CN108665459A - 一种图像模糊检测方法、计算设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种图像模糊检测方法，适于在计算设备中执行，该方法包括步骤：接收待检测的图像；从图像中截取光斑图像，光斑图像包含至少一个光斑；提取光斑图像中每个光斑的轮廓线；对于所提取的每条轮廓线，计算该条轮廓线到其对应的标准轮廓线的豪斯多夫距离；判断计算得到的豪斯多夫距离是否小于标准轮廓线的距离阈值；以及若到其对应的标准轮廓线的豪斯多夫距离不小于标准轮廓线的距离阈值的轮廓线在所提取的所有轮廓线中的占比超过预定比例，则确定图像存在模糊，且模糊类型为运动模糊。本发明还公开了对应的计算设备和可读存储介质。

Description

一种图像模糊检测方法、计算设备及可读存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像模糊检测方法、计算设备及可读存储介质。

背景技术

随着人们对互联网安全的日益关注，利用人脸、虹膜等生物特征来进行用户身份识别的应用也日渐增多。这种拍摄人脸/眼周/虹膜图像来进行识别的方式，具有安全性和精确度高的优点。其中，人脸/眼周/虹膜图像是否清晰是关键。

一般来说，图像在拍照过程中遇到抖动、运动和聚焦等外界因素的干扰会产生模糊。而如果对存在模糊的人脸/人眼/虹膜图像进行识别，容易导致对用户身份的识别错误，从而给用户带来困扰。因此，对诸如人脸/眼周/虹膜图像之类的用于身份识别的图像进行模糊检测十分必要。

现有的图像运动模糊检测方法大体上可以分为两类：一类是对整幅图像进行模糊程度的估计，另一类是将图像划分为若干个子区域，估计出每一个子区域的模糊程度，以此检测图像是否模糊，这两类方法都比较复杂，并且运算量大，处理速度慢。

因此，迫切需要一种更先进的图像模糊检测方案。

发明内容

为此，本发明提供一种图像模糊检测方法、计算设备及可读存储介质，以力图解决或者至少缓解上面存在的至少一个问题。

根据本发明的一个方面，提供了一种图像模糊检测方法，适于在计算设备中执行，该方法包括步骤：接收待检测的图像；从图像中截取光斑图像，光斑图像包含至少一个光斑；提取光斑图像中每个光斑的轮廓线；对于所提取的每条轮廓线，计算该条轮廓线到其对应的标准轮廓线的豪斯多夫距离；判断计算得到的豪斯多夫距离是否小于标准轮廓线的距离阈值，标准轮廓线和标准轮廓线的距离阈值均基于多个无模糊光斑图像预先得到；以及若到其对应的标准轮廓线的豪斯多夫距离不小于该标准轮廓线的距离阈值的轮廓线在所提取的所有轮廓线中的占比超过预定比例，则确定图像存在模糊，且模糊类型为运动模糊。

可选地，在根据本发明的图像模糊检测方法中，从图像中截取光斑图像的步骤包括：从图像中截取感兴趣区域，感兴趣区域包含光斑图像；基于感兴趣区域获取所述至少一个光斑的光斑特征；根据至少一个光斑的光斑特征来截取光斑图像。

可选地，在根据本发明的图像模糊检测方法中，基于感兴趣区域获取至少一个光斑的光斑特征的步骤包括：对感兴趣区域进行阈值分割，得到感兴趣区域的二值图像；根据二值图像确定至少一个光斑的光斑特征。

可选地，在根据本发明的图像模糊检测方法中，至少一个光斑的光斑特征包括包围所述至少一个光斑的最小外接矩形，根据至少一个光斑的光斑特征来截取光斑图像的步骤包括：根据包围所述至少一个光斑的最小外接矩形来截取所述光斑图像。

可选地，在根据本发明的图像模糊检测方法中，至少一个光斑的光斑特征还包括每个光斑的最小外接矩形长宽比和面积，方法还包括步骤：在基于感兴趣区域获取至少一个光斑的光斑特征之后，判断每个光斑的最小外接矩形长宽比是否满足第一光斑筛选条件；若最小外接矩形长宽比不满足第一光斑筛选条件的光斑在所有光斑中的占比超过第一光斑比例，则确定图像存在模糊，且模糊类型为运动模糊；若最小外接矩形长宽比满足第一光斑筛选条件的光斑在所有光斑中的占比超过第一光斑比例，则判断每个光斑的面积是否满足第二光斑筛选条件；若面积不满足第二光斑筛选条件的光斑在所有光斑中的占比超过第二光斑比例，则确定图像存在模糊，且模糊类型为聚焦模糊。

可选地，在根据本发明的图像模糊检测方法中，方法还包括步骤：在提取光斑图像中每个光斑的轮廓线之后，获取每条轮廓线的轮廓线特征，每条轮廓线的轮廓线特征包括该条轮廓线的周长、面积和最小外接矩形长宽比；对于每条轮廓线，判断该条轮廓线的周长是否满足第一轮廓线筛选条件、面积是否满足第二轮廓线筛选条件、以及最小外接矩形长宽比是否满足第三轮廓线筛选条件；若不满足第一轮廓线筛选条件、第二轮廓线筛选条件和第三轮廓线筛选条件中任意一个的轮廓线在所提取的所有轮廓线中的占比超过轮廓线比例，则确定图像存在模糊，且模糊类型为聚焦模糊。

可选地，在根据本发明的图像模糊检测方法中，方法还包括步骤：对于所提取的每条轮廓线，在计算该条轮廓线到其对应的标准轮廓线的豪斯多夫距离之前，分别计算该条轮廓线到每条标准轮廓线的豪斯多夫距离；选择其中豪斯多夫距离最小的标准轮廓线作为该条轮廓线对应的标准轮廓线。

可选地，在根据本发明的图像模糊检测方法中，方法还包括基于多个无模糊光斑图像得到至少一条标准轮廓线、以及每条标准轮廓线的距离阈值的步骤，包括：提取每个无模糊光斑图像中每个光斑的轮廓线；将所提取到的多条轮廓线划分为至少一个轮廓线集合；对于每个轮廓线集合，获取代表该轮廓线集合的一条标准轮廓线，并基于该轮廓线集合计算该条标准轮廓线的距离阈值。

可选地，在根据本发明的图像模糊检测方法中，将所提取到的多条轮廓线划分为至少一个轮廓线集合的步骤包括：计算所提取到的多条轮廓线中两两之间的豪斯多夫距离；在所提取到的多条轮廓线中，检测是否存在未被划分至任何轮廓线集合的轮廓线；若是，则根据计算得到的豪斯多夫距离，在未被划分至任何轮廓线集合的轮廓线中构建一个轮廓线集合；重复上述检测轮廓线、以及构建轮廓线集合的步骤，直至所提取到的多条轮廓线中不存在未被划分至任何轮廓线集合的轮廓线为止。

可选地，在根据本发明的图像模糊检测方法中，根据计算得到的豪斯多夫距离，在未被划分至任何轮廓线集合的轮廓线中构建一个轮廓线集合的步骤包括：在未加入任何轮廓线集合的轮廓线中，选择两两之间豪斯多夫距离最小的两条轮廓线，新组成一个轮廓线集合；在未加入任何轮廓线集合的轮廓线中，查找是否存在到新组成的轮廓线集合中任意一条轮廓线的豪斯多夫距离小于预定阈值的轮廓线；如果存在，则分别计算查找得到的每条轮廓线到新组成的轮廓线集合中所有轮廓线的豪斯多夫距离之和，并将其中豪斯多夫距离之和最小的轮廓线添加至新组成的轮廓线集合；重复上述查找轮廓线、计算豪斯多夫距离之和、以及添加轮廓线的步骤，直至未加入任何轮廓线集合的轮廓线中不存在到新组成的轮廓线集合中任意一条轮廓线的豪斯多夫距离小于预定阈值的轮廓线为止。

可选地，在根据本发明的图像模糊检测方法中，预定阈值为0.15～0.19。

可选地，在根据本发明的图像模糊检测方法中，获取代表该轮廓线集合的一条标准轮廓线的步骤包括：在该轮廓线集合中，重复进行挑选一条备选标准轮廓线的步骤，直至挑选得到的备选标准轮廓线达到预定数目条为止；将挑选得到的预定数目条备选标准轮廓线合并为一条标准轮廓线；其中挑选一条备选标准轮廓线的步骤包括：对于该轮廓线集合中未被挑选为备选标准轮廓线的每条轮廓线，计算除该条轮廓线以外的未被挑选为备选标准轮廓线的轮廓线到该条轮廓线以及所有备选标准轮廓线的豪斯多夫距离之和；选择其中豪斯多夫距离之和最小的轮廓线作为一条备选标准轮廓线。

可选地，在根据本发明的图像模糊检测方法中，基于该轮廓线集合计算该条标准轮廓线的距离阈值的步骤包括：分别计算该轮廓线集合中每条轮廓线到该条标准轮廓线的豪斯多夫距离；选择其中最大的豪斯多夫距离作为该条标准轮廓线的距离阈值。

可选地，在根据本发明的图像模糊检测方法中，通过以下公式来计算豪斯多夫距离：

HD(A,B)＝max{h(A,B),h(B,A)}

其中

A＝{p_a1,p_a2,p_a3,......,p_am}B＝{p_b1,p_b2,p_b3,......,p_bn}

HD(A,B)为A和B之间的豪斯多夫距离，h(A,B)和h(A,B)分别为A到B的单向豪斯多夫距离和B到A的单向豪斯多夫距离，A和B分别为两个包含有限像素点的集合，||p_a-p_b||为像素点p_a和像素点p_b之间的欧氏距离，||p_b-p_a||为像素点p_b和像素点p_a之间的欧氏距离。

可选地，在根据本发明的图像模糊检测方法中，提取光斑的轮廓线的步骤包括：采用isocline算法来提取光斑的轮廓线。

可选地，在根据本发明的图像模糊检测方法中，图像为眼周、或虹膜、或人脸的近红外图像。

根据本发明的另一个方面，提供了一种计算设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据本发明的图像模糊检测方法中的任一方法的指令。

根据本发明的还有一个方面，提供了一种存储程序的可读存储介质，所述程序包括指令，所述指令当由计算设备执行时，使得计算设备执行根据本发明的图像模糊检测方法的中任一方法。

根据本发明的图像模糊检测方案，预先基于多个无模糊光斑图像得到至少一条标准轮廓线，提取待检测图像中每个光斑的轮廓线，基于豪斯多夫距离对每条轮廓线和该条轮廓线对应的标准轮廓线进行比较，从而实现对图像的模糊检测，且准确度高、计算量小，并能够区分图像的模糊类型是聚焦模糊和运动模糊。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示例性地示出计算设备100的结构框图；以及

图2示例性地示出根据本发明一个实施方式的图像模糊检测方法200的流程图；

图3A和图3B分别示例性地示出根据本发明一个实施方式的感兴趣区域及其二值图像的示意图；

图4示例性地示出根据本发明一个实施方式的光斑的轮廓线的示意图；

图5示例性地示出根据本发明一个实施方式的轮廓线集合划分方法500的流程图；以及

图6示例性地示出根据本发明一个实施方式的构建一个轮廓线集合的方法600的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示例性地示出计算设备100的结构框图。该计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和网络服务器等，也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。此外，计算设备100还可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。

在基本的配置102中，计算设备100典型地包括***存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和***存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器((μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器218可以是处理器104的一个内部部分。

取决于期望的配置，***存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。***存储器106可以包括操作***120、一个或者多个程序122以及程序数据124。在一些实施方式中，程序122可以被配置为在操作***上由一个或者多个处理器104利用程序数据124执行指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100的一个或多个程序122包括用于执行根据本发明的图像模糊检测方法中任一方法的指令。图2示例性示出根据本发明一个实施方式的图像模糊检测方法200的流程图。

如图2所示，图像模糊检测方法200始于步骤S210。在步骤S210中，接收待检测的图像。该图像通常在图像采集设备处获取。根据本发明的一个实施方式，计算设备100可以经由一个或者多个通信端口164与图像采集设备进行通过上述网络通信链路的通信，从该图像采集设备处获取其拍摄的包含虹膜的近红外图像，例如人脸、眼周、虹膜的近红外图像。图像采集设备通常可以包括近红外光源、光学镜头和图像传感器。

而后在步骤S220中，从该图像中截取光斑图像，该光斑图像包含至少一个光斑。可以理解地，这些光斑是周围的明亮物(例如近红外光源)反射到瞳孔上而形成。

根据本发明的一个实施方式，可以通过下述步骤来截取光斑图像：

先从图像中截取感兴趣区域。感兴趣区域包含有光斑图像，其通常为瞳孔区域，可以通过在图像中定位瞳孔的位置来截取。

接着，可以基于感兴趣区域获取至少一个光斑的光斑特征。具体地，对感兴趣区域进行阈值分割，得到该感兴趣区域的二值图像，以将光斑和背景分离开。其中，阈值分割方法可以是诸如固定阈值分割、自适应阈值图像分割之类的基于阈值的分割方法，可以是诸如分水岭法之类的基于区域的分割方法，还可以是诸如水平集方法之类的基于几何活动轮廓模型的分割方法，本发明对此不做限制。

图3A和图3B分别示例性示出根据本发明一个实施方式的感兴趣区域及其二值图像的示意图，在如图3B所示的二值图像中，白色部分为光斑，黑色部分为背景。

根据感兴趣区域的二值图像则可以确定至少一个光斑的光斑特征。通常地，至少一个光斑的光斑特征可以包括包围至少一个光斑的最小外接矩形、每个光斑的最小外接矩形长宽比和面积等等。

根据本发明的另一个实施方式，在基于感兴趣区域获取至少一个光斑的光斑特征之后，可以判断每个光斑的最小外接矩形长宽比是否满足第一光斑筛选条件，该第一光斑筛选条件为最小外接矩形长宽比小于光斑长宽比值(例如1.5)。

若最小外接矩形长宽比不满足第一光斑筛选条件的光斑在所有光斑中的占比超过第一光斑比例(通常为1/2)，则确定图像存在模糊，且模糊类型为运动模糊。若最小外接矩形长宽比满足第一光斑筛选条件的光斑在所有光斑中的占比超过第一光斑比例，则继续判断每个光斑的面积是否满足第二光斑筛选条件，该第二光斑筛选条件为面积位于光斑面积最小值到光斑面积最大值之间(例如40个像素到200个像素之间)，包括光斑面积最小值和光斑面积最大值。

若面积不满足第二光斑筛选条件的光斑在所有光斑中的占比超过第二光斑比例(通常为1/2)，则确定图像存在模糊，且模糊类型为聚焦模糊。

若面积满足第二光斑筛选条件的光斑在所有光斑中的占比超过第二光斑比例，则可以根据至少一个光斑的光斑特征来截取光斑图像。具体地，可以根据包围至少一个光斑的最小外接矩形来截取该光斑图像，例如，截取到的光斑图像为至少包围该最小外接矩形的矩形图像。

截取到光斑图像之后，在步骤S230中，提取光斑图像中每个光斑的轮廓线。根据本发明的一个实施方式，可以采用isocline算法来提取光斑的轮廓线。isocline算法为现有技术，其基本原理是在灰度图像中找灰度值相同的点连接成轮廓线，本发明对此不进行详述。

图4示例性示出根据本发明一个实施方式的光斑的轮廓线的示意图，如图4所示的光斑图像包含有2个光斑，提取出2条轮廓线(以黑色线条表示)。

在提取光斑图像中每个光斑的轮廓线之后，，根据本发明的一个实施方式，还可以对提取到的轮廓线进行去均值和归一化处理。

根据本发明的另一个实施方式，在提取光斑图像中每个光斑的轮廓线之后，还可以获取每条轮廓线的轮廓线特征，每条轮廓线的轮廓线特征可以包括该条轮廓线的最小外接矩形长宽比、面积、周长等。可以根据该条轮廓线的面积、周长来判断图像是否存在模糊。

根据本发明的一个实施方式，对于每条轮廓线，判断该条轮廓线的周长是否满足第一轮廓线筛选条件、面积是否满足第二轮廓线筛选条件、以及最小外接矩形长宽比是否满足第三轮廓线筛选条件。第一轮廓线筛选条件可以为周长位于轮廓线周长最小值到轮廓线周长最大值之间(例如30个像素到150个像素之间)，包括轮廓线周长最小值和轮廓线周长最大值。第二轮廓线筛选条件可以为面积位于轮廓线面积最小值到轮廓线面积最大值之间(例如40个像素到200个像素之间)，包括轮廓线面积最小值和轮廓线面积最大值。第三轮廓线筛选条件可以为最小外接矩形长宽比小于轮廓线长宽比值(例如1.5)。

若不满足第一轮廓线筛选条件、第二轮廓线筛选条件和第三轮廓线筛选条件中任意一个的轮廓线在所提取的所有轮廓线中的占比超过轮廓线比例(通常为1/2)，则确定图像存在模糊，且模糊类型为聚焦模糊。

若不满足第一轮廓线筛选条件、第二轮廓线筛选条件和第三轮廓线筛选条件中任意一个的轮廓线在所提取的所有轮廓线中的占比不超过轮廓线比例，则可以进入步骤S240。

在步骤S240中，对于所提取的每条轮廓线，可以计算该条轮廓线到其对应的标准轮廓线的豪斯多夫距离。根据本发明的一个实施方式，可以通过以下公式来计算豪斯多夫距离：

HD(A,B)＝max{h(A,B),h(B,A)}

其中

A＝{p_a1,p_a2,p_a3,......,p_am}B＝{p_b1,p_b2,p_b3,......,p_bn}

HD(A,B)为A和B之间的豪斯多夫距离(也称为双向豪斯多夫距离)，h(A,B)和h(A,B)分别为A到B的单向豪斯多夫距离和B到A的单向豪斯多夫距离，A和B分别为两个包含有限像素点的集合，||p_a-p_b||为像素点p_a和像素点p_b之间的欧氏距离，||p_b-p_a||为像素点p_b和像素点p_a之间的欧氏距离。

根据本发明的一个实施方式，图像模糊检测方法200还可以包括步骤：基于多个无模糊光斑图像预先得到至少一条标准轮廓线、以及每条标准轮廓线的距离阈值。因此，对于所提取的每条轮廓线，在计算该条轮廓线到其对应的标准轮廓线的豪斯多夫距离之前，需要先确定该条轮廓线所对应的标准轮廓线。具体地，可以分别计算该条轮廓线到每条标准轮廓线的豪斯多夫距离，最后选择其中豪斯多夫距离最小的标准轮廓线作为该条轮廓线对应的标准轮廓线。

在计算得到该条轮廓线到其对应的标准轮廓线的豪斯多夫距离之后，可以接着在步骤S240中判断计算得到的豪斯多夫距离是否小于该标准轮廓线的距离阈值。

最后在步骤S250中，若到其对应的标准轮廓线的豪斯多夫距离不小于该标准轮廓线的距离阈值的轮廓线在所提取的所有轮廓线中的占比超过预定比例，则确定图像存在模糊，且模糊类型为运动模糊。该预定比值可由用户根据实际情况进行调整，例如可以为1除以所提取的所有轮廓线数目，也可以为1/2。

若到其对应的标准轮廓线的豪斯多夫距离不小于该标准轮廓线的距离阈值的轮廓线在所提取的所有轮廓线中的占比不超过预定比例，则确定图像不存在运动模糊。

下面将对基于多个无模糊光斑图像得到至少一条标准轮廓线、以及每条标准轮廓线的距离阈值的过程进行详细描述。

首先，对于多个无模糊光斑图像，可以提取每个无模糊光斑图像中每个光斑的轮廓线。具体可以采用isocline算法来提取轮廓线。这些无模糊光斑图像为人为筛选出来的、认为不存在模糊的光斑图像样本。其可以类似于前述从待检测的图像中截取光斑图像的步骤，从人为筛选出来的、认为不存在模糊的人脸或眼周或虹膜的近红外图像中截取，尺寸与前述光斑图像相同。本发明对此不再赘述。

而后，将所提取到的多条轮廓线划分为至少一个轮廓线集合。

图5示例性示出根据本发明一个实施方式的轮廓线集合划分方法500的流程图。如图5所示，轮廓线集合划分方法500始于步骤S510。

在步骤S510中，计算所提取到的多条轮廓线中两两之间的豪斯多夫距离。而后在步骤S520中，检测在所提取到的多条轮廓线中，是否存在未被划分至任何轮廓线集合的轮廓线。若是，则进入步骤S530，根据计算得到的豪斯多夫距离，在未被划分至任何轮廓线集合的轮廓线中构建一个轮廓线集合。这个轮廓线集合构建完成之后，返回至步骤S520中继续进行检测，若检测到在所提取到的多条轮廓线中，仍存在未被划分至任何轮廓线集合的轮廓线，则依然进入步骤S530，继续根据计算得到的豪斯多夫距离，在未被划分至任何轮廓线集合的轮廓线中构建一个轮廓线集合。这样重复上述步骤S520和步骤S530，直至在所提取到的多条轮廓线中，不存在未被划分至任何轮廓线集合的轮廓线为止。

根据本发明的一个实施方式，若检测到在所提取到的多条轮廓线中，仅存在两条未被划分至任何轮廓线集合的轮廓线，则直接将这两条轮廓线划分为一个轮廓线集合。根据本发明的另一个实施方式，若检测到在所提取到的多条轮廓线中，仅存在一条未被划分至任何轮廓线集合的轮廓线，则直接将这条轮廓线抛弃，认为不存在未被划分至任何轮廓线集合的轮廓线。

下面将对根据计算得到的豪斯多夫距离，在未被划分至任何轮廓线集合的轮廓线中构建一个轮廓线集合的过程进行详细描述。

图6示例性示出根据本发明一个实施方式的构建一个轮廓线集合的方法600的流程图。如图6所示，构建一个轮廓线集合的方法600始于步骤S610。

在步骤S610中，在未加入任何轮廓线集合的轮廓线中，选择两两之间豪斯多夫距离最小的两条轮廓线，新组成一个轮廓线集合。

而后，在步骤S620中，在未加入任何轮廓线集合的轮廓线中，查找是否存在到新组成的轮廓线集合中任意一条轮廓线的豪斯多夫距离小于预定阈值的轮廓线。预定阈值的取值通常为0.15到0.19之间(包括0.15和0.19)。

如果存在，则在步骤S630中，分别计算查找得到的每条轮廓线到新组成的轮廓线集合中所有轮廓线的豪斯多夫距离之和。

假设新组成的轮廓线集合P＝{l₁,l₂,......,l_i,......,l_n}，对于查找得到的每条轮廓线该条轮廓线到新组成的轮廓线集合P中所有轮廓线的豪斯多夫距离之和为：

而后在步骤S640中，将其中豪斯多夫距离之和最小的轮廓线添加至新组成的轮廓线集合。当然，若查找得到的轮廓线仅有一条，则直接将该条轮廓线加入新组成的轮廓线集合即可。

重复上述步骤S620、步骤S630和步骤S640，直至未加入任何轮廓线集合的轮廓线中不存在到新组成的轮廓线集合中任意一条轮廓线的豪斯多夫距离小于预定阈值的轮廓线为止，也就表示这个新组成的轮廓线集合构建完成。

在所提取到的每条轮廓线均被划分至相应的轮廓线集合之后，对于每个轮廓线集合，均可以获取代表该轮廓线集合的一条标准轮廓线，并基于该轮廓线集合计算该条标准轮廓线的距离阈值。

具体地，在该轮廓线集合中，可以重复进行挑选一条备选标准轮廓线的步骤，直至挑选得到的备选标准轮廓线达到预定数目条为止。预定数目通常为1～3。

挑选一条备选标准轮廓线的步骤可以如下：

对于该轮廓线集合中未被挑选为备选标准轮廓线的每条轮廓线，计算除该条轮廓线以外的未被挑选为备选标准轮廓线的轮廓线到该条轮廓线以及所有备选标准轮廓线的豪斯多夫距离之和。

假设轮廓线集合为P，轮廓线集合P中被挑选为备选标准轮廓线的轮廓线组成集合Q。对于轮廓线集合P中未被挑选为备选标准轮廓线的每条轮廓线l而言，除该条轮廓线l以外的未被挑选为备选标准轮廓线的轮廓线组成集合S＝P-Q-{l}，那么除该条轮廓线l以外的未被挑选为备选标准轮廓线的轮廓线到该条轮廓线l以及所有备选标准轮廓线的豪斯多夫距离之和为：

可以选择其中豪斯多夫距离之和最小的轮廓线作为一条备选标准轮廓线。

最后，将挑选得到的预定数目条备选标准轮廓线合并为代表该轮廓线集合的一条标准轮廓线。具体地，假设挑选出备选标准轮廓线l_q1、l_q2和l_q3，可以理解地，每条备选标准轮廓线都是一个包含有限像素点的集合，因此合并得到的一条标准轮廓线为l_q1+l_q2+l_q3，也就是这三条备选标准轮廓线所包含的像素点的并集。

根据本发明的一个实施方式，若轮廓线集合所包含的轮廓线数目小于或等于预定数目，则直接该轮廓线集合所包含的所有轮廓线合并得到代表该轮廓线集合的一条标准轮廓线。例如，预定数目为3，轮廓线集合仅包含两条轮廓线，则将这两条轮廓线合并得到代表该轮廓线集合的一条标准轮廓线。

获取代表该轮廓线集合的一条标准轮廓线之后，可以分别计算该轮廓线集合中每条轮廓线到该条标准轮廓线的豪斯多夫距离，选择其中最大的豪斯多夫距离作为该条标准轮廓线的距离阈值。

综上所述，根据本发明的图像模糊检测方案，预先基于多个无模糊光斑图像可以得到可参考度高的至少一条标准轮廓线，从而可以提取待检测图像中每个光斑的轮廓线，基于豪斯多夫距离对每条轮廓线和该条轮廓线对应的标准轮廓线进行比较，实现对图像的模糊检测，且准确度高、计算量小，并能够区分图像的模糊类型是聚焦模糊还是运动模糊。

应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的该程序代码中的指令，执行本发明的各种方法。

本发明还可以包括：A9、如A8所述的图像模糊检测方法，其中，所述将所提取到的多条轮廓线划分为至少一个轮廓线集合的步骤包括：计算所提取到的多条轮廓线中两两之间的豪斯多夫距离；在所提取到的多条轮廓线中，检测是否存在未被划分至任何轮廓线集合的轮廓线；若是，则根据计算得到的豪斯多夫距离，在未被划分至任何轮廓线集合的轮廓线中构建一个轮廓线集合；重复上述检测轮廓线、以及构建轮廓线集合的步骤，直至所提取到的多条轮廓线中不存在未被划分至任何轮廓线集合的轮廓线为止。A10、如A9所述的图像模糊检测方法，其中，所述根据计算得到的豪斯多夫距离，在未被划分至任何轮廓线集合的轮廓线中构建一个轮廓线集合的步骤包括：在未加入任何轮廓线集合的轮廓线中，选择两两之间豪斯多夫距离最小的两条轮廓线，新组成一个轮廓线集合；在未加入任何轮廓线集合的轮廓线中，查找是否存在到新组成的轮廓线集合中任意一条轮廓线的豪斯多夫距离小于预定阈值的轮廓线；如果存在，则分别计算查找得到的每条轮廓线到新组成的轮廓线集合中所有轮廓线的豪斯多夫距离之和，并将其中豪斯多夫距离之和最小的轮廓线添加至新组成的轮廓线集合；重复上述查找轮廓线、计算豪斯多夫距离之和、以及添加轮廓线的步骤，直至未加入任何轮廓线集合的轮廓线中不存在到新组成的轮廓线集合中任意一条轮廓线的豪斯多夫距离小于预定阈值的轮廓线为止。A11、如A10所述的图像模糊检测方法，其中，所述预定阈值为0.15～0.19。A12、如A9-11中任一项所述的图像模糊检测方法，其中，所述获取代表该轮廓线集合的一条标准轮廓线的步骤包括：在该轮廓线集合中，重复进行挑选一条备选标准轮廓线的步骤，直至挑选得到的备选标准轮廓线达到预定数目条为止；将挑选得到的预定数目条备选标准轮廓线合并为所述一条标准轮廓线；其中所述挑选一条备选标准轮廓线的步骤包括：对于该轮廓线集合中未被挑选为备选标准轮廓线的每条轮廓线，计算除该条轮廓线以外的未被挑选为备选标准轮廓线的轮廓线到该条轮廓线以及所有备选标准轮廓线的豪斯多夫距离之和；选择其中豪斯多夫距离之和最小的轮廓线作为一条备选标准轮廓线。A13、如A9-12中任一项所述的图像模糊检测方法，其中，所述基于该轮廓线集合计算该条标准轮廓线的距离阈值的步骤包括：分别计算该轮廓线集合中每条轮廓线到该条标准轮廓线的豪斯多夫距离；选择其中最大的豪斯多夫距离作为该条标准轮廓线的距离阈值。A14、如A9-13中任一项所述的图像模糊检测方法，其中，通过以下公式来计算豪斯多夫距离：

HD(A,B)＝max{h(A,B),h(B,A)}

其中

A＝{p_a1,p_a2,p_a3,......,p_am}B＝{p_b1,p_b2,p_b3,......,p_bn}

HD(A,B)为A和B之间的豪斯多夫距离，h(A,B)和h(A,B)分别为A到B的单向豪斯多夫距离和B到A的单向豪斯多夫距离，A和B分别为两个包含有限像素点的集合，||p_a-p_b||为像素点p_a和像素点p_b之间的欧氏距离，||p_b-p_a||为像素点p_b和像素点p_a之间的欧氏距离。A15、如A1-14中任一项所述的图像模糊检测方法，其中，提取光斑的轮廓线的步骤包括：采用isocline算法来提取光斑的轮廓线。A16、如A1-15中任一项所述的图像模糊检测方法，其中，所述图像为眼周、或虹膜、或人脸的近红外图像。

以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机***的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种图像模糊检测方法，适于在计算设备中执行，所述方法包括步骤：

接收待检测的图像；

从所述图像中截取光斑图像，所述光斑图像包含至少一个光斑；

提取所述光斑图像中每个光斑的轮廓线；

对于所提取的每条轮廓线，

计算该条轮廓线到其对应的标准轮廓线的豪斯多夫距离；

判断计算得到的豪斯多夫距离是否小于所述标准轮廓线的距离阈值，所述标准轮廓线和所述标准轮廓线的距离阈值均基于多个无模糊光斑图像预先得到；以及

若到其对应的标准轮廓线的豪斯多夫距离不小于所述标准轮廓线的距离阈值的轮廓线在所提取的所有轮廓线中的占比超过预定比例，则确定所述图像存在模糊，且模糊类型为运动模糊。

2.如权利要求1所述的图像模糊检测方法，其中，所述从图像中截取光斑图像的步骤包括：

从所述图像中截取感兴趣区域，所述感兴趣区域包含所述光斑图像；

基于所述感兴趣区域获取所述至少一个光斑的光斑特征；

根据所述至少一个光斑的光斑特征来截取所述光斑图像。

3.如权利要求2所述的图像模糊检测方法，其中，所述基于感兴趣区域获取所述至少一个光斑的光斑特征的步骤包括：

对所述感兴趣区域进行阈值分割，得到所述感兴趣区域的二值图像；

根据所述二值图像确定所述至少一个光斑的光斑特征。

4.如权利要求3所述的图像模糊检测方法，其中，所述至少一个光斑的光斑特征包括包围所述至少一个光斑的最小外接矩形，所述根据至少一个光斑的光斑特征来截取光斑图像的步骤包括：

根据包围所述至少一个光斑的最小外接矩形来截取所述光斑图像。

5.如权利要求2-4中任一项所述的图像模糊检测方法，其中，所述至少一个光斑的光斑特征还包括每个光斑的最小外接矩形长宽比和面积，所述方法还包括步骤：

在基于感兴趣区域获取至少一个光斑的光斑特征之后，判断每个光斑的最小外接矩形长宽比是否满足第一光斑筛选条件；

若最小外接矩形长宽比不满足第一光斑筛选条件的光斑在所有光斑中的占比超过第一光斑比例，则确定所述图像存在模糊，且模糊类型为运动模糊；

若最小外接矩形长宽比满足第一光斑筛选条件的光斑在所有光斑中的占比超过第一光斑比例，则判断每个光斑的面积是否满足第二光斑筛选条件；

若面积不满足第二光斑筛选条件的光斑在所有光斑中的占比超过第二光斑比例，则确定所述图像存在模糊，且模糊类型为聚焦模糊。

6.如权利要求1-5中任一项所述的图像模糊检测方法，其中，所述方法还包括步骤：

在提取光斑图像中每个光斑的轮廓线之后，获取每条轮廓线的轮廓线特征，所述每条轮廓线的轮廓线特征包括该条轮廓线的周长、面积和最小外接矩形长宽比；

对于每条轮廓线，判断该条轮廓线的周长是否满足第一轮廓线筛选条件、面积是否满足第二轮廓线筛选条件、以及最小外接矩形长宽比是否满足第三轮廓线筛选条件；

若不满足第一轮廓线筛选条件、第二轮廓线筛选条件和第三轮廓线筛选条件中任意一个的轮廓线在所提取的所有轮廓线中的占比超过轮廓线比例，则确定所述图像存在模糊，且模糊类型为聚焦模糊。

7.如权利要求1-6中任一项所述的图像模糊检测方法，其中，所述方法还包括步骤：

对于所提取的每条轮廓线，在计算该条轮廓线到其对应的标准轮廓线的豪斯多夫距离之前，分别计算该条轮廓线到每条标准轮廓线的豪斯多夫距离；

选择其中豪斯多夫距离最小的标准轮廓线作为该条轮廓线对应的标准轮廓线。

8.如权利要求1-7中任一项所述的图像模糊检测方法，其中，所述方法还包括基于多个无模糊光斑图像得到至少一条标准轮廓线、以及每条标准轮廓线的距离阈值的步骤，所述步骤包括：

提取每个无模糊光斑图像中每个光斑的轮廓线；

将所提取到的多条轮廓线划分为至少一个轮廓线集合；

对于每个轮廓线集合，获取代表该轮廓线集合的一条标准轮廓线，并基于该轮廓线集合计算该条标准轮廓线的距离阈值。

9.一种计算设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1-8所述的图像模糊检测方法中的任一方法的指令。

10.一种存储程序的可读存储介质，所述程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1-8所述的图像模糊检测方法的中任一方法。