第三组图像聚焦区域与散焦区域的判别方法综述Word下载.docx
- 文档编号:7117783
- 上传时间:2023-05-07
- 格式:DOCX
- 页数:15
- 大小:1.28MB
第三组图像聚焦区域与散焦区域的判别方法综述Word下载.docx
《第三组图像聚焦区域与散焦区域的判别方法综述Word下载.docx》由会员分享,可在线阅读,更多相关《第三组图像聚焦区域与散焦区域的判别方法综述Word下载.docx(15页珍藏版)》请在冰点文库上搜索。
人类感知外界信息最主要方式是通过视觉,所以计算机理解周围环境的关键是具有视觉感知处理能力。
人类对外界环境的视觉感知能力经过了长时间自然选择进化到了一个很高级的水平。
人类能够快速高效的分析周围环境,定位感兴趣的物体,并作出相应的反应。
关于人的视觉分析能力原理性研宄早己展开,但是还没有取得决定意义的成果。
但是计算机对于我们所获得图像的聚焦区域和散焦区域的判别必须通过一定的分类器来达到目的。
所以对图像聚焦区域和散焦区域的正确判别是计算机视觉研究中的一个重要研究方向。
在光学相机的曝光时间内,如果场景中存在运动目标或者场景部分对焦不准,就会造成图像局部模糊,图像模糊并非是一种完全不利于图像分析的退化,作为成像系统和目标场景之间产生的独特物理现象,其本质和场景深度或运动之间有着深刻的内在了解,利用模糊现象的规律实现景深的人工处理,或认识测量运动是可能的。
而对于计算机通过图像或视频正确理解周围环境来说,正确感知场景中的主要物体,识别物体的轮廓和获得物体的环境上下文是至关重要的工作,而聚焦区域的判别是获得图像的视觉显著性信息是最为基础的一步。
因此,对于图像的聚焦区域和散焦区域的判别是我们正确认识图像和理解图像的关键环节。
目前,图像模糊区域的检测取得了一定的成果,如Hsu等根据图像梯度分布的统计规律,使用支持向量机的方法对图像模糊区域进行检测。
Tai等利用局部灰度与梯度变化的关系实现失焦模糊的估计,并通过MRF传播优化得到局部失焦模糊区域。
Zhou等对失焦模糊图像进行再次模糊,计算前后图像边缘位置的梯度比得到边缘的模糊度,并扩展至整幅图像求得失焦模糊的区域图。
Crimaldi等采用多次分块的分法,使用局部标准差作为模糊评价指标对图像局部运动模糊区域进行检测。
Su等利用图像模糊与像素奇异值分布之间的关系,通过奇异值特征来判断某个像素属于模糊区域还是清晰区域。
上述的图像模糊区域检测方法虽然能在一定程度上将局部模糊区域检测出来,但是模糊区域的分割都是依据模糊检测的结果,采取适当的阈值将模糊区域分割出来,分割结果通常比较粗糙,模糊区域边界不够精确,带来的误差较大。
本文主要分为三部分:
(一)聚焦区域与散焦区域的介绍
(二)对于聚焦区域和散焦区域的判别方法的介绍
(三)小结与展望
2.聚焦区域和散焦区域的介绍
聚焦区域(focusedimage)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。
对于一定的光学系统,成像模糊的原因主要有:
场景的散焦和运动模糊。
失焦造成的模糊图像如图1所示,而运动模糊图像如图2所示。
图1散焦模糊图像
图2运动模糊图像
场景散焦模糊的原因是:
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,从而产生视觉模糊,如图所示。
而运动模糊是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。
3.聚焦区域与散焦区域的检测
但是这几种方法虽然能在一定程度上将局部模糊区域检测出来,但是模糊区域的分割都是依据模糊检测的结果,采取适当的阈值将模糊区域分割出来,分割结果通常比较粗糙,模糊区域边界不够精确,带来的误差较大。
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)。
模糊区域检测和模糊区域分类的关键是可以描述图像模糊的特征和模糊类别的特征。
研究者们先后提出了多种判断图像模糊程度的方法。
Chung等使用图像边缘梯度幅值分布的标注差与边缘梯度幅值的加权和来判断图像的模糊程度。
Liu等利用局部功率谱曲线、梯度分布曲线和最大色彩饱和度三个特征对模糊区域进行检测。
Su等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。
下面是研究者使用的图像模糊特征和模糊类别的特征。
3.1基于奇异值分析的方法
主要思想:
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,从而检测出聚焦(清晰)区域与散焦(散焦模糊)区域。
3.1.1特征
(1)图像模糊特征
对于给定的图像
,它的奇异值分解为
,其中U和V为正交矩阵,S为对角阵,对角线上的元素为按降序排列的奇异值。
图像可以分解为r个以奇异值为权值且秩为1的矩阵(也称特征图像)之和:
其中
是S的对角线项,
和
是U和V的列向量,r是I的秩。
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,因此,当使用SVD进行图像压缩时通常使用前k项来近似图像I,而忽略后面奇异值很小的描述图像细节信息的项,从而达到压缩的目的。
图像模糊和图像压缩相似,保持了形状结构而丢失了细节信息。
对于图像I,假设其与模糊函数h的卷积为:
由于大的尺度描述的是图像的概貌特征,小的尺度描述图像的细节特征,上式中的
相当于增大了特征图像的尺度空间,造成图像高频信息的丢失。
根据这一特点,Su等人研究发现模糊图像前k项奇异值所占的比重比清晰图像的要大,并提出了以奇异值特征作为测量图像模糊程度指标的新方法:
其中,像素的模糊特征q为邻域图像块的奇异值前k项所占的比重。
(2)模糊类别特征
模糊类别特征采用Alpha通道特征。
由两层图像构成模型,图像I可以看做由前景图像F和背景图像B的组合:
。
清晰图像中,
为0或1。
在模糊图像中,前景和背景混合在一起。
由alpha通道模型,
的分布与模糊类别有关,对于运动模糊,
分布呈直线,如图4中(a),对于失焦模糊,
分布呈圆形,如图4中(b)。
图4运动模糊图像与三角图像的
分布图
Su提出了利用
分布形状来区分模糊类型。
在
分布上计算不同方向上中心到显著点的距离,得到
定义alpha通道特征为距离的方差:
运动模糊区域相比于失焦模糊区域有更大的q值。
3.1.2模型训练
搜集包含清晰区域、失焦模糊和运动模糊的图片,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。
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t1和运动模糊、失焦模糊alpha通道特征的最佳阈值t2。
3.1.3判别算法
对于一个区块,计算奇异值特征q1,如果q1<
t1,则为清晰区域,如果q1>
=t1则为模糊区域,如果区块为模糊区域,则进一步计算alpha通道特征q2,如果q2<
t2,则为失焦模糊,否则为运动模糊。
系统框图如图。
图3利用奇异值方法来判断聚焦区域和散焦区域的系统框图
3.2.多特征和贝叶斯分类器
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。
3.2.1.特征
局部功率谱曲线
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。
梯度分布曲线
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。
最大色彩饱和度
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的小。
局部自相关一致性
Liu提出了局部自相关一致性特征来区分散焦模糊与运动模糊。
3.2.2模型训练
Liu使用的贝叶斯分类器如下:
假设各个特征独立,化简为:
计算下式来对模糊类别进行分类:
在训练数据上训练得到条件概率
,
3.2.3判别算法
计算
判断模糊和非模糊区域,计算
判断模糊类型,而这些判断的阈值从我们现有的标准数据库中通过大量的学习得到判断的阈值。
3.3.小波变换的直方图和概率支持向量分类器
将图像变换到小波空间,从而可以提取到小波空间的图像特征,从而可以画出小波梯度直方图。
然后,我们通过对大量样本的学习可以得到比较优化的分类器(SVW)。
最后利用SVW向量机对于图像各区域进行分类。
3.3.1模糊判别算法:
3.3.1.1在小波空间特征的提取步骤:
a.对输入图像进行小波变换分解;
b.小波梯度图的估计;
c.梯度梯度直方图的建立。
.
(1)小波变换分解模型
小波变换模型如图5所示,首先,使用高低滤波器分别获得水平图像分量;
然后再利用同样的滤波可以获得垂直和对角分量
图5二维小波变换模型
对图像进行小波变换,我们可以将输入图像分解为四部分,即HL,LH,HH和LL图像,如图6所示
图6图像的离散小波分解
(2)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。
(3)建立小波梯度直方图
图7模糊与非模糊图像的梯度直方图
从图7可以看出,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。
3.3.2支持向量机(SVM)
支持向量机(SVM)的最大特点就是对线性分类器进行了重大的改进,即加入了核函数,通过将低维向量变换到高维向量,从而实现线性不可分到线性可分的转换。
因此,对于图像的分类和复原,现在最常用的的一种方法就是支持向量机(SVM)。
对于两类的判别,支持向量机(SVM)的训练过程中遇到线性不可分的情况,我们使用凸优化来求解。
将
作为训练样本集,这里每一个样本x(n-D)标记为y(
)。
对于一个给定的核矩阵
,要获得SVW则必须解决一下优化问题(目标函数):
这里,C>
0是决定SVW参数的上限(即松弛变量)于我们要分类的任务,我们使用高斯核函数,即
对于未知样本x的分类,则分类结果可以这样表示:
从上式可知,对于未知的x当y=1时,则属于非模糊区域;
y=-1时,则属于模糊区域;
y=0时,则属于过渡区域。
3.3.3图像模糊区域和非模糊区域的判别
该判别分两阶段进行,即粗略模糊区域判断和模糊区域边界判断。
第一阶段,我们将像分割为三部分:
模糊区域(BR),清晰区域(NBR),过渡区域(TR)。
第二阶段:
确定模糊区域边界。
第一阶段的算法主要包括以下步骤:
(1)将图像在YUV颜色转换;
(2)提取Y分量64X64大小的重叠块;
(3)特征提取:
计算小波梯度并建立每个提取块的梯度直方图;
(4)概率SVM:
在每个提取部分直方图中使用概率SVM;
(5)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;
(6)构建概率直方图:
构建概率图的全局直方图;
(7)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,而阈值的选择可以根据下图得到。
图8Histogramofprobabilitymapandestimatedthresholds
第二阶段包括以下步骤:
(1)对应于小波梯度图,建立TR和BR区域的小波梯度直方图;
(2)基于BR梯度直方图,拉普拉斯分布参数进行最大似然估计;
(3)对应于拉普拉斯分布ML估计的置信区间为99%,计算得阈值t1和t2;
(4)使用的阈值对梯度小波图TR进行二值化处理;
(5)由步骤(4)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。
(6)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。
对于这两步骤的图像说明如下图所示:
图9.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
4.小结与展望
本文总结了几种现在常用的判别清晰区域和模糊区域以及对于模糊区域的分类的方法,即Liu等综合了局部功率谱曲线,梯度分布曲线和最大色彩饱和度三个模糊评价指标的特性对模糊区域进行检测分类。
Su等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,从而检测出聚焦(清晰)区域与散焦(散焦模糊)区域。
Ranched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。
但是,这几种方法在整体上可以达到相对高的精确度和召回率,但是每种方法均有自己的不足之处。
所以,我们希望将来能够把几种方法结合起来,可以达到更好的效果。
参考文献
[1].B.Su,S.Lu,andC.L.Tan,“Blurredimageregiondetectionandclassification,”inProc.AssociationforComputingMachinery,ACMMultimedia,2011,pp.1397-1400.
[2]R.Liu,Z.Li,andJ.Jia,“Imagepartialblurdetectionandclassification,”inComputerVisionandPatternRecognition,2008.IEEEConferenceon,2008,pp.1–8.
[3]Kanchev,V.;
Tonchev,K.;
Boumbarov,O.,"
Blurredimageregionsdetectionusingwavelet-basedhistogramsandSVM,"
IntelligentDataAcquisitionandAdvancedComputingSystems(IDAACS),2011IEEE6thInternationalConferenceon
vol.1,no.,pp.457,461,15-17Sept.2011
[4]Yun-ChungChung;
Jung-MingWang;
Bailey,R.R.;
Sei-WangChen;
Shyang-LihChang,"
Anon-parametricblurmeasurebasedonedgeanalysisforimageprocessingapplications,"
CyberneticsandIntelligentSystems,2004IEEEConferenceon
vol.1,no.,pp.356,360vol.1,1-3Dec.2004
[5]L.Ková
csandT.Szirá
nyi.Focusareaextractionbyblinddeconvolutionfordefiningregionsofinterest.IEEE
TransactiononPatternAnalysisandMachineIntelligence,29:
1080–1085,2007.
[6]A.Levin.Blindmotiondeblurringusingimagestatistics.AdvancesinNeuralInformationProcessingSystems,2007.
[7]J.D.RugnaandH.Konik.Automaticblurdetectionformetadataextractionincontent-basedretrievalcontext.SPIE,5304:
285–294,2003.
[8]熊继平,赵健,一种基于RPCA的图像聚焦区域检测方法,计算机系统应用,2014.
[9]BlurredImageRegionsDetectionusingWavelet-basedHistogramsandSVM,2011IEEE
[10]R.Liu,Z.Li,andJ.Jia,“Imagepartialblurdetectionandclassification,”inComputerVisionandPatternRecognition,2008.IEEEConferenceon,2008,pp.1–8.
[11]H.Tong,M.Li,H.Zhang,andC.Zhang,“Blurdetectionfordigitalimagesusingwavelettransform,”inMultimediaandExpo,2004.ICME’04.2004IEEEInternationalConferenceon,vol.1,june2004.
[12]ANon-ParametricBlurMeasureBasedonEdgeAnalysisforImageProcessingApplications,Singapore,1-3December,2004
[13]RentingLiu,ImagePartialBlurDetectionandClassification,InICCV,2008.
[14]Y.Chung,J.Wang,R.Bailey,S.Chen,andS.Chang.Anon-parametricblurmeasurebasedonedgeanalysisforimageprocessingapplications.IEEEConferenceonCyberneticsandIntelligentSystems,1,2004.
[15]J.DaRugnaandH.Konik.Automaticblurdetectionformetadataextractionincontent-basedretrievalcontext.InSPIE,volume5304,pages285–294,2003.1
[16]YipengLiu,NovelfocusregiondetectionmethodformultifocusimagefusionusingquaternionwaveletournalofElectronicImaging,22
(2),023017(Apr–Jun2013)
[文档可能无法思考全面,请浏览后下载,另外祝您生活愉快,工作顺利,万事如意!
]
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 第三 图像 聚焦 区域 散焦 判别 方法 综述