雪、大雾等天气，所采集到的图像的清晰度 会受到严重的影响。本实验将验证新算法对该类图像的识别效果。
[0200] 本发明方法所获得的正确匹配对数要多一些。统计数据如表4-4所示。
[0201] 表4-4两种算法对类似雨雾模糊图像的匹配效果
[0203] 表4-4的第一列为SIFT算法的匹配效果，后面的是新算法的匹配效果。可以看 出，使用SIFT算法仅能得到31对正确匹配的点对，而新算法普遍能够获得70个以上的正 确匹配点对，最多达到了 76个。该实验表明，在模糊图像的识别效果上，新算法要明显的优 于SIFT算法。
[0204] 4)模糊图像局部识别
[0205] 生活中，我们有可能仅拥有一幅完整图像的一小部分，而且这一小部分也已经模 糊不清了。对于上面所提到的图像，本发明方法能否对其进行有效的识别呢？本实验将对 此加以验证。待识别的图像只是原来图像的一小部分，同时也受到了一定的模糊。
[0206] 使用本发明方法来对图中所示的两幅图像进行匹配。本实验的统计数据如表4-5 所示。
[0207] 表4-5两种算法对不完整模糊图像的匹配效果
[0209] 同样，表的第一列为SIFT算法的匹配效果，其余的是本发明方法的匹配效果。可 以看出，SIFT算法仅能获得11对正确匹配的点对，本发明方法所获得的正确匹配对数达到 了 22对。本实验能够说明本发明方法对于不完整模糊图像的识别效果要好于SIFT算法。
[0210] 5)低分辨率图像识别
[0211] 图像分辨率是图像中像素密度的度量方法，它用来评价图像中的细节能够被分解 到何种程度并被显示出来。两幅尺寸一样的图像，如果其中一幅图像的像素数目较多，则说 明这幅图像的分辨率较高。图像分辨率能够表示图像细节被正确显示、重现出来后人们所 感受到的清晰的程度。
[0212] 本组实验将验证SIFT算法和本发明方法对于低分辨率图像的识别效果，实验所 用的低分辨率图像通过对原图像进行缩小而获得，。
[0213] 根据对缩小后的图像所进行预处理的不同，本实验可分三种情况：
[0214] 1.对缩小后的图像不做任何预处理。这种情况主要用来进行对比，用以验证预处 理环节在本发明方法中的作用；
[0215] 2.对缩小后的图像采用最近邻插值进行放大；
[0216] 3.对缩小后的图像采用双立方插值进行放大。
[0217] 实验一
[0218] 本实验缩小后的图像不进行任何预处理，直接用于实验匹配。
[0219] 首先使用SIFT算法来进行匹配，SIFT算法和本发明方法对不做任何预处理的低 分辨率图像的识别效果均不理想，主要是匹配的点对过少，上述实验的数据统计如表4-6 所示。
[0220] 表4-6对低分辨率图像不做预处理时两种算法的匹配效果
[0222] 从表中可以看出，两种算法的实验数据一样，但匹配点对数都过少。接下来我们将 对尺寸缩小后的图像通过不同的插值方法进行放大来进一步验证两种算法的匹配效果。
[0223] 实验二
[0224] 本实验将使用最近邻插值方法来将尺寸缩小后的图像放大8倍。采用最近邻插值 放大后的图像，有着明显的锯齿状模糊，首先使用SIFT算法来进行匹配。实验数据统计如 表4-7所示。
[0225] 表4-7两种算法对使用最近邻插值放大后的图像的匹配效果
[0227] 经过最近邻插值放大后，SIFT算法可以获得48对正确匹配点对，而本发明方法可 以获得79对。实验一和实验二对比可以发现，如果不进行任何处理SIFT算法仅能获得3 对正确匹配点对，而本发明方法通过预处理可以获得79对。本实验能够说明，本发明方法 对低分辨率图像的识别效果要明显的优于SIFT算法。
[0228] 实验三
[0229] 本实验使用双立方插值来将尺寸缩小后的图像放大8倍。采用双立方插值放大后 的图像视觉效果要好于最近邻插值放大后的效果，使用SIFT算法将放大后的图像和原清 晰图像匹配。本实验数据统计如表4-8所示。
[0230] 表4-8两种算法对使用双立方插值放大后的图像的匹配效果
[0232] 经过双立方插值放大后，SIFT算法可以获得44对正确匹配点对，而本发明方法可 以获得92对。实验一和实验三对比可以发现，如果不进行任何处理SIFT算法仅能获得3 对正确匹配点对，而经过插值放大后，本发明方法可以获得92对。本实验能够说明，本发明 方法对低分辨率图像的识别效果要明显的优于SIFT算法。同时，实验二和实验三对比可以 发现，采用双立方插值放大后的图像的识别效果要好于采用最近邻插值所放大的图像，这 也说明了预处理环节在本发明方法中的重要作用。
[0233] 本实施例对高斯白噪声和离焦模糊图像进行了分析，将本发明方法应用于常见的 噪声模糊图像识别中。分别对高斯白噪声图像、离焦图像、雨雾图像、模糊图像局部和低分 辨率图像进行了识别实验。通过对比本发明方法和SIFT算法的识别效果，验证了本发明方 法对上述模糊图像识别的有效性。
[0234] 实施例2
[0235] 在导致图像模糊的众多因素当中，光照因素的影响不容忽视。过度曝光或者光线 过暗，都会对图像的清晰度造成重大影响。本实施例将会验证SIFT算法和本发明所述的基 于SIFT算法的模糊图像识别方法对不理想光照条件下所拍摄的图像的识别效果。
[0236] 光照模糊子空间生成
[0237] 识别由光照因素所导致的模糊图像，主要使用了模糊空间中的光照模糊子空间， 光照模糊子空间的生成过程。
[0238] 假设清晰图像为I，则光照模糊图像可通过式获得：
[0239] I2n=F(k2n(I)). (5-1)
[0240] 上述公式中，F(I)代表对原清晰图像I进行直方图均衡化的操作，k2i是一个直方 图均衡化运算系数，用来控制图像明暗程度，等号左边的1 21代表原清晰图像所产生的带有 某种程度的亮度变化的图像，具体操作如下：
[0241]I21=F(k21(I)), (5-2)
[0242] I22= F (k22(I))， (5-3)
[0243] ......
[0244]I2n=F(k2n (I)) ? (5_4)
[0245] 在上述过程中，当k的值从1开始逐渐增大时，就会形成关于清晰图像的一系列亮 度渐增的图像，当k的值从1开始逐渐减小为0时，就会形成关于清晰图像的一系列亮度渐 暗的图像。
[0246] 随着k的减小，图像逐渐变暗，同时，其各色分量所对应的的直方图分布范围逐渐 变小，灰度值较低的像素逐渐增多。
[0247] 经过上述运算，所生成的121、122……I2n合起来便构成了清晰图像I的模糊空间中 的光照模糊子空间。
[0248] 1)过度曝光图像识别
[0249] 过度曝光的图像总体较亮，同时细节信息损失严重。在本实验中，通过对清晰图像 进行相应的灰度运算来生成过度曝光的图像。
[0250] 利用来自于英国牛津大学工程科学系视觉几何研宄组使用的用于进行光照测试 Leuven图集。本组实验将使用SIFT算法和本发明方法对图中的两幅图像进行匹配。本实 验直接对两幅图像进行匹配，首先使用SIFT算法进行匹配。观随着匹配的两幅图像亮度的 接近，匹配效果迅速的提高。当两幅图像匹配效果越来越好时，他们的直方图也越来越相 似。本实验数据统计如表5-1所示：
[0251] 表5-1两种算法对曝光图像的匹配效果
[0253] 表5-1中第一列为SIFT算法匹配结果，其余的是本发明方法的匹配结果。容易看 出，随着模糊空间中模糊图像的曝光度与待识别图像曝光度的接近，匹配效果迅速提升，但 当模糊空间中图像曝光度过大时，匹配效果开始下降。本发明方法最好时可以获得208对 正确的匹配，相对于SIFT算法的23对，足以说明本发明方法对于过度曝光图像识别的优越 性。
[0254] 2)光线过暗图像识别
[0255] -般在光线不足的情况下所拍摄的图像会呈现"黑乎乎"的效果，这种图像很难去 识别。SIFT算法不能够提取出特征点造成的。因此，要想获得较好的识别效果，必须对待识 别的过暗图像进行相应的预处理。
[0256] 在本实验中，需要对其进行增亮处理。在对待识别的过暗图像增亮之后，我们还需 要构建原清晰图像的光照模糊子空间。在进行完上述工作之后，使用本发明方法进行匹配。 本实验数据统计如表5-2所示。
[0257] 表5-2将过暗图像增亮后两种算法的匹配效果
[0258]
[0259] 本实验验证了SIFT算法和本发明方法对过暗图像的识别效果。由于本实验所采 用的待识别图像过暗，整体对比度过低，SIFT算法完全无法识别，而本发明方法由于对过暗 图像进行了有效的预处理，获得了明显的匹配效果。表5-2第一列即为预处理后的图像与 原清晰图像的匹配效果，正确匹配对数达到了 170对，之后，通过构建原清晰图像的模糊空 间，正确匹配的点对进一步增加到了 193对。本实验所采用的图像较为极端，但本发明方 法依然获得了较好的效果。
[0260] 本实施例详细讲解了光照模糊子空间的生成过程。对过度曝光图像和过暗图像进 行了识别实验，通过对比本发明方法和SIFT算法的识别效果，验证了本发明方法对光照模 糊图像识别的有效性。
[0261] 实施例3
[0262] 在图像拍摄过程中，由物体和相机之间存在相对运动而生成的模糊图像被称为运 动模糊图像。运动模糊图像广泛地存在于现实生活中。本实施例应用本发明方法对运动模 糊图像进行识别。
[0263] 1)运动模糊分析
[0264] 在所有的运动模糊当中，匀速直线运动模糊最具普遍意义。在一定条件下，非直线 运动和变速运动都可以看做是由多段的匀速直线运动构成。另外，成像曝光时间一般都非 常短，在这期间，可以将拍摄物体与相机间的运动看做为匀速直线运动。本节将对匀速直线 运动模糊进行详细分析。
[0265] 在相机曝光期间，假设图像f(x，y)在图像平面内进行匀速直线运动。分别令X(l⑴ 和yjt)表示图像在x和y方向上的运动变化量，则生成的图像为：
[0267] 其中T为相机曝光时间，g(x，y)为生成的运动模糊图像。
[0268] 如果图像f(x，y)仅在x方向上进行匀速直线运动，假设在曝光时间T内位移为s， 则图像运动速率为V(l(t) =s/T，则式可变为：
[0270]对式（6-2)进行离散化处理可得到：
[0272] 其中N为图像中物体移动的像素的个数，△t是每个像素对图像模糊所对应的时 间。由式（6-3)可得，运动模糊图像g(x，y)中的每个像素是在曝光时间内经过该像素的 原始图像像素的时间加权叠加，实际上就是原图像对应的像素经过距离延迟之后再进行叠 加。可用式（6-4