基于图像DCT域的SVD分解的模糊检测方法技术

本发明专利技术提出了一种基于图像DCT域的SVD分解的模糊检测方法。首先计算待测图像的梯度图，图像的边缘信息可以从梯度图中得到，然后把梯度图进行分块，并进行DCT变换，因为DCT域的交流系数反映了图像的边缘和清晰度，接着差分矩阵来分析DCT域的交流系数信息，通过计算差分矩阵的奇异值，并构造响应函数来表示块的图像的模糊程度，最终用均值和方差去归一化图像块响应之和，来消除图像内容的影响。实验表明该方法得到的模糊分数与人眼对图像的主观评价分数高度一致。本发明专利技术的检测模型考虑到图像变模糊过程中的边缘变宽，清晰度变弱等特点，并有效的消除图像内容的影响，因此检测准确率很高，而且检测效率快，整体性能优于前人的方法。

Fuzzy detection method of SVD decomposition based on image DCT domain

The invention proposes a fuzzy detection method based on SVD decomposition of image DCT domain. Firstly, the gradient map of the image to be measured is computed. The edge information of the image can be obtained from the gradient map. Then the gradient map is divided into blocks and transformed into DCT. The AC coefficient in DCT domain reflects the edge and clarity of the image. Then the AC coefficient information in DCT domain is analyzed by the difference matrix, and the singularity of the difference matrix is calculated. Finally, the mean and variance are used to normalize the sum of image block responses to eliminate the influence of image content. Experiments show that the fuzzy score obtained by this method is highly consistent with the subjective evaluation score of the human eye. The detection model of the invention takes into account the characteristics of widening the edge and weakening the sharpness in the process of blurring the image, and effectively eliminates the influence of the image content, so the detection accuracy is high, and the detection efficiency is fast, and the overall performance is superior to the previous methods.

【技术实现步骤摘要】
基于图像DCT域的SVD分解的模糊检测方法
本专利技术涉及图像模糊检测领域，提出了一种基于图像DCT域的SVD分解的模糊检测方法，该方法能够快速并且准确的检测出模糊图像。
技术介绍
数字图像作为信息传递的载体之一，在日常生活或工作中扮演着重要的角色。比如手机的普及使得手机拍照成为人们日常娱乐项目之一；卫星遥感图像给农业、工业和环境带来的便利等。但是数字图像在获取、压缩、传输和存储过程中不可避免地会引入一些失真，这不仅影响视觉体验，而且可能会带来巨大的损失。图像模糊是最常出现的一种失真类型，因此，图像模糊的检测越来越受到人们重视。人眼虽然具有区分模糊图像与清晰图像的能力，但存在耗时长，工作量大等缺点，因此，利用计算机对模糊图像进行检测就显得尤为重要。目前，已经有很多图像模糊检测方法，其大致上分为空域法、频域法和混合域法。总的来说，图像模糊会产生更宽的边缘，因此大部分空域方法都是基于图像的边缘宽度。如Marziliano等提出了基于Sobel算子的算法，该方法首先检测图像垂直方向的Sobel边缘，然后通过局部极值点得到图像边缘的宽度，最后图像的模糊定义为平均边缘宽度；如Ferzli和Karam提出一种视觉可见模糊(JustNoticableBlur,JNB)模型，该方法首先确定图像的边缘块和平滑块，然后计算边缘块的块边缘宽度，最后通过JNB模型得到图像的模糊程度。考虑到空域对图像特征表示的局限性，许多方法则将图像转换到频域，如DWT域或者DCT域。通过分析图像的频域非零系数分布，Marichal等提出一种基于图像DCT域的方法，该方法首先将图像分块，然后得到每一个8x8块的DCT系数，最后通过DCT非零系数的加权直方图来估计图像模糊。Tong等提出一种基于小波域的方法，该方法首先通过多尺度小波域系数对边缘进行分类，然后根据提出的规则来判断图像是否模糊，最后图像的模糊程度可以通过模糊边缘的数目得到。目前，已有学者提出将空域与频域结合的混合域算法，如Vu等也提出了一种基于混合域的综合评价算法(S3)，通过Sigmoid函数变换得到频域特征，通过局部变分得到空域特征，最后的模糊估计通过取前两项的加权平均得到；如Li等提出的一种基于离散正交矩的算法，该方法首先通过梯度信息来估计图像的边缘，然后利用离散正交矩得到频域信息，最后计算图像的离散正交矩之和来表示图像的模糊程度。同时说明了空域和频域结合的算法具有更好的效果。现有的图像模糊检测方法有很多，它们都利用模糊图像特点：随着加大图像的模糊程度，图像的边缘会变得更宽，轮廓越来越不明显。
技术实现思路
通过比较上述方法的特点，提出了一种基于图像DCT域的SVD分解的检测方法，该方法结合了图像空域和频域信息。首先计算图像的梯度图，图像的边缘信息可以从梯度图中得到，然后把梯度图进行分块，并进行DCT变换，因为DCT域的交流系数反映了图像的边缘和清晰度，接着用差分矩阵来分析DCT域的交流系数信息，通过计算差分矩阵的奇异值，并构造响应函数来表示块的图像的模糊程度，最终用均值和方差进行归一化来消除图像内容的影响。本专利技术的技术方案步骤如下：步骤1：计算待检测图像的梯度图，并对梯度图像进行分块，块的大小为p×p。步骤2：对每个梯度图像块进行DCT变换，得到DCT系数并去掉直流系数。步骤3：计算DCT系数的水平方向和垂直方向的差分矩阵。步骤4：计算差分矩阵的奇异值，并由响应函数得到块的响应。步骤5：对所有块的响应求和得到整幅图像的响应E。步骤6：对图像进行分块(块大小同步骤1)，计算每个图像块的均值和方差，对所有块的均值和方差分别求和，得到整幅图像的均值C和方差V。步骤7：用步骤6得到的C和V对步骤5中E进行归一化，得出最终的模糊分数S。步骤8：通过比较S与选取的阈值T的大小，将图像分为清晰和模糊两类。本专利技术的有益效果：本专利技术结合了图像空域和频域的信息，有效的提高了模糊检测的准确率，弥补只使用空域或者频域的缺陷。在空域中得到图像边缘信息，在频域中得到图像的模糊程度(响应)，这样既保留了图像空域信息的直观性，又保留了图像频域信息的有效性。此外，本专利技术还对图像频域得到的响应进行归一化操作，消除了图像内容的影响。附图说明图1算法流程图。图2清晰图像样本。图3模糊图像样本。图4LIVE图像库中58幅图像的模糊分数。图5清晰图像样本和模糊图像样本的检测结果。具体实施方式下面结合附图，对本专利技术的具体实施方案作进一步详细描述。基于图像DCT域的SVD分解的模糊检测方法，其具体步骤描述如图1所示：步骤1：计算待检测图像的梯度图，并对梯度图像进行分块，块的大小为p×p。步骤2：对每个梯度图像块进行DCT变换，得到DCT系数并去掉直流系数。步骤3：计算DCT系数的水平和垂直方向的差分矩阵。步骤4：计算差分矩阵的奇异值，并由响应函数得到块的响应。步骤5：对所有块的响应求和，得到整幅图像的总响应E。步骤6：对图像进行分块(块大小同步骤1)，计算每个图像块的均值和方差，对所有块的均值和方差分别求和，得到整幅图像的均值C和方差V。步骤7：用步骤6得到的C和V对步骤5中E进行归一化，得出最终的模糊分数S。步骤8：通过比较S与选取的阈值T的大小，将图像分为清晰和模糊两类。步骤1具体如下：计算待测图像I的梯度图G，公式如下：Ix＝I*[-101],Iy＝I*[-101]T其中*是卷积操作，然后对梯度图像G进行分块，每个分块设为Bk，k＝(1,2,…,N)，N是图像块的总个数，块大小为p×p，实验中p＝6。步骤2具体如下：将图像块Bk变换到DCT域Dk，并去掉直流系数，公式如下：Dk＝DCT(Bk)其中i,j∈{1…p}。步骤3具体如下：分别计算水平方向和垂直方向的差分矩阵，公式如下：其中i∈{1,…,p},j∈{1,…,p-1}。其中i∈{1,…,p-1},j∈{1,…,p}。步骤4具体如下：计算差分矩阵的奇异值，公式如下：(:)表示把矩阵转成一个列向量，F的大小为p(p-1)×2，然后对F进行奇异值分解得到奇异值s1,s2，由响应函数e得到图像块的能量。ek＝s1×s2-α(s1+s2)2其中α是常数，实验中α＝0.01。步骤5具体如下：计算待测图像所有块的响应进行求和，得到整张图像的总响应E,公式如下：其中N为图像块的总个数。步骤6具体如下：对待测图像分块，过程同步骤1，并计算每块的均值ck和方差vk，然后计算所有块的均值之和C，方差之和V，公式如下：步骤7具体如下：用V和C对E进行归一化，得到最终的模糊分数S，公式如下：步骤8具体如下：首先确定清晰图像与模糊图像间的阈值T。通过步骤7可以得到清晰图像(见附图2)和模糊图像(见附图3)的模糊分数S，分析这两类图像得到的数据S，可以看出清晰图像比模糊图像的S要高很多(见附图5)。为了保证实验数据的充分，在LIVE图像库中选取大量样本(模糊图像和清晰图像数量各一半)进行测试，确定最后的阈值T(见附图4)。最终选择的阈值为T＝15(附图4中黑色的线)，当T＞15表示图像是清晰的，当T≤15表示图像是模糊的。本文档来自技高网...

【技术保护点】
1.基于图像DCT域的SVD分解的模糊检测方法，首先计算待测图像的梯度图像，图像的边缘信息可以从梯度图中得到，然后把梯度图进行分块，并进行DCT变换，因为DCT域的交流系数反映了图像的边缘和清晰度，接着用差分矩阵来分析DCT域的交流系数信息，并计算差分矩阵的奇异值，通过奇异值构造响应函数来表示块的图像的模糊程度，最终用均值和方差进行归一化来消除图像内容的影响；具体步骤如下：步骤1：计算待检测图像的梯度图，并对梯度图像进行分块，块的大小为p×p；步骤2：对每个梯度图像块进行DCT变换，得到DCT系数并去掉直流系数；步骤3：计算DCT系数的水平方向和垂直方向的差分矩阵；步骤4：计算差分矩阵的奇异值，并由响应函数得到块的响应；步骤5：对所有块的响应求和，得到整幅图像的响应E；步骤6：对图像进行分块(块大小同步骤1)，计算每个图像块的均值和方差，对所有块的均值和方差分别求和，得到整幅图像的均值C和方差V；步骤7：用步骤6得到的C和V对步骤5中E进行归一化，得出最终的模糊分数S；步骤8：通过比较S与选取的阈值T的大小，将图像分为清晰和模糊两类。

【技术特征摘要】
1.基于图像DCT域的SVD分解的模糊检测方法，首先计算待测图像的梯度图像，图像的边缘信息可以从梯度图中得到，然后把梯度图进行分块，并进行DCT变换，因为DCT域的交流系数反映了图像的边缘和清晰度，接着用差分矩阵来分析DCT域的交流系数信息，并计算差分矩阵的奇异值，通过奇异值构造响应函数来表示块的图像的模糊程度，最终用均值和方差进行归一化来消除图像内容的影响；具体步骤如下：步骤1：计算待检测图像的梯度图，并对梯度图像进行分块，块的大小为p×p；步骤2：对每个梯度图像块进行DCT变换，得到DCT系数并去掉直流系数；步骤3：计算DCT系数的水平方向和垂直方向的差分矩阵；步骤4：计算差分矩阵的奇异值，并由响应函数得到块的响应；步骤5：对所有块的响应求和，得到整幅图像的响应E；步骤6：对图像进行分块(块大小同步骤1)，计算每个图像块的均值和方差，对所有块的均值和方差分别求和，得到整幅图像的均值C和方差V；步骤7：用步骤6得到的C和V对步骤5中E进行归一化，得出最终的模糊分数S；步骤8：通过比较S与选取的阈值T的大小，将图像分为清晰和模糊两类。2.根据权利要求1所述的基于图像DCT域的SVD分解的模糊检测方法，其特征在于步骤1具体过程如下：计算待测图像I的梯度图G，公式如下：Ix＝I*[-101],Iy＝I*[-101]T其中*是卷积操作，然后对梯度图像G进行分块，每个分块设为Bk，k＝(1,2,...,N)，N是图像块的总个数，块大小为p×p，实验中p＝6。3.根据权利要求2所述的基于图像DCT域的SVD分解的模糊检测方法，其特征在于步骤2具体过程如下：将图像块Bk变换到DCT域Dk，并去掉直流系数，公式如下：Dk＝DCT(Bk)其中i,j∈{1...p}。4.根据权利要求3所述的基于图像DCT域的S...

【专利技术属性】
技术研发人员：张善卿，李鹏程，徐向华，陆剑锋，李黎，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33