图像清晰度（精选9篇）
图像清晰度 篇1
0 引言
随着数字遥感成像技术的快速发展, 各应用领域对图像质量的要求也在不断提高, 图像清晰度逐步成为判定图像质量水平的重要指标[1]。然而, 当前图像清晰度客观评价方法还不够成熟, 开展通用的图像清晰度客观评价方法研究, 实现大规模数字图像的快速评判, 对处理和应用遥感图像具有十分重要的意义。
图像清晰度的评价方法通常可以分为两类:一是相对清晰度评价, 即对不同模糊程度的同一图像, 评价其清晰程度, 主要反映图像随模糊程度逐渐变化表现出的单调性和一致性等特征;二是绝对清晰度评价, 即能够对不同模糊程度的各种图像内容进行评价, 主要反映与图像内容无关的图像清晰程度判定结果。
近年来, 有代表性的图像清晰度评价方法有边缘检测法、频谱函数法、熵函数法等[2,3,4]。这些方法主要在一定程度上反映图像相对清晰度评价结果, 难以实现图像绝对清晰度评价。本文在对现有方法分析研究基础上, 结合遥感图像的特点, 提出一种基于边缘对比度的评价方法, 能够较好地实现对不同遥感图像内容的清晰度评价。
1 当前图像清晰度评价的常用方法
数字图像的评价过程可以表述为将图像转化为代表明暗程度的数字矩阵, 运用各种图像清晰度评价函数, 经计算分析实现清晰度量化评价。目前大多数图像清晰度评价测量方法是进行图像边缘检测、频谱分析或者整体信息熵的计算, 与之相对应的结果是, 图像细节越丰富, 对比度越高, 图像越清晰。
1.1 边缘检测法
根据边缘检测原理, 准确聚焦的成像系统图像清晰, 有较锐利的边缘[5];系统离焦时, 高频分量减小, 图像边缘相对平滑。边缘检测法可根据图像特征选择不同算子, 通过计算和分析图像灰度梯度来评价图像的清晰度:
式中:Sx和Sy是由各种边缘检测算子 (如Sobel或Prewitt算子) 得到的x和y方向上的图像灰度梯度[6]:
式中:fx和fy是x和y方向上的灰度差。
1.2 频谱函数法
根据图像频谱分析原理, 聚焦图像具有清晰的轮廓, 包含的高频分量多[7]。频谱函数通过统计图像的高频分量, 达到评价图像清晰度的目的。这种方法可以基于傅里叶变换、拉普拉斯变换或者小波变换, 其中小波变换函数可以将图像高频和低频信息分离, 更便于对图像进行分析和评价。因此, 基于小波变换的高通滤波器目前被更多地研究应用于图像清晰度评价。该方法首先应用小波函数获得图像的高频信息:
式中:f (x, y) 为图像坐标x和y处像素灰度值;*表示卷积运算;H0表示高通滤波器。
进而, 对整幅图像的高频信息的能量进行累加即得到最终的评价结果:
1.3 熵函数法
由于聚焦的清晰图像和离焦的模糊图像之间信息含量不同, 通过对数字图像的信息熵进行计算, 便可用于图像清晰度评价。
式中:E (f) 表示图像能量;J (f) 表示图像熵。根据香农信息理论, 熵越大信息量越大, 即当E (f) 一定时, J (f) 越大, 则图像越清晰。
上述评价方法虽然能够在一定条件下表达图像清晰度, 但还分别存在一些不足, 如边缘检测法抗噪声能力较差, 熵函数法灵敏度不高, 频谱函数法计算量很大等。通过分析比较, 本文选择在边缘检测法的基础上, 融合图像对比度分析方法, 开展了基于边缘对比度的图像清晰度评价方法研究。
2 基于边缘对比度评价方法
2.1 图像边缘特征
图像边缘是指图像局部特性的不连续性, 如灰度级的突变、纹理结构的突变等。边缘广泛存在于目标与目标、物体与背景、区域与区域之间, 它是图像分割处理所依赖的重要特征。数字图像的边缘通常表现为灰度的阶跃不连续, 即图像灰度突然从一个值变化到另一个值, 在实际图像中阶跃边缘图像是较少见的, 由于空间分辨率、图像传感器、系统聚焦程度等原因, 会使不同模糊程度阶跃边缘变成斜坡边缘, 即它们的灰度变化不是瞬间的, 而是跨跃一定的距离。
为表示不同模糊程度的图像边缘特性, 可以利用下式求出灰度梯度[8]:
式中:f (x, y) 为图像坐标x和y处像素灰度值。对图像边缘的法向梯度值进行统计, 即可用于对比反映图像的清晰程度。
2.2 确定边缘位置和法线方向
将图像按照式 (8) 进行梯度计算, 进而以1×3的窗口按水平和竖直方向, 分别在梯度值确立的区域中移动, 对窗口内的梯度求和, 每个像素点计算两个方向的值, 扫描一遍后, 即可得到具有最大梯度的边缘位置W (x, y) 和边缘法线方向:
2.3 边缘对比度评价过程
对于图像边缘来说, 像素间对比度越高, 清晰度越高[9]。因此, 在确定图像边缘的基础上, 进行对比度量化分析, 即可确定图像的清晰度:
式中:d (x, y) 为选定区域的对比度;max[fΔ (x, y) ]和min[fΔ (x, y) ]分别为该区域内像素的灰度最大值和最小值[10]。
依据确定的图像边缘相关信息, 在W (x, y) 位置沿图像边缘法线方向各左右各取10个点, 共21个点, 灰度值分别为fi, i=-10, -9, …, 10。以1×3的窗口沿边缘法线方向移动, 计算窗口内像素对比度di, i=-9, -8, …, 9。进而将各对比度值由大到小排序, 提取最大对比度值dmax, 并对排在前面的3个对比度取平均值μ。通过获取dmax和μ这两个参数反映图像边缘达到的最高对比度特征。
基于远距离遥感成像目标能量传递损失明显, 图像的灰度差相对较小, 以及人对图像的主观视觉分辨与对比度的关系, 把dmax的阈值定为0.15, μ的阈值定为0.1。当dmax>0.15, 并且μ>0.1, 则认为图像视觉上感觉轮廓清晰, 满足清晰度要求。
3 实验数据
选取由清晰到模糊的两组不同目标遥感图像, 如图1所示, 分别按本文方法对各图像进行清晰度评价计算, 结果见表1。
根据图1与表1的数据对照分析, 评价计算所得结果与人的视觉对图像清晰度是相符的, 图1中A1的评价值最大且超过了设定的阈值, 从相对清晰度而言最清晰, 并达到了期望的清晰度要求。其他图像中, 只有图1中B1基本达到设定的清晰度要求, 其余图像均不满足要求。通过对取得的图像清晰度量化结果对比分析, 能够为及时调整成像设备的聚焦精度或进行图像清晰化处理提供有益的参考。
4 结论
本文提出的基于边缘对比度遥感图像清晰度评价方法, 具有单调性、一致性等特点, 既能够对相同遥感图像内容不同模糊程度进行对比评价, 也能在一定程度上对不同遥感图像内容清晰程度进行客观评价, 能够准确、高效判断大规模数字图像的质量, 对促进成像设备的发展及提升图像处理水平, 获取满足要求的高清图像, 具有重要的应用价值。
参考文献
[1]陈亮, 李卫军, 谌琛, 等.数字图像清晰度评价函数的通用评价能力研究[J].计算机工程与应用, 2013, 49 (14) :152-155.
[2]崔作龙, 徐长松.图像清晰度的量化测量探究[J].实验技术与管理, 2012, 29 (5) :49-51.
[3]李峰, 陈志刚, 储金宇, 等.图像清晰度检测方法[J].计算机工程与设计, 2006, 27 (9) :1545-1547.
[4]徐贵力, 刘小霞, 田裕鹏, 等.一种图像清晰度评价方法[J].红外与激光工程, 2009, 38 (1) :180-184.
[5]王欣, 安志勇, 杨瑞宁, 等.基于图像清晰度评价函数的CCD摄像机自动调焦技术研究[J].长春理工大学学报, 2008, 31 (1) :11-14.
[6]张亚涛, 吉书鹏, 王强锋, 等.基于区域对比度的图像清晰度评价算法[J].应用光学, 2012, 33 (2) :293-299.
[7]刘昶, 王玲.基于小波的离焦模糊图像清晰度判定[J].计算机应用与软件, 2008, 25 (7) :239-240.
[8]范媛媛, 沈湘衡, 桑英军, 等.基于对比度敏感度的无参考图像清晰度评价[J].光学精密工程, 2011, 19 (10) :2485-2493.
[9]倪军, 袁家虎, 吴钦章, 等.基于边缘特征的光学图像清晰度判定[J].中国激光, 2009, 36 (1) :172-176.
[10]范志刚.光电测试技术[M].北京:电子工业出版社, 2003.
图像清晰度 篇2
一、USM滤镜处理
我们首先来看一下图1，这张人物照片看起来很模糊，照片中人物的发丝、身体上的汗水等细节都看不清楚，这样的照片很难吸引大家的注意。我们要做的是，把这样平凡的照片用PhotoShop的USM锐化滤镜处理。
在PhotoShop中打开图像后，打开图层面板，选中图层面板中底层的背景图层点击右键，选择“复制副本”为照片复制一个副本图层，将图层的模式设定为“柔光”。选中副本图层，使用“滤镜”菜单下“锐化”中“USM锐化”滤镜，在滤镜设置窗口中，“数量”和“半径”参数影响图像的清晰度，数值越大清晰度越高，“阀值”参数可不用考虑，根据图像的具体情况设定好“数量”和“半径”的数值确定锐化(图2)。
下面选择“图像”菜单下“模式→LAB颜色”命令，在弹出的窗口中选择“拼合”图层确定，将两个图层合并为一层。又回到图层面板，为合并后的这个图层复制一个副本图层，将面板窗口切换到“通道”界面，看到图层通道上增加了“明度”通道(图3)，选定这个通道再使用“滤镜”菜单下“锐化”中“USM锐化”滤镜，这次锐化参数的数值可以小一些，将这个通道锐化处理。
最后把副本图层的模式修改为“柔光”，此时的图像不仅画面更清晰，色彩也更加绚丽，然后只要把两个图层合并为一层保存即可，
不过，在修改的过程中要根据原图的质量，对各项参数的值进行仔细调整方能获得比较好的效果。
二、Smart Sharpen滤镜
Smart Sharpen滤镜是PhotoShop CS2的新功能，它的智能锐化性能能够帮助我们有效将图像清晰处理，它将原有USM锐化滤镜的阀值功能变成高级锐化选项，添加了图像高光、阴影的锐化。我们对照一下图4，这张相片效果虽然不错，但笔者仍想把花朵的纹理显得更清晰一些，并且还不想改动花朵边缘的叶子和背景的图案。
打开“滤镜”菜单下“锐化”中“Smart Sharpen”滤镜窗口，首先设置一下“Sharpen”的参数，选中Remove的模式为“镜头模糊(Lens Blur)”，同时选中“More Accurate(更准确)。然后一边调节Amount和半径的数值，一边预览画面的变化(图5)。
要想不改变叶子和背景的图案，又要突出花朵的纹理，这需要打开锐化工具的高级设置选项。叶子和背景在画面中颜色暗淡正好符合“Shadow”阴影的要求，在“Shadow”设置界面把Fade Amount和Tonal Width设置为“100%”，半径值降低为“1”(图6)。这样前面设置的“Sharpen”锐化效果对画面上阴影暗淡部位的作用就不明显了。
花朵在画面中是属于高光部分，因此把“Highlight”的参数值设置正好与“Shadow”的参数相反即可。最后我们就得到了比原图像更清晰的花朵摄影作品(图7)。
图像清晰度 篇3
关键词：农作物病害图像；清晰化处理；噪声；中值滤波算法
中图分类号：TP391；S126 文献标志码：A
文章编号：1002-1302（2014）08-0405-03
对农作物生长的各个阶段进行实时化监控，可以及时发现农作物在生长过程中出现的诸如病害等问题，以便及时对病害的类型以及病害的危害程度进行准确判断并制定有效的农药喷洒计划而提供恰当的依据[1-2]。在一般情况下，由于视频监控图像拍摄的环境较为复杂以及图像在传输、解码、存储等过程中时常混入一定程度的随机噪声，导致所获取的图像清晰度不高，由此看来，对于该类图像的清晰化处理是一个十分必要的环节。近年来，随着计算机图像处理技术的发展，切实有效的算法大量涌现，并成功地应用于农业视频图像的处理工作中，如王晓虹等将Ridgelet变换域Wiener算法并应用于苹果图像中的噪声处理[3]，宋怀波等提出了一种基于Contourlet变换的农产品图像噪声滤除算法[4]，韩伟等将非下采样Contourlet变换应用于杂草图像去噪[5]，可见目前在农业图像处理方面应用较多的是基于变换域的处理方法。这类方法的基本思路是：首先对图像进行多尺度变换，然后对获得的分解系数分别加以处理，然后进行系数的重构运算，图像的反复分解与重构运算量较大，不利于农业图像的快速有效处理。
多方向中值滤波算法（multi-direction median filtering，MMF）[6-9]为一种典型的空间域图像处理方法，能够对图像实现多方向的有效滤波，其性能相对于经典中值滤波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在对MMF适当改进的基础上，提出了一种改进自适应多方向中值滤波算法（improved adaptive multi-direction median filtering，IAMMF），并将其应用于农作物病害图像的清晰化处理，试验证明该算法具有较好的性能。
1 改进自适应多方向中值滤波算法
1.1 多方向中值滤波算法的基本原理
SMF将图像划分成数量众多的子块，每个子块等同于1个滤波模板，通过对每个图像子块中的像素灰度值进行排序，输出其中的中间值作为滤波点的修正值，这对图像中随机分布的噪声点来说具有一定的作用。但存在的问题在于图像中的目标地物特别是农作物图像中植物根茎、叶片边缘等连续性较强，在图像中表现为1条连续的直线或曲线，若采用SMF进行处理难免会导致图像中相当一部分信息出现移位或变形。
MMF将SMF滤波模板进一步分解成水平、垂直、对角等方向的子窗口，再对每个窗口分别进行滤波，这对保持图像中信息的连续性具有很好的效果，以7×7为例，该算法的滤波窗口如图1所示。
3 结束语
为了实现对农作物病害图像的清晰化处理，在对MMF基本原理深入分析的基础上，对其进行适当改进，提出了一种改进自适应多方向中值滤波算法并成功地对2幅黄瓜病害噪声图像进行高质量复原处理，复原后，图像清晰度明显提高了。理论分析结果与对应的试验结果基本反映出本算法对这类图像的清晰化处理是有效的。
参考文献：
[1]赵 云，宋寅卯，刁智华. 基于图像技术的农作物病害识别[J]. 河南农业，2013（16）：62-64.
[2]张红旗，王春光，张 永，等. 数字图像处理技术在变量农药喷洒装置中的应用研究[J]. 农机化研究，2013，35（9）：213-217.
[3]王晓虹，韦英华. 结合 Ridgelet 变换与 Wiener 滤波的苹果图像去噪算法[J]. 江苏农业科学，2013，41（10）：373-375.
[4]宋怀波，何东健，韩 韬. Contourlet变换为农产品图像去噪的有效方法[J]. 农业工程学报，2012，28（8）：287-292.
[5]韩 伟，刘 强. 一种 NSCT 域改进阈值函数的杂草图像去噪方法[J]. 江苏农业科学，2013，41（11）：151-153.
[6]沈德海，劉大成，邢 涛. 一种纵横窗口关联的多级中值滤波算法[J]. 计算机科学，2012，39（5）：246-248.
[7]龙 云，韩立国，邓武斌，等. 自适应加权改进窗口中值滤波[J]. 世界地质，2013，32（2）：396-402.
[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.
[9]Arce G R，Foster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.
[10]王小兵，孙久运，汤海燕. 基于小波变换的图像混合噪声自适应滤波算法[J]. 微电子学与计算机，2012，29（6）：91-95.
图像清晰度 篇4
在数字电视视频后处理芯片中,提高清晰度算法至关重要。在视频后处理中,由于信号传输过程中损失了很多高频成分,引起了解码图像的模糊,提高图像清晰度算法的目的是合理补偿高频分量,使模糊的图像变得清晰,边缘部分得到进一步锐化。
增强清晰度算法可分为空域和频域的不同处理算法[1]。空域方法中有代表性的包括:拉普拉斯算法、反锐化掩模等;频域有代表性的有小波变换方法等[2,3]。但是频域算法相对复杂,一般不适合应用到视频后处理芯片中,而空域算法在图像细节增强的同时放大了噪声,尤其是在图像的平坦区域,背景噪声非常明显。
人们提出了很多方法,对减小噪声和对边缘不同程度地增强进行折中考虑[4,5,6,7,8,9]。如文献[2]把图像根据细节程度分为低、中、高三个区域,应用不同的增强因子,对低细节区域、中细节区域、高细节区域做不同程度的增强,但因为增强因子的复杂以及不连续性,很难保证增强后图像的高频分量能够保持增强前的单调性。即两个像素点比较,增强前后的高频分量的大小可能发生倒置。
为了克服上述缺点,本文提出一种新的基于高频增强曲线的对视频图像提升清晰度的处理方法。
1 基本原理
本文算法的提高清晰度的基本原理就是首先对图像进行分析,由空域信号计算出高低频分量,然后根据频率大小和性质不同,通过设置阈值,区分出哪些是需要抑制的噪声,哪些是需要增强的细节和小边缘,以及哪些是需要保持的大边缘。接着对噪声区域进行去噪处理,并应用高频增强曲线对高频分量进行不同程度的增强:低细节区域做很小增强,小边缘区域做较大增强,大边缘区域不做增强。使画面增强了轮廓和细节的同时,大边缘没有增强,因此没有白边的产生,这样增强后的高频分量可以保持原图像的单调性。
2 算法实现
2.1 计算高频分量
本文以反锐化掩模法为例进行说明,以N×N模板为单位计算图像的高、低频分量fH(i,j)和fL(i,j),N可取3或5,即
式中:fL(i,j)表示原图像f(i,j)进行低通滤波后的低频分量;fH(i,j)表示原图与fL(i,j)差值运算后得到的高频分量。
传统的反锐化掩模法将fH(i,j)与一个修正因子相乘,再与原图叠加,提升了高频成分,而低频成分几乎不受影响,这就达到提高图像中高频成分、增强图像轮廓的目的。本文在此基础上应用高频增强曲线对高频分量进一步识别处理。
2.2 对高频分量分类进行识别和处理
对亮度信号的高频分量进行识别,分出噪声、细节、小边缘、大边缘,并进行如下增强处理。
1) 计算核化降噪动态阈值T1。
计算动态阈值,根据该点高频分量判断该点是否属于噪声。用公式表示为
T1=ave×T0/128 (2)
式中:T1为核化降噪的动态阈值,因为黑场景的噪声比较明显,所以设置成动态阈值。根据N×N模板内各像素的亮度平均值大小ave来调整,T0为固定阈值,可选0.5～5,通常选1.8。
2) 应用非线性高频增强曲线,得到新的高频分量。
f′H(i,j)值随fH(i,j)调整,如图1所示,f′H(i,j)=F(fH(i,j)),F是一非线性单调递增的曲线,它的增强程度可控制。f′H(i,j)值随fH(i,j)调整的公式表示为
式中:
式(3)含义为,如该点的高频分量的绝对值小于核化降噪阈值T1,则该点为噪声,将高频分量值f′H(i,j)置为0,以抑制掉小幅高频噪声,达到核化降噪的目的。
点(x1,y1)与(x2,y2)对应曲线上的两个点,加上点(T1,0)共3点可以决定高频增强曲线H的形状,通常参数控制点x1,y1,x2,y2的默认值选取10,28,30,50。fH(i,j)较小时,f′H(i,j)增强,可使细节突出;当fH(i,j)较大时,f′H(i,j)的增长幅度变小;曲线与直线y=x相交的位置为T2,T2为大边缘点,大于T2将不再增强。
式(3)可解读为,在增强时,对噪声区域进行去噪处理。细节区域、小边缘区域做增强,等到高频分量再增大时,变为大边缘区域,新的高频分量不应该增强太过,无须再做增强,以防止画面变化太大。该方法的优点是没有硬性判断哪个区域属于细节,哪个区域属于小边缘,而是根据一条曲线的变化趋势,对不同区域段进行不同程度的处理。这样得到的增强图像,过渡平滑自然,且保持了高频分量的单调性。
2.3 获得增强信号
将对有用信号进行增强后的高频分量与低频分量叠加,即
fout(i,j)=fL(i,j)+f′H(i,j) (4)
式中:fout(i,j)为增强后的新图像。
3 算法的仿真结果
采用Verilog语言设计本文算法,视频处理平台采用Virtex-5的FPGA芯片进行了仿真验证,图2是系统仿真的结果。图2a为一幅细节丰富的视频图像,分辨率为720×480,分别应用反锐化掩模算法(见图2b)和本文算法(见图2c)对算法进行仿真。对图像效果进行比较,可以看出,反锐化掩模算法在播放视频的时候背景噪声很大,胡须等处出现白边过增强现象。图2c背景噪声较之图2b要干净很多,其图像的细节、小边缘地方如猫毛等得到了一定程度的增强,而大边缘地方,如胡须没有因为过增强而出现白边。实验结果说明应用本文提出的提高图像清晰度算法,有很好的实验效果。
4 结束语
本文提出一种基于高频增强曲线的提升视频图像清晰度的处理方法,首先识别出噪声信号并平滑掉;然后对细节和小边缘,应用高频增强曲线进行不同程度的增强,同时保持了高频分量的单调性;如果属于大边缘,则不再增强。仿真结果表明,应用本文提出的方法增强后的视频图像,加强了细节的表现能力,控制了大边缘的过增强,消除了噪声,增强后的图像符合人眼视觉特性,更清晰柔和。
参考文献
[1]RAFAEL C.GONZALEZ R E.Digital image processing[M].2nd ed.[S.l.]:Pearson Education,2002.
[2]甘斌,张雄伟,甘仲民.基于小波变换的多尺度图像边缘处理[J].电视技术,2001,25(8):20-22.
[3]任炎辉,李仅伟,毕卫红.一种优化参数的图像增强算法[J].电视技术,2012,36(3):7-10.
[4]RAMPONI G.A cubic unsharp masking technique for contrast enhance-ment[J].Signal Process,1998,67(2):211-222.
[5]LEE Y H,PARK S Y.A study of convex/concave edges and edge enhan-cing operators based on the laplacian[J].IEEE Trans.Circuits Syst.,1990,37(7):940-946.
[6]POLESEL A,RAMPONI G,MATHEWS V J.Image enhancement via a-daptive unsharp masking[J].IEEE Trans.Image Processing,2000(9):505-510.
[7]刘明坤,龙奕,基于图像局部方差分布的自适应反锐化掩模算法[J].贵州大学学报,2009,26(1):51-54.
[8]谢明果,何剑光.带噪声抑制的反锐化掩模图像增强算法[J].现代电子技术,2005(2):76-80.
图像清晰度 篇5
苏茂君等[4]提出了基于脉冲耦合神经网络 (PCNN) 自动波特征的血细胞图像分割和计数方法, 实现了对血细胞图像的准确计数和特定细胞的单独分割, 但对于2个相邻重叠的血细胞计数不太准确, 而且不适用于相邻联系紧密、形状特殊的植物细胞图像。武宗茜等[5]提出基于活动轮廓模型的重叠藻细胞自动计数方法, 不直接分割重叠细胞, 消除了重叠细胞直接分割带来的误差, 计数准确率高于90%。任亚恒等[6]提出一种基于改进的Ostu法对大鼠精子图像进行分割, 可以实现精子图像的快速准确分割, 并自动统计精子个数, 但受精子粘连的影响较大。
由于细胞结构形态的复杂性[7], 不同的方法适用于特定细胞图像的分割。采集细胞显微图像时, 通常将焦点对准细胞, 而背景处于离焦状态。本研究通过对显微图像的清晰度进行研究, 提出一种基于清晰度的细胞显微图像分割和计数方法, 其中清晰度指影像上各细部影纹及其边界的清晰程度。该方法利用图像经过离散余弦变换 (discrete cosine transform, DCT) [8,9,10]后低频信号部分表示图像轮廓, 高频部分表示细节的特性, 截断DCT高频信号, 即去除图像的细节信息, 然后与原图做差分, 得到图像的细节信息, 结合细胞图像局部聚合度较高的特征, 利用区域生长方法提取完整的目标, 最后进行分析和计数, 从而达到对细胞显微图像的准确分割和计数, 实验结果表明该算法非常有效。
1方法
DCT是Ahmed等[11]于1974年提出的正交变换方法, DCT变换后信号有明确的频率特性, 能量更加集中。经过DCT变换的图像高频部分表示细节, 低频部分表示轮廓。通过截断DCT的高频信号部分分析图像的清晰度[12], 细胞显微图像分割[13]和计数方法实现的思路是:1将图像灰度化并用中值滤波方法去噪[14] (图1A) 。2将去噪图像进行DCT变换 (图1B) 。3将低频信号值的一半作为阈值, 截断高频信号, 然后进行反DCT变换到灰度空间 (图1C) 。4将反DCT变换后的图像与原灰度图像求差并灰度化 (图1D) 。5用自适应阈值法[15]将步骤4中灰度化后的差值图像二值化, 并用3×3的模板进行开闭运算去噪, 消除离散噪声点, 从而得到图像的清晰区域 (图1E) 。6利用目标在局部聚合度比较好的特性, 将图像清晰区域作为初始生长区域, 进行区域生长, 在原始灰度图像上标记邻域灰度相似的点, 如果其邻域满足公式 (1) , 则被标记为前景点, 并从该点继续生长;否则, 找到下一个没有标记的生长点进行生长, 直到全部标记完成, 得到完整目标 (图1F) 。
|y1 (i, j) – y1 (i', j') | < threshold (1)
其中, 点 (i, j) 为当前生长点, (i', j') 为 (i, j) 的八连通邻域, threshold为阈值。通常, 细胞内部灰度变化较小, 与背景之间存在较明显的边缘, 并且当阈值取值过大时, 容易造成过生长现象, 因此, threshold一般设置为较小的值, 通过试验, 本文threshold设置为6。⑦提取的细胞内部可能存在很多空洞, 同时还有一些小的孤立的噪声点, 因此利用空洞填充算法[16]去除空洞及噪声点 (图1G) 。⑧进行连通区域标记, 同时记录连通区域外接矩形坐标和连通区域面积, 通过聚类的方法将细胞按面积聚成3类, 其中面积远小于另外两类者被当成噪声去除 (图1H) 。
⑨取步骤⑧剩余的两类中面积较小的一类进行排序, 将面积中值作为单个细胞面积, 估计其他连通区域包含的细胞个数, 最终得到总体的细胞个数。
分别运用分水岭[17,18]分割方法和本文方法进行实验, 其中对分水岭方法分割后的细胞进行连通区域提取, 通过分割线把粘连的细胞分开, 从而对细胞计数。本文算法在计算机上采用Visual Studio 2010和OpenCV 2.4.8编程实现。
A为去噪后的灰度图, B为离散余弦变换, C为DCT反变换后的灰度图, D为灰度化后的差值图, E为清晰区域, F为分割结果, G为去噪并进行空洞填充, H为去除大噪声
2结果
2.1分割结果分析公式 (1) 中, 阈值的选取对分割结果的影响较大, 阈值选取过小, 容易出现漏标记前景的情况;反之阈值选取过大, 则会出现过生长, 即错标记背景为细胞, 见图2。
用Photoshop软件对实验图像进行手工分割, 得到符合人视觉习惯的分割作为对照, 使用p=tp/ (tp+fn) 表示分割的准确率, 其中tp表示正确分割的细胞像素, fn表示错误标记为背景的细胞像素, 从而得到阈值和准确率的关系 (图3) 。由图3可见, 区域生长的阈值>6之后, 准确率几乎没有变化, 但是阈值加大会造成过生长, 提高错误率, 因此选取6作为生长阈值。
过生长 (A) 和欠生长 (B) 的分割结果
2.2计数结果分析分水岭分割方法存在过分割和欠分割, 导致计数结果与实际计数存在一定的误差, 图4A中红线表示分割线。本文方法不直接分割粘连细胞, 而是通过分析细胞连通区域面积进行计数, 图4B中不同颜色表明本文方法对细胞的不同计数。
分水岭分割方法 (A) 与本文方法 (B) 计数结果比较
另外对4种不同浓度下的细胞显微图像进行计数实验, 分别采用分水岭分割计数方法和本文方法进行实验, 计数结果与实际计数结果比较, 误差见图5。由图5可以看出, 随着细胞浓度的增大, 计数结果的误差增大, 主要原因在于随着细胞浓度增大, 细胞之间的重叠越发明显, 给分割造成更多的困难, 导致算法误差加大。而本文方法误差低于分水岭分割方法。由于本文方法未直接对重叠细胞进行分割, 因此消除了由于分割方法引入的误差, 受细胞浓度提高造成的重叠情况影响较小, 从而提高了计数准确率, 使计数准确率>90%, 见表1。
试验平台 为DELL Precision M6600, 处理器为IntelCore™ i7-2960XM@2.70 GHz (8CPUs) , Windows XP操作系统, 试验图像分辨率为500×316像素, 因为使用快速离散余弦变换方法, 并且不直接分割粘连细胞图像, 故在一定程度上提高了算法速度, 对一帧图像进行分割、计数的平均速度为87.47 ms。对粘连图像进行分水岭分割之前, 需要进行距离变换, 将二值图像转换为距离灰度图像, 并且当图像中细胞越多, 分割算法的效率越慢, 对一帧图像进行分割的平均速度为114.38 ms, 见表1。
3讨论
由于细胞结构形态的复杂性, 目前细胞图像的分割方法受细胞粘连影响较大, 无法快速、准确地分割细胞并计数。通过分水岭的方法可以分割粘连细胞, 但受噪声影响较大, 容易产生过分割和欠分割现象, 尚无法完善解决。本文在全局范围内用清晰度区分细胞和背景, 在局部用灰度信息进行区域生长提取完整细胞区域, 既利用了图像局部颜色一致性的特征, 又基于拍照时将焦点聚焦在细胞区域的前提, 在全局通过清晰度区分细胞和背景, 在一定程度上减少了误分割, 结合细胞在局部聚合度较好的特性, 利用局部灰度特征进行区域生长, 从而达到细胞显微图像分割的目的, 提高了分割准确率。在计数过程中, 通过分析各个连通区域的面积, 避免了粘连细胞直接分割带来的误差, 并提高了算法的速度。
快速、准确地对细胞图像进行分割并得到细胞计数的方法在临床细胞计数、密度分析等方面发挥越来越重要的作用, 对实际的诊断工作具有重要的辅助意义。
传统的分水岭分割方法对重叠细胞进行分割时, 存在过分割和欠分割现象, 计数误差较大, 且随着细胞浓度增加, 误差明显增大。本文应用细胞面积聚类方法对细胞重叠情况进行分类判断, 实现细胞自动计数, 准确率 >90%。该计数方法不直接分割重叠细胞, 而是基于细胞面积的统计信息对细胞个数进行分析和判定, 消除了对重叠细胞进行分割产生的误差, 提高技术准确度, 同时受细胞浓度的影响较小。实验结果表明, 在不同浓度细胞情况下, 该算法技术准确率都高于分水岭分割方法。
图像清晰度 篇6
自动聚焦技术是机器人视觉和数字视频系统中的关键技术。视频涉及可视化信息,包括静态图像和动态图像。不论静态或动态图像,获取清晰的图像是第一步。
聚焦性能取决于调焦评价函数的准确性和有效性,即评价函数必须具有无偏性好、单峰性,能反映离焦的极性,对噪声敏感度低等特性。图像模糊的本质是高频分量的损失,完全聚焦图像比离焦图像包含更多的信息和细节,这是设计聚焦评价函数的基础。目前评价函数主要有频谱函数、灰度熵函数、梯度函数、基于灰度统计的函数[1,2]等几大类。
本研究通过实验对几种主要评价函数的性能和特点进行分析总结,提出了一种基于窗函数的能量梯度评价函数的方法,并给出了实验结果和分析。实验结果表明,该函数具有较好的计算效率,比起一般的评价方法具有更高的信噪比、可靠性和清晰灵敏度,更好地满足了对图像清晰度评价的要求。
1 常用评价函数
根据Ng Kuang Chern等人的工作[3]结果,可将常见的清晰度评价函数分成两大类:(1)以图像直方图法和能量方差法为代表的函数;(2)以拉普拉斯能量法和平方梯度能量法为代表的函数。研究结果表明,对于正常光照下拍摄的图像,常用评估函数都呈现出单峰特性,基本上可实现正确聚焦,只是在聚焦速度与准确度上略有不同。
1.1 梯度函数
在图像处理中,图像梯度可以用来进行边缘提取,离焦量越小图像边缘越锋利,应该具有更大的图像梯度值。常用的梯度函数有Tenengrad函数、能量梯度函数、Brenner函数、方差函数等[4,5]。
Tenengrad函数是使用Sobel算子来提取水平和垂直方向的梯度值。评价函数f(I)定义为梯度的平方和。梯度S(x,y)要高于一个阈值T,即:
式中,S(x,y)是在点(x,y)上与Sobel算子的卷积:
能量梯度函数与Tenengrad函数相似。它用相邻点的差分计算一个点的梯度值,此时:
式中:I(x,y)—图像在点(x,y)的灰度值。
由于能量梯度函数已经将梯度值平方,这样已经把边缘的贡献加强了,没有必要再设一个阈值。
Brenner函数是最简单的与梯度有关的评价函数。它只是计算相差两个单位的两个像素的灰级差。基于与Tenengrad函数和能量梯度函数同样的原因,这个差值也进行了平方处理:
方差函数是一个比较流行的自动聚焦的评价函数。因为清晰聚焦的图像应有比模糊的图像更大的灰级差异,方差函数可以作为一个对焦清晰的评价标准。方差函数定义为:
式中:μ—平均灰度。
即:
1.2 频谱函数
这种评价方法是基于傅里叶变换的[6]。傅里叶变换的高频分量对应图像边缘,而聚焦图像总是具有锋利的边缘,即包含更多的高频分量,这样可以根据图像傅里叶变换后高频量的含量作为评价函数。
通过二维傅里叶变换可以对构成图像的空间频率进行分析。对于连续图像g(x,y),当时,可由下式求出二维傅里叶变换G(μ,ν):
对于数字图像,如考虑把g(x,y)在x和y方向上用抽样间隔进行抽样Δx,Δy得到g(m,n):
式中:M,N—横纵方向的像素数(Δx=1/M,Δy=1/N);m,n=0,±1,±2…。
假定上式为周期性的,即得:
式中:W1=e-j2π/M,W2=e-j2π/N。
将一幅图像进行二维傅里叶变换后,其频率分布图[7]如图1所示。
1.3 熵函数
熵函数[8]是基于这样一个前提:对焦良好的图像的熵大于没有对焦清晰的图像。因此可以作为一种评价标准。对于一幅图像,图像能量E(I)和图像熵H(I)分别定义为:
根据香农信息理论,熵最大时信息量最多。将此原理用于对焦过程中,可以认为当E(I)一定时,H(I)越大,则图像越清晰。
2 实验及分析
为了验证各评价算法的效果,选择了在不同焦距下拍的一组标志的图片(720×576)。在离焦→聚焦→离焦的顺序排列的15副测试图像如图2所示。
为了便于比较各种算法的性能和特点,笔者将各种算法的计算结果描绘出来,如图3所示。它的纵坐标表示进行了各种算法的图像清晰度评价值,横坐标表示不同程度的离焦图片的序号。该图片序列是严格按照调焦时从一个方向到另一个方向顺序采集得到的(如图2所示)。
将各种算法写成独立的函数,在Windows平台下对各种算法处理图2中15幅图像所需全部时间进行计量以便比较各种算法的时间性能,所得结果如表1所示(实验所用计算机基本配置如下:Pentium(R)Dual-Core CPU E5200@2.50 GHz,2.00 GB内存)。
由图3看到各种算法的清晰度评价值都随着图像的清晰程度变化而变化,都在第8幅图像位置取得最大值,这和肉眼看到的事实是相符合的。从图中可以看出,能量熵算法清晰度评价值变化起伏不定,不具有良好的单峰性,所以它的灵敏性最差;Tenengrad函数、Brenner函数和平方梯度函数算法的评价值在焦点附近变化剧烈,但在图像严重离焦时变化不大,这个特点在某些需要精确对焦的观测设备中有重要的应用价值,如显微镜的细调过程[9]。由图可以看出,方差函数在调焦前期过程中清晰度评价值变化率稳定,具有良好的整体灵敏性,适用于摄像头的视频自动对焦系统中。
3 对焦实验
本研究选取了书封面和消防栓等目标物进行了对焦实验。目标物体对焦前后的对比图如图4所示,对焦前后图像清晰度的评价参数如表2所示。
从上面的实验数据可以证明系统对焦较为稳定,且具有较高的对焦精度。对焦平均速度大约为2.5 s左右,与普通相机对焦速度相当,能满足实际应用要求。
4 结束语
数字图像的清晰度判定是数字图像处理的一个重要内容,对于实现精密仪器的自动对焦具有重要的意义。研究结果表明,所研究的几种函数中方差函数最适合于系统中的数字成像系统的清晰度评价,因为它具备如下的性质:
(1)评价函数有效,并且能够迅速得出评价因子,指导完成自动对焦功能。
(2)评价函数在一点上达到峰值对应于最佳对焦参量,并当物体离开最佳点时单调递减,即具有良好的单峰性。
(3)在存在噪音的情况下,评价函数具有鲁棒性,即噪音产生不确定的评价值对评价结果影响很小。
摘要：为了实现基于数字图像处理的自动调焦技术,采用准确有效的图像清晰度评价函数是其实现的关键。通过实验分析比较了梯度函数、频谱函数和熵函数在自动对焦技术中的作用,并研究了各评价函数在实验平台下所表现出来的性能和特点。研究结果表明,Tenengrad函数、Brenner函数和平方梯度函数在焦平面附近具有变化趋势明显和灵敏度高的特点,而在离焦较远时变化不大,适用于要求精确对焦的设备。而方差函数具有良好的单峰性和无偏性,具有较好的计算效率,相对其他的评价方法具有更高的信噪比、可靠性和清晰灵敏度,更好地满足了对图像清晰度评价的要求,适用于摄像头辅助调焦系统中。
关键词：图像清晰度,自动对焦,评价函数,焦平面
参考文献
[1]ESKICIOGLU A M,FISHER P S.Image quality measuresand their performance[J].IEEE Transactions on Com-munications,1995,43(12):2959-2965.
[2]SUBBARAO M,CHOI T S,NIKZAD A.Focusing tech-niques[J].Optical Engineering,1993,32(11):2824-2836.
[3]CHERN N K,POO A N,MARCELO H,et al.Practical Is-sues in Pixel-based Auto-focusing for Machine Vision[C]//Proceedings of the 2001 IEEE,International Conference onRobotics and Automation.Seoul,Korea:[s.n.],2001:2791-2796.
[4]SUBBARAO M,TYAN J K.Selection the optimal focusmeasure for Autofocusing and depth-from-focus[J].IEEETransactions on Pattern Analysis and Machine Intelli-gence,1998,20(8):864-870.
[5]黄剑琪.基于频谱分析的数字对焦技术研究[D].杭州:浙江大学光电信息工程学系,2001:21-31.
[6]赵荣椿.数字图象处理导论[M].西安:西北工业大学出版社,1999:37-54.
[7]李奇,冯华君,徐之海,等.数字图像清晰度评价函数研究[J].光子学报,2002,31(6):736-768.
[8]康宗明,张利,谢攀.一种基于能量和熵的自动聚焦算法[J].电子学报,2003,31(4):551-555.
图像清晰度 篇7
随着数字自动化技术的不断发展,视频监控行业对视频质量检测技术的要求也越来越高。如何评价视频图像的清晰度是人们所关心的一个问题。
视频图像清晰度异常主要是由于焦距的不当、视频镜头的损坏以及一些由于人为或是环境等因素所导致的。目前主要通过人工来检测视频图像的清晰度的方法效率低下,而且由于人眼的主观性,通过人眼诊断视频图像的清晰度会存在一定的偏差。因此,基于计算机视觉和人工智能技术,借助计算机强大的处理能力的视频质量检测技术也应运而生。
本文通过对几种常用的视频图清晰度评断函数的研究,得出了对这几种图像清晰度评价函数的分析总结,提出一种基于灰度差分函数的新的视频图像清晰度检测算法。
1 常用的视频图像清晰度评价函数
好的图像清晰度评价函数应具备以下几种特征[1]:1) 具有强单峰性和高灵敏度,即清晰度评价函数最大值对应图像的正焦位置,并且在接近正焦位置函数值变化明显;2) 具有较高的信噪比;3) 评价函数的计算效率高。
目前评价图像清晰度的函数分为以下4类[2]:
1) 灰度变化函数。
由于图像中灰度值变化越大,图像的聚焦程度越高,则由图像中像素灰度变化的程度可判断视频图像的清晰程度。
2) 图像灰度熵函数。
该函数利用清晰图像的信息熵比模糊图像的信息熵要大,依据此原理可以评断图像的清晰度。
3) 频域类函数。
根据图像的特征,清晰的图像比模糊的图像拥有更锋利的边缘,频域类函数主要通过傅里叶变化提取图像的高频部分,由于高频部分集中在图像的边缘,图像中高频的比例越大,则拥有更锋利的边缘利用此原理即可判断图像的清晰度。频域函数虽能准确地判别图像是否清晰,但计算量大,代码效率低,不适用一般情况下快速、实时的检测。
4) 梯度函数。
梯度函数主要被用来提取图像的边缘信息,对于图像越清晰的图片来说,图像边缘应该越尖锐,则其梯度函数的值也应该越大。
目前国内外基于以上4类提出了很多清晰度评价函数,如方差函数、能量熵评价函数、灰度差分法、频率法等。它们大多不是直接和图像相联系的,因此很多评价函数的应用范围和作用效果都不算太好。本文提出一种基于灰度差分法的视频图像清晰度评价函数。
2 改进的视频图像清晰度评价函数
首先介绍下灰度差分法,灰度差分法[3]是一种原理简单但有效率的图像清晰度评价方法。其原理是利用图像中所有像素点与相邻像素的差的绝对值之和作为图像清晰度评价函数,即
当F(x,y)取最大值时即为图像最清晰时。
通过公式不难发现灰度差分法应用范围有限,易受到灰度级数的影响,只适用于灰度级数较多的图像中。对于那些灰度级数少,图像亮度变化较慢的图片,灰度差分值之间的差异小,这样常常会导致一些不符合单调性要求点的出现,容易对图像的清晰程度产生误报。
本文接下来将提出一种基于灰度差分法改进的视频图像清晰度评价函数。
边缘是图像最基本的特征之一[4],所谓边缘是指周围像素点有阶跃性变化点的像素集合,那么清晰图像的边缘信息也就越丰富。由于利用边缘信息来处理图像清晰度的问题时具有直观性,且不用考虑成像特性与灰度级的限制,为此文本提出“锐利点”的概念来描述图像的边缘信息。
本文提出的“锐利点”是指当图像中的某个像素点的灰度差分值大于某一阈值时则称其为“锐利点”,阈值的选取是基于图片的亮度值提出的,其目的就是要减少亮度对锐利点判断的影响。根据上诉述“锐利点”的特性可知,图像中“锐利点”的信息越大,则相应图像的边缘信息就越丰富,这样由“锐利点”的信息量就能判断图像的清晰程度。利用这一点,文本提出利用视频图像中有效区域中所有“锐利点”的灰度差分值之和(sum1)与所有像素点的灰度差分值之和(sum2)的比值作为图像清晰度的评判依据,所谓的有效区域是指除去监控图像中无用的外部信息后剩余的图片区域。如上所述得出本文所提出的视频图像清晰度的评价函数sum1/sum2。当sum1/sum2的值越大时,“锐利点”的信息量越大,图片的清晰程度越高。
3 基于监控系统的清晰度算法的实现
视频监控系统是一种智能化视频分析与预警系统,基于监控系统的视频图像清晰度检测算法是通过在网络视频监控系统的基础上叠加视频分析的功能,充分挖掘抽取视频图像资源中的关键信息,它通过分析视频内容从而对视频图像出现的清晰度异常问题做出准确判断,有效预防因硬件导致的图像质量问题以及所带来的不必要的损失,并及时检测破坏监控设备的不法行为。如图1为利用本文提供的清晰度核函数实现视频监控系统中清晰度检测的基本流程。
基于监控系统的视频图像清晰度检测算法的具体实现步骤为:
1) 通过视频监控平台提供的视频媒体接口获取连续的视频码流。
2) 利用OPENCV计算机图像视觉库从连续的视频码流中获取到视频中的每一帧图像,并判断图像是否为YUV制式,若不是,对接收到的视频图像进行灰度化处理,具体实施公式为
3) 将每一帧图像传送至视频清晰度分析算法单元,利用分析算法单元提供的核函数对图片数据进行分析。下述步骤为利用文本提出的清晰度评价函数作为核函数的具体实现。
4) 过滤掉视频图像中的无用信息,由于监控视频图像中经常会出现一些类似时间、地点等信息,为了减少这些信息对算法准确性的影响,本算法截取当前图像的1/8～7/8的面积进行图像清晰度检测,以去除OSD的影响,并提高图像的信噪比。
5) 在图像的有效区域内,计算出当前图像帧中的所有像素点灰度差分值总和sum1。
图像中任意像素点的差分值为当前像素点的Y值(灰度值)分别与其正下方和正右方像素点的Y值做差,然后再将两差值取绝对值后相加,即
Y(i,j)=|Y(i,j)- Y(i+1,j)|+|Y(i,j)- Y(i,j+1)| (3)
从而得到差分值总和sum1为
sum1= sum1+ Y(i,j) (4)
6) 计算“锐利点”的阈值。首先在图像的有效区域内,计算出当前帧中的的平均亮度值,若其亮度值低于某一数字K1,则将“锐利点”阈值threshold设定为K2/10(其中K2>K1),若其亮度值高于某一个数值K3,则“锐利点”阈值threshold设定为K3/10,其目的就是要减少亮度对锐利点判断的影响。
7) 根据步骤4)所得到的“锐利点”阈值threshold,得到当前帧图片的所有“锐利点”,并将这些锐利点的灰度差分值做和得到sum2,当Y(i,j)> threshold时
sum2= sum2+ Y(i,j) (5)
8) 利用视频清晰度评价函数sum2/ sum1来检测当前帧的清晰程度,其方式为:当sum2/ sum1≥阈值Kfold1时,当前帧图像清晰度正常;当sum2/ sum1<阈值Kfold1时,当前帧图像清晰度异常。
9) 在单位时间统计图像清晰度异常的帧数,当清晰度异常的帧数与总帧数的比值大于某一比值时,则判定这段时间内视频清晰度异常。
4 算法的实验效果
为了验证本文所提出的评价函数是一种好的图像清晰度评价函数并能实时有效地检测监控视频的图像清晰度,本文选取了大量的图片和视频进行测试,并分别与方差函数、熵函数、灰度差分函数进行比较。
首先为了得到改进后的评价函数和其他常用清晰度评价函数的算法效果,本文从烽火众智公司的视频监控平台中截取了56幅格式相同但聚焦程度不同的图片,并将这56幅图片按清晰程度平均划分为7个等级,0级为最清晰,6级为最模糊。在相同的检测环境下,利用不同的评价函数计算出不同等级图片的清晰度值,然后计算出每种评价函数对应不同等级图片所得到的函数清晰度值的平均值并将其归一化。本次实验计算出的结果如表1所示。为了便于比较各评价函数的性能,本文利用表1得到的清晰度平均值结果手工描绘出如图2所示的曲线图示意图,纵坐标表示由不同评价函数归一化后得出的图像清晰度评价平均值,横坐标代表图像清晰度的等级。
通过图2所示的曲线示意图可以发现,方差评价函数的单峰性较好,但曲线夹角最宽,故其灵敏度最低,能量熵评价函数的曲线图虽然夹角较小,但其呈现较大的波动,故其单峰性不好,灰度差分评价函数较方差函数和能量熵函数而言,具备较小的曲线夹角,同时又有比较好的单调性,但通过本文前面的介绍,灰度差分函数的适用性不如前面的几种函数。再来分析下改进后的评价函数,改进后的函数较改进前的灰度差分函数不仅解决了之前函数适用性的问题,而且从曲线图可以直观地发现,较之前提到的3种评价函数的曲线有更好的单调性和更高的灵敏度,故其性能较佳。
接下来为了验证本文提出的评价函数的准确率,本文从烽火众智公司的视频监控平台中选取了45个视频格式和分辨力均相同,视频时间长度均为5 min清晰度异常的视频,在相同的测试环境下按照如图1所示的检测流程仅改变检测的核函数对这45个异常视频进行清晰度的测试,结果如表2所示。表2中的结果为利用不同的清晰度评函数对视频检测后,得出通过算法检测能正确检测到的视频个数与总视频个数的比值,即算法检测率=正确检测到的总数÷检测视频总数。从算法检测率结果看出,改进后的清晰度评价函数对监控视频清晰度检测的准确率为95.56%,比其他清晰度评价函数检测率都要高很多,能够更为准确地判别图像的清晰度,是一种准确的清晰度评价函数。
最后为了验证本文提出的评价函数可靠性,本文从烽火众智公司的视频监控平台中选取了60个视频格式和分辨力均相同,视频时间长度均为5 min清晰度正常的视频,在相同的测试环境下,仅改变检测的核函数,利用如图1所示的检测流程对这60个正常视频进行清晰度的测试,得到如表3所示的结果。
表3中的结果为利用不同的清晰度评函数对视频检测后,得出通过计算误报的视频个数与总视频个数的比值,即算法检测率=误报视频总数÷检测视频总数。从算法误报率结果看出,改进后的评价函数误报率仅为1.67%,比其他评价函数低很多,由此可看出本算法是一种可靠的清晰度评价函数。
5 小结
本文介绍了计算机视觉中较为重要的几种图像清晰度评价函数,并在灰度差分法的基础上提出一种基于视频监控的视频图像清晰度检测算法,经实验验证,该检测算法具有单峰性强、灵敏度高、无偏好性、信噪比高等特点,能够自动实时有效地完成对监控视频清晰度的检测,是一种良好的视频图像清晰度的检测算法。
摘要：视频图像的清晰度是衡量视频监控系统的重要指标。通过比较灰度变化函数、频谱函数、方差梯度函数、灰度熵函数评价图像清晰度的优劣,提出了一种新的清晰度评价函数。通过测试大量的图片和监控视频,对改进后的算法和其他检测算法的性能进行了比较,结果表明,提出的检测算法具有单峰性强、灵敏度高、无偏好性、信噪比高等特点,能够自动实时有效地完成对视频图像清晰度的检测。
关键词：视频监控,清晰度检测,智能算法
参考文献
[1]MITCHELL T M.机器学习[M].曾华军,张银魁,译.北京:机械工业出版社,2003.
[2]曹茂永.基于灰度梯度的数字图像评价函数[J].光电工程,2003(4):69-71.
[3]任四刚,李见为,谢利利.基于灰度差分法的自动调焦技术[J].光电工程,2003(4):35-37.
[4]GONZALEZ R C.数字图像处理(MATLAB版)[M].阮秋琪,译.北京:电子工业出版社,2005.
图像清晰度 篇8
近年来,随着人类生活水平的改善,数码摄像工具已经为大多数人所熟识,数字化成像系统的技术也在不断更新。而数字图像的清晰度判别一直是各类数字成像系统的一个关键问题。如今,图像清晰度评价函数已得到人们的广泛关注,积累了许多研究成果,也出现了许多用于数字图像清晰度识别的方法模型。
人工神经网络(ANN,Artificial Neural Network)是源于人脑神经系统的一种模型,是模拟人类智能的一条重要途径,具有模拟人的部分形象思维的能力[1]。其具有很强的非线性处理能力以及自学习功能,当条件发生改变后进行学习仍然可以适应它。网络训练好之后,它就具有一定的泛化功能,可应用于实际。
本研究提出通过构建神经网络模型,对于不同清晰程度的图像经过小波分解,选取特征进行训练[2,3,4]。从而得到较为适合于数字图像清晰度判别的特征权重矩阵,并对其他的数字图像进行清晰度判别。
1 常用清晰度评价方法
国内外对于清晰度的评价上做了大量的研究工作,从而也产生了很多的方法。目前比较流行的方法有:
(1) 梯度函数法:梯度函数常被用来提取图像的边缘信息,对焦良好的图像(即具有更尖锐的边缘的图像)应有更大的梯度函数值[5]。
(2) 频谱函数:该方法是将图像信息转化到频域来进行分析,转化过程是基于傅立叶变换的,频谱函数对图像进行清晰度评价的依据是:清晰的图像比模糊的图像包含更多的信息,人们能更好地分辨其中的细节,也就是图像中有清晰可辨的边缘,在局部中有很强的灰度变化,灰度的跃变更加剧烈,对应到频域就是清晰图像具有更多的高频分量。
(3) 信息熵:熵是信息论中非常重要的一个概念,它代表了事物的不确定程度。在对图像质量进行评价时,其依据是当图片获得最大熵值的同时图像的质量也得到了提高,这在图像处理中已广泛应用。可以认为,越是清晰的图像,其熵值越高[6]。
其中,梯度函数法和频谱函数法能够较准确地评价出图像清晰度情况。而通过小波函数对图像进行二维分解,可以提取图像的边缘以及梯度信息,并且在时域上对傅立叶变换进行了扩充。对于图像的质量对应特征向量关系更为密切,在特征选取形式上更为灵活。
2 基于神经网络的图像质量识别
2.1 小波分析提取图像特征
要应用神经网络对图像进行清晰度识别,特征选取是一个关键的技术难点。而图像信号主要包括:纹理、边缘、空间位置、噪声、低频成分等特征。
小波分析是上世纪80年代中期发展起来的一门新技术,它是数学理论中调和分析技术发展的最新成果,被公认为是工具和方法上的重大突破。图像信号对应着二维小波,包含了1个二维比例函数φ(x,y)和3个二维方向小波函数ψH(x,y)、ψV(x,y)、ψD(x,y)。它们都是由一个一维比例函数φ和一维小波函数ψ相乘得到。其数学关系表示为:
φ(x,y)=φ(x)×φ(y) (1)
ψH(x,y)=ψ(x)×φ(y) (2)
ψV(x,y)=φ(x)×ψ(y) (3)
ψD(x,y)=ψ(x)×ψ(y) (4)
即在对图像进行二维小波分解后,分别得到在水平、垂直以及对角线方向的小波分量。这些分量分别包含了各个方向上的边缘或者梯度信息。而选择不同层次的分解可以依次降低图像的分量频率。对两张不同清晰程度的某人物图像进行二层小波分解,如图1所示。
在对比了清晰图像和模糊图的二层小波分量后可以看出,清晰度较高的图1(a)边缘清晰,过渡迅速。而图1(b)的小波分量边缘暗淡,不能很好地体现原图的轮廓。这一点正说明了小波分量所表现的特征和原图的清晰程度相对应。从而可以利用小波分解后得到的小波分量作为统计图像的清晰度评价的依据。
当然,经过小波分解后得到的小波分量信息量十分巨大,在作为神经网络判别的依据时必须再加以处理。其中小波向量的范围反映了图像总体灰度的变化空间,向量的均值体现了图像的整体表现,而均差则可以反映向量的离散关系。
对于每个经过二层小波分解后的图像,可以分别获得两个层次的水平、垂直、对角线的信息向量,加上一层分解后的图像以及原有图像,一共可以得到8组向量数据,通过统计分别求得这8个向量的取值范围、平均值以及方差,从而可以得到24个特征数据作为神经网络处理的特征输入数据。
2.2 BP神经网络识别模型建立
在人工神经网络的实际应用中,绝大部分的神经网络模型是采用BP网络和它的变化形式,它也是向前网络的核心。
BP网络是一种单向传播的多层前向网络。网络除了输出/输入节点以外,还有一层或者多层的隐含节点,同层节点中没有任何耦合。输入输出信号从输入层节点依次传过各隐层节点,然后传到输出节点。而神经元的输入/输出数学描述为:
式中 y、xi—神经元的输入和输出,f(·)—激发函数,它决定了输入数据在达到阈值时以何种方式输出,一般使用Sigmoid函数。
BP神经网络已经有确定的网络类型及拓扑结构,着重的是网络的输入、输出及隐含层的确定,其他参数可以在实验中调整。一般是按照要求解的问题的复杂度来确定网络的层数,网络的层数越多,它求解问题的能力越强,但层数越多,网络的连接权值训练和调整的时间也越长。对于任意连续函数,一个3层的网络可以精确地实现它。因此本研究建立3层神经网络结构,由于之前图像经过小波分析并处理后,本研究一共得到每幅图像24个统计值作为输入向量。本研究在第2层和第3层分别选取24个和12个神经元。输出层设定为单一神经元。在神经网络隐含层采用tansig函数作为传递函数,输出层采用purelin函数作为传递函数。训练目标的误差设定为0.01。对每幅图像分别设立3个清晰度等级:清晰、中等、模糊。针对神经网络的输出特点,将训练时的输出用数值代替这3个等级,清晰设为1,中等设为0.5,模糊设为0。其结构图,如图2所示。
3 仿真实验及实验结果
将选取图像分3个清晰度等级(清晰、中等、模糊)各30组图像(一共90幅图像)并作为训练样本。依据设计的模型,在经过小波变换提取特征向量之后进行网络训练。
其简单的工作过程可概括为:先采集样本,接着用训练样本对网络进行训练,直到网络权值调整达到预期目标,再用测试样本对网络进行验证,如果测试出的正确率低则继续训练网络,反之则可以用于实际应用。
通过Matlab仿真软件在约15 s左右的时间内误差值就实现了目标要求。设定边界值为大于等于0.6的认为清晰,在0.2~0.6之间的认为中等,小于0.2的认为模糊。在网络训练结束之后,将其权重矩阵加以保存,并继续对10组测试图像进行识别,结果,如表1所示。
C—清晰;M—中等;F—模糊;#—错误值
由表1可见,在输出值中标记符号#的表示输出和期望给出的评判等级有偏差。对于进行测试的30幅图样,能够被准确识别清晰度的有24幅,准确率达到了83.3%。而仔细分析那些误判的图像可以发现,误判值都处于评价边界值附近。图像的特征在这个范围明显相互重合,人的主观评价过程也会存在一定的不确定性,所以误判的几率还是存在的。
而通过多次实验确立明确的边界值、添加更多的训练样本、区分更为细腻客观的训练样本等级,都可以使模型评判的准确性得到提高[7,8]。
4 结束语
笔者以小波分析的方法对图像进行了二维分解,发现小波分量的分布与图像的质量相对应,因而可以采用图像的小波分量来表征图像的质量,并对7个小波分量及原始图像作统计处理后得到24个统计值,作为图像的特征量供后续的神经网络识别分析。本研究设计了一个3层的BP神经网络,对由60幅图像组成的训练集合进行训练,再对10幅图像组成的测试集合进行验证。
实验结果表明,样本的正确性决定了最终的正确率,而通过该方法对图像清晰度进行识别,达到了不错的识别率。在不同场合的要求下,可以通过加大样本等手段改进模型以及训练网络,从而达到不同程度的标准。
参考文献
[1]罗发龙,李衍达.神经网络信号处理[M].北京:电子工业出版社,1993.
[2]黄德双.神经网络模式识别系统理论[M].北京:电子工业出版社,1996.
[3]张兆礼,赵春辉.现代图像处理技术及Matlab实现[M].北京:人民邮电出版社,2001.
[4]焦李成.神经网络的应用与实现[M].西安:西安电子科技大学出版社,1996.
[5]李奇,冯华君,徐之海,等.数字图像清晰度评价函数研究[J].光子学报,2002,31(6):736-738.
[6]LI Xi,LIU Guo-sui,NI Jin-lin.Autofocusing of ISAR imagesbased on entropy minimization[J].IEEE Transactions onAerospace and Electronic System,1999,35(4):1240-1252.
[7]GRANRATHD J.The role of human visual models in imageprocessing[J].IEEE,1981,69(5):552-561.
图像清晰度 篇9
采用图像增强算法对雾天图像进行恢复时,增强图像部分特征的同时又衰减了图像的另一部分特征,这样虽然使得复原图像更适合人的视觉特性或机器识别系统,但受景深影响严重,复原图像中的自然场景轮廓边缘会比较模糊,图像对比度也较差。
而根据大气散射模型来恢复雾天降质图像的方法,虽然能取得比较理想的色彩和对比度,但却需要预先求得图像中精确的场景深度或者大气条件等先验信息,而这些标定信息在现实中一般很难直接从雾天退化图像中获得[1,2,3,4,5]。
近年来以这两类方法为基础,很多雾天图像清晰化研究都取得了比较令人满意的成果,但他们大多都是将去除恶劣天气的影响和图像恢复结合在一起进行,具有较强的针对性,运算过程也比较复杂。本文拟将此过程分步处理,只研究对视频图像去除浓雾影响的清晰化方法。
1 基于大气传输系统的视频图像退化模型
在获取、记录及传输数字图像的过程中,受多种因素影响(如噪声干扰、目标物运动等),图像的质量会降低,出现严重失真、模糊不清、虚假轮廓等多种不良现象,这一降质过程就是通常称为图像退化的过程,此过程可以看作是由退化函数与加性噪声共同影响所致。将退化函数看作是某一线性位移不变系统H的冲激响应h(x,y),而加性噪声看作是系统H受到的加性干扰n(x,y),那么将图像f(x,y)输入系统H后,从系统的输出就得到了退化图像g(x,y),且此空间域内受系统H影响的所有退化图像g(x,y)都可由式(1)给出[9]。
g(x,y)=h(x,y)*f(x,y)+n(x,y) (1)
因为空间域上的卷积可以用其对应函数在频域上的乘积来等同,式(1)又可以在频域中作出等价的描述
G(u,v)=H(u,v)F(u,v)+N(u,v) (2)
从同一个成像系统中分别提取不同天气条件下的视频图像,两幅图像具有相同的相同的大小,内容均包含有天空或同一建筑物。将晴天图像f(x,y)看成是未受天气干扰所得的图像,即大气传输系统的输入信号,而雾天图像则是大气传输系统的输出信号g(x,y),将噪声、干扰等其他影响图像质量的因素视为大气传输系统的相关参数,g(x,y)相较f(x,y)的质量下降全由大气传输函数决定。
在两幅图像上提取尺寸均为M×N的天空场景或建筑物背景,则可通过二维离散傅里叶变换得到大气传输系统输入、输出信号的频域形式。
undefined
undefined
由于空域和频域的对应性,G(u,v)=H(u,v)·F(u,v),可得大气传输系统函数H(u,v)=G(u,v)F-1(u,v)和大气传输系统的空间函数
undefined
2 基于BP网络的大气传输逆系统模型
BP神经网络是一种多层前馈型神经网络,由数层互相连结的神经元组成,根据拓扑结构可将其分为输入层、隐含层和输出层。每一层均有若干个神经元,各层层内的神经元不互相连接,每一个神经元的输出连接到下一层的输入。它不需预知输入输出间的具体映射关系,而是将输入信息由输入层传递给隐含层,在隐含层进行信息的变换和处理,完成信号的正向传播处理后,传递给输出层计算输出与期望值的误差,未到达允许范围或预定训练次数时便进行误差的反向传播,按一定的学习规则调整网络的阀值及权值,直至网络输出的误差接近预设值,能得到逼近期望值的最终结果[6,7,8,9]。
图1所示为一个典型的四层BP网络,每层神经元个数为ni(i=0,1,…,N),对于第p(p=1,2,…,P)个模式,第k层的第j个神经元的状态为uundefined(k)(j=1,2,…,nk),wij(k)表示第k-1层第i神经元的输出加权到第k层的第j神经元的输入连接强度,则第k层的第j神经元的输入、输出分别为[7][10] :
undefined
undefined
这里f(·)为神经元的输入输出非线性函数。upj(0)(j=1,2,…,n0)代表外部输入向量,uundefined(N)(j=1,2,…,nN)代表网络输出分类模式向量。
第p个模式的信号相对于输出层第j神经元的输出与要求的输出之间的局部误差eundefined为eundefined=dundefined-uundefined(N)。
对于整个训练集,网络误差函数undefined,φ(eundefined)为选取的误差函数。
利用Lagrange乘法算子,有undefined,满足上述约束条件的解即ᐁL(wij,uundefined,bundefined)=0。
利用梯度下降法,通过undefined可求出网络权值修改因子undefined,其中yundefined(k)为偏导因子。
3 算法及实现步骤
步骤1:分离晴天图像中的背景或大型建筑物,利用傅里叶变换获取其频谱信息。
步骤2:提取雾天图像背景的频谱信息,将其视为对应场景的大气传输系统输出信号。
步骤3:将浓雾天气对图像的影响看成是某一大气传输系统对晴天图像的响应,通过BP神经网络构建此大气传输系统的逆模型,将晴天图像背景看做是模型的输出;而雾天图像背景则作为其输入。利用反向误差传输学习算法,不断修改各层神经元权值,直至输入输出间均方误差最小,将最终确定的神经网络视为对应此浓雾天气的大气传输逆系统模型。
步骤4:将雾天图像输入BP网络,完成对雾天图像的清晰化处理。
4 结论
手机摄像获取的视频分辨率为320×240,采用4层BP网络,输入层和输出层节点数为3,第2层4个节点,第3层3个节点,训练次数为1 000次,误差目标值0.01,其他参数为系统默认,雾天图像为图2,晴天图像为图3,本文算法获得的清晰化图像如图4所示,利用常规的维纳滤波和中值滤波方法得到的恢复图像见图5和图6。比较图4至图6,可见本文算法在一定程度上达到了消除天气影响的目的。
参考文献
[1]陈明举,杨平先.一种非线性复扩散与冲击滤波的图像消噪方法[J].电视技术,2011,35(19):20-22.
[2]黎云,张天序,丁明跃.红外成像大气作用效果模拟[J].华中科技大学学报,2002,30(2):78-80.
[3]王挥,刘晓阳.利用大气调制传递函数复原天气退化图像[J].沈阳航空工业学院学报,2006,23(5):94-96.
[4]钱徽,牛森良.自然景物中人气退化模型的研究[J].计算机辅助设计与图形学学报,2001,13(9):793-799.
[5]SUCCARY R.Relative effects of distortion and noise on target acquisi-tion:the advisability of image restoration[J].Optical Engineering,1998,37(7):1914-1922.
[6]BP神经网络[EB/OL].[2012-03-30].http://baike.baidu.com/view/1753676.htm.
[7]曾黄麟.智能计算[M].重庆:重庆大学出版社,2004.
[8]杨景兵,丁辉,张树东.基于神经网络的图像弱边缘检测方法研究[J].电视技术,2011,35(15):54-56