图像处理评价指标之模糊度（更新中）

图像和视频在采集、压缩、传输、存储过程中，无可避免地会引入失真。模糊失真是图像、视频质量下降最主要的因素之一，研究图像模糊度评价方法有非常重要的意义。通过对模糊失真进行评测和度量，可以对整个图像传输或处理系统的质量进行监控，进而采取措施提高系统性能

模糊度和清晰度概念

图像模糊是一种很重要的图像降质因素，在图像获取、传输、处理过程中都有很多因素可能造成图像模糊，比如在获取图像时，不正确的聚焦会产生离焦模糊，景物和照相机的相对运动会造成运动模糊，图像压缩后的高频丢失造成的模糊。模糊降低了图像的清晰度，严重影响图像质量，导致图像分析、处理、接收的困难甚至失败，因此必须要使用有效的模糊评价方法来控制模糊图像的使用，
从而提高系统整体性能。
模糊度和清晰度是描述图像清晰程度（模糊程度）的两个相对但又相互联系的两个概念。图像越清晰，质量越高，清晰度越大，模糊度越小；图像越不清晰（越模糊），质量越低，清晰度越小，模糊度越大。因此描述一幅图像清晰程度时，既可以使用清晰度也可以使用模糊度，只是两个指标数值上成反比；本文采用模图像模糊度评价研究模糊度来描述。

客观评价也可以根据对参考图像的依赖程度分为：全参考图像模糊度评价（Full Reference Image Blur Assessment，FR-IBA）、部分参考图像模糊度评价（Reduced Reference Image Blur Assessment，RR-IBA）、无参考图像模糊度评价（No Reference Image Blur Assessment，NR-IBA）。客观模糊度评价的方法也可以参考客观图像质量评价的方法，但由于只关注模糊度一个指标，在算法设计时更有针对性，应该把重点放在模糊特征参量的提取上。

模糊度评价算法可以分成几个较大的类别，（1）基于像素的技术，包括分析像素灰度值的统计特性以及像素之间的相关性；（2）基于变换域的技术，这利用了在变换域高频成分越多图像越清晰，高频成分越少图像越模糊的原理；（3）基于图像梯度的技术，它利用图像边缘的梯度来衡量图像模糊程度，梯度越大图像越清晰。另外，也有较少的算法是基于直方图。

模糊度分类

实际应用中有多种模糊情况，模糊产生的原因很多，一般用下面通用的数学模型来表示图像模糊降质

$g(x, y) = f(x, y) \otimes d(x, y) + n(x, y)$

式中$f (x, y)$是原始图像，$d(x, y)$是点扩散函数（Point Spread Function，PSF），$\otimes$ 是卷积，$n(x, y)$是加性噪声。

1、运动模糊

运动模糊是在捕获图像时，快门在打开时间内成像系统和拍摄
对象的短暂相对运动，造成成像在某个方向上形成的模糊。

假设图像$f (x, y)$ 在一个平面运动，令$x_0(t)$、$y_0(t)$分别是$x$ 和$y$ 方向上运动的变化分量，$T$ 表示曝光时间，那么模糊后的图像可以看作是在快门开启时间内原始图像在$x$ 、$y$ 方向上的积分：

$g(x,y)=\int_0^T f[x-x_0(t) , y - y_0(t)] dt$

2、压缩模糊

压缩模糊是图像在进行有损压缩丢失部分信息。

3、高斯模糊

高斯模糊是人为引入的一种模糊，使用高斯低通滤波器对原始图像进行滤波得到的。它的点扩散函数可以表示为

$d(x,y) = \frac{1}{2 \pi\sigma^2 }* e^ {- \frac{(x^2 +y^2)} {2 \sigma^2 }}$

我的个人博客主页，欢迎访问

我的CSDN主页，欢迎访问

我的GitHub主页，欢迎访问