自然场景下的模糊图像类型识别

【摘要】准确的获取模糊图像的退化原因和退化类型是复原模糊图像的关键。利用运动模糊和散焦模糊两种最常见模糊图像频谱图的差异，提出对频谱图进行预处理后，计算伸长度这一几何形状特征参数，通过设定阈值实现模糊图像类型识别的算法。实验仿真采用了自然场景下拍摄获得的真实模糊图像，结果表明算法能有效、准确地识别出模糊类型。

【关键词】自然场景;模糊类型;伸长度

引言

数字图像在产生、处理、传输的过程中，由于各种原因会造成不同程度的模糊，为图像的后续处理带来不便，如何恢复模糊图像的本来面目，一直是数字图像处理领域中的研究热点之一，学者们相继提出了很多模糊图像复原方法[1-5]，但所有图像复原算法的首要任务是要用数学模型把退化过程展现出来，其难点在于对图像退化过程中的先验知识的掌握，因为如果知道了退化的类型、机理和过程，就可以根据这些先验知识确定点扩散函数（PSF），从而建立起退化模型，有了退化模型就可以通过各种算法把退化过程逆转回去，实现对模糊图像复原[6]。因此，较准确的估计出模糊图像的退化原因和模糊类型，从而选取最适合的复原算法，是获取模糊图像最佳复原效果的关键，尤其是针对自然场景下由光学系统获得的、先验知识很少甚至没有的模糊图像复原的情况。

造成图像模糊的原因很多，如光学系统的散焦、光学成像衍射、大气湍流、环境随机噪声、摄像系统和被摄物体之间的相对运动等[7]。如果点扩散函数估计不准确，选取的复原方法不对，不仅不能得到较好的模糊图像复原效果，甚至会使模糊图像更加恶化。本文主要针对自然场景下拍摄获取的两种最常见的模糊图像——运动模糊和散焦模糊图像，提出一种基于频域方法的模糊类型识别算法，准确的识别出模糊类型，可以为获得模糊图像的最终复原效果打下基础。

1.模糊图像的频谱特性

自然场景下获得的模糊图像主要有运动模糊和散焦模糊两种，如图1（a）、（c）所示。运动模糊图像的产生是由于成像设备和被摄对象之间的相对运动造成的，散焦模糊图像是由光学系统聚焦不准确造成的[8]。一方面，尽管造成模糊的原因不一样，模糊图像在视觉效果上却没有差别，人眼很难分辨出模糊图像的类型，这就给自然场景下获得的模糊图像的复原带来了很大的困难。另一方面，不同的模糊类型会造成图像频谱中不同高频成分的丢失，在图像频谱中包含了描述图像特性的（如噪声、模糊等）的信息，因此，不同类型模糊图像的频谱图有较大差异，可以用它来鉴别一幅模糊图像的类型[9]。如图1（b）、（d）所示，运动模糊图像的频谱图呈长条状，而散焦模糊图像的频谱图呈圆形由中心向四周发散，根据频谱图的这一差异，就可以实现自然场景下模糊图像的类型识别。

2.模糊图像类型识别算法

2.1 算法思想

由于不同类型模糊图像的频谱图有较大差异，本文提出的模糊图像类型识别算法的原理就是从频谱图中提取出相关的几何特征，设置阈值，最终判断出模糊类型。为了能从频谱图中方便的提取出有用的几何特征，算法首先对频谱图进行了一系列的预处理，包括：平滑滤波、图像增强、数学形态学处理、二值化等。

由于两类模糊图像的频谱图主要呈条状和圆形，为了便于识别，本文选用伸长度T作为几何特征参数[10]，其定义是：

公式1

其中，A是频谱图中条状或圆形的面积，W、L分别是包围目标的最小矩形的宽度和长度。伸长度能够容易的区分出圆形和条状目标，越接近于圆形，其值越小。

2.2 算法流程图

模糊图像类型识别算法流程图如图2所示：

图2 算法流程图

本文研究的模糊图像类型识别主要针对自然环境下拍摄得到的彩色图像，因此，算法首先将其转化为灰度图像，然后获取傅里叶变换频谱图，对频谱图进行一系列预处理，在去除噪声的同时使图像中条状或圆形区域的边界变的清晰，接着使用数学形态学中的腐蚀运算进一步消除对于提取条状或圆形区域有干扰作用的噪声点，方便计算伸长度T值，最后根据设定的阈值，判断出模糊类型。

3.实验仿真与结果分析

3.1 实验仿真

本文所用的实验仿真图像全部来自自然场景中拍摄获得的模糊图像，所有的实验仿真都是基于MatLab7.0平台。为了保证实验仿真结果的准确性和有效性，本文分别在街角、校园、高速公路等真实场景中拍摄获取了运动模糊图像和散焦模糊图像，下面选取两幅模糊图像给出实验仿真结果。

3.2 实验结果与分析

对两幅模糊图像的频谱图处理的最终结果如图3中（g）、（h）所示，接着就可以计算伸长度，本文对伸长度计算公式中的W、L、A的计算采用的单位均为像素。对选取的20幅运动模糊图像和20幅散焦模糊图像的伸长度计算结果如表1、表2所示：

从表1、表2可以看出，运动模糊图像频谱图中条形区域的伸长度计算结果均在7以上，散焦模糊图像频谱图中圆形区域的伸长度计算结果均在6以下，散焦模糊图像的伸长度明显小于运动模糊图像，因此，本文选取阈值T=6.5，当T≥6.5时，判断模糊类型为运动模糊，当T≤6.5时为散焦模糊。利用设定的这个阈值，对拍摄获得的所有模糊图像类型的识别，散焦模糊图像的准确率可达到100%，运动模糊图像的识别正确率可达到97%。

4.结论

对模糊图像的复原研究一直是数字图像处理领域中的研究热点，具有十分重大的研究意义和应用价值，但是针对自然场景中拍摄获得的模糊图像的复原研究还比较少。本文根据不同类型模糊图像频谱图的差异，提出一种基于频域的模糊类型识别算法，并且采用自然场景中光学系统拍摄获取的模糊图像进行了实验仿真，实验结果表明算法能识别出不同的模糊类型，具有有效性和可行性，能够为自然场景下的模糊图像复原打下基础。

参考文献

[1]刘卫华，白本督，赵小强.基于模糊相似度融合的图像复原算法[J].计算机辅助设计与图形学学报，2013，25（05）：616-621.

[2]刘伟豪，梅林，蔡烜.稀疏梯度先验模型的正则化图像复原[J].中国图象图形学报，2012，17（12）：1485-1491.

[3]李秀怡.一种基于倒谱相关特性的散焦模糊图像复原方法[J].计算机技术与发展，2011，21（04）：98-100.

[4]卢勇，刘泽昕.一种基于小波域维纳滤波的图像复原算法[J].光学仪器，2013，35（03）：36-39.

[5]韩小芳，胡家升.运动与离焦模糊图像的复原[J].光子学报，2012，41（01）：87-92.

[6]吴振宇.模糊图像复原方法研究[D].国防科学技术大学硕士学位论文，2009.

[7]范群贞.运动模糊图像复原方法的研究[J].电子测量技术，2013（36）06：73-76.

[8]马捷.一类散焦图像快速复原方法及其应用研究[D].吉林大学博士学位论文，2011.

[9]尹兵，王延斌，刘威.用神经网络鉴别退化图像的模糊类型[J].光学技术，2006，32（06）：138-140.

[10]尹立苹，于德敏，王永强，许增扑.二值图像中多目标区域的标号和几何特征提取[J].计量与测试技术，2006，33（03）：18-20.

基金项目：梧州学院校级一般项目（编号：2013C001）。

作者简介：谢晴（1981—），女，四川阆中人，讲师，主要研究方向：数字图像处理。