CN102289813B - 一种无参考图像的模糊程度评价方法 - Google Patents

Abstract

一种无参考图像的模糊程度评价方法。本发明针对无参考图像模糊程度的评价问题，提出了一种无参考图像的模糊程度评价方法。本发明利用模糊效应的局部特性，通过各个局部区域灰度值方差总和反映各个像素灰度值与周围像素灰度值的总体偏离程度，将该偏离程度的量度归一化得到最终的模糊度。

Description

一种无参考图像的模糊程度评价方法

技术领域

本发明涉及图像质量评价方法，具体涉及一种无参考图像的模糊程度评价方法。

背景技术

在数字图像处理过程中，经常需要对数字图像的质量作出定量的评价。图像的质量包括两个方面：一方面是该图像与参考图像的偏离程度，即保真度；另一方面是人对数字图像整体布局和局部细节的感受，如美感、模糊度。

虽然定量评价图像的质量有着重要的意义，但是由于其中涉及人工智能计算视觉等诸多领域，研究的难度较大。在图像的保真度方面有不少研究，其中峰值信噪比(PSNR)和结构相似指数(SSIM)被广泛应用于有参考图像质量评价工作中。然而关于图像的美感、模糊度等的研究较少，缺乏成熟的方法。李介谷在其《图像处理技术》中给出了一种用模糊指数描述图像模糊程度的方法，该方法是将模糊数学中相关概念推广到二维平面，只反映了图像中各个像素灰度值偏离平均灰度值的程度。而一般地认为图像为一个二维的马尔科夫随机过程，图像的像素只与其相邻像素关系紧密。因此可以认为模糊处理后，模糊结果主要由模糊核中心极其邻近像素决定。而模糊指数反映的是图像中各个像素灰度值偏离平均灰度值的程度，完全没有考虑模糊的局部特性，不能很好地反映模糊程度。

发明内容

本发明的目的在于提供一种无参考图像的模糊程度评价方法，以解决现有技术中存在的上述问题。

为实现上述发明目的，本发明采用的技术方案是：

1)计算图像中各像素灰度值与周围像素灰度值的偏离程度，整个图像的总体偏离程度由每一个像素点与周围像素点的偏离程度总和获得。在计算某一像素点灰度值与周围像素点灰度值偏离程度时，以该像素点为中心，取p*p的一个窗口，其中p为一个正奇数，窗口的取法为以该像素点为中心，向上下左右各延伸(p-1)/2个像素，即从图像中取出一个p*p大小的图像块，用该图像块内各个像素灰度值与平均灰度值的方差D，反映该图像块中心像素点灰度值与周围像素灰度值得偏离程度，用u_i(j，n)表示第i个图像块中第j行第n列像素点的灰度值，则平均灰度值u_i由(1)式计算而得：

$u_i=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\underset{n=1}{\overset{p}{\mathrm{\Σ}}}{u}_i(j,n)/p^2---\left(1\right)$

用D_i表示第i个图像块的方差，D_i由(2)式计算得到：

$D_i=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\underset{n=1}{\overset{p}{\mathrm{\Σ}}}{(u_i(j,n)-u_i)}^2---\left(2\right)$

2)将图像各像素灰度值与周围像素灰度值的总体偏离程度归一化为模糊度：对1)中各个图像块的方差求和，并归一化到0～1之间，得到图像的模糊度B，具体的计算过程如(3)式：

$B\left(X\right)=\exp (-\left(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\frac{D_i}{C}\right)/L)---\left(3\right)$

其中X表示输入图像，D_i表示第i个图像块的方差，L表示图像按照步骤1)分块方法总共需要计算的图像块总数，C是一个阈值，保证

B越大，图像的模糊程度越高，B越小图像的模糊程度越低。

经过模糊处理后，图像中各像素点灰度值与周围像素点灰度值比模糊处理前更趋向一致。各像素点灰度值与周围像素点灰度值差异越大说明模糊程度越小，反之则模糊程度越大，为了明确各像素点的邻近像素区域，在计算某一像素点灰度值与周围像素点灰度值偏离程度时，以该像素点为中心，用该图像块内各个像素灰度值与平均灰度值的方差D，反映该图像块中心像素点灰度值与周围像素灰度值的偏离程度。将上述所有图像块的方差求和，即可用于反映图像中各像素点灰度值与周围像素点灰度值的总体偏离程度，对于同一幅图像可以有效反映其模糊程度。

为了衡量不同图像之间的模糊程度，需要再对上诉的各像素点灰度值与周围像素点灰度值的总体偏离程度进行归一化处理，使得其反映的模糊程度为一个数值B，为方便起见，将B称为图像的模糊度，模糊度B为0～1之间的一个数值，B越大，图像的模糊程度越高，B越小图像的模糊程度越低。

附图说明

图1FERET图库上不同人物经过模糊后的视觉效果对比和模糊程度评价对比

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实例，以评价一幅图像的模糊程度为例，对本发明做进一步的详细说明。这些实例仅仅说明性的，而并非对本发明的限制。

图像各个像素灰度值与其周围像素灰度值的总体偏离程度反映了图像的模糊程度。总体偏离程度由每一个像素点与周围像素点的偏离程度总和获得。在计算某一像素点灰度值与周围像素点灰度值偏离程度时，以该像素点为中心，取p*p的一个窗口，其中p为一个正奇数，一般可取p＝3，或p＝5，或p＝7，或者根据实际需要取更大的正奇数，窗口的取法为以该像素点为中心，向上下左右各延伸(p-1)/2个像素，即从图像中取出一个p*p大小的图像块，用该图像块内各个像素灰度值与平均灰度值的方差D，反映该图像块中心像素点灰度值与周围像素灰度值得偏离程度。用u_i(j，n)表示第i个图像块中第j行第n列像素点的灰度值，则平均灰度值u_i可以由(1)式计算而得：

$u_i=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\underset{n=1}{\overset{p}{\mathrm{\Σ}}}{u}_i(j,n)/p^2---\left(1\right)$

用D_i表示第i个图像块的方差，D_i可以由(2)式计算得到：

$D_i=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\underset{n=1}{\overset{p}{\mathrm{\Σ}}}{(u_i(j,n)-u_i)}^2---\left(2\right)$

对各个图像块的方差求和，并归一化到0～1之间，就能得到图像的模糊度B，具体的计算过程如(3)式：

$B\left(X\right)=\exp (-\left(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\frac{D_i}{C}\right)/L)---\left(3\right)$

其中X表示输入图像，D_i表示第i个图像块的方差，L表示图像总共需要计算的图像块总数，C是一个阈值，保证

图1是在FERET图库上不同人物经过模糊后的视觉效果对比和模糊程度评价对比的示意图。每一行的图像从左到右依次为原始图像经过5，10，15，20次模糊得到，同一列图像经过相同次数的模糊处理，每个图像下方列出了其模糊程度的评价，其中B(X)表示本发明的模糊度，r(X)表示模糊指数。由图1可以看出，模糊指数r(X)在同一图像上并不是稳定地随着模糊次数增多而上升，且同一图像不同模糊程度之间的差异比较小，同一图库相同模糊处理的模糊指数差异较大，而本发明提出的模糊度B(X)在同一图像上稳定地随着模糊次数增多而上升，且同一图像不同模糊程度之间的差异较大，同一图库相同模糊处理下的模糊度相近，因此本发明的模糊度不仅能较好地反映同一图像的模糊程度，而且能较好地反映不同图像之间的模糊程度。

从上述描述应该理解，在不脱离本发明精神的情况下，可以对本发明各实施方式进行修改和变更。本说明书中的描述仅仅是用于说明性的，而不应被认为是限制性的。本发明的范围仅受权利要求书的限制。

Claims (1)

1.一种无参考图像的模糊程度评价方法，其特征在于包含以下步骤：

1）计算图像中各像素灰度值与周围像素灰度值的偏离程度，整个图像的总体偏离程度由每一个像素点与周围像素点的偏离程度总和获得，在计算某一像素点灰度值与周围像素点灰度值偏离程度时，以该像素点为中心，取p*p的一个窗口，其中p为一个正奇数，窗口的取法为以该像素点为中心，向上下左右各延伸（p-1）/2个像素，即从图像中取出一个p*p大小的图像块，用该图像块内各个像素灰度值与平均灰度值的方差D，反映该图像块中心像素点灰度值与周围像素灰度值的偏离程度，用u_i（j,n）表示第i个图像块中第j行第n列像素点的灰度值，则平均灰度值u_i由（1）式计算而得：

$u_i=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\underset{n=1}{\overset{p}{\mathrm{\Σ}}}{u}_i(j,n)/p^2---\left(1\right)$

用D_i表示第i个图像块的方差，D_i由（2）式计算得到：

$D_i=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\underset{n=1}{\overset{p}{\mathrm{\Σ}}}{(u_i(j,n)-u_i)}^2---\left(2\right)$

2）将图像各像素灰度值与周围像素灰度值的总体偏离程度归一化为模糊度：对1）中各个图像块的方差求和，并归一化到0～1之间，得到图像的模糊度B，具体的计算过程如（3）式：

$B\left(X\right)=\exp (-\left(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\frac{D_i}{C}\right)/L)---\left(3\right)$

其中X表示输入图像，D_i表示第i个图像块的方差，L表示图像按照步骤1)分块方法总共需要计算的图像块总数，C是一个阈值，保证

B越大，图像的模糊程度越高，B越小图像的模糊程度越低。

Images