[发明专利]一种频谱和倒谱信息融合的模糊图像检测方法

摘要

该发明公开了一种频谱和倒谱信息融合的模糊图像检测方法，属于图像处理技术领域，特别涉及各类模糊图像的检测技术。该方法首先计算图像的能量频谱分布和奇异倒谱值直方图特征，并将上述两特征作为图像的模糊特征；之后，选用支持向量机分类器区分清晰图像和模糊图像特征，利用已采集的带模糊类别标定的图像训练支持向量机分类器的相应参数；最终使用训练好的分类器检测待测试图像是否为模糊图像。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，由于定义的模糊特征有明确的物理意义，因此能够准确地区分清晰和模糊图像。

主权项

一种频谱和倒谱信息融合的模糊图像检测方法，该方法包括：步骤1：任意选取摄像头采集的N+M幅同类数字图像其中N幅训练样本图像，M幅测试样本图像，训练样本图像和测试样本图像中都包含模糊图像和清晰图像(两者比例接近)，代表第n幅大小为P×Q的图像；步骤2：对步骤1中得到的N+M幅数字图像根据其模糊与否进行人工标定，若第n幅图像为模糊图像，则令其对应的标定变量y_n＝1，否则y_n＝‑1；步骤3：对于每一幅数字图像I_n(x,y)表示其中任意一像素点的灰度值，(x,y)为该像素点的坐标位置，进行与算子(‑1)^x+y的相乘运算以保证傅里叶变换之后的零频部分位于频谱图像的中心，得到步骤4：对每一变换后的图像进行二维离散傅里叶变换，$F_n(u,v)=\underset{x=0}{\overset{P-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{Q-1}{\mathrm{\&Sigma;}}}{I^{\&prime;}}_n(x,y)e^{-j2\mathrm{\&pi;}(\frac{\mathrm{ux}}{P}+\frac{\mathrm{vy}}{Q})},u=\mathrm{0,1,2},...,P-1;v=\mathrm{0,1,2},...,Q-1$其中F_n(u,v)表示I′_n的二维离散傅里叶变换，u,v为傅里叶变换后的空间坐标；步骤5：计算每一图像的能量谱密度分布其中：$h_{\mathrm{nd}}=\frac{1}{N_d}\underset{(u,v)\&Element;R_d}{\mathrm{\&Sigma;}}{\left|F_n(u,v)\right|}^2,d=\mathrm{1,2},...,D$其中$R_d=\left\{(u,v)\right|{\mathrm{\&gamma;}}_{d-1}\&le;{(u-\frac{P}{2})}^2+{(v-\frac{Q}{2})}^2\&le;{\mathrm{\&gamma;}}_d\}$表示第d个频带，γ_d‑1为d个频带的起始频率，γ_d为第d个频带的截止频率，N_d是位于第d个频带内点的数目；步骤6：计算每一图像的倒谱其中代表反傅里叶反变换，|F_n(u,v)|为第n幅图像傅里叶变换F_n(u,v)的模，倒谱具体表达式为：$C_n(x,y)=\frac{1}{\mathrm{PQ}}{\mathrm{\&Sigma;}}_{u=0}^{P-1}{\mathrm{\&Sigma;}}_{v=0}^{Q-1}\log \left|F_n(u,v)\right|e^{j2\mathrm{\&pi;}(\frac{\mathrm{ux}}{P}+\frac{\mathrm{vy}}{Q})},x=\mathrm{0,1,2},...,P-1;y=\mathrm{0,1,2},...,Q-1;$步骤7：计算每一图像对应的奇异倒谱直方图s_nl＝#{C_n(x,y)|C_n(x,y)<0,τ_l‑1≤C_n(x,y)≤τ_l},l＝1,2…,L运算符#表示落入第l个区间的倒谱点的数目，τ_l‑1和τ_l分别是第l个倒谱取值区间的开始和结束边界。步骤8：对于每一图像定义由能量谱密度分布和奇异倒谱直方图两种特征级联组成的模糊特征步骤9：定义多核函数k(f_m,f_n)＝βk’(h_m,h_n)+(1‑β)k’(s_m,s_n)，其中f_m,f_n代表任意两幅图像的模糊特征，h_m,h_n代表上述两幅图像的能量谱密度分布特征，s_m,s_n代表上述两幅图像的奇异倒谱直方图特征，k’(·,·)为任意满足Mercer定理的核函数；步骤10：选用支持向量机分类器区分清晰和模糊图像，分类器的表达式为：$y\left(f\right)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_n{y}_{n}k(f,f_n)+b$其中f为测试样本的模糊特征，f_n为第n个训练样本的模糊特征，b以及核函数参数β为分类器参数；参数是满足使得下式取最小值的解，$\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_n-\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_n{a}_m{y}_n{y}_{m}k(f_n,f_m)$s.t.   0≤a≤C${\mathrm{\&Sigma;}}_{n=1}^N{a}_n{y}_n=0$其中C为支持向量机分类器中控制错分容忍程度的参数，记集合为a_n>0的序号，同时记为中序号的个数，最后得到b为：在实际的实现过程中一般利用LibSVM工具包实现上述计算；步骤11：令步骤7中的参数β取值从0变到1，每次增加0.1，重复步骤10中的支持向量机分类器参数训练过程，并利用步骤1中采集的M幅测试样本图像进行得到参数的测试，M幅测试样本图像对应的模糊特征为当y(f_n)的输出为1时代表模糊图像，输出为0时代表清晰图像，如果此输出类别与原始标定一致则表示正确分类；重复本步骤中的支持向量机分类器训练与测试工作，并记录不同参数β对应的错分测试样本数目，以得到错分测试样本最少时的参数β、和b；步骤12：在实际模糊图像辨别过程中，选取步骤11计算得到的参数β、和b，按照步骤10的方法来进行图像辨别。