下载掌阅APP，畅读海量书库
立即打开
对于非聚焦模糊检测的工程设计，往往需要考虑以下三个要素的相互制约：模糊检测的准确性、鲁棒性和实时性。模糊检测的准确性要求模糊区域和清晰区域的分割足够精准，是非聚焦模糊检测的基础要求。在各类实际应用场景中，非聚焦模糊的具体种类、模糊程度和对图像纹理与结构的改变程度都是多变且不稳定的因素，会极大地影响非聚焦模糊检测的准确性，因此要求非聚焦模糊检测方法具有一定的鲁棒性以应对各种模糊场景。非聚焦模糊检测方法能够广泛应用于各类系统中，如自动聚焦系统，因此在实际设计时还需要考虑方法的实时性以匹配系统整体的处理速度，其具体体现为方法每秒可以处理的图像帧数。以上三者相互制约、难以同时抵达最优，往往需要根据实际应用场景有所取舍和平衡。
对于非聚焦去模糊的工程设计，同样需要考虑非聚焦去模糊的综合性能、鲁棒性和实时性。相比非聚焦模糊检测，非聚焦去模糊的综合性能需要纳入更多因素进行衡量，具体而言可以分为信息量、保真度和清晰度三个因素。信息量表征去模糊过程成功从模糊这一图像退化现象中还原出清晰信息的能力，是确保非聚焦去模糊方法能在工程上应用于各类系统的关键度量。保真度则要求非聚焦去模糊方法保持原始图像清晰部分的真实性，避免方法引入失真或伪影，确保输出图像的综合质量。清晰度能直接衡量去模糊结果在视觉上的效果，一个成功的非聚焦去模糊方法应当能够提供清晰度较高的图像，使细节更突出、模糊边缘更锐利。
非聚焦模糊检测的常见评估指标如下。
（1）精确率和召回率（PR）曲线。精确率（Precision）是图像中的聚焦像素能够被正确检测的百分比，召回率（Recall）是被检测为聚焦像素的正确检测的百分比，两者从像素的角度直观地反映了非聚焦模糊检测的性能，两者的计算公式如下：
式中，TP、FP、FN分别表示预测为非聚焦像素且实际也为非聚焦像素的个数、预测为非聚焦像素但实际为聚焦像素的个数、预测为聚焦像素但实际为非聚焦像素的个数。
以 P 为纵坐标， R 为横坐标绘制点，将所有点连成曲线后即构成PR曲线，PR曲线能够同时反映方法的精确率和召回率，PR曲线与坐标轴围成的面积越大，代表方法同时保有的精确率和召回率越高。
（2）精确率和召回率的加权调和指标F-measure。F-measure是精确率和召回率的加权调和平均值，能更为全面、综合地反映算法的整体性能。
式中， β 为参数，更大的F-measure代表更好的方法性能。
（3）平均绝对误差（MAE）。MAE为方法输出的非聚焦模糊检测图和相应的真值二值图之间的平均像素的绝对差，整体上衡量了预测结果图和真值二值图之间的相似度，较小的MAE值通常意味着较准确的结果。
式中， x 、 y 分别为像素的横坐标和纵坐标； W 和 H 分别为图像的宽度和高度； G 为非聚焦模糊区域的检测真值； Y 为方法输出的检测结果。
非聚焦去模糊的常见评估指标如下。
（1）平均梯度（AG）。平均梯度常被用来描述图像中灰度或颜色的变化强度，平均梯度越大，图像的边缘细节越清晰。
式中， i 和 j 为像素的坐标； x （ i ， j ）为对应的像素值； M 和 N 分别表示图像 x 的高度和宽度。
（2）信息熵（EN）。信息熵被用于衡量图像的信息含量，其值越大代表图像的信息量越多。
式中， L 为灰度级； p l 为灰度级 l 的归一化直方图。
（3）空间频率（SF）。空间频率被用于反映图像灰度的变化率，其值越大代表图像越清晰。
式中， i 和 j 为像素的坐标； x （ i ， j ）为对应的像素值； M 和 N 分别表示图像 x 的高度和宽度。
（4）均方差（MSD）。均方差被用于衡量去模糊结果的图像质量，均方差越大一般代表图像清晰度越高。
式中， i 和 j 为像素的坐标； x （ i ， j ）为对应的像素值； M 和 N 分别表示图像 x 的高度和宽度。
（5）峰值信噪比（PSNR）。峰值信噪比常用于评价图像质量、衡量图像的失真程度，其值越大代表去模糊处理后的图像质量越好，单位为dB。
式中，MAX I 为图像中像素的最大值；MSE为两张图像之间的平均平方误差； I i ， j 为输入图像 I 在像素位置（ i ， j ）的像素值； K i ， j 为非聚焦去模糊的像素级真值图像 K 在像素位置（ i ， j ）的像素值； w 和 h 分别代表图像的宽度和高度。
（6）结构相似性（SSIM）。结构相似性用于衡量两张图像的相似度，从亮度（Luminance）、对比度（Contrast）和结构（Structure）三个方面进行比较。
式中，
μ
x
和
μ
y
分别为两张图像
x
和
y
的平均值；
和
分别为两张图像
x
和
y
的方差；
σ
xy
为图像
x
和
y
的协方差；
c
1
=
（
k
1
L
）
2
和
c
2
=
（
k
2
L
）
2
为维稳常数，其中
L
为像素值的动态范围，
k
1
为0.01，
k
2
为0.03。当两张图像完全一致时，结构相似性的值为1。