一种模糊区域自动检测和提取方法

一种模糊区域自动检测和提取方法

1模糊对象提取相机的安装和摄影相位的分离，以及图像中有移动目标，导致图像部分的模糊。这些局部模糊在艺术摄影等情况下可能需要进一步处理以增强效果;在另外一些情况下(如普通摄影)却可能需要去除。因此,自动定位局部模糊区域非常重要。实现自动定位可以总结为如下两方面问题:(1)如何描述模糊;(2)如何自动进行模糊区域准确切割。对于第(1)个问题,在未知模糊成因的情况下,很难对二维图像进行完全准确的像素级模糊描述。对于第(2)个问题,作为病态的图像分割问题的一个子集,特别是在第(1)个问题没有得到很好解决的前提下,同样很难实现模糊区域自动且准确的分割。已有的一些模糊检测方法主要是基于对边界清晰度的分析或对不同方向梯度信息的统计实现模糊程度测量,但是这些方法只能检测运动模糊区域。相对于模糊测量,模糊对象提取的讨论并不多。文献是在模糊类型为运动模糊且运动方向不变的前提下,对模糊核进行估计,利用模糊核的知识对模糊区域进行提取,但自然图像模糊类型很多,对模糊核的估计存在很大难度。文献提出一种有意义的模糊测度,通过对梯度幅度进行双高斯混合模型的拟合,实现了标准差与功率谱相结合的模糊测度,然后运用贝叶斯分类器,基于块进行模糊物体分割。这个测度的优点是面向各种模糊类型,但这种方法对图像进行分块度量时,会因一个块中的像素数目不多而导致很多分块双高斯拟合后结果不准,并且采用颜色、梯度和频谱信息不能精确地描述模糊程度,因此,建立于其上的基于学习的模糊与非模糊区域的分类方法可能因样本有偏而造成误分类。而且图像块中可能既包含模糊区域又包含清晰区域,运用分类器进行分割会造成边界处的分割效果不理想。本文针对文献方法的不足,利用清晰图像研究中的抠图技术,提出一种两步走式渐进的局部模糊检测方法。先设计一个基于块的模糊区域粗糙定位算法实现模糊和非模糊区域的粗糙定位。再利用己获取的模糊/非模糊区域的粗糙知识对懒惰抠图技术进行改进,去除懒惰抠图中繁琐的人工交互,实现部分模糊区域的自动提取。2图像的模糊/非模糊检测和分析方法粗糙检测的目的是区分出图像中明确的模糊块和清晰块,为进一步的懒惰抠图提供模糊与非模糊的种子区域,实现局部模糊的自动提取。由于模糊或非模糊区域均在一些区域内连续,因此可以采用分块的模糊/非模糊检测和分析方法。相对于逐像素的方式,将图像按块进行模糊测量还加快了模糊测量的速度。本文的模糊检测是通过分析图像的梯度和频谱线索实现的。对自然图像的统计发现,虽然场景颜色分布变化很大,但是在图像中其梯度幅度遵循重尾分布:不论哪种类型的模糊都会造成边界清晰度降低,使梯度幅度范围变小。另外,图像的模糊过程可以看成是对图像进行低通滤波处理,使得高频信号减少,频谱函数发生变化。相应地,可以得到2个模糊测量参数:双高斯混合模型标准差和功率谱斜度。2.1双高斯混合模型重尾分布:梯度分布大部分集中在小值区间内,但大的梯度值出现概率相比高斯分布高。梯度分布大部分集中在小区间是因为图像大部分都是包括不变或渐变的梯度强度,只是偶尔在边界,梯度发生大的改变时梯度的连续性才会中断。但对于模糊区域,由于基本不包括锐化边界,梯度幅度分布大部分集中在小值或零值附近,几乎不会出现大的梯度幅度,因此梯度分布可以用来检测模糊,可以用双高斯混合模型表示这种分布。双高斯混合模型是单一高斯概率密度函数的延伸,它能够平滑地近似任意形状的概率密度分布曲线:其中,G表示图像真实梯度概率密度分布;σ0和σ1分别表示高斯函数G0和G1的方差;σ1>σ0;π0和π1分别表示双高斯拟合系数。σ1是造成梯度重尾分布的主要原因。σ1值大,则正态分布曲线幅值范围大,包含大的梯度幅度,图像清晰;反之,正态分布曲线幅值范围小,几乎不包括大的梯度幅度,图像模糊。如图1所示,与模糊区域双高斯拟合的结果相比,清晰区域有更大的σ1值。2.2低通滤波-模糊功率谱除了重尾分布特征,在频谱上,自然图像表现为低频到高频信号的分布是按指数形式递减的,图像越清晰,其高频分量越多,即指数衰减的速度越慢。这种功率谱的统计特性可以表示为:其中,A表示幅度尺度系数;f表示频率;α为图像锐度指数。模糊区域可以看成是经过低通滤波处理后得到的,其高频信号减少,低频信号较多。这种现象在功率谱上表现为:曲线衰减较快,图像的高频分量较少,即α值较大。而对于清晰图像,由于没有滤波等模糊平滑作用,高频分量较多,功率谱曲线衰减较慢,因此α值较小。如图2所示,模糊区域功率谱曲线在一维对数坐标下拟合相比清晰区域有更大的α值。2.3模糊估计步骤单一的梯度高斯混合模型标准差σ1或功率谱斜度α仅能从空域或频域描述模糊区域,因此,不可避免地存在一些局限性。本文将这2个测度结合,实现空域与频域联合的模糊测度,并进一步提出分块的方法进行模糊/非模糊的测量。如果直接使用图像每个块的局部检测信息,则自然图像的多样性使得定义一个分类阈值非常困难。因为不同图像有不同水平的锐化边界,σ1及α会在很大范围内变化,所以模糊与否并不由图像的σ1及α直接决定,而是由局部图像块和全局的σ1及α值的对比决定。因此,本文对每个区域图像的模糊检测采用了局部检测信息和全局检测信息相结合的方法,使求得的模糊测度更可靠。本文模糊估计的步骤具体如下:先计算整幅图像的功率谱坡度α;然后计算每一个局部块的功率谱坡度αp并与α进行对比,如果αp比α大很多,则块p很可能为模糊块。由此可以得到模糊测度q1:同理,判断块的模糊与否也不可以简单地依赖一个块的σ1,而是由局部块和全局图像两者的σ1对比决定。具体方法是:首先计算整幅图像的σ1值;然后,计算每一个局部块σ1p值,并与σ1进行对比,如果σ1p比σ1小很多,则块p很可能为模糊块。从而得到模糊测度q2:本文的模糊检测是基于图像分块的,由于图像块中的像素数目不多,进行双高斯拟合后的结果可能不能准确反映清晰与否,因此运用q2测量后还要结合梯度幅度分布进一步判断。如果用gt表示梯度值在[-t,t]内的像素个数,rv表示梯度值在[-∞,-v]∪[v,∞]范围内的像素个数,其中,t>0;v>0。那么进一步的判断方法为:(1)只有同时满足gt在所有像素中所占比例大于设定的阈值时,才可将其标记为模糊块。(2)如果图像块p经过q2的判断后为清晰块,只有同时满足rv在所有像素中所占比例大于设定的阈值时,才可将其标记为清晰块。3改进劳动模式:模糊/非模糊区域分类算法处理分块出液1984年,Porter和Duff给出了抠图中经典的颜色组合方程:I=αF+(1-α)B,其中,I、F和B分别表示图像上任意一点的合成色、前景色和背景色;α为该点的透明度。景物的提取即抠图是已知给定图像上任一点的颜色I,求该点颜色所含的前景色F和α值。懒惰抠图技术以块为单位进行分割,大大加快了处理速度。另外,它以图切割优化算法为技术基础,不仅考虑了每一个区域的颜色与种子区域之间的颜色相似性,还考虑了相邻区域的颜色差别,确保了分割的准确性。懒惰抠图由于需要人工交互,应用起来比较麻烦。本文以基于块的模糊/非模糊区域分类算法得的结果作为种子,改进懒惰抠图,从而实现局部模糊区域的自动选取。它主要分为3个步骤:(1)使用分水岭算法将颜色基本相同的像素划分到一个区域,以区域为单位进行分析。因为其数量仅为像素点的十几分之一,所以大大加快了处理速度。(2)运用第2节的方法进行粗糙定位,得到模糊块和清晰块,分别将模糊块和清晰块所在区域标记为模糊区域和清晰区域,利用图割优化算法进行分割。(3)对分割结果进行调整。这一步是对分割后边界附近以像素为单位不断进行“图割”优化算法,直到取得最好的效果。因为当图像复杂时,特别是存在模糊不清或低对比度的边缘边界时,会出现错分的情况,所以在边界处需要以像素为单位进一步进行分割优化。4粗糙度模糊检测实验将图像块大小设置为15×15像素,利用本文方法对不同模糊类型的图像进行模糊检测和提取。图3(a)为一幅部分模糊图片,从中可以看出,远处的建筑是模糊的,但近处的花木是清晰的。图3(b)是对图3(a)进行粗糙模糊检测得到的结果,白色和黑色分别表示得到的位于模糊区域中的模糊块和清晰区域中的清晰块。图3