CN108550145A - 一种sar图像质量评估方法和装置 - Google Patents
一种sar图像质量评估方法和装置 Download PDFInfo
- Publication number
- CN108550145A CN108550145A CN201810319730.6A CN201810319730A CN108550145A CN 108550145 A CN108550145 A CN 108550145A CN 201810319730 A CN201810319730 A CN 201810319730A CN 108550145 A CN108550145 A CN 108550145A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- sar image
- current region
- current
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种SAR图像质量评估方法和装置,其中,该方法分别将原始SAR图像、待评价图像进行分块处理,并在分块结果的基础上将各个区域划分成简单区域和复杂区域,分别对简单区域和复杂区域进行评价。由于复杂区域中包含更多的细节信息,该方法通过小波变换所具备的多尺度、多方向性等特性,获取复杂区域中的细节信息,同时结合图像的边缘信息及散射特征,突出SAR图像中的复杂目标,提高了对SAR图像的识别敏感度。
Description
技术领域
本发明涉及雷达海面目标识别技术领域,尤其涉及一种SAR图像质量评估方法和装置。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)因具有光学遥感成像***所不具备的全天候成像能力而广泛应用于雷达海面目标侦查与识别技术领域。SAR成像过程主要反映了舰船目标的电磁散射特性,而舰船目标的金属材质、垂直性结构等目标特性也让SAR图像中舰船目标具备较高的敏感度。因此,SAR图像在雷达海面目标的分类识别中具有极高的应用价值。
目前,对于SAR图像检测与识别的主要方式为人机交互式,即先利用自动检测与识别的方式进行初筛选与判断,再利用人工读图的方式进行确认与识别。上述检测与识别的准确性与效率与SAR图像质量水平密切相关,因此,准确评估SAR图像质量是至关重要的。
现有技术中,一般利用光学遥感图像的评估方法对SAR图像质量进行评估,例如,SSIM(structural similarity index,结构相似性)算法。
但是,该方法的敏感度较低。
因此,针对以上不足,需要提供一种SAR图像质量评估方法和装置。
发明内容
本发明要解决的技术问题在于现有的方法对SAR图像的敏感度较低,针对现有技术中的缺陷,提供一种SAR图像质量评估方法和装置。
为了解决上述技术问题,本发明提供了一种SAR图像质量评估方法,包括:
将原始SAR图像、待评价图像分别作为当前图像,执行:将所述当前图像划分成至少两个区域,每两个相邻的所述区域呈半重叠状态;确定各个所述区域的散射中心参数;确定各个所述区域的边缘信息影响因子;确定各个所述区域的区域类型,其中,所述区域类型中包括简单和复杂;利用小波分解将所述区域类型为复杂的每一个区域划分成低频子带和高频子带;所述原始SAR图像的各个区域与所述待评价图像的各个区域一一对应;
针对区域类型为简单的所述原始SAR图像的各个区域,执行:确定当前区域和所述待评价图像中与所述当前区域相对应区域的结构相似性SSIM;
针对区域类型为复杂的所述原始SAR图像的各个区域,执行:根据当前区域的高频子带、低频子带,以及所述待评价图像中与所述当前区域相对应区域的高频子带、低频子带,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM;
针对所述原始SAR图像的各个区域,执行:根据当前区域的散射中心参数和所述待评价图像中与所述当前区域相对应区域的散射中心参数,确定与所述当前区域相对应的散射特征影响因子;
针对所述原始SAR图像的各个区域,执行:根据当前区域的边缘信息影响因子和所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子,确定与所述当前区域相对应的边缘信息影响因子;
根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标;
利用所述SAR图像质量评估指标对SAR图像质量进行评估。
优选地,所述确定各个所述区域的边缘信息影响因子,包括:
分别对各个所述区域进行Canny边缘提取;
根据各个所述区域的Canny边缘提取结果和下述第一边缘信息影响因子公式,确定各个所述区域的边缘信息影响因子;
所述第一边缘信息影响因子公式,包括:
其中,ek1用于表征当前区域的边缘信息影响因子,nk-canny用于表征所述当前区域的Canny边缘提取结果;
所述根据当前区域的边缘信息影响因子和所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子,确定与所述当前区域相对应的边缘信息影响因子,包括:
根据当前区域的边缘信息影响因子、所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子和下述第二边缘信息影响因子公式,确定与所述当前区域相对应的边缘信息影响因子;
所述第二边缘信息影响因子公式,包括:
其中,ek用于表征与所述当前区域相对应的边缘信息影响因子,用于表征所述当前区域的边缘信息影响因子,用于表征所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子。
优选地,所述根据当前区域的散射中心参数和所述待评价图像中与所述当前区域相对应区域的散射中心参数,确定与所述当前区域相对应的散射特征影响因子,包括:
根据当前区域的散射中心参数、所述待评价图像中与所述当前区域相对应区域的散射中心参数和下述相似性公式,确定与所述当前区域相对应的散射特征影响因子;
所述相似性公式,包括:
其中,mk用于表征与所述当前区域相对应的散射特征影响因子,xk用于表征所述待评价图像中与所述当前区域相对应区域的散射中心参数,yk用于表征所述当前区域的散射中心参数;
所述根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标,包括:
根据与所述原始SAR图像的各个区域相对应的散射特征影响因子、边缘信息影响因子和下述权重公式,确定与所述原始SAR图像的各个区域相对应的影响因子;
对与所述原始SAR图像的各个区域相对应的影响因子进行归一化处理,得到与所述原始SAR图像的各个区域相对应的权重因子;
根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的权重因子和下述评价公式,确定SAR图像质量评估指标;
所述权重公式,包括:
其中,用于表征与所述原始SAR图像的当前区域相对应的影响因子;
所述权重因子,包括:
其中,ωk用于表征与所述原始SAR图像的当前区域相对应的权重因子;
所述评价公式,包括:
其中,Q用于表征所述SAR图像质量评估指标,SSIMk(α,β)用于表征与所述原始SAR图像的当前区域相对应的SSIM。
优选地,所述利用小波分解将所述区域类型为复杂的每一个区域划分成低频子带和高频子带,包括:
对所述区域类型为复杂的每一个区域进行2级小波分解,生成子带序列;
其中,与所述原始SAR图像相对应的子带序列包括:
与所述待评价图像相对应的子带序列包括:
αLL、βLL为所述低频子带,其余为所述高频子带;
所述原始SAR图像的像素点集合为{αi|i=1,2,……,N};
所述待评价图像的像素点集合为{βi|i=1,2,……,N};
所述根据当前区域的高频子带、低频子带,以及所述待评价图像中与所述当前区域相对应区域的高频子带、低频子带,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM,包括:
根据当前区域的高频子带和所述待评价图像中与所述当前区域相对应区域的高频子带,确定结构信息;
根据所述当前区域的低频子带和所述待评价图像中与所述当前区域相对应区域的低频子带,确定亮度信息和对比度信息;
根据所述结构信息、所述亮度信息和所述对比度信息,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM。
优选地,所述确定各个所述区域的区域类型,其中,所述区域类型中包括简单和复杂,包括:
确定所述当前图像的复杂度;
确定各个所述区域的灰度值、灰度值标准差;
根据各个所述区域的灰度值标准差,利用下述复杂度公式,计算各个所述区域的复杂度;
所述复杂度公式,包括:
其中,k=1,2,……M,M为所述区域的个数,σk用于表征区域k的灰度值标准差,Ck用于表征所述区域k的复杂度;
当所述区域的复杂度不小于所述当前图像的复杂度时,确定所述区域的区域类型为复杂,当所述区域的复杂度小于所述当前图像的复杂度时,确定所述区域的区域类型为简单;
优选地,所述确定各个所述区域的散射中心参数,包括:
针对每一个所述区域,均执行:
利用分水岭分割算法对目标区域进行图像分割,形成至少两个散射中心;
针对每一个所述散射中心,均执行:采用惯量矩方法确定当前散射中心所属的散射类型,其中,所述散射类型包括:分布式和局部式;根据所述当前散射中心及其散射类型,确定参数的初始值,其中,所述参数包括质心坐标、散射中心的初始相位、散射中心分布的长度、幅度因子和线性因子;
利用最大似然法对各个所述散射中心对应的参数的初始值进行优化,确定所述散射中心参数。
本发明还提供了一种SAR图像质量评估装置,包括:
划分单元,用于将原始SAR图像、待评价图像分别作为当前图像,执行:将所述当前图像划分成至少两个区域,每两个相邻的所述区域呈半重叠状态;确定各个所述区域的散射中心参数;确定各个所述区域的边缘信息影响因子;确定各个所述区域的区域类型,其中,所述区域类型中包括简单和复杂;利用小波分解将所述区域类型为复杂的每一个区域划分成低频子带和高频子带;所述原始SAR图像的各个区域与所述待评价图像的各个区域一一对应;
第一确定单元,用于针对区域类型为简单的所述原始SAR图像的各个区域,执行:确定当前区域和所述待评价图像中与所述当前区域相对应区域的结构相似性SSIM;
第二确定单元,用于针对区域类型为复杂的所述原始SAR图像的各个区域,执行:根据当前区域的高频子带、低频子带,以及所述待评价图像中与所述当前区域相对应区域的高频子带、低频子带,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM;
第三确定单元,用于针对所述原始SAR图像的各个区域,执行:根据当前区域的散射中心参数和所述待评价图像中与所述当前区域相对应区域的散射中心参数,确定与所述当前区域相对应的散射特征影响因子;
第四确定单元,用于针对所述原始SAR图像的各个区域,执行:根据当前区域的边缘信息影响因子和所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子,确定与所述当前区域相对应的边缘信息影响因子;
第五确定单元,用于根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标;
评估单元,用于利用所述SAR图像质量评估指标对SAR图像质量进行评估。
优选地,所述划分单元,用于分别对各个所述区域进行Canny边缘提取;根据各个所述区域的Canny边缘提取结果和下述第一边缘信息影响因子公式,确定各个所述区域的边缘信息影响因子;
所述第一边缘信息影响因子公式,包括:
其中,ek1用于表征当前区域的边缘信息影响因子,nk-canny用于表征所述当前区域的Canny边缘提取结果;
所述第四确定单元,用于根据当前区域的边缘信息影响因子、所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子和下述第二边缘信息影响因子公式,确定与所述当前区域相对应的边缘信息影响因子;
所述第二边缘信息影响因子公式,包括:
其中,ek用于表征与所述当前区域相对应的边缘信息影响因子,用于表征所述当前区域的边缘信息影响因子,用于表征所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子。
优选地,所述第三确定单元,用于根据当前区域的散射中心参数、所述待评价图像中与所述当前区域相对应区域的散射中心参数和下述相似性公式,确定与所述当前区域相对应的散射特征影响因子;
所述相似性公式,包括:
其中,mk用于表征与所述当前区域相对应的散射特征影响因子,xk用于表征所述待评价图像中与所述当前区域相对应区域的散射中心参数,yk用于表征所述当前区域的散射中心参数;
所述第五确定单元,用于根据与所述原始SAR图像的各个区域相对应的散射特征影响因子、边缘信息影响因子和下述权重公式,确定与所述原始SAR图像的各个区域相对应的影响因子;
对与所述原始SAR图像的各个区域相对应的影响因子进行归一化处理,得到与所述原始SAR图像的各个区域相对应的权重因子;
根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的权重因子和下述评价公式,确定SAR图像质量评估指标;
所述权重公式,包括:
其中,用于表征与所述原始SAR图像的当前区域相对应的影响因子;
所述权重因子,包括:
其中,ωk用于表征与所述原始SAR图像的当前区域相对应的权重因子;
所述评价公式,包括:
其中,Q用于表征所述SAR图像质量评估指标,SSIMk(α,β)用于表征与所述原始SAR图像的当前区域相对应的SSIM。
优选地,所述划分单元,用于对所述区域类型为复杂的每一个区域进行2级小波分解,生成子带序列;
其中,与所述原始SAR图像相对应的子带序列包括:
与所述待评价图像相对应的子带序列包括:
αLL、βLL为所述低频子带,其余为所述高频子带;
所述原始SAR图像的像素点集合为{αi|i=1,2,……,N};
所述待评价图像的像素点集合为{βi|i=1,2,……,N};
所述第二确定单元,用于根据当前区域的高频子带和所述待评价图像中与所述当前区域相对应区域的高频子带,确定结构信息;
根据所述当前区域的低频子带和所述待评价图像中与所述当前区域相对应区域的低频子带,确定亮度信息和对比度信息;
根据所述结构信息、所述亮度信息和所述对比度信息,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM。
实施本发明的SAR图像质量评估方法和装置,具有以下有益效果:该方法分别将原始SAR图像、待评价图像进行分块处理,并在分块结果的基础上将各个区域划分成简单区域和复杂区域,分别对简单区域和复杂区域进行评价。由于复杂区域中包含更多的细节信息,该方法通过小波变换所具备的多尺度、多方向性等特性,获取复杂区域中的细节信息,同时结合图像的边缘信息及散射特征,突出SAR图像中的复杂目标,提高了对SAR图像的敏感度。
附图说明
图1是本发明一个实施例提供的一种SAR图像质量评估方法的流程图;
图2是本发明一个实施例提供的一种SAR图像质量评估装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种SAR图像质量评估方法,包括:
步骤101:将原始SAR图像、待评价图像分别作为当前图像,执行:将当前图像划分成至少两个区域,每两个相邻的区域呈半重叠状态;确定各个区域的散射中心参数;确定各个区域的边缘信息影响因子;确定各个区域的区域类型,其中,区域类型中包括简单和复杂;利用小波分解将区域类型为复杂的每一个区域划分成低频子带和高频子带;原始SAR图像的各个区域与待评价图像的各个区域一一对应。
步骤102:针对区域类型为简单的原始SAR图像的各个区域,执行:确定当前区域和待评价图像中与当前区域相对应区域的SSIM。
在本发明实施例中,针对简单区域,利用SSIM算法,对待评价图像进行评价。关于SSIM算法的具体计算过程此处不再赘述。
步骤103:针对区域类型为复杂的原始SAR图像的各个区域,执行:根据当前区域的高频子带、低频子带,以及待评价图像中与当前区域相对应区域的高频子带、低频子带,确定当前区域和待评价图像中与当前区域相对应区域的SSIM。
步骤104:针对原始SAR图像的各个区域,执行:根据当前区域的散射中心参数和待评价图像中与当前区域相对应区域的散射中心参数,确定与当前区域相对应的散射特征影响因子。
步骤105:针对原始SAR图像的各个区域,执行:根据当前区域的边缘信息影响因子和待评价图像中与当前区域相对应区域的边缘信息影响因子,确定与当前区域相对应的边缘信息影响因子。
步骤106:根据与原始SAR图像的各个区域相对应的SSIM、与原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标。
步骤107:利用SAR图像质量评估指标对SAR图像质量进行评估。
该方法分别将原始SAR图像、待评价图像进行分块处理,并在分块结果的基础上将各个区域划分成简单区域和复杂区域,分别对简单区域和复杂区域进行评价。由于复杂区域中包含更多的细节信息,该方法通过小波变换所具备的多尺度、多方向性等特性,获取复杂区域中的细节信息,同时结合图像的边缘信息及散射特征,突出SAR图像中的复杂目标,提高了对SAR图像的敏感度。
SAR图像与普通光学图像不同,人眼在观察后者的时候会根据图像的纹理进行分类,纹理在理解图像区域信息中起着重要作用。但是,在SAR图像的应用中,纹理信息并不能对分辨区域起到决定性作用,相比较之下图像的边缘特征信息却在工作人员进行解析与判别时起到了重要的作用。因此,SAR图像中边缘信息量越大,其区域相对而言越重要。
利用微分算子等进行边缘提取是目前较为常用的方法。考虑到对边缘的准确定位、边缘线性特征以及算法的复杂程度等因素,在本发明实施例中利用Canny算子提取原始SAR图像及待评价图像的边缘信息。原始SAR图像及待评价图像的边缘有方向和幅度两个特性,一般认为沿边缘走向的灰度变化平缓而垂直于边缘走向的灰度变化剧烈,而边缘提取的本质就是在灰度变化较为剧烈的方向上求一阶导数(微分算子)。
对原始SAR图像及待评价图像进行上述Canny算子边缘提取,首先,用高斯滤波器去噪,根据滤波器的方差使用对应的滤波模板;然后,对滤波后的图像利用梯度算子在方位、距离向进行分量计算得到每个像元的梯度幅值和方向;最后,对梯度幅值进行“非极大抑制”,通过四个方向角的梯度幅值的比较,将中心点不大于最大幅值方向的点置零,此步之后宽屋脊的区域被细化为只有单像素点宽。
在本发明的一个实施例中,确定各个区域的边缘信息影响因子,包括:
分别对各个区域进行Canny边缘提取;
根据各个区域的Canny边缘提取结果和下述式(1),确定各个区域的边缘信息影响因子;
其中,ek1用于表征当前区域的边缘信息影响因子,nk-canny用于表征当前区域的Canny边缘提取结果;
根据当前区域的边缘信息影响因子和待评价图像中与当前区域相对应区域的边缘信息影响因子,确定与当前区域相对应的边缘信息影响因子,包括:
根据当前区域的边缘信息影响因子、待评价图像中与当前区域相对应区域的边缘信息影响因子和下述式(2),确定与当前区域相对应的边缘信息影响因子;
其中,ek用于表征与当前区域相对应的边缘信息影响因子,用于表征当前区域的边缘信息影响因子,用于表征待评价图像中与当前区域相对应区域的边缘信息影响因子。
在本发明的一个实施例中,确定各个区域的散射中心参数,包括:
针对每一个区域,均执行:
利用分水岭分割算法对目标区域进行图像分割,形成至少两个散射中心;
针对每一个散射中心,均执行:采用惯量矩方法确定当前散射中心所属的散射类型,其中,散射类型包括:分布式和局部式;根据当前散射中心及其散射类型,确定参数的初始值,其中,参数包括质心坐标、散射中心的初始相位、散射中心分布的长度、幅度因子和线性因子;
利用最大似然法对各个散射中心对应的参数的初始值进行优化,确定散射中心参数。
在高分辨的舰船目标SAR图像中,目标的散射中心表现为聚集在图像上某些小的、能量较高的区域。可以基于图像域来进行属性散射中心模型的参数估计,其基本思想为:采用序贯处理的方式对局部区域内的单个(或少量几个)散射点模型参数进行近似最大似然估计。下面简要地介绍该过程的主要步骤。
A、图像分割
选取分水岭分割算法对SAR图像进行分割。
B、散射中心分类
采用惯量矩方法对散射中心进行分类。
C、参数初始化
在模型参数的最大似然估计中,需要对各个参数进行迭代计算,因此参数初值对后续的参数优化过程的收敛速度和最终结果起着关键的作用。
1)质心坐标(x,y)
可以利用惯量矩方法中分割区域的质心来作为初始估计值。
2)参数(散射中心的初始相位)和L(散射中心分布的长度)
对于局域式散射中心,参数和L等于0。对于分布式散射中心,L的初始值可以由图像中散射中心的长度给出,的初始值设为0。
3)参数α(幅度因子)和A(线性因子)
参数α的取值通常选取为以下5种:α∈{-1,-0.5,0,0.5,1}。参数A在散射模型中为线性因子,可以使用线性最小二乘方法进行估计。
然后计算在这5种可能的α和A值组合下的数据拟合误差,选取最小拟和误差对应的α和A值作为初始估计值。
D、参数优化
在获得各模型参数的初始估计值之后,采用最大似然方法对这些初始值进行优化,以获得更高的参数估计精度,从而使得在分割的局部区域中,由模型参数重构得到的图像数据与原始测量图像数据达到最大程度的匹配。
在本发明的一个实施例中,根据当前区域的散射中心参数和待评价图像中与当前区域相对应区域的散射中心参数,确定与当前区域相对应的散射特征影响因子,包括:
根据当前区域的散射中心参数、待评价图像中与当前区域相对应区域的散射中心参数和下述相似性公式,确定与当前区域相对应的散射特征影响因子;
相似性公式,包括:
其中,mk用于表征与当前区域相对应的散射特征影响因子,xk用于表征待评价图像中与当前区域相对应区域的散射中心参数,yk用于表征当前区域的散射中心参数;
根据与原始SAR图像的各个区域相对应的SSIM、与原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标,包括:
根据与原始SAR图像的各个区域相对应的散射特征影响因子、边缘信息影响因子和下述权重公式,确定与原始SAR图像的各个区域相对应的影响因子;
对与原始SAR图像的各个区域相对应的影响因子进行归一化处理,得到与原始SAR图像的各个区域相对应的权重因子;
根据与原始SAR图像的各个区域相对应的SSIM、与原始SAR图像的各个区域相对应的权重因子和下述评价公式,确定SAR图像质量评估指标;
权重公式,包括:
其中,用于表征与原始SAR图像的当前区域相对应的影响因子;
权重因子,包括:
其中,ωk用于表征与原始SAR图像的当前区域相对应的权重因子;
评价公式,包括:
其中,Q用于表征SAR图像质量评估指标,SSIMk(α,β)用于表征与原始SAR图像的当前区域相对应的SSIM。
考虑到HVS对图像质量评价的影响,利用改进的SSIM算法对图像质量进行评价。HVS对高频复杂区域具有高敏感度的特性,结构信息特征主要通过高频信息得以体现。对舰船目标SAR图像经过分块处理划分成简单区域与复杂区域之后,对不同的块状区域使用不同的质量评价方法:
对于简单的块状区域,由于其细节信息相对较弱,采用基于结构相似度的图像质量评价方法计算。
对于复杂的块状区域,一方面该区域具备较多的细节信息,在实际的应用中起着主导地位;另一方面人类视觉对细节信息的关注程度较高,结构特性很大程度上依赖于复杂区域的细节信息。小波变换同时具有多尺度、多方向性和空间局部特性,因此使用基于小波变换的SSIM算法进行评价。
首先利用小波分解将复杂区域分为不同频段:高频子带(HL、LH、HH)较好的表征了图像在不同的空间空间频率与方向上的细节结构信息;低频子带(LL)则保留了图像的亮度与对比度信息。
基于上述的分析,在本发明的一个实施例中,利用小波分解将区域类型为复杂的每一个区域划分成低频子带和高频子带,包括:
对区域类型为复杂的每一个区域进行2级小波分解,生成子带序列;
其中,与原始SAR图像相对应的子带序列包括:
与待评价图像相对应的子带序列包括:
αLL、βLL为低频子带,其余为高频子带;
原始SAR图像的像素点集合为{αi|i=1,2,……,N};
待评价图像的像素点集合为{βi|i=1,2,……,N};
根据当前区域的高频子带、低频子带,以及待评价图像中与当前区域相对应区域的高频子带、低频子带,确定当前区域和待评价图像中与当前区域相对应区域的SSIM,包括:
根据当前区域的高频子带、待评价图像中与当前区域相对应区域的高频子带及下述式(7)~式(26),确定结构信息;
其中,用于表征原始SAR图像经j级小波分解后LH分量中第i个像素点的小波分解高频系数,用于表征原始SAR图像经过j级小波分解后LH分量的小波系数总能量;
其中,用于表征原始SAR图像经j级小波分解后HL分量中第i个像素点的小波分解高频系数,用于表征原始SAR图像经过j级小波分解后HL分量的小波系数总能量;
其中,用于表征原始SAR图像经j级小波分解后HH分量中第i个像素点的小波分解高频系数,用于表征原始SAR图像经过j级小波分解后HH分量的小波系数总能量;
其中,E用于表征原始SAR图像当前区域的高频子带的总能量;
其中,用于表征LH分量的权重系数;
其中,用于表征HL分量的权重系数;
其中,用于表征HH分量的权重系数;
其中,用于表征LH分量的结构信息;
其中,用于表征HL分量的结构信息;
其中,用于表征HH分量的结构信息;
其中,s(αH,βH)用于表征结构信息;
根据当前区域的低频子带、待评价图像中与当前区域相对应区域的低频子带及下述式(27)~式(32),确定亮度信息和对比度信息;
其中,l(αLL,βLL)用于表征亮度信息;
其中,l(αLL,βLL)用于表征对比度信息;
根据结构信息、亮度信息和对比度信息及下述式(33),确定当前区域和待评价图像中与当前区域相对应区域的SSIM。
SSIM(α,β)=l(αLL,βLL)·c(αLL,βLL)·s(αH,βH) (33)
其中,SSIM(α,β)为当前区域的SSIM。
在本发明的一个实施例中,确定各个区域的区域类型,其中,区域类型中包括简单和复杂,包括:
确定当前图像的复杂度;
确定各个区域的灰度值、灰度值标准差;
根据各个区域的灰度值标准差,利用下述复杂度公式,计算各个区域的复杂度;
复杂度公式,包括:
其中,k=1,2,……M,M为区域的个数,σk用于表征区域k的灰度值标准差,Ck用于表征区域k的复杂度;
当区域的复杂度不小于当前图像的复杂度时,确定区域的区域类型为复杂,当区域的复杂度小于当前图像的复杂度时,确定区域的区域类型为简单。
首先对原始SAR图像和待评价图像进行预处理,将图像划分为若干区域,每两个相邻的块区域处于半重叠的状态。这种分块处理的方法一方面能够对整片区域进行一定程度的宏观区域划分,降低后期评价中出现的块效应,另一方面也能够降低算法的复杂度,提高计算效率。分块数量取适当数值即可,过少则体现不出分块的效果;过多则会增加算法的复杂度,并且出现分块过细的问题。
本发明实施例提供了一种SAR图像质量评估方法,包括以下步骤:
S1:将原始SAR图像、待评价图像分别作为当前图像,执行S2。
S2:将当前图像划分成至少两个区域,每两个相邻的区域呈半重叠状态,原始SAR图像的各个区域与待评价图像的各个区域一一对应。
S3:分别对各个区域进行Canny边缘提取。
S4:根据各个区域的Canny边缘提取结果,确定各个区域的边缘信息影响因子。
利用式(1)确定各个区域的边缘信息影响因子。
S5:针对每一个区域,均执行:利用分水岭分割算法对目标区域进行图像分割,形成至少两个散射中心。
S6:针对每一个散射中心,均执行:采用惯量矩方法确定当前散射中心所属的散射类型,其中,散射类型包括:分布式和局部式;根据当前散射中心及其散射类型,确定参数的初始值,其中,参数包括质心坐标、散射中心的初始相位、散射中心分布的长度、幅度因子和线性因子。
S7:利用最大似然法对各个散射中心对应的参数的初始值进行优化,确定散射中心参数。
S8:确定当前图像的复杂度、各个区域的灰度值、灰度值标准差,根据各个区域的灰度值标准差,计算各个区域的复杂度。
利用上述式(34)计算各个区域的复杂度。
S9:当区域的复杂度不小于当前图像的复杂度时,确定区域的区域类型为复杂,当区域的复杂度小于当前图像的复杂度时,确定区域的区域类型为简单。
S10:对区域类型为复杂的每一个区域进行2级小波分解,生成子带序列。
其中,与原始SAR图像相对应的子带序列包括:
与待评价图像相对应的子带序列包括:
αLL、βLL为低频子带,其余为高频子带;
原始SAR图像的像素点集合为{αi|i=1,2,……,N};
待评价图像的像素点集合为{βi|i=1,2,……,N}。
S11:针对区域类型为简单的原始SAR图像的各个区域,执行:确定当前区域和待评价图像中与当前区域相对应区域的SSIM。
S12:针对区域类型为复杂的原始SAR图像的各个区域,执行:根据当前区域的高频子带和待评价图像中与当前区域相对应区域的高频子带,确定结构信息。
S13:根据当前区域的低频子带和待评价图像中与当前区域相对应区域的低频子带,确定亮度信息和对比度信息。
S14:根据结构信息、亮度信息和对比度信息,确定当前区域和待评价图像中与当前区域相对应区域的SSIM。
S15:针对原始SAR图像的各个区域,执行:根据当前区域的散射中心参数、待评价图像中与当前区域相对应区域的散射中心参数和下述相似性公式,确定与当前区域相对应的散射特征影响因子。
相似性公式参考式(3)。
表1舰船目标SAR图像不同降质后评价结果对照
序号 | 失真图像方式 | MSE | PSNR | SSIM | 本发明 |
1 | 原图像 | 0 | 无限大 | 1.000 | 1.000 |
2 | 2倍降采样平滑 | 0.0051 | 22.93 | 0.922 | 0.845 |
3 | 5倍降采样平滑 | 0.0133 | 18.75 | 0.775 | 0.619 |
4 | 10倍降采样平滑 | 0.0183 | 17.37 | 0.691 | 0.494 |
5 | 运动模糊(偏移量s=10) | 0.0107 | 19.72 | 0.847 | 0.678 |
6 | 运动模糊(偏移量s=20) | 0.0144 | 18.41 | 0.781 | 0.598 |
7 | 运动模糊(偏移量s=40) | 0.0186 | 17.31 | 0.700 | 0.514 |
8 | 散焦模糊(r=5) | 0.0152 | 18.19 | 0.762 | 0.553 |
9 | 散焦模糊(r=10) | 0.0199 | 17.01 | 0.669 | 0.450 |
10 | 散焦模糊(r=20) | 0.0248 | 16.05 | 0.566 | 0.359 |
11 | 高斯白噪声(μ=0,σ=0.05) | 0.0410 | 13.88 | 0.645 | 0.575 |
12 | 高斯白噪声(μ=0,σ=0.1) | 0.0703 | 11.53 | 0.489 | 0.444 |
13 | 椒盐噪声(噪声密度ρ=0.05) | 0.0153 | 18.15 | 0.836 | 0.762 |
14 | 椒盐噪声(噪声密度ρ=0.1) | 0.0305 | 15.15 | 0.708 | 0.632 |
S16:针对原始SAR图像的各个区域,执行:根据当前区域的边缘信息影响因子、待评价图像中与当前区域相对应区域的边缘信息影响因子,确定与当前区域相对应的边缘信息影响因子。
利用式(2)确定与当前区域相对应的边缘信息影响因子。
S17:根据与原始SAR图像的各个区域相对应的散射特征影响因子、边缘信息影响因子和权重公式,确定与原始SAR图像的各个区域相对应的影响因子。
S18:对与原始SAR图像的各个区域相对应的影响因子进行归一化处理,得到与原始SAR图像的各个区域相对应的权重因子。
S19:根据与原始SAR图像的各个区域相对应的SSIM、与原始SAR图像的各个区域相对应的权重因子和评价公式,确定SAR图像质量评估指标;
权重公式参考式(4),权重因子参考式(5),评价公式参考式(6)。
S20:利用SAR图像质量评估指标对SAR图像质量进行评估。
由表1可以看出,本发明提供的方法相比于其他现有的评估方法,对SAR图像具有更高的敏感度。
如图2所示,本发明实施例提供了一种SAR图像质量评估装置,包括:
划分单元201,用于将原始SAR图像、待评价图像分别作为当前图像,执行:将当前图像划分成至少两个区域,每两个相邻的区域呈半重叠状态;确定各个区域的散射中心参数;确定各个区域的边缘信息影响因子;确定各个区域的区域类型,其中,区域类型中包括简单和复杂;利用小波分解将区域类型为复杂的每一个区域划分成低频子带和高频子带;原始SAR图像的各个区域与待评价图像的各个区域一一对应;
第一确定单元202,用于针对区域类型为简单的原始SAR图像的各个区域,执行:确定当前区域和待评价图像中与当前区域相对应区域的SSIM;
第二确定单元203,用于针对区域类型为复杂的原始SAR图像的各个区域,执行:根据当前区域的高频子带、低频子带,以及待评价图像中与当前区域相对应区域的高频子带、低频子带,确定当前区域和待评价图像中与当前区域相对应区域的SSIM;
第三确定单元204,用于针对原始SAR图像的各个区域,执行:根据当前区域的散射中心参数和待评价图像中与当前区域相对应区域的散射中心参数,确定与当前区域相对应的散射特征影响因子;
第四确定单元205,用于针对原始SAR图像的各个区域,执行:根据当前区域的边缘信息影响因子和待评价图像中与当前区域相对应区域的边缘信息影响因子,确定与当前区域相对应的边缘信息影响因子;
第五确定单元206,用于根据与原始SAR图像的各个区域相对应的SSIM、与原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标;
评估单元207,用于利用SAR图像质量评估指标对SAR图像质量进行评估。
在本发明的一个实施例中,划分单元201,用于分别对各个区域进行Canny边缘提取;根据各个区域的Canny边缘提取结果和下述第一边缘信息影响因子公式,确定各个区域的边缘信息影响因子;
第一边缘信息影响因子公式,包括:
其中,ek1用于表征当前区域的边缘信息影响因子,nk-canny用于表征当前区域的Canny边缘提取结果;
第四确定单元205,用于根据当前区域的边缘信息影响因子、待评价图像中与当前区域相对应区域的边缘信息影响因子和下述第二边缘信息影响因子公式,确定与当前区域相对应的边缘信息影响因子;
第二边缘信息影响因子公式,包括:
其中,ek用于表征与当前区域相对应的边缘信息影响因子,用于表征当前区域的边缘信息影响因子,用于表征待评价图像中与当前区域相对应区域的边缘信息影响因子。
在本发明的一个实施例中,第三确定单元204,用于根据当前区域的散射中心参数、待评价图像中与当前区域相对应区域的散射中心参数和下述相似性公式,确定与当前区域相对应的散射特征影响因子;
相似性公式,包括:
其中,mk用于表征与当前区域相对应的散射特征影响因子,xk用于表征待评价图像中与当前区域相对应区域的散射中心参数,yk用于表征当前区域的散射中心参数;
第五确定单元206,用于根据与原始SAR图像的各个区域相对应的散射特征影响因子、边缘信息影响因子和下述权重公式,确定与原始SAR图像的各个区域相对应的影响因子;
对与原始SAR图像的各个区域相对应的影响因子进行归一化处理,得到与原始SAR图像的各个区域相对应的权重因子;
根据与原始SAR图像的各个区域相对应的SSIM、与原始SAR图像的各个区域相对应的权重因子和下述评价公式,确定SAR图像质量评估指标;
权重公式,包括:
其中,用于表征与原始SAR图像的当前区域相对应的影响因子;
权重因子,包括:
其中,ωk用于表征与原始SAR图像的当前区域相对应的权重因子;
评价公式,包括:
其中,Q用于表征SAR图像质量评估指标,SSIMk(α,β)用于表征与原始SAR图像的当前区域相对应的SSIM。
在本发明的一个实施例中,划分单元201,用于对区域类型为复杂的每一个区域进行2级小波分解,生成子带序列;
其中,与原始SAR图像相对应的子带序列包括:
与待评价图像相对应的子带序列包括:
αLL、βLL为低频子带,其余为高频子带;
原始SAR图像的像素点集合为{αi|i=1,2,……,N};
待评价图像的像素点集合为{βi|i=1,2,……,N};
第二确定单元,用于根据当前区域的高频子带和待评价图像中与当前区域相对应区域的高频子带,确定结构信息;
根据当前区域的低频子带和待评价图像中与当前区域相对应区域的低频子带,确定亮度信息和对比度信息;
根据结构信息、亮度信息和对比度信息,确定当前区域和待评价图像中与当前区域相对应区域的SSIM。
在本发明的一个实施例中,划分单元201,用于确定当前图像的复杂度;
确定各个区域的灰度值、灰度值标准差;
根据各个区域的灰度值标准差,利用下述复杂度公式,计算各个区域的复杂度;
复杂度公式,包括:
其中,k=1,2,……M,M为区域的个数,σk用于表征区域k的灰度值标准差,Ck用于表征区域k的复杂度;
当区域的复杂度不小于当前图像的复杂度时,确定区域的区域类型为复杂,当区域的复杂度小于当前图像的复杂度时,确定区域的区域类型为简单;
在本发明的一个实施例中,划分单元201,用于针对每一个区域,均执行:
利用分水岭分割算法对目标区域进行图像分割,形成至少两个散射中心;
针对每一个散射中心,均执行:采用惯量矩方法确定当前散射中心所属的散射类型,其中,散射类型包括:分布式和局部式;根据当前散射中心及其散射类型,确定参数的初始值,其中,参数包括质心坐标、散射中心的初始相位、散射中心分布的长度、幅度因子和线性因子;
利用最大似然法对各个散射中心对应的参数的初始值进行优化,确定散射中心参数。
综上,该方法分别将原始SAR图像、待评价图像进行分块处理,并在分块结果的基础上将各个区域划分成简单区域和复杂区域,分别对简单区域和复杂区域进行评价。由于复杂区域中包含更多的细节信息,该方法通过小波变换所具备的多尺度、多方向性等特性,获取复杂区域中的细节信息,同时结合图像的边缘信息及散射特征,突出SAR图像中的复杂目标,提高了对SAR图像的敏感度。
Claims (10)
1.一种合成孔径雷达SAR图像质量评估方法,其特征在于:包括:
将原始SAR图像、待评价图像分别作为当前图像,执行:将所述当前图像划分成至少两个区域,每两个相邻的所述区域呈半重叠状态;确定各个所述区域的散射中心参数;确定各个所述区域的边缘信息影响因子;确定各个所述区域的区域类型,其中,所述区域类型中包括简单和复杂;利用小波分解将所述区域类型为复杂的每一个区域划分成低频子带和高频子带;所述原始SAR图像的各个区域与所述待评价图像的各个区域一一对应;
针对区域类型为简单的所述原始SAR图像的各个区域,执行:确定当前区域和所述待评价图像中与所述当前区域相对应区域的结构相似性SSIM;
针对区域类型为复杂的所述原始SAR图像的各个区域,执行:根据当前区域的高频子带、低频子带,以及所述待评价图像中与所述当前区域相对应区域的高频子带、低频子带,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM;
针对所述原始SAR图像的各个区域,执行:根据当前区域的散射中心参数和所述待评价图像中与所述当前区域相对应区域的散射中心参数,确定与所述当前区域相对应的散射特征影响因子;
针对所述原始SAR图像的各个区域,执行:根据当前区域的边缘信息影响因子和所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子,确定与所述当前区域相对应的边缘信息影响因子;
根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标;
利用所述SAR图像质量评估指标对SAR图像质量进行评估。
2.根据权利要求1所述的SAR图像质量评估方法,其特征在于:
所述确定各个所述区域的边缘信息影响因子,包括:
分别对各个所述区域进行Canny边缘提取;
根据各个所述区域的Canny边缘提取结果和下述第一边缘信息影响因子公式,确定各个所述区域的边缘信息影响因子;
所述第一边缘信息影响因子公式,包括:
其中,用于表征当前区域的边缘信息影响因子,nk-canny用于表征所述当前区域的Canny边缘提取结果;
所述根据当前区域的边缘信息影响因子和所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子,确定与所述当前区域相对应的边缘信息影响因子,包括:
根据当前区域的边缘信息影响因子、所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子和下述第二边缘信息影响因子公式,确定与所述当前区域相对应的边缘信息影响因子;
所述第二边缘信息影响因子公式,包括:
其中,ek用于表征与所述当前区域相对应的边缘信息影响因子,用于表征所述当前区域的边缘信息影响因子,用于表征所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子。
3.根据权利要求2所述的SAR图像质量评估方法,其特征在于:
所述根据当前区域的散射中心参数和所述待评价图像中与所述当前区域相对应区域的散射中心参数,确定与所述当前区域相对应的散射特征影响因子,包括:
根据当前区域的散射中心参数、所述待评价图像中与所述当前区域相对应区域的散射中心参数和下述相似性公式,确定与所述当前区域相对应的散射特征影响因子;
所述相似性公式,包括:
其中,mk用于表征与所述当前区域相对应的散射特征影响因子,xk用于表征所述待评价图像中与所述当前区域相对应区域的散射中心参数,yk用于表征所述当前区域的散射中心参数;
所述根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标,包括:
根据与所述原始SAR图像的各个区域相对应的散射特征影响因子、边缘信息影响因子和下述权重公式,确定与所述原始SAR图像的各个区域相对应的影响因子;
对与所述原始SAR图像的各个区域相对应的影响因子进行归一化处理,得到与所述原始SAR图像的各个区域相对应的权重因子;
根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的权重因子和下述评价公式,确定SAR图像质量评估指标;
所述权重公式,包括:
其中,用于表征与所述原始SAR图像的当前区域相对应的影响因子;
所述权重因子,包括:
其中,ωk用于表征与所述原始SAR图像的当前区域相对应的权重因子;
所述评价公式,包括:
其中,Q用于表征所述SAR图像质量评估指标,SSIMk(α,β)用于表征与所述原始SAR图像的当前区域相对应的SSIM。
4.根据权利要求1所述的SAR图像质量评估方法,其特征在于:
所述利用小波分解将所述区域类型为复杂的每一个区域划分成低频子带和高频子带,包括:
对所述区域类型为复杂的每一个区域进行2级小波分解,生成子带序列;
其中,与所述原始SAR图像相对应的子带序列包括:
与所述待评价图像相对应的子带序列包括:
αLL、βLL为所述低频子带,其余为所述高频子带;
所述原始SAR图像的像素点集合为{αi|i=1,2,……,N};
所述待评价图像的像素点集合为{βi|i=1,2,……,N};
所述根据当前区域的高频子带、低频子带,以及所述待评价图像中与所述当前区域相对应区域的高频子带、低频子带,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM,包括:
根据当前区域的高频子带和所述待评价图像中与所述当前区域相对应区域的高频子带,确定结构信息;
根据所述当前区域的低频子带和所述待评价图像中与所述当前区域相对应区域的低频子带,确定亮度信息和对比度信息;
根据所述结构信息、所述亮度信息和所述对比度信息,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM。
5.根据权利要求1-4中任一所述的SAR图像质量评估方法,其特征在于:
所述确定各个所述区域的区域类型,其中,所述区域类型中包括简单和复杂,包括:
确定所述当前图像的复杂度;
确定各个所述区域的灰度值、灰度值标准差;
根据各个所述区域的灰度值标准差,利用下述复杂度公式,计算各个所述区域的复杂度;
所述复杂度公式,包括:
其中,k=1,2,……M,M为所述区域的个数,σk用于表征区域k的灰度值标准差,Ck用于表征所述区域k的复杂度;
当所述区域的复杂度不小于所述当前图像的复杂度时,确定所述区域的区域类型为复杂,当所述区域的复杂度小于所述当前图像的复杂度时,确定所述区域的区域类型为简单;
和/或,
所述确定各个所述区域的散射中心参数,包括:
针对每一个所述区域,均执行:
利用分水岭分割算法对目标区域进行图像分割,形成至少两个散射中心;
针对每一个所述散射中心,均执行:采用惯量矩方法确定当前散射中心所属的散射类型,其中,所述散射类型包括:分布式和局部式;根据所述当前散射中心及其散射类型,确定参数的初始值,其中,所述参数包括质心坐标、散射中心的初始相位、散射中心分布的长度、幅度因子和线性因子;
利用最大似然法对各个所述散射中心对应的参数的初始值进行优化,确定所述散射中心参数。
6.一种合成孔径雷达SAR图像质量评估装置,其特征在于:包括:
划分单元,用于将原始SAR图像、待评价图像分别作为当前图像,执行:将所述当前图像划分成至少两个区域,每两个相邻的所述区域呈半重叠状态;确定各个所述区域的散射中心参数;确定各个所述区域的边缘信息影响因子;确定各个所述区域的区域类型,其中,所述区域类型中包括简单和复杂;利用小波分解将所述区域类型为复杂的每一个区域划分成低频子带和高频子带;所述原始SAR图像的各个区域与所述待评价图像的各个区域一一对应;
第一确定单元,用于针对区域类型为简单的所述原始SAR图像的各个区域,执行:确定当前区域和所述待评价图像中与所述当前区域相对应区域的结构相似性SSIM;
第二确定单元,用于针对区域类型为复杂的所述原始SAR图像的各个区域,执行:根据当前区域的高频子带、低频子带,以及所述待评价图像中与所述当前区域相对应区域的高频子带、低频子带,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM;
第三确定单元,用于针对所述原始SAR图像的各个区域,执行:根据当前区域的散射中心参数和所述待评价图像中与所述当前区域相对应区域的散射中心参数,确定与所述当前区域相对应的散射特征影响因子;
第四确定单元,用于针对所述原始SAR图像的各个区域,执行:根据当前区域的边缘信息影响因子和所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子,确定与所述当前区域相对应的边缘信息影响因子;
第五确定单元,用于根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的散射特征影响因子和边缘信息影响因子,确定SAR图像质量评估指标;
评估单元,用于利用所述SAR图像质量评估指标对SAR图像质量进行评估。
7.根据权利要求6所述的SAR图像质量评估装置,其特征在于:
所述划分单元,用于分别对各个所述区域进行Canny边缘提取;根据各个所述区域的Canny边缘提取结果和下述第一边缘信息影响因子公式,确定各个所述区域的边缘信息影响因子;
所述第一边缘信息影响因子公式,包括:
其中,用于表征当前区域的边缘信息影响因子,nk-canny用于表征所述当前区域的Canny边缘提取结果;
所述第四确定单元,用于根据当前区域的边缘信息影响因子、所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子和下述第二边缘信息影响因子公式,确定与所述当前区域相对应的边缘信息影响因子;
所述第二边缘信息影响因子公式,包括:
其中,ek用于表征与所述当前区域相对应的边缘信息影响因子,用于表征所述当前区域的边缘信息影响因子,用于表征所述待评价图像中与所述当前区域相对应区域的边缘信息影响因子。
8.根据权利要求7所述的SAR图像质量评估装置,其特征在于:
所述第三确定单元,用于根据当前区域的散射中心参数、所述待评价图像中与所述当前区域相对应区域的散射中心参数和下述相似性公式,确定与所述当前区域相对应的散射特征影响因子;
所述相似性公式,包括:
其中,mk用于表征与所述当前区域相对应的散射特征影响因子,xk用于表征所述待评价图像中与所述当前区域相对应区域的散射中心参数,yk用于表征所述当前区域的散射中心参数;
所述第五确定单元,用于根据与所述原始SAR图像的各个区域相对应的散射特征影响因子、边缘信息影响因子和下述权重公式,确定与所述原始SAR图像的各个区域相对应的影响因子;
对与所述原始SAR图像的各个区域相对应的影响因子进行归一化处理,得到与所述原始SAR图像的各个区域相对应的权重因子;
根据与所述原始SAR图像的各个区域相对应的SSIM、与所述原始SAR图像的各个区域相对应的权重因子和下述评价公式,确定SAR图像质量评估指标;
所述权重公式,包括:
其中,用于表征与所述原始SAR图像的当前区域相对应的影响因子;
所述权重因子,包括:
其中,ωk用于表征与所述原始SAR图像的当前区域相对应的权重因子;
所述评价公式,包括:
其中,Q用于表征所述SAR图像质量评估指标,SSIMk(α,β)用于表征与所述原始SAR图像的当前区域相对应的SSIM。
9.根据权利要求6所述的SAR图像质量评估装置,其特征在于:
所述划分单元,用于对所述区域类型为复杂的每一个区域进行2级小波分解,生成子带序列;
其中,与所述原始SAR图像相对应的子带序列包括:
与所述待评价图像相对应的子带序列包括:
αLL、βLL为所述低频子带,其余为所述高频子带;
所述原始SAR图像的像素点集合为{αi|i=1,2,……,N};
所述待评价图像的像素点集合为{βi|i=1,2,……,N};
所述第二确定单元,用于根据当前区域的高频子带和所述待评价图像中与所述当前区域相对应区域的高频子带,确定结构信息;
根据所述当前区域的低频子带和所述待评价图像中与所述当前区域相对应区域的低频子带,确定亮度信息和对比度信息;
根据所述结构信息、所述亮度信息和所述对比度信息,确定所述当前区域和所述待评价图像中与所述当前区域相对应区域的SSIM。
10.根据权利要求6-9中任一所述的SAR图像质量评估装置,其特征在于:
所述划分单元,用于确定所述当前图像的复杂度;
确定各个所述区域的灰度值、灰度值标准差;
根据各个所述区域的灰度值标准差,利用下述复杂度公式,计算各个所述区域的复杂度;
所述复杂度公式,包括:
其中,k=1,2,……M,M为所述区域的个数,σk用于表征区域k的灰度值标准差,Ck用于表征所述区域k的复杂度;
当所述区域的复杂度不小于所述当前图像的复杂度时,确定所述区域的区域类型为复杂,当所述区域的复杂度小于所述当前图像的复杂度时,确定所述区域的区域类型为简单;
和/或,
所述划分单元,用于针对每一个所述区域,均执行:
利用分水岭分割算法对目标区域进行图像分割,形成至少两个散射中心;
针对每一个所述散射中心,均执行:采用惯量矩方法确定当前散射中心所属的散射类型,其中,所述散射类型包括:分布式和局部式;根据所述当前散射中心及其散射类型,确定参数的初始值,其中,所述参数包括质心坐标、散射中心的初始相位、散射中心分布的长度、幅度因子和线性因子;
利用最大似然法对各个所述散射中心对应的参数的初始值进行优化,确定所述散射中心参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319730.6A CN108550145B (zh) | 2018-04-11 | 2018-04-11 | 一种sar图像质量评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319730.6A CN108550145B (zh) | 2018-04-11 | 2018-04-11 | 一种sar图像质量评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108550145A true CN108550145A (zh) | 2018-09-18 |
CN108550145B CN108550145B (zh) | 2021-01-29 |
Family
ID=63514439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810319730.6A Active CN108550145B (zh) | 2018-04-11 | 2018-04-11 | 一种sar图像质量评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108550145B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410175A (zh) * | 2018-09-26 | 2019-03-01 | 北京航天自动控制研究所 | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 |
CN109509201A (zh) * | 2019-01-04 | 2019-03-22 | 北京环境特性研究所 | 一种sar图像质量评价方法和装置 |
CN109949298A (zh) * | 2019-03-22 | 2019-06-28 | 西南交通大学 | 一种基于聚类学习的图像分割质量评价方法 |
CN111915559A (zh) * | 2020-06-30 | 2020-11-10 | 电子科技大学 | 基于svm分类可信度的机载sar图像质量评估方法 |
CN113344843A (zh) * | 2021-04-09 | 2021-09-03 | 中科创达软件股份有限公司 | 一种图像质量测评方法、装置和*** |
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 |
CN116958122A (zh) * | 2023-08-24 | 2023-10-27 | 北京东远润兴科技有限公司 | Sar图像评估方法、装置、设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498788A (zh) * | 2008-02-01 | 2009-08-05 | 清华大学 | 一种逆合成孔径雷达的目标转角估计和横向定标方法 |
EP2284569A1 (en) * | 2009-07-16 | 2011-02-16 | EADS Deutschland GmbH | Automatic focussing of SAR raw data based on the estimation of the phase error function |
CN102170581A (zh) * | 2011-05-05 | 2011-08-31 | 天津大学 | 基于hvs的ssim与特征匹配立体图像质量评价方法 |
CN103064071A (zh) * | 2012-10-25 | 2013-04-24 | 西安电子科技大学 | 基于稀疏分解的雷达目标属性散射中心特征提取方法 |
CN103106660A (zh) * | 2013-01-31 | 2013-05-15 | 北京航空航天大学 | 基于对比敏感度特性的sar图像质量评价方法 |
CN103617617A (zh) * | 2013-12-05 | 2014-03-05 | 淮海工学院 | 基于功率谱描述的水下图像质量评价测量方法 |
CN103996188A (zh) * | 2014-04-27 | 2014-08-20 | 嘉兴学院 | 一种基于Gabor加权特征的全参考型图像质量评价方法 |
CN105931257A (zh) * | 2016-06-12 | 2016-09-07 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
-
2018
- 2018-04-11 CN CN201810319730.6A patent/CN108550145B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498788A (zh) * | 2008-02-01 | 2009-08-05 | 清华大学 | 一种逆合成孔径雷达的目标转角估计和横向定标方法 |
EP2284569A1 (en) * | 2009-07-16 | 2011-02-16 | EADS Deutschland GmbH | Automatic focussing of SAR raw data based on the estimation of the phase error function |
CN102170581A (zh) * | 2011-05-05 | 2011-08-31 | 天津大学 | 基于hvs的ssim与特征匹配立体图像质量评价方法 |
CN103064071A (zh) * | 2012-10-25 | 2013-04-24 | 西安电子科技大学 | 基于稀疏分解的雷达目标属性散射中心特征提取方法 |
CN103106660A (zh) * | 2013-01-31 | 2013-05-15 | 北京航空航天大学 | 基于对比敏感度特性的sar图像质量评价方法 |
CN103617617A (zh) * | 2013-12-05 | 2014-03-05 | 淮海工学院 | 基于功率谱描述的水下图像质量评价测量方法 |
CN103996188A (zh) * | 2014-04-27 | 2014-08-20 | 嘉兴学院 | 一种基于Gabor加权特征的全参考型图像质量评价方法 |
CN105931257A (zh) * | 2016-06-12 | 2016-09-07 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
Non-Patent Citations (3)
Title |
---|
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》 * |
杨进等: ""高分辨率SAR图像目标属性散射中心特征提取方法"", 《中国图象图形学报》 * |
计科峰等: ""基于SAR图像的目标散射中心特征提取方法研究"", 《国防科技大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410175A (zh) * | 2018-09-26 | 2019-03-01 | 北京航天自动控制研究所 | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 |
CN109410175B (zh) * | 2018-09-26 | 2020-07-14 | 北京航天自动控制研究所 | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 |
CN109509201A (zh) * | 2019-01-04 | 2019-03-22 | 北京环境特性研究所 | 一种sar图像质量评价方法和装置 |
CN109949298A (zh) * | 2019-03-22 | 2019-06-28 | 西南交通大学 | 一种基于聚类学习的图像分割质量评价方法 |
CN109949298B (zh) * | 2019-03-22 | 2022-04-29 | 西南交通大学 | 一种基于聚类学习的图像分割质量评价方法 |
CN111915559A (zh) * | 2020-06-30 | 2020-11-10 | 电子科技大学 | 基于svm分类可信度的机载sar图像质量评估方法 |
CN111915559B (zh) * | 2020-06-30 | 2022-09-20 | 电子科技大学 | 基于svm分类可信度的机载sar图像质量评估方法 |
CN113344843A (zh) * | 2021-04-09 | 2021-09-03 | 中科创达软件股份有限公司 | 一种图像质量测评方法、装置和*** |
CN113344843B (zh) * | 2021-04-09 | 2024-04-19 | 中科创达软件股份有限公司 | 一种图像质量测评方法、装置和*** |
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 |
CN116958122A (zh) * | 2023-08-24 | 2023-10-27 | 北京东远润兴科技有限公司 | Sar图像评估方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108550145B (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
CN106339998B (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
US20140046169A1 (en) | Methods, systems, and devices for spine centrum extraction and intervertebral disk dividing | |
CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN107240096A (zh) | 一种红外与可见光图像融合质量评价方法 | |
CN106204570B (zh) | 一种基于非因果分数阶梯度算子的角点检测方法 | |
Mzoughi et al. | Histogram equalization-based techniques for contrast enhancement of MRI brain Glioma tumor images: Comparative study | |
Liu et al. | A novel multi-focus image fusion method using multiscale shearing non-local guided averaging filter | |
TWI624807B (zh) | 醫學影像之迭代式分析法 | |
CN110310323A (zh) | 基于Hessian矩阵和二维高斯拟合的视网膜血管管径测量方法 | |
CN102842120A (zh) | 基于超复数小波相位测量的图像模糊程度检测方法 | |
Jeevakala | Sharpening enhancement technique for MR images to enhance the segmentation | |
CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
CN103218788A (zh) | 一种肝脏磁共振横向弛豫率r2*参数的测量方法 | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
Bora et al. | A new efficient color image segmentation approach based on combination of histogram equalization with watershed algorithm | |
CN104715459B (zh) | 血管图像增强方法 | |
CN104637060B (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN104217430B (zh) | 基于l1正则化的图像显著性检测方法 | |
CN108257127A (zh) | 一种应用于急性中毒安全预评价的*** | |
Gambino et al. | Automatic skull stripping in MRI based on morphological filters and fuzzy c-means segmentation | |
CN105662412B (zh) | 一种磁共振***的一阶匀场方法、装置及设备 | |
CN106600615A (zh) | 一种图像边缘检测算法评价***及方法 | |
CN109509201A (zh) | 一种sar图像质量评价方法和装置 | |
CN109829902A (zh) | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |