CN106934806A - 一种基于结构清晰度的无参考图失焦模糊区域分割方法 - Google Patents
一种基于结构清晰度的无参考图失焦模糊区域分割方法 Download PDFInfo
- Publication number
- CN106934806A CN106934806A CN201710135456.2A CN201710135456A CN106934806A CN 106934806 A CN106934806 A CN 106934806A CN 201710135456 A CN201710135456 A CN 201710135456A CN 106934806 A CN106934806 A CN 106934806A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- block
- fuzzy region
- focus
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于结构清晰度的无参考图失焦模糊区域分割方法,包括以下步骤:(1)缩放图像,将图像缩放为原图像面积的约1/4倍;(2)计算清晰度差值,分别计算原图和缩放后图像对应位置图像块的结构清晰度,并计算二者的差;(3)提取模糊区域,滤除差值图像的噪声,使用图像分割算法分割出模糊区域,并对分割后的结果进行上采样。针对无参考图像的失焦模糊区域分割,本发明使用原始图像构造缩放图像,分别计算缩放图像以及原始图像的清晰度,进而获得模糊度分布图像,最终快速有效地分割出图像失焦模糊区域。
Description
技术领域
本发明涉及数字图像技术,具体涉及一种基于结构清晰度的无参考图失焦模糊区域分割方法。
背景技术
图像模糊就是一种常见的图像退化过程,通常是因为在曝光过程中相机的移动、物体的移动或者对焦不准而产生,也有的情况下是为了追求某种艺术效果而人为形成的,包括在摄影或者后期的图像处理过程中。失焦模糊是一种常见的图像模糊,主要是由对焦不准导致的。图像模糊导致了图像中信息的丢失,为进一步处理图像造成了困难。准确而高效的发现模糊像素在图像分割、物体检测、场景分类、图像编辑等领域都有着重要且实际的应用。无参考图模糊区域分割应用中,只有一张输入图像,目前无参考图像失焦模糊区域分割方法主要包括图像频率域方法、空间域方法和一些结合机器学习算法的方法。然而这些算法主要存在两个问题,首先,处理速度慢,实用性不强,其次,分割效果不佳。
一个理想的图像质量评价指标能够有效的区分模糊和清晰图像,因此可以用来做图像模糊区域分割。无参考图结构清晰度图像质量评价指标(NRSS)就是一个效果较好的图像质量评价指标,其在结构清晰度(SSIM)指标的基础上实现了无参考图图像质量评价。但是,目前使用NRSS进行图像模糊区域分割的方法还比较少,即使有最后的分割效果也较差。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于结构清晰度的无参考图失焦模糊区域分割方法。
技术方案:本发明所述的一种基于结构清晰度的无参考图失焦模糊区域分割方法,包括如下步骤:
(1)缩放原始图像:将原始图像等比例缩放为原来图像面积的约0.25倍,即原始图像的尺寸为M×N,缩放后图像的尺寸为采用双线性插值对缩放后的图像进行插值,从而得到缩放后的图像;
(2)计算图像清晰度差值:
(2.1)对原始图像和步骤(1)中缩放后的图像进行分块,从而得到原始图像块集合R和缩放后图像块集合S;
(2.2)分别计算每个图像块的无参考图结构相似性用于衡量每个图像块的清晰程度;
(2.3)分别计算每个图像块清晰程度的差,得到差值矩阵;
(3)分割出模糊区域:
(3.1)使用导向滤波对步骤(2)中获得的差值矩阵进行滤波以滤除噪声;
(3.2)使用大津阈值法对去噪后的图像进行分割,即先找出能够最大化类间方差的灰度值,并以此灰度值进行二值化;
(3.3)对分割后的图像进行上采样,恢复为原始图像尺度。
进一步的,所述步骤(2.1)的具体过程为:
首先,从原始图像中选取图像块,步长为(2,2),即:从图像的左上角开始,先每次沿X轴移动2个像素,然后沿着Y移动2个像素,重复上述步骤,直到获取所有图像块为止,选取的图像块集合为R,每个图像块记为Ri,j;
其中,i表示行标记,j表示列标记,假设图像块的大小为2m×2n,则
接着,从缩放后的图像中选取图像块,步长为(1,1),即:从图像的左上角开始,先每次沿着X轴移动1个像素,然后沿着Y轴移动1个像素,重复上述步骤,直到获取所有图像块为止;选取的图像块序列记为S,每个图像块记为Si,j;
其中,i表示行标记,j表示列标记,假设图像块的大小为m×n,则
集合R和S中图像块的个数应保持一致。
进一步的,所述步骤(2.2)的具体过程为:
假设给定图像块P,无参考图结构相似性的计算步骤如下:模糊图像块P,使用高斯模糊对图像块进行模糊得到图像Pb;提取梯度,使用Sobel算子提取图像块的水平和垂直方向的梯度,图像块P和Pb的梯度图像分别记为G和Gb;找出梯度图像中信息最丰富的N个图像块,梯度信息的丰富程度使用图像的方差衡量,即找出其中方差最大的N个图像块;计算图像块P的无参考图结构清晰度NRSS,NRSS的计算公式为:
其中,G中图像块记为Gi,Gb中图像块记为Gi b;SSIM函数用来计算两个图片块的结构相似性,该函数同时考虑图像块之间的亮度、对比度和结构信息的相关性。在给定两个图像块a、b的情况下,SSIM函数可以表示为:
SSIM(a,b)=[l(a,b)]α[c(a,b)]β[s(a,b)]γ
其中,
s(a,b)=(σab+C3)/(σaσb+C3),
ua,ub分别表示图像块a,b的图像灰度均值,σa,σb分别表示图像块a,b的图像灰度标准差,σab表示图像块a,b的图像灰度协方差,α,β,γ为参数项,C1,C2,C3是常数项,用以防止分母接近于零时出现运算不稳定的情况。
进而分别得到NRSS(Si,j)和NRSS(Ri,j)。
进一步的,所述步骤(2.3)的方法如下:
计算图像块集合R和S中对应图像块清晰度的差值M′i,j,从而得到差值矩阵M′={M′i,j}:
M′i,j=NRSS(Si,j)-NRSS(Ri,j);
对矩阵M′进行归一化得到矩阵M={Mi,j},采用最大值最小值归一化:
Mi,j=(M′i,j-min(M′))/(max(M′)-min(M′)),其中max(M′)表示矩阵中元素的最大值,min(M′)表示矩阵中元素的最小值。
有益效果:本发明不失一般性,图像缩小后,原来模糊的图像会变得清晰,因此可以使用缩小后图像和原始图像的清晰度差作为新的判别指标。基于这一方法可获得图像的模糊度分布,结合图像分割算法,最终有效的分割出图像模糊区域。通过图像尺度变换,所需处理的数据量大大降低,所以本发明的算法处理速度快,同时,分割效果优于现有算法。
综上所述,本发明具有分割速度快、分割效果好、适用于无参考图像等优点。
附图说明
图1为实施例中原始灰度图像;
图2为实施例中采用其他方法人工分割出的图像;
图3为实施例中使用本发明得出的归一化后差值矩阵;
图4为实施例中使用本发明得到的分割结果;
图5为实施例中效果对比图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例:
步骤1:读取原始彩色图像,取得彩色图像矩阵;
步骤2:将彩色图像矩阵转换为灰度图像矩阵,从而得到如图1所述的灰度图像,此时确定图像的大小为640x621;
步骤3:缩放图像,确定缩放后图像的大小为320x310,使用线性插值把图1所示的图像缩放成上述大小的图像;
步骤4:图像分块并计算每个图像块的清晰度。对原始图像和缩放后的图像进行分块,在此过程中,原始图像的移动步长为(2,2),缩放后图像的移动步长为(1,1),原始图像的图像块大小为32x32,缩放后图像的图像块大小为16x16,此过程完成后得到原始图像块集合R和缩放后图像块集合S。对集合中的每个图像块计算无参考图结构清晰度(NRSS),用以衡量每个图像块的清晰程度,此过程完成后得到原始图像清晰度矩阵Rc和缩放后图像清晰度矩阵Sc;
步骤5:计算清晰度的差,根据步骤4中计算得到的清晰度矩阵Rc和Sc,可得到差值矩阵M′=Sc-Rc;
步骤6:对差值矩阵M′进行归一化得到M,具体的归一化方法可以采用最大值最小值归一化方法,即Mi,j=(M′i,j-min(M′))/(max(M′)-min(M′)),得到的归一化图像如图3所示。
步骤7:对矩阵M进行导向滤波,把M自身作为参考图像;
步骤8:使用大津法对差值矩阵M进行分割;
步骤9:放大图像,对分割后的结果进行上采样并使用线性插值算法进行插值,得到最终分割结果,如图4所示。
另外,再对图1中的原始灰度图像采用人工分割,得到如图2所示的图像,然后将采用两种方法分割的结构进行效果对比,如图5所示,图中白色为重叠清晰区域,黑色为重叠模糊区域,灰色为误判区域。
由此可以看出,本发明分割效果好,更加精准。
Claims (4)
1.一种基于结构清晰度的无参考图失焦模糊区域分割方法,包括如下步骤:
(1)缩放原始图像:将原始图像等比例缩放为原来图像面积的约0.25倍,即原始图像的尺寸为M×N,缩放后图像的尺寸为采用双线性插值对缩放后的图像进行插值,从而得到缩放后的图像;
(2)计算图像清晰度差值:
(2.1)对原始图像和步骤(1)中缩放后的图像进行分块,从而得到原始图像块集合R和缩放后图像块集合S;
(2.2)分别计算每个图像块的无参考图结构相似性用于衡量每个图像块的清晰程度;
(2.3)分别计算每个图像块清晰程度的差,得到差值矩阵;
(3)分割出模糊区域:
(3.1)使用导向滤波对步骤(2)中获得的差值矩阵进行滤波以滤除噪声;
(3.2)使用大津阈值法对去噪后的图像进行分割,即先找出能够最大化类间方差的灰度值,并以此灰度值进行二值化;
(3.3)对分割后的图像进行上采样,恢复为原始图像尺度。
2.根据权利要求1所述的基于结构清晰度的无参考图失焦模糊区域分割方法,其特征在于:所述步骤(2.1)的具体过程为:
首先,从原始图像中选取图像块,步长为(2,2),即:从图像的左上角开始,先每次沿X轴移动2个像素,然后沿着Y移动2个像素,重复上述步骤,直到获取所有图像块为止,选取的图像块集合为R,每个图像块记为Ri,j;
其中,i表示行标记,j表示列标记,假设图像块的大小为2m×2n,则
接着,从缩放后的图像中选取图像块,步长为(1,1),即:从图像的左上角开始,先每次沿着X轴移动1个像素,然后沿着Y轴移动1个像素,重复上述步骤,直到获取所有图像块为止;选取的图像块序列记为S,每个图像块记为Si,j;
其中,i表示行标记,j表示列标记,假设图像块的大小为m×n,则
集合R和S中图像块的个数应保持一致。
3.根据权利要求1所述的基于结构清晰度的无参考图失焦模糊区域分割方法,其特征在于:所述步骤(2.2)的具体过程为:
假设给定图像块P,无参考图结构相似性的计算步骤如下:模糊图像块P,使用高斯模糊对图像块进行模糊得到图像Pb;提取梯度,使用Sobel算子提取图像块的水平和垂直方向的梯度,图像块P和Pb的梯度图像分别记为G和Gb;找出梯度图像中信息最丰富的N个图像块,梯度信息的丰富程度使用图像的方差衡量,即找出其中方差最大的N个图像块;计算图像块P的无参考图结构清晰度NRSS,NRSS的计算公式为:
其中,G中图像块记为Gi,Gb中图像块记为SSIM函数用来计算两个图片块的结构相似性,该函数同时考虑图像块之间的亮度、对比度和结构信息的相关性。在给定两个图像块a、b的情况下,SSIM函数可以表示为:
SSIM(a,b)=[l(a,b)]α[c(a,b)]β[s(a,b)]γ
其中,
s(a,b)=(σab+C3)/(σaσb+C3),
ua,ub分别表示图像块a,b的图像灰度均值,σa,σb分别表示图像块a,b的图像灰度标准差,σab表示图像块a,b的图像灰度协方差,α,β,γ为参数项,C1,C2,C3是常数项,用以防止分母接近于零时出现运算不稳定的情况;
进而分别得到NRSS(Si,j)和NRSS(Ri,j)。
4.根据权利要求1所述的基于结构清晰度的无参考图失焦模糊区域分割方法,其特征在于:所述步骤(2.3)的方法如下:
计算图像块集合R和S中对应图像块清晰度的差值M′i,j,从而得到差值矩阵M’={M′i,j}:
M′i,j=NRSS(Si,j)-NRSS(Ri,j);
对矩阵M’进行归一化得到矩阵M={Mi,j},采用最大值最小值归一化:
Mi,j=(M'i,j-min(M'))/(max(M')-min(M')),其中max(M')表示矩阵中元素的最大值,min(M')表示矩阵中元素的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710135456.2A CN106934806B (zh) | 2017-03-09 | 2017-03-09 | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710135456.2A CN106934806B (zh) | 2017-03-09 | 2017-03-09 | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934806A true CN106934806A (zh) | 2017-07-07 |
CN106934806B CN106934806B (zh) | 2019-09-10 |
Family
ID=59432070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710135456.2A Active CN106934806B (zh) | 2017-03-09 | 2017-03-09 | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934806B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292879A (zh) * | 2017-07-17 | 2017-10-24 | 电子科技大学 | 一种基于图像分析的金属板材表面异常检测方法 |
CN107492078A (zh) * | 2017-08-14 | 2017-12-19 | 厦门美图之家科技有限公司 | 一种去除图像中黑噪的方法及计算设备 |
WO2019173954A1 (zh) * | 2018-03-12 | 2019-09-19 | 华为技术有限公司 | 一种图像清晰度检测方法及装置 |
CN111010556A (zh) * | 2019-12-27 | 2020-04-14 | 成都极米科技股份有限公司 | 投影双向热失焦补偿的方法、装置及可读存储介质 |
CN111179259A (zh) * | 2019-12-31 | 2020-05-19 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
WO2020172999A1 (zh) * | 2019-02-28 | 2020-09-03 | 苏州润迈德医疗科技有限公司 | 冠状动脉造影图像序列的质量评分方法和装置 |
CN112017163A (zh) * | 2020-08-17 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 图像模糊度检测的方法、装置、电子设备及存储介质 |
CN112714246A (zh) * | 2019-10-25 | 2021-04-27 | Tcl集团股份有限公司 | 连拍照片获取方法、智能终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030194119A1 (en) * | 2002-04-15 | 2003-10-16 | General Electric Company | Semi-automatic segmentation algorithm for pet oncology images |
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 |
CN103955934A (zh) * | 2014-05-06 | 2014-07-30 | 北京大学 | 一种结合图像显著性区域分割的图像模糊检测算法 |
CN104200475A (zh) * | 2014-09-05 | 2014-12-10 | 中国传媒大学 | 一种无参考图像模糊度估计新方法 |
-
2017
- 2017-03-09 CN CN201710135456.2A patent/CN106934806B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030194119A1 (en) * | 2002-04-15 | 2003-10-16 | General Electric Company | Semi-automatic segmentation algorithm for pet oncology images |
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 |
CN103955934A (zh) * | 2014-05-06 | 2014-07-30 | 北京大学 | 一种结合图像显著性区域分割的图像模糊检测算法 |
CN104200475A (zh) * | 2014-09-05 | 2014-12-10 | 中国传媒大学 | 一种无参考图像模糊度估计新方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292879B (zh) * | 2017-07-17 | 2019-08-20 | 电子科技大学 | 一种基于图像分析的金属板材表面异常检测方法 |
CN107292879A (zh) * | 2017-07-17 | 2017-10-24 | 电子科技大学 | 一种基于图像分析的金属板材表面异常检测方法 |
CN107492078A (zh) * | 2017-08-14 | 2017-12-19 | 厦门美图之家科技有限公司 | 一种去除图像中黑噪的方法及计算设备 |
CN107492078B (zh) * | 2017-08-14 | 2020-04-07 | 厦门美图之家科技有限公司 | 一种去除图像中黑噪的方法及计算设备 |
WO2019173954A1 (zh) * | 2018-03-12 | 2019-09-19 | 华为技术有限公司 | 一种图像清晰度检测方法及装置 |
CN111417981A (zh) * | 2018-03-12 | 2020-07-14 | 华为技术有限公司 | 一种图像清晰度检测方法及装置 |
WO2020172999A1 (zh) * | 2019-02-28 | 2020-09-03 | 苏州润迈德医疗科技有限公司 | 冠状动脉造影图像序列的质量评分方法和装置 |
CN112714246A (zh) * | 2019-10-25 | 2021-04-27 | Tcl集团股份有限公司 | 连拍照片获取方法、智能终端及存储介质 |
CN111010556A (zh) * | 2019-12-27 | 2020-04-14 | 成都极米科技股份有限公司 | 投影双向热失焦补偿的方法、装置及可读存储介质 |
US11934089B2 (en) | 2019-12-27 | 2024-03-19 | Chengdu Xgimi Technology Co., Ltd. | Bidirectional compensation method and apparatus for projection thermal defocusing, and readable storage medium |
CN111179259A (zh) * | 2019-12-31 | 2020-05-19 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
CN111179259B (zh) * | 2019-12-31 | 2023-09-26 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
CN112017163A (zh) * | 2020-08-17 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 图像模糊度检测的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106934806B (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934806B (zh) | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 | |
CN110827200B (zh) | 一种图像超分重建方法、图像超分重建装置及移动终端 | |
CN109785291B (zh) | 一种车道线自适应检测方法 | |
CN107507173A (zh) | 一种全切片图像的无参考清晰度评估方法及*** | |
EP3798975A1 (en) | Method and apparatus for detecting subject, electronic device, and computer readable storage medium | |
CN110852997B (zh) | 动态图像清晰度检测方法、装置、电子设备及存储介质 | |
DE112008001052T5 (de) | Bildsegmentierung und -Verbesserung | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和***及介质 | |
CN113592776A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN111161181A (zh) | 图像数据的增强方法、模型的训练方法、设备和存储介质 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN106156691A (zh) | 复杂背景图像的处理方法及其装置 | |
CN109741273A (zh) | 一种手机拍照低质图像的自动处理与评分方法 | |
CN116385495A (zh) | 一种动态背景下红外视频的运动目标闭环检测方法 | |
CN115713469A (zh) | 基于通道注意力和形变生成对抗网络的水下图像增强方法 | |
Liu et al. | Texture filtering based physically plausible image dehazing | |
CN116310420A (zh) | 一种基于邻域差值的图像相似度度量方法及装置 | |
CN105719251A (zh) | 一种用于大像移线性模糊的压缩降质图像复原方法 | |
CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及*** | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
DE102004026782A1 (de) | Verfahren und Vorrichtung zur rechnergestützten Bewegungsschätzung in mindestens zwei zeitlich aufeinander folgenden digitalen Bildern, computerlesbares Speichermedium und Computerprogramm-Element | |
EP4332879A1 (en) | Method and apparatus for processing graphic symbol, and computer-readable storage medium | |
Bala et al. | Image simulation for automatic license plate recognition | |
CN114529715B (zh) | 一种基于边缘提取的图像识别方法及*** | |
Nieuwenhuizen et al. | Dynamic turbulence mitigation with large moving objects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |