无人机模糊图像自动检测方法

发布时间：2019-07-13 15:04

【摘要】：图像模糊程度是图像评价的一个关键指标参数,它影响着图像的质量和信息。特别对于无人机拍摄的图像,如果利用模糊的图像参与计算,会造成很大的误差甚至出现颠覆性的结果。因此对于图像模糊的检测显得至关重要。传统的图像模糊检测方法大都基于人工检测、且有合格的参考图像参与评价过程,方法耗时、费力,无法用于大量无人机拍摄图像的分析。因此本文基于Sobel边缘检测原理,利用4个方向的Sobel算子,寻找图像中每个Sobel边缘点的模糊邻域,并构建模糊邻域宽度值的计算准则,由此来计算出整幅图像的平均模糊邻域宽度值,并将这个计算结果作为检测模糊的直接依据。同时考虑到无人机拍摄图像的特点,将其按照拍摄时间顺序排列,依次将相邻图像互为参考,通过对比互为参考图像的模糊邻域宽度值的变化情况,将宽度值突变的图像确定为模糊图像。据此对无人机拍摄的所有图像进行模糊检测。最终通过7组2322张图像进行自动检测发现151张图像模糊,通过人工检测发现158张图像模糊,平均检测率95.57%。该检测方法具有较强的适用性。
文内图片：

图片说明：中畔⒗雌兰弁?像的视觉感知质量，而无需参考图像像素级别信息[12]。常用的方法有基于降质特性提取法和基于图像嵌入信息失真法[13]。无参考的模糊图像评价法主要是在没有参考图像等任何先验知识的情况下，直接对图像进行模糊评价的方法，，是对图像引入失真的一种盲估计[14-15]。目前人们对大脑认知过程的理解还很局限，因此无参考的评价方法相对于全参考或部分参考的评价方法而言更加困难[16]。3.2模糊图像的像素灰度值分析本文针对无人机图像中常见的2种模糊图像进行实验与分析。具体实验图像如图1所示。图1中的3幅图像的大小为40×40像元。其中B1为原始的清晰图像，它由白色背景和黑色竖线共同组成。B2、B3是清晰图像B1经过不同类型模糊处理后的图像。其中B2为运动模糊处理后的图像，B3为离焦模糊处理后的图像。这3幅图像水平方向上的像元变化趋势如图2，具体像元值见表1。从图2中可以看出，3幅图像水平方向上像元灰度值的变化趋势由左向右依次是先平缓，再下降，然后上升，最后平的趋势。其中下降和上升的图1不同类型的模糊图像与原始清晰图像Fig.1Blurandoriginalimagesofdifferenttypes964
文内图片：

图片说明：鈉斜咴导觳馐窃对恫还?的。所以在这2个方向模板的基础上，增加2个对表13幅图像水平方向上的像元灰度值分布Tab.1Thedistributionofpixeldataofhorizontaldirectionin3images类型\像元列清晰图像B1运动模糊B2离焦模糊B3…………1425425525515254247250162542212411725516619118240130158191781106200455921114541220816423013011224255166149252542211952625424723327254255255…………图23幅图像水平剖线上像元的灰度值分布趋势Fig.2Thetrendofpixeldataofhorizontaldirectionin3images965
【作者单位】：首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室;城市环境过程与数字模拟国家重点实验室培育基地;
【基金】：国家自然科学基金项目(41301468) 首都师范大学青年科研创新团队项目
【分类号】：TP391.41

【相似文献】