CN105931257A - 基于纹理特征和结构相似度的sar图像质量评估方法 - Google Patents
基于纹理特征和结构相似度的sar图像质量评估方法 Download PDFInfo
- Publication number
- CN105931257A CN105931257A CN201610407766.0A CN201610407766A CN105931257A CN 105931257 A CN105931257 A CN 105931257A CN 201610407766 A CN201610407766 A CN 201610407766A CN 105931257 A CN105931257 A CN 105931257A
- Authority
- CN
- China
- Prior art keywords
- sar image
- regarding
- matrix
- row
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于纹理特征和结构相似度的SAR图像质量评估方法,主要针对已有结构相似度算法的不足,把SAR图像纹理特征和结构相似度算法结合起来,利用SAR图像的灰度不均匀度,对多视SAR图像的质量进行评价,消除了指标中的负值,且提高了指标的精度。其实现步骤是:(1)分别输入一幅原始SAR图像和一幅多视SAR图像;(2)预评估;(3)评估能量结构相似度的均值;(4)取得多视SAR图像的灰度不均匀度;(5)拟合多视SAR图像的灰度不均匀度曲线;(6)拟合多视SAR图像的能量结构相似度矩阵的均值曲线。
Description
技术领域
本发明属于计算机技术领域,更进一步涉及图像处理技术领域中的一种基于纹理特征和结构相似度的SAR图像质量评估方法。本发明可用于评估多视情况下SAR图像的图像质量,通过利用SAR图像的纹理特征和结构相似度方法来评估SAR图像的灰度是否均匀,图像纹理是否柔和,以达到和人类视觉***有统一的评价结果,本评估方法可用于分析SAR图像性质、SAR图像分类,SAR图像边缘检测等领域。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)技术近年来应用得越来越广泛。SAR图像与普通光学遥感图像相比,具有可以全天候获取的特点,并且随着SAR图像分辨率不断提高,基于它的图像处理技术也越来越多。在SAR图像成像过程中经常利用到多视方法,而多视情况的SAR图像质量,对于SAR图像的性质研究至关重要。
Shuhong Jiao等人在其发表的论文“SAR Image Quality Assessment Based onSSIM Using Textural Feature”(2013Seventh International Conference on Image andGraphics)中提出了利用纹理特征的结构相似度算法来对于SAR图像质量评估。该方法中第一步计算了原SAR图像的灰度共生矩阵,之后计算灰度共生矩阵的相关性性质;第二步计算SAR图像的亮度、对比度和结构三个性质,并实现结构相似度算法;第三步通过利用相关性性质改进SAR图像结构性质并融入到结构相似度算法中,计算纹理结构相似度值,实现了SAR图像的质量评估。该方法存在的不足之处是,其第三步采用纹理的相关性指标评估SAR图像存在负相关的缺陷。
Lic.Mirko等人在其发表的论文“SAR Image Quality Assessment”(Master InEmergency Early Warning and Response Space Applications March 2012)中提出了利用空间分辨率,峰值旁瓣比等性质参数对成像过程中的SAR图像进行质量评估。该方法第一步提取了SAR图像成像中的点目标的距离向脉冲响应函数和方位向脉冲响应函数;第二步通过利用脉冲响应函数,计算得到SAR图像成像过程中的空间分辨率、峰值旁瓣比、积分旁瓣比等性质参数;第三步通过比对性质参数与要求成像时的参数值,从而评估出SAR图像成像性质的好坏。该方法存在的不足之处是,未涉及SAR图像本身的图像指标以及存在指标参数单一,只有参数值比较等缺陷。
发明内容
本发明的目的在于克服上述现有技术存在的不足,将SAR图像纹理特征和结构相似度算法结合起来,利用SAR图像的灰度不均匀度,提供一种基于纹理特征和结构相似度的SAR图像质量评估方法。本发明用于对多视SAR图像的质量进行评价,消除了评价指标中的负值,且提高评价指标的精度。
为实现上述目的,本发明在评估多视SAR图像时,首先利用原始SAR图像的灰度均值和方差和多视SAR图像的灰度均值和方差进行预评估,再利用多视SAR图像的能量结构相似度均值和多视SAR图像的灰度不均匀度对多视SAR图像进行评价。
本发明包括如下步骤:
(1)分别输入一幅原始SAR图像和一幅多视SAR图像;
(2)预评估:
(2a)计算原始SAR图像的灰度指标;
(2b)计算多视SAR图像的灰度指标;
(2c)对原始SAR图像与多视SAR图像的灰度指标中的灰度均值和灰度方差,分别进行大小的预评估;
(3)评估能量结构相似度均值:
(3a)对原始SAR图像的灰度均值、灰度方差和能量值与多视SAR图像对应的性质进行归一化操作,得到多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵;
(3b)将多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵相乘,得到多视SAR图像的能量结构相似度矩阵;
(3c)利用下式,计算多视SAR图像的能量结构相似度矩阵的均值:
其中,MC表示多视SAR图像的能量结构相似度矩阵的均值,N表示N行N列的多视SAR图像的能量结构相似度矩阵的行的总数和列的总数,m表示第m行的多视SAR图像的能量结构相似度矩阵,n表示第n列的多视SAR图像的能量结构相似度矩阵,∑表示求和操作,C(f0,f1)表示N行N列的多视SAR图像的能量结构相似度矩阵,f0表示原始SAR图像的灰度值,f1表示多视SAR图像矩阵的灰度值;
(3d)利用多视SAR图像的能量结构相似度矩阵的均值与1的接近程度评估多视SAR图像质量;
(4)取得多视SAR图像的灰度不均匀度:
(4a)计算多视SAR图像的梯度矩阵的值后进行取整操作;
(4b)利用取整操作后的多视SAR图像梯度矩阵的值与多视SAR图像的灰度值组成灰度梯度共生矩阵;
(4c)利用下式,计算多视SAR图像的灰度不均匀度:
其中,T表示多视SAR图像的灰度不均匀度,∑表示求和操作,Ng表示多视SAR图像的灰度梯度共生矩阵的行的总数,Ns表示多视SAR图像的灰度梯度共生矩阵的列的总数,a表示第a行的多视SAR图像的灰度梯度共生矩阵,b表示第b列的多视SAR图像的灰度梯度共生矩阵,Hab表示在a行b列处多视SAR图像的灰度梯度共生矩阵的灰度值,H表示多视SAR图像的灰度梯度共生矩阵的灰度值的总和;
(5)拟合多视SAR图像的灰度不均匀度曲线:
以多视SAR图像的视数为横轴,以多视SAR图像的灰度不均匀度为纵轴,画出平面坐标系中的多视SAR图像的灰度不均匀度曲线,评估多视SAR图像的灰度不均匀度的变化;
(6)拟合多视SAR图像的能量结构相似度矩阵的均值曲线:
以多视SAR图像的视数为横轴,以取得的多视SAR图像的能量结构相似度矩阵的均值为纵轴,画出平面坐标系中的多视SAR图像的能量结构相似度矩阵的均值曲线,评估多视SAR图像的能量结构相似度矩阵的均值的变化。
本发明与现有的技术相比具有以下优点:
第一,由于本发明利用多视SAR图像的能量结构相似度矩阵的均值与1的接近程度,评估多视SAR图像质量,克服了现有技术采用纹理的相关性指标评估SAR图像存在负相关的缺陷,使得本发明保证了评估多视SAR图像质量时评估指标均为正值,指标的正值保证了评估多视SAR图像质量的正相关。
第二,由于本发明利用多视SAR图像的灰度不均匀度曲线评估多视SAR图像的灰度不均匀度的变化,克服了现有技术未涉及SAR图像本身的图像指标以及存在指标参数单一,只有参数值比较等缺陷,使得本发明利用了多视SAR图像的灰度性质,并且可以通过多视SAR图像的灰度不均匀度曲线直观的看出多视SAR图像的灰度不均匀度的变化。
附图说明
图1是本发明的流程图;
图2是本发明使用的原始SAR图像和多视SAR图像;
图3是本发明的多视SAR图像的灰度不均匀度曲线图;
图4是本发明的多视SAR图像的能量结构相似度矩阵的均值曲线图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,对本发明的具体实现步骤做进一步的描述。
步骤1,分别输入一幅原始SAR图像和一幅多视SAR图像。
步骤2,预评估。
计算原始SAR图像的灰度指标,具体步骤如下:
按照下式,计算原始SAR图像的灰度均值。
其中,μ0表示原始SAR图像的灰度均值,M1表示原始SAR图像矩阵的行的总数,N1表示原始SAR图像矩阵的列的总数,∑表示求和操作,i表示第i行的原始SAR图像,j表示第j列的原始SAR图像,fi,j表示在第i行第j列处原始SAR图像矩阵的灰度值。
按照下式,计算原始SAR图像的灰度方差。
其中,表示原始SAR图像的灰度方差,M1表示原始SAR图像矩阵的行的总数,N1表示原始SAR图像矩阵的列的总数,Σ表示求和操作,i表示第i行的原始SAR图像,j表示第j列的原始SAR图像,fi,j表示在第i行第j列处的原始SAR图像矩阵的灰度值,μ0表示原始SAR图像的灰度均值。
计算多视SAR图像的灰度指标,具体步骤如下:
按照下式,计算多视SAR图像的灰度均值。
其中,μ1表示多视SAR图像的灰度均值,M2表示多视SAR图像矩阵的行的总数,N2表示多视SAR图像矩阵的列的总数,∑表示求和操作,p表示第p行的多视SAR图像,q表示第q列的多视SAR图像,fp,q表示在第p行第q列处多视SAR图像矩阵的灰度值。
按照下式,计算多视SAR图像的灰度方差。
其中,表示多视SAR图像的灰度方差,M2表示多视SAR图像矩阵的行的总数,N2表示多视SAR图像矩阵的列的总数,∑表示求和操作,p表示第p行的多视SAR图像,q表示第q列的多视SAR图像,fp,q表示在第p行第q列处多视SAR图像矩阵的灰度值,μ1表示多视SAR图像的灰度均值。
对原始SAR图像与多视SAR图像的灰度指标的灰度均值和灰度方差分别进行大小的预评估。
步骤3,评估能量结构相似度均值。
对原始SAR图像的灰度均值、灰度方差和能量值与多视SAR图像对应的性质进行归一化操作,得到多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵,具体操作的步骤如下:
按照下式,计算多视SAR图像的亮度矩阵。
其中,L表示多视SAR图像的亮度矩阵,μ0和μ1分别表示原始SAR图像和多视SAR图像的灰度均值,K1表示防止分母为零的值,取值为0.01。
按照下式,计算多视SAR图像的对比度矩阵。
其中,Q表示多视SAR图像的对比度矩阵,σ0和σ1分别表示原始SAR图像和多视SAR图像的灰度标准差,和分别表示原始SAR图像和多视SAR图像的灰度方差,K2表示防止分母为零的值,取值为0.01。
按照下式,计算多视SAR图像的能量矩阵。
其中,ES表示多视SAR图像的能量矩阵,cov表示原始SAR图像能量值与多视SAR图像能量值得协方差,σA0和σA1分别表示原始SAR图像和多视SAR图像的能量标准差,K3表示防止分母为零的值,取值为0.005。
利用多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵相乘得到多视SAR图像的能量结构相似度矩阵。
按照下式,计算多视SAR图像的能量结构相似度矩阵的均值。
其中,MC表示多视SAR图像的能量结构相似度矩阵的均值,N表示N行N列的多视SAR图像的能量结构相似度矩阵的行的总数和列的总数,m表示第m行的多视SAR图像的能量结构相似度矩阵,n表示第n列的多视SAR图像的能量结构相似度矩阵,∑表示求和操作,C(f0,f1)表示N行N列的多视SAR图像的能量结构相似度矩阵,f0表示原始SAR图像的灰度值,f1表示多视SAR图像矩阵的灰度值。
利用多视SAR图像的能量结构相似度矩阵的均值与1的接近程度评估多视SAR图像质量。
步骤4,取得多视SAR图像的灰度不均匀度。
计算多视SAR图像的梯度矩阵的值后进行取整操作,先计算多视SAR图像的梯度矩阵的值,之后进行取整操作的具体步骤如下:
按照下式,计算多视SAR图像的梯度矩阵的值。
g(r,s)=|Δfr(r,s)|+|Δfs(r,s)|
其中,g(r,s)表示第r行第s列的多视SAR图像梯度矩阵的值,||表示取绝对值操作,Δ表示一阶差分操作,fr(r,s)表示第r行方向上的第r行第s列的多视SAR图像的灰度值,fs(r,s)表示第s列方向上的第r行第s列的多视SAR图像的灰度值,r表示第r行的多视SAR图像,s表示第s列的多视SAR图像。
按照下式,对多视SAR图像的梯度矩阵的值进行取整操作。
G(r,s)=INT[g(r,s)×Nc/gmax]+1
其中,G(r,s)表示第r行第s列取整后的多视SAR图像梯度矩阵的值,INT表示取整操作,g(r,s)表示第r行第s列的多视SAR图像梯度矩阵的值,r表示第r行的多视SAR图像,s表示第s列的多视SAR图像,Nc表示多视SAR图像梯度矩阵的列的总数,gmax表示多视SAR图像梯度矩阵中的最大梯度值。
利用取整操作后的多视SAR图像梯度矩阵的值与多视SAR图像的灰度值组成灰度梯度共生矩阵,按照下式,组成灰度梯度共生矩阵。
H(X,Y)={n|G(r,s),f1(r,s),r=1,...,X,s=1,...,Y}
其中,H(X,Y)表示第X行第Y列的多视SAR图像的灰度梯度共生矩阵,n表示多视SAR图像的灰度梯度共生矩阵第X行第Y列的值,X表示多视SAR图像的灰度梯度共生矩阵的行值,Y表示多视SAR图像的灰度梯度共生矩阵的列值,G(r,s)表示第r行第s列的取整后的多视SAR图像梯度矩阵的值,f1(r,s)表示第r行第s列的多视SAR图像的灰度值,r表示第r行的多视SAR图像,s表示第s列的多视SAR图像。
利用下式,计算多视SAR图像的灰度不均匀度。
其中,T表示多视SAR图像的灰度不均匀度,Σ表示求和操作,Ng表示多视SAR图像的灰度梯度共生矩阵的行的总数,Ns表示多视SAR图像的灰度梯度共生矩阵的列的总数,a表示第a行的多视SAR图像的灰度梯度共生矩阵,b表示第b列的多视SAR图像的灰度梯度共生矩阵,Hab表示在a行b列处多视SAR图像的灰度梯度共生矩阵的灰度值,H表示多视SAR图像的灰度梯度共生矩阵的灰度值的总和。
步骤5,拟合多视SAR图像的灰度不均匀度曲线。
以多视SAR图像的视数为横轴,以多视SAR图像的灰度不均匀度为纵轴,画出平面坐标系中的多视SAR图像的灰度不均匀度曲线,评估多视SAR图像的灰度不均匀度的变化。
步骤6,拟合多视SAR图像的能量结构相似度矩阵的均值曲线。
以多视SAR图像的视数为横轴,以取得的多视SAR图像的能量结构相似度矩阵的均值为纵轴,画出平面坐标系中的多视SAR图像的能量结构相似度矩阵的均值曲线,评估多视SAR图像的能量结构相似度矩阵的均值的变化。
下面结合仿真对本发明的效果做进一步的说明
1、仿真实验条件:
本发明仿真实验的计算机配置环境为Intel(R)Core i7-4790 3.6GHZ、内存4G、WINDOWS 8操作***,仿真软件采用MATLAB R2015a。
2、仿真内容与结果分析:
图2是本发明仿真图,其中图2(a)是本发明实验中使用的原始SAR图像,该图像是通过人工生成SAR图像纹理,其中一半为深灰度,另一半为浅灰度,利用灰度的区别产生了SAR图像的纹理。图2(b)是1视的多视SAR图像;图2(c)是2视的多视SAR图像;图2(d)是4视的多视SAR图像;图2(e)是8视的多视SAR图像;图2(f)是12视的多视SAR图像。
表1多视SAR图像质量评价指标对比
本发明的仿真实验通过对于多视SAR图像的结构相似度和多视SAR图像的能量结构相似度的均值进行比较,并拟合结构相似度和能量结构相似度的曲线。通过表1,可以看出本发明的方法比结构相似度更加接近于1,说明本发明的方法用于评价多视SAR图像质量精度更高,更加适合于评价多视SAR图像。
图3是本发明对多视SAR图像的评价指标曲线与结构相似度对多视SAR图像的评价指标曲线的对比实验图,以*线标示的曲线是多视SAR图像结构相似度的曲线,以直线标示的曲线是多视SAR图像的能量结构相似度矩阵的均值曲线。从图3中可以看出,本发明的评价指标比结构相似度的评价指标更加接近于1且曲线更加平稳,说明本发明的精度比结构相似度方法的精度更高,更加适合于评价多视SAR图像。
图4是多视SAR图像的灰度不均匀度曲线,从图4中可以看到,多视SAR图像的灰度不均匀度平稳下降,说明多视SAR图像的灰度不均匀度随视数变化逐渐减下,图像灰度逐渐趋于均匀,说明多视SAR图像的质量随视数增大质量也越来越好。
Claims (6)
1.一种基于纹理特征和结构相似度的SAR图像质量评估方法,包括如下步骤:
(1)分别输入一幅原始SAR图像和一幅多视SAR图像;
(2)预评估:
(2a)计算原始SAR图像的灰度指标;
(2b)计算多视SAR图像的灰度指标;
(2c)对原始SAR图像与多视SAR图像的灰度指标中的灰度均值和灰度方差,分别进行大小的预评估;
(3)评估能量结构相似度均值:
(3a)对原始SAR图像的灰度均值、灰度方差和能量值与多视SAR图像对应的性质进行归一化操作,得到多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵;
(3b)将多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵相乘,得到多视SAR图像的能量结构相似度矩阵;
(3c)利用下式,计算多视SAR图像的能量结构相似度矩阵的均值:
其中,MC表示多视SAR图像的能量结构相似度矩阵的均值,N表示N行N列的多视SAR图像的能量结构相似度矩阵的行的总数和列的总数,m表示第m行的多视SAR图像的能量结构相似度矩阵,n表示第n列的多视SAR图像的能量结构相似度矩阵,∑表示求和操作,C(f0,f1)表示N行N列的多视SAR图像的能量结构相似度矩阵,f0表示原始SAR图像的灰度值,f1表示多视SAR图像矩阵的灰度值;
(3d)利用多视SAR图像的能量结构相似度矩阵的均值与1的接近程度评估多视SAR图像质量;
(4)取得多视SAR图像的灰度不均匀度:
(4a)计算多视SAR图像的梯度矩阵的值后进行取整操作;
(4b)利用取整操作后的多视SAR图像梯度矩阵的值与多视SAR图像的灰度值组成灰度梯度共生矩阵;
(4c)利用下式,计算多视SAR图像的灰度不均匀度:
其中,T表示多视SAR图像的灰度不均匀度,∑表示求和操作,Ng表示多视SAR图像的灰度梯度共生矩阵的行的总数,Ns表示多视SAR图像的灰度梯度共生矩阵的列的总数,a表示第a行的多视SAR图像的灰度梯度共生矩阵,b表示第b列的多视SAR图像的灰度梯度共生矩阵,Hab表示在a行b列处多视SAR图像的灰度梯度共生矩阵的灰度值,H表示多视SAR图像的灰度梯度共生矩阵的灰度值的总和;
(5)拟合多视SAR图像的灰度不均匀度曲线:
以多视SAR图像的视数为横轴,以多视SAR图像的灰度不均匀度为纵轴,画出平面坐标系中的多视SAR图像的灰度不均匀度曲线,评估多视SAR图像的灰度不均匀度的变化;
(6)拟合多视SAR图像的能量结构相似度矩阵的均值曲线:
以多视SAR图像的视数为横轴,以取得的多视SAR图像的能量结构相似度矩阵的均值为纵轴,画出平面坐标系中的多视SAR图像的能量结构相似度矩阵的均值曲线,评估多视SAR图像的能量结构相似度矩阵的均值的变化。
2.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法,其特征在于,步骤(2a)中所述的计算所有原始SAR图像的灰度指标具体步骤如下:
第1步,按照下式,计算原始SAR图像的灰度均值:
其中,μ0表示原始SAR图像的灰度均值,M1表示原始SAR图像矩阵的行的总数,N1表示原始SAR图像矩阵的列的总数,∑表示求和操作,i表示第i行的原始SAR图像,j表示第j列的原始SAR图像,fi,j表示在第i行第j列处原始SAR图像矩阵的灰度值;
第2步,按照下式,计算原始SAR图像的灰度方差:
其中,表示原始SAR图像的灰度方差,M1表示原始SAR图像矩阵的行的总数,N1表示原始SAR图像矩阵的列的总数,∑表示求和操作,i表示第i行的原始SAR图像,j表示第j列的原始SAR图像,fi,j表示在第i行第j列处的原始SAR图像矩阵的灰度值,μ0表示原始SAR图像的灰度均值。
3.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法,其特征在于,步骤(2b)中所述的计算所有多视SAR图像的灰度指标的具体步骤如下:
第1步,按照下式,计算多视SAR图像的灰度均值:
其中,μ1表示多视SAR图像的灰度均值,M2表示多视SAR图像矩阵的行的总数,N2表示多视SAR图像矩阵的列的总数,∑表示求和操作,p表示第p行的多视SAR图像,q表示第q列的多视SAR图像,fp,q表示在第p行第q列处多视SAR图像矩阵的灰度值;
第2步,按照下式,计算多视SAR图像的灰度方差:
其中,表示多视SAR图像的灰度方差,M2表示多视SAR图像矩阵的行的总数,N2表示多视SAR图像矩阵的列的总数,∑表示求和操作,p表示第p行的多视SAR图像,q表示第q列的多视SAR图像,fp,q表示在第p行第q列处多视SAR图像矩阵的灰度值,μ1表示多视SAR图像的灰度均值。
4.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法,其特征在于,步骤(3a)中所述的对原始SAR图像的灰度均值、灰度方差和能量值与多视SAR图像对应的性质进行归一化操作的具体步骤如下:
第1步,按照下式,计算多视SAR图像的亮度矩阵:
其中,L表示多视SAR图像的亮度矩阵,μ0和μ1分别表示原始SAR图像和多视SAR图像的灰度均值,K1表示防止分母为零的值,取值为0.01;
第2步,按照下式,计算多视SAR图像的对比度矩阵:
其中,Q表示多视SAR图像的对比度矩阵,σ0和σ1分别表示原始SAR图像和多视SAR图像的灰度标准差,和分别表示原始SAR图像和多视SAR图像的灰度方差,K2表示防止分母为零的值,取值为0.01;
第3步,按照下式,计算多视SAR图像的能量矩阵:
其中,ES表示多视SAR图像的能量矩阵,cov表示原始SAR图像能量值与多视SAR图像能量值得协方差,σA0和σA1分别表示原始SAR图像和多视SAR图像的能量标准差,K3表示防止分母为零的值,取值为0.005。
5.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法,其特征在于,步骤(4a)中所述的先计算多视SAR图像的梯度矩阵的值,之后进行取整操作的具体步骤如下:
第1步,按照下式,计算多视SAR图像的梯度矩阵的值:
g(r,s)=|Δfr(r,s)|+|Δfs(r,s)|
其中,g(r,s)表示第r行第s列的多视SAR图像梯度矩阵的值,||表示取绝对值操作,Δ表示一阶差分操作,fr(r,s)表示第r行方向上的第r行第s列的多视SAR图像的灰度值,fs(r,s)表示第s列方向上的第r行第s列的多视SAR图像的灰度值,r表示第r行的多视SAR图像,s表示第s列的多视SAR图像;
第2步,按照下式,对多视SAR图像的梯度矩阵的值进行取整操作:
G(r,s)=INT[g(r,s)×Nc/gmax]+1
其中,G(r,s)表示第r行第s列取整后的多视SAR图像梯度矩阵的值,INT表示取整操作,g(r,s)表示第r行第s列的多视SAR图像梯度矩阵的值,r表示第r行的多视SAR图像,s表示第s列的多视SAR图像,Nc表示多视SAR图像梯度矩阵的列的总数,gmax表示多视SAR图像梯度矩阵中的最大梯度值。
6.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法,其特征在于,步骤(4b)中所述的利用取整操作后的多视SAR图像梯度矩阵的值与多视SAR图像的灰度值组成灰度梯度共生矩阵,按照下式组成灰度梯度共生矩阵:
H(X,Y)={n|G(r,s),f1(r,s),r=1,...,X,s=1,...,Y}
其中,H(X,Y)表示第X行第Y列的多视SAR图像的灰度梯度共生矩阵,n表示多视SAR图像的灰度梯度共生矩阵第X行第Y列的值,X表示多视SAR图像的灰度梯度共生矩阵的行值,Y表示多视SAR图像的灰度梯度共生矩阵的列值,G(r,s)表示第r行第s列的取整后的多视SAR图像梯度矩阵的值,f1(r,s)表示第r行第s列的多视SAR图像的灰度值,r表示第r行的多视SAR图像,s表示第s列的多视SAR图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407766.0A CN105931257B (zh) | 2016-06-12 | 2016-06-12 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407766.0A CN105931257B (zh) | 2016-06-12 | 2016-06-12 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105931257A true CN105931257A (zh) | 2016-09-07 |
CN105931257B CN105931257B (zh) | 2018-08-31 |
Family
ID=56832998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610407766.0A Active CN105931257B (zh) | 2016-06-12 | 2016-06-12 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105931257B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451608A (zh) * | 2017-07-21 | 2017-12-08 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN107610093A (zh) * | 2017-08-02 | 2018-01-19 | 西安理工大学 | 基于相似性特征融合的全参考型图像质量评价方法 |
CN107845087A (zh) * | 2017-10-09 | 2018-03-27 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和*** |
CN108269277A (zh) * | 2016-12-30 | 2018-07-10 | 清华大学 | 用于对辐射图像进行质量评价的方法和*** |
CN108550145A (zh) * | 2018-04-11 | 2018-09-18 | 北京环境特性研究所 | 一种sar图像质量评估方法和装置 |
WO2018223514A1 (zh) * | 2017-06-06 | 2018-12-13 | 百富计算机技术(深圳)有限公司 | 打印评价的方法、终端设备及计算机可读存储介质 |
CN113780422A (zh) * | 2021-09-13 | 2021-12-10 | 北京环境特性研究所 | 背景杂波相似性评估方法及装置 |
CN114267076A (zh) * | 2022-03-01 | 2022-04-01 | 天津所托瑞安汽车科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
CN115082508A (zh) * | 2022-08-18 | 2022-09-20 | 山东省蓝睿科技开发有限公司 | 一种海洋浮标生产质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833766A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 基于gssim的立体图像客观质量评价算法 |
CN101853504A (zh) * | 2010-05-07 | 2010-10-06 | 厦门大学 | 基于视觉特性与结构相似度的图像质量评测方法 |
CN103903259A (zh) * | 2014-03-20 | 2014-07-02 | 宁波大学 | 一种基于结构纹理分离的立体图像质量客观评价方法 |
US20140286569A1 (en) * | 2013-03-25 | 2014-09-25 | Nvidia Corporation | Robust automatic determination and location of macbeth color checker charts |
CN104851098A (zh) * | 2015-05-22 | 2015-08-19 | 天津大学 | 基于改进结构相似度的立体图像质量客观评价方法 |
-
2016
- 2016-06-12 CN CN201610407766.0A patent/CN105931257B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853504A (zh) * | 2010-05-07 | 2010-10-06 | 厦门大学 | 基于视觉特性与结构相似度的图像质量评测方法 |
CN101833766A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 基于gssim的立体图像客观质量评价算法 |
US20140286569A1 (en) * | 2013-03-25 | 2014-09-25 | Nvidia Corporation | Robust automatic determination and location of macbeth color checker charts |
CN103903259A (zh) * | 2014-03-20 | 2014-07-02 | 宁波大学 | 一种基于结构纹理分离的立体图像质量客观评价方法 |
CN104851098A (zh) * | 2015-05-22 | 2015-08-19 | 天津大学 | 基于改进结构相似度的立体图像质量客观评价方法 |
Non-Patent Citations (2)
Title |
---|
SHUANG LI等: "Multivariate statistical analysis of measures for assessing the quality of image fusion", 《INTERNATIONAL JOURNAL OF IMAGE AND DATA FUSION 》 * |
刘锦帆等: "基于HVS结构相似度的极化SAR图像质量评价方法", 《国外电子测量技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108269277B (zh) * | 2016-12-30 | 2022-03-08 | 清华大学 | 用于对辐射图像进行质量评价的方法和*** |
CN108269277A (zh) * | 2016-12-30 | 2018-07-10 | 清华大学 | 用于对辐射图像进行质量评价的方法和*** |
WO2018223514A1 (zh) * | 2017-06-06 | 2018-12-13 | 百富计算机技术(深圳)有限公司 | 打印评价的方法、终端设备及计算机可读存储介质 |
CN107451608B (zh) * | 2017-07-21 | 2020-08-04 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN107451608A (zh) * | 2017-07-21 | 2017-12-08 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN107610093A (zh) * | 2017-08-02 | 2018-01-19 | 西安理工大学 | 基于相似性特征融合的全参考型图像质量评价方法 |
CN107610093B (zh) * | 2017-08-02 | 2020-09-25 | 西安理工大学 | 基于相似性特征融合的全参考型图像质量评价方法 |
CN107845087B (zh) * | 2017-10-09 | 2020-07-03 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和*** |
CN107845087A (zh) * | 2017-10-09 | 2018-03-27 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和*** |
CN108550145A (zh) * | 2018-04-11 | 2018-09-18 | 北京环境特性研究所 | 一种sar图像质量评估方法和装置 |
CN113780422A (zh) * | 2021-09-13 | 2021-12-10 | 北京环境特性研究所 | 背景杂波相似性评估方法及装置 |
CN113780422B (zh) * | 2021-09-13 | 2023-06-27 | 北京环境特性研究所 | 背景杂波相似性评估方法及装置 |
CN114267076A (zh) * | 2022-03-01 | 2022-04-01 | 天津所托瑞安汽车科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
CN115082508A (zh) * | 2022-08-18 | 2022-09-20 | 山东省蓝睿科技开发有限公司 | 一种海洋浮标生产质量检测方法 |
CN115082508B (zh) * | 2022-08-18 | 2022-11-22 | 山东省蓝睿科技开发有限公司 | 一种海洋浮标生产质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105931257B (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105931257A (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN110097129A (zh) | 基于轮廓波分组特征金字塔卷积的遥感目标检测方法 | |
CN110163275B (zh) | 基于深度卷积神经网络的sar图像目标分类方法 | |
CN105957054B (zh) | 一种图像变化检测方法 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN102800070B (zh) | 基于区域和人眼对比敏感特性的异源图像融合方法 | |
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN110765912B (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN107274360B (zh) | 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN102360503A (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
CN104182768B (zh) | 逆合成孔径雷达图像的质量分类方法 | |
CN103475897A (zh) | 一种基于失真类型判断的自适应图像质量评价方法 | |
CN104599288A (zh) | 一种基于肤色模板的特征跟踪方法及装置 | |
CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN106503170A (zh) | 一种基于遮挡维度的图像库构建方法 | |
CN104517286A (zh) | 基于自适应阈值分割和组合优化的sar图像配准 | |
CN105116412A (zh) | 一种宽带雷达isar图像性能定量判别方法 | |
CN107451608B (zh) | 基于多视幅度统计特性的sar图像无参考质量评价方法 | |
CN103310469B (zh) | 一种基于混合图像模板的车辆检测方法 | |
CN102800101A (zh) | 一种星载红外遥感图像机场roi快速检测方法 | |
CN107478656A (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |