[發明專利]一種無參考的圖像清晰度檢測方法

有效

• 申請號: 201210202395.4
• 申請日: 2012-06-19
• 公開（公告）號: CN102800082A
• 公開（公告）日: 2012-11-28
• 發明（設計）人: 尚凌輝;林國錫;王亞利;高勇
• 申請（專利權）人: 浙江捷尚視覺科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

1.?一種無參考的圖像清晰度檢測方法，其特征在于該方法包括如下步驟：

步驟一：根據已有的灰度圖計算梯度圖{Gx,Gy}；采用公開的邊緣檢測算法，定位強邊緣點；

步驟二：計算強邊緣點的邊緣寬度，并統計邊緣寬度累計直方圖EdgeWidthHist；

步驟三：對已有的灰度圖進行小波變換，計算高頻小波系數的能量Energy；所述的高頻小波系數的能量Energy為：一次小波變換后得到的水平、垂直和對角方向上的高頻小波系數的平方和；

步驟四：對已有的灰度圖統計灰度直方圖，根據灰度直方圖計算灰度直方圖特征{GrayHistWidth,GrayMin,GrayMax}；

步驟五：根據邊緣寬度累計直方圖EdgeWidthHist、高頻小波系數能量Energy和灰度直方圖特征{GrayHistWidth,GrayMin,GrayMax}，估計該灰度圖的清晰度：

????首先，根據灰度直方圖特征{GrayHistWidth,GrayMin,GrayMax}對圖像分類，分為灰圖像、暗圖像、灰度范圍窄的圖像和一般圖像四類；

然后，對不同類的圖像采用不同的EdgeWidthHist分量值做為主要特征MainFeature；

其次，根據Energy對MainFeature分級修正，以處理虛警和漏警；

最后，輸出修正后的MainFeature值做為清晰度值。

2.根據權利要求1所述的一種無參考的圖像清晰度檢測方法，其特征在于：步驟一中的梯度圖采用Sobel梯度算子，邊緣檢測算法采用Canny邊緣檢測算子，強邊緣點為邊緣檢測算法檢測得到的邊緣像素。

3.根據權利要求1所述的一種無參考的圖像清晰度檢測方法，其特征在于：步驟二具體是：在強邊緣點處，比較水平和垂直方向的梯度絕對值{|Gx|,|Gy|}；

當|Gx|≧|Gy|，計算以該點為中心的左右兩個方向上像素灰度值嚴格單調變化的區間，該區間長度即為該強邊緣點的邊緣寬度；

當|Gx|<|Gy|，計算以該點為中心的上下兩個方向上像素灰度值嚴格單調變化的區間，該區間長度即為該強邊緣點的邊緣寬度；

在整個灰度圖上，統計各個強邊緣點的邊緣寬度直方圖和累計直方圖，并歸一化，得到邊緣寬度累計直方圖EdgeWidthHist；EdgeWidthHist為特征向量，它的第N個分量值表示邊緣寬度為N個像素的統計量。

4.根據權利要求1所述的一種無參考的圖像清晰度檢測方法，其特征在于：步驟四具體是：

首先根據灰度圖統計初始的灰度直方圖，為了消除圖像中極端灰度值對直方圖特征的影響，將灰度直方圖中極端灰度值的統計值賦零，并歸一化；灰度直方圖特征{GrayHistWidth,GrayMin,GrayMax}在去除了極端灰度值統計量后的直方圖上計算得到；提取灰度直方圖分布的主要分量，{GrayMin,GrayMax}分別取為主要分量的最小值和最大值；

直方圖的主要分量按如下方法得到，首先，對直方圖分量排序；然后，按降序累加直方圖分量，該累加和達到一定閾值時，停止累加；所有參與累加的直方圖分量，即為直方圖分布的主要分量，這些主要分量的最小值和最大值即為灰度直方圖的{GrayMin,GrayMax}特征，GrayHistWidth特征值取為GrayMax-GrayMin；

所述的極端灰度值是指灰度值落在0-10或245-255范圍內的灰度值，GrayHistWidth表示灰度直方圖寬度特征，GrayMin表示灰度直方圖最小分量特征，GrayMin表示灰度直方圖最大分量特征。

5.根據權利要求1所述的一種無參考的圖像清晰度檢測方法，其特征在于：步驟五具體是：

（1）根據灰度直方圖特征{GrayHistWidth,GrayMin,GrayMax}，按照下表將圖像分類；灰度直方圖特征不滿足下表特征的圖像，即為一般圖像；表中的Gh_i、Gl_i和Gw_i，i=1,2,3，為圖像分類采用的閾值；

?GrayMinGrayMaxGrayHistWidth灰圖像>=Gl_1/<Gh_1暗圖像/<=Gh_2<Gw_2灰度范圍窄的圖像<Gl_3>Gh_3<Gw_3

（2）對于一般圖像，步驟如下：

a)對MainFeature賦值，即MainFeature=EdgeWidthHist(N1)；

b)對一般圖像處理虛警，即，當MainFeature<Th時，根據Energy分級修正MainFeature的取值：

If?T1<Energy<=T2?

MainFeature=EdgeWidthHist(N1+1)；

???????????Elseif?T2<Energy<=T3?

MainFeature=EdgeWidthHist(N1+2)；

???????????Elseif?T3<Energy

MainFeature=EdgeWidthHist(N1+3)；

其中，Energy的閾值：T1<T2<T3，Th表示MainFeature的閾值；

（3）對于非一般圖像，因圖像分類的不同采用的策略也不同，具體如下：

（3-1）對于灰圖像，步驟如下：

a)對MainFeature賦值，MainFeature=EdgeWidthHist(N2)；

b)對灰圖像處理漏警，即，當MainFeature>=Th時，根據Energy分級修正MainFeature的取值：

If?T1<Energy<=T2

MainFeature=EdgeWidthHist(N2-1)；

???????????Elseif?Energy<=T1

MainFeature=EdgeWidthHist(N2-2)；

????其中，Energy的閾值：T1<T2；

（3-2）對于暗圖像，步驟如下：

a)對MainFeature賦值，MainFeature=EdgeWidthHist(N3)；

b)對暗圖像處理漏警，即，當MainFeature>=Th時，根據Energy分級修正MainFeature的取值：

If?T2<Energy<=T3

MainFeature=EdgeWidthHist(N3-1)；

???????????Elseif?T1<Energy<=T2

MainFeature=EdgeWidthHist(N3-2)；

Elseif?Energy<=T1

MainFeature=EdgeWidthHist(N3-3)；

其中，Energy的閾值：T1<T2<T3；

（3-3）對于灰度范圍窄的圖像，步驟如下：

a)對MainFeature賦值，MainFeature=EdgeWidthHist(N4)；

b)處理漏警，即，當MainFeature>=Th時：

If?Energy<=T1

MainFeature=EdgeWidthHist(N4-1)；

c)處理虛警；即，當MainFeature<Th時：

If?T2<Energy<=T3

MainFeature=EdgeWidthHist(N4+1)；

???????????Elseif?T3<Energy<=T4

MainFeature=EdgeWidthHist(N4+2)；

Elseif?T4<Energy

MainFeature=EdgeWidthHist(N4+3)；

?????其中，Energy的閾值：T2<T3<T4；

上述EdgeWidthHist(N)，表示邊緣寬度累積直方圖EdgeWidthHist的第N個分量的值；對不同類圖像分級修正MainFeature中用到的閾值T1~T4因圖像分類的不同而不同。