聚焦散焦区域判别方法

1、聚焦散焦区域判别方法聚焦散焦区域判别方法o 聚焦区域和散焦区域的介绍o 聚焦区域与散焦区域的检测方法 聚焦区域和散焦区域的介绍o 聚焦区域(focused region)指的是图像中有一块清晰的视觉聚焦区域，其余区域为模糊区域(blurred region)。成像模糊的原因o 成像模糊的原因主要有：场景的失焦和运动模糊。o 场景失焦模糊的原因：任何光学系统成像都有一定的景深范围，光学系统成像时使距离离镜头一定范围内的场景聚焦所成的像小于人眼感觉清晰容许的弥散圆，则这个范围内的场景在景深范围内，可清晰成像，而不在景深范围内的场景成像的像点弥散太大，使得成像平面中一个像点重叠了若干物点的成像点，从

2、而产生视觉模糊。成像模糊的原因o 运动模糊的原因：由于目标与镜头之间的相对运动产生，在一定的曝光时间内物点的运动，引起对应像点的运动，使像平面内的一个像点重叠了若干个物点的像点，引起视觉上的模糊。聚焦区域与散焦区域的检测方法o 根据聚焦散焦区域的定义和成像模糊的原因，聚焦（清晰）区域与散焦（散焦模糊）区域的检测可以分为两个步骤：模糊区域检测和模糊区域分类（散焦模糊与运动模糊）。o 依据这个思路，研究者提出的大量的模糊区域检测和分类方法可以用来检测聚焦区域和散焦区域。o Su等1根据图像模糊与像素奇异值分布之间的关系，提出了利用奇异值来检测模糊区域，利用alpha通道特征来鉴别模糊类型，从而检测

3、出聚焦（清晰）区域与散焦（散焦模糊）区域。1 B. Su, S. Lu, and C. L. Tan, “Blurred image region detection and classification,” in Proc. Association for Computing Machinery, ACM Multimedia, 2011, pp. 1397-1400. o Su等实现的系统框图特征o 图像模糊特征采用奇异值特征o 图像I可以分解为r个以奇异值为权值且秩为1的矩阵（也称特征图像）之和：o 奇异值越大，相应的特征所占的分量越重。由于奇异值是按降序排列的，通常使用前k项来近似图像

4、I，而忽略后面奇异值很小的描述图像细节信息的项。奇异值特征o 奇异值特征o 模糊类别特征o Alpha通道特征o Alpha通道特征o o 将图片分割为更小的块使得每块只包含模糊或清晰区域，对所有块进行标注，清晰/失焦模糊/运动模糊。o 在训练数据上训练得到模糊/非模糊分类的奇异值特征的最佳阈值和运动模糊/失焦模糊alpha通道特征的最佳阈值。o Liu等2使用贝叶斯分类方法，通过综合局部功率谱曲线、梯度分布曲线和最大色彩饱和度三个模糊特征对模糊区域进行检测，利用局部自相关一致性特征来区分散焦模糊与运动模糊。2 R. Liu, Z. Li, and J. Jia, “Image partial

5、 blur detection and classification,” in Computer Vision and Pattern Recognition, 2008. IEEE Conference on , 2008, pp. 18.图像模糊特征o 局部功率谱曲线o 由于模糊区域的低通特性，模糊区域的高频成分较少。因此模糊区域的功率谱曲线比非模糊区域陡峭。o 梯度分布曲线o 模糊区域几乎不含尖锐的边缘，因此梯度幅值较小。根据这个现象，模糊区域的梯度幅值对数分布曲线较其它区域呈短尾样。o 最大色彩饱和度o 非模糊区域的颜色很可能比模糊区域的颜色更鲜艳。模糊区域的最大饱和度应该比非模糊区域

6、的小。模糊类别特征o 分类器文o 梁伟文梁伟文o Kanchev等3利用小波空间的图像特征和SVM来对图像模糊/非模糊区域进行分类。3 Kanchev, V.; Tonchev, K.; Boumbarov, O., Blurred image regions detection using wavelet-based histograms and SVM, Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 2011 IEEE 6th International Conference on , vol.1

7、, no., pp.457,461, 15-17 Sept. 2011特征o 对图像进行二维小波变换o 建立小波梯度图 通过HL和LH小波映射的求和来得到小波梯度图，即 k和l分别指HL，LH图的小波系数的坐标。特征o 建立小波梯度直方图一般清晰的图像具有重尾分布，非常接近于高斯分布，而模糊区域则不同。因此，我们可以通过小波变换得到输入图像各小部分的小波梯度直方图，从而得知图像的特征。分类器o 由于SVM对小训练集有较好的效果，训练SVM对图片区块进行二分类图模糊区域和非模糊区域的判别过程o 判别分两阶段进行，即粗略模糊区域判断和模糊区域边界判断。o 第一阶段，将图像分割为三部分：模糊区域（B

8、R），清晰区域（NBR），过渡区域 （TR）。o 第二阶段：确定模糊区域边界。第一阶段o 将图像在YUV空间颜色转换；o 提取Y分量64X64大小的重叠块；o 特征提取：计算小波梯度并建立每个提取块的梯度直方图；o 概率SVM：在每个提取部分直方图中使用概率SVM；o 概率图：基于支持向量机预测每个提取块的概率值，从而构建图像的概率图；o 构建概率直方图：构建概率图的全局直方图o 阈值估计：对全局概率直方图分析，确定两个阈值来进行BR，NBR 和TR分类。第二阶段o 对应于小波梯度图，建立TR和BR区域的小波梯度直方图；o 基于BR梯度直方图，拉普拉斯分布参数进行最大似然估计；o 对应于拉普拉

9、斯分布ML估计的置信区间为99，计算得阈值t1和t2;o 使用的阈值对梯度小波图TR进行二值化处理； o 由上一步骤所得的二进制掩码和BR确定的二进制掩码组合成一个全局的二进制模糊掩模。o 对得到的二进掩模应用二值形态学“闭合”算子，可得最终的模糊区域。从梯度图像的分段区域BR和TR的二值掩码：A-真实模糊区域，B-第一阶段粗略BR二值掩码，C-在第二阶段第4步的TR二值掩码，D最终的模糊区域。总结o 模糊特征模糊特征o 基于边分析的模糊特征4o 局部功率谱曲线2o 梯度分布曲线2o 最大色彩饱和度2o 奇异值特征1o 基于小波变换的特征3引用o1 B. Su, S. Lu, and C. L

10、. Tan, “Blurred image region detection and classification,” in Proc. Association for Computing Machinery, ACM Multimedia, 2011, pp. 1397-1400. o2 R. Liu, Z. Li, and J. Jia, “Image partial blur detection and classification,” in Computer Vision and Pattern Recognition, 2008. IEEE Conference on , 2008,

11、 pp. 18.o3 Kanchev, V.; Tonchev, K.; Boumbarov, O., Blurred image regions detection using wavelet-based histograms and SVM, Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 2011 IEEE 6th International Conference on , vol.1, no., pp.457,461, 15-17 Sept. 2011o4 Yun-Chung Chung; Jung-Ming Wang; Bailey, R.R.; Sei-Wang Chen; Shyang-Lih Chang, A non-parametric