實(shí)時(shí)視頻圖像的清晰度檢測算法研究

實(shí)時(shí)視頻圖像的質(zhì)量分析已成為眾多應用領(lǐng)域性能好壞的關(guān)鍵因素之一，因此實(shí)時(shí)視頻圖像的清晰度檢測變得尤為重要。目前針對實(shí)時(shí)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止的圖像?，F有的圖像清晰度檢測算法大致分為空域和頻域兩類(lèi)。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(lèi)算法計算簡(jiǎn)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[1-2]。此類(lèi)算法的檢測效果好，但計算復雜度高、計算時(shí)間長(cháng)，不適合應用在基于軟件實(shí)現的實(shí)時(shí)檢測系統中。

當前對實(shí)時(shí)視頻圖像的一種重要應用是對運動(dòng)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(dòng)能量法[3]，其中最簡(jiǎn)單而又快捷的方法是背景差法。其基本思想是通過(guò)對輸入圖像與背景圖像進(jìn)行比較來(lái)分割運動(dòng)目標，關(guān)鍵環(huán)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(shí)時(shí)視頻圖像的清晰度檢測，基于實(shí)時(shí)視頻圖像背景基本保持不變的環(huán)境。通過(guò)比較上述算法，針對實(shí)時(shí)視頻圖像的特點(diǎn)，提出一種基于背景提取與Sobel算子相結合的實(shí)時(shí)視頻圖像的清晰度檢測算法。

1 實(shí)時(shí)視頻圖像的清晰度檢測算法原理

當視頻播放畫(huà)面超過(guò)24幀/s時(shí)，根據視覺(jué)暫留原理，人眼無(wú)法辨別每幅單獨的靜態(tài)畫(huà)面，看上去是平滑連續的視覺(jué)效果。視頻中的事物通常分為靜止和運動(dòng)兩類(lèi)，連續多幀畫(huà)面中保持靜止的物體可視為靜止的背景，連續多幀畫(huà)面中位置變化的物體可視為運動(dòng)的前景。因此，實(shí)時(shí)視頻圖像中的每幀圖像都可以劃分為靜止的背景和運動(dòng)的前景兩類(lèi)區域。由于視頻序列圖像中運動(dòng)的前景區域隨機變化，引起圖像像素點(diǎn)梯度值的隨機改變，使得實(shí)時(shí)視頻圖像的清晰度檢測較難實(shí)現。因此，本文的算法是利用實(shí)時(shí)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(shí)時(shí)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(diǎn)構成，每個(gè)像素點(diǎn)都有一個(gè)對應的像素值，這個(gè)值在一段時(shí)間內保持不變；運動(dòng)的前景區域由灰度值變化較大的像素點(diǎn)構成，各像素點(diǎn)在不同的幀圖像中的位置改變，形成運動(dòng)軌跡。背景提取的目標就是根據實(shí)時(shí)視頻圖像中像素值的上述特點(diǎn)，找出圖像中背景像素點(diǎn)的值。采用多幀圖像累加平均的方法來(lái)獲取圖像的背景，從統計學(xué)角度，運動(dòng)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(dòng)物體，獲得靜止的背景圖片。背景圖像的計算公式為：

式中，f(x，y)為圖像灰度，g_x和g_y可以用卷積模板來(lái)實(shí)現，如圖1所示。

傳統的邊緣檢測中，Sobel算子利用如圖1的水平和垂直兩個(gè)方向的模板，但實(shí)際情況中的梯度方向是未知的，因此利用兩個(gè)方向計算出來(lái)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(gè)，如圖2所示，即0°、45°、90°、135° 4個(gè)方向。雖然繼續增加模板的數量可以進(jìn)一步提高計算精度，但考慮到計算效率，模板數量不宜過(guò)多。

2 算法描述

本算法大致分為三步：

(1)截取一段實(shí)時(shí)視頻圖像，獲取初始背景圖像。
(2)利用當前實(shí)時(shí)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(shí)時(shí)視頻圖像的清晰度評價(jià)值。

算法描述如下：

從實(shí)時(shí)視頻圖像中截取一段時(shí)長(cháng)為1 min的視頻圖像，每5 s進(jìn)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(gè)像素點(diǎn)的灰度值f(x，y)累加求平均，得到實(shí)時(shí)視頻圖像的初始背景圖像。計算公式為：

式中，n為邊緣點(diǎn)的個(gè)數。將value與清晰的實(shí)時(shí)視頻圖像背景的清晰度檢測范圍值(經(jīng)大量的實(shí)時(shí)視頻圖像實(shí)驗得到)比較，若value∈T(α1，α2)，則實(shí)時(shí)視頻圖像是清晰的；若valueT(α1，α2)，則實(shí)時(shí)視頻圖像是模糊的。

3 實(shí)驗結果與分析

目前，大部分的攝像系統都是基于RGB顏色空間，每個(gè)像素點(diǎn)在RGB空間中是一個(gè)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(shí)時(shí)視頻圖像的清晰度檢測。

實(shí)驗程序在PC機上運行，編程軟件是Matlab R2007b，采用的是24位RGB視頻序列，30幀/s，每幀圖片的分辨率是320×240。從實(shí)時(shí)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(jìn)行檢測。

實(shí)驗拍攝的視頻圖如圖3所示。視頻中杯子為移動(dòng)的物體，杯子由視野的右側移動(dòng)到視野的左側，背景物體基本保持不變。圖3中的圖片1和圖片2分別是從實(shí)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(shí)時(shí)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4~9分別是從6段不同的實(shí)時(shí)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(lái)越模糊?；谏鲜霰尘皥D，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M×N，f(x，y)表示(x，y)處的灰度值[6]?？焖贆z測法是先求圖像的灰度均值，分別計算灰度值大于和小于圖像灰度均值的像素點(diǎn)的均值H和L，然后利用評價(jià)因子F=(H-L)/(H+L)來(lái)檢測實(shí)時(shí)視頻圖像的清晰度。

三種算法對實(shí)時(shí)視頻圖像的清晰度檢測結果如表1所示。清晰度評價(jià)值經(jīng)過(guò)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評價(jià)值的變化趨勢與幅度和肉眼觀(guān)測到的事實(shí)基本相符，視頻序列圖像越模糊，清晰度評價(jià)值越小，即實(shí)時(shí)視頻圖像1、2、3的清晰度評價(jià)值在評價(jià)范圍內，實(shí)時(shí)視頻圖像是清晰的，實(shí)時(shí)視頻圖像4、5、6的清晰度評價(jià)值在評價(jià)范圍之外，實(shí)時(shí)視頻圖像是模糊的?？焖贆z測算法對清晰度的敏感度低，視頻很模糊時(shí)，評價(jià)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(shí)間性能，可知Sobel算子清晰度檢測算法與快速算法計算時(shí)間較為接近，平方梯度算法計算時(shí)間最長(cháng)。綜上所述，平方梯度算法評價(jià)效果較好，但實(shí)時(shí)性較差；快速算子計算速率高，但對模糊的靈敏度低；Sobel算子的評價(jià)效果好，實(shí)時(shí)性也符合系統的要求。

為了對實(shí)時(shí)視頻圖像的清晰度進(jìn)行實(shí)時(shí)檢測，針對實(shí)時(shí)視頻圖像的特點(diǎn)，本文提出了采用背景提取和Sobel算子相結合的清晰度檢測算法，該算法在幀圖像清晰度檢測時(shí)計算效率高，能夠自動(dòng)實(shí)時(shí)地完成實(shí)時(shí)視頻圖像的清晰度檢測。但目前此算法僅適用于實(shí)時(shí)視頻圖像中背景基本不變或微小變化的場(chǎng)景。如果背景圖像變化幅度較大，需要調整判斷視頻清晰度的評價(jià)范圍作為新的評價(jià)標準，這也是后續工作的研究重點(diǎn)，以使該算法在更多的場(chǎng)景中應用。