聚焦散焦區(qū)域判別方法

1、聚焦散焦區(qū)域判別方法聚焦散焦區(qū)域判別方法o 聚焦區(qū)域和散焦區(qū)域的介紹o 聚焦區(qū)域與散焦區(qū)域的檢測(cè)方法 聚焦區(qū)域和散焦區(qū)域的介紹o 聚焦區(qū)域(focused region)指的是圖像中有一塊清晰的視覺(jué)聚焦區(qū)域，其余區(qū)域?yàn)槟：齾^(qū)域(blurred region)。成像模糊的原因o 成像模糊的原因主要有：場(chǎng)景的失焦和運(yùn)動(dòng)模糊。o 場(chǎng)景失焦模糊的原因：任何光學(xué)系統(tǒng)成像都有一定的景深范圍，光學(xué)系統(tǒng)成像時(shí)使距離離鏡頭一定范圍內(nèi)的場(chǎng)景聚焦所成的像小于人眼感覺(jué)清晰容許的彌散圓，則這個(gè)范圍內(nèi)的場(chǎng)景在景深范圍內(nèi)，可清晰成像，而不在景深范圍內(nèi)的場(chǎng)景成像的像點(diǎn)彌散太大，使得成像平面中一個(gè)像點(diǎn)重疊了若干物點(diǎn)的成像點(diǎn)，從

2、而產(chǎn)生視覺(jué)模糊。成像模糊的原因o 運(yùn)動(dòng)模糊的原因：由于目標(biāo)與鏡頭之間的相對(duì)運(yùn)動(dòng)產(chǎn)生，在一定的曝光時(shí)間內(nèi)物點(diǎn)的運(yùn)動(dòng)，引起對(duì)應(yīng)像點(diǎn)的運(yùn)動(dòng)，使像平面內(nèi)的一個(gè)像點(diǎn)重疊了若干個(gè)物點(diǎn)的像點(diǎn)，引起視覺(jué)上的模糊。聚焦區(qū)域與散焦區(qū)域的檢測(cè)方法o 根據(jù)聚焦散焦區(qū)域的定義和成像模糊的原因，聚焦（清晰）區(qū)域與散焦（散焦模糊）區(qū)域的檢測(cè)可以分為兩個(gè)步驟：模糊區(qū)域檢測(cè)和模糊區(qū)域分類（散焦模糊與運(yùn)動(dòng)模糊）。o 依據(jù)這個(gè)思路，研究者提出的大量的模糊區(qū)域檢測(cè)和分類方法可以用來(lái)檢測(cè)聚焦區(qū)域和散焦區(qū)域。o Su等1根據(jù)圖像模糊與像素奇異值分布之間的關(guān)系，提出了利用奇異值來(lái)檢測(cè)模糊區(qū)域，利用alpha通道特征來(lái)鑒別模糊類型，從而檢測(cè)

3、出聚焦（清晰）區(qū)域與散焦（散焦模糊）區(qū)域。1 B. Su, S. Lu, and C. L. Tan, “Blurred image region detection and classification,” in Proc. Association for Computing Machinery, ACM Multimedia, 2011, pp. 1397-1400. o Su等實(shí)現(xiàn)的系統(tǒng)框圖特征o 圖像模糊特征采用奇異值特征o 圖像I可以分解為r個(gè)以奇異值為權(quán)值且秩為1的矩陣（也稱特征圖像）之和：o 奇異值越大，相應(yīng)的特征所占的分量越重。由于奇異值是按降序排列的，通常使用前k項(xiàng)來(lái)近似圖像

4、I，而忽略后面奇異值很小的描述圖像細(xì)節(jié)信息的項(xiàng)。奇異值特征o 奇異值特征o 模糊類別特征o Alpha通道特征o Alpha通道特征o o 將圖片分割為更小的塊使得每塊只包含模糊或清晰區(qū)域，對(duì)所有塊進(jìn)行標(biāo)注，清晰/失焦模糊/運(yùn)動(dòng)模糊。o 在訓(xùn)練數(shù)據(jù)上訓(xùn)練得到模糊/非模糊分類的奇異值特征的最佳閾值和運(yùn)動(dòng)模糊/失焦模糊alpha通道特征的最佳閾值。o Liu等2使用貝葉斯分類方法，通過(guò)綜合局部功率譜曲線、梯度分布曲線和最大色彩飽和度三個(gè)模糊特征對(duì)模糊區(qū)域進(jìn)行檢測(cè)，利用局部自相關(guān)一致性特征來(lái)區(qū)分散焦模糊與運(yùn)動(dòng)模糊。2 R. Liu, Z. Li, and J. Jia, “Image partial

5、 blur detection and classification,” in Computer Vision and Pattern Recognition, 2008. IEEE Conference on , 2008, pp. 18.圖像模糊特征o 局部功率譜曲線o 由于模糊區(qū)域的低通特性，模糊區(qū)域的高頻成分較少。因此模糊區(qū)域的功率譜曲線比非模糊區(qū)域陡峭。o 梯度分布曲線o 模糊區(qū)域幾乎不含尖銳的邊緣，因此梯度幅值較小。根據(jù)這個(gè)現(xiàn)象，模糊區(qū)域的梯度幅值對(duì)數(shù)分布曲線較其它區(qū)域呈短尾樣。o 最大色彩飽和度o 非模糊區(qū)域的顏色很可能比模糊區(qū)域的顏色更鮮艷。模糊區(qū)域的最大飽和度應(yīng)該比非模糊區(qū)域

6、的小。模糊類別特征o 分類器文o 梁偉文梁偉文o Kanchev等3利用小波空間的圖像特征和SVM來(lái)對(duì)圖像模糊/非模糊區(qū)域進(jìn)行分類。3 Kanchev, V.; Tonchev, K.; Boumbarov, O., Blurred image regions detection using wavelet-based histograms and SVM, Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 2011 IEEE 6th International Conference on , vol.1

7、, no., pp.457,461, 15-17 Sept. 2011特征o 對(duì)圖像進(jìn)行二維小波變換o 建立小波梯度圖 通過(guò)HL和LH小波映射的求和來(lái)得到小波梯度圖，即 k和l分別指HL，LH圖的小波系數(shù)的坐標(biāo)。特征o 建立小波梯度直方圖一般清晰的圖像具有重尾分布，非常接近于高斯分布，而模糊區(qū)域則不同。因此，我們可以通過(guò)小波變換得到輸入圖像各小部分的小波梯度直方圖，從而得知圖像的特征。分類器o 由于SVM對(duì)小訓(xùn)練集有較好的效果，訓(xùn)練SVM對(duì)圖片區(qū)塊進(jìn)行二分類圖模糊區(qū)域和非模糊區(qū)域的判別過(guò)程o 判別分兩階段進(jìn)行，即粗略模糊區(qū)域判斷和模糊區(qū)域邊界判斷。o 第一階段，將圖像分割為三部分：模糊區(qū)域（B

8、R），清晰區(qū)域（NBR），過(guò)渡區(qū)域 （TR）。o 第二階段：確定模糊區(qū)域邊界。第一階段o 將圖像在YUV空間顏色轉(zhuǎn)換；o 提取Y分量64X64大小的重疊塊；o 特征提?。河?jì)算小波梯度并建立每個(gè)提取塊的梯度直方圖；o 概率SVM：在每個(gè)提取部分直方圖中使用概率SVM；o 概率圖：基于支持向量機(jī)預(yù)測(cè)每個(gè)提取塊的概率值，從而構(gòu)建圖像的概率圖；o 構(gòu)建概率直方圖：構(gòu)建概率圖的全局直方圖o 閾值估計(jì)：對(duì)全局概率直方圖分析，確定兩個(gè)閾值來(lái)進(jìn)行BR，NBR 和TR分類。第二階段o 對(duì)應(yīng)于小波梯度圖，建立TR和BR區(qū)域的小波梯度直方圖；o 基于BR梯度直方圖，拉普拉斯分布參數(shù)進(jìn)行最大似然估計(jì)；o 對(duì)應(yīng)于拉普拉

9、斯分布ML估計(jì)的置信區(qū)間為99，計(jì)算得閾值t1和t2;o 使用的閾值對(duì)梯度小波圖TR進(jìn)行二值化處理； o 由上一步驟所得的二進(jìn)制掩碼和BR確定的二進(jìn)制掩碼組合成一個(gè)全局的二進(jìn)制模糊掩模。o 對(duì)得到的二進(jìn)掩模應(yīng)用二值形態(tài)學(xué)“閉合”算子，可得最終的模糊區(qū)域。從梯度圖像的分段區(qū)域BR和TR的二值掩碼：A-真實(shí)模糊區(qū)域，B-第一階段粗略BR二值掩碼，C-在第二階段第4步的TR二值掩碼，D最終的模糊區(qū)域?？偨Y(jié)o 模糊特征模糊特征o 基于邊分析的模糊特征4o 局部功率譜曲線2o 梯度分布曲線2o 最大色彩飽和度2o 奇異值特征1o 基于小波變換的特征3引用o1 B. Su, S. Lu, and C. L

10、. Tan, “Blurred image region detection and classification,” in Proc. Association for Computing Machinery, ACM Multimedia, 2011, pp. 1397-1400. o2 R. Liu, Z. Li, and J. Jia, “Image partial blur detection and classification,” in Computer Vision and Pattern Recognition, 2008. IEEE Conference on , 2008,

11、 pp. 18.o3 Kanchev, V.; Tonchev, K.; Boumbarov, O., Blurred image regions detection using wavelet-based histograms and SVM, Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 2011 IEEE 6th International Conference on , vol.1, no., pp.457,461, 15-17 Sept. 2011o4 Yun-Chung Chung; Jung-Ming Wang; Bailey, R.R.; Sei-Wang Chen; Shyang-Lih Chang, A non-parametric