图像模糊检测技术研究

吴胜益 熊哲源 熊小敏

摘 要：数码相机大量生产，而且正变得越来越流行，但并不是每一张照片都有良好的品质。模糊是一种传统的图像质量下降，这是由各种因素造成的，比如有限的对比度，不恰当的曝光时间和不当的设备处理。因此，使用有效的工具来检测模糊的图像，以保证图像采集的质量和节约图像存储空间是必要的。该文介绍了几种图像退化模型，并介绍了使用DCT变换和小波变换的模糊检测方法。

关键词：图像模糊 模糊检测 小波 变换DCT

中图分类号：TP274 文献标识码：A 文章编号：1672-3791（2015）09（b）-0066-02

散焦或者运动会使得许多数字图像模糊，有时摄影师为了加强照片表现力故意制造模糊，但是，由于错误对焦、物体运动和抖动等无意造成的模糊会降低图像质量。无论如何，图像模糊区域自动检测和分类对于学习图像信息是非常有用的，可用于图像分割、深度复原和图像检索等不同的多媒体分析应用。

许多服务和应用提供与摄像机捕获图像有关的功能。在线地图服务能给用户提供由飞机、汽车或卫星拍摄图像组成的交互式地图。网页搜索引擎能给用户提供包含一个或多个摄像机拍摄图像的搜索结果。不幸的是，许多摄像机捕获的图像可能会模糊。摄像机的运动会使所拍摄的照片模糊，例如，飞机上的摄像机在捕获图像的时候，由于气流运动会使摄像机经历三维运动。图像中重要部分的模糊会使得图像对于特定应用失去使用价值[1]。

1 图像退化模型

先进的传感器降噪和摄像机稳定技术有效减少了图像模糊，使得采集高质量图像成为可能。尽管如此，由于硬件限制和物体运动等原因引起的图像模糊仍然是一个问题。这些图像的退化过 程可以进行如下的数学建模。

（1）

其中，g（x，y），f（x，y），d（x，y）和n（x，y）分别表示退化图像、原始图像、模糊点扩散函数（point spread function， PSF）和噪声。假设噪声可以忽略，式子（1）可以简化为一个单纯的卷积过程。原始图像和点扩散函数的确定可以看作是图像修复或者图像反褶积。重建是一个非常不适定的问题，因为通常只有降低质量的图像[2]。为了简化这个过程，使用了一些限制条件和先验知识用于反褶积过程。其中一种方法就是使用不同的点扩散函数模型及其相关参数。这些点扩散函数由下列数学公式表示[3]。對摄像头干扰的方法包括阻挡摄像头的视线，使用物体遮盖镜头，用颜料喷涂镜头或使其无法对焦。

（1）无模糊。

假如图像捕获过程非常完美，没有收到干扰，那么离散的图像就不会模糊。空间连续的点扩散函数可以表示为一个狄拉克德尔塔函数。

（2）

（2）线性运动模糊。

许多类型的运动模糊可以将其划分为由于摄像机和场景间的相对运动引起的模糊。这些运动形式包括平移、旋转、场景跳变或者几种形式的组合。这里只考虑比较重要的全局平移运动。

（3）

其中L 是运动的距离。

（3）统一的失焦模糊。

当一个摄像头将一组三维场景成像到一个二维平面，场景中部分在焦点上，其余部分不在焦点上。

（4）

其中R是模糊半径。

（4）大气湍流模糊。

大气湍流对遥感监测是一个严峻的问题，尽管大气湍流引起的模糊是有许多因素决定的，比如温度、风速和曝光时间。

（5）

其中C是一个常数，是扩频。

2 图像模糊检测

在现实世界，图像并不是一直都模糊，有些图像也许根本不需要做修复处理。对于那些已经模糊的图像，学者提出许多修复算法，一些算法被设计成只针对某一种模糊类别做修复。这种方案是根据图像退化展示出来的具体特点而设计的。

图像模糊检测通常在空间域进行。一定的模糊度量用于表示模糊的存在及其程度。在文献[8]中，这种度量是基于边缘的提取及其传播。在小波域中，模糊程度还可以通过分析在不同分解图层的边缘类型和锐度来度量[4]。因为这种方法只检测模糊，不能判断图像的退化类型。

另一方面，模糊识别通常在变换域进行，最常使用的是傅立叶变换。文献[5]使用频率零的出现和位置来指示模糊类型。文献[6]使用变换域来进行同步检测和识别。一些傅立叶参数被投影到单位圆，用于训练神经网络。这种方法可以识别不同的模糊类型和它的参数[7]，检测精度比较高，但是必须预先设定网络输入数量和图像尺寸。也就是说，一旦网络被设计用于一定尺寸的图像，就无法用于其他尺寸的图像。此外，要使得训练结果达到收敛还需要耗费大量的时间。

2.1 使用小波变换的图像模糊检测

使用Harr小波变换进行模糊检测是直接方法。该方法不仅能通过边缘类型分析判断一幅图像是否模糊，而且还能根据边缘锐度分析给出图像的模糊程度[8]。这种方法利用Harr小波变换的能力优势，辨别不同类型的边缘，并从模糊中恢复边缘锐度。这对于失焦模糊和线性运动模糊都是非常有效的方法，其有效性不会受统一背景图像的影响。不同边缘通常分为三种类型：斜坡型、台阶型和屋顶型。Harr小波变换模糊检测方法通过分析边缘结构的类型来判断一幅图像是否模糊，通过分析边缘锐度来确定图像的模糊程度。

2.2 使用DCT的图像模糊检测

基于DCT的方法利用MPEG或JPEG压缩视频或图像的DCT信息进行图像模糊检测，计算负载很小。该方法是通过计算MPEG或JPEG压缩图像中非零DCT系数的统计直方图来检测模糊。对于MPEG压缩视频，这种方法适用于所有图像帧：I帧、P帧或B帧。

模糊检测的目的是提供图像模糊的百分比来表明整幅图像的质量。这个模糊指数显示由于摄像机运动或者失焦造成的整幅图像模糊。对于MPEG压缩的视频数据，模糊指数可以直接从MPEG视频数据流的DCT层得到[9]。要实现这一目标，必须明确：

（1）MPEG使用的DCT系數是用于数据压缩的，且与图像内容高度相关。这些系数反应了一个图像块中的频率分布。

（2）在MPEG数据流中，DCT系数直接用于I帧像素。相反，P帧和B帧系数描述再运动补偿之后的残留图像。

由此可见，选择一个独立于图像特殊内容和MPEG帧类型的模糊指数是非常重要的。

模糊是和边缘锐利相反的。DCT系数中的一些高值AC系数导致这种锐利。这种模糊测量方法是寻找图像中所缺少的这种锐利边缘，由此可以被认为是图像模糊。测量过程包括以下三个步骤：

Step 1.为了描述全局模糊程度，提出建立一个将整幅图像的DCT信息作为整体来考虑的测量值。任何类型的边缘都很可能与图像中的某一个8 x 8子块交叉一次。所有DCT块的全局性将知道普通边缘的锐度，也就是全局模糊程度。

Step 2.为了与图像内容尽可能的相互独立，系数不应该被直接考虑，因为这些数值和它们所描述的图像类型紧密相关。有人提出观察零系数的分布，模糊图像很可能使得它们的高频系数值为零，不论图像内容是什么。

Step 3.为了去除与图像尺寸的依赖关系，图像中的子块数量应该除去系数不为零的次数。这将限制直方图的值为1。尽管如此，P帧和B帧中的系数经常为零。为了使得所有类型的图像直方图均质化，非零系数的出现次数除去非零DC系数的出现次数。

通过这三步，就可以得到一个独立于图像内容和MPEG帧类型的测量值。

3 结语

该文首先介绍了4种图像质量退化模型，无模糊、线性运动模糊、失焦模糊和大气湍流模糊。然后，介绍了2种常用的模糊检测方法，小波变换和DCT。Harr小波方法根据图像中是否包含斜坡型边缘和台阶型边缘来判断一幅图像是否模糊。用模糊系数来描述模糊程度。模糊系数通过统计模糊图像中的台阶型边缘和屋顶型边缘的百分比来确定。这种方法有效且效率高。DCT方法直接用于JPEG或MPEG压缩图像。该方法对于任何图像类型都很有效。

参考文献

[1] R LIU， Z LI， and J JIA. Image partial blur detection and classification[C]//in Proc.IEEE CVPR，2008：1-8.

[2] R M CHONG，T TANNKA. Image extrema analysis and blur detection with identification[C] //in Proc.Int.IEEE Conf.Signal-Image Technol. Internet-Based Syst.，2008：320-326.

[3] A AKSAY，A TEMIZEL， and A E CETIN.Camera tamper detection using wavelet analysis for video surveillance[C]// in Proc.IEEE Conf.Adv.Video Signal Based Surveillance，2007：558-562.

[4] J D RUGNA and H KONIK. Automatic blur detection for metadata extraction in content-based retrieval context[J].In SPIE，2003，5304：285-294.

[5] A LEVIN.Blind motion deblurring using image statistics [C]//In NIPS，2006：841-848.

[6] J H ELDER and S W ZUCKER. Local scale control for edge detection and blur estimation [J]. PAMI，1998，20（7）：699-716.

[7] Yun-Chung CHUNG，Jung-Ming WANG，BAILEY RR，et al.A non-parametric blur measure based on edge analysis for image processing applications [C]//in 2004 IEEE Conf.on Cybernetics and Intelligent Systems，Singapore，vol.1，pp.356-360，Dec.2004.

[8] Hanghang TONG，Mingjing LI，Hongjiang ZHANG，et al.Blur detection for digital images using wavelet transform[C]//in 2004 IEEE Int.Conf.on Multimedia and Expo，Taipei，Taiwan，2004：17-20.

[9] I AIZENBERG，D PALIY，C MORAGA，et al.Blur identification using neural network for image restoration[J].Computational Intelligence，Theory and Applications，2006（17）：441-455.