付 強(qiáng)，孫秀霞，彭 軻，劉樹(shù)光，陶國(guó)文

(空軍工程大學(xué)航空航天工程學(xué)院，陜西西安710038)

1 引言

相機(jī)在高動(dòng)態(tài)環(huán)境下容易發(fā)生搖晃和振動(dòng)，導(dǎo)致所觀測(cè)到的場(chǎng)景圖像發(fā)生不同程度的運(yùn)動(dòng)模糊，這將嚴(yán)重危害視覺(jué)導(dǎo)航系統(tǒng)的精確度。對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行準(zhǔn)確評(píng)價(jià)，既可以對(duì)符合要求的圖像進(jìn)行特征提取等加以充分利用，又便于及時(shí)對(duì)不符合要求的圖像進(jìn)行復(fù)原處理［1－2］。依賴(lài)原始清晰參考圖像的大小，將圖像質(zhì)量評(píng)價(jià)方法分為全參考、部分參考和無(wú)參考3種類(lèi)型。由于無(wú)參考圖像評(píng)價(jià)方法沒(méi)有清晰圖像作為參考，在圖像質(zhì)量評(píng)價(jià)要求比較高的領(lǐng)域還有待增強(qiáng)，然而在許多實(shí)際的應(yīng)用場(chǎng)合中，原始清晰參考圖像又都無(wú)法得到。因此，建立有效地?zé)o參考運(yùn)動(dòng)模糊圖像質(zhì)量評(píng)價(jià)算法具有十分重要的意義。

文獻(xiàn)［3］提出一種基于結(jié)構(gòu)信息提取的圖像質(zhì)量評(píng)價(jià)方法——結(jié)構(gòu)相似度(SSIM)，但是進(jìn)行評(píng)價(jià)時(shí)需要原始清晰參考圖像，而且沒(méi)有考慮到待評(píng)價(jià)圖像的邊緣信息，提出的算法在評(píng)價(jià)模糊圖像時(shí)不敏感?；赟SIM的圖像質(zhì)量評(píng)價(jià)體系又出現(xiàn)了許多改進(jìn)方法，文獻(xiàn)［4］提出了基于邊緣和梯度的相似度評(píng)價(jià)方法，這些方法優(yōu)于SSIM評(píng)價(jià)方法，但是算法較復(fù)雜，運(yùn)行速度慢，而且只對(duì)于模糊圖像進(jìn)行評(píng)價(jià)有較好的準(zhǔn)確度，對(duì)其他失真圖像進(jìn)行評(píng)價(jià)的準(zhǔn)確度并不好。還有許多文獻(xiàn)評(píng)價(jià)圖像時(shí)進(jìn)行變換［5］，但其計(jì)算量大，不易于實(shí)時(shí)應(yīng)用。

因此，本文針對(duì)高動(dòng)態(tài)環(huán)境下視覺(jué)導(dǎo)航系統(tǒng)的可靠性受到運(yùn)動(dòng)模糊制約，而現(xiàn)有的結(jié)構(gòu)相似度算法對(duì)模糊圖像評(píng)價(jià)不敏感的問(wèn)題，首先分析導(dǎo)致圖像產(chǎn)生運(yùn)動(dòng)模糊的原因，在SSIM評(píng)價(jià)方法的基礎(chǔ)上加入由于運(yùn)動(dòng)帶來(lái)圖像模糊失真的考量，為待評(píng)價(jià)圖像構(gòu)造參考圖像，提出了一種基于改進(jìn)結(jié)構(gòu)相似度的無(wú)參考運(yùn)動(dòng)模糊圖像質(zhì)量評(píng)價(jià)算法。

2 圖像產(chǎn)生運(yùn)動(dòng)模糊的原因

一般情況下，圖像的退化是由系統(tǒng)退化和系統(tǒng)噪聲共同作用導(dǎo)致的，圖像退化模型可表示為:

其中，y為模糊圖像;x為原始清晰圖像;k為模糊核;w為加性噪聲。

相機(jī)做不同的運(yùn)動(dòng)會(huì)導(dǎo)致成像出現(xiàn)不同的運(yùn)動(dòng)模糊，主要分為勻速直線運(yùn)動(dòng)和非勻速直線運(yùn)動(dòng)，在相機(jī)曝光時(shí)間相對(duì)較短時(shí)，就能夠?qū)⑵渌?lèi)型的運(yùn)動(dòng)模糊近似看作勻速直線運(yùn)動(dòng)模糊［6］。因此，本文考慮的是勻速直線運(yùn)動(dòng)造成圖像模糊，點(diǎn)擴(kuò)散函數(shù)k的一般表達(dá)式為:

其中，L表示在曝光時(shí)間內(nèi)相機(jī)的鏡頭與目標(biāo)之間相對(duì)運(yùn)動(dòng)的大小;θ表示在曝光時(shí)間內(nèi)相機(jī)的鏡頭與目標(biāo)之間相對(duì)運(yùn)動(dòng)的方向，它們是運(yùn)動(dòng)模糊圖像的重要參數(shù)。

3 SSIM評(píng)價(jià)指標(biāo)

Z.Wang等人［3］提出了基于結(jié)構(gòu)相似度的圖像質(zhì)量評(píng)價(jià)方法，通過(guò)比較原始清晰參考圖像和待評(píng)價(jià)圖像以得到評(píng)價(jià)指標(biāo)。

亮度測(cè)量比較定義為:

對(duì)比度測(cè)量比較定義為:

結(jié)構(gòu)信息測(cè)量比較定義為:

組成的評(píng)價(jià)指標(biāo)模型為:

其中，μx，μy表示像素點(diǎn)值的平均亮度;σx，σy表示標(biāo)準(zhǔn)差;σxy表示協(xié)方差;參數(shù)α，β，γ用來(lái)調(diào)整三個(gè)函數(shù)的比重大小;C1，C2，C3是防止分母等于零而增加的小常數(shù)。一般情況下，取α=β=γ=1，C3=C2/2，式(6)可以簡(jiǎn)化為:

從式(5)可以看出，s(x，y)求的是參考圖像子塊和待評(píng)價(jià)圖像子塊像素的相關(guān)系數(shù)大小，沒(méi)有對(duì)邊緣輪廓的相關(guān)性做判斷，而模糊圖像主要影響圖像的邊緣和輪廓信息，所以SSIM對(duì)模糊圖像的評(píng)估不準(zhǔn)確［4］。

4 圖像邊緣置信度

由于相機(jī)振動(dòng)等現(xiàn)象導(dǎo)致圖像產(chǎn)生運(yùn)動(dòng)模糊時(shí)，模糊效應(yīng)會(huì)在真實(shí)的邊緣信息周?chē)a(chǎn)生許多偽邊緣信息，進(jìn)行圖像質(zhì)量評(píng)價(jià)時(shí)必須正確有效地劃分出真邊緣和偽邊緣，為此，從邊緣真?zhèn)蔚慕嵌纫脒吘壷眯哦取?/p>

首先將一幅圖像劃分為不重疊的一些小塊，然后計(jì)算其中的鄰域標(biāo)準(zhǔn)差，鄰域標(biāo)準(zhǔn)差定義為去掉鄰域內(nèi)的最大灰度和最小灰度后剩余像素的標(biāo)準(zhǔn)差:

其中，μi，j為子塊中除去最大最小灰度后余下像素的平均值。

邊緣的真實(shí)性可以由鄰域標(biāo)準(zhǔn)差的大小說(shuō)明，局部區(qū)域內(nèi)的灰度變化大，可靠性高;鄰域標(biāo)準(zhǔn)差小，可靠性差。因此，標(biāo)準(zhǔn)差小的使之更小，大的使之更大，得到更加合理的加權(quán)系數(shù)以更好地評(píng)價(jià)圖像質(zhì)量。

5 無(wú)參考評(píng)價(jià)方法設(shè)計(jì)

無(wú)參考評(píng)價(jià)方法設(shè)計(jì)的關(guān)鍵在于如何獲得一幅圖像，它可以取代原始清晰參考圖像的位置，與待評(píng)價(jià)圖像進(jìn)行對(duì)比從而得到評(píng)價(jià)值。文獻(xiàn)［4］提出用低通濾波器對(duì)待評(píng)價(jià)圖像進(jìn)行濾波，得到一個(gè)重新模糊圖像，通過(guò)對(duì)比圖像濾波前后圖像最終得到模糊值;文獻(xiàn)［7］提出先對(duì)待評(píng)價(jià)圖像添加噪聲，再將待評(píng)價(jià)圖像與消噪圖像進(jìn)行比較得到模糊值。本文對(duì)于模糊圖像的測(cè)量主要關(guān)注運(yùn)動(dòng)模糊，用再模糊的運(yùn)動(dòng)位移參數(shù)取代一般再模糊處理中的低通濾波器構(gòu)造參考圖像，運(yùn)動(dòng)模糊圖像與再模糊圖像越相似說(shuō)明模糊程度越大。因此，基于改進(jìn)結(jié)構(gòu)相似度的無(wú)參考運(yùn)動(dòng)模糊圖像質(zhì)量評(píng)價(jià)算法的具體運(yùn)算步驟如下:

步驟1:對(duì)待評(píng)價(jià)模糊圖像X進(jìn)行再運(yùn)動(dòng)模糊，得到參考再模糊圖像Y;

步驟2:對(duì)待評(píng)價(jià)模糊圖像X和再模糊圖像Y分別進(jìn)行8×8分塊，通過(guò)Canny邊緣檢測(cè)后得到N個(gè)邊緣信息豐富的邊緣子塊;

步驟3:根據(jù)式(7)計(jì)算每個(gè)邊緣子塊的結(jié)構(gòu)相似度質(zhì)量評(píng)價(jià)指標(biāo);

步驟4:通過(guò)置信度加權(quán)每個(gè)邊緣子塊的評(píng)價(jià)指標(biāo)得到最終的評(píng)價(jià)指標(biāo)WSSIM。

6 仿真結(jié)果與分析

為了驗(yàn)證本文方法的正確性和有效性，通過(guò)兩個(gè)實(shí)驗(yàn)進(jìn)行驗(yàn)證，分別選取標(biāo)準(zhǔn)圖像中的Lena和實(shí)拍跑道圖像，對(duì)其模糊處理得到測(cè)試圖像。本文假定圖像模糊只發(fā)生在45°的方向，對(duì)于其他任意方向，檢測(cè)出運(yùn)動(dòng)模糊方向后，將圖像旋轉(zhuǎn)至該方向即可。

6.1 有效性驗(yàn)證

本節(jié)用標(biāo)準(zhǔn)Lena圖像對(duì)本文算法與PSNR算法、SSIM算法進(jìn)行比較，以驗(yàn)證本文提出評(píng)價(jià)方法的有效性。

首先選取不同運(yùn)動(dòng)大小參數(shù)的運(yùn)動(dòng)模糊Lena圖像得到主觀評(píng)價(jià)值(DMOS)，模糊長(zhǎng)度為依次從3像素增加到21像素，模糊方向?yàn)?5°，利用Matlab對(duì)原始清晰的Lena圖像進(jìn)行模糊處理生成運(yùn)動(dòng)模糊測(cè)試序列圖，如圖1所示。

圖1 不同運(yùn)動(dòng)模糊大小的標(biāo)準(zhǔn)Lena圖像Fig.1 Lena images with different motion blur size

從圖1可以看出，模糊長(zhǎng)度依次從3像素增加到21像素時(shí)，Lena圖像的模糊程度逐漸加強(qiáng)。

圖2 不同方法的模糊度評(píng)價(jià)指標(biāo)Fig.2 Evaluation index of different methods

從圖2(a)(b)可以看出Lena模糊圖像有清晰參考圖像時(shí)的評(píng)價(jià)結(jié)果，RSNR和SSIM隨著運(yùn)動(dòng)模糊的增加出現(xiàn)斜率減小，無(wú)參考評(píng)價(jià)SSIM曲線斜率同樣有所減小，這是符合實(shí)際情況的。對(duì)比無(wú)參考圖像情況下的結(jié)果，通過(guò)數(shù)據(jù)比較可以看出本文算法比MSSIM算法一致性高，評(píng)定效果更優(yōu)越。從圖2(c)的客觀評(píng)價(jià)得分還可以看出，總體上來(lái)講，本文評(píng)價(jià)方法WSSIM能夠及時(shí)地映射出圖像清晰度的變化，準(zhǔn)確地度量所采集運(yùn)動(dòng)模糊圖像的模糊度遞增的趨勢(shì)。因此，本文采用的客觀評(píng)價(jià)準(zhǔn)則，其評(píng)價(jià)得分與圖像的客觀質(zhì)量和人類(lèi)的主觀感受保持了良好的一致性。

6.2 靈敏度驗(yàn)證

為了進(jìn)一步驗(yàn)證本文評(píng)價(jià)方法對(duì)運(yùn)動(dòng)模糊圖像的有效性，采用含噪聲的機(jī)場(chǎng)跑道模糊場(chǎng)景圖像進(jìn)行實(shí)驗(yàn)，如圖3所示。模糊長(zhǎng)度依次從3像素增加到30像素，模糊方向?yàn)?5°，生成運(yùn)動(dòng)模糊測(cè)試序列圖。用MSSIM算法以及本文算法在不同再模糊參數(shù)下得到評(píng)價(jià)數(shù)據(jù)并進(jìn)行對(duì)比，結(jié)果如圖4所示。

圖3 運(yùn)動(dòng)模糊圖像示例(運(yùn)動(dòng)位移為30像素，運(yùn)動(dòng)角度為45°)Fig.3 Airport runway scene image(the length of movement is 30 pixels，the angle is 45°)

圖4 不同再模糊參數(shù)的模糊度評(píng)價(jià)指標(biāo)Fig.4 Evaluation index with different parameters

通過(guò)數(shù)據(jù)比較可以看出，再模糊參數(shù)比較大時(shí)，MSSIM和本文方法都能較好地評(píng)價(jià)出運(yùn)動(dòng)模糊的程度，但在構(gòu)造再模糊圖像運(yùn)動(dòng)參數(shù)比較小的時(shí)候，評(píng)價(jià)初始運(yùn)動(dòng)模糊參數(shù)大小為15像素到24像素的跑道圖像時(shí)，MSSIM評(píng)價(jià)指標(biāo)結(jié)果不增反減，本文方法雖然增幅減小，但也始終保持增加的趨勢(shì)，具體數(shù)據(jù)如表1所示。因此，本文算法更能夠保證評(píng)價(jià)的準(zhǔn)確性，評(píng)定效果相較更靈敏，進(jìn)一步驗(yàn)證了其有效性。

表1 運(yùn)動(dòng)再模糊大小為15像素的模糊度評(píng)價(jià)指標(biāo)Tab.1 Evaluation index when the motion－blur parameter is 15 pixels

7 結(jié)語(yǔ)

針對(duì)高動(dòng)態(tài)環(huán)境下視覺(jué)導(dǎo)航中的圖像容易出現(xiàn)運(yùn)動(dòng)模糊且不容易獲得實(shí)時(shí)的清晰參考圖像，本文提出了一種基于改進(jìn)結(jié)構(gòu)相似度的無(wú)參考運(yùn)動(dòng)模糊圖像質(zhì)量評(píng)價(jià)方法。實(shí)驗(yàn)表明，本文提出的方法具有較好的有效性和一致性，同時(shí)較好地提高了無(wú)參考MSSIM評(píng)價(jià)運(yùn)動(dòng)模糊圖像時(shí)的靈敏性。

［1］ CHEN Xiaoming，YAN Jinglong，LI yujue，et al.Infrared image de－noising based on redundant DWT［J］.Laser＆Infrared，2013，43(03):265－271.(in Chinese)陳小明，顏景龍，李玉玨，等.基于信息冗余的小波紅外圖像去噪算法［J］.激光與紅外，2013，43(03):265－271.

［2］ BI Duyan，GE Yuan，LI Quanhe，et al.A research on defogging methods with single image［J］.Journal of Air Force Engineering University:Natural Science Edition，2013，14(6):46－53.(in Chinese)畢篤彥，葛淵，李權(quán)合，等.單幅圖像去霧方法研究［J］.空軍工程大學(xué)學(xué)報(bào):自然科學(xué)版，2013，14(6):46－53.

［3］ Wang Z，Bovik A C，Sheikh H R，et al.Image quality assessment:from error visibility to structural similarity［J］.IEEE Transactions on Image Processing，2004，13(4):600－613.

［4］ SANG Qingbing，SU Yuanyuan，LI Chaofeng，et al.No－reference blur image quality assessment based on gradient similarity［J］.Journal of Optoelectronics Laser，2013，24(3):573－577.(in Chinese)桑慶兵，蘇媛媛，李朝鋒，等.基于梯度結(jié)構(gòu)相似度的無(wú)參考模糊圖像質(zhì)量評(píng)價(jià)［J］.光電子·激光，2013，24(3):573－577.

［5］ WANG Feng，MENG Fankun，WAN Fangjie，et al.No－reference image quality assessment based on gradient structural similarity in contourlet domain［J］.Journal of Information Engineering University，2014，15(1):80－84.(in Chinese)王鋒，孟凡坤，萬(wàn)方杰，等.基于Contourlet域梯度結(jié)構(gòu)相似度的無(wú)參考圖像質(zhì)量評(píng)價(jià)［J］.信息工程大學(xué)學(xué)報(bào)，2014，15(1):80－84.

［6］ ZHANG Yujin.Image engineering［M］.Beijing:Tsinghua University Press，2001.(in Chinese)章毓晉.圖像工程［M］.北京:清華大學(xué)出版社，2001.

［7］ PANG Lulu，LI Congli，LUO Jun.Image quality assessment method based on TV and SSIM［J］.Computer Engineering，2012，38(3):215－217.(in Chinese)龐璐璐，李從利，羅軍.基于TV與SSIM的圖像質(zhì)量評(píng)價(jià)方法［J］.計(jì)算機(jī)工程，2012，38(3):215－217.