基于显著性的图像局部模糊检测方法技术

针对清晰的纹理平坦区域由于缺乏高频信息，而容易被误检成模糊区域的问题，本发明专利技术提出了一基于显著性的图像局部模糊检测方法：将代表图像变换域特征的奇异值向量，反映图像高频信息的局部极值点与熵加权的池化DCT高频系数(HiFST系数)相结合，这两种类型的特征值相互补充，得到更好的特征向量，将得到的混合特征向量输入到BP神经网络进行训练得到模型后，通过预测得到初步结果，再与图像显著性检测相结合，通过图像的显著性约束得到进一步的检测结果，并通过双边滤波优化边缘信息得到最终的结果。在一个公开的大型数据集上进行的定性定量实验结果表明，本方法具有很好的模糊检测效果。

【技术实现步骤摘要】
基于显著性的图像局部模糊检测方法
本专利技术属于图像处理
，具体涉及基于显著性的图像局部模糊检测方法。
技术介绍
图像模糊作为图像处理领域的分支之一，越来越多的科研工作人员都对它投入了大量的关注，图像局部模糊检测技术也获得了较大的突破。在基于单个图像的模糊检测方法出现之前，大部分的检测方法都是基于多幅连续的模糊图像进行检测，这种方法获得多幅图像和摄像机参数进行模糊检测，但是这种方法局限性非常大，需要满足很多的要求，例如需要很多的先验知识如摄像机的参数，而且要求获得图片背景是静止的。最近几年提出了很多了基于单幅模糊图像且不需要任何的先验信息。目前有很多只是用单幅图像进行模糊检测的方法，这种方法主要分为两类：基于区分模糊与清晰区域的单个特征值的模糊检测方法、基于多个区分清晰区域和模糊区的特征值混合测量的模糊检测方法：(1)基于区分模糊与清晰区域的单个特征值的模糊检测方法：图像中的模糊区域与清晰区域有着本质上的差别，这体现在梯度、频域和变换域中。因此很多方法都是基于区分清晰区域和模糊区域的单个特征值进行检测的。Narvekar等人[1]通过分析图像的边缘信息进行模糊区域的检测。Tang等人[2]通过研究图像频谱残差的在清晰区域与模糊区域的不同，得到初步检测的结果，再通过相邻区域的颜色信息与梯度信息对初步检测的结果进行迭代优化得到进一步的模糊检测结果。Su等人[3]根据像素奇异值与图像模糊之间的联系，模糊区域的像素奇异值前几项所占比重比清晰区域的像素奇异值高的特点，提出了使用奇异值前几项所占比值来检测模糊区域。黄善春等人[4]在su等人研究的基础上，将奇异值向量作为区分清晰区域和模糊区域的特征，并与DCT系数相结合，用BP进行训练、预测得到最终的检测结果。Javaran等人[5]通过分析模糊前后DCT系数的变化，将图像再次用高斯滤波模糊，对比两张图像中的DCT系数在9×9、19×19和45×45的比值，取这三个不同尺度的比值的平均值，作为区分模糊区域和清晰区域的特征。Yi和Eramian等人[6]提出一种基于局部二值模式下的测量尺度，并使用图像多尺度的信息，提出了一种鲁棒的分割方法用于分割聚焦和散焦图片。Alireza等人[7]提出了一种基于DCT高频系数组合与排序的方法对图像进行模糊检测，先将图像变为梯度图像，再使用多尺度方法，将不同尺度的DCT高频系数根据熵进行排序，再进行最大池化与高斯滤波处理得到最后的检测结果，但是这种检测结果是在频域范围内检测的，对与同样不含有高频信息的纹理清晰的平坦区域存在这误检。Shi等人[8]通过学习字典的方式提出基于稀疏表达的图像块模糊检测用于检测人眼可辨别的模糊。这种基于单一特征值的方法，只能从频域或者空域对模糊图像进行检测，对于某些与模糊区域含有相似频域或者空域的清晰区域，例如同样不含有高频信息的模糊区域与纹理平坦区域，很容易产生误检。(2)基于多个特征值混合测量的模糊检测方法：Chakrabarti等人[9]将局部频域成分、局部梯度变换以及颜色信息在马尔科夫随机域分割框架下相结合，通过模糊核的知识就可以检测出运动模糊区域，但是对于散焦图像或者是空间变化不明显的图像检测效果差。Liu等人[10]用贝叶斯分类器将局部功率谱斜度、梯度分布直方图、最大色彩饱和度以及局部图像颜色、梯度、光谱信息的自相关性相结合，用于检测模糊区域和清晰区域。Shi等人提[11]出了一些新的特征值用于模糊测量：图像梯度中的峰值和重尾分布、光谱的频域、以及通过Ground-truth图得到的局部滤波，用贝叶斯分类器将他们结合，再将得到的结果进行多尺度分析，最后得到结果。使用多个区分模糊和清晰区域特征值进行混合测量，避免了单一类型的特征值可能出现的问题，这种方法既可以从频域对图像进行划分，也空域从空域对图像进行划分，这种多重约束下的模糊检测是的检测的结果更加的准确，但是多特征的选取和融合问题成为影响检测结果重要因素，选取的特征值类型过于单一或者是选取的特征值类型过于多样都会造成问题，例如选取的特征值太过多样，检测就会有很大的噪声，很多明显的模糊区域会被误检成清晰区域，同样如果选取的特征值过于单一，则同样也会对某些区域误检。但是这种多特征融合的方法还是很有效的，因此本文就是选取的这种多特征融合的方式，只是在特征选取上本文则是将表示图像变换域信息的奇异值向量、表示图像频域信息的局部极值点和HiFST系数相结合，从变换域和频域同时考虑，选取的特征值更加互补有效。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于显著性的图像局部模糊检测方法，具体如下：基于显著性的图像局部模糊检测方法，按如下步骤进行：步骤1：输入一张彩色图像；步骤2：对步骤1的结果进行特征向量求解，获得特征向量；步骤3：对步骤2的结果进行BP神经网络训练，获得训练完成的BP神经网络；步骤4：对步骤1的结果使用显著性方法进行检测，获得图像的显著性检测图；步骤5：由步骤3的结果，得到BP预测结果图；步骤6：对步骤1的结果使用超像素分割方法进行分割，得到图像的超像素分割图；步骤7：由步骤4所获得的显著性检测图、步骤5所获得的BP预测结果图和步骤6所获得的超像素分割图，得到检测结果；步骤8：对步骤7获得的检测结果进行双边滤波进行优化，获得最终的检测结果，并输出。进一步说，步骤2所述的特征向量，包括奇异值向量、局部极值点和HiFST系数；所述奇异值向量，是指矩阵进行奇异值分解后得到的对角矩阵中的向量；所述局部极值点，是指代表图像高频信息的特征；所述HiFST系数，是指是一种将离散余弦变换系数进行熵加权并池化的系数。进一步说，步骤3描述的BP神经网络，是指传统的三层BP网络，网络可以分为输入层、隐含层和输出层，具体步骤如下：3.1设定输入结点数为10，对应于以像素(i,j)为中心的8*8的像素块中“米”型局部极值点的数目、HiFST系数和奇异值向量，总共是一个1×10维的向量；3.2设定输出结点数为1个，是通过BP神经网络检测得到的模糊检测值；3.3设定隐含层神经元一共有20个，试验中设置的迭代次数设为2000，设置的误差设为0.0006，学习率设置为0.04。进一步说，步骤4描述的显著性检测图是指将图像进行显著性检测所获得的检测结果图，获得图像中最显著性的区域。进一步说，步骤5描述的BP训练结果图是指将图像输入到BP神经网络中得到的结果图。进一步说，步骤6描述的超像素分割图是指将图像进行超像素分割所获得的检测结果图，将图像分割成多个超像素块。进一步说，步骤7中的显著性约束的检测结果的具体实施步骤为：7.1使用的超像素分割方法，将图像分为N个超像素；7.2用BP训练结果图作为其最初的值；7.3通过显著性的约束关系，即设Bc，SC为超像素p的模糊检测结果和显著性检测结果，βc为超像素的邻域超像素i(1≤i≤N)的模糊检测结果和显著性检测结果，由上述描述可知，Bc和SC并不存在直接的关系即SC大的区域Bc不一定就越大，反之同样和βc也不存在直接的关系，但是由上述论证可知SC和βc之间的关系会影响到Bc和之间的关系即SC和βc之间的差值越小，Bc和之间的差值也应当越小，由此超像素p的模糊检测结果可以表示为：即而由上述显著性和模糊之间的关系可知上式本文档来自技高网...

【技术保护点】
1.基于显著性的图像局部模糊检测方法，其特征在于，按如下步骤进行步骤1：输入一张彩色图像；步骤2：对步骤1的结果进行特征向量求解，获得特征向量；步骤3：对步骤2的结果进行BP神经网络训练，获得训练完成的BP神经网络；步骤4：对步骤1的结果使用显著性方法进行检测，获得图像的显著性检测图；步骤5：由步骤3的结果，得到BP预测结果图；步骤6：对步骤1的结果使用超像素分割方法进行分割，得到图像的超像素分割图；步骤7：由步骤4所获得的显著性检测图、步骤5所获得的BP预测结果图和步骤6所获得的超像素分割图，得到检测结果；步骤8：对步骤7获得的检测结果进行双边滤波进行优化，获得最终的检测结果，并输出。

【技术特征摘要】
1.基于显著性的图像局部模糊检测方法，其特征在于，按如下步骤进行步骤1：输入一张彩色图像；步骤2：对步骤1的结果进行特征向量求解，获得特征向量；步骤3：对步骤2的结果进行BP神经网络训练，获得训练完成的BP神经网络；步骤4：对步骤1的结果使用显著性方法进行检测，获得图像的显著性检测图；步骤5：由步骤3的结果，得到BP预测结果图；步骤6：对步骤1的结果使用超像素分割方法进行分割，得到图像的超像素分割图；步骤7：由步骤4所获得的显著性检测图、步骤5所获得的BP预测结果图和步骤6所获得的超像素分割图，得到检测结果；步骤8：对步骤7获得的检测结果进行双边滤波进行优化，获得最终的检测结果，并输出。2.根据权利要求1所述的基于显著性的图像局部模糊检测方法，其特征在于，步骤2所述的特征向量，包括奇异值向量、局部极值点和HiFST系数；所述奇异值向量，是指矩阵进行奇异值分解后得到的对角矩阵中的向量；所述局部极值点，是指代表图像高频信息的特征；所述HiFST系数，是指是一种将离散余弦变换系数进行熵加权并池化的系数。3.根据权利要求1所述的基于显著性的图像局部模糊检测方法，其特征在于，步骤3描述的BP神经网络，是指传统的三层BP网络，网络可以分为输入层、隐含层和输出层，具体步骤如下：3.1设定输入结点数为10，对应于以像素(i，j)为中心的8*8的像素块中“米”型局部极值点的数目、HiFST系数和奇异值向量，总共是一个1×10维的向量；3.2设定输出结点数为1个，是通过BP神经网络检测得到的模糊检测值；3.3设定隐含层神经元一共有20个，试验中设置的迭代次数设为2000，设置的误差设为0.0006，学习率设置为0.04。4.根据权利要求1所述的基于显著性的图像局部模糊检测方法，其特征在于，步骤4描述的显著性检测图是指将图像进行显著性检测所获得的检测结果图，获得图像中最显著性的区域。5.根据权利要求1所述的基于显著性的图像局部模糊检测方法，其特征在于，步骤5描述的BP训练结果图是指将图像输入到BP神经网络中得到的结果图。6.根据权利要求1所述的基于显著性的图像局部模糊检测方法，其特征在于，步骤6描述的超像素分割图是指将图像进行超像素分割所获得的检...

【专利技术属性】
技术研发人员：方贤勇，丁成，汪粼波，王华彬，周健，李薛剑，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34