运动模糊图像的分析与判别方法与流程

1.本发明涉及图像处理和计算机视觉技术领域，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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.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：
7.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；
8.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；
9.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；
10.步骤4：确定模糊判别阈值，用以判别图像的模糊度。
11.可选地，所述步骤1包括：
12.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：
13.p(x,y)＝i(x,y)*h(x,y)
[0014][0015]
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；
[0016]
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：
[0017][0018]
可选地，所述步骤2包括：
[0019]
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：
[0020][0021]
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：
[0022][0023]
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。
[0024]
可选地，所述步骤3包括：
[0025]
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：
[0026]gx
(i,j)=|f(i+1,j)-f(i,j)|
[0027]gy
(i,j)＝|f(i,j+1)-f(i,j)|
[0028]
其中，g
x
(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；
[0029]
引入模糊判别度量bim，计算公式如下：
[0030][0031]
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。
[0032]
可选地，所述步骤4中的模糊判别阈值t的计算公式如下：
[0033][0034]
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。
[0035]
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：
[0036]
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；
[0037]
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；
[0038]
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；
[0039]
判别模块，用于确定模糊判别阈值，用以判别图像的模糊度。
[0040]
可选地，所述模型构建模块，具体用于：
[0041]
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：
[0042]
p(x,y)＝i(x,y)*h(x,y)
[0043][0044]
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；
[0045]
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：
[0046][0047]
可选地，所述匹配度确定模块，具体用于：
[0048]
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：
[0049][0050]
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：
[0051]
[0052]
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。
[0053]
可选地，所述模糊判别度量模块，具体用于：
[0054]
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：
[0055]gx
(i,j)＝|f(i+1,j)-f(i,j)|
[0056]gy
(i,j)＝|f(i,j+1)-f(i,j)|
[0057]
其中，g
x
(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；
[0058]
引入模糊判别度量bim，计算公式如下：
[0059][0060]
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。
[0061]
可选地，模糊判别阈值t的计算公式如下：
[0062][0063]
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。
[0064]
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：
[0065]
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。
[0066]
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。
[0067]
与现有技术相比，本发明具有如下的有益效果：
[0068]
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。
附图说明
[0069]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0070]
图1为本发明图像运动模糊及其成像过程示意图；
[0071]
图2(a)为本发明清晰图像示意图；
[0072]
图2(b)为本发明运动模糊图像示意图；
[0073]
图3(a)为本发明清晰图像与运动模糊图像在x方向的梯度分布示意图；
[0074]
图3(b)为本发明清晰图像与运动模糊图像在y方向的梯度分布示意图；
[0075]
图4为本发明不同场景的清晰图像与运动模糊图像的模糊判别度量示意图。
具体实施方式
[0076]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0077]
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。
[0078]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0079]
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0080]
下面以具体地实施例对本发明的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
[0081]
下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0082]
首先，本发明对运动模糊图像的成因进行分析与建模。成像设备采集图像时，因为在曝光时间内成像设备与目标物体或场景之间发生相对运动导致像素产生位移，从而使得图像产生模糊，通常被称为图像运动模糊，其原理如图1所示。在图1中，假设目标物体固定，成像设备运动。同时，当成像设备与目标物体相对静止时，则图1中的m点将投影到m点，n点将投影到n点。当成像设备与目标物体发生相对运动时，且成像设备沿成像平面水平移动(即夹角θ＝0
°
)，那么m点将投影到m
′
点，n点将投影到n
′
点。由成像设备移动引起的相对位移会导致物体的投影发生相对偏移，从而使图像产生运动模糊。
[0083]
在客观世界中，变速或非线性运动在一定的时空条件下能够分解成分段的匀速直线运动。因此，在成像设备匀速直线运动条件下建立的运动模糊图像退化模型更具有普适
性。
[0084]
假设在采集图像的过程中，外界环境条件无异常、成像设备无故障且相机聚焦正常，则采用时间t来表示成像目标和图像的运动特性。m(x,y,t)表示某一时刻的成像目标，p(x,y,t)表示采集图像与曝光时间之间的关系。由于这种关系能够表示为成像目标在某一具体时间段内的积分。因此，可以得到以下表示：
[0085]
p(x,y,t)＝∫m(x,y,t)dt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0086]
如果成像设备是静止的，那么m(x,y,t)＝i(x,y)。如果成像设备是运动的，那么m(x,y,t)＝i(x-x0(t),y-y0(t))。同时，x0(t)和y0(t)是像素位置由于运动变化而在图像平面x和y方向上产生的偏移量，t表示运动时间。因此，最终获取的图像p(x,y)能够表示为成像目标m(x,y,t)在曝光时间t内连续成像的叠加，并将运动情况下m(x,y,t)的表达式代入式(1)：
[0087][0088]
从该模型可以推断出最终获取图像p(x,y)的模糊程度取决于图像像素偏移量，且与时间t有关。假设以成像平面的水平方向为x轴且成像设备在x方向做匀速直线运动，则式(2)可以简化为：
[0089][0090]
如果可以通过测量得到总运动时间(即曝光时间)t和图像总位移k，那么x方向运动的位移分量能够表示为x0(t)＝kt/t，同时代入式(3)可以得到以下表达式：
[0091][0092]
鉴于成像过程中模糊图像的叠加性和离散性，那么式(4)可以改写为如下形式：
[0093][0094]
其中，δt是每个像素点对于图像模糊效果的时间影响因子。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(注：当位移像素个数不为整数时，则四舍五入取整)。然而，在日常应用中，很难确定成像设备的移动速度和成像设备的曝光时间等参数。所以，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成距离因素，同时可以将式(5)简化为：
[0095][0096]
假设不考虑噪声干扰的影响，则可以将图像退化模型进行简化，如式(7)所示。将式(6)以卷积的形式进行重新表示，可以得到匀速直线运动过程中的运动模糊图像退化模型：
[0097]
p(x,y)＝i(x,y)*h(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0098][0099]
其中，h(x,y)为模糊算子或点扩散函数。如果成像平面与成像设备的运动方向之
间存在夹角θ，运动模糊图像退化模型的h(x,y)可以表示为：
[0100][0101]
基于以上分析，建立了运动模糊图像的数学模型以为后续的去模糊研究提供理论依据。此外，本发明将清晰图像与运动模糊图像进行了对比，如图2(a)和图2(b)所示。
[0102]
然后，本发明分析了模糊图像对特征点提取的影响。以surf特征点为例，分析模糊图像对surf特征点提取的影响。在surf算法中，提取特征点的数量主要取决于检测到的关键点数。surf算法获取关键点时，首先需要构建hessian矩阵。hessian矩阵是surf算法的核心。在数学中，hessian矩阵是一个由二阶偏导数组成的方块矩阵，描述了函数的局部曲率。对于图像i(x,y)，其hessian矩阵为：
[0103][0104]
由于噪声的存在，在构造hessian矩阵前需要对图像进行高斯滤波，经过滤波后的图像为l(x,σ)。给定图像i中的一点x＝(x,y)，x处的hessian矩阵h(x,σ)在尺度σ下定义为：
[0105][0106]
其中，l
xx
(x,σ)为高斯二阶导数与包含点x的图像i的卷积。然后，可以利用相同的方法得到l
xy
(x,σ)和l
yy
(x,σ)。此外，hessian矩阵的判别式为：
[0107][0108]
当判别式在x＝(x,y)位置上取得局部极大值或极小值时(当前像素点比周围邻域内其他像素点更亮或更暗)，则x＝(x,y)为关键点位置。此外，surf算法使用了盒式滤波器来近似替代高斯滤波器以降低算法复杂度。但是，关键点的检测方法不变。
[0109]
通过以上分析可知，surf算法检测关键点的核心是通过对比来选取局部范围内与领域点差异较大的像素点为关键点。但是，由图2(b)可知，由于像素位移导致图像中的关键点与领域内其他点的对比度降低，从而导致了一些关键点的丢失。因此，可以得出结论，即由于关键点数量的减少导致了从模糊图像可提取的特征点数量减少。
[0110]
接下来，本发明分析运动模糊图像对特征匹配的影响。在实际应用中，常采用欧氏距离计算特征点之间的匹配度。因此，针对清晰图像与其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：
[0111][0112]
针对运动模糊图像与其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：
[0113][0114]
其中，δu表示向量坐标由于运动产生的偏移量。由以上两式对比可知，由于像素位移导致图像产生运动模糊，即位移增量的存在使得运动模糊图像与其匹配图像中的匹配特征点之间的欧氏距离变长，进而导致两个特征点之间的匹配度变差。针对像素位移较大的运动模糊图像，与其匹配图像中的特征点甚至会出现无法匹配或误匹配等情况，这将对后续的任务产生严重影响。
[0115]
最后，本发明提出了一种模糊判别方法，其目的是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。因此，在处理模糊图像之前需要进行模糊判别。图像f的梯度可以通过下式计算：
[0116]gx
(i,j)＝|f(i+1,j)-f(i,j)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0117]gy
(i,j)＝|f(i,j+1)-f(i,j)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0118]
其中，g
x
(i,j)表示图像f在x方向的梯度，gy(i,j)表示图f在y方向的梯度。清晰图像与运动模糊图像的梯度概率分布如图3a)和图3b)所示。
[0119]
本发明利用清晰图像梯度与运动模糊图像梯度之间的差异对两者进行区分，同时引入模糊判别度量(blur identification metric，bim)：
[0120][0121]
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则表示这两个方向的非零梯度值总个数。
[0122]
从图3(a)和图3(b)可以看出，清晰图像的梯度值较大，而运动模糊图像的梯度值较小。由此可知，清晰图像的bim值较大，而运动模糊图像的bim值较小。因此，本发明基于此特性设定模糊判别阈值t。若bim》t，则判定该图像为清晰图像并无需后续处理。若bim≤t，则判定该图像为模糊图像，需要进行后续的去模糊处理。需要说明的是，模糊判别阈值的设定与实验场景和实验数据集有关。
[0123]
本发明模糊判别阈值的具体选取方法及结果如图4所示。本发明以hit-tum数据集为例来说明模糊判别阈值的选取情况。hit-tum数据集组合了不同场景图像以形成一个综合视觉数据集。该数据集由1000幅图像组成，共包括四个场景，场景的详细信息如表1所示。
[0124]
表1不同场景的对比
[0125]
[0126]
针对hit-tum数据集中的四个场景，均生成清晰与模糊的图像对。然后，每个场景中选取三分之二的图像对进行仿真实验以获得不同场景中的模糊判别阈值t。接下来，利用每个场景中剩余的三分之一图像对进行测试以验证每个实验场景中模糊判别阈值的适用性。最后，基于不同场景中的模糊判别阈值获取适用于整个数据集的阈值。整个hit-tum数据集的模糊判别阈值的计算方法如下所示：
[0127][0128]
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。针对hit-tum数据集，其模糊判别阈值选取情况如图4所示。
[0129]
在图4中，不同场景中选取的bim值分别是所有清晰图像中的最小值与所有模糊图像中的最大值。因此，由式(18)计算可知，hit-tum数据集的模糊判别阈值选为t＝4，该阈值适用于hit-tum数据集中的所有场景。如果一幅图像的bim值小于或等于4，则判定该图像为模糊图像，则需要去模糊处理。否则，该图像为清晰图像，则直接进行后续的任务。
[0130]
本实施例中的方法，通过运动模糊图像的分析与建模，然后分析了模糊图像对特征点提取与匹配的影响，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。从而有效解决了运动模糊图像的分析与判别问题，推动了图像去模糊算法的研究和应用。打破了无法对运动模糊图像进行快速有效判别的技术瓶颈，为后续的去模糊研究提供了理论依据。
[0131]
需要说明的是，所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
[0132]
此外，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外，该asic可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
[0133]
本技术还提供一种程序产品，程序产品包括计算机程序，计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得服务器实施上述本发明实施例任一的方法。
[0134]
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储
器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0135]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

技术特征：
1.一种运动模糊图像的分析与判别方法，其特征在于，包括：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；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；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；步骤4：确定模糊判别阈值，用以判别图像的模糊度。2.根据权利要求1所述的运动模糊图像的分析与判别方法，其特征在于，所述步骤1包括：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：p(x,y)βi(x,y)*h(x,y)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；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：3.根据权利要求1所述的运动模糊图像的分析与判别方法，其特征在于，所述步骤2包括：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：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：其中，δu表示向量坐标由于运动产生的偏移量，u
i
表示清晰图像的第i个特征点，v
i
表示待匹配图像的第i个特征点，n表示特征点的数量。4.根据权利要求1所述的运动模糊图像的分析与判别方法，其特征在于，所述步骤3包括：
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：g
x
(i,j)=|f(i+1,j)-f(i,j)|g
y
(i,j)＝|f(i,j+1)-f(i,j)|其中，g
x
(i,j)表示图像f(i，j)在x方向的梯度，g
y
(i,j)表示图f(i，j)在y方向的梯度；引入模糊判别度量bim，计算公式如下：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，g
n
表示x方向和y方向的非零梯度值总个数。5.根据权利要求1所述的运动模糊图像的分析与判别方法，其特征在于，所述步骤4中的模糊判别阈值t的计算公式如下：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。6.一种运动模糊图像的分析与判别装置，其特征在于，包括：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；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；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；判别模块，用于确定模糊判别阈值，用以判别图像的模糊度。7.一种运动模糊图像的分析与判别设备，其特征在于，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：执行权利要求1至5任一项所述的运动模糊图像的分析与判别方法的步骤。8.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至5任一项所述的运动模糊图像的分析与判别方法的步骤。

技术总结
本发明提供了一种运动模糊图像的分析与判别方法，包括：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；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；基于清晰图像和运动模糊图像的特征，引入模糊判别度量；确定模糊判别阈值，用以判别图像的模糊度。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。复。复。


技术研发人员：贾爽 季佳宇 罗铿 汪庆武 郇钲
受保护的技术使用者：上海航天电子通讯设备研究所
技术研发日：2023.06.26
技术公布日：2023/9/23