CN104867128B - 图像模糊检测方法和装置 - Google Patents
图像模糊检测方法和装置 Download PDFInfo
- Publication number
- CN104867128B CN104867128B CN201510169849.6A CN201510169849A CN104867128B CN 104867128 B CN104867128 B CN 104867128B CN 201510169849 A CN201510169849 A CN 201510169849A CN 104867128 B CN104867128 B CN 104867128B
- Authority
- CN
- China
- Prior art keywords
- gradient
- data
- described image
- image data
- edge width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种图像模糊检测方法和装置,其中,上述方法包括:获取一帧数字图像的图像数据;计算所述图像数据中每个像素的多维度梯度信息;依据所述每个像素的多维度梯度信息计算图像数据的联合梯度信息;当所述图像数据的联合梯度信息满足第一预置条件时,计算所述图像数据的全局细化梯度;根据所述图像数据的全局细化梯度检测图像是否模糊。采用本发明提供的图像模糊检测方法,可以对各种场景下拍摄的数字图像存在的图像模糊进行准确判断,增强了图像模糊检测的场景适应性,提高了对图像进行模糊检测的准确率。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种图像模糊检测方法和装置。
背景技术
视频质量诊断***是一种智能化的监控视频故障分析和报警***,它可以对前端摄像机传回的视频图像进行质量分析判断,从而对视频故障做出准确判断并发出报警信息。采用预置算法检测视频图像是否模糊是视频质量诊断***的重要工作部分。
现有技术中,视频质量诊断***经常采用基于Canny边缘的梯度模糊检测方法或基于图像边缘宽度的模糊检测方法对视频图像进行模糊检测。上述方法均属于从图像梯度出发,通过统计图像的平均梯度值从而判断视频图像是否模糊的方法。然而,现有技术采用的上述模糊检测方法仅能对部分因摄像机聚焦不准确造成的模糊进行有效检测,而对于一些特殊场景下图像的模糊如细节丰富场景下的图像的局部模糊、夜晚场景下图像的局部模糊、运动场景下特定方向上图像的模糊等无法做到准确检测。
发明内容
有鉴于此,本发明提供一种图像模糊检测方法和装置,以实现准确检测出各种场景下模糊的图像。
一方面,本发明实施例提供了一种图像模糊检测方法,包括:获取一帧数字图像的图像数据;计算所述图像数据中每个像素的多维度梯度信息;依据所述每个像素的多维度梯度信息计算图像数据的联合梯度信息;当所述图像数据的联合梯度信息满足第一预置条件时,计算所述图像数据的全局细化梯度;根据所述图像数据的全局细化梯度检测图像是否模糊。
可选地,所述图像数据的联合梯度信息包括图像数据的联合梯度平均值和联合梯度最大值;所述第一预置条件为:所述图像数据的联合梯度平均值介于第一梯度阈值和第二梯度阈值之间;或者,所述图像数据的联合梯度平均值小于所述第二梯度阈值且所述图像数据的联合梯度最大值不小于第三梯度阈值;其中,所述第三梯度阈值介于所述第一梯度阈值和所述第二梯度阈值之间;
计算所述图像数据的全局细化梯度包括:将所述图像数据划分为预设数量的数据大块;依据公式fColorVar=sqrt(fVarR+fVarG+fVarB)计算每个所述数据大块的颜色方差fColorVar,其中,fVarR表示当前数据大块R分量的方差;fVarG表示当前数据大块G分量的方差;fVarB表示当前数据大块B分量的方差;所述R、G、B表示当前数据大块的红、绿、蓝三原色分量;若所述数据大块的颜色方差fColorVar不小于预置颜色方差阈值,则将所述数据大块标记为有效数据大块;计算每个有效数据大块的细化梯度值;依据所述每个有效数据大块的细化梯度值计算各个有效数据大块的细化梯度的平均值,将所述有效数据大块的细化梯度的平均值作为所述图像数据的全局细化梯度。
可选地,所述计算每个有效数据大块的细化梯度值,具体包括:将每个所述有效数据大块划分成预设数量的数据小块,依据每个数据小块中每个像素的联合梯度计算每个数据小块的梯度方差和每个数据小块的梯度最大值;若数据小块的梯度方差不小于预置的梯度方差阈值,则将所述数据小块标记为有效数据小块;计算各个有效数据小块的梯度最大值的平均值,将所述有效数据小块梯度最大值的平均值作为所述有效数据大块的细化梯度值。
可选地,所述根据图像数据的全局细化梯度检测图像是否模糊的方法,包括:将所述图像数据的全局细化梯度与第四梯度阈值、第五梯度阈值作比较;若所述图像数据的全局细化梯度大于所述第四梯度阈值,判定图像为明显清晰图像;若所述图像数据的全局细化梯度小于所述第五梯度阈值,判定图像为明显模糊图像;若所述图像数据的全局细化梯度介于所述第四梯度阈值和所述第五梯度阈值之间,计算所述图像数据的水平边缘宽度和垂直边缘宽度;将所述图像数据的水平边缘宽度和垂直边缘宽度与边缘宽度阈值作比较;若所述水平边缘宽度或垂直边缘宽度小于所述边缘宽度阈值,判定图像为清晰图像;若所述水平边缘宽度和垂直边缘宽度均不小于边缘宽度阈值,判定图像为模糊图像。
可选地,所述计算图像数据的水平边缘宽度和垂直边缘宽度,包括:逐行遍历所述图像数据中所述每个像素的垂直方向梯度,获取垂直方向边缘像素点的位置,依据所述边缘像素点的位置逐个统计各列的水平边缘宽度;计算各列的水平边缘宽度的平均值,将所述水平边缘宽度的平均值作为所述图像数据的水平边缘宽度;逐列遍历所述图像数据中所述每个像素的水平方向梯度,获取水平方向边缘像素点的位置,依据所述边缘像素点的位置逐个统计各行的垂直边缘宽度;计算各行的垂直边缘宽度的平均值,将所述垂直边缘宽度的平均值作为所述图像数据的垂直边缘宽度。
对应的,本发明实施例提供了一种图像模糊检测装置,包括:数据获取模块,用于获取一帧数字图像的图像数据;梯度计算模块,用于计算所述图像数据中每个像素的多维度梯度信息;联合梯度计算模块,用于依据所述每个像素的多维度梯度信息计算图像数据的联合梯度信息;全局细化梯度计算模块,用于在所述图像数据的联合梯度信息满足第一预置条件的情况下,计算所述图像数据的全局细化梯度;模糊检测模块,用于根据所述图像数据的全局细化梯度检测图像是否模糊。
可选的,所述图像数据的联合梯度信息包括图像数据的联合梯度平均值和联合梯度最大值;所述第一预置条件为:所述图像数据的联合梯度平均值介于第一梯度阈值和第二梯度阈值之间;或者,所述图像数据的联合梯度平均值小于所述第二梯度阈值且所述图像数据的联合梯度最大值不小于第三梯度阈值;其中,所述第三梯度阈值介于所述第一梯度阈值和所述第二梯度阈值之间;
所述全局细化梯度计算模块包括:数据大块划分单元,将所述图像数据划分为预设数量的数据大块;颜色方差计算单元,用于依据公式fColorVar=sqrt(fVarR+fVarG+fVarB)计算每个所述数据大块的颜色方差fColorVar,其中,fVarR表示当前数据大块R分量的方差;fVarR表示当前数据大块G分量的方差;fVarR表示当前数据大块B分量的方差;所述R、G、B表示当前数据大块的红、绿、蓝三原色分量;有效数据大块获取单元,用于在数据大块的颜色方差fColorVar不小于预置颜色方差阈值的情况下,将所述数据大块标记为有效数据大块;第一计算单元,用于计算每个有效数据大块的细化梯度值;第二计算单元,用于依据所述每个有效数据大块的细化梯度值计算各个有效数据大块的细化梯度的平均值,将所述有效数据大块的细化梯度的平均值作为所述图像数据的全局细化梯度。
可选的,所述第一计算单元具体包括:数据小块划分子单元,用于将所述有效数据大块划分成预设数量的数据小块,依据每个数据小块中每个像素的联合梯度计算每个数据小块的梯度方差和每个数据小块的梯度最大值;有效数据小块获取子单元,用于在数据小块的梯度方差不小于预置的梯度方差阈值的情况下,将所述数据小块标记为有效数据小块;计算子单元,用于计算各个有效数据小块的梯度最大值的平均值,将所述有效数据小块梯度最大值的平均值作为所述有效数据大块的细化梯度值。
可选的,所述模糊检测模块包括:第一比较单元,用于将所述图像数据的全局细化梯度与第四梯度阈值、第五梯度阈值作比较;第一判定单元,用于在所述图像数据的全局细化梯度大于所述第四梯度阈值的情况下,判定图像为明显清晰图像;第二判定单元,用于在所述图像数据的全局细化梯度小于所述第五梯度阈值的情况下,判定图像为明显模糊图像;边缘宽度计算单元,用于在所述图像数据的全局细化梯度介于所述第四梯度阈值和所述第五梯度阈值之间的情况下,计算所述图像数据的水平边缘宽度和垂直边缘宽度;第二比较单元,用于将所述图像数据的水平边缘宽度和垂直边缘宽度与边缘宽度阈值作比较;第三判定单元,用于在所述水平边缘宽度或垂直边缘宽度小于所述边缘宽度阈值的情况下,判定图像为清晰图像;第四判定单元,用于在所述水平边缘宽度和垂直边缘宽度均不小于边缘宽度阈值的情况下,判定图像为模糊图像。
可选的,所述边缘宽度计算单元包括:垂直边缘确定子单元,用于逐行遍历所述图像中所述每个像素的垂直方向梯度,获取垂直方向边缘像素点的位置,依据所述边缘像素点的位置逐个统计各列的水平边缘宽度;水平边缘宽度计算子单元,用于计算各列的水平边缘宽度的平均值,将所述水平边缘宽度的平均值作为所述图像数据的水平边缘宽度;水平边缘确定子单元,用于逐列遍历所述图像中所述每个像素的水平方向梯度,获取水平方向边缘像素点的位置,依据所述边缘像素点的位置逐个统计各行的垂直边缘宽度;垂直边缘宽度计算子单元,用于计算各行的垂直边缘宽度的平均值,将所述垂直边缘宽度的平均值作为所述图像数据的垂直边缘宽度。
采用本发明提供的图像模糊检测方法,首先计算一帧图像的联合梯度信息,获取图像全局边缘特征的方法,对图像属于明显清晰或明显模糊的图像进行判断,对于无法判断的图像进一步采用分块细化梯度的判别方法对图像的局部特征进行检测,既可以分辨图像的全部模糊,又可以分辨图像中的局部模糊,实现对各种场景下图像模糊的准确判断,增强了图像模糊检测方法的场景适应性,提高了对图像进行模糊检测的准确率。
附图说明
图1是本发明图像模糊检测方法实施例的流程图;
图2是本发明图像模糊检测方法实施例中步骤S2实施方式的流程图;
图3是本发明图像模糊检测方法实施例中步骤4具体实施方式的流程图;
图4是本发明实施例进行数据大块划分的示意图;
图5是本发明图像模糊检测方法实施例中步骤44具体实施方式的流程图;
图6是本发明实施例进行数据小块划分的示意图;
图7是本发明图像模糊检测方法实施例中步骤5具体实施方式的流程图;
图8是本发明图像模糊检测方法实施例中步骤54具体实施方式的流程图;
图9是本发明图像模糊装置实施例的结构框图;
图10是本发明装置实施例中全局细化梯度计算模块实施例的结构框图;
图11是本发明装置实施例中第一计算单元实施例的结构框图;
图12是本发明装置实施例中模糊检测模块实施例的结构框图;
图13是本发明装置实施例中边缘宽度计算单元实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请中可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本发明提供一种图像模糊检测方法,可以对各种场景下拍摄的数字图像进行模糊检测。本发明实施例将以在实际视频监控应用中对视频图像的模糊检测为例进行详细说明。
参照图1示出了本发明图像模糊检测方法实施例的流程图,包括:
步骤1、获取一帧数字图像的图像数据;
一般情况下,步骤1获取的图像数据可以是数字图像的原始图像数据。在实际视频监控应用中,摄像头输出的原始图像数据中往往包含通过屏幕菜单式调节方式(on-screendisplay,OSD)加载的拍摄时间、拍摄场地如某某停车场等OSD信息。在图像模糊检测中,上述OSD信息相对于整帧数字图像属于干扰区域,因此,可以预先采用预处理算法将图像中的上述干扰区域进行排除,然后再对预处理后的图像进行模糊判断。
即,作为一种可选实施方式,上述步骤1可以进一步包括:S1、获取一帧图像的原始图像数据;S2、采用预处理算法排除上述原始图像数据中的干扰区域,获得预处理后的图像数据。
在步骤S2中,首先需要确定OSD信息即OSD字符区域的边界位置,然后再将上述OSD字符区域从整帧图像中排除。参照图2,示出了本发明实施例中步骤S2中确定OSD字符区域的边界位置的具体实施方式的流程图,包括:
步骤101、将原始图像划分为预设数量的图像块;例如,可以将一帧图像水平切分成预设数量的条状图像块,即每个图像块的宽度和原始图像的宽度相等,按照从上到下的顺序为每个图像块编号;
步骤102、从上述图像块中选取一块或若干块作为OSD检测候选区域;例如,可以根据先验知识,将第一块和/或最后一块图像块作为OSD检测候选区域。
步骤103、对每一块候选区域做Canny边缘检测;
步骤104、采用黑白阈值法初步确定OSD字符像素点的位置;由于OSD字符一般为白色或黑色,所以可以采用自适应二值化方法粗略确定OSD字符像素点的位置。
步骤105、确定上述OSD字符区域的边缘图像;
步骤106、对上述OSD字符区域的边缘图像进行水平和垂直投影,分别获得两个跳变临界位置,将上述跳变临界位置作为OSD字符区域的边界。
步骤2、计算上述图像数据中每个像素的多维度梯度信息;
具体地,可以采用预置梯度算子计算图像数据中每个像素的多维度梯度信息。上述预置梯度算子可以是Sobel算子、Prewitt算子等微分算子。上述每个像素的多维度梯度信息可以包括:水平方向梯度、垂直方向梯度、45°方向梯度、135°方向梯度。
以Sobel算子为例,对于图像数据中任一像素点,可以采用以下公式(1)计算每个像素四个方向上的梯度:
………公式(1)
其中,上述公式(1)中,afMx、afMy、afMxy、afMyx分别表示Sobel算子在水平、垂直、45°及135°方向的模板。利用公式(1)所示Sobel算子模板对图像中的每个像素点做卷积运算,得到每个像素的水平方向梯度fSobelx、垂直方向梯度fSobely、45°方向梯度fSobelxy、135°方向梯度fSobelyx。
步骤3、依据每个像素的多维度梯度信息计算图像数据的联合梯度信息;其中,上述联合梯度信息包括:图像数据的联合梯度平均值、图像数据的联合梯度最大值。具体地,上述步骤3可以包括:
步骤A、依据每个像素的多维度梯度信息计算图像数据中每个像素的联合梯度;
其中,可以利用以下公式(2)计算每个像素的联合梯度fUnionGrad:
fUnionGrad=sqrt[(fMx)2+(fMy)2+(fMxy)2+(fMyx)2]………公式(2)
其中,公式(2)中的M表示梯度算子,可以是Sobel算子、Prewitt算子等微分算子。如上,若M表示Sobel算子,对应的,公式(2)中的fMx具体为上述fSobelx,依此类推,fMy具体为上述fSobely,fMxy具体为上述fSobelxy,fMyx具体为上述fSobelyx。
步骤B、依据每个像素的联合梯度获取图像数据的联合梯度平均值和联合梯度最大值;
具体地,图像数据的联合梯度平均值fUnionGradMean可以通过对图像数据中每个像素的联合梯度求算术平均值获得,或者通过对图像数据中每个像素的联合梯度求加权平均值获得。
图像数据的联合梯度最大值fUnionGradMax的获取方式则为:从图像数据中各个像素的联合梯度中选取一个最大值,作为当前帧图像的联合梯度最大值。各个像素的联合梯度可以利用上述公式(2)计算得到。
步骤4、当图像数据的联合梯度信息满足第一预置条件时,计算图像数据的全局细化梯度。
该步骤4实际隐含判断过程,该判断过程为:判断图像数据的联合梯度信息是否满足第一预置条件,其中第一预置条件为:图像数据的联合梯度平均值介于第一梯度阈值和第二梯度阈值之间;或者,图像数据的联合梯度平均值小于第二梯度阈值,且图像数据的联合梯度最大值不小于第三梯度阈值;
具体地,若用iGradThre1表示上述第一梯度阈值;iGradThre2表示上述第二梯度阈值;iGradThre3表示上述第三梯度阈值;其中,iGradThre1>iGradThre3>iGradThre2。
上述判断过程为:将图像数据的联合梯度平均值fUnionGradMean、联合梯度最大值fUnionGradMax与上述三个梯度阈值:iGradThre1、iGradThre2、iGradThre3作比较。
若fUionGradMean>iGradThre1,则判定图像为明显清晰图像,结束图像检测。
若fUionGradMean<iGradThre2,且fUionGradMax<iGradThre3,则判定图像为明显模糊图像,结束图像检测。
上述两个判别过程为在图像数据的联合梯度信息不满足第一预置条件的情况下采用联合梯度判别方法判断图像清晰或模糊的过程。
若iGradThre2≤fUionGradMean≤iGradThre1,或者,fUionGradMean<iGradThre2且fUionGradMax≥iGradThre3,则计算图像数据的全局细化梯度。该条件即为第一预置条件,满足上述第一预置条件的图像为根据上述联合梯度判别方法无法判定是清晰的图像或模糊的图像,因而需要执行后续的判别方法继续对该帧图像进行模糊检测。
上述三种情况的判断过程也可以用计算机语言简洁表达为:if(fUionGradMean>iGradThre1){清晰};else if(fUionGradMean<iGradThre2,且fUionGradMax<iGradThre3){模糊};else{剩余其它情况执行步骤4}。
参照图3所示的步骤4计算图像数据的全局细化梯度的具体实施方式的流程图,上述步骤4可以包括:
步骤41、将图像数据划分为预设数量的数据大块;如图4所示的本发明实施例数据大块划分的示意图,示例性地,可以将一帧图像的图像数据划分为4×4个数据大块。
步骤42、依据公式(3)计算每个数据大块的颜色方差fColorVar;
fColorVar=sqrt(fVarR+fVarG+fVarB)………..公式(3)
其中,fVarR表示当前数据大块R分量的方差;fVarG表示当前数据大块G分量的方差;fVarB表示当前数据大块B分量的方差;上述表达式中的R、G、B表示当前数据大块的红、绿、蓝三原色分量;
假设当前数据大块中包含n个像素点,上述当前数据大块R分量的方差fVarR可以用以下公式(4)表示:
………公式(4)
同理,利用类似公式可以计算fVarG和fVarB。
步骤43、若数据大块的颜色方差fColorVar不小于预置颜色方差阈值,则将上述数据大块标记为有效数据大块;
具体地,上述步骤43的实施过程为:将每个数据大块的颜色方差fColorVar与预置颜色方差阈值fThre作比较,其中,上述预置颜色方差阈值fThre可以根据先知经验人工设置;若数据大块的颜色方差满足条件:fColorVar<fThre,则将上述该数据大块标记为无效数据大块;若数据大块的颜色方差满足条件:fColorVar≥fThre,则将上述数据大块标记为有效数据大块。经过上述判别过程后,统计整帧图像的图像数据中的有效数据大块。仍以图4所示,经过步骤43进行判别后,当前帧图像的图像数据中包含5个无效数据大块,剩余9个有效数据大块。图4中标记有w字样的数据大块表示无效数据大块;标记有y字样的数据大块表示有效数据大块。
步骤44、计算每个有效数据大块的细化梯度值;
可选地,参照图5示出的步骤44的具体实施方式的流程图,上述步骤44可以包括:。
步骤441、将每个有效数据大块进一步划分成预设数量的数据小块,依据每个数据小块中每个像素的联合梯度计算每个数据小块的梯度方差fWeeGradVar和每个数据小块的梯度最大值fWeeGradMax;
示例性地,参照图6所示的数据小块划分的示意图,可以将每个有效数据大块进一步划分成2×2个数据小块。假设划分后的每个数据小块包含m个像素,则每个数据小块的梯度方差fWeeGradVar可以用以下公式(5)表示:
………公式(5)
在公式(5)中,Xi表示数据小块中一个像素的联合梯度即fUnionGrad,fUnionGrad已在上述步骤A中利用公式(2)计算得出。X表示该数据小块的联合梯度平均值,其计算方法与上述整帧图像的联合梯度平均值fUnionGradMean的计算方法类似,此处不再赘述。
每个数据小块的梯度最大值fWeeGradMax的获取与整帧图像的梯度最大值的获取方式类似,即从数据小块的各个像素的联合梯度中选取一个最大值作为该数据小块的梯度最大值fWeeGradMax。
由于数据小块中每个像素的联合梯度已在上述步骤A中获得,所以步骤441的实施不会增加太多的计算量。
步骤442、若数据小块的梯度方差不小于预置的梯度方差阈值,则将上述数据小块标记为有效数据小块;
具体地,假设用fThreVar表示预置的梯度方差阈值,上述步骤442的实施过程可以为:将步骤441获得的每个数据小块的梯度方差fWeeGradVar与预置的梯度方差阈值fThreVar作比较。若数据小块的梯度方差满足条件:fWeeGradVar<fThreVar,则将上述数据小块标记为无效数据小块;若数据小块的梯度方差满足条件:fWeeGradVar≥fThreVar,则将上述数据小块标记为有效数据小块;统计每个有效数据大块中的有效数据小块。如图6所示,经过步骤442的判别后,该数据大块中剩余2个有效数据小块即标记有y字样的数据小块,另外2个数据小块为无效数据小块即标记有w字样的数据小块。
步骤443、计算各个有效数据小块的梯度最大值fWeeGradMax的平均值,将上述有效数据小块梯度最大值的平均值作为上述有效数据大块的细化梯度值。
具体地,有效数据小块的梯度最大值fWeeGradMax已经通过步骤441获得,对上述各个有效数据小块的梯度最大值求平均,获得各个有效数据小块梯度最大值的平均值,将计算出的平均值作为上述有效数据大块的细化梯度值。
步骤45、依据每个有效数据大块的细化梯度值计算各个有效数据大块的细化梯度的平均值,将上述有效数据大块的细化梯度的平均值作为图像数据的全局细化梯度。具体地,对步骤443获得的每个有效数据大块的细化梯度值求平均值,将计算出的平均值作为整个图像数据的全局细化梯度。
上述步骤41至步骤45为本发明实施例采用图像分块细化梯度算法计算图像数据的全局细化梯度的具体实施方式,上述图像数据为一帧数字图像的图像数据。
步骤5、根据上述图像数据的全局细化梯度检测图像是否模糊。
具体的,上述步骤5的一种实施方式可以是:将步骤45获得的图像数据的全局细化梯度与预置梯度阈值作比较;若上述图像数据的全局细化梯度大于上述预置梯度阈值,则判定当前帧图像为明显清晰图像;若上述图像数据的全局细化梯度不大于即小于等于上述预置梯度阈值,则判定当前帧图像为明显模糊图像。至此,图像模糊检测过程结束。
为进一步提高图像模糊检测的准确性,本发明还提供了步骤5的另一种实施方式,参照图7所示步骤5的具体实施方式的流程图,上述步骤5可以包括:
步骤51、将图像数据的全局细化梯度与第四梯度阈值、第五梯度阈值作比较;
步骤52、若图像数据的全局细化梯度大于第四梯度阈值,判定图像为明显清晰图像;
步骤53、若图像数据的全局细化梯度小于所述第五梯度阈值,判定图像为明显模糊图像;
步骤54、若图像数据的全局细化梯度介于第四梯度阈值和第五梯度阈值之间,计算图像数据的水平边缘宽度和垂直边缘宽度;
具体地,假设用fGlobalWeeGradMean表示一帧图像的图像数据的全局细化梯度;fGlobalH表示第四梯度阈值;fGlobalL表示第五梯度阈值。上述步骤51至步骤54的实施过程为:将步骤45获得的图像数据的全局细化梯度fGlobalWeeGradMean与第四梯度阈值fGlobalH、第五梯度阈值fGlobalL作比较:
若fGlobalWeeGradMean>fGlobalH,则判定当前帧图像为明显清晰图像;
若fGlobalWeeGradMean<fGlobalL,则判定当前帧图像为明显模糊图像;
上述两个判别过程为采用分块细化梯度判别方法判定一帧数字图像属于清晰图像或模糊图像的过程。
若fGlobalL≤fGlobalWeeGradMean≤fGlobalH,则计算图像数据的水平边缘宽度和垂直边缘宽度,满足上述条件的图像为根据目前采用的联合梯度判别方法和分块细化梯度判别方法仍无法判定属于清晰图像或模糊图像,因而需要继续执行后续的判别方法对当前帧图像进行模糊检测。
参照图8,示出了步骤54计算图像数据的边缘宽度的流程图,包括:
步骤541、逐行遍历上述图像数据中每个像素的垂直方向梯度,获取垂直方向边缘像素点的位置,依据上述边缘像素点的位置逐个统计各列的水平边缘宽度;
其中,上述图像数据中每个像素的垂直方向梯度fMy已经利用上述公式(1)计算得出,遍历每行像素点的垂直方向梯度时,可以将跳变临界位置的像素点作为垂直方向边缘像素点。
步骤542、计算各列的水平边缘宽度的平均值,将上述水平边缘宽度的平均值作为上述图像数据的水平边缘宽度;
步骤543、逐列遍历上述图像中上述每个像素的水平方向梯度fMx,获取水平方向边缘像素点的位置,依据上述边缘像素点的位置逐个统计各行的垂直边缘宽度;
其中,上述图像数据中每个像素的水平方向梯度fMx已经利用上述公式(1)计算得出,遍历每列像素点的水平方向梯度时,可以将跳变临界位置的像素点作为水平方向边缘像素点。
步骤544、计算各行的垂直边缘宽度的平均值,将上述垂直边缘宽度的平均值作为上述图像数据的垂直边缘宽度。
此处需要说明的是,上述步骤541、542与步骤543、544并无先后顺序之分,在本发明另一实施例中,也可以先执行步骤543、544再执行步骤541、542。
步骤55、将图像数据的水平边缘宽度和垂直边缘宽度与边缘宽度阈值作比较;
步骤56、若水平边缘宽度或垂直边缘宽度小于边缘宽度阈值,判定图像为清晰图像;
步骤57、若水平边缘宽度和垂直边缘宽度均不小于边缘宽度阈值,判定图像为模糊图像。
具体地,假设用fEdgeWidth表示预置的边缘宽度阈值,则上述步骤55至57的具体实施过程为:
将依据步骤542获取的图像数据的水平边缘宽度和依据步骤544获取的图像数据的垂直边缘宽度与预置的边缘宽度阈值fEdgeWidth作比较;若上述图像数据的水平边缘宽度或垂直边缘宽度任一小于fEdgeWidth,则判定当前帧图像为清晰图像;若上述图像数据的水平边缘宽度和垂直边缘宽度均大于或等于fEdgeWidth,则判定当前帧图像为模糊图像。
上述步骤55至57的实施过程为在采用联合梯度判别方法和分块细化梯度判别方法仍无法判定当前帧图像清晰或模糊的情况下,继续采用边缘宽度判别方法判断当前帧图像属于清晰图像或模糊图像的过程。
综上,本发明提供的图像模糊检测方法首先采用计算图像数据的联合梯度并与预置梯度阈值比较的方法,根据图像数据的全局边缘信息首先对图像进行初步判断。对于无法判断的图像利用分块细化梯度判别方法根据图像数据的全局细化梯度与预置阈值比较的方法,对特殊场景模糊图像作进一步判别,相对于现有技术,本发明实施例提供的图像模糊检测方法有效提高了图像模糊检测的场景适应性和准确率。进一步优选地,为进一步提高模糊判别的精确度,在根据图像数据的全局细化梯度进行图像模糊检测的过程中又进一步利用边缘宽度判别方法对图像模糊进行准确判别,进一步提高了图像模糊检测的场景适应性和准确率。并且,后续的判别方法基于第一判别方法的计算结果上进行,并不会明显增加整个模糊检测过程的计算量和计算复杂度。因此,采用本发明提供的图像模糊检测方法可以实现对各种场景下的图像模糊如聚焦模糊、局部运动模糊、细节丰富场景下的图像的局部模糊、夜晚场景下图像的局部模糊等的准确检测。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员用该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。
其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
对应上述本发明提供的图像模糊检测方法实施例,本发明还提供了一种图像模糊检测装置,参照图9所示的本发明图像模糊装置实施例的结构框图,包括:
数据获取模块11,用于获取一帧数字图像的图像数据;
可选的,数据获取模块11还可以具体包括:原始数据获取单元,用于获取一帧数字图像的原始图像数据;预处理单元,用于采用预处理算法排除上述原始图像数据中的干扰区域,获得预处理后的图像数据。
梯度计算模块12,用于计算上述图像数据中每个像素的多维度梯度信
息;本发明实施例中,每个像素的多维度梯度可以包括:水平方向梯度fM(x)、垂直方向梯度fM(y)、45°方向梯度fM(xy)、135°方向梯度fM(yx)。
联合梯度计算模块13,用于依据上述每个像素的多维度梯度信息计算上述图像数据的联合梯度信息;其中,图像数据的联合梯度信息包括图像数据的联合梯度平均值和图像数据的联合梯度最大值。
具体的,联合梯度计算模块13可以包括:
计算单元A,用于根据每个像素的多维度梯度信息,利用上述公式(2)计算每个像素的联合梯度fUnionGrad:
fUnionGrad=sqrt[(fMx)2+(fMy)2+(fMxy)2+(fMyx)2]………..公式(2)
其中,fMx表示每个像素的水平方向梯度、fMy表示每个像素的垂直方向梯度、fMxy表示每个像素的45°方向梯度、fMyx表示每个像素的135°方向梯度;
计算单元B,用于依据上述每个像素的联合梯度获取上述图像数据的联合梯度平均值和联合梯度最大值;
全局细化梯度计算模块14,用于在上述图像数据的联合梯度信息满足第一预置条件的情况下,计算上述图像数据的全局细化梯度;其中,上述第一预置条件为:上述图像数据的联合梯度平均值介于第一梯度阈值和第二梯度阈值之间;或者,上述图像数据的联合梯度平均值小于上述第二梯度阈值且上述图像数据的联合梯度最大值不小于第三梯度阈值;其中,上述第三梯度阈值介于第一梯度阈值和第二梯度阈值之间。
可选的,参照图10所示的本发明实施例中全局细化梯度计算模块14实施例的结构框图,上述全局细化梯度计算模块14可以包括:
数据大块划分单元141,将上述图像数据划分为预设数量的数据大块;
颜色方差计算单元142,用于依据上述公式(3)计算每个数据大块的颜色方差fColorVar,
fColorVar=sqrt(fVarR+fVarG+fVarB)………..公式(3)
其中,fVarR表示当前数据大块R分量的方差;fVarR表示当前数据大块G分量的方差;fVarR表示当前数据大块B分量的方差;上述R、G、B表示当前数据大块的红、绿、蓝三原色分量;
有效数据大块获取单元143,用于在数据大块的颜色方差fColorVar不小于预置颜色方差阈值的情况下,将上述数据大块标记为有效数据大块;
第一计算单元144,用于计算每个有效数据大块的细化梯度值;
具体的,参照图11所示的第一计算单元144实施例的结构框图,第一计算单元144可以包括:
数据小块划分子单元1441,用于将上述有效数据大块划分成预设数量的数据小块,依据每个数据小块中每个像素的联合梯度计算每个数据小块的梯度方差和每个数据小块的梯度最大值;
有效数据小块获取子单元1442,用于在数据小块的梯度方差不小于预置的梯度方差阈值的情况下,将上述数据小块标记为有效数据小块;
计算子单元1443,用于计算各个有效数据小块的梯度最大值的平均值,将上述有效数据小块梯度最大值的平均值作为上述有效数据大块的细化梯度值。
第二计算单元145,用于依据上述每个有效数据大块的细化梯度值计算各个有效数据大块的细化梯度的平均值,将上述有效数据大块的细化梯度的平均值作为上述图像数据的全局细化梯度。
模糊检测模块15,用于根据图像数据的全局细化梯度检测图像是否模糊。模糊检测模块15在实施图像模糊检测时,可以将第二计算单元145输出的图像数据的全局细化梯度与预置梯度阈值作比较,若当前帧图像的图像数据的全局细化梯度大于上述预置梯度阈值,判定当前帧图像为清晰图像;若当前帧图像的图像数据的全局细化梯度不大于上述预置梯度阈值,判定当前帧图像为模糊图像。
可选的,参照图12所示的模糊检测模块15实施例的结构框图,包括:
第一比较单元151,用于将图像数据的全局细化梯度与第四梯度阈值、第五梯度阈值作比较;
第一判定单元152,用于在图像数据的全局细化梯度大于第四梯度阈值的情况下,判定图像为明显清晰图像;
第二判定单元153,用于在图像数据的全局细化梯度小于第五梯度阈值的情况下,判定图像为明显模糊图像;
边缘宽度计算单元154,用于在图像数据的全局细化梯度介于第四梯度阈值和第五梯度阈值之间的情况下,计算图像数据的水平边缘宽度和垂直边缘宽度;
具体的,图13示出了本发明边缘宽度计算单元154实施例的结构框图,包括:
垂直边缘确定子单元1541,用于逐行遍历上述图像中上述每个像素的垂直方向梯度fMy,获取垂直方向边缘像素点的位置,依据上述边缘像素点的位置逐个统计各列的水平边缘宽度;
水平边缘宽度计算子单元1542,用于计算各列的水平边缘宽度的平均值,将上述水平边缘宽度的平均值作为上述图像数据的水平边缘宽度;
水平边缘确定子单元1543,用于在上述图像数据的全局细化梯度满足第二预置条件的情况下,逐列遍历上述图像中上述每个像素的水平方向梯度fMx,获取水平方向边缘像素点的位置,依据上述边缘像素点的位置逐个统计各行的垂直边缘宽度;
垂直边缘宽度计算子单元1544,用于计算各行的垂直边缘宽度的平均值,将上述垂直边缘宽度的平均值作为上述图像数据的垂直边缘宽度。
第二比较单元155,用于将图像数据的水平边缘宽度和垂直边缘宽度与边缘宽度阈值作比较;
第三判定单元156,用于在水平边缘宽度或垂直边缘宽度小于边缘宽度阈值的情况下,判定图像为清晰图像;
第四判定单元157,用于在水平边缘宽度和垂直边缘宽度均不小于边缘宽度阈值的情况下,判定图像为模糊图像。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种图像模糊检测方法,其特征在于,包括:
获取一帧数字图像的图像数据;
计算所述图像数据中每个像素的多维度梯度信息;
依据所述每个像素的多维度梯度信息计算图像数据的联合梯度信息,所述图像数据的联合梯度信息包括图像数据的联合梯度平均值和联合梯度最大值;
当所述图像数据的联合梯度信息满足第一预置条件时,计算所述图像数据的全局细化梯度,所述第一预置条件为:所述图像数据的联合梯度平均值介于第一梯度阈值和第二梯度阈值之间;或者,所述图像数据的联合梯度平均值小于所述第二梯度阈值且所述图像数据的联合梯度最大值不小于第三梯度阈值;其中,所述第三梯度阈值介于所述第一梯度阈值和所述第二梯度阈值之间;
根据所述图像数据的全局细化梯度检测图像是否模糊;
其中,计算所述图像数据的全局细化梯度包括:
将所述图像数据划分为预设数量的数据大块;
若所述数据大块的颜色方差fColorVar不小于预置颜色方差阈值,则将所述数据大块标记为有效数据大块;
计算每个有效数据大块的细化梯度值;
依据所述每个有效数据大块的细化梯度值计算各个有效数据大块的细化梯度的平均值,将所述有效数据大块的细化梯度的平均值作为所述图像数据的全局细化梯度。
2.根据权利要求1所述的图像模糊检测方法,其特征在于,所述方法还包括:
依据公式fColorVar=sqrt(fVarR+fVarG+fVarB)计算每个所述数据大块的颜色方差fColorVar,其中,fVarR表示当前数据大块R分量的方差;fVarG表示当前数据大块G分量的方差;fVarB表示当前数据大块B分量的方差;所述R、G、B表示当前数据大块的红、绿、蓝三原色分量。
3.根据权利要求2所述的图像模糊检测方法,其特征在于,所述计算每个有效数据大块的细化梯度值,具体包括:
将每个所述有效数据大块划分成预设数量的数据小块,依据每个数据小块中每个像素的联合梯度计算每个数据小块的梯度方差和每个数据小块的梯度最大值;
若数据小块的梯度方差不小于预置的梯度方差阈值,则将所述数据小块标记为有效数据小块;
计算各个有效数据小块的梯度最大值的平均值,将所述有效数据小块梯度最大值的平均值作为所述有效数据大块的细化梯度值。
4.根据权利要求3所述的图像模糊检测方法,其特征在于,所述根据图像数据的全局细化梯度检测图像是否模糊的方法,包括:
将所述图像数据的全局细化梯度与第四梯度阈值、第五梯度阈值作比较;
若所述图像数据的全局细化梯度大于所述第四梯度阈值,判定图像为明显清晰图像;
若所述图像数据的全局细化梯度小于所述第五梯度阈值,判定图像为明显模糊图像;
若所述图像数据的全局细化梯度介于所述第四梯度阈值和所述第五梯度阈值之间,计算所述图像数据的水平边缘宽度和垂直边缘宽度;
将所述图像数据的水平边缘宽度和垂直边缘宽度与边缘宽度阈值作比较;
若所述水平边缘宽度或垂直边缘宽度小于所述边缘宽度阈值,判定图像为清晰图像;
若所述水平边缘宽度和垂直边缘宽度均不小于边缘宽度阈值,判定图像为模糊图像。
5.根据权利要求4所述的图像模糊检测方法,其特征在于,所述计算图像数据的水平边缘宽度和垂直边缘宽度,包括:
逐行遍历所述图像数据中所述每个像素的垂直方向梯度,获取垂直方向边缘像素点的位置,依据所述边缘像素点的位置逐个统计各列的水平边缘宽度;
计算各列的水平边缘宽度的平均值,将所述水平边缘宽度的平均值作为所述图像数据的水平边缘宽度;
逐列遍历所述图像数据中所述每个像素的水平方向梯度,获取水平方向边缘像素点的位置,依据所述边缘像素点的位置逐个统计各行的垂直边缘宽度;
计算各行的垂直边缘宽度的平均值,将所述垂直边缘宽度的平均值作为所述图像数据的垂直边缘宽度。
6.一种图像模糊检测装置,其特征在于,包括:
数据获取模块,用于获取一帧数字图像的图像数据;
梯度计算模块,用于计算所述图像数据中每个像素的多维度梯度信息;
联合梯度计算模块,用于依据所述每个像素的多维度梯度信息计算图像数据的联合梯度信息,所述图像数据的联合梯度信息包括图像数据的联合梯度平均值和联合梯度最大值;
全局细化梯度计算模块,用于在所述图像数据的联合梯度信息满足第一预置条件的情况下,计算所述图像数据的全局细化梯度,所述第一预置条件为:所述图像数据的联合梯度平均值介于第一梯度阈值和第二梯度阈值之间;或者,所述图像数据的联合梯度平均值小于所述第二梯度阈值且所述图像数据的联合梯度最大值不小于第三梯度阈值;其中,所述第三梯度阈值介于所述第一梯度阈值和所述第二梯度阈值之间;
模糊检测模块,用于根据所述图像数据的全局细化梯度检测图像是否模糊;
其中,所述全局细化梯度计算模块包括:
数据大块划分单元,将所述图像数据划分为预设数量的数据大块;
有效数据大块获取单元,用于在数据大块的颜色方差fColorVar不小于预置颜色方差阈值的情况下,将所述数据大块标记为有效数据大块;
第一计算单元,用于计算每个有效数据大块的细化梯度值;
第二计算单元,用于依据所述每个有效数据大块的细化梯度值计算各个有效数据大块的细化梯度的平均值,将所述有效数据大块的细化梯度的平均值作为所述图像数据的全局细化梯度。
7.根据权利要求6所述的图像模糊检测装置,其特征在于,所述全局细化梯度计算模块还包括:
颜色方差计算单元,用于依据公式fColorVar=sqrt(fVarR+fVarG+fVarB)计算每个所述数据大块的颜色方差fColorVar,其中,fVarR表示当前数据大块R分量的方差;fVarR表示当前数据大块G分量的方差;fVarR表示当前数据大块B分量的方差;所述R、G、B表示当前数据大块的红、绿、蓝三原色分量。
8.根据权利要求7所述的图像模糊检测装置,其特征在于,所述第一计算单元具体包括:
数据小块划分子单元,用于将所述有效数据大块划分成预设数量的数据小块,依据每个数据小块中每个像素的联合梯度计算每个数据小块的梯度方差和每个数据小块的梯度最大值;
有效数据小块获取子单元,用于在数据小块的梯度方差不小于预置的梯度方差阈值的情况下,将所述数据小块标记为有效数据小块;
计算子单元,用于计算各个有效数据小块的梯度最大值的平均值,将所述有效数据小块梯度最大值的平均值作为所述有效数据大块的细化梯度值。
9.根据权利要求8所述的图像模糊检测装置,其特征在于,所述模糊检测模块包括:
第一比较单元,用于将所述图像数据的全局细化梯度与第四梯度阈值、第五梯度阈值作比较;
第一判定单元,用于在所述图像数据的全局细化梯度大于所述第四梯度阈值的情况下,判定图像为明显清晰图像;
第二判定单元,用于在所述图像数据的全局细化梯度小于所述第五梯度阈值的情况下,判定图像为明显模糊图像;
边缘宽度计算单元,用于在所述图像数据的全局细化梯度介于所述第四梯度阈值和所述第五梯度阈值之间的情况下,计算所述图像数据的水平边缘宽度和垂直边缘宽度;
第二比较单元,用于将所述图像数据的水平边缘宽度和垂直边缘宽度与边缘宽度阈值作比较;
第三判定单元,用于在所述水平边缘宽度或垂直边缘宽度小于所述边缘宽度阈值的情况下,判定图像为清晰图像;
第四判定单元,用于在所述水平边缘宽度和垂直边缘宽度均不小于边缘宽度阈值的情况下,判定图像为模糊图像。
10.根据权利要求9所述的图像模糊检测装置,其特征在于,所述边缘宽度计算单元包括:
垂直边缘确定子单元,用于逐行遍历所述图像中所述每个像素的垂直方向梯度,获取垂直方向边缘像素点的位置,依据所述边缘像素点的位置逐个统计各列的水平边缘宽度;
水平边缘宽度计算子单元,用于计算各列的水平边缘宽度的平均值,将所述水平边缘宽度的平均值作为所述图像数据的水平边缘宽度;
水平边缘确定子单元,用于逐列遍历所述图像中所述每个像素的水平方向梯度,获取水平方向边缘像素点的位置,依据所述边缘像素点的位置逐个统计各行的垂直边缘宽度;
垂直边缘宽度计算子单元,用于计算各行的垂直边缘宽度的平均值,将所述垂直边缘宽度的平均值作为所述图像数据的垂直边缘宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510169849.6A CN104867128B (zh) | 2015-04-10 | 2015-04-10 | 图像模糊检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510169849.6A CN104867128B (zh) | 2015-04-10 | 2015-04-10 | 图像模糊检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104867128A CN104867128A (zh) | 2015-08-26 |
CN104867128B true CN104867128B (zh) | 2017-10-31 |
Family
ID=53912943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510169849.6A Active CN104867128B (zh) | 2015-04-10 | 2015-04-10 | 图像模糊检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104867128B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296665B (zh) * | 2016-07-29 | 2019-05-14 | 北京小米移动软件有限公司 | 卡片图像模糊检测方法和装置 |
CN106599783B (zh) * | 2016-11-09 | 2020-01-14 | 浙江宇视科技有限公司 | 一种视频遮挡检测方法及装置 |
CN107945156A (zh) * | 2017-11-14 | 2018-04-20 | 宁波江丰生物信息技术有限公司 | 一种自动评价数字病理扫描图像画质的方法 |
CN108629766A (zh) * | 2018-04-26 | 2018-10-09 | 北京大米科技有限公司 | 图像模糊度检测方法、装置、计算机设备及可读存储介质 |
CN110111261B (zh) * | 2019-03-28 | 2021-05-28 | 瑞芯微电子股份有限公司 | 图像的自适应平衡处理方法、电子设备和计算机可读存储介质 |
CN111161211B (zh) * | 2019-12-04 | 2023-11-03 | 成都华为技术有限公司 | 一种图像检测方法及装置 |
CN111047575A (zh) * | 2019-12-12 | 2020-04-21 | 青海奥珞威信息科技有限公司 | 无人机电力巡线影像质量盲评估方法 |
CN112085701B (zh) * | 2020-08-05 | 2024-06-11 | 深圳市优必选科技股份有限公司 | 一种人脸模糊度检测方法、装置、终端设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877127A (zh) * | 2009-11-12 | 2010-11-03 | 北京大学 | 基于梯度剖面的图像无参考质量评价方法及*** |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN102968800A (zh) * | 2012-12-14 | 2013-03-13 | 宁波江丰生物信息技术有限公司 | 一种图像清晰度的评价方法 |
CN103455994A (zh) * | 2012-05-28 | 2013-12-18 | 佳能株式会社 | 图像模糊度的确定方法和设备 |
CN104134204A (zh) * | 2014-07-09 | 2014-11-05 | 中国矿业大学 | 一种基于稀疏表示的图像清晰度评价方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9065999B2 (en) * | 2011-03-24 | 2015-06-23 | Hiok Nam Tay | Method and apparatus for evaluating sharpness of image |
-
2015
- 2015-04-10 CN CN201510169849.6A patent/CN104867128B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877127A (zh) * | 2009-11-12 | 2010-11-03 | 北京大学 | 基于梯度剖面的图像无参考质量评价方法及*** |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN103455994A (zh) * | 2012-05-28 | 2013-12-18 | 佳能株式会社 | 图像模糊度的确定方法和设备 |
CN102968800A (zh) * | 2012-12-14 | 2013-03-13 | 宁波江丰生物信息技术有限公司 | 一种图像清晰度的评价方法 |
CN104134204A (zh) * | 2014-07-09 | 2014-11-05 | 中国矿业大学 | 一种基于稀疏表示的图像清晰度评价方法和装置 |
Non-Patent Citations (5)
Title |
---|
Gradient-based Sharpness Function;Maria Rudnaya;《Proceedings of the World Congress on Engineering》;20110708;正文第1-6页 * |
一种新的高灵敏度聚焦评价函数;黄亿 等;《微计算机信息》;20090925;第25卷(第9-3期);第163页2.3节第1段 * |
基于梯度及HVS特性的离焦模糊图像质量评价;黄隆华;《计算机应用研究》;20100215;第781-783页 * |
基于梯度结构相似度的无参考模糊图像质量评价;桑庆兵 等;《光电子·激光》;20130315;第24卷(第3期);第573-577页 * |
基于梯度阈值计数的清晰度评价算法;张宏飞 等;《科学技术与工程》;20131208;第13卷(第34期);第10365页右栏第1段、第10366页左栏第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN104867128A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104867128B (zh) | 图像模糊检测方法和装置 | |
US6141434A (en) | Technique for processing images | |
US6556708B1 (en) | Technique for classifying objects within an image | |
US10810438B2 (en) | Setting apparatus, output method, and non-transitory computer-readable storage medium | |
US6400830B1 (en) | Technique for tracking objects through a series of images | |
US6421462B1 (en) | Technique for differencing an image | |
CN109284674A (zh) | 一种确定车道线的方法及装置 | |
CN102737370B (zh) | 检测图像前景的方法及设备 | |
US11534063B2 (en) | Interpupillary distance measuring method, wearable ophthalmic device and storage medium | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
CN106462953A (zh) | 图像处理***及计算机可读记录介质 | |
CN106127715A (zh) | 一种图像去雾方法及*** | |
CN104408707A (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
CN106030653A (zh) | 用于生成高动态范围图像的图像处理***和图像处理方法 | |
US6434271B1 (en) | Technique for locating objects within an image | |
US9280209B2 (en) | Method for generating 3D coordinates and mobile terminal for generating 3D coordinates | |
CN106447701A (zh) | 用于图像相似性确定、对象检测和跟踪的方法和装置 | |
CN111340749B (zh) | 图像质量的检测方法、装置、设备及存储介质 | |
Le Meur et al. | A spatio-temporal model of the selective human visual attention | |
CN104077776B (zh) | 一种基于颜色空间自适应更新的视觉背景提取方法 | |
CN105469427B (zh) | 一种用于视频中目标跟踪方法 | |
CN108009556A (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
CN108133488A (zh) | 一种红外图像前景检测方法及设备 | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
US6240197B1 (en) | Technique for disambiguating proximate objects within an image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |