本发明公开了一种利于模糊核估计的图像区域选择方法和系统，其中方法的实现包括：计算模糊图像中每一像素点的相对总变分值并得到其相对总变分映射图；设定阈值确定图像中每一像素点是否为边界像素点；再对模糊图像以及其相对总变分映射图进行采样，得到一系列图像块；最后统计每一图像块中边界像素点的数量并选择出有利于模糊核估计的图像区域。本发明有效解决了现有区域选择方法中存在的过于依赖操作者经验，效率低等问题，自动选择出有利于模糊核估计的图像区域，适用于图像去模糊算法中模糊核估计的应用场合。
1.一种利于模糊核估计的图像区域选择方法，其特征在于，包括：(1)计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
(2)当像素点p的相对总变分值RTV(p)小于阈值时，判定像素点p为边界像素点；否则，判定像素点p为非边界像素点；
(3)对模糊图像B及其相对总变分映射图Brtv进行采样，得到图像块Bi和映射图像块截取图像块后得到一个图像块集合PB＝{B1,B2,…,Bi}以及映射图像块的集合(4)统计每个映射图像块 中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块 对应的图像块Bi*为利于模糊核估计的图像区域；
RTV(p)＝|RTVx(p)|+|RTVy(p)|或
其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
2.如权利要求1所述的一种利于模糊核估计的图像区域选择方法，其特征在于，所述像素点p在水平方向上的相对总变分值为：其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点， 表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp,q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
3.如权利要求1或2所述的一种利于模糊核估计的图像区域选择方法，其特征在于，所述步骤(3)的具体实现方式为：对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块 从左至右、从上至下
截取图像块后可得到一个图像块集合PB＝{B ,B ,…,B }以及映射图像块的集合
4.一种利于模糊核估计的图像区域选择系统，其特征在于，包括：相对总变分模块，用于计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
判定模块，用于当像素点p的相对总变分值RTV(p)小于阈值时，判定像素点p为边界像素点；否则，判定像素点p为非边界像素点；
采样模块，用于对模糊图像B及其相对总变分映射图Brtv进行采样，得到图像块Bi和映射图像块 截取图像块后得到一个图像块集合PB＝{B1,B2,…,Bi}以及映射图像块的集合区域选择模块，用于统计每个映射图像块 中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块 对应的图像块Bi*为利于模糊核估计的图像区域；
RTV(p)＝|RTVx(p)|+|RTVy(p)|或
其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
5.如权利要求4所述的一种利于模糊核估计的图像区域选择系统，其特征在于，所述像素点p在水平方向上的相对总变分值为：其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点， 表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp,q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
6.如权利要求4或5所述的一种利于模糊核估计的图像区域选择系统，其特征在于，所述采样模块的具体实现方式为：对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块 从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1,B2,…,Bi}以及映射图像块的集合
一种利于模糊核估计的图像区域选择方法和系统
技术领域
[0001] 本发明属于图像处理、模式识别领域，更具体地，涉及一种利于模糊核估计的图像区域选择方法和系统。
背景技术
[0002] 图像模糊是一种常见的图像退化现象，其产生的原因有很多，如：相机与拍摄场景在曝光时发生相对运动(运动模糊)、空气中因高温等原因出现湍流(湍流模糊)以及相机与场景距离和清晰成像焦距存在差异(失焦模糊)等。模糊的图像不仅在视觉上产生较差的观赏体验，而且在一些需要利用图像进行的计算机视觉任务(如图像分类、目标跟踪等)中影响其准确性。因此，将模糊图像进行校正(也称图像去模糊)技术已成为图像处理、模式识别领域中的一大关键。
[0003] 图像模糊的过程通常被建模为一个清晰图像与模糊核(也称点扩展函数)进行二维线性卷积。图像去模糊的目的是根据已获得的模糊图像估计出其潜在的清晰图像。目前的图像去模糊技术通常基于最大化后验概率的最小二乘估计，并且采用“两阶段法”估计清晰图像。“两阶段法”首先利用图像中的相关信息采用盲反卷积估计出模糊核，再利用估计出的模糊核采用非盲反卷积估计出清晰图像。图像中的大尺度、强边界区域包含较为丰富的模糊核信息，有利于模糊核的估计；而图像中的平滑、纹理区域对模糊核估计无帮助、甚至会影响模糊核估计的准确度。因此，选择一个有利于模糊核估计的图像区域至关重要。对于图像区域的选取方法主要包括三类：(1)全图输入，该方法直接将全图作为输入对模糊核进行估计，当图中平滑区域、纹理区域较多时，模糊核估计结果往往不准确，并且全图输入会使计算量增大；(2)基于经验选取结构区域较多的图像块，该方法通常依赖于操作者的经验，通过“试错法”选取图像区域，无科学依据且效率较低。(3)自动选择，采用的机器学习的方法，此过程包含训练与推断两个部分，训练部分需要大量的数据且耗时较长。
[0004] 由此可见，现有技术存在图像区域选择依赖操作经验、无科学依据、效率低的技术问题。
发明内容
[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种利于模糊核估计的图像区域选择方法和系统，由此解决现有技术存在图像区域选择依赖操作经验、无科学依据、效率低的技术问题。
[0006] 为实现上述目的，按照本发明的一个方面，提供了一种利于模糊核估计的图像区域选择方法，包括：
[0007] (1)计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
[0008] (2)当像素点p的相对总变分值RTV(p)小于阈值时，判定像素点p为边界像素点；否则，判定像素点p为非边界像素点；
[0009] (3)对模糊图像B及其相对总变分映射图Brtv进行采样，得到图像块Bi和映射图像块 截取图像块后得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合[0010] (4)统计每个映射图像块 中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块 对应的图像块 为利于模糊核估计的图像区域。
[0011] 进一步的，相对总变分值RTV(p)为：
[0012] RTV(p)＝|RTVx(p)|+|RTVy(p)|
[0013] 或
[0014]
[0015] 其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
[0016] 进一步的，像素点p在水平方向上的相对总变分值为：
[0017]
[0018] 其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点， 表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp，q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
[0019] 像素点p在竖直方向上的相对总变分值为：
[0020]
[0021] 其中， 表示像素点q在竖直方向上的偏导数。
[0022] 进一步的，步骤(3)的具体实现方式为：
[0023] 对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块 从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合[0024] 按照本发明的另一方面，提供了一种利于模糊核估计的图像区域选择系统，包括：
[0025] 相对总变分模块，用于计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
[0026] 判定模块，用于当像素点p的相对总变分值RTV(p)小于阈值时，判定像素点p为边界像素点；否则，判定像素点p为非边界像素点；
[0027] 采样模块，用于对模糊图像B及其相对总变分映射图Brtv进行采样，得到图像块Bi和映射图像块 截取图像块后得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合
[0028] 区域选择模块，用于统计每个映射图像块 中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块 对应的图像块 为利于模糊核估计的图像区域。
[0029] 进一步的，相对总变分值RTV(p)为：
[0030] RTV(p)＝|RTVx(p)|+|RTVy(p)|
[0031] 或
[0032]
[0033] 其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
[0034] 进一步的，像素点p在水平方向上的相对总变分值为：
[0035]
[0036] 其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点， 表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp，q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
[0037] 像素点p在竖直方向上的相对总变分值为：
[0038]
[0039] 其中， 表示像素点q在竖直方向上的偏导数。
[0040] 进一步的，采样模块的具体实现方式为：
[0041] 对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块 从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合[0042] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0043] (1)本发明通过相对总变分的度量方式选取有利于模糊核估计的图像区域，能提升其估计结果的准确性。
[0044] (2)本发明可以自动地选择有利于模糊核估计的图像区域，克服了现有方法依赖操作者经验，效率较低的缺点。
[0045] (3)本发明中通过相对总变分的度量方式确定像素点是否为边界像素点，并通过统计图像区域中的边界像素点判定其是否为有利于模糊核估计的图像区域，方法简洁清楚，因此本发明尤其适用于图像去模糊算法中模糊核估计的输入图像选取。
附图说明
[0046] 图1是本发明实施例提供的一种利于模糊核估计的图像区域选择方法的流程图；
[0047] 图2(a)为模糊图像以及其真实的模糊核，图2(b)为利用全图进行的模糊核估计并复原的图像结果，图2(c)为本发明实施例提供的选择一个图像区域进行模糊核估计并复原的图像结果。
具体实施方式
[0048] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0049] 如图1所示，为本发明利于模糊核估计的图像区域选择方法总流程图，本发明方法具体包括以下步骤：
[0050] (1)计算模糊图像B中每一像素点p的相对总变分值RTV(p)得到与模糊图像尺寸相同的相对总变分映射图Brtv；
[0051] (2)设定一阈值threshold，当像素点p的相对总变分值RTV(p)小于阈值时，则判定其为边界像素点；反之，则为非边界像素点；
[0052] (3)对模糊图像B及其相对总变分映射图Brtv进行重叠像素式的采样，采用滑动窗口的方式，每滑动s个像素，截取一个尺寸为m×m图像块Bi及映射图像块 从左至右、从上至下截取图像块后可得到一个图像块集合PB＝{B1，B2，…，Bi}以及映射图像块的集合[0053] (4)统计每个映射图像块 中边界像素点的个数，并在集合中找到含有边界像素点个数最多的映射图像块 其对应的图像块 则为本方法选择出的利于模糊核估计的图像区域。
[0054] 优选地，在步骤(2)中，我们将阈值threshold设定为0.1，若像素点p的相对总变分值RTV(p)小于0.1时，则判定其为边界像素点；反之，则为非边界像素点；
[0055] 优选地，在步骤(3)中，设定滑动像素s为20，图像块Bi的尺寸为200×200。
[0056] 优选的，相对总变分值RTV(p)为：
[0057] RTV(p)＝|RTVx(p)|+|RTVy(p)|
[0058] 或
[0059]
[0060] 其中，RTVx(p)表示像素点p在水平方向上的相对总变分值，RTVy(p)表示像素点p在竖直方向上的相对总变分值。
[0061] 像素点p在水平方向上的相对总变分值为：
[0062]
[0063] 其中，R(p)表示以像素点p为中心的邻域，q表示邻域中的像素点， 表示像素点q在水平方向上的偏导数，ε为一无穷小量，保证上式分母不为零，gp，q为一权重函数，其取值与像素点q和像素点p之间的距离成反比；
[0064] 像素点p在竖直方向上的相对总变分值为：
[0065]
[0066] 其中， 表示像素点q在竖直方向上的偏导数。
[0067]
[0068] 式中，xp为像素点p的横坐标，yp为像素点p的纵坐标，xq为像素点q的横坐标，yq为像素点q的纵坐标，exp(·)为指数函数，σ为标准差。
[0069] 图2为利于模糊核估计的图像区域选择结果示意图，图2(a)为模糊图像以及其真实的模糊核，图2(b)为利用全图进行的模糊核估计并复原的图像结果，图2(c)为利用本发明提出的方法，选择一个图像区域进行模糊核估计并复原的图像结果。从图2可以看出，通过执行本发明中的利于模糊核估计图像区域选择方法，选择一个图像区域进行模糊核估计，可得到较利用全图估计的更准确的模糊核估计结果，并且利用所估计出的模糊核进行图像复原的结果也较理想。对比图2中的复原结构，可知本发明技术方案可自动选择出一个具有较多边界区域的图像块进行模糊核估计，得到较为准确理想的估计结果以及复原效果，显著提升了各算法复原效率，因而尤其适用于图像去模糊领域。
[0070] 本发明采用相对总变分的度量方法选择出模糊图像中富含“大尺度、强边界”的结构区域作为图像去模糊算法中模糊核估计阶段的输入，提升了模糊核估计的准确性以及操作效率，有效解决了现有方法中存在的图像区域选择依赖操作经验、无科学依据、效率低等问题。
[0071] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
