模糊度量后,得到待测图像I的模糊分布Λ;
步骤(6):增加像素点的邻域尺度,重复步骤(3)~步骤(5),得到待测图像I在大邻域尺度下的模糊分布Λ’;
步骤(7):对步骤(5)和步骤(6)得到的模糊分布Λ和Λ’分别进行二元均值聚类,得到聚类结果C和C’;
步骤(8):对步骤(7)得到的聚类结果C和C’进行二元区域生长,得到生长结果G和G’;
步骤(9):利用多尺度生长结果G’对G进行修正,若对于某像素点G’和G的值不一致,则根据该点周围八邻域中的0元素和1元素的比重来决定该点的值赋为0还是1,最终得到局部模糊区域的提取结果。
2.根据权利要求1所述的基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,其特征在于,所述步骤(1)中主动模糊所采用的模糊函数为高斯滤波器或均值滤波器。
6.根据权利要求1-3任一项所述的基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,其特征在于,所述步骤(5)和步骤(6)中得到的待测图像I的模糊分布Λ和Λ’,其各点的值在0~1之间,越接近1说明该点越模糊,越接近0则说明该点越清晰。
7.根据权利要求1-3任一项所述的基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,其特征在于,所述步骤(7)中二元均值聚类的步骤如下:
步骤(71):以模糊分布图Λ中<λmax,λmin>分别作为<模糊类,清晰类>的初始聚类中心<Cb,Cs>;
步骤(72):计算每个像素的模糊度量λ与Cb、Cs的距离,根据min{|λ–Cb|,|λ–Cs|}将像素归到距离更近的类;
步骤(73):分别计算模糊类和清晰类的类内平均模糊度量,以之更新聚类中心<C′b,C′s>;
步骤(74):重复步骤(72)~步骤(73),直至损失函数E=∑{|λb-C′b|+|λs-C′s|}≤0.01;
步骤(75):将模糊类像素置1(白)而清晰类像素置0(黑),输出二元均值聚类图C。
8.根据权利要求1-3任一项所述的基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,其特征在于,所述步骤(8)中二元区域生长的步骤如下:
步骤(81):在二元聚类图C的主连通区域中任选一点为初始种子,且以该点为初始生长区域;
步骤(82):由种子开始沿八邻域向外生长,与种子具有相同像素值的邻域点归入生长区域并成为新种子;
步骤(83):重复步骤(82),直至所有种子的外邻域点无法继续生长;
步骤(84):重复步骤(81)~步骤(83),直至C中所有主连通区域(含黑色清晰域和白色模糊域)均生长完毕;
步骤(85):输出区域生长结果图G。
9.根据权利要求1-3任一项所述的基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,其特征在于,所述步骤(7)的聚类结果和步骤(8)中的生长结果均为二元图像,像素值为0代表该点清晰,像素值为1代表该点模糊。
10.根据权利要求1-3任一项所述的基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法,其特征在于,所述步骤(9)具体包括以下步骤:
步骤(92):对于任一像素点q,若有d(q)=1,说明该点在不同尺度下提取结果不一致,则依据q点八邻域的主要成分(0或1的比重)重新确定其所属的模糊或清晰是类别,即:
其中,n8←q指代q点的八邻域,r为八邻域像素,x=0和1分别指代模糊与清晰;Ind(G(q)=x)为指示函数,当G(q)=x为真时,Ind为1,否则为0;
步骤(93):对于任一像素点q,若有d(q)=0,则表示G(q)=G’(q),此时有SG(q)=G(q);
步骤(94):综合步骤(91)-(93),模糊区域的最终提取结果SG为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549937.6A CN112541913B (zh) | 2020-12-24 | 2020-12-24 | 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549937.6A CN112541913B (zh) | 2020-12-24 | 2020-12-24 | 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541913A CN112541913A (zh) | 2021-03-23 |
CN112541913B true CN112541913B (zh) | 2022-04-12 |
Family
ID=75017397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011549937.6A Active CN112541913B (zh) | 2020-12-24 | 2020-12-24 | 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541913B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2840087A1 (fr) * | 2002-05-22 | 2003-11-28 | Centre Nat Etd Spatiales | Depollution d'image numerique bruitee et comprimee |
CN101406041A (zh) * | 2006-05-08 | 2009-04-08 | 三菱电机株式会社 | 减少场景图像模糊的方法和场景图像去模糊方法 |
CN104200214A (zh) * | 2014-08-22 | 2014-12-10 | 中国人民解放军国防科学技术大学 | 使用Walsh变换的功率谱来描述图像局部特征区域的方法 |
CN105847800A (zh) * | 2016-05-18 | 2016-08-10 | 山东大学(威海) | 基于全相位离散正弦双正交变换的图像压缩方法及系统 |
CN107644226A (zh) * | 2017-10-25 | 2018-01-30 | 成都西井科技有限公司 | 有利于图像识别的图像处理方法 |
-
2020
- 2020-12-24 CN CN202011549937.6A patent/CN112541913B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2840087A1 (fr) * | 2002-05-22 | 2003-11-28 | Centre Nat Etd Spatiales | Depollution d'image numerique bruitee et comprimee |
CN101406041A (zh) * | 2006-05-08 | 2009-04-08 | 三菱电机株式会社 | 减少场景图像模糊的方法和场景图像去模糊方法 |
CN104200214A (zh) * | 2014-08-22 | 2014-12-10 | 中国人民解放军国防科学技术大学 | 使用Walsh变换的功率谱来描述图像局部特征区域的方法 |
CN105847800A (zh) * | 2016-05-18 | 2016-08-10 | 山东大学(威海) | 基于全相位离散正弦双正交变换的图像压缩方法及系统 |
CN107644226A (zh) * | 2017-10-25 | 2018-01-30 | 成都西井科技有限公司 | 有利于图像识别的图像处理方法 |
Non-Patent Citations (2)
Title |
---|
"Fast detection and segmentation of partial image blur based on discrete Walsh–Hadamard transform";Xuewei Wang等;《Signal Processing: Image Communication》;20180918;第47-56页 * |
"自然图像的无参考模糊检测与局部模糊区域分割";王雪玮等;《计算机辅助设计与图形学学报》;20171130;第29卷(第11期);第1980-1988页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112541913A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
Vijayalakshmi et al. | A comprehensive survey on image contrast enhancement techniques in spatial domain | |
Ju et al. | Single image dehazing via an improved atmospheric scattering model | |
Lin et al. | Intensity and edge based adaptive unsharp masking filter for color image enhancement | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
Sulaiman et al. | Denoising-based clustering algorithms for segmentation of low level salt-and-pepper noise-corrupted images | |
Khmag et al. | Natural image noise removal using nonlocal means and hidden Markov models in transform domain | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN111127387B (zh) | 无参考图像的质量的评价方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN108765332B (zh) | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 | |
CN110782413B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN110458792B (zh) | 人脸图像质量的评价方法及装置 | |
Bahrami et al. | A novel approach for partial blur detection and segmentation | |
CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
CN114219740A (zh) | 一种融合超像素与窗口偏移的边缘感知引导滤波方法 | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
Pandey et al. | A fast and effective vision enhancement method for single foggy image | |
CN107478656B (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
CN111445435B (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
CN112541913B (zh) | 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 | |
CN114066786A (zh) | 一种基于稀疏和滤波器的红外和可见光图像融合方法 | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 |
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 |