摘要： 針對(duì)實(shí)時(shí)視頻圖像的清晰度檢測(cè)問(wèn)題，提出了一種背景提取和Sobel 算子清晰度檢測(cè)相結(jié)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(cè)中經(jīng)典的Sobel 算子應(yīng)用于視頻圖像清晰度檢測(cè)。為提高*價(jià)值的度，計(jì)算模板由2 個(gè)增加到4 個(gè)。實(shí)驗(yàn)結(jié)果表明，此方法具有良好的檢測(cè)效果，計(jì)算速率可以滿足系統(tǒng)實(shí)時(shí)性的要求。

　　實(shí)時(shí)視頻圖像的質(zhì)量分析已成為眾多應(yīng)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(cè)變得尤為重要。目前針對(duì)實(shí)時(shí)視頻圖像清晰度檢測(cè)的研究較少， 圖像清晰度檢測(cè)算法的研究對(duì)象主要針對(duì)靜止的圖像?，F(xiàn)有的圖像清晰度檢測(cè)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(jì)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。此類算法的檢測(cè)效果好， 但計(jì)算復(fù)雜度高、計(jì)算時(shí)間長(zhǎng)， 不適合應(yīng)用在基于軟件實(shí)現(xiàn)的實(shí)時(shí)檢測(cè)系統(tǒng)中。

　　當(dāng)前對(duì)實(shí)時(shí)視頻圖像的一種重要應(yīng)用是對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)， 常用的目標(biāo)檢測(cè)方法有幀差法、背景減法、光流法及運(yùn)動(dòng)能量法， 其中簡(jiǎn)單而又快捷的方法是背景差法。其基本思想是通過(guò)對(duì)輸入圖像與背景圖像進(jìn)行比較來(lái)分割運(yùn)動(dòng)目標(biāo)， 關(guān)鍵環(huán)節(jié)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(tǒng)計(jì)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(xiàn)[4]中對(duì)以上算法做了充分的研究。本文是針對(duì)實(shí)時(shí)視頻圖像的清晰度檢測(cè)， 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(duì)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(jié)合的實(shí)時(shí)視頻圖像的清晰度檢測(cè)算法。

　　1 實(shí)時(shí)視頻圖像的清晰度檢測(cè)算法原理

　　當(dāng)視頻播放畫面超過(guò)24 幀/s 時(shí)，根據(jù)視覺(jué)暫留原理，人眼無(wú)法辨別每幅單獨(dú)的靜態(tài)畫面， 看上去是平滑連續(xù)的視覺(jué)效果。視頻中的事物通常分為靜止和運(yùn)動(dòng)兩類，連續(xù)多幀畫面中保持靜止的物體可視為靜止的背景， 連續(xù)多幀畫面中位置變化的物體可視為運(yùn)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(yùn)動(dòng)的前景兩類區(qū)域。由于視頻序列圖像中運(yùn)動(dòng)的前景區(qū)域隨機(jī)變化，引起圖像像素點(diǎn)梯度值的隨機(jī)改變，使得實(shí)時(shí)視頻圖像的清晰度檢測(cè)較難實(shí)現(xiàn)。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(qū)域檢測(cè)視頻序列圖像的清晰度， 即由背景提取和清晰度檢測(cè)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(xiàn)[5] 可知， 視頻序列中幀圖像的靜止背景區(qū)域由灰度值變化較小的像素點(diǎn)構(gòu)成， 每個(gè)像素點(diǎn)都有一個(gè)對(duì)應(yīng)的像素值， 這個(gè)值在一段時(shí)間內(nèi)保持不變； 運(yùn)動(dòng)的前景區(qū)域由灰度值變化較大的像素點(diǎn)構(gòu)成， 各像素點(diǎn)在不同的幀圖像中的位置改變， 形成運(yùn)動(dòng)軌跡。背景提取的目標(biāo)就是根據(jù)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(tǒng)計(jì)學(xué)角度， 運(yùn)動(dòng)物體可視為隨機(jī)噪聲， 而均值可以降噪， 采用多幀圖像累加取均值可消除運(yùn)動(dòng)物體， 獲得靜止的背景圖片。背景圖像的計(jì)算公式為：

　　式中，N 為視頻序列中截取的圖片幀數(shù)，gi (x，y)表示圖像像素(x ，y)的灰度值。隨著疊加幀數(shù)N 的增加， 靜止的背景不變， 運(yùn)動(dòng)的物體逐漸消失。幀數(shù)越多， 獲得的背景效果越好。在實(shí)際的處理中，25 幀圖像迭代可得到較好的結(jié)果。

　　1.2 Sobel 算子清晰度檢測(cè)：

　　Sobel 算子清晰度檢測(cè)當(dāng)幀圖像模糊時(shí)， 邊界不清晰， 因此利用邊界檢測(cè)理論來(lái)檢測(cè)圖像清晰度。圖像越模糊， 圖像的梯度值越小。經(jīng)典的邊界檢測(cè)方法(如Sobel 梯度算子、Robert 梯度算子等)是構(gòu)造對(duì)像素灰度級(jí)階躍變化敏感的微分算子。

　　本文采用經(jīng)典的Sobel 算子， 利用3×3 的方向模板與圖像中每個(gè)點(diǎn)進(jìn)行鄰域卷積來(lái)完成， 避免了在像素之間內(nèi)插點(diǎn)上計(jì)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(lái)實(shí)現(xiàn)，如圖1 所示。

圖1 Sobel 算子卷積模板。

　　傳統(tǒng)的邊緣檢測(cè)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(jì)算出來(lái)的結(jié)果存在一定的誤差。為了提高梯度計(jì)算， 將模板的數(shù)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(xù)增加模板的數(shù)量可以進(jìn)一步提高計(jì)算， 但考慮到計(jì)算效率， 模板數(shù)量不宜過(guò)多。

　　2 算法描述

　　本算法大致分為三步：

圖2 4 個(gè)方向的Sobel 算子卷積模板。

　　(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(dāng)前實(shí)時(shí)視頻圖像更新初始背景， 獲得待檢測(cè)的背景圖像。

　　(3)根據(jù)Sobel 算子計(jì)算背景圖像的邊緣梯度值之和，根據(jù)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*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(zhǎng)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(jì)算量， 將采樣得到的12 幀圖像由RGB 空間轉(zhuǎn)換到灰度空間。對(duì)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(jì)算公式為：

　　為了達(dá)到實(shí)時(shí)檢測(cè)的目的，需要利用實(shí)時(shí)視頻圖像中當(dāng)前幀圖像不斷更新背景圖像。背景更新的計(jì)算公式為：

　　式中，Image(n+1)為實(shí)時(shí)視頻圖像中的幀圖像，Background(n)和Background (n+1)分別為更新前和更新后的背景圖像。

　　根據(jù)背景圖像中像素點(diǎn)的灰度值， 采用Sobel 算子檢測(cè)圖像邊緣， 完成實(shí)時(shí)視頻圖像清晰度的檢測(cè)， 檢測(cè)過(guò)程如下：

　　(1)根據(jù)Sobel 算子的邊緣檢測(cè)理論和如圖2 所示的4 個(gè)方向模板si (i=1 ，2，3，4)，對(duì)圖像中每個(gè)像素點(diǎn)進(jìn)行鄰域卷積計(jì)算， 提取像素點(diǎn)4 個(gè)方向的邊緣成分， 即：

　　圖像中每個(gè)像素點(diǎn)的梯度值為：

　　(2)將|F|與閾值TN進(jìn)行比較： 若|F|≥TN， 則此像素點(diǎn)為邊緣點(diǎn)； 若|F|

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

　　3 實(shí)驗(yàn)結(jié)果與分析

　　目前， 大部分的攝像系統(tǒng)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(jì)算量， 使用灰度圖像序列， 即將彩色視頻序列轉(zhuǎn)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(cè)。

　　實(shí)驗(yàn)程序在PC 機(jī)上運(yùn)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(cè)法三種算法對(duì)圖像的清晰度進(jìn)行檢測(cè)。

　　實(shí)驗(yàn)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(cè)移動(dòng)到視野的左側(cè)， 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(yàn)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(cè)、平方梯度算法和快速檢測(cè)法。其中Sobel 算子清晰度檢測(cè)如文中所述， 平方梯度算法將微分值平方， 計(jì)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。

　　快速檢測(cè)法是先求圖像的灰度均值，分別計(jì)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*價(jià)因子F=(H-L)/(H+L) 來(lái)檢測(cè)實(shí)時(shí)視頻圖像的清晰度。

　　三種算法對(duì)實(shí)時(shí)視頻圖像的清晰度檢測(cè)結(jié)果如表1所示。清晰度*價(jià)值經(jīng)過(guò)歸一化處理，便于算法準(zhǔn)確度性能的比較。由表1 可知，Sobel 算子清晰度檢測(cè)和平方梯度算法的清晰度*價(jià)值的變化趨勢(shì)與幅度和肉眼觀測(cè)到的事實(shí)基本相符， 視頻序列圖像越模糊， 清晰度*價(jià)值越小，即實(shí)時(shí)視頻圖像1、2、3 的清晰度*價(jià)值在*價(jià)范圍內(nèi)，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*價(jià)值在*價(jià)范圍之外， 實(shí)時(shí)視頻圖像是模糊的。快速檢測(cè)算法對(duì)清晰度的敏感度低， 視頻很模糊時(shí)， *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(cè)算法與快速算法計(jì)算時(shí)間較為接近， 平方梯度算法計(jì)算時(shí)間長(zhǎng)。綜上所述，平方梯度算法*價(jià)效果較好， 但實(shí)時(shí)性較差；快速算子計(jì)算速率高， 但對(duì)模糊的靈敏度低；Sobel 算子的*價(jià)效果好， 實(shí)時(shí)性也符合系統(tǒng)的要求。

表1 清晰度比較：

表2 算法計(jì)算時(shí)間比較：

　　為了對(duì)實(shí)時(shí)視頻圖像的清晰度進(jìn)行實(shí)時(shí)檢測(cè)， 針對(duì)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(jié)合的清晰度檢測(cè)算法，該算法在幀圖像清晰度檢測(cè)時(shí)計(jì)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(cè)。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(diào)整判斷視頻清晰度的*價(jià)范圍作為新的*價(jià)標(biāo)準(zhǔn)， 這也是后續(xù)工作的研究重點(diǎn)， 以使該算法在更多的場(chǎng)景中應(yīng)用。

參考文獻(xiàn):

[1]. PC  datasheet http://m.58mhw.cn/datasheet/PC+_2043275.html.