一種結(jié)合圖像顯著性區(qū)域分割的圖像模糊檢測(cè)算法
【專利摘要】本發(fā)明涉及一組新的結(jié)合圖像顯著性區(qū)域分割的圖像模糊判別特征，以及基于該組特征的圖像模糊檢測(cè)算法。它基于圖像全局區(qū)域特征和關(guān)注區(qū)域特征的無參考圖像的模糊估計(jì)；對(duì)于圖像的特征，使用了圖像不同分辨率下梯度跳變和圖像非零二階導(dǎo)數(shù)的絕對(duì)值的均值作為區(qū)別圖像模糊與否的判別特征；對(duì)于圖像的分割，利用顯著性檢測(cè)算法進(jìn)行圖像的分割。本發(fā)明根據(jù)人眼顯著性區(qū)域，利用顯著性檢測(cè)算法進(jìn)行圖像的分割，這種分割更加符合人眼對(duì)于圖像模糊與否的判斷；對(duì)于顯著性檢測(cè)算法的選擇，本發(fā)明選擇了基于二維log-gaborwavelets的顯著性檢測(cè)算法，它更加適用于對(duì)模糊圖像的估計(jì)與檢測(cè)。
【專利說明】一種結(jié)合圖像顯著性區(qū)域分割的圖像模糊檢測(cè)算法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于模式識(shí)別及機(jī)器學(xué)習(xí)領(lǐng)域，具體涉及一組新的結(jié)合圖像顯著性區(qū)域分割的圖像模糊判別特征，以及基于該組特征的圖像模糊檢測(cè)算法。
【背景技術(shù)】
[0002]模糊圖像檢測(cè)是近年來新產(chǎn)生的技術(shù)需求。隨著數(shù)碼相機(jī)等大眾化的成像設(shè)備的普及，在我們身邊出現(xiàn)了越來越多的數(shù)字圖像，普通用戶個(gè)人電子相冊(cè)里的圖像已經(jīng)數(shù)以萬計(jì)，其中很多圖像是存在多種失真的，模糊失真是其中重要的一類。實(shí)際應(yīng)用中，人們期望能夠由計(jì)算機(jī)在大量的圖像庫(kù)中自動(dòng)識(shí)別出模糊圖像，從而去除低質(zhì)量的圖像，提高存儲(chǔ)效率。另一方面，低質(zhì)量圖像識(shí)別在圖像搜索中也具有重要價(jià)值，人們不僅希望搜索引擎能夠檢索到相似圖像，同時(shí)也能夠?qū)①|(zhì)量較高的圖像排序盡可能靠前，從而提高圖像利用效率。
[0003]由于模糊檢測(cè)是在沒有高質(zhì)量圖像可參考條件下，對(duì)圖像模糊程度或者質(zhì)量進(jìn)行判斷，因此，傳統(tǒng)的基于均方誤差(MeanSquareError, MSE)和峰值信噪比(PeakSignaltoNoiseRatio, PSNR)以及基于結(jié)構(gòu)相似度(StructuralSimilarity, SSIM)的圖像質(zhì)量評(píng)價(jià)方法都需要參考原始無失真圖像內(nèi)容，難以應(yīng)用于模糊圖像識(shí)別中。目前的無參考質(zhì)量評(píng)價(jià)雖然能夠一定程度上對(duì)圖像質(zhì)量作出評(píng)測(cè)，但是目前的方法往往是根據(jù)圖像全局或者局部特征，沒有考慮到人對(duì)于內(nèi)容的主觀感受，無參考圖像質(zhì)量評(píng)測(cè)的性能還不能滿足實(shí)際需求，還需要進(jìn)一 步提高。

【發(fā)明內(nèi)容】

[0004]本發(fā)明要解決的技術(shù)問題是建立圖像模糊評(píng)測(cè)的特征集，以此基于該特征集來進(jìn)行模糊圖像的識(shí)別。本發(fā)明提出了一組新的結(jié)合圖像顯著性區(qū)域分割的圖像模糊判別特征和一種基于該組特征的圖像模糊判別算法。
[0005]本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的:
[0006]一種結(jié)合圖像顯著性區(qū)域分割的圖像模糊檢測(cè)算法，基于圖像全局區(qū)域特征和關(guān)注區(qū)域特征的無參考圖像的模糊估計(jì)；對(duì)于圖像的特征，使用了圖像不同分辨率下梯度跳變和圖像非零二階導(dǎo)數(shù)的絕對(duì)值的均值作為區(qū)別圖像模糊與否的判別特征；對(duì)于圖像的分害!]，利用顯著性檢測(cè)算法進(jìn)行圖像的分割。
[0007]本發(fā)明采用了基于二維log-gaborwavelets的saliencymap的分割算法進(jìn)行圖像分割得到圖像的關(guān)注區(qū)域。
[0008]本發(fā)明對(duì)于圖像的特征，提出了基于圖像非零二階導(dǎo)數(shù)的絕對(duì)值的均值的特征；對(duì)于圖像的分割，本發(fā)明根據(jù)人眼顯著性區(qū)域，利用顯著性檢測(cè)算法進(jìn)行圖像的分割，這種分割更加符合人眼對(duì)于圖像模糊與否的判斷；對(duì)于顯著性檢測(cè)算法的選擇，本發(fā)明選擇了基于二維log-gaborwavelets的顯著性檢測(cè)算法,它更加適用于對(duì)模糊圖像的估計(jì)與檢測(cè)?！緦＠綀D】

【附圖說明】
[0009]圖1是模糊圖像退化過程圖:圖1 (I)原始圖，圖1⑵濾波后的模糊圖，圖1 (3)再濾波后的模糊圖；
[0010]圖2是人物圖像和商品圖像:圖2(1)是商品圖像，圖2(2)是人物圖像；
[0011]圖3是以飛機(jī)圖片為例四種算法處理后的結(jié)果:圖3(1)原圖，圖3(2) SR(基于頻譜殘差)，圖3(3)WM(基于二維小波)，圖3(4) FC (頻域法)，圖3 (5) MSS (基于最大對(duì)稱環(huán)繞)；
[0012]圖4是圖片分割示意圖:圖4(1)商品圖分割示意，圖4(2)前景清晰背景模糊類圖分割示意，圖4(3)模糊類圖分割示意，圖4(4).復(fù)雜背景類圖分割示意；
[0013]圖5是圖像非零二階導(dǎo)數(shù)的均值計(jì)算框圖；
[0014]圖6是v_mg、v_g及組合特征的ROC曲線圖；
[0015]圖7是sv_m g、sv_g及組合特征的ROC曲線圖。
【具體實(shí)施方式】
[0016]本發(fā)明涉及一種新的基于人眼顯著性區(qū)域的圖像模糊估計(jì)和一種新的圖像模糊估計(jì)的圖像特征。
[0017]清晰圖像和模糊圖像在某些統(tǒng)計(jì)特性上存在較大差異，我們根據(jù)已有工作基礎(chǔ)，研究了圖像不同尺度下的梯度變化特征和圖像二階統(tǒng)計(jì)特征，并進(jìn)一步考慮到人對(duì)于不同圖像關(guān)注內(nèi)容的不同，建立了能夠有效區(qū)分模糊圖像和清晰圖像的全局特征和局部特征；最后，我們利用這些特征，采用學(xué)習(xí)方式，建立有效的模糊圖像和清晰圖像的分類器。
[0018]對(duì)于圖像特征，我們首先對(duì)清晰圖像和模糊圖像分別進(jìn)行再模糊，然后統(tǒng)計(jì)圖像在不同尺度下的梯度跳變。如圖1所示，我們發(fā)現(xiàn)，清晰圖像與其再模糊后的圖像間的梯度跳變要明顯大于模糊圖像與其再模糊圖像間的梯度跳變，這是因?yàn)槟：龍D像中高頻內(nèi)容較少，經(jīng)過低通濾波再模糊后圖像高頻變化不大，而清晰圖像經(jīng)過低通濾波后損失較多的高頻，反映到梯度上就出現(xiàn)了較為明顯的變化。同時(shí)，結(jié)合實(shí)際觀測(cè)，我們發(fā)現(xiàn)模糊圖像邊緣相對(duì)清晰圖像變化緩慢，該變化過程的速度可以利用圖像的二階導(dǎo)數(shù)反映，如圖1所示。
[0019]基于上述統(tǒng)計(jì)規(guī)律，我們提出圖像模糊評(píng)測(cè)的兩種全局特征:圖像不同尺度下梯度跳變值和圖像非零二階倒數(shù)的絕對(duì)值的均值。計(jì)算過程公式如下，其中F為圖像的亮度
圖，低通濾波器為:hv=丄X [111111111]，hh=transpose(hv )=hv':

9
[0020]Bver = hv*FBHor = hh*F
[0021]D_FVer (i, j) = Abs (F (i, j) -F (i~l, j)) fori = I tom-1, j = Oton-1
[0022]D_FHor(i, j) = Abs (F(i, j)_F(i, j-l))forj = lton-l, i = Otom-1
[0023]D_BVer(i, j) = Abs (BVer(i, j)-BVer(i_l, j))fori = I tom-1, j = Oton-1
[0024]D_BHor(i, j) = Abs(BHor(i, j)-BHor(i, j-l))forj = lton-l, i = Otom-1
[0025]Vver = Max (0, D_FVer(i, j)_D_BVer(i, j))fori = I tom-1, j = lton-l
[0026]VHor = Max (0, D_FHor(i, j)-D_BHor(i, j))fori = I tom-1, j = lton-l
【權(quán)利要求】
1.一種結(jié)合圖像顯著性區(qū)域分割的圖像模糊檢測(cè)算法，基于圖像全局區(qū)域特征和關(guān)注區(qū)域特征的無參考圖像的模糊估計(jì)；對(duì)于圖像的特征，使用了圖像不同分辨率下梯度跳變和圖像非零二階導(dǎo)數(shù)的絕對(duì)值的均值作為區(qū)別圖像模糊與否的判別特征；對(duì)于圖像的分害!]，利用顯著性檢測(cè)算法進(jìn)行圖像的分割。
2.根據(jù)權(quán)利要求1所述的圖像模糊檢測(cè)算法，其特征在于:采用了基于二維log-gaborwavelets的saliencymap的分割算法進(jìn)行圖像分割得到圖像的關(guān)注區(qū)域。
3.根據(jù)權(quán)利要求1所述的圖像模糊檢測(cè)算法，其特征在于:進(jìn)行圖像的模糊檢測(cè)包括: 全局特征: 1)整幅圖像不同分辨率下梯度跳變v_mg，該值模糊圖像較小， 2)整幅圖像非零二階導(dǎo)數(shù)的絕對(duì)值的均值v_g，該值模糊圖像較小； 局部特征: 1)顯著性區(qū)域不同分辨率下梯度跳變sv_mg，值模糊圖像較小， 2)關(guān)注區(qū)域圖像非零二階導(dǎo)數(shù)的絕對(duì)值的均值sv_g，值模糊圖像較??； 將上述幾個(gè)特征進(jìn)行組合，構(gòu)成以下兩組組合特征: 1)整幅圖像不同分辨率下梯度跳變和圖像非零二階導(dǎo)數(shù)的絕對(duì)值的均值，即V_mg和v_g的組合， 2)顯著性區(qū)域不同分辨率下梯度跳變和顯著區(qū)域圖像非零二階導(dǎo)數(shù)的絕對(duì)值的均值，即sv_mg和sv_g的組合。
4.根據(jù)權(quán)利要求1、2或3所述的圖像模糊檢測(cè)算法，其特征在于:采用svm分類器判別圖像模糊與否。
【文檔編號(hào)】G06T7/00GK103955934SQ201410188486
【公開日】2014年7月30日 申請(qǐng)日期:2014年5月6日 優(yōu)先權(quán)日:2014年5月6日
【發(fā)明者】馬思偉, 宋強(qiáng), 張新峰, 熊瑞勤 申請(qǐng)人:北京大學(xué)