1、實時視頻圖像的清晰度檢測算法研究實時視頻圖像的清晰度檢測算法研究類別：無線通信摘要： 針對實時視頻圖像的清晰度檢測問題，提出了一種背景提取和Sobel 算子清晰度檢測相結合的方法。采用多幀圖像疊加平均的方法獲取背景圖片，然后將邊緣檢測中經典的Sobel 算子應用于視頻圖像清晰度檢測。為提高價值的精確度，計算模板由2 個增加到4 個。實驗結果表明，此方法具有良好的檢測效果，計算速率可以滿足系統實時性的要求。 實時視頻圖像的質量分析已成為眾多應用領域性能好壞的關鍵因素之一， 因此實時視頻圖像的清晰度檢測變得尤為重要。目前針對實時視頻圖像清晰度檢測的研究較少， 圖像清晰度檢測算法的研究對象主要針對靜

2、止的圖像。現有的圖像清晰度檢測算法大致分為空域和頻域兩類。在空域中多采用基于梯度的算法， 如拉普拉斯(Laplace) 算法、差分平方和(SPSMD) 算法、Sobel 算子等。此類算法計算簡潔、快速、抗噪性能好、可靠性較高。在頻域中多采用圖像的FFT 變換( 或其他變換)， 如功率譜(Power-spectra) 算法等。此類算法的檢測效果好， 但計算復雜度高、計算時間長， 不適合應用在基于軟件實現的實時檢測系統中。 當前對實時視頻圖像的一種重要應用是對運動目標的檢測， 常用的目標檢測方法有幀差法、背景減法、光流法及運動能量法， 其中最簡單而又快捷的方法是背景差法。其基本思想是通過對輸入圖像

3、與背景圖像進行比較來分割運動目標， 關鍵環節是背景圖像的提取。目前常用的背景提取方法有多幀圖像平均法、灰度統計法、中值濾波法、基于幀差的選擇方法、單高斯建模等。 參考文獻4中對以上算法做了充分的研究。本文是針對實時視頻圖像的清晰度檢測， 基于實時視頻圖像背景基本保持不變的環境。通過比較上述算法， 針對實時視頻圖像的特點， 提出一種基于背景提取與Sobel 算子相結合的實時視頻圖像的清晰度檢測算法。 1 實時視頻圖像的清晰度檢測算法原理 當視頻播放畫面超過24 幀/s 時，根據視覺暫留原理，人眼無法辨別每幅單獨的靜態畫面， 看上去是平滑連續的視覺效果。視頻中的事物通常分為靜止和運動兩類，連續多幀

4、畫面中保持靜止的物體可視為靜止的背景， 連續多幀畫面中位置變化的物體可視為運動的前景。因此， 實時視頻圖像中的每幀圖像都可以劃分為靜止的背景和運動的前景兩類區域。由于視頻序列圖像中運動的前景區域隨機變化，引起圖像像素點梯度值的隨機改變，使得實時視頻圖像的清晰度檢測較難實現。因此， 本文的算法是利用實時視頻圖像中靜止的背景區域檢測視頻序列圖像的清晰度， 即由背景提取和清晰度檢測兩部分組成。 1.1 實時視頻圖像的背景提取 由參考文獻5 可知， 視頻序列中幀圖像的靜止背景區域由灰度值變化較小的像素點構成， 每個像素點都有一個對應的像素值， 這個值在一段時間內保持不變； 運動的前景區域由灰度值變化較

5、大的像素點構成， 各像素點在不同的幀圖像中的位置改變， 形成運動軌跡。背景提取的目標就是根據實時視頻圖像中像素值的上述特點， 找出圖像中背景像素點的值。采用多幀圖像累加平均的方法來獲取圖像的背景， 從統計學角度， 運動物體可視為隨機噪聲， 而均值可以降噪， 采用多幀圖像累加取均值可消除運動物體， 獲得靜止的背景圖片。背景圖像的計算公式為： 式中，N 為視頻序列中截取的圖片幀數，gi (x，y)表示圖像像素(x ，y)的灰度值。隨著疊加幀數N 的增加， 靜止的背景不變， 運動的物體逐漸消失。幀數越多， 獲得的背景效果越好。在實際的處理中，25 幀圖像迭代可得到較好的結果。 1.2 Sobel 算

6、子清晰度檢測： Sobel 算子清晰度檢測當幀圖像模糊時， 邊界不清晰， 因此利用邊界檢測理論來檢測圖像清晰度。圖像越模糊， 圖像的梯度值越小。經典的邊界檢測方法(如Sobel 梯度算子、Robert 梯度算子等)是構造對像素灰度級階躍變化敏感的微分算子。 本文采用經典的Sobel 算子， 利用33 的方向模板與圖像中每個點進行鄰域卷積來完成， 避免了在像素之間內插點上計算梯度。Sobel 算子為： 式中，f(x，y)為圖像灰度，gx和gy可以用卷積模板來實現，如圖1 所示。 圖1 Sobel 算子卷積模板。 傳統的邊緣檢測中，Sobel 算子利用如圖1 的水平和垂直兩個方向的模板， 但實際情

7、況中的梯度方向是未知的， 因此利用兩個方向計算出來的結果存在一定的誤差。為了提高梯度計算精度， 將模板的數量增加到4 個，如圖2 所示， 即0 、45 、90 、135 4 個方向。雖然繼續增加模板的數量可以進一步提高計算精度， 但考慮到計算效率， 模板數量不宜過多。 2 算法描述 本算法大致分為三步： 圖2 4 個方向的Sobel 算子卷積模板。 (1)截取一段實時視頻圖像，獲取初始背景圖像。 (2)利用當前實時視頻圖像更新初始背景， 獲得待檢測的背景圖像。 (3)根據Sobel 算子計算背景圖像的邊緣梯度值之和，根據閾值判斷背景圖像的清晰度，得到實時視頻圖像的清晰度價值。 算法描述如下：

8、從實時視頻圖像中截取一段時長為1 min 的視頻圖像， 每5 s 進行1 次采樣， 共得到12 幀圖像。為減少計算量， 將采樣得到的12 幀圖像由RGB 空間轉換到灰度空間。對圖像中每個像素點的灰度值f(x，y)累加求平均， 得到實時視頻圖像的初始背景圖像。計算公式為： 為了達到實時檢測的目的，需要利用實時視頻圖像中當前幀圖像不斷更新背景圖像。背景更新的計算公式為： 式中，Image(n+1)為實時視頻圖像中最新的幀圖像，Background(n)和Background (n+1)分別為更新前和更新后的背景圖像。 根據背景圖像中像素點的灰度值， 采用Sobel 算子檢測圖像邊緣， 完成實時視頻

9、圖像清晰度的檢測， 檢測過程如下： (1)根據Sobel 算子的邊緣檢測理論和如圖2 所示的4 個方向模板si (i=1 ，2，3，4)，對圖像中每個像素點進行鄰域卷積計算， 提取像素點4 個方向的邊緣成分， 即： 圖像中每個像素點的梯度值為： (2)將|F|與閾值TN進行比較： 若|F|TN， 則此像素點為邊緣點； 若|F| 式中，n 為邊緣點的個數。將value 與清晰的實時視頻圖像背景的清晰度檢測范圍值( 經大量的實時視頻圖像實驗得到) 比較， 若valueT(1，2)， 則實時視頻圖像是清晰的； 若value埸T(1，2)，則實時視頻圖像是模糊的。 3 實驗結果與分析 目前， 大部分的

10、攝像系統都是基于RGB 顏色空間，每個像素點在RGB 空間中是一個三維矢量。為了減少計算量， 使用灰度圖像序列， 即將彩色視頻序列轉換成灰度視頻序列，基于灰度視頻圖像完成提取背景及實時視頻圖像的清晰度檢測。 實驗程序在PC 機上運行， 編程軟件是MatlabR2007b， 采用的是24 位RGB 視頻序列，30 幀/s， 每幀圖片的分辨率是320240 。從實時視頻圖像中提取背景圖像后， 本文分別采用Sobel 算子、平方梯度法和快速檢測法三種算法對圖像的清晰度進行檢測。 實驗拍攝的視頻圖如圖3 所示。視頻中杯子為移動的物體， 杯子由視野的右側移動到視野的左側， 背景物體基本保持不變。圖3 中

11、的圖片1 和圖片2 分別是從實驗視頻中截取的圖片， 杯子的位置不斷改變， 圖片3 為清晰的實時視頻圖像的背景圖像， 其像素梯度值作為判斷視頻序列圖像清晰度的參考閾值， 如表1 所示。圖3中的圖征49 分別是從6 段不同的實時視頻圖像中提取的背景圖片。6 段視頻序列圖像的清晰度逐漸減弱，其背景圖像也越來越模糊。基于上述背景圖， 本文采用了三種算法：Sobel 算子清晰度檢測、平方梯度算法和快速檢測法。其中Sobel 算子清晰度檢測如文中所述， 平方梯度算法將微分值平方， 計算公式為： 式中， 圖像大小為MN，f(x，y) 表示(x，y) 處的灰度值。 快速檢測法是先求圖像的灰度均值，分別計算灰度

12、值大于和小于圖像灰度均值的像素點的均值H 和L， 然后利用價因子F=(H-L)/(H+L) 來檢測實時視頻圖像的清晰度。 三種算法對實時視頻圖像的清晰度檢測結果如表1所示。清晰度價值經過歸一化處理，便于算法準確度性能的比較。由表1 可知，Sobel 算子清晰度檢測和平方梯度算法的清晰度價值的變化趨勢與幅度和肉眼觀測到的事實基本相符， 視頻序列圖像越模糊， 清晰度價值越小，即實時視頻圖像1、2、3 的清晰度價值在價范圍內，實時視頻圖像是清晰的， 實時視頻圖像4、5、6 的清晰度價值在價范圍之外， 實時視頻圖像是模糊的。快速檢測算法對清晰度的敏感度低， 視頻很模糊時， 價值仍然較大， 不能很好地衡量清晰度的變化幅度。表2 比較了三種算法的時間性能， 可知Sobel 算子清晰度檢測算法與快速算法計算時間較為接近， 平方梯度算法計算時間最長。綜上所述，平方梯度算法價效果較好， 但實時性較差；快速算子計算速率高， 但對模糊的靈敏度低；Sobel 算子的價效果好， 實時性也符合系統的要求。 表1 清晰度比較： 表2 算法計算時間比較： 為了對實時