一種頻譜和倒譜信息融合的模糊圖像檢測方法
【專利摘要】該發(fā)明公開了一種頻譜和倒譜信息融合的模糊圖像檢測方法，屬于圖像處理【技術(shù)領(lǐng)域】，特別涉及各類模糊圖像的檢測技術(shù)。該方法首先計算圖像的能量頻譜分布和奇異倒譜值直方圖特征，并將上述兩特征作為圖像的模糊特征；之后，選用支持向量機(jī)分類器區(qū)分清晰圖像和模糊圖像特征，利用已采集的帶模糊類別標(biāo)定的圖像訓(xùn)練支持向量機(jī)分類器的相應(yīng)參數(shù)；最終使用訓(xùn)練好的分類器檢測待測試圖像是否為模糊圖像。上述方法最大的優(yōu)點在于作為一種非參照模糊圖像檢測方法，不需要參照圖像，因此有非常廣泛的應(yīng)用。同時，由于定義的模糊特征有明確的物理意義，因此能夠準(zhǔn)確地區(qū)分清晰和模糊圖像。
【專利說明】一種頻譜和倒譜信息融合的模糊圖像檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，特別涉及各類模糊圖像的檢測技術(shù)。

【背景技術(shù)】
[0002] 圖像模糊檢測一直是圖像處理和計算機(jī)視覺的重要研究方向，它是指自動從輸入 圖像序列中篩除存在模糊圖像的過程。該技術(shù)在圖像處理和計算機(jī)視覺領(lǐng)域都有非常廣泛 的應(yīng)用，例如車牌識別、人臉識別、物體識別等問題中，都需要確保輸入圖像清晰，才能進(jìn)一 步提取有效的視覺特征進(jìn)行識別。因此，在各類計算視覺和圖像處理問題中，自動去除模糊 圖像是最為基礎(chǔ)也至關(guān)重要的一個步驟。目前的圖像模糊檢測算法可以分為兩個類別：（1) 有參照模糊檢測方法和（2)無參照模糊檢測方法。
[0003] 有參照模糊檢測方法是指通過比較失真圖像和參照（清晰）圖像來評價失真圖像 的模糊程度，該方法是目前為止客觀評價圖像模糊程度中最可靠的方法。其中，基于均方誤 差、峰值信噪比、和歸一化最小平方誤差等的方法為常見的評價方法。這類方法計算簡單， 同時能有效評測失真圖像的模糊程度。然而，由于在實際應(yīng)用中參照圖像通常無法得到， 因此該類方法的應(yīng)用范圍非常有限。參見文獻(xiàn)"Rony Ferzli and Lina J.Karam, Human Visual System Based N〇-Reference Objectivelmage Sharpness Metric,2006IEEE International Conference on Image Processing，pp. 2949-2952"。
[0004] 非參照模糊圖像檢測方法是指不通過與參照（清晰）圖像進(jìn)行對比，直接根據(jù)模 糊失真圖像的特性定義檢測指標(biāo)，通過指標(biāo)的數(shù)值判斷圖像是否模糊以及模糊程度。該類 方法與有參照模糊圖像檢測方法相比，在檢測準(zhǔn)確性上略顯不足。但是，由于該類方法不 需要獲取原始參照圖像進(jìn)行對比，應(yīng)用范圍很廣。目前大多數(shù)研究工作都在針對如何尋找 更有效的模糊檢測指標(biāo)而進(jìn)行。參見文獻(xiàn)"Pina Marziliano, Frederic Dufaux, Stefan Winkler and Touradj Ebrahimi, A No-Reference Perceptual Blur Metric, 2002IEEE International Conference on Image Processing, Vol. 3, pp. 57-60，'。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的任務(wù)是提供一種頻譜和倒譜信息融合的圖像模糊檢測方法。該方法首 先計算圖像的能量頻譜分布和奇異倒譜值直方圖特征，并將上述兩特征作為圖像的模糊特 征；之后，選用支持向量機(jī)分類器區(qū)分清晰圖像和模糊圖像特征，利用已采集的帶模糊類別 標(biāo)定的圖像訓(xùn)練支持向量機(jī)分類器的相應(yīng)參數(shù)；最終使用訓(xùn)練好的分類器檢測待測試圖像 是否為模糊圖像。上述方法最大的優(yōu)點在于作為一種非參照模糊圖像檢測方法，不需要參 照圖像，因此有非常廣泛的應(yīng)用。同時，由于定義的模糊特征有明確的物理意義，因此能夠 準(zhǔn)確地區(qū)分清晰和模糊圖像。
[0006] 為了方便地描述本
【發(fā)明內(nèi)容】
，首先對一些術(shù)語進(jìn)行定義。
[0007] 定義1 :數(shù)字圖像。由數(shù)組或矩陣表示圖像，其光照位置和強(qiáng)度都是離散值。
[0008] 定義2:傅里葉變換。傅里葉變換是一種分析信號成分的方法。在本專利中用到 的二維離散傅里葉變換定義為：
[0009]

【權(quán)利要求】
1. 一種頻譜和倒譜信息融合的模糊圖像檢測方法，該方法包括： 步驟1 :任意選取攝像頭采集的N+M幅同類數(shù)字圖像OJSSf*其中N幅訓(xùn)練樣本圖像， M幅測試樣本圖像，訓(xùn)練樣本圖像和測試樣本圖像中都包含模糊圖像和清晰圖像（兩者比 例接近），ln € 代表第n幅大小為P X Q的圖像； 步驟2 :對步驟1中得到的N+M幅數(shù)字圖像根據(jù)其模糊與否進(jìn)行人工標(biāo)定，若第 n幅圖像4 為模糊圖像，則令其對應(yīng)的標(biāo)定變量yn = 1,否則yn = -1 ; 步驟3:對于每一幅數(shù)字圖像匕In(x，y)表示其中任意一像素點的灰度值， (x，y)為該像素點的坐標(biāo)位置，進(jìn)行/n e!Tx<?與算子（-l)x+y的相乘運算以保證傅里葉變換 之后的零頻部分位于頻譜圖像的中心，得到e 步驟4 :對每一變換后的圖像e 進(jìn)行二維離散傅里葉變換， ^ -u y 一u
其中Fn(u，V)表示r n的二維離散傅里葉變換，u，V為傅里葉變換后的空間坐標(biāo)； 步驟5 :計算每一圖像e 的能量譜密度分布
車中：
復(fù)示第d個頻帶，YuSd個頻帶 的起始頻率，Yd為第d個頻帶的截止頻率，Nd是位于第d個頻帶內(nèi)點的數(shù)目； 步驟6 :計算每一圖像/" e 的倒譜e mpx<?，
其中代表反傅里葉反變換，|Fn(u，v)|為第n幅圖像傅里葉變換Fn(u，v)的模， 倒譜具體表達(dá)式為：
步驟7 :計算每一圖像對應(yīng)的奇異倒譜直方圖《" = [sn:L,sn2,",,snJT eflL, snl = # {Cn (x, y) I Cn (x, y)〈0，T H 彡 cn (x, y)彡 T J，1 = 1，2...，L 運算符#表示落入第1個區(qū)間的倒譜點的數(shù)目，Th和^分別是第1個倒譜取值區(qū) 間的開始和結(jié)束邊界。 步驟8 :對于每一圖像ln e STxe，定義由能量譜密度分布11" e妒和奇異倒譜直方圖 s" eM1*兩種特征級聯(lián)組成的模糊特征J
步驟 9:定義多核函數(shù) k(fm，fn) = 0 k'（hm，hn) + (l-0)k'（sm，sn)，其中 fm，fnR表任意 兩幅圖像的模糊特征，hm，hn代表上述兩幅圖像的能量譜密度分布特征，sm，s n代表上述兩幅 圖像的奇異倒譜直方圖特征，k'（?，?）為任意滿足Mercer定理的核函數(shù)； 步驟10 :選用支持向量機(jī)分類器區(qū)分清晰和模糊圖像，分類器的表達(dá)式為：
其中f為測試樣本的模糊特征，fn為第n個訓(xùn)練樣本的模糊特征，b以及核函 數(shù)參數(shù)3為分類器參數(shù)；參數(shù)是滿足使得下式取最小值的解，
其中C為支持向量機(jī)分類器中控制錯分容忍程度的參數(shù)，記集合^為an>0的序號，同時 記焉為5中序號的個數(shù)，最后得到b為：
在實際的實現(xiàn)過程中一般利用LibSVM工具包實現(xiàn)上述計算； 步驟11 :令步驟7中的參數(shù)0取值從0變到1，每次增加0. 1，重復(fù)步驟10中的支持 向量機(jī)分類器參數(shù)訓(xùn)練過程，并利用步驟1中采集的M幅測試樣本圖像進(jìn)行得到參數(shù)的測 試，M幅測試樣本圖像對應(yīng)的模糊特征為
當(dāng)y(fn)的輸出為1時代表模糊圖像， 輸出為〇時代表清晰圖像，如果此輸出類別與原始標(biāo)定一致則表示正確分類； 重復(fù)本步驟中的支持向量機(jī)分類器訓(xùn)練與測試工作，并記錄不同參數(shù)0對應(yīng)的錯分 測試樣本數(shù)目，以得到錯分測試樣本最少時的參數(shù)0b ; 步驟12 :在實際模糊圖像辨別過程中，選取步驟11計算得到的參數(shù)@、〖％拉=1和13，按 照步驟10的方法來進(jìn)行圖像辨別。
2. 如權(quán)利要求1所述的一種頻譜和倒譜信息融合的模糊圖像檢測方法，其特征在于所 述步驟5中當(dāng)頻帶數(shù)目D -旦確定，的取值也隨之確定，D -般為數(shù)值小于10的一 個常數(shù)。
3. 如權(quán)利要求1所述的一種頻譜和倒譜信息融合的模糊圖像檢測方法，其特征在于所 述步驟7中計算奇異倒譜直方圖時的倒譜取值區(qū)間邊界〇：|}f=Q是根據(jù)具體的圖像類別而確 定，通過觀察該類圖像中模糊圖像的倒譜值范圍而確定。
4. 如權(quán)利要求1所述的一種頻譜和倒譜信息融合的模糊圖像檢測方法，其特征在于所 述步驟10中在求取支持向量機(jī)分類器參數(shù){aJti時涉及到參數(shù)C，該參數(shù)通過交叉驗證的 方法可以得到，在LibSVM工具包中帶有該參數(shù)的選擇功能。
【文檔編號】G06K9/66GK104282028SQ201410599217
【公開日】2015年1月14日 申請日期:2014年10月30日 優(yōu)先權(quán)日:2014年10月30日
【發(fā)明者】潘力立, 鄭亞莉 申請人:電子科技大學(xué)