一種基于圖像盲去模糊的視頻圖像模糊度檢測方法
【專利摘要】本發明公開了一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，具體如下：(1)首先，將一幀模糊視頻圖像經過盲去模糊1方法，得到清晰圖像f1。(2)然后將清晰圖像f1進行顯著性檢測并得到顯著圖。(3)再將顯著圖進行連通域分割，然后進行連通域標記，在輸入模糊圖像中標記出與清晰圖像的連通域相對應的區域。(4)利用結構相似性指標計算模糊圖像與清晰圖像各個相應連通區域的結構相似度值，計算加權平均值得到S1。(5)將輸入模糊圖像經過盲去模糊2方法，得到清晰圖像f2。(6)重復步驟(2)到(4)，得到S2。(7)對S1和S2賦予不同的權重，最后得到輸入圖像的模糊度：Mblur＝ω1S1+ω2S2。本發明使模糊度檢測更加準確。
【專利說明】
一種基于圖像盲去模糊的視頻圖像模糊度檢測方法
技術領域
[0001] 本發明涉及數字圖像處理技術領域，特別是一種基于圖像盲去模糊的視頻圖像模 糊度檢測方法。
【背景技術】
[0002] 模糊度是圖像質量的一個重要的衡量指標，圖像的模糊度評價是圖像質量評價領 域的重要研究課題。不少已有的模糊度評價方法建立在待評價圖像自身的結構特點上，比 如邊緣信息、紋理特征等，這類方法局限于比較相同內容圖像的模糊度，也有一些可以用于 評價不同內容圖像模糊度的方法，但復雜性較高，實時性較差。全參考圖像模糊度評價方法 中難以獲得未失真圖像，單一盲去模糊算法準確度不高。
【發明內容】
[0003] 本發明所要解決的技術問題是克服現有技術的不足而提供一種基于圖像盲去模 糊的視頻圖像模糊度檢測方法，本發明結合兩種針對不同模糊類型的盲去模糊算法，并分 別賦予不同權重，最終使模糊度檢測更加準確，可以較好的針對不同類型模糊圖像自適應 檢測模糊度。
[0004] 本發明為解決上述技術問題采用以下技術方案：
[0005] 根據本發明提出的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，包括以下 步驟：
[0006] 步驟一、輸入一幀模糊視頻圖像，進行兩種不同類型的圖像盲去模糊，分別得到清 晰圖像fl、f2;
[0007] 步驟二、將清晰圖像分別進行顯著性檢測得到顯著圖，將顯著圖進行連通域 分割，并在清晰圖像fi、f2中標記出每個連通區域位置；
[0008] 步驟三、將輸入的模糊視頻圖像與清晰圖像心、5中連通區域相同位置標記出來；
[0009] 步驟四、分別計算輸入的模糊視頻圖像與清晰圖像心、&相對應的連通區域的結構 相似性值SSIMi、SS頂其中，i為整數且l<i<N，N為輸入圖像經第一種類型的圖像盲去模 糊方法最終得到的連通區域個數，j為整數且為輸入圖像經第二種類型的圖像盲 去模糊方法最終得到的連通區域個數；
[0010]步驟五、計算出所有區域的SSIMi的加權平均值Sl、SSIMj的加權平均值S2，
并對S1與S2賦予不同的權重作為輸入模糊圖像的模糊 度。
[0011] 作為本發明所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法進一步優 化方案，所述步驟一中第一種類型的圖像盲去模糊具體如下：
[0012] (1)、首先運用基于L1/L2稀疏先驗的圖像去模糊模型及其算法進行盲模糊核估 計；
[0013] (2)、得到盲模糊核后利用快速非盲去模糊算法進行去模糊，得到清晰圖像f\。
[0014] 作為本發明所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法進一步優 化方案，所述步驟一中第二種類型的圖像盲去模糊具體如下：
[0015] (1 )、首先運用快速盲去運動模糊算法估計模糊核；
[0016] (2)、再利用基于超拉普拉斯先驗的圖像非盲去模糊方法，得到清晰圖像f2。
[0017] 作為本發明所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法進一步優 化方案，所述的盲模糊核估計進一步包括：
[0018] (1 )、對輸入模糊視頻圖像X進行求導，得到高頻圖像y;
[0019] (2)、利用基于L1/L2正則表達式稀疏先驗約束的盲去模糊模型更新f1:
[0021]其中，k為待估計的盲模糊核，k= [ki，k2···]，ki為盲模糊核k的分量，ki彡0, Eiki = 1，<^均為非負數，杌是心的導數，丨|17/1||1/|丨!7/1丨| 2是叮1的1范數與2范數的比值；
[0022]利用交替投影迭代算法更新，即優化：
[0024] (3)、利用無約束迭代重賦權值最小二乘方法更新盲模糊核，即優化：
[0026] 作為本發明所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法進一步優 化方案，所述的模糊核估計進一步包括：
[0027] (1)、首先利用雙邊濾波器去除圖像中的噪聲；
[0028] (2)、再采用沖擊濾波器對圖像進行邊緣增強，利用有用的邊緣信息估計模糊核。
[0029] 作為本發明所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法進一步優 化方案，所述的顯著性檢測方法采用GBVS算法得到顯著圖；所述的連通域分割算法采用8鄰 域分割算法，然后，將分割得到的二值化連通域圖與得到的清晰圖像進行卷積得到連通區 域圖，最后在輸入模糊視頻圖像中標注出與該連通區域圖對應的區域位置。
[0030] 作為本發明所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法進一步優 化方案，所述輸入模糊圖像的模糊度Mbiur為:Mbi ur= ω說+ω 2s2，ω ^ ω 2為不同的權重。
[0031] 本發明采用以上技術方案與現有技術相比，具有以下技術效果:本發明結合兩種 針對不同模糊類型的盲去模糊算法，并分別賦予不同權重，最終使模糊度檢測更加準確，可 以較好的針對不同類型模糊圖像自適應檢測模糊度。
【附圖說明】
[0032]圖1是本發明算法流程圖。
[0033]圖2是結構相似度檢測算法流程圖。
[0034]圖3是盲去模糊1算法流程圖。
[0035]圖4是盲去模糊2算法流程圖。
【具體實施方式】
[0036]為了使本發明的目的、技術方案和優點更加清楚，下面將結合附圖及具體實施例 對本發明進行詳細描述。
[0037] 圖1是本發明算法流程圖，一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，包 括以下步驟：
[0038] 步驟一、輸入一幀模糊視頻圖像，進行兩種不同類型的圖像盲去模糊，分別得到清 晰圖像fi、f2;其中，fi為進行第一種類型的圖像盲去模糊(稱為盲去模糊1)所得到的清晰圖 像，f 2為進行第二種類型的圖像盲去模糊(稱為盲去模糊2)所得到的清晰圖像。
[0039]所述的第一種類型的圖像盲去模糊進一步包括：
[0040] (1)首先進行盲模糊核估計。
[0041] (2)得到模糊核后利用RL反卷積算法進行非盲去模糊，得到清晰圖像fi。
[0042] 優選的，圖3是盲去模糊1算法流程圖，所述的盲模糊核估計進一步包括：
[0043] (1)對輸入模糊圖像X進行求導，得到高頻圖像y。
[0044] (2)利用基于L1/L2正則表達式稀疏先驗的盲去模糊模型更新f1:
[0046]其中，k為待估計的盲模糊核，k=[ki，k2···]，kiX), Σ?1α = 1，α，β非負，用于正則項 與最后一項。心為最終得到的清晰圖像。其中，丨|(7/11|1/1丨嘆1丨丨 2:是『/1的1范數與2范數的比值， 隨著圖像越來越模糊，該比值逐漸增大，通過這一約束項利用迭代算法更新。即：利用式 (1)中的第二項來約束第一項。式(1)中的最后一項用來抑制噪聲。
[0047]利用交替投影迭代算法更新，即優化：
[0049] 其中，丨|17/1丨|1/丨|17/1丨|2足17/ 1的1范數與2范數的比值，隨著圖像越來越模糊，該比值 逐漸增大。
[0050] (3)、利用無約束迭代重賦權值最小二乘方法更新盲模糊核，即優化：
[0052] 具體參見〈〈Blind deconvolution using a normalized sparsity measure)) (Krishnan D and Fergus R)In CVPR,2011:233-240.
[0053] 優選的，如圖4是盲去模糊2算法流程圖，所述的圖像盲去模糊2進一步包括：
[0054] (1)首先利用雙邊濾波器去除圖像中的噪聲。采用的雙邊濾波器為：
[0056] 其中，為雙邊濾波器輸出圖像，q為歸一化因子，e是目標像素點，Ρ(3為像素 e的像 素值。Θ為以e為中心的鄰域，eo是鄰域像素點，Q(*)函數表示兩個像素之間的空間距離，G (*)函數表示兩像素之間相似程度的權重。當Q(*)較大時，權重G(*)較小，在圖像邊緣部分， 兩相鄰像素差值較大，所以權重較小，則邊緣外的像素對像素點的影響較小，所以，可以在 去除噪聲的時候保留邊緣。
[0057] (2)再采用沖擊濾波器對圖像進行邊緣增強，利用有用的邊緣信息估計模糊核。其 中，沖擊濾波器的數學模型如下：
[0059]其中，經過沖擊濾波器后輸出為L，X為空間的水平方向，Y為空間的垂直方向，Lx為 水平方向的導數，LY為垂直方向的導數，t為時間，二ax,Lr)表示圖像L的一階方向導 數，Δ L = Lx2Lxx+2LxLyLxy+Ly2Lyy，為圖像L的二階方向導數。通過不斷迭代得到最終L，初始值 為雙邊濾波器的輸出。對于有用邊緣的提取，采用模型如下：
[0061] 其中，L表示上一步驟的輸出模糊圖像，￥104表示v處的像素的導數，Nh(e)表示以 像素 e為中心的大小為h*h的窗口，當r(v)較小時，說明v處是平坦區域或者尖峰。所以，為了 增強邊緣，可以設置閾值去掉較小的r(v)。
[0062] (3)經過沖擊濾波器增強邊緣并提取出有用邊緣后，然后進行模糊核估計，利用以 下模型：
[0064] 其中，Vi是經過上一步驟得到的清晰圖像邊緣，k是最終估計的模糊核，Vx是模糊 圖像X的梯度也即邊緣，η非負，然后不斷迭代得到最終的模糊核。
[0065] (4)最后利用基于超拉普拉斯先驗的圖像非盲去模糊方法，得到清晰圖像5。具體 參見文南犬〈〈Fast image deconvolution using hyper-laplacian priors))(D.Krishnan jandR.Fergus),Advances in Neural Information Processing Systems,2009,vol.22, pp.1033-1041.
[0066] 將兩幅清晰圖像分別進行顯著性檢測得到顯著圖，將顯著圖進行連通域分割，并 在清晰圖像中標記出每個連通區域位置。
[0067]優選的，所述的顯著性檢測方法采用GBVS算法得到顯著圖。所述的連通域分割算 法采用8鄰域分割算法。然后，將分割得到的二值化連通域圖與得到的清晰圖像進行卷積得 到連通區域圖。最后分別在兩幅同樣的輸入模糊圖像中標記出與該連通區域圖對應的區域 的位置。
[0068] 將輸入模糊圖像與清晰圖像中標記出的連通區域相對應位置標記下來。
[0069] 計算輸入模糊圖像與清晰圖像相對應的連通區域的結構相似度，最后，計算所有 連通區域的結構相似度的加權平均值作為輸入圖像的模糊度。
[0070] 圖2是結構相似度檢測算法流程圖，結構相似度的計算步驟進一步包括：
[0071 ]以下所述為SSIMi的計算步驟，同理，SSIMj的計算步驟也是如下所述步驟。
[0072]
，其中，他分別為模糊圖像與清晰圖像的各個連通區 域的平均亮度值。
[0073]
其中，分別為兩幅圖像的各個連通區域的亮度標準 差。
[0074]
其中，為兩幅圖像對應連通區域的亮度相關系數。
[0075] SSIMi = [li(xi，fi) ]a[Ci(Xi，fi)]b[Si(Xi，fi) ]c，其中a，b，c相等。
[0076]
其中，Cl，C2，C3均大于零。具體參見文獻《Image quality assessment:from error measurement to structural similarity))(Z.ffang,et al.),IEEE Transactios on Image Processing,2004,vol·13,no.4,pp.600-612〇
[0077；
，其中，N為輸入圖像經盲去模糊1方法最終得到的連通區域個 數。
[0078]
，其中，Μ為輸入圖像經盲去模糊2方法最終得到的連通區 域個數。
[0079] 輸入模糊圖像的模糊度Mbiur為:Mbiur= WiSi+t^S〗，ω?Ν c〇2為不同的權重。
[0080] 以上所述，僅為本發明的【具體實施方式】，但本發明的保護范圍并不局限于此，任何 熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到的變化或替換，都應 涵蓋在本發明的保護范圍內。
【主權項】
1. 一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，其特征在于，包括W下步驟： 步驟一、輸入一帖模糊視頻圖像，進行兩種不同類型的圖像盲去模糊，分別得到清晰圖 像fl、f2; 步驟二、將清晰圖像fl、f2分別進行顯著性檢測得到顯著圖，將顯著圖進行連通域分割， 并在清晰圖像fl、f 2中標記出每個連通區域位置； 步驟Ξ、將輸入的模糊視頻圖像與清晰圖像fl、f2中連通區域相同位置標記出來； 步驟四、分別計算輸入的模糊視頻圖像與清晰圖像fl、f2相對應的連通區域的結構相似 性值SSIMi、SSIMj;其中，i為整數且為輸入圖像經第一種類型的圖像盲去模糊方 法最終得到的連通區域個數，j為整數且為輸入圖像經第二種類型的圖像盲去模 糊方法最終得到的連通區域個數； 步驟五、計算出所有區域的SSIMi的加權平均值Sl、SSIMj的加權平均值S2，:并對S1與S2賦予不同的權重作為輸入模糊圖像的模糊 度。2. 根據權利要求1所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，其特征 在于，所述步驟一中第一種類型的圖像盲去模糊具體如下： (1 )、首先運用基于L1/L2稀疏先驗的圖像去模糊模型及其算法進行盲模糊核估計； (2)、得到盲模糊核后利用快速非盲去模糊算法進行去模糊，得到清晰圖像fl。3. 根據權利要求1所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，其特征 在于，所述步驟一中第二種類型的圖像盲去模糊具體如下： (1 )、首先運用快速盲去運動模糊算法估計模糊核； (2)、再利用基于超拉普拉斯先驗的圖像非盲去模糊方法，得到清晰圖像f2。4. 根據權利要求2所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，其特征 在于，所述的盲模糊核估計進一步包括： (1 )、對輸入模糊視頻圖像X進行求導，得到高頻圖像y; (2) 、利用基于L1/L2正則表達式稀疏先驗約束的盲去模糊模型更新fl:其中，k為待估計的盲模糊核，k =化，k2…]，k功盲模糊核k的分量，ki > 0，Σ iki = 1，α、 e均為非負數，化是。的導數，11。/1111/11叮1112是化.的1范數與2范數的比值； 利用交替投影迭代算法更新fl，即優化：(3) 、利用無約束迭代重賦權值最小二乘方法更新盲模糊核，即優化：5. 根據權利要求3所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，其特征 在于，所述的模糊核估計進一步包括： (1) 、首先利用雙邊濾波器去除圖像中的噪聲； (2) 、再采用沖擊濾波器對圖像進行邊緣增強，利用有用的邊緣信息估計模糊核。6. 根據權利要求1所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，其特征 在于，所述的顯著性檢測方法采用GBVS算法得到顯著圖;所述的連通域分割算法采用8鄰域 分割算法，然后，將分割得到的二值化連通域圖與得到的清晰圖像進行卷積得到連通區域 圖，最后在輸入模糊視頻圖像中標注出與該連通區域圖對應的區域位置。7.根據權利要求1所述的一種基于圖像盲去模糊的視頻圖像模糊度檢測方法，其特征 在于，所述輸入模糊圖像的模糊度Mblur為:Mblur= WiSi+"2S2, ωι、《2為不同的權重。
【文檔編號】G06T5/00GK106097256SQ201610373160
【公開日】2016年11月9日
【申請日】2016年5月31日
【發明人】李曉飛, 劉燦燦, 韓光
【申請人】南京郵電大學