[发明专利]一种基于朴素贝叶斯方法的模糊图像检测方法

说明书

本发明专利提出了一种基于频谱和倒谱特征的模糊图像检测方法。该方法首先将图像划分为小区域，并在小区域上计算能量谱密度分布值和奇异倒谱分布值。同时，假设上述两种模糊特征符合正态分布，并且对于清晰图像和模糊图像分布参数有较大差异，并利用最大似然估计方法估计上述两种特征在模糊和清晰假设下的分布参数值。最后，建立朴素贝叶斯分类器，当给定测试图像时用于判断图像是否模糊。

技术领域

本发明属于图像处理技术领域，特别涉及各类图像的模糊检测技术。

背景技术

图像模糊检测一直是图像处理的重要研究方向，它是指自动从输入图像序列中筛除存在模糊图像的过程。在车牌识别、人脸识别、物体识别和虹膜识别等多个计算机视觉问题中，都需要确保输入图像清晰，才能进一步提取有效的视觉特征进行识别。因此，如何利用图像处理技术去除掉模糊图像，是各种计算机视觉问题第一步需要解决的。目前的图像模糊检测算法可以分为两个类别：(1)有参照模糊检测方法和(2)无参照模糊检测方法。

有参照模糊检测方法是指通过比较失真图像和参照(清晰)图像来评价失真图像的模糊程度，该方法是目前为止客观评价图像模糊程度中最可靠的方法。其中，基于均方误差、峰值信噪比、和归一化最小平方误差等的方法为常见的评价方法。这类方法计算简单，同时能有效评测失真图像的模糊程度。然而，由于在实际应用中参照图像通常无法得到，因此该类方法的应用范围非常有限。参见文献“Rony Ferzli and Lina J.Karam,HumanVisual System Based No-Reference ObjectiveImage Sharpness Metric,2006IEEEInternational Conference on Image Processing,pp.2949-2952”。

非参照模糊图像检测方法是指不通过与参照(清晰)图像进行对比，直接根据模糊失真图像的特性定义检测指标，通过指标的数值判断图像是否模糊以及模糊程度。该类方法与有参照模糊图像检测方法相比，在检测准确性上略显不足。但是，由于该类方法不需要获取原始参照图像进行对比，应用范围很广。目前大多数研究工作都在针对如何寻找更有效的模糊检测指标而进行。参见文献“Pina Marziliano,Frederic Dufaux,StefanWinkler and Touradj Ebrahimi,A No-Reference Perceptual Blur Metric,2002IEEEInternational Conference on Image Processing,Vol.3,pp.57-60”。

除了上述划分以外，通常还可以按照全局模糊检测方法和局部模糊检测方法来识别模糊图像。全局模糊检测方法是利用整幅图像的模糊特征进行分析，而局部方法是利用局部模糊特征进行分析并最终加权得到评判结果。局部方法的好处在于容易捕捉局部模糊特征，简单可靠，并且计算量小。

发明内容

本发明的任务是提供一种基于朴素贝叶斯理论的图像模糊检测方法。该方法首先将图像划分为若干网格，并计算每个网格上的图像的局部频谱和倒谱特征；之后，对局部特征估计其在模糊和清晰假设下的概率密度函数；接着，在利用朴素贝叶斯方法将所有网格得到的结果用来估计整体图像模糊的概率；最后根据概率值的高低判定图像是否模糊。上述方法最大的优点在于作为一种非参照模糊图像检测方法，不需要参照图像，因此有非常广泛的应用。同时，该方法也是一种局部模糊特征提取方法，简单方便。

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：数字图像。由数组或矩阵表示图像，其光照位置和强度都是离散值。

定义2：傅里叶变换。傅里叶变换是一种分析信号成分的方法。在本专利中用到的二维离散傅里叶变换定义为：

其中f(m，n)，m＝1，...，M，n＝1，...，N为二维时域信号，F(u，v)为其傅里叶变化。傅里叶反变换定义如下：