光電成像干擾圖像質量評估

曾 凱 楊 華 翟 月 張 紅(脈沖功率激光技術國家重點實驗室 合肥 230037)(電子工程學院安徽省紅外與低溫等離子體重點實驗室 合肥 230037)(92514部隊9分隊 煙臺 264007)

1 引言

可對光電成像偵測設備產生干擾效果的干擾種類很多，但作為裝備普遍應用的主要是激光致盲干擾和煙霧遮蔽干擾[1]。圖像干擾效果評估是對光電成像偵測設備光電干擾效果評估的核心問題。光電成像偵測設備所獲取的圖像大多數最終都要反饋給人眼，人們通過觀察從圖像中提取自己感興趣的信息。因此，在對此類圖像進行評估時要充分考慮人類的主觀感受。

圖像質量評價可分為客觀、主觀和主客觀結合三大類?？陀^圖像評價方法如均方誤差法(MSE)和峰值信噪比(PSNR)等因與主觀感受一致性差對光電干擾圖像評價將不再適用[2]。對圖像質量進行評價最直接也最自然的解決方法就是利用人們自身的判斷，因此主觀評價方法對圖像的評估效果最好。目前，對于光電干擾圖像質量評價，一種比較流行的主觀評估方法是效仿Johnson準則，以一定概率下發現、識別和認清目標為準對圖像信息的可鑒別能力進行分級打分，根據受干擾前后圖像信息可鑒別能力的變化定性評估干擾效果[1]。該評估方法與人類的主觀感受一致性最好，但此評估方法是建立在統計基礎上的，需要不同人員做大量評估的實驗，實際操作性比較差。另外，由于分級的層次不會太多，干擾圖像的評估精度也受到一定的制約。利用數學模型來描述主觀感受的主客觀結合圖像質量評價因具有快速、穩定和易于被量化的優點備受人們青睞[3-5]，但將其引入光電干擾評估領域的應用還不多[6]。本文主要的工作就是建立了一種主客觀結合的光電干擾圖像質量評估方法。

2 基于結構相似度的圖像質量評估算法及其局限性

主客觀結合的評估方法中 Wang等人[7]提出了基于結構相似度測量(Structural Similarity Image Measurement, SSIM)的圖像質量評估方法，它因采用自上而下的模式，通過統計計算直接模擬人類視覺系統(HVS)的圖像結構，避免了復雜的計算，是一種和人類主觀評價高度相關的評估方法。SSIM算法認為圖像中的結構特征具有突出的重要性，一種理想的圖像評價算法應該度量圖像中結構信息的退化程度，而與場景的明暗程度或對比度無關。圖像的結構信息由亮度、對比度和結構3個要素構成[4]。設原始圖像為X，待評價圖像為Y，則SSIM評價函數可表示為

其中R為將圖像劃分成大小相同塊的總個數,xj和yj是第i個分塊的圖像內容。

SSIM通過統計的方式直接模擬HVS的結構功能，抓住了人類視覺觀察的實質。圖像質量評估算法多用于評估圖像壓縮算法的好壞和圖像自動采集等方面。這些圖像一般只在圖像細節上有所損失，與受光電干擾的圖像相比，兩者圖像的畸變方式存在著很大的不同。總體來說，光電干擾圖像畸變要劇烈得多，不僅圖像細節損失嚴重，圖像總體框架有時也會發生顯著變化。因此進行光電干擾圖像質量評估時，為適應光電干擾圖像特點，必須對評估算法實施適當修正。

通過對人眼視覺現象的長期觀察，并結合視覺生理、心理學的研究成果，人們發現了各種視覺掩蓋效應。研究表明，人眼對圖像邊緣、輪廓信息的失真很敏感并且人眼對低頻端的敏感度高于高頻端[8]。SSIM算法沒有將以上兩個非常重要的人眼視覺特性納入考慮范圍。一般情況下，被評估圖像邊緣和低頻部分變化非常小，問題還不是特別明顯。由于沒有考慮邊緣影響，在評估模糊圖像質量時SSIM評估結果普遍偏高。因此，為適應光電干擾質量評估特點，必須將以上兩個因素納入評估算法考慮范圍內。

3 基于四叉樹數據結構劃分的圖像質量評估

設原始圖像f(x,y)的尺寸為2N× 2N，在金字塔數據結構中，最基層就是原始圖像，上一層的圖像數據的每一個像素灰度值就是該層圖像數據相鄰四點的平均值。因此，上一層圖像尺寸比下一層圖像尺寸縮小了4倍，所包含的信息更具概括性。整體看來類似一個金字塔的形狀。圖像數據的金字塔數據結構也可以用四叉樹(quadtree)結構表示[9,10]。如圖1所示，在金字塔數據結構中，對于所設2N×2N的數字圖像，若用n表示其層次，則第n層上圖像的大小為2N-n×2N-n，因此最底層即第0層就為原始圖像，最頂層即為第N層，只有一個點。對應四叉樹而言，第n層上共有4N-n個節點。從最頂層N層開始對圖像按照給定的均勻性檢測準則進行分裂，如果下層的4個節點灰度值符合給定的灰度的均勻性準則，則該部分分裂到此為止，否則繼續往下分裂直至到達最底層0層。

圖1 四叉樹數據結構

圖2為運用四叉樹法分解圖像的結果圖，本文所設灰度的均勻度為18。圖2(a)為原始圖像，圖2(b)為運用四叉樹法分解圖像的結果圖，圖 2(c)為去除邊緣部分后，余下的圖像低頻部分。觀察圖2(b)我們發現圖像中灰度變化平坦的區域一般分裂終止得比較早，圖像上表現為劃分出的區域比較大，而圖像的邊緣和細節部分則分裂終止得較晚，圖像上表現為劃分出的區域比較小。因此，通過四叉樹法分裂后圖像塊的大小可以區分圖像低頻平坦部分和邊緣與細節部分。假定圖像中分裂到第1層和第0層，即圖像塊大小分別為1×1和2×2的部分為圖像的邊緣細節部分。經測算，邊緣部分所占像素數約為整幅圖像總像素數的13%。邊緣部分所占圖像面積非常小，但在人眼識別中目標邊緣占有重要地位，因此將其單獨提取出來。設圖像干擾前后邊緣像素的個數分別為NX和NY,C4為很小的正常數，本文取為1，構造圖像的邊緣比較函數為

去除邊緣等細節信息后，余下低頻部分圖像具有大量的圖像結構特征，因此運用 SSIM 方法進行評估得到的結果比較符合人類的主觀感受。

傳統 SSIM 評估方法中，利用滑動窗口操作將兩圖像以相同大小的窗口進行互不重疊的分塊。對于圖像中大塊平坦區域，這種分塊方法將會使視覺上屬于同一區域的部分被劃分到不同方塊中，人為割裂了區域的統一性。另外，圖像中也存在著一些雖然不相連，但視覺效果相同的區域，其中任何一個區域發生改變都會影響到人們對目標結構的辨識。

基于以上分析，對SSIM的劃分方法進行調整。本文將待分割圖像看作一個拓撲地形圖，其中灰度值f(x,y)對應地形高度。畫出圖像中的地形等高線，落在同一等高線范圍內的圖像則認為歸屬于同一區域，判定為一個SSIM評估塊。評估分塊在SSIM函數中所占權值與其自身塊的大小相關，面積越大權重越大，這與人眼對低頻端敏感的特性匹配。圖 3為設定灰度區間為20時劃分出的SSIM評估分塊。

綜合以上對圖像邊緣部分和低頻平坦部分的評估，本文提出了基于四叉樹數據劃分的干擾圖像質量評估方法(QuadTree Structural Similarity Image Measurement, QTSSIM)：

其中NX為圖像的總像素數，Nj為第j個分塊的像素數，Xj和Yj是第j個分塊的圖像內容，K是圖像劃分的塊數。參數η為0到1之間的常數，表示邊緣成分在評估函數中所占的權值。

4 實驗

如前所述，作為裝備普遍應用的光電干擾主要是激光致盲干擾和煙霧遮蔽干擾。因此，本文對可見光攝像機遭遇強光干擾和煙霧干擾時的圖像質量進行了對比評估。圖4為攝像機遭遇強光干擾時的圖像評估。圖4(a)為遭遇強光干擾時的圖像，圖4(b)是 MSE算法和 PSNR算法評估結果，圖 4(c)為MSSIM算法和本文QTMSSIM算法評估結果。其中MSE算法和PSNR算法評估結果與人類主觀感受相關性較差。MSSIM算法對干擾圖像具有一定的評估作用，但圖像惡化到一定程度后(如從第 10幀到第 18幀)對圖像質量變化變得不敏感。而QTMSSIM算法很好地解決了這個問題，評估函數值與人類主觀感受吻合得非常好。

圖2 四叉樹法分解圖像

圖3 SSIM評估分塊的劃定

圖4 強光干擾時的圖像評估

圖5為攝像機遭遇煙霧干擾時的圖像評估。圖5(a)為遭遇強煙霧干擾時的圖像，圖5(b)是MSE算法和PSNR算法評估結果，圖5(c)為MSSIM算法和本文QTMSSIM算法評估結果。其中，MSE算法和PSNR算法具有一定的評估作用。 MSSIM算法評估正確，但與QTMSSIM相比，評估值偏高且在一定程度內對圖像變化敏感度低。

5 結論

本文在對光電干擾圖像特點進行分析基礎上，通過四叉樹數據結構劃分，構造出一種關于光電干擾圖像的主客觀結合的圖像質量評估方法。通過實驗驗證，評估算法結果與實際情況較好符合，有較好的應用價值。

圖5 煙霧干擾時的圖像評估

[1] 高衛, 黃惠明, 李軍. 光電干擾效果評估方法[M]. 北京: 國防工業出版社, 2006: 105-117.Gao Wei, Huang Hui-ming, and Li Jun. Evaluation Methods for Electro-Optical Jamming Effectiveness[M]. Beijing:National Defense Industry Press, 2006: 105-117.

[2] 楊春玲, 高文瑞. 基于結構相似的小波域圖像質量評價方法的研究[J]. 電子學報, 2009, 37(4): 845-849.Yang Chun-ling and Gao Wen-ru. Research on image quality assessment in wavelet domain based on structural similarity[J].Acta Electronica Sinica, 2009, 37(4): 845-849.

[3] 白永強, 朱仲杰, 段智勇, 等. 結合HVS特性的視頻圖像質量評價[J]. 計算機工程與應用, 2009, 45(27): 181-183.Bai Yong-qiang, Zhu Zhong-jie, Duan Zhi-yong,et al..Approach to video image quality assessment by incorporating HVS characteristic[J].ComputerEngineeringand Applications, 2009, 45(27): 181-183.

[4] 廖斌, 陳巖. 雙尺度邊緣結構相似度的圖像質量評估[J]. 計算機工程, 2007, 33(19): 199-203.Liao Bin and Chen Yan. Image quality assessment based on dual-scale edge structure similarity[J].Computer Engineering,2007, 33(19): 199-203.

[5] 蔣剛毅, 黃大江, 王旭, 等. 圖像質量評價方法研究進展[J].電子與信息學報, 2010, 32(1): 319-326.Jiang Gang-yi, Huang Da-jiang, Wang Xu,et al.. Overview on image quality assessment methods[J].Journal of Electronics&Information Technology, 2010, 32(1): 319-326.

[6] 孫運強, 程湘愛, 王飛. 一種針對激光干擾圖像的質量評價方法[J]. 紅外與激光工程, 2007, 36(5): 659-662.Sun Yun-qiang, Cheng Xiang-ai, and Wang Fei. Method of quality evaluation aimed at laser-disturbing image[J].Infrared and Laser Engineering, 2007, 36(5): 659-662.

[7] Wang Z and Alan C. Structural Approached to Image Quality Assessment[M]. In Handbook of Image and Video Processing, Academic Press, 2005: 1-33.

[8] 路文, 高新波, 曾凱, 等. 一種基于 HWD 的圖像質量評價測度[J]. 紅外與毫米波學報, 2009, 28(1): 72-76.Lu Wen, Gao Xin-bo, Zeng Kai,et al.. Image quality evaluationmetrics based on HWD[J].Journal of Infrared and Millimeter Waves, 2009, 28(1): 72-76.

[9] 譚玉敏, 槐建柱, 唐中實. 一種融合邊緣信息的面向對象遙感圖像分割方法[J]. 光譜學與光譜分析, 2010, 30(6): 1624-1627.Tan Yu-min, Huai Jian-zhu, and Tang Zhong-shi. An objectoriented remote sensing image segmentation approach based on edge detection[J].Spectroscopy and Spectral Analysis, 2010,30(6): 1624-1627.

[10] 周四龍, 粱棟, 王慧, 等. 基于四叉樹與圖割的遙感圖像分割方法[J]. 計算機工程, 2010, 36(8): 224-226.Zhou Si-long, Liang Dong, Wang Hui,et al.. Remote sensing image segmentation approach based on quarter-tree and graph cut[J].Computer Engineering, 2010, 36(8): 224-226.