CN101478697A - 影像有损压缩质量评价方法 - Google Patents

Abstract

提供了一种影像有损压缩质量评价方法，包括步骤：根据设定的影像选取原则，选取相关影像作为测试影像；例如待评价的影像压缩方法对测试影像进行数据压缩，从而获得压缩影像；进行解码，得到重建后的影像；通过多个影像评价方面对测试影像和重建影像进行分析，从而对采用的影像压缩方法做出评价；其中，该多个影像评价方面能够对压缩的影像质量进行全面的评价，同时该多个影像评价方面之间不具有相关性。该方法可以对压缩的影像质量进行全面的评价，并适用于不同地形类别和纹理丰富程度的原始影像，且能够为我国研制的星上压缩算法改进设计提供参考。

Description

影像有损压缩质量评价方法

技术领域

本发明总的来说涉及影像有损压缩质量评价方法，且更加具体地说，涉及结合视觉认知方法、数字图像分析方法、数字摄影测量技术进行判读质量评价、几何质量评价和应用分析评价的影像有损压缩质量评价方法。

背景技术

影像压缩技术广泛地用于各个领域，例如，在遥感领域中，经常会用到各种影像压缩技术。

我国首颗高分辨率光学立体测图卫星，资源三号卫星，拟定于2011年左右发射。资源三号卫星采用经过适应性改进的资源二号卫星平台，配置四台相机，包括两台地面分辨率优于4.0米的前视、后视全色TDI CCD相机；一台地面分辨率优于2.5米的高分辨率正视全色TDI CCD相机；一台地面分辨率优于10.0米的正视多光谱相机。

如此巨大的数据量需要在卫星上进行缓存，待卫星到达通信区域范围并在一定时间内将数据从卫星平台上传输到地面接收站，受限于星上存储能力的大小和卫星下行链路的带宽，为了获得较高的压缩比，原始遥感影像数据必须经过星上数据有损压缩之后才能进入存储器存储，其必要性是显而易见的。

数据压缩对于航天遥感应用有着深远的影响，因为只要是有损压缩必定会带来影像畸变，压缩比不同带来的畸变程度大小不同，但是都会降低传感器成像能力，所以对于传感器设计、卫星轨道设计、光谱波段和空间分辨率的设计以及卫星检校过程等都会有影响，最为重要的是影像压缩质量直接关系到将来卫星遥感影像数据的应用能力和应用范围，换言之，关系到这颗卫星所能带来的经济和社会效益。国外的遥感卫星在发射前都要进行大量关键技术及其应用的预研究，为卫星指标设计和指标论证提供理论和实践依据，以便在卫星发射之后能够满足任务要求，充分发挥卫星应用潜力。因此在卫星上天之前，进行影像压缩的质量评价研究具有重要意义。

遥感影像压缩质量评价是图像质量评价的一个重要方面，同时也是卫星遥感影像压缩的一个重要环节，通过评价可以对压缩算法的使用范围和应用能力提供理论依据，可以为主要压缩指标的设计提供参考。国内外学者在图像质量评价领域开展了大量研究。

在主观质量评价方面，美国航空遥感界推出了国际影像解释等级量表(National Imagery Interpretability Rating Scale)(NIIRS)来度量压缩图像质量损失的程度，NIIRS定义了不同质量的影像，并根据影像的解译性能给影像分级。NIIRS提供了一种将影像质量和解译之间关联的方式，但是，它并不通用。Barbara A.Eckstein等研究了JPEG，小波/框架编码量化(Wavelet/Trellis-Coded Quantization)(W/TCQ)和智能带宽压缩(IntelligentBandwidth Compression)(IBC)压缩方法对于SAR影像压缩的影响，评价标准类似于雷达NIIRS方法，主要评价内容包括阴影(shadows)、对比度(contrast)、反射旁瓣(sidelobes)、斑点(speckle)、模糊度(blurring)等五个方面，评价结果显示W/TCQ和IBC算法可以提供较好的压缩效果并且可以达到很高的压缩比。Ahmet M.Eskicioglu博士总结了多数研究人员采用的等级量表。

在构像质量(判读质量)评价方面，Ahmet M.Eskicioglu等研究了影像构像质量评价的指标，指出主观评价和均方误差是评价指标中不可缺少的内容；Demetrios Okkalides提出对于医学诊断影像，尚没有一个统一的可接受的有损压缩比，作者通过研究DCT压缩算法对影像质量的影响，提出压缩比在10∶1以下基本可以满足医疗诊断的需要；Shuyu Yang等和O.Kocsis等以及Min-Mo Sung等先后研究了JPEG和JPEG 2000用于医学影像压缩的质量评价；Ryuji Matsuoka等研究了JPEG和JPEG 2000有损压缩对彩色遥感影像压缩的影响，提出从色彩和纹理两个方面来评价影像压缩对航空像片颜色质量的影响，研究表明JPEG 2000比JPEG更加优秀，可以更好地保持影像的颜色特征；Zhou Wang等利用影像结构的相似性，提出了一种综合性评价指标结构相似性(Structural Similarity)(SSIM)用于静态图像或视频的质量评价；Martin Cadik等比较了传统的可见差异预测符(Visible DifferencesPredictor)方法和SSIM，实验表明SSIM是一种优秀的评价方法；Xinbo Gao等人则在Zhou Wang等的研究基础上，提出了基于内容的尺度，CBM结合了模糊数学的方法来评价压缩影像的构像质量，实验表明CBM与主观质量评价结果有较好的一致性。

对于影像压缩的几何质量评价，国内外已开展了不少相关研究。国内学者提出了采用最小二乘(Least Square，LS)匹配法研究重建影像几何畸变程度，即通过原始影像和重建影像之间逐点LS匹配，对匹配成功点数中满足匹配阈值的点进行了统计，试验结果表明随着压缩比的提高，影像的几何畸变越大，可量测性亦下降。叶勤等利用JPEG压缩和Laplacian 5/7双正交小波压缩算法对低空飞行时利用CCD对地扫描获得的影像和SPOT卫星的全色图像进行压缩处理，并对结果进行了匹配试验，分析了原始影像匹配结果和重建影像匹配结果的差异，认为在精度要求极高的情况下(匹配精度在0.1像素时)，有损图像压缩技术要慎用。袁修孝等对扫描数字化的航空立体像对进行了1到100不同质量因子的JPEG压缩，获得一组质量各异的压缩影像，从分析重建影像定位结果的变化入手，探讨了JPEG压缩对摄影测量点定位的影响，其试验结果表明有损JPEG压缩对摄影测量点定位的影响是显著的：随着压缩比的增大，影像可视化质量逐渐衰减，像点量测精度不断降低，加密点位几何精度呈线性趋势下降，且高程精度比平面精度衰减得更快。Anthony J.Maeder认为影像匹配精度受影像质量影响，也研究了由JPEG压缩算法所引起的影像质量的改变对影像匹配精度的影响，作者利用混合匹配方法，即综合利用基于面积的和基于特征的匹配方法，结果证明在压缩比低于10:1时，可以达到较好的匹配精度。Kiyonari Fukue等采用JPEG算法对PRISM传感器的模拟立体像对(对前后视影像进行了模拟，得到分辨率为2.5米的全色影像)压缩，并比较了模拟立体像对和不同压缩比下的重建影像(立体像对)生成DTM的精度，DTM生成采用了最小二乘匹配方法，实验表明在压缩比不超过6:1的情况下，高程平均误差低于2.5米。Craig Robinson，Kent W.K.Lam和Rob Reeve等都研究了JPEG压缩对于数字航空影像自动生成DTM的精度的影响：Craig Robinson等的研究结果表明JPEG压缩在压缩比增大的情况下DTM的高程精度逐渐减少，并且提高扫描分辨率可以改善高程精度；Kent W.K.Lam等的研究结果表明对于航摄比例尺为1:8000、扫描分辨率为25μm数字航空立体全色像片，在压缩比低于10:1的情况下，JPEG压缩对于DTM精度的变化没有很大影响；并且如果原始影像的纹理越丰富，重建影像的几何质量下降的越多；Rob Reeve等试图寻找JPEG压缩比和DTM精度之间的关系模型，通过试验证明了DTM精度的标准偏差与压缩比之间存在近似线性的关系。台湾学者Tian-yuan Shih等采用基于面积的匹配技术，评价了JPEG和JPEG 2000对于自动提取DSM的影响，数据源为数字航空像片，以原始立体像对所提取的DSM为参照，对比不同压缩比(2:1至100:1)下的重建影像(立体像对)提取DSM的高程精度，试验结果表明随着压缩比的增加，高程精度呈现线性下降的趋势，而且JPEG 2000压缩算法对于像点成功匹配率的影响不大。

图1是图像压缩在航天遥感中的应用的示意图。如图1所示，对地观测卫星采集的图像经过压缩编码后传到卫星地面站。星上数据压缩包括有损压缩和无损压缩两种。无损压缩方法主要包括两方面内容：其一，去除图像数据的相关性，如采用DPCM编码，以减小图像数据的熵值。对于多波段遥感图像既要去除谱间相关又要去除空间相关。其二，对于相关结果进行编码，常采用Huffman编码，Rice编码和算术编码等，用以实现由熵值的减少所带来的数据压缩潜力。对于一幅8比特量化的灰度图像来说，无损压缩所能获得最大影像压缩比为：

$\max \left(C_R\right)=\frac{{\log }_2{2}^8}{H}=\frac{8}{H}$

上式中，H为影像的信息熵。遥感影像的信息量一般比通常的图像高的多，其信息熵一般高于4，所以遥感影像无损压缩的压缩比一般不超过2，因而难以有太大的应用价值。

由于星载多光谱和高分辨率传感器对数据传输的需求(如下传的时间限制)将远超过通道容量，且星上压缩的实时性要求较高(即要求较高的处理速度)，同时星上缓存能力也有限，因此为了获得较高压缩比的数据压缩，软件解决方案已不满足要求，必须采用硬件进行满足精度和使用要求的有损压缩，应用于星载高分辨率遥感影像的缓存和下传。示例性的图像压缩***如图2所示。

总之，对于遥感影像压缩来说，一定的信息损失通常是可以接受的，原因有三个方面：

1)无损压缩往往不能满足星载传感器的需要；

2)对于低于视觉阈值(人类观察影像时觉察不出的误差上限)的信息损失或图像失真，并不妨碍人类对遥感影像所反映的场景内容的感知；

3)在多数情况下，由于传感器性能的限制，压缩前的原始影像本身就是对真实场景的不完全描述。

目前，多数光学遥感卫星都采用了有损压缩技术。本领域技术人员可以知道，在航天遥感领域己经开始广泛应用星上硬件图像压缩技术对传输型遥感器获取的图像数据进行编码处理，以提高相机***整体性能，且绝大多数压缩为有损压缩，但是压缩比均不超过8:1，压缩比一般是根据用户应用范围和实际要求提出的。

然后通过解压传到卫星地面应用***，通过广域网压缩后传给用户终端。在卫星到地面***压缩与解压的过程中进行压缩质量评价。遥感卫星正向多分辨率、多遥感平台并存的方向发展，其空间分辨率、时间分辨率以及光谱分辨率都普遍提高。这些变化对地面遥感数据传输也提出重大需求，一方面要求数据传输具有较高的传输速率，另一方面要求数据传输具有更好的安全性。针对高分辨率遥感影像，采用先进的图像压缩技术，实现对遥感影像的高保真快速压缩，可以有效地解决大规模遥感影像数据库的数据存取和大型网络上的遥感影像传输问题。地面遥感数据压缩处理比在星上处理的限制少，可以采用较复杂的、性能更好的压缩方案。

图2示出了可以用于图1的图像压缩应用的示例性的图像压缩***的框图。如图2所示，图像压缩***包括两个不同的结构块：编码器(压缩器)和解码器(解压缩器)。图像编码器包括变换器、量化器和编码器；图像解码器包括反变换器、反量化器和反编码器。原始图像经过变换器、量化器、编码器，分别减少了像素间的冗余、心理视觉冗余、编码冗余。然后由信道通过解码器、反量化器、反变换器最后得到重建图像。

下面，将进一步介绍该图像压缩***工作的理论基础及技术方法。

对遥感数据进行压缩，不仅可以节省星上存储空间和卫星下行链路的带宽，提高信息的传输速率，而且数据压缩之后便于实现保密通信，提高***的整体可靠性。与遥感数据压缩相关的压缩质量评价则是贯穿整个星上遥感数据压缩和地面遥感数据压缩过程的。

图像数据之所以能够被压缩，是因为数据间冗余的存在，所谓冗余即存在某些不需要的成分，它是一个在数学上可以进行量化的实体。冗余包括如下几种，但并非全部：

1)像素间冗余；

2)心理视觉冗余；

3)编码冗余；

4)结构性冗余；

5)关注度冗余；

6)时间性冗余。

当上述这些冗余中的一种或多种得到减少或消除时，就实现了数据压缩，其中前三种冗余是最为基本的冗余。

其基本原理是综合运用减少像素间冗余、心理视觉冗余和编码冗余这三种基本冗余的技术就构成了实际的图像压缩***，例如如图2所示的图像压缩***。

但是，如上所述，在现有技术中，并没有一套完整全面的用于评价影像有损压缩的质量的方法。

在现有技术中，有关重建影像的客观质量评价的具体方法，国际上一般分为两大类：一类是基于数学的方法，通过定义相关的评价指标，如灰度标准方差和峰值信噪比等；另一类是考虑人类感知能力的HVS评价方法。人们从上个世纪七十年代开始研究HVS在影像质量评价中的应用，HVS是从感知上整体评价影像质量的，因此基于HVS的评价指标逐渐称为热点。HVS是一种基于人眼视觉特性的影像质量评价方法，该方法试图将主观评价方法与客观评价方法相统一，认为基于人眼视觉特性测定的方法不仅与主观评价方法强烈相关，而且与人类对于在视觉识别任务中的观测条件和观测能力有关，其特点是评价模型融入了人眼视觉特性的一些阶段性研究成果，从而使其评价结果比经典的评价方法更符合人的主观感受。由于HVS的复杂性，人们对HVS的认识还存在许多未知的领域，已有的HVS模型只是对人类视觉生理的简单模拟，并没有显示出相对基于数学的方法的明显优势，更没有融入人类感知环境时的心理因素，因此，基于该原理的影像质量评价方法还不成熟，有待更深入地研究。并且，有实验已证明基于数学的方法，如MSE，要比基于HVS的两种方法，如Noise Quality Measure(NQM)和StructuralInformation Metric(SIM)表现地更加优秀。目前，基于数学的评价方法仍是很有效的一种评价手段。首先，易于计算和低复杂度是其明显的优点；其次，该方法与评价者和评价环境无关。虽然观测条件对于人类感知能力有很大的影响，但是考虑不同种观测条件的评价活动是费时费力且不实用的，例如，假设有N种不同的观测条件，将意味着产生N种不同的评价结果，不考虑观测条件的评价方法似乎可以得出一种更为普遍的评价结果。

这里，假设f(i，j)为原始影像的每一个像素的灰度值，g(i，j)为解压缩后的重建影像的每一个像素的灰度值，其中(i，j)为二维图像的行、列号(i＝0，1，2，...，M-1，j＝0，1，2，...，N-1)，M、N为影像的高度和宽度，现有技术中常用的评价技术指标主要包括下面影像特征分析和影像对比分析两方面的指标：

1.影像特征分析：为了比较原始影像和重建影像的差别，主要从灰度值的改变，研究数据压缩对于影像特征的影响。主要分析指标包括：灰度直方图、灰度平均值和标准方差以及灰度共生矩阵、角二阶距、对比度和信息熵等。

(1)灰度直方图

灰度直方图(Histogram)是灰度级的函数，它表示图像中具有每种灰度级的像素的个数，反映图像中每种灰度出现的频率。通过直方图比较，我们发现，测试影像经过JPEG 2000和SPIHT两种算法压缩后，都可以很好地保持与原始影像相似的直方图形状，同时丘陵、山地和高山地影像灰度层次较平地的影像丰富(灰度值分布范围广)。

(2)灰度平均值

灰度平均值可以从整体上反映图像的亮度，其计算公式为：

$\mathrm{\μ}=\frac{1}{M*N}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}f(i,j)$

(3)灰度标准偏差

灰度标准偏差的计算公式为：

$\mathrm{\σ}=\sqrt{\frac{1}{M\×N}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{[\mathrm{\μ}-f(i,j)]}^2}$

一般情况下，图像的标准偏差越大，说明图像灰度层次丰富，在目视效果中，地物更加易于识别和分类。

并且，可从纹理分析(Texture Analysis)的角度对影像的可懂度进行评价，其指标如下。

(1)灰度共生矩阵

任何图像灰度表面都可以看成三维空间中的一个曲面，其灰度直方图虽然是研究在这个三维空间中单个像素灰度级的统计分布规律，但不能很好地反映像素之间的灰度级空间相关的规律。相隔某一距离的两个像素，它们具有相同的灰度值，或者具有不同的灰度值，若能找出这样两个像素的联合分布的统计形式，对于图像的纹理分析将是很有意义的。灰度共生矩阵(Gray-Level Co-occurrence Matrix)是R.M.Haralick提出的一种度量图像纹理特征的方法，该方法历经几十年的发展得到大家的公认。灰度共生矩阵就是从图像(x，y)灰度为i的像素出发，统计与距离为δ、灰度为j的像素(x+Δx，y+Δy)同时出现的概率P(i，j，δ，θ)。用数学式表示则为：

P(i，j，δ，θ)＝{[(x，y)，(x+Δx，y+Δy)]|f(x，y)＝i，f(x+Δx，y+Δy)＝j}

其中i，j＝0，1，....，L-1，L为图像的灰度级数；x，y是图像中的像素坐标，x＝0，1，....，M-1，y＝0，1，....，N-1。

R.M.Haralick提出的基于灰度共生矩阵的参数共有14个，这里仅选择物理意义显著且适合图像质量评价的三个基本参数：角二阶距、对比度和信息熵。

(2)角二阶矩

角二阶矩(Angular Second Moment)是灰度共生矩阵的二次统计量，具体为灰度共生矩阵平方的和，也称为能量，是图像灰度分布均匀性的度量。其计算公式为：

$f_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{\stackrel{\mathrm{\Λ}}{p}}^2(i,j)$

从图像整体来观察，纹理较粗时，角二阶距的值较大，反之则较小。

(3)对比度

图像的对比度(Contrast)可以理解为图像的清晰程度，反映了某像素与相邻像素的对比情况，其计算过程也用到灰度共生矩阵。图像对比度的公式为：

$f_2=\underset{n-0}{\overset{L-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\stackrel{\mathrm{\Λ}}{p}(i,j)\right\},$ 其中|i-j|＝n

纹理的沟纹越深，其对比度大，图像就越清晰，视觉效果越好；反之对比度小时沟纹浅，效果模糊。

(4)信息熵

根据Shannon信息论原理，影像的熵定义为：

$f_3=-\underset{i-0}{\overset{L-1}{\mathrm{\Σ}}}p\left(x_i\right){\log }_{2}p\left(x_i\right)$

基于灰度共生矩阵的熵定义为：

${f\′}_3=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\stackrel{\mathrm{\Λ}}{p}(i,j){\log }_2\stackrel{\mathrm{\Λ}}{p}(i,j)$

采用基于灰度共生矩阵计算信息熵更能反映图像纹理细节、边缘突变的情况，更适用于遥感影像。通过比较信息熵可以客观地评价遥感影像在压缩前后的信息量的变化。

2.影像对比分析：采用统计学的方法，以原始影像和重建影像的差别为目标，并对这种差别进行量测是一个非常重要的方面，这属于影像对比分析的范畴，可以考察数据压缩对重建影像的影响程度，以及随着压缩比的增大，构像质量的改变情况。

(1)差值图像分析

差值图像是以像元为单元，通过逐个像元地扫描原始影像和重建影像，首先提取每个像素点的灰度值，然后将两幅图像中对应点的灰度值做差值运算并取绝对值，可以直观反应两者差异，若结果为零，则说明两点的灰度值相同。

(2)影像相似度和逼真度

影像相似度(Image Similarity，IS)和影像逼真度(Image Fidelity，IF)均从图像相关(Correlation)的角度描述原始影像和重建影像的一致性程度，反映了两者的差别。影像相似度和影像逼真度的定义，如下：

$\mathrm{IS}=\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}f(i,j)g(i,j)/=\left\{\sqrt{\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left[f(i,j)\right]}^2}\sqrt{\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left[g(i,j)\right]}^2}\right\}$

$\mathrm{IF}=1-\{\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{[f(i,j)-g(i,j)]}^2/\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left[f(i,j)\right]}^2\}$

(3)影像相关系数

影像相关系数(Correlation Coefficient，CC)用于表示两个影像相似程度。通过比较原始影像和重建影像的相关系数，可以发现两者的差别程度。μf和μg分别是原始影像和重建影像的灰度平均值。

$\mathrm{CC}=\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}[f(i,j)-{\mathrm{\μ}}_f][g(i,j)-{\mathrm{\μ}}_g]/\sqrt{\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{[f(i,j)-{\mathrm{\μ}}_f]}^2\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{[g(i,j)-{\mathrm{\μ}}_g]}^2}$

(4)峰值信噪比

峰值信噪比(PSNR，Peak Signal-to-Noise Ratio)是均方误差(MSE)的一个相关量，是对图像逼真度的一种描述，采用数学统计的手段，将压缩前后图像相应像元灰度差看作是噪声，将原图像看作是信号，计算其信噪比，可以看出峰值信噪比没有最大值。

$\mathrm{PSNR}=-{10\log }_{10}\frac{\mathrm{MSE}}{{255}^2}$

$\mathrm{MSE}=\frac{1}{\mathrm{MN}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{[f(i,j)-g(i,j)]}^2$

然而，通过一系列实验发现，对于JPEG2000、SPIHT、JPEG-LS等当今的主流压缩算法，从灰度标准偏差、角二阶距、信息熵、影像相似度、相关系数和逼真度以及峰值信噪比等已有的技术指标，不能够对有损压缩质量进行较好的评价，即不能反映压缩算法的真实特性，因此不能够作为真正的压缩质量评价指标。

综上所述，从国内外研究进展中可以发现，在现有的对于上述航天遥感应用中的影像的压缩质量评价方法中，主要存在下列问题：

(1)缺少一套完整的影像压缩质量评价方法

迄今为止，在测绘应用领域，尚没有一个大家公认的关于影像压缩质量的评估方法，其它领域也是如此。测绘领域的应用非常重视重建影像的测图精度，即几何定位精度(几何质量)，往往忽视了判读质量的分析，而判读质量与几何质量是相互联系和制约的，开展重建影像质量评价不应将两者割裂开来。

(2)没有考虑数据压缩对不同地形类别的影响

多数学者认为压缩比和图像质量之间有很强的对应关系，一般来说，压缩比越大，数据量越小，同时图像质量下降的越多。然而，更全面的考察还没有相关文献报导，例如研究不同地形类别和纹理丰富程度的原始影像经过压缩后，随着压缩比的改变，影像判读质量和几何质量的改变。在测绘中，对于不同的地形类别具有不同的遥感制图精度要求，为了面向影像的测绘应用需要，应该充分考虑数据压缩对不同地形类别影像的影响，并得出相应的结论，为相关应用提供参考。

(3)重建影像的构像质量评价指标有待改进

影像具有内容丰富、信息量大、纹理较多的特点，并且影像的用户非常关心重建影像的纹理细节损失的情况，因为纹理损失影响影像判读、解译和立体量测等能力。现有的重建影像构像质量评价指标不足以反映压缩后的影像灰度特征畸变、纹理畸变、相关性损失等。重建影像构像质量评价指标应与主观评价结果具有较好的一致性。

(4)缺少针对我国研制的星上压缩算法的质量评价

针对我国首颗高分辨率光学立体测图卫星——资源三号卫星星上压缩指标的设计，需要开展针对我国研制的星上压缩算法(如SPIHT算法、JPEG-LS算法、JPEG2000算法)的质量评价，尤其是几何精度方面的评价，目前这方面的研究还未见报道。对于卫星遥感产业来说，卫星应用是最为核心的问题。一般地，遥感卫星受限于星上存储能力的大小和卫星下行链路的带宽，为了获得较高的压缩比，必须牺牲数据质量即采取数据有损压缩方式。但是数据质量的牺牲是有一定的限度的，因为质量下降太多必然会严重影响卫星影像的应用能力。可以通过将其和其它优秀的压缩算法，如利用软件进行压缩的技术方法，进行比较，并对它们进行评价，为我国研制的星上压缩算法改进设计提供参考。

因此，在进行影像压缩评价时，要对组成影像质量各个方面作多角度、全方位的评价，而不能以点代面，以偏概全。由于影像的复杂性和多样化，使得影像质量往往从不同的侧面反映出来，表现为一个由多因素组成的综合体。因此，要真实反映压缩对影像质量的影响效果，必须对影像从全方位进行评价。待测影像具有内容丰富、信息量大、纹理较多的特点，并且待测影像的用户非常关心重建影像的纹理细节损失的情况，因为纹理损失影响影像判读、解译和立体量测等能力。

因此，需要能够全面地对于影像压缩质量进行评价并且适用于我国研制的星上压缩算法的质量评价方法。

发明内容

提出本发明以解决上述现有技术的问题和缺点。

本发明的目的在于提供一种完整的影像压缩质量评价方法，其能够对影像的判读质量和几何质量进行全面的分析，并且适用于不同地形类别和纹理丰富程度的原始影像，且适用于我国研制的星上压缩算法。

本发明的目的还在于提供一种影像压缩客观质量评价的影像综合性评价指标，其是针对影像有损压缩的特点，利用压缩失真的主要类型，如分块失真、模糊失真等，针对信息丢失、几何畸变、清晰度变化、反差变化、色调变化等特性提出的。

本发明的目的还在于提供一种影像压缩客观质量评价的影像综合性评价指标，其能够替代已有的客观评价指标，如灰度标准偏差、角二阶距、信息熵、影像相似度、影像逼真度、影像相关系数和峰值信噪比，并能够简化评价过程。

根据本发明的方面，提供了一种影像有损压缩质量评价方法，包括步骤：根据设定的影像选取原则，选取相关影像作为测试影像；例如待评价的影像压缩方法对测试影像进行数据压缩，从而获得压缩影像；进行解码，得到重建后的影像；通过多个影像评价方面对测试影像和重建影像进行分析，从而对采用的影像压缩方法做出评价；其中，该多个影像评价方面能够对压缩的影像质量进行全面的评价，同时该多个影像评价方面之间不具有相关性。

优选地，该多个影像评价方面包括：判读质量评价，用于对影像的构像质量进行评价；几何质量评价，用于对影像的几何质量进行评价；和应用分析评价，用于根据影像的应用领域对影像质量进行评价。

优选地，该判读质量评价包括主观质量评价和客观质量评价，分别从主观和客观角度对影像的构像质量进行评价，该几何质量评价通过对重建影像的匹配精度进行评价来评价影像的几何质量，且该应用分析评价包括应用的分类精度评价和图斑面积变化分析。

根据本发明，该客观质量评价采用由灰度特征畸变、纹理畸变和相关性损失构成的影像综合性评价指标，

其中，定义f(i，j)为原始测试影像的每一个像素的灰度值，g(i，j)为解码后的重建影像的每一个像素的灰度值，其中(i，j)为二维图像的行、列号(i＝0，1，2，...，M-1，j＝0，1，2，...，N-1)，M、N为影像的高度和宽度；

灰度特征畸变是灰度平均值和灰度标准偏差的有理函数，由下式表示：

$\mathrm{GCD}=\frac{2{\mathrm{\μ}}_f{\mathrm{\σ}}_f{\mathrm{\μ}}_g{\mathrm{\σ}}_g}{{\left({\mathrm{\μ}}_f{\mathrm{\σ}}_f\right)}^2+{\left({\mathrm{\μ}}_g{\mathrm{\σ}}_g\right)}^2}$

其中μ_f和μ_g分别是测试影像和重建影像的灰度平均值，σ_f和σ_g分别是测试影像和重建影像的灰度标准偏差；

纹理损失是信息熵，角二阶矩和对比度的有理函数，由下式表示：

$\mathrm{TD}=\frac{2E_f{A}_f{C_{f}E}_g{A}_g{C}_g}{{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2}$

其中E_f、A_f、C_f和E_g、A_g、C_g分别是测试影像的信息熵、角二阶矩、对比度和重建影像的信息熵、角二阶矩、对比度；

且相关性损失的定义如下：

$\mathrm{LC}=\frac{{\mathrm{\σ}}_{\mathrm{fg}}}{{\mathrm{\σ}}_f{\mathrm{\σ}}_g}$

其中 ${\mathrm{\σ}}_{\mathrm{fg}}=\frac{\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}[f(i,j)-{\mathrm{\μ}}_f][g(i,j)-{\mathrm{\μ}}_g]}{M\×N}.$

所述影像综合性评价指标被表示为：

$Q=\mathrm{GCD}\×\mathrm{TD}\×\mathrm{LC}$

$=\frac{{2\mathrm{\μ}}_f{\mathrm{\σ}}_f{\mathrm{\μ}}_g{\mathrm{\σ}}_g}{{\left({\mathrm{\μ}}_f{\mathrm{\σ}}_f\right)}^2+{\left({\mathrm{\μ}}_g{\mathrm{\σ}}_g\right)}^2}\×\frac{2E_f{A}_f{C}_f{E}_g{A}_g{C}_g}{{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2}\×\frac{{\mathrm{\σ}}_{\mathrm{fg}}}{{\mathrm{\σ}}_f{\mathrm{\σ}}_g}$

$=\frac{4{\mathrm{\μ}}_f{\mathrm{\μ}}_g{E}_f{A}_f{C}_f{E}_g{A}_g{C}_g{\mathrm{\σ}}_{\mathrm{fg}}}{[{\left({\mathrm{\μ}}_f{\mathrm{\σ}}_f\right)}^2+{\left({\mathrm{\μ}}_g{\mathrm{\σ}}_g\right)}^2][{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2]}$

根据本发明，所述重建影像的匹配精度评价使用以下列步骤形成的匹配精度评价指标：利用点特征算子提取目标灰度特征；通过利用高精度的单点最小二乘匹配法进行匹配；基于最小二乘匹配结果，比较重建影像上特征点位置的变化；其中，定义原始影像上特征点位的像素位置为(x_f，y_f)，重建影像上对应点位的像素位置为(x_g，y_g)，利用Δx和Δy来衡量影像匹配误差，如下式定义：Δx＝x_f-x_g，Δy＝y_f-y_g；和统计所有特征点的Δx和Δy的中误差作为匹配精度评价指标。

根据本发明，所述分类精度评价使用的指标包括总体精度和Kappa系数，

其中，总体精度O的计算公式如下；

$O=\frac{\underset{k}{\mathrm{\Σ}}{x}_{\mathrm{kk}}}{N}$

且Kappa系数K的计算公式如下：

$K=\frac{N\underset{k}{\mathrm{\Σ}}{x}_{\mathrm{kk}}-\underset{k}{\mathrm{\Σ}}{x}_{\text{k\Σ}}{x}_{\mathrm{\Σk}}}{N^2-\underset{k}{\mathrm{\Σ}}{x}_{\mathrm{k\Σ}}{x}_{\mathrm{\Σk}}}$

其中，N表示原始影像中所有像元的数目，x_kk为混淆矩阵的对角线上的数值，x_k∑为原始影像的每一种分类的总的像元数目，x_∑k为分类影像中每一种分类中分类正确的像元数目。所述混淆矩阵统计了分类影像中所有的像元的类别与实际类别之间的混淆程度，其对角线上的元素为每一类别的正确分类程度，其它元素为错误分类的程度。

根据本发明，所述图斑面积变化分析包括下列步骤：以压缩前的图斑面积为“真”值；将压缩后重建影像上的图斑面积通过与“真”值进行比较，从而得出图斑面积变化情况。

这样，通过本发明的影像有损压缩质量评价方法及其使用的影像综合性评价指标和影像匹配精度指标，可以对压缩的影像质量进行全面的评价。且，该方法及其使用的指标适用于不同地形类别和纹理丰富程度的原始影像，能够满足对于不同的地形类别的不同的影像制图精度要求，和面向影像的测绘应用需要。并且，该方法及其使用的指标能够针对我国研制的星上压缩算法进行质量评价，从而为我国研制的星上压缩算法改进设计提供参考。

本发明的影像综合性评价指标能够替代现有的评价指标对影像质量进行全面的评价，从而简化评价过程，并与主观评价结果具有较好的一致性。

附图说明

图1是图像压缩在航天遥感中的应用的示意图；

图2示出了可以用于图1的图像压缩应用的示例性的图像压缩***的框图；

图3是示出了本发明的影像有损压缩质量评价方法的流程图；

图4是示出了图3的方法的匹配精度评价的流程图；

图5是示出了图3的方法的分类精度评价的流程图；

图6示出了应用根据本发明的影像有损压缩质量评价方法的软件总体界面的实例；

图7示出了图6的软件实现中的影像特征分析结果的实例图；

图8示出了图6的软件实现中的影像对比分析结果的实例图；

图9示出了图6的软件实现中的影像几何质量分析的实例图；

图10是根据本发明的实现批处理的实例图；

图11是示出了应用根据本发明的影像压缩质量评价方法的软件的工作流程的示例性流程图。

具体实施方式

下面将从参考附图来详细描述本发明的具体实施例。

图3是示出了本发明的影像有损压缩质量评价方法的流程图。如图3所示，该方法包括步骤：首先根据一定的影像选取原则，选取相关影像作为测试影像(S101)；然后进行数据压缩，从而获得压缩影像(S102)；之后进行解码，得到重建后的影像(S103)；之后，基于视觉认知方法、数字图像分析方法、数字摄影测量方法，对所采用的压缩方法进行评价，其包括判读质量评价、几何质量评价和应用分析评价三个方面(S104)，并最后输出质量评价报告(S105)。下面将对在本发明中影像压缩质量评价方法的上述三个方面分别进行详细描述。

1、判读质量评价

判读质量评价主要指从辐射特性方面考察影像压缩对于影像质量的影响，这种影响主要体现在像元灰度值的变化。判读质量评价包括主观质量评价和客观质量评价(基于影像综合性评价指标)。

(1)主观质量评价

影像压缩的主观质量评价是一个视觉认知(交互)的过程，例如，遥感影像是对地表环境的一种可视化，其质量是由多种因素决定的(如成像条件、传感器质量等)，其质量的好坏决定了影像的应用价值，经过压缩等处理后也是如此；人们通过观察压缩前的影像(原始影像)和压缩后的影像(重建影像)，得到一种视觉上的感受，可以形成一种认识，比如图像清晰、图像模糊、图像难以判读等；这种认识可以指导行为，如对影像质量进行评判、分级并进一步采取一定的手段来提高影像的质量(如改进压缩方法、降低影像压缩比等)。

主观质量评价是人们进行遥感影像质量评价常用的方法，并且是检验客观评价指标是否与人类视觉一致的唯一标准，在其它方面，如视频质量评价，主观质量评价也有着广泛的应用并且至今占据着重要地位。通常情况下，遥感影像质量的主观评价借鉴电视领域妨碍尺度的思想，组织有关测试者(观察者)对图像进行目视解译。测试者既可以是专家也可以是普通人员：普通人员则对遥感影像没有什么背景知识；专家是经受过遥感影像判读和解译训练的，他们能够凭自己的观察对遥感影像质量提出严格的判断，发现普通人员所忽略的影像中的某些细节。

本发明针对影像压缩的主观质量评价，首先分析了不同影像失真对于人类视觉(人眼是绝大多数影像处理环境中的最终接收者)的影响。以JPEG、JPEG-LS、JPEG 2000等压缩算法为基础，通过研究这压缩算法的原理和差异，分析它们对原始影像可能带来的失真影响，主要包括以下几个方面：

分块(Blocking)：分块现象广泛存在于基于分块处理的影像压缩技术中，在分块的边缘往往出现不连续性。

模糊(Blur)：由于空间细节丢失或边缘光滑的效果，容易出现纹理模糊。模糊往往存在于在量化过程中，例如高频信息的损失。

环形(Ringing)：在图像原始边缘的附近出现周期性的伪边界。这种失真是由于高频信息的不正确截断造成的，从而导致了在重建影像中出现高频信息的不规则性。

掩膜(Masking)：由于影像上其它目标的存在导致某个目标不可视。

环形失真和掩膜失真一般常见于高倍压缩比(压缩比高于10:1)的情况。

针对上述失真类型，设计了主观质量评价等级量表(见下表)。根据我国国家标准《数字测绘产品检查验收和质量评定》(GB/T 18316-2001)的评定等级，将评价等级量表分为优秀、良好、合格、不合格4级，不同等级对应不同的分数。对重建影像的整体质量进行评价，不能根据个人兴趣和偏好进行评价。

表1  主观质量评价等级量表

以下是对上表中的一些术语的解释：

信息丢失：原图像中的某些信息，如地理目标或地理目标的细部特征，在重建影像中丢失的现象；

几何畸变：重建图像中地理目标的几何特征发生变形和扭曲程度，如道路发生弯曲；

清晰度(锐度)：压缩算法往往具有平滑效果，导致边缘模糊，影像清晰度表示影像边缘清晰的程度；

反差：指影像的最大亮度与最小亮度的对比；

色调：以全色影像为例，指影像上黑白深浅的程度。

(2)客观质量评价

在本发明中，灰度特征畸变是影像灰度特性的一个集成函数，主要是解决反差变化和色调变化等有损压缩对影像所带来的影响，能够替代主观评价过程中的这些指标对观测者的影响；纹理损失是本发明中的一个重要指标，该指标是首次在国内外提出的，是基于灰度共生矩阵所提出的一个纹理特性统计函数，它能够替代主观评价过程中的信息丢失和几何畸变等指标对观测者的影响；相关性损失能够替代主观评价过程中的清晰度指标对观测者的影响。

因此，基于上述三个方面的技术指标就能够完全替代主观质量评价过程，并由计算机通过加载的程序自动执行。下面的本发明的内容集中在如何将灰度特征畸变、纹理畸变和相关性损失三个方面统一起来进行整体性和全面性的评价。

在下面的评价过程中，假设f(i，j)为原始影像的每一个像素的灰度值，g(i，j)为解压缩后的重建影像的每一个像素的灰度值，其中(i，j)为二维图像的行、列号(i＝0，1，2，...，M-1，j＝0，1，2，...，N-1)，M、N为影像的高度和宽度。

1)灰度特征畸变(Gray Character Distortion，GCD)指标包含两项评价内容：灰度平均值和标准偏差，本发明将灰度特征畸变描述为灰度平均值和标准偏差的一个有理函数，其定义如下：

$\mathrm{GCD}=\frac{2{\mathrm{\μ}}_f{\mathrm{\σ}}_f{\mathrm{\μ}}_g{\mathrm{\σ}}_g}{{\left({\mathrm{\μ}}_f{\mathrm{\σ}}_f\right)}^2+{\left({\mathrm{\μ}}_g{\mathrm{\σ}}_g\right)}^2}$

其中μ_f和μ_g分别是原始影像和重建影像的灰度平均值，σ_f和σ_g分别是原始影像和重建影像的灰度标准偏差。根据基本不等式：两个数的平方和不小于它们积的二倍，易知0<GCD≤1，当且仅当μ_fσ_f＝μ_gσ_g时，GCD＝1。这里灰度平均值和灰度标准偏差的定义分别如下。

a)灰度平均值

灰度平均值可以从整体上反映图像的亮度，其计算公式为：

$\mathrm{\&mu;}=\frac{1}{M*N}\underset{j=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}f(i,j)$

b)灰度标准偏差

灰度标准偏差的计算公式为：

$\mathrm{\&sigma;}=\sqrt{\frac{1}{M\&times;N}\underset{j=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{[\mathrm{\&mu;}-f(i,j)]}^2}$

2)纹理损失(Texture Distortion，TD)指标包含三项评价内容：信息熵，角二阶矩和对比度，同样本发明将纹理损失描述为三者的一个有理函数，，其定义如下：

$\mathrm{TD}=\frac{2E_f{A}_f{C}_f{E}_g{A}_g{C}_g}{{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2}$

其中E_f、A_f、C_f和E_g、A_g、C_g分别是原始影像的角二阶矩、对比度和重建影像的角二阶矩、对比度。同理易知0<TD≤1，当且仅当E_fA_fC_f＝E_gA_gC_g时，TD＝1。有关信息熵、角二阶矩和对比度的定义如下

a)信息熵

基于灰度共生矩阵的熵定义为：

$E=-\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\stackrel{\mathrm{\&Lambda;}}{p}(i,j){\log }_2\stackrel{\mathrm{\&Lambda;}}{p}(i,j)$

采用基于灰度共生矩阵计算信息熵更能反映图像纹理细节、边缘突变的情况，更适用于遥感影像。通过比较信息熵可以客观地评价影像在压缩前后的信息量的变化。

b)角二阶矩

角二阶矩是灰度共生矩阵的二次统计量，具体为灰度共生矩阵平方的和，也称为能量，是图像灰度分布均匀性的度量。其计算公式为：

$A=\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{\stackrel{\mathrm{\&Lambda;}}{p}}^2(i,j)$

从图像整体来观察，纹理较粗时，角二阶距的值较大，反之则较小。

c)对比度

图像的对比度可以理解为图像的清晰程度，反映了某像素与相邻像素的对比情况，其计算过程也用到灰度共生矩阵。图像对比度的公式为：

$C=\underset{n-0}{\overset{L-1}{\mathrm{\&Sigma;}}}{n}^2\left\{\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\stackrel{\mathrm{\&Lambda;}}{p}(i,j)\right\}$

其中|i-j|＝n

纹理的沟纹越深，其对比度大，图像就越清晰，视觉效果越好；反之对比度小时沟纹浅，效果模糊。

3)相关性损失(Loss of Correlation，LC)指标的定义如下：

$\mathrm{LC}=\frac{{\mathrm{\&sigma;}}_{\mathrm{fg}}}{{\mathrm{\&sigma;}}_f{\mathrm{\&sigma;}}_g}$

其中 ${\mathrm{\&sigma;}}_{\mathrm{fg}}=\frac{\underset{j=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}[f(i,j)-{\mathrm{\&mu;}}_f][g(i,j)-{\mathrm{\&mu;}}_g]}{M\&times;N}.$

最后，需要将三个指标统一起来，得到一个综合性的指标。本发明将综合性的指标认为是一个多维结构模型，该模型引入了影像特征畸变、纹理畸变和相关性损失三个“维”，将这个综合性指标在概念上视为一个立方体。这里的维指代影像质量评价的一个方面或特定角度，可以包含多个属性，即维是属性的集合，如特征畸变维包括灰度平均值和标准偏差、纹理畸变维包括信息熵、角二阶矩和对比度等，维与维之间两两垂直，维具有一定的取值范围[0.1]。

多维结构模型是一个逻辑概念，也是本发明首次提出的可以用于指标设计的一个重要概念，该模型主要解决如何对三个“维”进行多角度的、全面地评价重建影像质量，根据上面所述的将三个维进行立方体表示可以容易地将三个指标统一起来，得到一个综合性的指标Q，见下式。易知，Q值的高低反映了重建影像质量的好坏，Q值越高，影像质量越好，同时Q也具备对称性和有界性，并且当且仅当f(i，j)≡g(i，j)时，Q为1。

$Q=\mathrm{GCD}\&times;\mathrm{TD}\&times;\mathrm{LC}$

$=\frac{{2\mathrm{\&mu;}}_f{\mathrm{\&sigma;}}_f{\mathrm{\&mu;}}_g{\mathrm{\&sigma;}}_g}{{\left({\mathrm{\&mu;}}_f{\mathrm{\&sigma;}}_f\right)}^2+{\left({\mathrm{\&mu;}}_g{\mathrm{\&sigma;}}_g\right)}^2}\&times;\frac{2E_f{A}_f{C}_f{E}_g{A}_g{C}_g}{{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2}\&times;\frac{{\mathrm{\&sigma;}}_{\mathrm{fg}}}{{\mathrm{\&sigma;}}_f{\mathrm{\&sigma;}}_g}$

$=\frac{4{\mathrm{\&mu;}}_f{\mathrm{\&mu;}}_g{E}_f{A}_f{C}_f{E}_g{A}_g{C}_g{\mathrm{\&sigma;}}_{\mathrm{fg}}}{[{\left({\mathrm{\&mu;}}_f{\mathrm{\&sigma;}}_f\right)}^2+{\left({\mathrm{\&mu;}}_g{\mathrm{\&sigma;}}_g\right)}^2][{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2]}$

本发明通过大量的技术试验，选择了一千余幅的遥感影像进行验证，包括不同的地形类别(平地、丘陵、山地和高山地等)、分辨率和压缩比等，通过将主观评价结果与之进行比较，判断两者一致性，结果证明该指标与主观评价的一致性较好，说明该评价指标具有很好的合理性。并且，由于该指标可以由自动计算设备根据原始测试图像和重建图像的每一个像素的灰度值自动进行计算，从而实现了遥感图像有损压缩质量的自动化评价。

2、几何质量评价

影像几何质量表达了影像能够正确反映原始景物形状和大小的能力，几何质量的优劣决定了影像可量测的程度。在很多高精度的数字图像处理领域，如数字摄影测量与遥感、计算机视觉等，研究数据压缩对影像几何质量的影响更加重要。

本发明从摄影测量的角度出发，设计采用基于最小二乘的匹配方法进行重建影像的匹配精度评价，从而获得匹配精度评价指标。且之后，使用所述匹配精度评价指标进行匹配精度分析。

3、应用分析评价

应用分析，通过从应用的角度出发，研究数据压缩对重建影像构像质量的影响。影像的计算机分类是影像应用的一个重要领域，国内外关于影像压缩对于影像计算机分类的影响的研究还不是很多，限于时代的限制，这些研究尚未考虑新一代的基于小波变换的压缩技术。

(1)分类精度评价

计算机分类是利用计算机对地球表面及其环境在影像上的信息进行属性的识别和分类，从而达到识别图像信息所对应的实际地物，提取所需地物信息的目的，它是模式识别技术在遥感技术领域中的具体应用。可以采用比较成熟的分类方法，即非监督分类中的ISODATA和监督分类中的最大似然分类法。

可以通过对原始影像及其重建影像进行非监督和监督分类，得到各自的分类结果，假定原始影像的分类结果为“真实地表情况”，与之比较重建影像分类结果，进而分析压缩比与分类精度之间的关系等。

(2)图斑面积变化分析

以压缩前的图斑面积为“真”值，压缩后重建影像上的图斑面积通过与“真”值进行比较分析，得出图斑面积变化情况。

这样，在本发明的遥感质量有损压缩质量评价方法中，分别从判读质量评价、几何质量评价和应用分析评价三个方面对于原始的测试影像和压缩后的重建影像进行评价，从而能够全面地评价图像的压缩质量。克服了现有技术的评价方法当中大多数仅从一个方面进行评价，从而不能很好地反映出有损压缩方法的压缩质量的问题。并且，通过上述方法中使用的影像综合性评价指标和匹配精度评价指标，以及基于应用分析的分类精度评价和图斑面积变化分析，本发明的方法能够适用于影像的压缩质量评价，考虑了不同地形类别和纹理丰富程度在有损压缩中的影像，并且适用于我国研制的星上压缩算法(如SPIHT算法、JPEG-LS算法、JPEG2000算法)。

图4是示出了图3的方法中的匹配精度评价的示意性流程图。如图4所示，对原始影像数据采用不同的压缩方法、以不同压缩比进行压缩，得到一系列压缩后的重建影像。之后，对于原始测试影像与压缩后重建的影像，基于最小二乘匹配，比较重建影像上特征点位置的变化(移位)，统计出所有特征点的位移的中误差作为匹配精度评价指标。并使用该匹配精度评价指标进行匹配精度的评价。其中，该最小二乘匹配方法的主要步骤包括：

(1)利用点特征算子提取目标灰度特征；

(2)通过利用高精度的单点最小二乘匹配法进行匹配(六参数的仿射变换，即在X和Y两方向上各自的平移，缩放和旋转)。

最小二乘影像匹配将最小二乘算法与特征匹配相结合，充分利用了影像窗口内的信息进行整体平差，从而使得配准可以达到1/10甚至1/100以上的高精度。

基于最小二乘匹配结果，比较重建影像上特征点位置的变化(移位)，即令原始影像上特征点位的像素位置为(x_f，y_f)，重建影像上对应点位的像素位置为(x_g，y_g)，利用Δx和Δy来衡量影像匹配误差，其中：

Δx＝x_f-x_g，Δy＝y_f-y_g

可以统计出所有特征点的Δx和Δy的中误差作为匹配精度评价指标。

图5是示出了图3的方法中的分类精度评价的流程图。如图5所示，原始影像压缩后得到重建影像，对原始影像和重建分别进行非监督与监督的分类，然后进行分类精度的评价。分类是利用计算机对地球表面及其环境在影像上的信息进行属性的识别和分类，从而达到识别图像信息所对应的实际地物，提取所需地物信息的目的，它是模式识别技术在遥感技术领域中的具体应用。本发明拟采用比较成熟的分类方法，即非监督分类中的ISODATA(Iterative Self-Organizing Data Analysis Technique)和监督分类中的最大似然分类法(Maximum Likelihood Classification，MLC)。对于同一地区测试影像的分类情况，ISODATA分类中的参数设置都是相同的，如分类数目、最多迭代次数和收敛阈值等；不同地区的测试影像，可根据实际情况，设置不同的分类数目等。

分类后进行精度评价(正确分类程度的检核)是遥感定量分析的一部分，一般可作为分类影像进一步使用时的参考。评价分类精度的指标主要是总体精度(Overall Accuracy)和Kappa系数(Kappa Coefficient)。

总体精度是根据混淆矩阵(Confusion Matrix)计算得出的，混淆矩阵统计了分类影像中所有的像元的类别与实际类别之间的混淆程度，其对角线上的元素为每一类别的正确分类程度，其它元素为错误分类的程度。总体精度的计算公式如下；

$O=\frac{\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{kk}}}{N}$

Kappa系数是一种更高级的统计量，其计算公式如下：

$K=\frac{N\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{kk}}-\underset{k}{\mathrm{\&Sigma;}}{x}_{\text{k\&Sigma;}}{x}_{\mathrm{\&Sigma;k}}}{N^2-\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{k\&Sigma;}}{x}_{\mathrm{\&Sigma;k}}}$

在上式中，O和K分别表示总体精度和Kappa系数，N表示原始影像中所有像元的数目，x_kk为混淆矩阵的对角线上的数值，x_k∑为原始影像的每一种分类的总的像元数目，x_∑k为分类影像中每一种分类中分类正确的像元数目，总体精度和Kappa系数取值范围都是[0，1]，两者均为1时表示分类完全正确。

通过对原始影像及其重建影像进行非监督和监督分类，得到各自的分类结果，假定原始影像的分类结果为“真实地表情况”，与之比较重建影像分类结果，进而分析压缩比与分类精度之间的关系。

下面参考图6-11来描述本发明的影像有损压缩质量评价方法的具体应用的软件实现的实例。

图6示出了应用根据本发明的影像有损压缩质量评价方法的软件总体界面的实例。例如，如图6所示，本发明采用遥感影像作为软件设计的实例，图6为遥感影像压缩失真度量软件的主界面，左边为原始影像，右边为重建后的影像。主菜单包括：影像特征分析、影像对比分析、影像几何质量分析、批处理等。其可以得出本发明的遥感影像有损压缩质量评价方法及其影像综合性评价指标和影像匹配精度指标所需要的各种指标。

根据本发明，所述影像特征分析和影像对比分析都属于本发明的判读质量评价的范畴。这样，在所述软件实现中，使用了上述影像特征分析和影响对比分析这两类指标中的一些常用指标，但是本领域技术人员应该了解，本发明的方法和其具体软件实现所计算的指标并不限于这些指标，只要所计算的指标中包括本发明的影像综合性评价指标、影像匹配精度指标及分类精度评价和图斑面积变化分析中所需要用到的指标即可。

图7示出了图6的软件实现中的影像特征分析结果的实例图。如图7所示，为原始影像和重建后的影像的特征统计分析界面，其示例性地分析和示出了原始影像和重建影像的对比度、信息熵、灰度平均值、角二阶矩阵、灰度标准偏差。

图8示出了图6的软件实现中的影像对比分析结果的实例图。如图8所示，为影像对比分析界面，其示例性地分析并示出了影像综合度量指标(即综合性评判指标)、相似度，影像逼真度、峰值信噪比、影像相关系数、差值影像灰度标准差、差值影像灰度平均值。

图9示出了图6的软件实现中的影像几何质量分析的实例图。如图9所示，为原始影像和重建后的影像匹配精度分析报告，红色标记为匹配的特征同名点，分析了匹配同名像点的列偏移等；影像几何质量表达了遥感影像能够正确反映原始景物形状和大小的能力，几何质量的优劣决定了遥感影像可量测的程度。在很多高精度的数字图像处理领域，如数字摄影测量与遥感、计算机视觉等，研究数据压缩对影像几何质量的影响更加重要。匹配精度能够反应影像的几何质量。

图10是根据本发明的实现批处理的实例图。如图10所示，为批处理示例图，旋转原始影像和重建后的影像，单击计算按钮，即可自动完成批处理。

图11是示出了应用根据本发明的遥感影像压缩质量评价方法的软件的工作流程的示例性流程图。如图11所示，该软件的技术流程包括：首先选取测试的影像，该影像含有多种地物、地形类别(S201)；对进行数据有损压缩，从而得到一系列压缩比的重建的遥感影像(S202)。将测试影像与重建的遥感影像由遥感影像压缩质量评价软件进行评价，从而获得如图7-9所示的一系列指标(S203)，之后，根据本发明的遥感影像压缩质量评价方法计算影像综合性评价指标和影像匹配精度指标(S204)，并对照下表1完成遥感影像压缩质量评价(S205)。

表1为遥感影像压缩质量评价指标体系。利用该表，按照本发明的技术流程，能够实现快速地进行遥感影像压缩质量评价，从而获得与主观感知结果具有较高的一致性的评价结果。

表1

通过上述本发明的影像有损压缩质量评价方法将其使用的影像综合性评价指标，可以通过对原始图像和压缩的重建图像的每一个像素的灰度值的分析和计算，自动生成压缩质量的评价，并且该评价方法全面地评价了压缩图像的质量，从而能够获得与主观感知结果高度一致的评价结果。这样，在操作中，用户只需要选择原始遥感图像和压缩后的重建图像，就可以通过本发明的方法自动生成对于图像压缩质量的评价，从而判断用于压缩图像的有损压缩方法的优劣以及压缩后的图像的可用性，从而减少了主观判断中可能出现的误差，并大大便利了用户的使用。

本领域技术人员应该明白，虽然在上述本发明的具体实施方式中大部分情况下参考遥感影像进行了上述影像有损压缩质量评价方法的描述，但是本发明的方法并不限于遥感影像的应用，而是可以应用于任意影像有损压缩方法，用于对所述方法进行评价。

在上面的说明中，根据本发明的优选实施方式描述了本发明的遥感影像有损压缩质量评价方法。本领域技术人员将理解，该方法可以实现为记录在计算机可读记录介质上的计算机可读代码。该计算机可读记录介质可以是存储可由计算机***读取的数据的任何数据存储设备。计算机可读记录介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘、光数据存储装置和载波(诸如通过因特网的数据发送)。计算机可读记录介质还可以分布在联网的计算机***中，以便以分布的方式存储并执行计算机可读代码。

尽管上述是参照示例性实施方式来描述本发明，但本领域技术人员将理解，在不背离由所附权利要求书限定的本发明宗旨和范围的前提下，可以对本发明进行各种形式和细节上的修改。优选实施方式应该仅认为是说明性的，而不是限制性的。因此，本发明的详细描述不限定本发明的范围，本发明的范围应该由所附权利要求限定，并且本发明的范围内的所有区别技术特征应理解为包含在本发明中。

Claims (7)

1.一种影像有损压缩质量评价方法，包括步骤：

根据设定的影像选取原则，选取相关影像作为测试影像；

例如待评价的影像压缩方法对测试影像进行数据压缩，从而获得压缩影像；

进行解码，得到重建后的影像；

通过多个影像评价方面对测试影像和重建影像进行分析，从而对采用的影像压缩方法做出评价；

其中，该多个影像评价方面能够对压缩的影像质量进行全面的评价，同时该多个影像评价方面之间不具有相关性。

2.根据权利要求1所述的方法，其中，该多个影像评价方面包括：

判读质量评价，用于对影像的构像质量进行评价；

几何质量评价，用于对影像的几何质量进行评价；和

应用分析评价，用于根据影像的应用领域对影像质量进行评价。

3.根据权利要求2所述的方法，其中，该判读质量评价包括主观质量评价和客观质量评价，分别从主观和客观角度对影像的构像质量进行评价，该几何质量评价通过对重建影像的匹配精度进行评价来评价影像的几何质量，且该应用分析评价包括应用的分类精度评价和图斑面积变化分析。

4.根据权利要求3所述的方法，其中，该客观质量评价采用由灰度特征畸变、纹理畸变和相关性损失构成的影像综合性评价指标，

定义f(i，j)为原始测试影像的每一个像素的灰度值，g(i，j)为解码后的重建影像的每一个像素的灰度值，其中(i，j)为二维图像的行、列号(i＝0，1，2，...，M-1，j＝0，1，2，...，N-1)，M、N为测试影像的高度和宽度；

其中，灰度特征畸变是灰度平均值和灰度标准偏差的有理函数，由下式表示：

$\mathrm{GCD}=\frac{2{\mathrm{\&mu;}}_f{\mathrm{\&sigma;}}_f{\mathrm{\&mu;}}_g{\mathrm{\&sigma;}}_g}{{\left({\mathrm{\&mu;}}_f{\mathrm{\&sigma;}}_f\right)}^2+{\left({\mathrm{\&mu;}}_g{\mathrm{\&sigma;}}_g\right)}^2}$

其中μ_f和μ_g分别是测试影像和重建影像的灰度平均值，σ_f和σ_g分别是测试影像和重建影像的灰度标准偏差；

其中，纹理损失是信息熵，角二阶矩和对比度的有理函数，由下式表示：

$\mathrm{TD}=\frac{2E_f{A}_f{C_{f}E}_g{A}_g{C}_g}{{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2}$

其中E_f、A_f、C_f和E_g、A_g、C_g分别是测试影像的信息熵、角二阶矩、对比度和重建影像的信息熵、角二阶矩、对比度；

且相关性损失的定义如下：

$\mathrm{LC}=\frac{{\mathrm{\&sigma;}}_{\mathrm{fg}}}{{\mathrm{\&sigma;}}_f{\mathrm{\&sigma;}}_g}$

其中 ${\mathrm{\&sigma;}}_{\mathrm{fg}}=\frac{\underset{j=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}[f(i,j)-{\mathrm{\&mu;}}_f][g(i,j)-{\mathrm{\&mu;}}_g]}{M\&times;N}.$

所述影像综合性评价指标被表示为：

$Q=\mathrm{GCD}\&times;\mathrm{TD}\&times;\mathrm{LC}$

   $=\frac{{2\mathrm{\&mu;}}_f{\mathrm{\&sigma;}}_f{\mathrm{\&mu;}}_g{\mathrm{\&sigma;}}_g}{{\left({\mathrm{\&mu;}}_f{\mathrm{\&sigma;}}_f\right)}^2+{\left({\mathrm{\&mu;}}_g{\mathrm{\&sigma;}}_g\right)}^2}\&times;\frac{2E_f{A}_f{C}_f{E}_g{A}_g{C}_g}{{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2}\&times;\frac{{\mathrm{\&sigma;}}_{\mathrm{fg}}}{{\mathrm{\&sigma;}}_f{\mathrm{\&sigma;}}_g}$

   $=\frac{4{\mathrm{\&mu;}}_f{\mathrm{\&mu;}}_g{E}_f{A}_f{C}_f{E}_g{A}_g{C}_g{\mathrm{\&sigma;}}_{\mathrm{fg}}}{[{\left({\mathrm{\&mu;}}_f{\mathrm{\&sigma;}}_f\right)}^2+{\left({\mathrm{\&mu;}}_g{\mathrm{\&sigma;}}_g\right)}^2][{\left(E_f{A}_f{C}_f\right)}^2+{\left(E_g{A}_g{C}_g\right)}^2]}$

5.根据权利要求3所述的方法，其中，所述重建影像的匹配精度评价使用以下列步骤形成的匹配精度评价指标：

利用点特征算子提取目标灰度特征；

通过利用高精度的单点最小二乘匹配法进行匹配；

基于最小二乘匹配结果，比较重建影像上特征点位置的变化；

其中，定义测试影像上特征点位的像素位置为(x_f，y_f)，重建影像上对应点位的像素位置为(x_g，y_g)，利用Δx和Δy来衡量影像匹配误差，如下式定义：

Δx＝x_f-x_g，Δy＝y_f-y_g；和

统计所有特征点的Δx和Δy的中误差作为匹配精度评价指标。

6.根据权利要求3所述的方法，其中，所述分类精度评价使用的指标包括总体精度和Kappa系数，

其中，总体精度o的计算公式如下；

$O=\frac{\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{kk}}}{N}$

且Kappa系数K的计算公式如下：

$K=\frac{N\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{kk}}-\underset{k}{\mathrm{\&Sigma;}}{x}_{\text{k\&Sigma;}}{x}_{\mathrm{\&Sigma;k}}}{N^2-\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{k\&Sigma;}}{x}_{\mathrm{\&Sigma;k}}}$

其中，N表示原始影像中所有像元的数目，x_kk为混淆矩阵的对角线上的数值，x_k∑为测试影像的每一种分类的总的像元数目，x_∑k为分类的影像中每一种分类中分类正确的像元数目；

其中，所述混淆矩阵统计了分类影像中所有的像元的类别与实际类别之间的混淆程度，其对角线上的元素为每一类别的正确分类程度，其它元素为错误分类的程度。

7.根据权利要求3所述的方法，其中，所述图斑面积变化分析包括下列步骤：

以压缩前的图斑面积为“真”值；

将压缩后重建影像上的图斑面积通过与“真”值进行比较，从而得出图斑面积变化情况。

Images