一种基于朴素贝叶斯方法的模糊图像检测方法技术

本发明专利技术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。

A fuzzy image detection method based on Naive Bayes method

The invention provides a fuzzy image detection method based on spectrum and cepstrum characteristics. Firstly, the image is divided into small regions, and the energy spectrum density distribution and singular cepstrum distribution values are calculated in the small area. At the same time, assuming the above two kinds of fuzzy characteristics accord with normal distribution, and the clear image and the blurred image distribution parameters are different, and the maximum likelihood estimation method to estimate the distribution parameters of the above two kinds of characteristics in the fuzzy and clear under the assumption of value. Finally, a simple Bias classifier is established to determine whether the image is blurred when given a test image.

【技术实现步骤摘要】
一种基于朴素贝叶斯方法的模糊图像检测方法
本专利技术属于图像处理
，特别涉及各类图像的模糊检测技术。
技术介绍
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“RonyFerzliandLinaJ.Karam,HumanVisualSystemBasedNo-ReferenceObjectiveImageSharpnessMetric,2006IEEEInternationalConferenceonImageProcessing,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“PinaMarziliano,FredericDufaux,StefanWinklerandTouradjEbrahimi,ANo-ReferencePerceptualBlurMetric,2002IEEEInternationalConferenceonImageProcessing,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。
技术实现思路
本专利技术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
技术实现思路
，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：定义3：倒谱。功率谱对数值的反傅氏变换称为倒谱，又称作功率倒频谱。定义4：分类器。在模式识别中用于区分两类模式的判别函数，函数的输入通常为样本模式，输出为{+1，-1}，分别代表不同的类别。定义5：错分率。用于统计分类器性能的重要指标，由错分样本数与总测试样本数相除得到。该值越低，说明分类效果越好。定义6：贝叶斯定理。有关条件概率转化的定理，具体表示为事件B发生条件下事件A发生的概率p(A|B)可以转化为定义7：先验分布。通过先验知识和信息得到的概率分布。定义8：联合概率分布。多个随机变量关于某些参数的联合概率密度函数。按照本专利技术的一种基于朴素贝叶斯方法的模糊图像检测方法，它包含以下步骤：步骤1：任意选取摄像头采集的N1+N2幅同类数字图像其中既包含N1模糊图像和N2幅清晰图像，代表第t幅大小为M×N的图像；步骤2：对步骤1中得到的N1+N2幅数字图像根据其模糊与否进行人工标定，若第t幅图像It为模糊图像，则令其对应的标定变量yt＝1，否则yt＝-1；步骤3：对待识别图像It进行子区域划分，划分方法为方格法，并记每一个子区域图像为Itb，b＝1，...，B，其中B为子区域的总个数；步骤4：对于待识别图像的子区域图像进行Itb(m，n)与算子(-1)m+n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，得到其中表示子区域图像Itb的尺寸为M′×N′，Itb(m，n)表示任意一像素点的灰度值，(m，n)为该像素点的坐标位置；步骤5：对每一变换后的子区域图像进行二维离散傅里叶变换，其中Ftb(u，v)表示I′tb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6：计算图像的能量谱密度分布其中表示第d个频带内能量谱密度，D表示频带的总个数；步骤7：计算每一子区域图像Itb的倒谱步骤8：计算每一子区域图像Itb对应的奇异倒谱直方图表示倒谱值分布在某一取值区间内点的数目；步骤9：设能量谱密度分布htb来自模糊图像或清晰图像时，对应的分布为正态分布，均值和协方差矩阵不同，能量谱密度分布htb来自模糊图像和清晰图像的均值分别为μh1和μh2，协方差矩阵为和其中表示模糊图像能量谱密度分布变化的程度，表示模糊图像能量谱密度变化的程度，ID表示单位矩阵；得到如果图像来自模糊图像，其能量谱密度分布值htb的分布函数为：通过最大似然函数求得参数μh1和的最佳取值；如果图像来自清晰图像，htb的分布函数假设为：通过最大似然函数求得参数μh2和的最佳取值；步骤10：计算奇异倒谱分布值stb的分布函数，设stb来自模糊图像或清晰图像时，对应的分布为正态分布，均值和协方差矩阵不同，奇异倒谱分布值stb来自模糊图像和清晰图像时的均值分别为μs1和μs2，协方差矩阵为和其中表示模糊图像奇异倒谱分布值变化的程度，表示清晰图像奇异倒谱分布值变化的程度，IL表示单位矩阵；得到如果图像来自模糊图像，其奇异倒谱分布值stb的分布函数为：通过最大似然函数求得参数μs1和的最佳取值；如果图像来自清晰图像，stb的分布函数为：通过最大似然函数求得参数μs2和的最佳取值；步骤11：构建朴素贝叶斯分类器，假设清晰图像和模糊图像等概率出现，当输入图像为I时候，计算其对应每一块子区域图像的能量谱密度分布值hb和奇异倒谱分布值sb；当假设为模糊图像时，利用参数μh1、μs1、计算出hb和sb的联合分布p(hb，sb|y＝1)＝p(hb|y＝1)p(sb|y＝1)，该联合分布表示模糊图像的能量谱密度分布与奇异倒谱分布函数的乘积，同理计算假设为清晰图像时，利用参数μh2、μs2、得到hb和sb的联合分布p(hb，sb|y＝-1)，该联合分布表示清晰图像能量谱密度分布与奇异倒谱分布的乘积；当满足下述条件时则判输入图本文档来自技高网...

【技术保护点】
一种基于朴素贝叶斯方法的模糊图像检测方法，它包含以下步骤：步骤1：任意选取摄像头采集的N

【技术特征摘要】
1.一种基于朴素贝叶斯方法的模糊图像检测方法，它包含以下步骤：步骤1：任意选取摄像头采集的N1+N2幅同类数字图像其中既包含N1模糊图像和N2幅清晰图像，代表第t幅大小为M×N的图像；步骤2：对步骤1中得到的N1+N2幅数字图像根据其模糊与否进行人工标定，若第t幅图像It为模糊图像，则令其对应的标定变量yt＝1，否则yt＝-1；步骤3：对待识别图像It进行子区域划分，划分方法为方格法，并记每一个子区域图像为Itb，b＝1，...，B，其中B为子区域的总个数；步骤4：对于待识别图像的子区域图像进行Itb(m，n)与算子(-1)m+n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，得到其中表示子区域图像Itb的尺寸为M′×N′，Itb(m，n)表示任意一像素点的灰度值，(m，n)为该像素点的坐标位置；步骤5：对每一变换后的子区域图像进行二维离散傅里叶变换，其中Ftb(u，v)表示I′tb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6：计算图像的能量谱密度分布其中表示第d个频带内能量谱密度，D表示频带的总个数；步骤7：计算每一子区域图像Itb的倒谱步骤8：计算每一子区域图像Itb对应的奇异倒谱直方图表示倒谱值分布在某一取值区间内点的数目；步骤9：设能量谱密度分布htb来自模糊图像或清晰图像时，对应的分布为正态分布，均值和协方差矩阵不同，能量谱密度分布htb来自模糊图像和清晰图像的均值分别为μh1和μh2，协方差矩阵为和其中表示模糊图像能量谱密度分布变化的程度，表示模糊图像能量谱密度变化的程度，ID表示单位矩阵；得到如果图像来自模糊图像，其能量谱密度分布值htb的分布函数为：通过最大似然函数求得参数μh1和的最佳取值；如果图像来自清晰图像，htb的分布函数假设为：通过最大似然函数求得参数μh2和的最佳取值；步骤10：计算奇异倒谱分布值stb的分布函数，设stb来自模糊图像或清晰图像时，对应的分布为正态分布，均值和协方差矩阵不同，奇异倒谱分布值stb来自模糊图像和清晰图像时的均值分别为μs1和μs2，协方差矩阵为和其中表示模糊图像奇异倒谱分布值...

【专利技术属性】
技术研发人员：潘力立，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51