本发明涉及图像处理和计算机视觉,具体地,涉及一种运动模糊图像的分析与判别方法。
背景技术:
1、针对未知复杂的环境而言,预先探测是非常重要的,其可以帮助人们全面掌握环境的通达性,空间景物及其图像语义信息,帮助人们及时做出分析预判,有效支撑后续任务的开展。
2、传统的探测系统多采用移动机器人来完成。移动机器人种类繁多,能够在比较复杂的环境中执行各种任务。但是机器人移动速度相对较慢,运动轨迹受地理环境影响较大,从而导致获取环境图像能力不强。随着无人机技术的发展打破了这种瓶颈。然而,无人机在图像采集过程中,由于成像系统的局限性、环境的复杂性、物体的动态性以及其他非协调因素,导致采集到的图像可能会成为噪声强、质量低、失真大的退化图像。图像模糊是图像质量下降的典型形式,相机抖动或成像目标运动等都会导致图像产生模糊。针对于成像目标运动导致图像模糊,即前景的模糊也会导致背景产生一定的模糊。因此,图像去模糊对于未知复杂环境探测来说是十分必要的。
3、然而,对于图像去模糊来说,模糊图像的分析与建模是至关重要的,其是去模糊算法提出的有效依据,同时还有助于提高图像去模糊算法的性能。此外,模糊图像的判别对于图像去模糊也是非常重要的,其可以避免对清晰图像进行处理,破坏原来质量较好的图像。同时也可以避免将所有图像都输入到去模糊模型从而产生不必要的时间开销。综上所述,急需一种运动模糊图像的分析与判别方法来解决上述问题。
技术实现思路
1、针对现有技术中的缺陷,本发明的目的是提供一种运动模糊图像的分析与判别方法。
2、第一方面,本技术实施例提供一种运动模糊图像的分析与判别方法,包括:
3、步骤1:根据运动模糊图像产生的原因,构建运动模糊图像退化模型;在所述运动模糊图像退化模型中,将影响图像模糊的时间因素转换为距离因素;
4、步骤2:通过欧氏距离计算清晰图像与待匹配图像特征点之间的匹配度;
5、步骤3:基于清晰图像和运动模糊图像的特征,引入模糊判别度量;
6、步骤4:确定模糊判别阈值,用以判别图像的模糊度。
7、可选地,所述步骤1包括:
8、基于图像模糊的物理意义,把影响图像模糊的时间因素转换为距离因素,并假设不考虑噪声干扰的影响时,得到匀速直线运动过程中的运动模糊图像退化模型:
9、p(x,y)=i(x,y)*h(x,y)
10、
11、其中,h(x,y)为模糊算子或点扩散函数,p(x,y)表示成像目标在曝光时间内连续成像的叠加,i(x,y)表示成像目标,x表示图像像素点的x轴坐标,y表示图像像素点的y轴坐标,l表示当成像设备与成像目标发生相对运动时,成像目标投影到图像平面相较于原成像位置位移像素的个数;
12、若成像平面与成像设备的运动方向之间存在夹角θ,则运动模糊图像退化模型的h(x,y)如下:
13、
14、可选地,所述步骤2包括:
15、针对清晰图像与待匹配图像之间的任意一对匹配特征点u和v,两点间的欧氏距离计算如下:
16、
17、针对运动模糊图像与待匹配图像之间的任意一对匹配特征点u′和v,两点间的欧氏距离计算如下:
18、
19、其中,δu表示向量坐标由于运动产生的偏移量,ui表示清晰图像的第i个特征点,vi表示待匹配图像的第i个特征点,n表示特征点的数量。
20、可选地,所述步骤3包括:
21、在处理模糊图像之前先进行模糊判别,其中,图像f(i,j)的梯度的计算公式如下:
22、gx(i,j)=|f(i+1,j)-f(i,j)|
23、gy(i,j)=|f(i,j+1)-f(i,j)|
24、其中,gx(i,j)表示图像f(i,j)在x方向的梯度,gy(i,j)表示图f(i,j)在y方向的梯度;
25、引入模糊判别度量bim,计算公式如下:
26、
27、其中,h表示图像的高,w表示图像的宽,n表示x方向梯度和y方向梯度的梯度值总个数,gn表示x方向和y方向的非零梯度值总个数。
28、可选地,所述步骤4中的模糊判别阈值t的计算公式如下:
29、
30、其中,n表示数据集中场景的数量,和分别表示某一场景中所有模糊图像中的bim最大值和所有清晰图像中的bim最小值。
31、第二方面,本技术实施例提供一种运动模糊图像的分析与判别装置,包括:
32、模型构建模块,用于根据运动模糊图像产生的原因,构建运动模糊图像退化模型;在所述运动模糊图像退化模型中,将影响图像模糊的时间因素转换为距离因素;
33、匹配度确定模块,用于:通过欧氏距离计算清晰图像与待匹配图像特征点之间的匹配度;
34、模糊判别度量模块,用于基于清晰图像和运动模糊图像的特征,引入模糊判别度量;
35、判别模块,用于确定模糊判别阈值,用以判别图像的模糊度。
36、可选地,所述模型构建模块,具体用于:
37、基于图像模糊的物理意义,把影响图像模糊的时间因素转换为距离因素,并假设不考虑噪声干扰的影响时,得到匀速直线运动过程中的运动模糊图像退化模型:
38、p(x,y)=i(x,y)*h(x,y)
39、
40、其中,h(x,y)为模糊算子或点扩散函数,p(x,y)表示成像目标在曝光时间内连续成像的叠加,i(x,y)表示成像目标,x表示图像像素点的x轴坐标,y表示图像像素点的y轴坐标,l表示当成像设备与成像目标发生相对运动时,成像目标投影到图像平面相较于原成像位置位移像素的个数;
41、若成像平面与成像设备的运动方向之间存在夹角θ,则运动模糊图像退化模型的h(x,y)如下:
42、
43、可选地,所述匹配度确定模块,具体用于:
44、针对清晰图像与待匹配图像之间的任意一对匹配特征点u和v,两点间的欧氏距离计算如下:
45、
46、针对运动模糊图像与待匹配图像之间的任意一对匹配特征点u′和v,两点间的欧氏距离计算如下:
47、
48、其中,δu表示向量坐标由于运动产生的偏移量,ui表示清晰图像的第i个特征点,vi表示待匹配图像的第i个特征点,n表示特征点的数量。
49、可选地,所述模糊判别度量模块,具体用于:
50、在处理模糊图像之前先进行模糊判别,其中,图像f(i,j)的梯度的计算公式如下:
51、gx(i,j)=|f(i+1,j)-f(i,j)|
52、gy(i,j)=|f(i,j+1)-f(i,j)|
53、其中,gx(i,j)表示图像f(i,j)在x方向的梯度,gy(i,j)表示图f(i,j)在y方向的梯度;
54、引入模糊判别度量bim,计算公式如下:
55、
56、其中,h表示图像的高,w表示图像的宽,n表示x方向梯度和y方向梯度的梯度值总个数,gn表示x方向和y方向的非零梯度值总个数。
57、可选地,模糊判别阈值t的计算公式如下:
58、
59、其中,n表示数据集中场景的数量,和分别表示某一场景中所有模糊图像中的bim最大值和所有清晰图像中的bim最小值。
60、第三方面,本技术实施例提供一种运动模糊图像的分析与判别设备,包括:处理器和存储器,所述存储器中存储有可执行的程序指令,所述处理器调用所述存储器中的程序指令时,所述处理器用于:
61、执行如第一方面中任一项所述的运动模糊图像的分析与判别方法的步骤。
62、第四方面,本技术实施例提供一种计算机可读存储介质,用于存储程序,所述程序被执行时实现如第一方面中任一项所述的运动模糊图像的分析与判别方法的步骤。
63、与现有技术相比,本发明具有如下的有益效果:
64、本技术中通过对运动模糊图像的分析与判别,避免对清晰图像进行处理,破坏原来质量较好的图像。同时也避免了将所有图像都输入到去模糊模型从而产生不必要的时间开销。从而有效解决了运动模糊图像的判别问题,为图像处理领域提供了新的解决方案与技术支撑,能够广泛应用于模糊图像的分析与修复。