基于再模糊理论的模糊图像检测方法.pdf

现代计算机Modern Computer第 29 卷 第 12 期2023 年 6 月 25 日基于再模糊理论的模糊图像检测方法涂麟子，蒋朝根*（西南交通大学计算机与人工智能学院，成都 611756）摘要：图像作为当今人们获取信息、感知世界的重要载体，不仅是生活重要组成部分之一，还在各个行业发挥着重要作用。常见的图像模糊分为运动模糊与失焦模糊，严重影响图片质量与观看体验。针对这一问题，对图像质量的检测进行研究，设计一种基于再模糊理论的图像质量检测方法。将待测图像经过再模糊化处理后，对再模糊前后的图像提取边缘并计算图像间差异，以此评判图像是否模糊。利用Canny算子进行边缘检测并利用Otsu算法进行双阈值抑制。最后，在公开的LIVE图像数据集上进行实验。结果表明，该方法能有效检测图像是否模糊，且优于其他无参考图像质量评估算法，符合肉眼主观评价。关键词：再模糊理论；无参考图像质量评价；图像处理；边缘检测文章编号:10071423（2023）12003205DOI:10.3969/j.issn.10071423.2023.12.006收稿日期：20230305修稿日期：20230410作者简介：涂麟子（1998），女，四川成都人，硕士，主要研究方向为计算机应用；*通信作者：蒋朝根（1960），男，浙江金华人，硕士，教授，主要研究方向为嵌入式系统及其应用、无线传感器网路，Email：0引言根据对参考图像的依赖程度，客观质量评价可分为三种类型：有参考的图像质量评估方法、半参考的图像质量评估方法和无参考的图像质量评估方法1。相较于有参考与半参考质量评估方法，无参考评估方式优势在于无需任何原始参考图像即可直接进行质量评估。无参考图像质量评价分为有监督和无监督两种，有监督评价模型，如BRISQUE算法2的基本原理是根据自然图像局部归一化亮度系数强烈趋向于正态高斯分布这一特点，假定失真会显著改变这一分布。BRISQUE对待测图片提取特征参数并将数据集中通过人工标记的评分作为模型训练标签得到预测模型；但人工标签需要耗费大量的人力且成本高昂，无监督学习过程无需样本标签参与，直接通过对比自然图像与失真图像特征参数得到图像质量评分，如NIQE算法3无需依赖主观评分，通过提取一系列图像特征拟合多元高斯模型得到预测模型。本文所设计的方法是基于再模糊理论的无参考图像质量检测方法，以原始图像的灰度图像为输入，并对其进行两次高斯模糊，再利用边缘检测算法对比模糊前后图像间差异，以此判断图像模糊程度。本文所提出模型可以快速检测待测图像中的模糊图像并有效减轻需肉眼判断图像是否模糊的负担。最后，在公开数据集上，与本领域相关算法对比验证了本文提出模型的有效性。1检测模型框架本文的图像模糊检测模型框架如图1所示，包含三次边缘检测与两次图像再模糊处理，最终根据三次计算得到图像均方差之间的差异判断图像是否模糊。针对彩色待测图像，首先将其转化为灰度图并压缩到统一尺度。为了有效比较模糊前后图像像素的差异，利用边缘检测提取图像轮廓，并对边缘检测后图像计算均方差。在本检测框架下，模糊图像与清晰图像均方差在模糊前后将有显著不同，因此可以有效检测图像是否模糊。图形图像 32涂麟子等：基于再模糊理论的模糊图像检测方法第12期开始图像压缩并转为灰度图边缘检测计算图像方差一次高斯模糊彩色图像边缘检测计算图像方差二次高斯模糊边缘检测计算图像方差根据方差差异检测图像质量图 1算法流程2算法实现2 2.1 1图像再模糊理论图像再模糊理论图像再模糊理论是指对待测图像进行模糊处理，将再模糊后的图像作为参考图像，无需原始参考图像即可评价待测图像的质量4。利用高斯滤波器对待测图像进再模糊处理，可以有效抑制噪声并平滑图像，计算公式如下：I=Ia*G（1）其中：I为再模糊后的图像，Ia为进行灰度处理后的待测图像，G为高斯核函数。对图像上任意点(x,y)处的变量的高斯核函数计算公式如下：G(x,y)=122exp()-x2+y222（2）其中，为正态分布的标准偏差，用于控制图像平滑程度。2 2.2 2边缘检测边缘检测将图像中灰度发生急剧变化的区域边界定义为图像边缘，图像边缘表征了图像的大部分信息，因此边缘特征是图像的关键特征之一5。边缘检测中经典算子如Sobel算子、Prewitt算子和Roberts算子6等都是基于梯度的边缘检测算子，其优点是计算简单快捷。但经典算子对噪声敏感，容易产生边缘线粗、间断点多等问题，检测效果不明显。引入Canny算子对经典算子进行优化。Canny算子是一种逐级检测算法7，对比其他基于梯度的边缘检测算法，Canny算子抗噪能力强，能够有效检测图像边缘。Canny边缘检测算法基本步骤如下：（1）图像降噪。为了抑制噪声并尽可能保留图像细节，传统Canny边缘检测使用高斯滤波器对图像进行降噪处理。（2）计算梯度幅值和梯度方向。Canny算法利用一阶微分在图像点(x，y)处得到对应梯度Gx和Gy，此时对应的梯度幅值G(x,y)和梯度方向分别为公式（3）和公式（4）：G(x,y)=Gx2+Gy2（3）=arctan()GyGx（4）（3）非极大值抑制。对图像进行梯度计算后，仅仅基于梯度值提取的边缘仍然很模糊,非极大值抑制则可以帮助寻找像素点的局部最大值。通常做法为沿着梯度方向，比较像素点前后梯度值，若梯度值为局部最大则进行保留，否则抑制为0。（4）双阈值检测。Canny算法应用高低阈值来区分边缘像素。如果边缘像素点梯度值大于高阀值则被认为是强边缘点，否则将被抑制，在高低阈值间的像素点被认为是弱边缘点，最后连接所有识别到的边缘像素点。2 2.3 3OtsuOtsu双阈值自动检测双阈值自动检测Otsu是一种无参数、无监督的阈值划分算法。传统Canny算子需要通过调整参数以实现最优边缘检测性能，耗时费力。利用Otsu算法检测双阈值，可以自动得到最优划分方案89。Otsu算法假设阈值T1和T2将图像分为前景区域H1，中间区域H2和背景区域H3，三个区域对应像素点在整个图像中所占比例分别为0，1与2，其平均灰度值分别为0，1与2，则有如下公式：=0 0+1 1+2 2（5）s.t.0+1+2=1（6）其中：为图像总平均灰度；2为类间方差，则有如下公式：2=0(0-)2+1(1-)2+2(2-)2（7）33现代计算机2023年当方差2最大时，说明构成图像的三个区域差别最大，此时对应的T1和T2即为对应高阈值与低阈值。3实验与结果分析3 3.1 1实验数据集实验数据集本文使用 LIVE数据集10作为实验数据集，验证模型的有效性。LIVE数据集为高质量公开数据集，内容包含29幅参考图像与779幅失真图像，共有5种失真类型，每个类型对应45个失真级别。LIVE数据集提供每个失真图像对应的主观平均分值，分值在 0,1000 的范围内，分值越低表明图像越清晰，参考图像分值均为0。本文选用LIVE数据集中结构化失真图像，利用图像增强得到共计478张待测图像。3 3.2 2算法实现过程与结果算法实现过程与结果利用高斯核函数进行再模糊处理，不同高斯核大小将对模糊程度造成影响，高斯核值越大图像模糊程度越高。当高斯核大小为5时模糊处理后图像如图2所示。对原始图像进行灰度处理后将保留清晰的边缘信息；一次模糊后能够保留大部分边缘信息，越清晰的区域保留边缘信息也越多；二次模糊在一次模糊基础上进行模糊处理，此时图像中较为模糊的区域像素点间像素差值进一步降低，趋于像素平均值，提取到的边缘信息进一步减少。对模糊前后图像应用边缘检测算法得到图像边缘轮廓图，如图3所示。本文高斯核大小设置为5，一次模糊后能去除大部分噪声，并保留较多边缘信息。二次模糊后噪声进一步降低，此时对比原始图像噪声显著降低。对比模糊前后图像均值如图4所示。当原始图像清晰时，相邻像素点间灰度值差异较大，因此灰度值均值差异明显，图像方差较大。在第一次模糊后，高斯滤波器将保留一部分边缘并去除一部分噪声，此时灰度均值变小，且像素点间差异变小，方差降低。第二次模糊后，由于在第一次模糊基础上进行模糊，因此灰度均值再次变小，图像局部区域内像素值趋近相同，方差变化不大。根据以上原理可知当待测图片清晰时，一次模糊图像较原始图像方差变化显著，二次模糊后图像方差与一次模糊后图像方差间变化不大；当待测图像本身较为模糊时，一次模糊后方差变化不大，二次模糊图像与一次模糊图像间方差变化也较小。根据模糊前后图像间方差变化的区别，可以有效评判图像是否模糊。（a）原始灰度图像（b）一次模糊后图像（c）二次模糊后图像图 2模糊处理后图像图 3对模糊前后图像进行边缘检测后的图像 34涂麟子等：基于再模糊理论的模糊图像检测方法第12期3 3.3 3实验结果实验结果为了验证本文模型的精度以及性能，共选取478张图像，其中清晰图像38张，模糊图像440张。与上文中提到的BRISQUE算法、NIQE算法进行对比，对所有图像进行模糊检测。三种算法检测结果见表1。表 1三种算法检测正确率与性能对比算法本文算法BRISQUENIQE正确检测率/%92.390.987.4检测时间/s78132124根据结果可以看出本算法在运算时间上远高于其他两种算法，且在检测正确率上有所提升。本文算法对清晰图像与模糊图像判断数量见表2。表 2清晰图像与模糊图像检测正确率算法本文算法清晰图像检测正确率/%31.6模糊图像检测正确率/%97.5可以看出本文模型对模糊图像检测精度极高，达97.5%，因此针对待测的模糊图像可以快速且准确地检测出其模糊。但针对清晰图像，检测精度则较低，仅为 31.6%。LIVE数据集中所有参考图像评分均为0，被认为是清晰图像，但部分参考图像存在局部模糊，因此在利用本文模型进行判断时将产生影响。通过上述结果可知，本文所提出的模型可以有效检测图像是否模糊，精度高且性能优越。同时本实验利用Otsu算法判断Canny算子双阈值大小，可以有效降低人工选取参数的负担，并在参数选取方面更为精准。4结语根据清晰图像和模糊图像在再模糊后方差变化的显著差异，可判断待测图像是否模糊。实验结果显示本文所提出检测方法在模糊图像检测正确率达到 92.3%，效果优于对比的BRISQUE算法和NIQE算法，同时运行时间大幅降低。本文所提出检测方法还有不足之处，首先LIVE 数据集虽然将参考图像均认为是清晰图像，但参考图像存在局部模糊的情况，因此本文所提出方法在检测时虽然能较为精确判断出图像是否模糊，却会将一些被评定清晰的参考图像判定为模糊图像。同时LIVE数据集参考图像大多为风景照，人像、动物像较少，类型也较少。并且针对待测图像，不同区域内边缘显著程度也不同，局部区域可能边缘信息较少，但依然会纳入运算。在后续研究中，将加入更多种类待测图像，并根据边缘显著程度对图像不同区域赋予不同权重，以此提高算法鲁棒性与泛用性。参考文献：1 ZHOU Y，LI L，WU J，et al.Blind quality index formultiply distorted images using biorder structure degradation and nonlocal statistics J.IEEE Transactionson Multimedia，2018，20（11）：30193032.2 MITTAL A，MOORTHY A K，BOVIK A C.25020015010050001020304050size lengthvarience25020015010050001020304050size lengthvarience25020015010050001020304050size lengthvarience（a）原始灰度值均值（b）一次模糊后灰度均值（c）二次模糊后灰度均值图 4模糊前后图像灰度均值 35现代计算机2023年Noreference image quality assessment in the spatialdomainJ.IEEE Transactions on Image ProcessingA Publication of the IEEE Signal Processing Society，2012，21（12）：4695.3 MITTAL A，SOUNDARARAJAN R，BOVIK A C.Making a“completely blind”image quality analyzerJ.IEEE Signal Processing Letters，2013，20（3）：209212.4 王红玉，冯筠，牛维，等.基于再模糊理论的无参考图像质量评价 J.仪器仪表学报，2016，37（7）：16471655.5 段瑞玲，李庆祥，李玉和.图像边缘检测方法研究综述 J.光学技术，2005（3）：415419.6 雷丽珍.数字图像边缘检测方法的探讨 J.测绘通报，2006（3）：4042.7 徐武，张强，王欣达，等.基于改进Canny算子的图像 边 缘 检 测 方 法J.激 光 杂 志，2022，43（4）：103108.8 ERSHOV E，KORCHAGIN S A，KOKHAN V，etal.A generalization of Otsu method for linear separation of two unbalanced classes in document image binarization J.Computer Optics，2021，45（1）：6676.9 张月圆，曾庆化，刘建业，等.基于Canny的改进图像边缘检测算法 J.导航与控制，2019，18（1）：8490.10 SHEIKH H R，WANG Z，CORMACK L，et al.LIVE image quality assessment databaseEB/OL.https:/live.ece.utexas.edu/research/Quality/index.htm，2005Fuzzy image detection method based on refuzzy theoryTu Linzi,Jiang Chaogen*（School of Computer and Artificial Intelligence,Southwest Jiaotong University,Chengdu 611756,China）Abstract:As an important carrier for people to obtain information and perceive the world,images are not only one of the important parts of life,but also play an important role in various industries.Common image blur is divided into motion blur and outoffocus blur,which seriously affects the picture quality and viewing experience.To solve this problem,the detection of image quality is studied,and an image quality detection method based on refuzzy theory is proposed.The image to be measured is subjectedfor refuzzy process,the edge of the image is extracted from the image before and after the process,and the difference between theimages is calculated to judge whether theimage is blurred.The Canny operator is used for edge detection and the Otsu algorithmis used for double threshold suppression.The result shows that the method can effectively detect whether the image is blurry,andis better than other reference image quality evaluation algorithms,which is in line with the subjective evaluation of the naked eye.Keywords:refuzzy theory;nonreference image quality evaluation;image processing;edge detection 36