本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，特別是涉及一種基于全局估計的影像模糊檢測方法及系統(tǒng)。
背景技術(shù)：
：在光學(xué)相機的曝光時間內(nèi)，如果相機與目標(biāo)場景之間存在相對運動或者場景對焦不準(zhǔn)，就會造成在成像平面內(nèi)一個像點重疊了若干個物點的成像，從而產(chǎn)生運動模糊或失焦模糊，降低了圖像質(zhì)量和信息的準(zhǔn)確獲取。圖像模糊檢測在圖像復(fù)原、圖像質(zhì)量評價、圖像篡改被動認(rèn)證等方面都有重要的應(yīng)用。目前，圖像模糊檢測方法主要有圖像盲復(fù)原和盲模糊函數(shù)(或點擴展函數(shù)，降晰函數(shù))估計方法、基于小波分析的模糊檢測方法、基于梯度分布規(guī)律的圖像模糊檢測方法等。圖像盲復(fù)原和盲模糊函數(shù)(或點擴展函數(shù)，降晰函數(shù))估計方法先估計出模糊函數(shù)，利用該模糊函數(shù)進行模糊判斷。該方法運算量較大，而且如何根據(jù)估計的點擴展函數(shù)進行模糊判決沒有確定的標(biāo)準(zhǔn)?；谛〔ǚ治龅哪：龣z測方法先對圖像進行小波分解，然后判斷圖像中邊緣陡峭類型，利用其檢測圖像是否經(jīng)過模糊，但由于該方法需要在整幅圖像中進行，因而不利于局部或小區(qū)域的模糊檢測。基于梯度分布規(guī)律的圖像模糊檢測方法根據(jù)圖像梯度分布統(tǒng)計規(guī)律對圖像模糊區(qū)域進行檢測，這種方法基于清晰區(qū)域?qū)δ：拿舾行砸笥谀：齾^(qū)域的前提，定義表征經(jīng)過對圖像模糊后的圖像信息變化量來衡量圖像的模糊程度。這種方法雖然能夠檢測出模糊區(qū)域，但這種方法依賴于具體的閾值，模糊檢測結(jié)果較粗糙。另一方面，對于純色區(qū)域，清晰和模糊情況下對模糊的敏感性將無法進行量化衡量，純色區(qū)域?qū)δ：拿舾行跃鶗憩F(xiàn)出很低。因此，本領(lǐng)域亟待準(zhǔn)確性和穩(wěn)定性的技術(shù)方案出現(xiàn)。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供一種基于全局估計的影像模糊檢測方法。通過該方法，可以對存在重疊區(qū)域的影像集合的模糊程度在全局的基礎(chǔ)上進行確定，評斷出影像集合的模糊程度高低，解決基于梯度信息的模糊評斷方法在純色區(qū)域的失效性，提升估計的準(zhǔn)確性和穩(wěn)定性。為了達到上述目的，本發(fā)明基于梯度信息模糊檢測方法，首先通過影像集合的同名點來連接各影像之間的模糊程度關(guān)系，并用矩陣來表達這種模糊程度的關(guān)系，最后求得矩陣對應(yīng)的齊次線性方程組的最優(yōu)解向量，從最優(yōu)解向量中得到影像集合的模糊程度關(guān)系。本發(fā)明提供一種基于全局估計的影像模糊檢測方法，其特征在于，包括以下步驟：步驟1，通過特征點檢測獲取影像集合中任意兩影像間的同名點集合；步驟2，以同名點集合中各同名點為中心截取L×L大小的區(qū)域作為同名點對應(yīng)的同名區(qū)域，從而獲取同名區(qū)域集合，其中L為預(yù)設(shè)的同名區(qū)域邊長；步驟3，對同名區(qū)域集合中相應(yīng)的同名區(qū)域進行拉普拉斯卷積，并計算卷積后的同名區(qū)域?qū)?yīng)的方差；步驟4，求得兩影像所有同名區(qū)域?qū)?yīng)方差的均值，并以均值的比值確定影像之間模糊程度關(guān)系的表達；步驟5，構(gòu)建齊次線性方程組Ax＝0，并通過奇異值分解求得方程組最優(yōu)解，其中，A為影像之間模糊關(guān)系表達構(gòu)成的方形矩陣，齊次線性方程組的未知數(shù)向量x表示對應(yīng)影像的模糊程度；步驟6，利用最優(yōu)解確定影像集合的模糊程度大小順序。而且，所述步驟1中，特征點的檢測通過尺度不變特征轉(zhuǎn)換方法實現(xiàn)。而且，所述步驟1中，特征點的檢測結(jié)果通過Forstner算子實現(xiàn)描述特征。而且，所述步驟3的實現(xiàn)方式如下，對同名區(qū)域進行拉普拉斯卷積，卷積公式為，DstRoi=SrcRoi⊗Laplace---(1)]]>其中，DstRoi為拉普拉斯卷積后得到的同名區(qū)域，SrcRoi為原始同名區(qū)域，表示卷積，Laplace為拉普拉斯卷積核；然后計算同名區(qū)域?qū)?yīng)的方差Variance，方差計算公式為，Variance=(p1-M)2+(p2-M)2+(p3-M)2+.......(pnum-M)2num---(2)]]>其中，M為集合影像灰度的平均值，pt為某同名區(qū)域的像素灰度值，其中t＝1,2,3...,num，num為同名區(qū)域中像素值的數(shù)目。本發(fā)明還提供一種基于全局估計的影像模糊檢測系統(tǒng)，包括以下模塊，同名點集合模塊，用于通過特征點檢測獲取影像集合中任意兩影像間的同名點集合；同名區(qū)域集合模塊，用于根據(jù)同名點集合中各同名點為中心截取L×L大小的區(qū)域作為同名點對應(yīng)的同名區(qū)域，從而獲取同名區(qū)域集合，其中L為預(yù)設(shè)的同名區(qū)域邊長；同名區(qū)域方差提取模塊，用于對同名區(qū)域集合中相應(yīng)的同名區(qū)域進行拉普拉斯卷積，并計算卷積后的同名區(qū)域?qū)?yīng)的方差；模糊程度關(guān)系表達模塊，用于求得兩影像所有同名區(qū)域?qū)?yīng)方差的均值，并以均值的比值確定影像之間模糊程度關(guān)系的表達；模糊程度提取模塊，用于構(gòu)建齊次線性方程組Ax＝0，并通過奇異值分解求得方程組最優(yōu)解，其中，A為影像之間模糊關(guān)系表達構(gòu)成的方形矩陣，齊次線性方程組的未知數(shù)向量x表示對應(yīng)影像的模糊程度；影像模糊程度確定模塊，用于利用最優(yōu)解確定影像集合的模糊程度大小順序。而且，所述特征點的檢測通過尺度不變特征轉(zhuǎn)換方法實現(xiàn)。而且，所述步驟1中，特征點的檢測結(jié)果通過Forstner算子實現(xiàn)描述特征。而且，所述對同名區(qū)域集合中相應(yīng)的同名區(qū)域進行拉普拉斯卷積，并計算卷積后的同名區(qū)域?qū)?yīng)的方差，實現(xiàn)方式如下，對同名區(qū)域進行拉普拉斯卷積，卷積公式為，DstRoi=SrcRoi⊗Laplace---(1)]]>其中，DstRoi為拉普拉斯卷積后得到的同名區(qū)域，SrcRoi為原始同名區(qū)域，表示卷積，Laplace為拉普拉斯卷積核；然后計算同名區(qū)域?qū)?yīng)的方差Variance，方差計算公式為，Variance=(p1-M)2+(p2-M)2+(p3-M)2+......·(pnum-M)2num---(2)]]>其中，M為集合影像灰度的平均值，pt為某同名區(qū)域的像素灰度值，其中t＝1,2,3...,num，num為同名區(qū)域中像素值的數(shù)目。本發(fā)明利用影像集合的同名點得到同名區(qū)域，對同名區(qū)域進行拉普拉斯卷積，定義區(qū)域方差為影像模糊程度的表征量。并將影像模糊程度的關(guān)系改寫成矩陣的形式，進一步將這種關(guān)系轉(zhuǎn)化為齊次線性方程組，利用SVD分解求得齊次線性方程組的最優(yōu)解，從而對影像的模糊程度進行了準(zhǔn)確的評判，穩(wěn)定度和準(zhǔn)確度都有很大的提高。避免了圖像盲復(fù)原和盲模糊函數(shù)(或點擴展函數(shù)，降晰函數(shù))運算量較大，沒有明確的模糊判決標(biāo)準(zhǔn)的缺陷。同時，解決了基于梯度分布規(guī)律的圖像模糊檢測方法需要具體的閾值設(shè)置，且對純色區(qū)域的模糊檢測失效問題。本發(fā)明與現(xiàn)有技術(shù)相比，具有以下顯著效果：1.本發(fā)明利用影像集合的同名點得到同名區(qū)域，利用同名區(qū)域來對影像之間的模糊程度進行衡量。從而避免了從單張影像衡量影像模糊程度的不確定性，使得得到的模糊程度結(jié)果更加可靠，更加準(zhǔn)確；2.在求解影像模糊程度關(guān)系時，將影像集合的模糊程度關(guān)系轉(zhuǎn)化為齊次方程組的形式，求得齊次方程組的最優(yōu)解，從而進一步加強了結(jié)果的可信度。附圖說明圖1為本發(fā)明實施例中影像集合以及同名點示意圖。圖2為本發(fā)明實施例中由影像同名點得到同名區(qū)域示意圖。圖3為本發(fā)明實施例中對同名區(qū)域進行Laplace卷積并計算方差得到Variance示意圖。圖4為本發(fā)明實施例中基于全局估計的影像模糊檢測方法流程圖。具體實施方式本發(fā)明是基于全局估計的影像模糊檢測方法，首先通過特征點檢測得到影像集合中兩兩影像之間的同名點集合，進而得到同名區(qū)域，對同名區(qū)域做Laplace卷積后計算同名區(qū)域的方差，取兩幅影像中所有同名區(qū)域方差的均值作為影像集合的表征量。用比值的形式反應(yīng)兩兩影像之間的模糊程度關(guān)系，并將這種關(guān)系改寫成矩陣的形式，進一步轉(zhuǎn)換為齊次線性方程組。對齊次線性方程組的系數(shù)矩陣進行SVD分解，求得齊次線性方程組的最優(yōu)解，最優(yōu)解結(jié)合影像集合即可得到影像集合的模糊程度大小的順序。下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案作進一步說明。如圖4所示，本發(fā)明實施例的流程包括以下步驟：步驟1、獲取影像同名點集合對重疊區(qū)域的影像集合(I1,I2,I3..................In)進行特征點檢測，通過特征點檢測得到兩兩影像之間的同名點，設(shè)PointIi(x,y)和PointIj(l,k)為影像Ii和Ij之間的同名點對，(x,y)和(l,k)為同名點在相應(yīng)影像中的坐標(biāo)；影像Ii和Ij之間的同名點集合分別記為{PointIi(x,y)}和{PointIj(l,k)}(其中i,j＝1,2,3........n)。如圖1所示，影像集合中有影像Image1、Image2、Image3…兩幅影像之間可能存在多組同名點，圖1中給出兩組示例點：P1為Image1上檢測得到的特征點，在Image2上對應(yīng)Image1影像上P1的同名點為P1'，則P1和P1'分別為影像Image1和Image2的一組同名點，P2和P2'分別為Image2和Image3對應(yīng)的一組同名點。特征點檢測所用的方法主要有尺度不變特征轉(zhuǎn)換(Scale-invariantfeaturetransform，SIFT)和Forstner特征點檢測方法等，本實施例利用這兩種特征點檢測方法檢測和描述特征，可以檢測出兩兩影像中的多組同名點。具體特征點檢測方法實現(xiàn)為現(xiàn)有技術(shù)，本發(fā)明不予贅述。步驟2、獲取同名區(qū)域集合根據(jù)特征點檢測得到的同名點集合后，分別在影像Ii和Ij上以各同名點PointIi(x,y)和相應(yīng)PointIj(l,k)為中心截取L×L(具體實施時，本領(lǐng)域技術(shù)人員可預(yù)設(shè)尺寸取值，如實施例優(yōu)選采用3x3)大小的同名區(qū)域，得到同名區(qū)域集合{SrcRoiIi}和{SrcRoiIj}，SrcRoiIi表示同名點PointIi(x,y)為中心的同名區(qū)域，SrcRoiIj表示同名點PointIj(l,k)為中心的同名區(qū)域。如圖2所示，Point為影像Image上的一個同名點，Roi是以這個同名點為中心取L×L大小的正方形區(qū)域作為同名區(qū)域。步驟3、對同名區(qū)域進行卷積并計算方差對得到的同名區(qū)域集合中各相應(yīng)同名區(qū)域SrcRoiIi和SrcRoiIj分別作Laplace卷積，卷積公式為：DstRoi=SrcRoi⊗Laplace---(1)]]>其中，DstRoi為拉普拉斯卷積后得到的同名區(qū)域，SrcRoi為原始同名區(qū)域，表示卷積，Laplace為拉普拉斯卷積核。具體實施時，本領(lǐng)域技術(shù)人員可根據(jù)實際情況選取拉普拉斯卷積核，本實施例取卷積核為3x3的Laplace核，即由公式(1)的計算分別得到卷積后的各同名區(qū)域DstRoiIi和DstRoiIj，然后計算DstRoiIi和DstRoiIj對應(yīng)的方差VarianceIi和VarianceIj，其中方差的計算公式為：Variance=(p1-M)2+(p2-M)2+(p3-M)2+.......(pnum-M)2num---(2)]]>其中，M為集合影像灰度的平均值，pt為某同名區(qū)域的像素灰度值(其中t＝1,2,3...,num，num為同名區(qū)域中像素值的數(shù)目)。如圖3所示，對同名區(qū)域Roi進行Laplace卷積并計算方差后得到Variance的示意圖。步驟4、確定影像之間模糊程度關(guān)系的表達如果兩幅影像存在多個同名點，取所有同名區(qū)域方差的均值和作為影像模糊程度的表征量。取兩幅影像同名區(qū)域?qū)?yīng)方差的均值和的比值作為影像之間模糊程度的關(guān)系，即并將影像集合中的所有影像之間的模糊關(guān)系表達成矩陣A的形式，令A(yù)=VarianceI1,1-nVarianceI2,1......VarianceIn-1,1VarianceIn,1VarianceI1,2VarianceI2,2-n......VarianceIn-1,2VarianceIn,2...............................................................VarianceI1,n-1VarianceI2,n-1.........VarianceIn-1,n-1-nVarianceIn,n-1VarianceI1,nVarianceI2,n.........VarianceIn-1,nVarianceIn,n-n]]>步驟5、構(gòu)建齊次線性方程組，通過SVD求方程組最優(yōu)解構(gòu)建齊次線性方程組Ax＝0，其中齊次線性方程組的未知數(shù)向量x＝(x1,x2,x3............xn-1,xn)T表示對應(yīng)影像的模糊程度；對矩陣A作奇異值分解(SingularValueDecomposition，SVD)，得到A的最小特征值λmin對應(yīng)的特征向量μ＝(μ1,μ2，μ2............μn-1,μn)T，即為Ax＝0的最優(yōu)解，其中特征向量中的元素值μi對應(yīng)影像Ii(i＝1,2,3......n)。步驟6、確定影像集合的模糊程度大小順序因為對圖像做Laplace卷積，越清晰的圖像對模糊越敏感，而模糊圖像對模糊的敏感程度越遲鈍?；谶@個前提，結(jié)合Ax＝0的最優(yōu)解和影像集合即可以得到影像結(jié)合的模糊程度大小關(guān)系。最優(yōu)解中絕對值最小的值對應(yīng)的影像即為最模糊影像，最優(yōu)解中絕對值最大的值對應(yīng)的影像即為最清晰影像，也就是說μi對應(yīng)的影像按|μi|從大到小的順序即為影像集合的模糊程度高低順序。由此可以評判出集合|μ|＝{(|μ1|,|μ2|,|μ3|............|μn-1|,|μn|)}中最小值|μmin|相應(yīng)的影像為最模糊影像，|μ|＝{(|μ1|,|μ2|,|μ3|............|μn-1|,|μn|)}中最大值|μmax|相應(yīng)的影像為最清晰影像。具體實施時，本發(fā)明所提供方法可基于軟件技術(shù)實現(xiàn)自動運行流程，也可采用模塊化方式實現(xiàn)相應(yīng)系統(tǒng)。本發(fā)明實施例還提供一種基于全局估計的影像模糊檢測系統(tǒng)，包括以下模塊，同名點集合模塊，用于通過特征點檢測獲取影像集合中任意兩影像間的同名點集合；同名區(qū)域集合模塊，用于根據(jù)同名點集合中各同名點為中心截取L×L大小的區(qū)域作為同名點對應(yīng)的同名區(qū)域，從而獲取同名區(qū)域集合，其中L為預(yù)設(shè)的同名區(qū)域邊長；同名區(qū)域方差提取模塊，用于對同名區(qū)域集合中相應(yīng)的同名區(qū)域進行拉普拉斯卷積，并計算卷積后的同名區(qū)域?qū)?yīng)的方差；模糊程度關(guān)系表達模塊，用于求得兩影像所有同名區(qū)域?qū)?yīng)方差的均值，并以均值的比值確定影像之間模糊程度關(guān)系的表達；模糊程度提取模塊，用于構(gòu)建齊次線性方程組Ax＝0，并通過奇異值分解求得方程組最優(yōu)解，其中，A為影像之間模糊關(guān)系表達構(gòu)成的方形矩陣，齊次線性方程組的未知數(shù)向量x表示對應(yīng)影像的模糊程度；影像模糊程度確定模塊，用于利用最優(yōu)解確定影像集合的模糊程度大小順序。各模塊具體實現(xiàn)和各步驟相應(yīng)，本發(fā)明不予贅述。本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬
技術(shù)領(lǐng)域：
的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。當(dāng)前第1頁1 2 3