[发明专利]一种结合图像显著性区域分割的图像模糊检测算法

说明书

技术领域

本发明属于模式识别及机器学习领域，具体涉及一组新的结合图像显著性区域分割的图像模糊判别特征,以及基于该组特征的图像模糊检测算法。

背景技术

模糊图像检测是近年来新产生的技术需求。随着数码相机等大众化的成像设备的普及，在我们身边出现了越来越多的数字图像，普通用户个人电子相册里的图像已经数以万计，其中很多图像是存在多种失真的，模糊失真是其中重要的一类。实际应用中，人们期望能够由计算机在大量的图像库中自动识别出模糊图像，从而去除低质量的图像，提高存储效率。另一方面，低质量图像识别在图像搜索中也具有重要价值，人们不仅希望搜索引擎能够检索到相似图像，同时也能够将质量较高的图像排序尽可能靠前，从而提高图像利用效率。

由于模糊检测是在没有高质量图像可参考条件下，对图像模糊程度或者质量进行判断，因此，传统的基于均方误差(MeanSquareError,MSE)和峰值信噪比(PeakSignalto NoiseRatio,PSNR)以及基于结构相似度(StructuralSimilarity,SSIM)的图像质量评价方法都需要参考原始无失真图像内容，难以应用于模糊图像识别中。目前的无参考质量评价虽然能够一定程度上对图像质量作出评测，但是目前的方法往往是根据图像全局或者局部特征，没有考虑到人对于内容的主观感受，无参考图像质量评测的性能还不能满足实际需求，还需要进一步提高。

发明内容

本发明要解决的技术问题是建立图像模糊评测的特征集，以此基于该特征集来进行模糊图像的识别。本发明提出了一组新的结合图像显著性区域分割的图像模糊判别特征和一种基于该组特征的图像模糊判别算法。

本发明的技术方案是这样实现的：

一种结合图像显著性区域分割的图像模糊检测算法，基于图像全局区域特征和关注区域特征的无参考图像的模糊估计；对于图像的特征，使用了图像不同分辨率下梯度跳变和图像非零二阶导数的绝对值的均值作为区别图像模糊与否的判别特征；对于图像的分割，利用显著性检测算法进行图像的分割。

本发明采用了基于二维log-gaborwavelets的saliencymap的分割算法进行图像分割得到图像的关注区域。

本发明对于图像的特征，提出了基于图像非零二阶导数的绝对值的均值的特征；对于图像的分割，本发明根据人眼显著性区域，利用显著性检测算法进行图像的分割，这种分割更加符合人眼对于图像模糊与否的判断；对于显著性检测算法的选择，本发明选择了基于二维log-gaborwavelets的显著性检测算法，它更加适用于对模糊图像的估计与检测。

附图说明

图1是模糊图像退化过程图：图1(1)原始图，图1(2)滤波后的模糊图，图1(3)再滤波后的模糊图；

图2是人物图像和商品图像：图2(1)是商品图像，图2(2)是人物图像；

图3是以飞机图片为例四种算法处理后的结果：图3(1)原图，图3(2)SR(基于频谱残差)，图3(3)WM(基于二维小波)，图3(4)FC(频域法)，图3(5)MSS(基于最大对称环绕)；

图4是图片分割示意图：图4(1)商品图分割示意，图4(2)前景清晰背景模糊类图分割示意，图4(3)模糊类图分割示意，图4(4).复杂背景类图分割示意；

图5是图像非零二阶导数的均值计算框图；

图6是v_mg、v_g及组合特征的ROC曲线图；

图7是sv_mg、sv_g及组合特征的ROC曲线图。

具体实施方式

本发明涉及一种新的基于人眼显著性区域的图像模糊估计和一种新的图像模糊估计的图像特征。

清晰图像和模糊图像在某些统计特性上存在较大差异，我们根据已有工作基础，研究了图像不同尺度下的梯度变化特征和图像二阶统计特征，并进一步考虑到人对于不同图像关注内容的不同，建立了能够有效区分模糊图像和清晰图像的全局特征和局部特征；最后，我们利用这些特征，采用学习方式，建立有效的模糊图像和清晰图像的分类器。

对于图像特征，我们首先对清晰图像和模糊图像分别进行再模糊，然后统计图像在不同尺度下的梯度跳变。如图1所示，我们发现，清晰图像与其再模糊后的图像间的梯度跳变要明显大于模糊图像与其再模糊图像间的梯度跳变，这是因为模糊图像中高频内容较少，经过低通滤波再模糊后图像高频变化不大，而清晰图像经过低通滤波后损失较多的高频，反映到梯度上就出现了较为明显的变化。同时，结合实际观测，我们发现模糊图像边缘相对清晰图像变化缓慢，该变化过程的速度可以利用图像的二阶导数反映，如图1所示。