圖像模糊檢測技術(shù)研究

吳勝益 熊哲源 熊小敏

摘 要：數(shù)碼相機大量生產(chǎn)，而且正變得越來越流行，但并不是每一張照片都有良好的品質(zhì)。模糊是一種傳統(tǒng)的圖像質(zhì)量下降，這是由各種因素造成的，比如有限的對比度，不恰當?shù)钠毓鈺r間和不當?shù)脑O備處理。因此，使用有效的工具來檢測模糊的圖像，以保證圖像采集的質(zhì)量和節(jié)約圖像存儲空間是必要的。該文介紹了幾種圖像退化模型，并介紹了使用DCT變換和小波變換的模糊檢測方法。

關(guān)鍵詞：圖像模糊 模糊檢測 小波 變換DCT

中圖分類號：TP274 文獻標識碼：A 文章編號：1672-3791（2015）09（b）-0066-02

散焦或者運動會使得許多數(shù)字圖像模糊，有時攝影師為了加強照片表現(xiàn)力故意制造模糊，但是，由于錯誤對焦、物體運動和抖動等無意造成的模糊會降低圖像質(zhì)量。無論如何，圖像模糊區(qū)域自動檢測和分類對于學習圖像信息是非常有用的，可用于圖像分割、深度復原和圖像檢索等不同的多媒體分析應用。

許多服務和應用提供與攝像機捕獲圖像有關(guān)的功能。在線地圖服務能給用戶提供由飛機、汽車或衛(wèi)星拍攝圖像組成的交互式地圖。網(wǎng)頁搜索引擎能給用戶提供包含一個或多個攝像機拍攝圖像的搜索結(jié)果。不幸的是，許多攝像機捕獲的圖像可能會模糊。攝像機的運動會使所拍攝的照片模糊，例如，飛機上的攝像機在捕獲圖像的時候，由于氣流運動會使攝像機經(jīng)歷三維運動。圖像中重要部分的模糊會使得圖像對于特定應用失去使用價值[1]。

1 圖像退化模型

先進的傳感器降噪和攝像機穩(wěn)定技術(shù)有效減少了圖像模糊，使得采集高質(zhì)量圖像成為可能。盡管如此，由于硬件限制和物體運動等原因引起的圖像模糊仍然是一個問題。這些圖像的退化過 程可以進行如下的數(shù)學建模。

（1）

其中，g（x，y），f（x，y），d（x，y）和n（x，y）分別表示退化圖像、原始圖像、模糊點擴散函數(shù)（point spread function， PSF）和噪聲。假設噪聲可以忽略，式子（1）可以簡化為一個單純的卷積過程。原始圖像和點擴散函數(shù)的確定可以看作是圖像修復或者圖像反褶積。重建是一個非常不適定的問題，因為通常只有降低質(zhì)量的圖像[2]。為了簡化這個過程，使用了一些限制條件和先驗知識用于反褶積過程。其中一種方法就是使用不同的點擴散函數(shù)模型及其相關(guān)參數(shù)。這些點擴散函數(shù)由下列數(shù)學公式表示[3]。對攝像頭干擾的方法包括阻擋攝像頭的視線，使用物體遮蓋鏡頭，用顏料噴涂鏡頭或使其無法對焦。

（1）無模糊。

假如圖像捕獲過程非常完美，沒有收到干擾，那么離散的圖像就不會模糊?？臻g連續(xù)的點擴散函數(shù)可以表示為一個狄拉克德爾塔函數(shù)。

（2）

（2）線性運動模糊。

許多類型的運動模糊可以將其劃分為由于攝像機和場景間的相對運動引起的模糊。這些運動形式包括平移、旋轉(zhuǎn)、場景跳變或者幾種形式的組合。這里只考慮比較重要的全局平移運動。

（3）

其中L 是運動的距離。

（3）統(tǒng)一的失焦模糊。

當一個攝像頭將一組三維場景成像到一個二維平面，場景中部分在焦點上，其余部分不在焦點上。

（4）

其中R是模糊半徑。

（4）大氣湍流模糊。

大氣湍流對遙感監(jiān)測是一個嚴峻的問題，盡管大氣湍流引起的模糊是有許多因素決定的，比如溫度、風速和曝光時間。

（5）

其中C是一個常數(shù)，是擴頻。

2 圖像模糊檢測

在現(xiàn)實世界，圖像并不是一直都模糊，有些圖像也許根本不需要做修復處理。對于那些已經(jīng)模糊的圖像，學者提出許多修復算法，一些算法被設計成只針對某一種模糊類別做修復。這種方案是根據(jù)圖像退化展示出來的具體特點而設計的。

圖像模糊檢測通常在空間域進行。一定的模糊度量用于表示模糊的存在及其程度。在文獻[8]中，這種度量是基于邊緣的提取及其傳播。在小波域中，模糊程度還可以通過分析在不同分解圖層的邊緣類型和銳度來度量[4]。因為這種方法只檢測模糊，不能判斷圖像的退化類型。

另一方面，模糊識別通常在變換域進行，最常使用的是傅立葉變換。文獻[5]使用頻率零的出現(xiàn)和位置來指示模糊類型。文獻[6]使用變換域來進行同步檢測和識別。一些傅立葉參數(shù)被投影到單位圓，用于訓練神經(jīng)網(wǎng)絡。這種方法可以識別不同的模糊類型和它的參數(shù)[7]，檢測精度比較高，但是必須預先設定網(wǎng)絡輸入數(shù)量和圖像尺寸。也就是說，一旦網(wǎng)絡被設計用于一定尺寸的圖像，就無法用于其他尺寸的圖像。此外，要使得訓練結(jié)果達到收斂還需要耗費大量的時間。

2.1 使用小波變換的圖像模糊檢測

使用Harr小波變換進行模糊檢測是直接方法。該方法不僅能通過邊緣類型分析判斷一幅圖像是否模糊，而且還能根據(jù)邊緣銳度分析給出圖像的模糊程度[8]。這種方法利用Harr小波變換的能力優(yōu)勢，辨別不同類型的邊緣，并從模糊中恢復邊緣銳度。這對于失焦模糊和線性運動模糊都是非常有效的方法，其有效性不會受統(tǒng)一背景圖像的影響。不同邊緣通常分為三種類型：斜坡型、臺階型和屋頂型。Harr小波變換模糊檢測方法通過分析邊緣結(jié)構(gòu)的類型來判斷一幅圖像是否模糊，通過分析邊緣銳度來確定圖像的模糊程度。

2.2 使用DCT的圖像模糊檢測

基于DCT的方法利用MPEG或JPEG壓縮視頻或圖像的DCT信息進行圖像模糊檢測，計算負載很小。該方法是通過計算MPEG或JPEG壓縮圖像中非零DCT系數(shù)的統(tǒng)計直方圖來檢測模糊。對于MPEG壓縮視頻，這種方法適用于所有圖像幀：I幀、P幀或B幀。

模糊檢測的目的是提供圖像模糊的百分比來表明整幅圖像的質(zhì)量。這個模糊指數(shù)顯示由于攝像機運動或者失焦造成的整幅圖像模糊。對于MPEG壓縮的視頻數(shù)據(jù)，模糊指數(shù)可以直接從MPEG視頻數(shù)據(jù)流的DCT層得到[9]。要實現(xiàn)這一目標，必須明確：

（1）MPEG使用的DCT系數(shù)是用于數(shù)據(jù)壓縮的，且與圖像內(nèi)容高度相關(guān)。這些系數(shù)反應了一個圖像塊中的頻率分布。

（2）在MPEG數(shù)據(jù)流中，DCT系數(shù)直接用于I幀像素。相反，P幀和B幀系數(shù)描述再運動補償之后的殘留圖像。

由此可見，選擇一個獨立于圖像特殊內(nèi)容和MPEG幀類型的模糊指數(shù)是非常重要的。

模糊是和邊緣銳利相反的。DCT系數(shù)中的一些高值AC系數(shù)導致這種銳利。這種模糊測量方法是尋找圖像中所缺少的這種銳利邊緣，由此可以被認為是圖像模糊。測量過程包括以下三個步驟：

Step 1.為了描述全局模糊程度，提出建立一個將整幅圖像的DCT信息作為整體來考慮的測量值。任何類型的邊緣都很可能與圖像中的某一個8 x 8子塊交叉一次。所有DCT塊的全局性將知道普通邊緣的銳度，也就是全局模糊程度。

Step 2.為了與圖像內(nèi)容盡可能的相互獨立，系數(shù)不應該被直接考慮，因為這些數(shù)值和它們所描述的圖像類型緊密相關(guān)。有人提出觀察零系數(shù)的分布，模糊圖像很可能使得它們的高頻系數(shù)值為零，不論圖像內(nèi)容是什么。

Step 3.為了去除與圖像尺寸的依賴關(guān)系，圖像中的子塊數(shù)量應該除去系數(shù)不為零的次數(shù)。這將限制直方圖的值為1。盡管如此，P幀和B幀中的系數(shù)經(jīng)常為零。為了使得所有類型的圖像直方圖均質(zhì)化，非零系數(shù)的出現(xiàn)次數(shù)除去非零DC系數(shù)的出現(xiàn)次數(shù)。

通過這三步，就可以得到一個獨立于圖像內(nèi)容和MPEG幀類型的測量值。

3 結(jié)語

該文首先介紹了4種圖像質(zhì)量退化模型，無模糊、線性運動模糊、失焦模糊和大氣湍流模糊。然后，介紹了2種常用的模糊檢測方法，小波變換和DCT。Harr小波方法根據(jù)圖像中是否包含斜坡型邊緣和臺階型邊緣來判斷一幅圖像是否模糊。用模糊系數(shù)來描述模糊程度。模糊系數(shù)通過統(tǒng)計模糊圖像中的臺階型邊緣和屋頂型邊緣的百分比來確定。這種方法有效且效率高。DCT方法直接用于JPEG或MPEG壓縮圖像。該方法對于任何圖像類型都很有效。

參考文獻

[1] R LIU， Z LI， and J JIA. Image partial blur detection and classification[C]//in Proc.IEEE CVPR，2008：1-8.

[2] R M CHONG，T TANNKA. Image extrema analysis and blur detection with identification[C] //in Proc.Int.IEEE Conf.Signal-Image Technol. Internet-Based Syst.，2008：320-326.

[3] A AKSAY，A TEMIZEL， and A E CETIN.Camera tamper detection using wavelet analysis for video surveillance[C]// in Proc.IEEE Conf.Adv.Video Signal Based Surveillance，2007：558-562.

[4] J D RUGNA and H KONIK. Automatic blur detection for metadata extraction in content-based retrieval context[J].In SPIE，2003，5304：285-294.

[5] A LEVIN.Blind motion deblurring using image statistics [C]//In NIPS，2006：841-848.

[6] J H ELDER and S W ZUCKER. Local scale control for edge detection and blur estimation [J]. PAMI，1998，20（7）：699-716.

[7] Yun-Chung CHUNG，Jung-Ming WANG，BAILEY RR，et al.A non-parametric blur measure based on edge analysis for image processing applications [C]//in 2004 IEEE Conf.on Cybernetics and Intelligent Systems，Singapore，vol.1，pp.356-360，Dec.2004.

[8] Hanghang TONG，Mingjing LI，Hongjiang ZHANG，et al.Blur detection for digital images using wavelet transform[C]//in 2004 IEEE Int.Conf.on Multimedia and Expo，Taipei，Taiwan，2004：17-20.

[9] I AIZENBERG，D PALIY，C MORAGA，et al.Blur identification using neural network for image restoration[J].Computational Intelligence，Theory and Applications，2006（17）：441-455.