李從利, 薛松, 陸文駿, 袁廣林, 秦曉燕

(1.陸軍軍官學(xué)院 3系, 安徽 合肥 230031; 2.陸軍軍官學(xué)院 11系, 安徽 合肥 230031)

彈載偵察圖像質(zhì)量評價方法研究

李從利1, 薛松1, 陸文駿1, 袁廣林2, 秦曉燕2

(1.陸軍軍官學(xué)院 3系, 安徽 合肥 230031; 2.陸軍軍官學(xué)院 11系, 安徽 合肥 230031)

針對彈載偵察圖像由于受成像平臺和條件限制存在多類型混雜失真，為了對圖像后續(xù)處理和成像系統(tǒng)性能優(yōu)化提供重要量化依據(jù)和指標(biāo)參考，開展此類圖像質(zhì)量評價研究。分析了彈載偵察圖像的特點(diǎn)，針對成像平臺的多自由度、多姿態(tài)變化情況，提取與相機(jī)抖動、結(jié)構(gòu)變化、顏色丟失相關(guān)的3類11種圖像特征，利用高分辨率測繪圖像作為原始圖像集，分塊提取特征進(jìn)行多元高斯模型(MVG)擬合獲得基準(zhǔn)分布特性，對彈載圖像也進(jìn)行分塊處理獲得對應(yīng)MVG分布特性，比較其與基準(zhǔn)MVG特性馬氏距離作為子塊質(zhì)量得分，計(jì)算各子塊的得分均值作為整幅圖像最終得分。以實(shí)際彈載成像平臺獲取的圖像進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明：與盲圖像質(zhì)量測度算法、基于離散余弦變換的圖像完整性測度改進(jìn)算法、基于失真度識別的圖像驗(yàn)證與完整性評價算法、質(zhì)量感知聚類算法、盲圖像質(zhì)量空域測度算法、自然圖像質(zhì)量測度算法、整體與局部的自然圖像質(zhì)量測度算法7種其他經(jīng)典方法相比，該算法具有更好的準(zhǔn)確度和主客觀一致性。

兵器科學(xué)與技術(shù)；圖像質(zhì)量評價；彈載偵察圖像；自然場景統(tǒng)計(jì)；圖像特征

0 引言

圖像偵察彈的研究始于20世紀(jì)70年代，美國先后提出“炮射偵察系統(tǒng)”、“炮射電視目標(biāo)定位系統(tǒng)”。 20世紀(jì)90年代后隨著圖像信息處理、芯片集成、無線傳輸通信等技術(shù)的發(fā)展，偵察彈技術(shù)正向著小型化、全天候、多波段、單兵化方面快速演變，廣泛應(yīng)用于軍、警、民等不同領(lǐng)域，也受到了各國學(xué)者的重視和關(guān)注。

目前較為經(jīng)典的偵察彈是以色列的Firefly膛射式微型圖像偵察彈及美國研制的單兵榴彈發(fā)射成像彈，相比之下我國圖像偵察彈的研究起步較晚。但通過積極跟蹤和不懈努力，已研制出包括火炮炮射偵察彈、迫擊炮發(fā)射偵察彈和偵察槍榴彈等多種偵察彈，其中有的偵察彈已裝備部隊(duì)，有的偵察彈進(jìn)行了大量樣彈發(fā)射實(shí)驗(yàn)，其拍攝的圖像辨別戰(zhàn)術(shù)目標(biāo)能力強(qiáng)、偵察距離遠(yuǎn)[1]。

目前針對彈載偵察圖像的研究主要集中在編碼壓縮[2]、增強(qiáng)、校正[3]、消旋[4]及拼接[5]方面，主要為毀傷效果評估、敵火力分布估計(jì)等戰(zhàn)場偵察方面提供信息支持；而針對該類圖像展開的質(zhì)量評價研究少見報(bào)道，同時由于成像條件的影響，彈載偵察圖像存在多種類型的降質(zhì)現(xiàn)象，對其進(jìn)行質(zhì)量評價的定量分析不但具有現(xiàn)實(shí)應(yīng)用需求，而且對拓展圖像質(zhì)量評價方法理論研究和應(yīng)用領(lǐng)域具有重要意義。

圖像質(zhì)量評價方法分為主觀和客觀兩類[6]，圖像質(zhì)量評價的主觀方法使用人眼來評價圖像的質(zhì)量，作為最終的接受者，該方法也是最為可靠和準(zhǔn)確的，但是受評價者本身、評價環(huán)境條件、圖像內(nèi)容等多種因素影響，人力物力投入大、耗時長、成本高，實(shí)際應(yīng)用中常作為客觀評價的輔助和參考。

依據(jù)需要參考圖像信息的多少，圖像質(zhì)量評價客觀方法可分為：全參考評價(FR)方法、弱參考評價(RR) 方法和無參考評價(NR)方法。其中FR方法和RR方法借助于參考圖像的全部或部分信息，結(jié)果較精確，已獲得成熟應(yīng)用；實(shí)際應(yīng)用中經(jīng)常難以獲取參考圖像，只能采用NR方法，近年來該方向的發(fā)展較為迅速。

早期的NR模型認(rèn)為待評價圖像是受到一種或多種特定降質(zhì)因素的影響，例如振鈴效應(yīng)、模糊、塊效應(yīng)及壓縮等等，因此研究的評價方法為限定失真評價方法，其應(yīng)用范圍受到限制[7-9]；后來人們逐漸轉(zhuǎn)向通用的NR方法的研究。

通用NR方法考慮在有關(guān)降質(zhì)(失真)類型的先驗(yàn)知識缺乏條件下的盲評價問題的解決。其中一大類方法可歸結(jié)為“主觀已知”類型，該類方法需要在已知失真類型和人工標(biāo)注得分的圖像數(shù)據(jù)庫上進(jìn)行“訓(xùn)練”，評價過程相似，可分為訓(xùn)練階段和測試階段。在訓(xùn)練階段從已知失真圖像中提取特征向量，建立關(guān)于失真圖像特征向量和主觀得分關(guān)系的回歸模型，在測試階段，對待評價圖像首先提取相應(yīng)的特征向量，利用訓(xùn)練好的回歸模型預(yù)測其質(zhì)量得分，例如盲圖像質(zhì)量測度(BIQI)[10]、基于失真度識別的圖像驗(yàn)證與完整性評價(DIIVINE)[11]、基于離散余弦變換的圖像完整性測度(BLIINDS-II)[12]、盲圖像質(zhì)量空域測度(BRISQUE)[13]、基于碼書的無參考圖像質(zhì)量評估(CORNIA)[14]是此類方法的典型代表。此類方法存在不足，需要大量已知失真類型且有人工標(biāo)注得分的圖像樣本去訓(xùn)練回歸模型。實(shí)際工程應(yīng)用中，圖像的失真類型眾多且同一幅圖像可能包含多種類型的失真，由于該方法強(qiáng)依賴于相關(guān)失真類型及訓(xùn)練圖像數(shù)據(jù)庫，故應(yīng)用場合受限。

鑒于“主觀已知”方法的不足，隨后人們將研究的焦點(diǎn)集中在“主觀未知”評價方法上，此類方法不需要失真圖像的訓(xùn)練樣本和人工標(biāo)注得分等先驗(yàn)信息，突出的工作是Mittal等[15]提出的自然圖像質(zhì)量測度(NIQE)方法。該方法在BRISQUE工作基礎(chǔ)上，采用多元高斯模型(MVG)對圖像的統(tǒng)計(jì)特征分布進(jìn)行了擬合，以原始自然圖像塊提取的的特征集分布作為計(jì)算基準(zhǔn)，待評價圖像的質(zhì)量得分通過計(jì)算其特征集分布的MVG擬合和基準(zhǔn)的MVG擬合之間的距離獲得，由于“主觀未知”，該方法可看做是“全盲”評價方法的代表。由于NIQE方法對圖像的統(tǒng)計(jì)特征分布進(jìn)行擬合時使用了一個MVG模型，忽略了局部信息在質(zhì)量得分預(yù)測中的作用，因此Zhang等[16]又提出了改進(jìn)的分塊進(jìn)行MVG擬合的方法：整體與局部的自然圖像質(zhì)量測度(IL-NIQE)方法。

對于目前流行的“主觀未知”和“主觀已知”的兩類方法，各有其優(yōu)缺點(diǎn)，適用場合也不相同。本文研究的對象是圖像偵察彈拍攝的圖像，由于成像條件的隨機(jī)性和多類型降質(zhì)情況的存在，無法獲取相應(yīng)的參考圖像，只能采用“主觀未知”評價方法，受NIQE和IL-NIQE方法的啟發(fā)，以多幅高分辨率測繪圖像(拍攝于合肥東南部巢湖區(qū)域上空700 m，分辨率為7 360×4 912)為原始自然圖像，按照OverLap方式分割成800幅圖像樣本庫，按照分塊進(jìn)行MVG擬合求取距離，最后全局進(jìn)行平均的方法獲得彈載偵察圖像的質(zhì)量得分。

1 彈載偵察圖像特征分析及提取

1.1 圖像的特點(diǎn)分析

圖像偵察彈一般由偵察器件、無線電發(fā)射機(jī)、天線和電源等部件組成。偵察器件既可以是數(shù)碼相機(jī)、攝像機(jī)類的成像器件，也可是聲、磁、震動傳感器；無線電發(fā)射機(jī)和天線負(fù)責(zé)將偵察器件采集到的信息傳回后方；電源為偵察器件和無線電發(fā)射機(jī)提供電力支持。其工作過程如圖1[1]所示。

圖1 圖像偵察彈工作示意圖[1]Fig.1 Schematic diagram of blast point detection[1]

圖1所示圖像偵察彈在達(dá)到最高彈道高度時才啟動偵察器件，在降落過程中對下方區(qū)域?qū)嵤﹤刹?，邊降落邊工作。由于受彈體自旋、降落傘擾動、風(fēng)、成像器件受損、無線傳輸干擾等不確定因素的影響，使得彈載圖像呈現(xiàn)以下4個顯著特點(diǎn)：1) 一般為運(yùn)動圖像，覆蓋范圍廣、背景變化快；2) 數(shù)字化后信息量大、傳輸實(shí)時性要求高，存在編解碼信息損失影響；3) 成像環(huán)境惡劣，存在各種隨機(jī)干擾，降質(zhì)因素偶發(fā)性強(qiáng)；4) 偵察器件體積小、高過載條件下成像器件受損可能性大。這些特點(diǎn)的存在會顯著影響其圖像質(zhì)量。

考慮彈載圖像的特點(diǎn)，對實(shí)彈拍攝的圖像進(jìn)行統(tǒng)計(jì)分析，可以發(fā)現(xiàn)存在以下幾類明顯失真：邊降落邊旋轉(zhuǎn)帶來的運(yùn)動模糊、彈體抖動產(chǎn)生的散焦、高過載形成的成像器件損傷、編解碼帶來的誤差、各類隨機(jī)噪聲、復(fù)雜電磁環(huán)境帶來的干涉等等，如圖2所示典型失真情況。由于成像平臺空中條件的不可預(yù)見性，使得彈載圖像具有一種或多種顯性和隱形的混合失真情形，因此必須深入分析并選取適合其質(zhì)量評價的圖像特征。

圖2 彈載圖像存在的多失真現(xiàn)象Fig.2 Several distortions of image

1.2 特征提取

圖像特征的準(zhǔn)確提取是質(zhì)量評價模型構(gòu)建成功的關(guān)鍵，在“主觀未知”盲評價方法的特征選取時重要的原則是：選取的特征應(yīng)與圖像的失真類型無關(guān)，而與圖像的失真程度相關(guān)?？紤]彈載圖像成像方式的極端特殊性，本文重點(diǎn)考慮選取3類特征：與彈載相機(jī)抖動失真相關(guān)的特征、與圖像內(nèi)容結(jié)構(gòu)失真相關(guān)的特征、與圖像顏色失真相關(guān)的特征。

1.2.1 與彈載相機(jī)抖動失真相關(guān)的特征因子

關(guān)于圖像模糊失真的特征選取和評價已經(jīng)有了不少方法，主要分為基于邊緣測量、基于譜分析兩大類型，主要用于散焦和壓縮帶來的模糊進(jìn)行質(zhì)量評價。而相機(jī)抖動方向帶來的模糊在圖像上呈現(xiàn)明顯的各向異性[17]，不同于目標(biāo)相對背景運(yùn)動帶來的模糊，因此必須尋找適合彈載圖像模糊失真的特征因子。

由于彈載成像設(shè)備相機(jī)運(yùn)動呈現(xiàn)瞬時高速旋轉(zhuǎn)、多自由度的抖動，圖像的相應(yīng)高頻部分會受到不同程度的減弱。文獻(xiàn)[17]針對由相機(jī)抖動帶來的模糊評價問題專門進(jìn)行了研究，提出了兩類6個圖像特征：一類是方向特征，用于表示相機(jī)按不同方向抖動帶來的圖像譜結(jié)構(gòu)多方向變化，有均值、方差和最小銳度3個特征；另一類是形狀特征，相機(jī)抖動會非對稱地改變圖像頻帶形狀，提出了用橢圓來表征圖像頻譜形狀，有面積、離心率和長軸方向3個特征。

考慮計(jì)算代價，本文選取文獻(xiàn)[17]中方向特征的均值和形狀特征的離心率作為表征因子，分別記作f1、f2，限于篇幅，詳細(xì)定義和計(jì)算公式請參見文獻(xiàn)[17]。

1.2.2 與圖像內(nèi)容結(jié)構(gòu)失真相關(guān)的特征因子

由圖2可知，彈載圖像經(jīng)常呈現(xiàn)多失真混疊的現(xiàn)象，本文著眼于多失真帶來的圖像結(jié)構(gòu)變化特征提取，而不糾纏于某一失真類型的特征尋找。研究表明由于自然場景統(tǒng)計(jì)(NSS)能夠顯著地揭示失真圖像質(zhì)量的衰退程度[18-19]，被經(jīng)典算法BIQI、BLIINDS、DIIVINE、NIQE所采用，本文也采用此方法來表征多失真帶來的圖像結(jié)構(gòu)變化，以圖2(a)～圖2(f)6幅圖分別計(jì)算平均差分和對比歸一化(MSCN)因子統(tǒng)計(jì)直方圖，如圖3所示，該因子也稱為局部歸一化亮度因子。由直方圖可以看出由于失真的引入，圖像的方差變小，直方圖分布較為分散，表現(xiàn)出了一定的非高斯性。

圖3 圖2中彈載圖像MSCN因子統(tǒng)計(jì)直方圖Fig.3 Histogram of MSCN coefficients for images shown in Fig.2

自然灰度圖像的局部歸一化亮度因子服從高斯分布[20]，可將這個歸一化過程描述為

(1)

式中：i、j為空間像素點(diǎn)，i∈1,2,…,M，j∈1,2,…,N；Ig是以自然圖像的灰度圖IMSCN(i,j)為圖像像素點(diǎn)計(jì)算的局部歸一化亮度因子；

(2)

(3)

μ(i,j)和σ(i,j)分別為圖像的局部均值和方差，w={wk,l|k=-K,…,K,l=-L,…,L}為二維循環(huán)對稱高斯權(quán)重函數(shù)，參考文獻(xiàn)[15]，定義K=L=3. MSCN統(tǒng)計(jì)因子的直方圖偏離程度可用于預(yù)測圖像的失真程度[13]，將MSCN因子選取為第3個特征f3.

此外由于圖像中的MSCN因子高度相似，水平方向上相鄰的兩個因子間存在著規(guī)律性的結(jié)構(gòu)，如圖4所示。因此采用經(jīng)驗(yàn)分布函數(shù)分別在MSCN因子兩側(cè)的水平方向上進(jìn)行計(jì)算：

IHpair_MSCN(i,j)=IMSCN(i,j)IMSCN(i,j+1).

(4)

根據(jù)(4)式可計(jì)算出兩個特征f4、f5.

圖4 圖2中彈載圖像MSCN的成對因子直方圖(水平方向)Fig.4 Histogram of MSCN paired (horizontal) coefficients for images shown in Fig.2

此外(3)式的局部方差σ(i，j)是一個量化圖像局部結(jié)構(gòu)信息的重要參數(shù)，用來描述圖像的銳度，因此可將其作為另一個特征f6.

1.2.3 與圖像顏色失真相關(guān)的特征因子

彈丸在下落過程中，由于彈體高過載、彈丸瞬時高速旋轉(zhuǎn)、圖像編解碼不完全、信號干擾等因素會造成顏色漂移、顏色損失、顏色模糊等色彩失真。前兩類特征因子無法有效表達(dá)，需對彈載圖像顏色信息的失真專門提取相關(guān)因子。

研究表明對比度熵CE可預(yù)測自然圖像的局部對比度，選用對比度熵這個特征是因?yàn)樗芎芎玫孛枋龌诳罩谐上衿脚_拍攝照片的特征。彈載圖像在空域中通過高斯2階導(dǎo)數(shù)差分濾波器分解，分解后的濾波器響應(yīng)被整合[21]。選取在每個獨(dú)立的顏色分量(灰度gray、黃藍(lán)yb和紅綠rg)上的對比度熵作為特征因子f7、f8、f9：

(5)

(6)

式中：c∈{gray,yb,rg}代表顏色通道，計(jì)算公式[20]為gray=0.299R+0.587G+0.114B，yb=0.5(R+G)-B，rg=R-G，R、G、B分別為圖像中紅、綠、藍(lán)3通道的值；α表示Z(Ic)的最大值；κ表示對比度增益；τc為當(dāng)前圖像顏色通道的噪聲閾值；符號?表示卷積；hh和hv分別是高斯函數(shù)的水平和垂直2階導(dǎo)數(shù)。采用文獻(xiàn)[21]定義gray、yb、rg3個通道的噪聲閾值，分別設(shè)定為0.235 3，0.228 7和0.052 8.

考慮到HSV色彩空間更適合于人眼視覺系統(tǒng)來感知彩色特性的處理，其分量與人感知彩色的方式緊密相聯(lián)[22]。因此在圖像的H通道中計(jì)算圖像的色調(diào)Ih，而色度CF可通過(7)式和(8)式計(jì)算[23]：

Ih(i,j)=IHSV(i,j,1)，

(7)

(8)

表1給出了所提取的3類11個特征因子。

表1 提取的3類特征因子Tab.1 List of three types of image features

2 圖像質(zhì)量評價模型構(gòu)建

在提取1.2節(jié)3類特征的基礎(chǔ)上，從標(biāo)準(zhǔn)測繪圖截選的圖像數(shù)據(jù)集上提取相應(yīng)特征“學(xué)習(xí)”，得到基準(zhǔn)MVG模型；針對待評價彈載偵察圖像，進(jìn)行子塊劃分，對每一塊進(jìn)行特征提取和MVG模型擬合；計(jì)算與基準(zhǔn)MVG距離獲得每一子塊的質(zhì)量得分；將各子塊質(zhì)量得分的均值作為待評價圖像的質(zhì)量得分。

2.1 基準(zhǔn)MVG模型構(gòu)建

不同于陸基平臺采集的圖像，在構(gòu)建基準(zhǔn)MVG模型時可以選擇常見的清晰圖像作為原始參考，彈載成像平臺由空中拋撒，空對地成像，場景細(xì)節(jié)變化和圖像中地貌特征也不相同，用常見的清晰圖像進(jìn)行處理難以得到滿意結(jié)果。因此選擇高度相似的高分辨率測繪圖像作為原始基準(zhǔn)圖像，從多幅清晰圖像中Overlap選取了P×P大小的800幅圖像集。與IL-NIQE方法選取基準(zhǔn)計(jì)算圖像過程類似，先請4名志愿者分別挑選出包含：植被、土壤、人工目標(biāo)、水體4類各100幅清晰圖像共400幅基準(zhǔn)圖像；再請15位志愿者從400幅圖像中挑選出90幅圖像作為最后的原始基準(zhǔn)圖像，縮略形式如圖5所示。

圖5 用于構(gòu)建基準(zhǔn)MVG的90幅原始圖像Fig.5 90 original iamges used to learn the pristine MVG model

針對原始基準(zhǔn)圖像，進(jìn)一步進(jìn)行p×p分塊，不同于IL-NIQE方法，本文對每一子塊不再進(jìn)行篩選，全部參與計(jì)算。對每一子塊進(jìn)行上述特征提取，形成d維特征向量，為提升預(yù)測效率和降低計(jì)算成本，采用主成分分析(PCA)方法對d維特征向量進(jìn)行降維處理。從n個子塊選取的特征可用特征矩陣X=[x1,x2,…,xn]∈Rd×n表示，對X進(jìn)行PCA降維處理得到映射矩陣Φ∈Rd×m, 其中m個主成分向量對應(yīng)X的協(xié)方差矩陣的m個特征值(m

借助于映射矩陣Φ，每個特征向量可變換為

x′i=ΦTxi,x′i∈Rm×1,i=1,…,n.

(9)

假定x′i，i=1,…,n獨(dú)立采樣服從于一個m維MVG分布，即可利用標(biāo)準(zhǔn)的最大似然估計(jì)方法計(jì)算得到MVG分布的擬合特性[24]：

(10)

式中：x為所提取的特征向量，x∈Rm×1；μ、Σ分別為矩陣x均值向量和方差，這樣構(gòu)建的MVG模型即可用(μ,Σ)表達(dá)。

2.2 評價模型及指標(biāo)

在基準(zhǔn)MVG模型構(gòu)建的基礎(chǔ)上，可以對實(shí)際彈載偵察圖像進(jìn)行模型構(gòu)建和指標(biāo)設(shè)計(jì)。與2.1節(jié)構(gòu)建過程類似，對待評價彈載偵察圖像進(jìn)行了p×p分塊得到k個子塊，對每個子塊i進(jìn)行特征提取得到d維向量yi，同樣利用映射矩陣Φ對yi進(jìn)行降維處理：

y′i=ΦTyi,y′i∈Rm×1,i=1,…,k.

(11)

這樣一幅待評價彈載偵察圖像可用一個特征向

(12)

文獻(xiàn)[25]在進(jìn)行質(zhì)量得分計(jì)算時考慮不同圖像塊賦予不同權(quán)重，但會增加運(yùn)算成本，由于彈載圖像包含多類型失真且分布區(qū)域隨機(jī)，難以有效區(qū)分質(zhì)量得分貢獻(xiàn)，為提升運(yùn)算效率，采用均值方法計(jì)算得到整幅圖像的質(zhì)量等分：

(13)

本文算法流程如圖6所示，虛線部分為構(gòu)建基準(zhǔn)MVG特性分布模型過程，實(shí)線部分為質(zhì)量評價指標(biāo)計(jì)算過程。

圖6 算法流程示意圖Fig.6 Flow chart of the proposed algorithm

3 實(shí)驗(yàn)與結(jié)果分析

3.1 參數(shù)設(shè)置和測試數(shù)據(jù)庫

設(shè)定從標(biāo)準(zhǔn)測繪圖中選取圖像大小P×P為1 024×768；選取的子塊大小p×p為8×8；PCA變換維度m為430.

測試圖像數(shù)據(jù)庫由兩段實(shí)拍的偵察彈視頻截取圖像構(gòu)成。偵察彈攜帶相機(jī)選用1/4 in電視/紅外圖像傳感器，視場角為45°，采用MPEG-2進(jìn)行圖像壓縮，偵察彈作用高度介于300 m至1 100 m之間。實(shí)拍圖像涵蓋了1.1節(jié)提到的多種失真類型，共856幅圖像組成，大小為320×240的彩色圖像。為評估算法有效性，還給出了所有測試圖像的平均主觀評分差值(DMOS)。主觀評價人員共15人，年齡為20～35歲。其中DMOS越高表示圖像質(zhì)量越差，DMOS越低表示圖像質(zhì)量越好，且DMOS范圍為[0,100]。

3.2 實(shí)驗(yàn)結(jié)果及分析

對測試圖像庫分別使用本文所提到的算法和7種經(jīng)典的NR算法(BIQI、BLIINDS-II、DIIVINE、質(zhì)量感知聚類(QAC)[26]、BRISQUE、NIQE、IL-NIQE)進(jìn)行質(zhì)量評估，然后與DMOS比較評價算法性能。由于客觀數(shù)據(jù)對主觀評價分?jǐn)?shù)的預(yù)測關(guān)系存在一定的非線性，在視頻質(zhì)量專家組(VQEG)的測試和檢驗(yàn)中都允許這樣的非線性的映射[27]。本文實(shí)驗(yàn)采用(14)式、(15)式所示的對數(shù)函數(shù)進(jìn)行非線性補(bǔ)償：

quality(x)=β1logistic(β2(x-β3))+β4x+β5，

(14)

(15)

式中：β1為主觀評價結(jié)果的最大值；β2為主觀評價結(jié)果的最小值；β3為客觀評價結(jié)果均值；β4=0.1；β5=40.

選用兩個參數(shù)指標(biāo)比較算法的性能：皮爾森線性相關(guān)系數(shù)(PLCC)、斯皮爾曼相關(guān)系數(shù)(SROCC)，其中PLCC用于評測質(zhì)量模型預(yù)測的準(zhǔn)確性，SROCC用于評測質(zhì)量模型預(yù)測的單調(diào)性。對構(gòu)建的彈載圖像數(shù)據(jù)庫，利用8種算法實(shí)驗(yàn)對比的SROCC、PLCC結(jié)果如表2所示。

表2 在測試數(shù)據(jù)庫上算法性能對比結(jié)果Tab.2 Results of performance evaluation on the on-board images dataset

從表2可以看出本文算法相較于其他7種方法，SROCC和PLCC均取得了最大值，具備較好的單調(diào)性和準(zhǔn)確性。

為進(jìn)一步直觀觀察模型預(yù)測與主觀分?jǐn)?shù)的一致性，繪制了上述算法的預(yù)測質(zhì)量值與DMOS 對比的散點(diǎn)圖，如圖7所示。

圖7中每個點(diǎn)代表一幅測試圖像，橫、縱坐標(biāo)值分別為模型預(yù)測質(zhì)量值和DMOS. 根據(jù)散點(diǎn)圖的收斂程度可直觀地看出：1)算法NIQE、IL-NIQE預(yù)測質(zhì)量值總體上與DMOS相關(guān)性最差，這是因?yàn)檫@兩種算法僅僅對有限的自然圖像提取了基準(zhǔn)特征集，且這些自然圖像的失真類型是單一而有限的，對于彈載圖像這類含有復(fù)雜失真的圖像，以上兩種算法并未考慮；2)算法BIQI、BLIINDS-II、DIIVINE、QAC、BRISQUE預(yù)測值與DMOS相關(guān)性較前兩種算法有所提高，這是因?yàn)檫@5種算法都是基于訓(xùn)練的方法通過回歸模型預(yù)測質(zhì)量得分，并不依賴于具體的失真類型，在一定程度上能夠表征彈載圖像的特性；3)本文提出的算法預(yù)測值與DMOS相關(guān)性顯著地高于其他所有算法。

考慮到待評價圖像子塊的大小選擇會對評價的結(jié)果造成影響，針對本文方法，塊大小分別選取了4×4、8×8、16×16、32×32、64×64、96×96、128×128計(jì)算其SROCC、PLCC，結(jié)果如表3所示。

表3 不同塊大小的算法性能參數(shù)Tab.3 Paramaters of different patch sizes

由表3可以發(fā)現(xiàn)，塊規(guī)模大小為8×8時取得最佳結(jié)果，與文獻(xiàn)[28]給出的結(jié)果相一致。

此外，為評估算法運(yùn)行代價，在64位Windows 7操作系統(tǒng)下，以Matlab 2014a為開發(fā)工具測試了本文算法及其他對比算法的時間開銷。在主頻為3.1 GHz Intel Core i5 3350 CPU，內(nèi)存為8 GB的臺式機(jī)上測試算法時間，結(jié)果如表4所示。

從表4可以發(fā)現(xiàn)本文算法一次評價用時為1.0 s，略高于BIQI算法、QAC算法、BRISQUE算法和NIQE算法，但大大低于BLIINDS-II算法和DIIVINE算法，也優(yōu)于IL-NIQE算法，表現(xiàn)出較強(qiáng)的運(yùn)行效率競爭性。

4 結(jié)論

本文對空中自主降落平臺拍攝的彈載偵察圖像進(jìn)行了質(zhì)量評價方法研究，在無需相關(guān)降質(zhì)彈載偵察圖像情況下，研究并提出了一種“主觀未知”的盲評價方法。在對圖像特點(diǎn)進(jìn)行分析的基礎(chǔ)上，選擇提取了3類圖像特征，借助于已有的高分辨率測繪圖像，引入基于自然場景統(tǒng)計(jì)的方法，通過分塊處理，經(jīng)全局平均獲得其質(zhì)量得分。經(jīng)實(shí)拍彈載圖像的評價實(shí)驗(yàn)驗(yàn)證，相比較其他方法，本文方法具有更好的主客觀一致性。由于實(shí)驗(yàn)條件限制，后續(xù)采集更多的實(shí)驗(yàn)樣本和評價模型改進(jìn)是下一步重點(diǎn)工作。

表4 各算法的運(yùn)行時間Tab.4 Time cost of algorithms

圖7 不同算法測試結(jié)果散點(diǎn)示意圖Fig.7 Scatter plots of subjective MOS against scores obtained by 8 algorithms

References)

[1] 尤海平. 別樣新鋒:偵察彈[J]. 兵器知識, 2006(1):44-47. YOU Hai-ping. Battle field image scout projectile[J]. Ordnance Knowledge, 2006(1):44-47.(in Chinese)

[2] 桂延寧, 焦李成, 張福順. 彈載圖像小波實(shí)時處理技術(shù)研究[J]. 電波科學(xué)學(xué)報(bào), 2002, 17(6):595-598. GUI Yan-ning, JIAO Li-cheng, ZHANG Fu-shun. A real-time processing technique for onboard image based on wavelet transform[J]. Chinese Journal of Radio Science, 2002, 17(6):595-598. (in Chinese)

[3] 岳冬雪, 黃新生, 譚紅力. 基于仿射投影的彈載圖像幾何失真校正方法[J]. 中國圖象圖形學(xué)報(bào), 2009, 14(4):663-668. YUE Dong-xue, HUANG Xin-sheng, TAN Hong-li. Geometric distortion correction of missile-borne image[J]. Journal of Image and Graphics, 2009, 14(4):663-668.(in Chinese)

[4] 錢立志, 王曙光, 張江輝, 等. 一種彈載視頻圖像實(shí)時消旋方法[J]. 彈箭與制導(dǎo)學(xué)報(bào), 2009, 29(3):20-22. QIAN Li-zhi, WANG Shu-guang, ZHANG Jiang-hui, et al. A real-time despinning method for onboard video image[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2009, 29(3):20-22.(in Chinese)

[5] 李從利, 薛模根, 冷曉艷, 等. 空中偵察序列圖像連續(xù)拼接的累積誤差分析與消除[J]. 中國圖象圖形學(xué)報(bào), 2008, 13(4):814-819. LI Cong-li, XUE Mo-gen, LENG Xiao-yan, et al. Analysis and elimination on aerial recon sequential image stitching accumulative error[J]. Joural of Image and Graphics, 2008, 13(4):814-819.(in Chinese)

[6] 劉潔瑜, 徐軍輝, 汪立新. 基于結(jié)構(gòu)信息分布的圖像質(zhì)量評估新算法[J]. 兵工學(xué)報(bào), 2010, 31(8):1053-1058. LIU Jie-yu, XU Jun-hui, WANG Li-xin. A novel image quality evaluation method based on structure information distribution[J]. Acta Armamentarii, 2010, 31(8):1053-1058.(in Chinese)

[7] Pan F, Lin X, Rahardja S. A locally adaptive algorithm for measuring blocking artifacts in images and videos[J]. Signal Processing Image Communication, 2004, 19(6):499-506.

[8] Liu H, Klomp N, Heynderickx I. A no-reference metric for perceived ringing artifacts in images[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2010, 20(4):529-539.

[9] Ferzli R, Karam L J. A no-reference objective image sharpness metric based on the notion of just noticeable blur[J]. IEEE Transactions on Image Processing, 2009, 18(4):717-728.

[10] Moorthy A K, Bovik A C. A two-step framework for constructing blind image quality indices[J]. IEEE Signal Processing Letters, 2010, 17(5):513-516.

[11] Moorthy A K, Bovik A C. Blind image quality assessment: from natural scene statistics to perceptual quality[J]. IEEE Transactions on Image Processing, 2011, 20(12):3350-3364.

[12] Saad M A, Bovik A C, Charrier C. Model-based blind image quality assessment: a natural scene statistics approach in the DCT domain[J]. IEEE Transactions on Image Processing, 2012, 21(8):3339-9952.

[13] Mittal A, Moorthy A K, Bovik A C. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on Image Processing, 2012, 21(12):4695-4708.

[14] Ye P, Kumar J, Kang L, et al. Unsupervised featurelearning framework for no-reference image quality assessment[C]∥2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, US:IEEE, 2012:1098-1105.

[15] Mittal A, Muralidhar G S, Ghosh J, et al. Blind image quality assessment without human training using latent quality factors[J]. IEEE Signal Processing Letters, 2012, 19(2):75-78.

[16] Zhang L, Zhang L, Bovik A C. A feature-enriched completely blind image quality evaluator[J]. IEEE Transactions on Image Processing, 2015, 24(8):2579-2591.

[17] Oh T, Park J, Seshadrinathan K, et al. No-reference sharpness assessment of camera-shaken images by analysis of spectral structure[J]. IEEE Transactions on Image Processing, 2014, 23(12):5428-5439.

[18] Geisler W S. Visual perception and the statistical properties of natural scenes[J]. Annual Review of Psychology, 2008, 59(1):167-192.

[19] Simoncelli E P, Olshausen B A. Natural image statistics and neural representation[J]. Annual Review of Neuroscience, 2001, 24(5):1193-1216.

[20] Ruderman D L. The statistics of natural images[J]. Network Computation in Neural Systems, 1994, 5(4):517-548.

[21] Groen I I A, Ghebreab S, Prins H, et al. From image statistics to scene gist: evoked neural activity reveals transition from low-level natural image structure to scene category[J]. Journal of Neuroscience, 2013, 33(48):18814-18824.

[22] 楊紅穎, 吳俊峰, 于永健, 等. 一種基于HSV空間的彩色邊緣圖像檢索方法[J]. 中國圖象圖形學(xué)報(bào), 2008, 13(10):2035-2038. YANG Hong-ying, WU Jun-feng, YU Yong-jian, et al. Content based image retrieval using color edge[J]. Joural of Image and Graphics, 2008, 13(10):2035-2038.(in Chinese)

[23] Hasler D, Suesstrunk S E. Measuring colorfulness in natural images[J]. Proceedings of SPIE, 2003, 5007:87-95.

[24] Bishop C. Pattern recognition and machine learning[M]. NY, US:Springer, 2006.

[25] Zhang L, Zhang L, Mon X. FSIM:a feature similarity index for image quality assessment[J]. IEEE Transactions on Image Processing, 2011, 20(8):2378-2386.

[26] Xue W，Zhang L，Mou X, Learning without human scores for blind image quality assessment[J]. Computer Vision & Pattern Recognition, 2013, 9(4):995-1002.

[27] Rohaly A MJ, Corriveau P, Libert J M, et al. Video quality experts group: current results and future directions[C]∥SPIE Conference on Visual Communications and Image Processing. Perth, AUS:SPIE, 2000:742-753.

[28] Liu L X, Liu B, Huang H, et al. No-reference image quality assessment based on spatial and spectral entropies[J]. Signal Processing:Image Communication, 2014, 29(6):856-863.

Research on On-board Reconnaissance Images Quality Assessment

LI Cong-li1，XUE Song1，LU Wen-jun1，YUAN Guang-lin2，QIN Xiao-yan2

(1.Department Three, Army Officer Academy, Hefei 230031, Anhui, China;2.Department Eleven, Army Officer Academy, Hefei 230031, Anhui, China)

Many types of hybrid distortion of on-board reconnaissance images happen due to the imaging platform and constraints. The image quality assessment is carried out in order to provide an important quantitative basis and reference for the performance optimization of the image processing and imaging systems. The characteristics of on-board reconnaissance image are analyzed. In consideration of mutli-degree-of-freedom and multi-attitude change of imaging platform, 11 kinds of image features related to camera shake, structure change and color loss are extracted. The sub-block image features are extracted for multivariate Gaussian (MVG) fitting to obtion benchmark distribution characteristics by using high resolution mapping images as original image set, and the on-board reconnaissance images are also processed to obtain corresponding MVG distribution characteristics. The benchmark distribution characteristics are compared to the MVG distribution characteristics, and Mahalanobis distance is calculated as a score of block quality. The mean score of each sub-block is taken as final score of whole image. The images obtained by the actual on-board imaging platform are verified. The result shows that the proposed method has higher assessment accuracy.

ordnance science and technology; image quality assessment; on-board image; natural scene statistics; image feature

2016-02-02

安徽省自然科學(xué)基金項(xiàng)目(2010XYJJ-060)

李從利(1973—)，男，副教授。E-mail:lcliqa@163.com

TP391.413

A

1000-1093(2017)01-0064-09

10.3969/j.issn.1000-1093.2017.01.009