一种频谱和倒谱信息融合的模糊图像检测方法
【专利摘要】该发明公开了一种频谱和倒谱信息融合的模糊图像检测方法，属于图像处理【技术领域】，特别涉及各类模糊图像的检测技术。该方法首先计算图像的能量频谱分布和奇异倒谱值直方图特征，并将上述两特征作为图像的模糊特征；之后，选用支持向量机分类器区分清晰图像和模糊图像特征，利用已采集的带模糊类别标定的图像训练支持向量机分类器的相应参数；最终使用训练好的分类器检测待测试图像是否为模糊图像。上述方法最大的优点在于作为一种非参照模糊图像检测方法，不需要参照图像，因此有非常广泛的应用。同时，由于定义的模糊特征有明确的物理意义，因此能够准确地区分清晰和模糊图像。
【专利说明】一种频谱和倒谱信息融合的模糊图像检测方法
【技术领域】
[0001] 本发明属于图像处理【技术领域】，特别涉及各类模糊图像的检测技术。
【背景技术】
[0002] 图像模糊检测一直是图像处理和计算机视觉的重要研究方向，它是指自动从输入 图像序列中筛除存在模糊图像的过程。该技术在图像处理和计算机视觉领域都有非常广泛 的应用，例如车牌识别、人脸识别、物体识别等问题中，都需要确保输入图像清晰，才能进一 步提取有效的视觉特征进行识别。因此，在各类计算视觉和图像处理问题中，自动去除模糊 图像是最为基础也至关重要的一个步骤。目前的图像模糊检测算法可以分为两个类别：（1) 有参照模糊检测方法和（2)无参照模糊检测方法。
[0003] 有参照模糊检测方法是指通过比较失真图像和参照（清晰）图像来评价失真图像 的模糊程度，该方法是目前为止客观评价图像模糊程度中最可靠的方法。其中，基于均方误 差、峰值信噪比、和归一化最小平方误差等的方法为常见的评价方法。这类方法计算简单， 同时能有效评测失真图像的模糊程度。然而，由于在实际应用中参照图像通常无法得到， 因此该类方法的应用范围非常有限。参见文献"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] 非参照模糊图像检测方法是指不通过与参照（清晰）图像进行对比，直接根据模 糊失真图像的特性定义检测指标，通过指标的数值判断图像是否模糊以及模糊程度。该类 方法与有参照模糊图像检测方法相比，在检测准确性上略显不足。但是，由于该类方法不 需要获取原始参照图像进行对比，应用范围很广。目前大多数研究工作都在针对如何寻找 更有效的模糊检测指标而进行。参见文献"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，'。
【发明内容】
[0005] 本发明的任务是提供一种频谱和倒谱信息融合的图像模糊检测方法。该方法首 先计算图像的能量频谱分布和奇异倒谱值直方图特征，并将上述两特征作为图像的模糊特 征；之后，选用支持向量机分类器区分清晰图像和模糊图像特征，利用已采集的带模糊类别 标定的图像训练支持向量机分类器的相应参数；最终使用训练好的分类器检测待测试图像 是否为模糊图像。上述方法最大的优点在于作为一种非参照模糊图像检测方法，不需要参 照图像，因此有非常广泛的应用。同时，由于定义的模糊特征有明确的物理意义，因此能够 准确地区分清晰和模糊图像。
[0006] 为了方便地描述本
【发明内容】
，首先对一些术语进行定义。
[0007] 定义1 :数字图像。由数组或矩阵表示图像，其光照位置和强度都是离散值。
[0008] 定义2:傅里叶变换。傅里叶变换是一种分析信号成分的方法。在本专利中用到 的二维离散傅里叶变换定义为：
[0009]
【权利要求】
1. 一种频谱和倒谱信息融合的模糊图像检测方法，该方法包括： 步骤1 :任意选取摄像头采集的N+M幅同类数字图像OJSSf*其中N幅训练样本图像， M幅测试样本图像，训练样本图像和测试样本图像中都包含模糊图像和清晰图像（两者比 例接近），ln € 代表第n幅大小为P X Q的图像； 步骤2 :对步骤1中得到的N+M幅数字图像根据其模糊与否进行人工标定，若第 n幅图像4 为模糊图像，则令其对应的标定变量yn = 1,否则yn = -1 ; 步骤3:对于每一幅数字图像匕In(x，y)表示其中任意一像素点的灰度值， (x，y)为该像素点的坐标位置，进行/n e!Tx<?与算子（-l)x+y的相乘运算以保证傅里叶变换 之后的零频部分位于频谱图像的中心，得到e 步骤4 :对每一变换后的图像e 进行二维离散傅里叶变换， ^ -u y 一u
其中Fn(u，V)表示r n的二维离散傅里叶变换，u，V为傅里叶变换后的空间坐标； 步骤5 :计算每一图像e 的能量谱密度分布
车中：
复示第d个频带，YuSd个频带 的起始频率，Yd为第d个频带的截止频率，Nd是位于第d个频带内点的数目； 步骤6 :计算每一图像/" e 的倒谱e mpx<?，
其中代表反傅里叶反变换，|Fn(u，v)|为第n幅图像傅里叶变换Fn(u，v)的模， 倒谱具体表达式为：
步骤7 :计算每一图像对应的奇异倒谱直方图《" = [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 运算符#表示落入第1个区间的倒谱点的数目，Th和^分别是第1个倒谱取值区 间的开始和结束边界。 步骤8 :对于每一图像ln e STxe，定义由能量谱密度分布11" e妒和奇异倒谱直方图 s" eM1*两种特征级联组成的模糊特征J
步骤 9:定义多核函数 k(fm，fn) = 0 k'（hm，hn) + (l-0)k'（sm，sn)，其中 fm，fnR表任意 两幅图像的模糊特征，hm，hn代表上述两幅图像的能量谱密度分布特征，sm，s n代表上述两幅 图像的奇异倒谱直方图特征，k'（?，?）为任意满足Mercer定理的核函数； 步骤10 :选用支持向量机分类器区分清晰和模糊图像，分类器的表达式为：
其中f为测试样本的模糊特征，fn为第n个训练样本的模糊特征，b以及核函 数参数3为分类器参数；参数是满足使得下式取最小值的解，
其中C为支持向量机分类器中控制错分容忍程度的参数，记集合^为an>0的序号，同时 记焉为5中序号的个数，最后得到b为：
在实际的实现过程中一般利用LibSVM工具包实现上述计算； 步骤11 :令步骤7中的参数0取值从0变到1，每次增加0. 1，重复步骤10中的支持 向量机分类器参数训练过程，并利用步骤1中采集的M幅测试样本图像进行得到参数的测 试，M幅测试样本图像对应的模糊特征为
当y(fn)的输出为1时代表模糊图像， 输出为〇时代表清晰图像，如果此输出类别与原始标定一致则表示正确分类； 重复本步骤中的支持向量机分类器训练与测试工作，并记录不同参数0对应的错分 测试样本数目，以得到错分测试样本最少时的参数0b ; 步骤12 :在实际模糊图像辨别过程中，选取步骤11计算得到的参数@、〖％拉=1和13，按 照步骤10的方法来进行图像辨别。
2. 如权利要求1所述的一种频谱和倒谱信息融合的模糊图像检测方法，其特征在于所 述步骤5中当频带数目D -旦确定，的取值也随之确定，D -般为数值小于10的一 个常数。
3. 如权利要求1所述的一种频谱和倒谱信息融合的模糊图像检测方法，其特征在于所 述步骤7中计算奇异倒谱直方图时的倒谱取值区间边界〇：|}f=Q是根据具体的图像类别而确 定，通过观察该类图像中模糊图像的倒谱值范围而确定。
4. 如权利要求1所述的一种频谱和倒谱信息融合的模糊图像检测方法，其特征在于所 述步骤10中在求取支持向量机分类器参数{aJti时涉及到参数C，该参数通过交叉验证的 方法可以得到，在LibSVM工具包中带有该参数的选择功能。
【文档编号】G06K9/66GK104282028SQ201410599217
【公开日】2015年1月14日 申请日期:2014年10月30日 优先权日:2014年10月30日
【发明者】潘力立, 郑亚莉 申请人:电子科技大学