CN109509201A - 一种sar图像质量评价方法和装置 - Google Patents
一种sar图像质量评价方法和装置 Download PDFInfo
- Publication number
- CN109509201A CN109509201A CN201910006999.3A CN201910006999A CN109509201A CN 109509201 A CN109509201 A CN 109509201A CN 201910006999 A CN201910006999 A CN 201910006999A CN 109509201 A CN109509201 A CN 109509201A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- evaluated
- similarity
- original image
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- 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)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种SAR图像质量评价方法和装置,所述方法的一实施方式包括:以相同的划分方式分别将原始图像和待评价图像划分为多个区域,原始图像和待评价图像的每一对应区域为一个区域对;获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数;对于每一区域对,分别获取原始图像区域和待评价图像区域的散射中心特征并确定二者的相似度,利用所述相似度获取该区域对的权重因子;根据每一区域对的相似性指数和权重因子确定原始图像与待评价图像之间的全局相似性指数,将该全局相似性指数作为待评价图像质量的评价指标。该实施方式能够提供符合人眼视觉***的目标SAR图像质量评价方法。
Description
技术领域
本发明涉及目标分类与识别技术领域,尤其涉及一种SAR图像质量评价方法和装置。
背景技术
随着各国对海洋资源的深入开发,海洋环境也变得日益复杂。无论是军事领域的侦查与打击,还是民用领域的开采与捕捞,海面目标的分类与识别对维护国家主权、维持海洋秩序起着至关重要的作用。
合成孔径雷达(SAR)因具有光学遥感成像***所不具备的全天时、全天候的成像能力而广泛应用于海面目标侦查与识别技术领域,SAR成像过程主要反映了目标的电磁散射特性,而舰船目标的金属材质、垂直性结构等特性也让SAR图像中舰船目标具备较高的敏感性。因此,舰船目标SAR图像在海面目标的分类识别中具有极高的应用价值。
但是,由于成像方式的不同,SAR图像与光学遥感图像存在较大的差异。目前海面目标的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给出一定的初筛选与预判,再利用人工读图的方式进行确认与识别。这种方式的检测识别准确性以及效率与SAR图像质量水平密切相关。因此,寻找符合人眼视觉***(HVS)的舰船目标SAR图像质量评价方法具有非常重要的应用价值。
发明内容
本发明要解决的技术问题是如何提供符合人眼视觉***的目标SAR图像质量评价方法。
为了解决上述技术问题,在一个方面,本发明提供了一种SAR图像质量评价方法。
本发明实施例的SAR图像质量评价方法可用于根据待评价图像与原始图像的相似性判断待评价图像的质量,其中待评价图像和原始图像都为SAR图像;所述方法包括:以相同的划分方式分别将原始图像和待评价图像划分为多个区域,原始图像和待评价图像的每一对应区域为一个区域对;获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数;对于每一区域对,分别获取原始图像区域和待评价图像区域的散射中心特征并确定二者的相似度,利用所述相似度获取该区域对的权重因子;根据每一区域对的相似性指数和权重因子确定原始图像与待评价图像之间的全局相似性指数,将该全局相似性指数作为待评价图像质量的评价指标。
优选地,所述分别获取原始图像区域和待评价图像区域的散射中心特征,具体包括:对于原始图像区域或待评价图像区域,获取该区域散射强度最大的散射中心;将该散射中心的多个属性散射中心模型参数组成的向量确定为该区域的散射中心特征。
优选地,所述相似度为余弦相似度;以及,所述利用所述相似度获取该区域对的权重因子,具体包括:对该区域对中的原始图像区域执行边缘检测,根据边缘像素点数量获取该原始图像区域的影响因子,将该影响因子作为该区域对的影响因子;结合所述相似度和所述影响因子确定每一区域对的权重因子。
优选地,所述划分方式为半重叠划分方式,所述相似性指数为结构相似性指数;以及,所述方法进一步包括:在划分图像得到多个区域对之后,根据每一区域对中原始图像区域或者待评价图像区域的像素值标准差判断该区域对为简单区域对或者复杂区域对。
优选地,所述获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数,具体包括:对于每一复杂区域对,分别将该区域对中的原始图像区域和待评价图像区域进行二级小波分解;利用得到的低频子带计算该区域对中原始图像区域与待评价图像区域的亮度比较值和对比度比较值,利用得到的高频子带计算该区域对中原始图像区域与待评价图像区域的结构比较值;结合所述亮度比较值、所述对比度比较值和所述结构比较值计算该区域对中原始图像区域与待评价图像区域之间的结构相似性指数。
在另一方面,本发明实施例提供一种SAR图像质量评价装置。
本发明实施例的SAR图像质量评价装置可用于根据待评价图像与原始图像的相似性判断待评价图像的质量,其中待评价图像和原始图像都为SAR图像;所述装置可包括:相似性指数计算单元,用于以相同的划分方式分别将原始图像和待评价图像划分为多个区域,原始图像和待评价图像的每一对应区域为一个区域对;获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数;权重获取单元,用于:对于每一区域对,分别获取原始图像区域和待评价图像区域的散射中心特征并确定二者的相似度,利用所述相似度获取该区域对的权重因子;评价单元,用于根据每一区域对的相似性指数和权重因子确定原始图像与待评价图像之间的全局相似性指数,将该全局相似性指数作为待评价图像质量的评价指标。
优选地,所述相似度为余弦相似度;以及,权重获取单元进一步用于:对于原始图像区域或待评价图像区域,获取该区域散射强度最大的散射中心;将该散射中心的多个属性散射中心模型参数组成的向量确定为该区域的散射中心特征;对该区域对中的原始图像区域执行边缘检测,根据边缘像素点数量获取该原始图像区域的影响因子,将该影响因子作为该区域对的影响因子;结合所述相似度和所述影响因子确定每一区域对的权重因子。
优选地,所述划分方式为半重叠划分方式,所述相似性指数为结构相似性指数;所述装置进一步包括分类单元,其用于在划分图像得到多个区域对之后,根据每一区域对中原始图像区域或者待评价图像区域的像素值标准差判断该区域对为简单区域对或者复杂区域对;以及,相似性指数计算单元进一步用于:对于每一复杂区域对,分别将该区域对中的原始图像区域和待评价图像区域进行二级小波分解;利用得到的低频子带计算该区域对中原始图像区域与待评价图像区域的亮度比较值和对比度比较值,利用得到的高频子带计算该区域对中原始图像区域与待评价图像区域的结构比较值;结合所述亮度比较值、所述对比度比较值和所述结构比较值计算该区域对中原始图像区域与待评价图像区域之间的结构相似性指数。
在又一方面,本发明提供一种电子设备。
本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述SAR图像质量评价方法。
在再一方面,本发明提供一种计算机可读存储介质。
本发明实施例的计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述SAR图像质量评价方法。
本发明的上述技术方案具有如下优点:在本发明实施例中,首先对目标SAR图像进行分块处理,划分为简单区域与复杂区域;其次,为了让评价方法更加符合HVS特性,对简单区域进行SSIM评价,对复杂区域进行小波分解并对不同频段区域进行分别评价,然后利用小波能量系数进行综合得到复杂区域的评价结果;再次,针对电磁特性的局限性采用了计算散射特征信息的方法,针对边缘分布信息的局限性采用了Canny算子边缘提取的方法,将散射信息与边缘信息进行综合得到权重因子。最后,利用权重因子对每个区域的评价结果进行综合,得到最终的评价结果。
附图说明
图1是本发明实施例的SAR图像质量评价方法的主要步骤示意图;
图2是本发明实施例的舰船模型SAR仿真示意图;
图3是本发明实施例的SAR图像质量评价方法的具体实现示意图;
图4是本发明实施例的SAR图像质量评价装置的组成部分示意图。
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。
图1是本发明实施例的SAR图像质量评价方法的主要步骤示意图。
如图1所示,本发明实施例的SAR图像质量评价方法可执行以下步骤:
步骤S101:以相同的划分方式分别将原始图像和待评价图像划分为多个区域,原始图像和待评价图像的每一对应区域为一个区域对;获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数。
在本发明实施例中,原始图像和待评价图像都是SAR图像。可以理解,原始图像指的是作为参照标准的图像,实际应用中可选择已经确定的质量较高的图像作为原始图像。需要说明的是,实际场景中,原始图像可以是实测图像,也可以是仿真图像。
具体应用中,可以采用同一种半重叠划分方式将原始图像和待评价图像分别划分为多个区域。这种划分方式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。划分的区域数量取预设的合理数值即可,该数值过小体现不出划分效果,过大会增加算法的复杂度,并且出现分块过细的问题。
上述半重叠划分方式如下例所示:如果要将一个横坐标在0到40范围内,纵坐标在0到30范围内的矩形图像分为6个区域,可以是:将横坐标在0到20、纵坐标在0到20的像素点分在第一区域,将横坐标在10到30、纵坐标在0到20的像素点分在第二区域,将横坐标在20到40、纵坐标在0到20的像素点分在第三区域,将横坐标在0到20、纵坐标在10到30的像素点分在第四区域,将横坐标在10到30、纵坐标在10到30的像素点分在第五区域,将横坐标在20到40、纵坐标在10到30的像素点分在第六区域。在上述方式中,横坐标范围相同的相邻区域各重叠一半面积。
在本步骤中,每一区域对中原始图像区域与待评价图像区域之间的相似性指数可以是结构相似性指数SSIM(structural similarity index)。本领域技术人员可以理解,获取SSIM需要比较两幅图像的亮度、对比度和结构信息,即利用亮度比较函数l(α,β)、对比度比较函数c(α,β)和结构比较函数s(α,β)来计算两幅图像的SSIM(α,β分别表示原始图像和待评价图像的像素值),作为已知技术,本发明不对上述具体计算过程详细介绍。
在本发明实施例中,可通过以下步骤获取每一区域对的相似性指数:
1.在划分图像得到多个区域对之后,根据每一区域对中原始图像区域或者待评价图像区域的像素值标准差判断该区域对为简单区域对或者复杂区域对。具体公式如下:
其中,k=1,2,...,M,M为原始图像或者待评价图像中的区域总数,σk为第k个区域像素值的标准差,Ck为判断指数。
设定整幅图像的复杂度C为阈值,将Ck与C进行比较:复杂度Ck≥C的区域为复杂区域,Ck<C的区域为简单区域,以方便对不同的区域使用不同的评价方法。可以理解,由于SAR图像为复数图像,上述像素值可以指像素点对应的复数数据(即具有相位信息的像素值)的模,也可以指将SAR图像转换为灰度图像之后的灰度值。此外,包括简单区域的区域对为简单区域对,包括复杂区域的区域对为复杂区域对。
2.对于简单区域对,由于其细节信息相对较弱,可利用现有的SSIM算法计算相似性指数。
3.对于每一复杂区域对,一方面其中的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,因此可使用基于小波变换的SSIM算法进行评价。
具体地,对于任一复杂区域对,可首先将其中的原始图像区域和待评价图像区域进行二级小波分解,得到以下子带序列:
其中,下标LL的子带为低频子带,其是经过一级小波分解得到的。下标LH1、HL1、HH1的子带为经过一级小波分解得到的高频子带,下标LH2、HL2、HH2的子带是在HH1子带经过下一级小波分解(一共经过两级小波分解)得到的高频子带。由于HH1中已经含有二级小波分解子带LL2的信息,因此将LL2去除。
之后可利用上述子带中的高频子带计算结构比较函数s(αH,βH ),(αH,βH分别表示原始图像区域和待评价图像区域的高频子带像素值)改进SSIM算法中高频子带的结构比较函数,考虑到小波分解后的非低频区域分布特征,定义此时的结构比较函数为:
其中,累加符号内的s函数为现有SSIM算法的结构比较函数。
对于上式中λ标记的系数,可由每个高频子带能量的分布情况决定。
以的计算方法为例,原图像区域经过1级小波分解后,LH分量的小波系数总能量为:
其中,N为原图像像素点总数,为1级小波分解的LH分量中第i个像素点的小波分解高频系数。利用上式分别计算每级小波分解中水平、垂直和对角三个方向的高频分量的总能量:
之后,定义图像高频区域总能量E为:
利用E得出归一化的高频子带的系数
其余高频子带的系数可以通过同样的方式计算得出。
最后,可利用低频子带LL计算l(αLL,βLL)和c(αLL,βLL),利用6个高频子带计算s(αH,βH),将计算结果通过下式结合,可得到复杂区域对的SSIM:
SSIMcomplex(α,β)=l(αLL,βLL)·c(αLL,βLL)·s(αH,βH)
其中,αLL,βLL分别表示原始图像区域和待评价图像区域的低频子带像素值。
可就是说,在上述计算过程中,利用得到的低频子带计算该区域对中原始图像区域与待评价图像区域的亮度比较值和对比度比较值,利用得到的高频子带计算该区域对中原始图像区域与待评价图像区域的结构比较值。结合亮度比较值、对比度比较值和结构比较值即可计算该区域对中原始图像区域与待评价图像区域之间的结构相似性指数SSIM。
通过以上步骤,可获得每一区域对的相似性指数。
步骤S102:对于每一区域对,分别获取原始图像区域和待评价图像区域的散射中心特征并确定二者的相似度,利用相似度获取该区域对的权重因子。
在得到相似性指数之后,需要每一区域对在整体图像质量评价中的权重加以确定以便获得准确的评价结果。根据HVS的特性可以归纳出,在人眼观察目标SAR图像时,每个区域的主要权重因素取决于区域的散射特征信息,因此,在本发明实施例中,可通过确定每一区域对的散射特征信息获得其权重因子。
具体地,对于任一区域对的原始图像区域或待评价图像区域,获取该区域散射强度最大的散射中心;之后将该散射中心的多个属性散射中心模型参数组成的向量确定为该区域的散射中心特征。可理解,可通过已知的属性散射中心模型(Attributed ScatteringCenter Model)和求解算法,能够获得一个区域的多个属性散射中心模型参数进而构建向量,其计算步骤可分为:图像分割、散射中心分类、参数初始化和参数优化,最后可获得包括散射中心坐标、复幅度、类型参数在内的7个参数。同时,根据上述参数判断散射中心散射强度的方法也为已知,具体计算过程在此不做详细介绍。
对于每一区域对,在得到其中两个区域的散射中心特征之后,可计算二者之间的相似度(例如余弦相似度)作为该区域对在散射特征维度的权重。之后,可对每一区域对的相似度进行归一化(例如,利用各区域对中的最大相似度进行归一化),将归一化后的相似度作为区域对的权重因子。
实际应用中,根据HVS的特性可知,在人眼观察目标SAR图像时,每个区域的主要权重取决因素除散射特征信息之外,边缘特征信息也可在工作人员进行解析与判别时起到重要作用,因此以下将通过边缘检测获取另一维度的权重,以优化上述权重计算策略。
较佳地,在本发明实施例中,对任一区域对中的原始图像区域执行边缘检测(不需对待评价图像进行边缘检测),根据边缘像素点数量获取该原始图像区域的影响因子,将该影响因子作为该区域对的影响因子。示例性地,对于某一区域对,可将其原始图像区域边缘的像素点数量除以各区域对中最大的上述像素点数量,得到该区域对的影响因子。具体应用中,可采用Canny算子实现边缘检测,由于其属于已知技术,具体计算过程此处不再赘述。
获得区域对的影响因子之后,可结合相似度和影响因子确定每一区域对的权重因子。例如,通过下式获取权重因子:
其中,k为区域对序号,mk为区域对k的相似度,ek为区域对k的影响因子,为中间参数,ωk为区域对k的权重因子,M为区域对总数。
步骤S103:根据每一区域对的相似性指数和权重因子确定原始图像与待评价图像之间的全局相似性指数,将该全局相似性指数作为待评价图像质量的评价指标。
在本步骤中,可根据区域对的权重系数,计算全部区域对的相似性指数的加权和,该加权和即是原始图像与待评价图像之间的全局相似性指数,可作为待评价图像质量的最终评价指标,该指标越大,待评价图像的质量越高。
图3是本发明实施例的SAR图像质量评价方法的具体实现示意图,从图3中能够直观了解本发明方法的执行步骤与评价策略。
可见,在上述评价方法中,图像的简单区域和复杂区域通过不同方式的计算得出了各自的相似度,并加以融合得到最终的质量评价指标,这种方法考虑了HVS特性并结合散射特征信息与边缘特征信息对目标SAR图像质量评价的影响,由此能够对目标SAR图像进行符合HVS特性的准确评价。特别地,由于舰船目标的金属材质、垂直性结构等特性以及该特征与本发明方法中小波分解、边缘检测、散射特征计算等环节较为契合,本发明方法尤其适用于舰船目标SAR图像的质量评价。图2即是本发明实施例的舰船模型SAR仿真示意图,在图2中,横坐标为径向距离,纵坐标为横向距离。
经过测试,本发明方法在以下指标均优于传统的MSE(均方误差)、PSNR(峰值信噪比)、SSIM方法:2倍降采样平滑、5倍降采样平滑、10倍降采样平滑、运动模糊、散焦模糊、高斯白噪声、椒盐噪声。
在本发明实施中,进一步提供一种SAR图像质量评价装置,可用于根据待评价图像与原始图像的相似性判断待评价图像的质量,其中待评价图像和原始图像都为SAR图像。所述可装置包括:相似性指数计算单元、权重获取单元和评价单元。
其中,相似性指数计算单元可用于以相同的划分方式分别将原始图像和待评价图像划分为多个区域,原始图像和待评价图像的每一对应区域为一个区域对;获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数;权重获取单元可用于:对于每一区域对,分别获取原始图像区域和待评价图像区域的散射中心特征并确定二者的相似度,利用所述相似度获取该区域对的权重因子;评价单元可用于根据每一区域对的相似性指数和权重因子确定原始图像与待评价图像之间的全局相似性指数,将该全局相似性指数作为待评价图像质量的评价指标。
作为一个优选方案,所述相似度为余弦相似度;以及,权重获取单元可进一步用于:对于原始图像区域或待评价图像区域,获取该区域散射强度最大的散射中心;将该散射中心的多个属性散射中心模型参数组成的向量确定为该区域的散射中心特征;对该区域对中的原始图像区域执行边缘检测,根据边缘像素点数量获取该原始图像区域的影响因子,将该影响因子作为该区域对的影响因子;结合所述相似度和所述影响因子确定每一区域对的权重因子。
较佳地,在本发明实施例中,所述划分方式为半重叠划分方式,所述相似性指数为结构相似性指数;所述装置可进一步包括分类单元,其用于在划分图像得到多个区域对之后,根据每一区域对中原始图像区域或者待评价图像区域的像素值标准差判断该区域对为简单区域对或者复杂区域对。
具体应用中,相似性指数计算单元可进一步用于:对于每一复杂区域对,分别将该区域对中的原始图像区域和待评价图像区域进行二级小波分解;利用得到的低频子带计算该区域对中原始图像区域与待评价图像区域的亮度比较值和对比度比较值,利用得到的高频子带计算该区域对中原始图像区域与待评价图像区域的结构比较值;结合所述亮度比较值、所述对比度比较值和所述结构比较值计算该区域对中原始图像区域与待评价图像区域之间的结构相似性指数。
在本发明实施例中,还提供一种电子设备,包括:一个或多个处理器和存储装置。其中,存储装置用于存储一个或多个程序。当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的SAR图像质量评价方法。
在另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该设备执行时,使得该设备执行的步骤包括:以相同的划分方式分别将原始图像和待评价图像划分为多个区域,原始图像和待评价图像的每一对应区域为一个区域对;获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数;对于每一区域对,分别获取原始图像区域和待评价图像区域的散射中心特征并确定二者的相似度,利用所述相似度获取该区域对的权重因子;根据每一区域对的相似性指数和权重因子确定原始图像与待评价图像之间的全局相似性指数,将该全局相似性指数作为待评价图像质量的评价指标。
综上所述,在本发明实施例的技术方案中,利用人眼视觉***的特性,对目标的SAR图像进行具备HVS特性的质量评价,此评价方法可以对目标的SAR图像质量进行符合人类视觉特性的全参考综合评价,对雷达成像***的成像质量水平提供一定的参考,并为目标SAR图像的分类与识别提供图像质量情况的参考依据。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种SAR图像质量评价方法,用于根据待评价图像与原始图像的相似性判断待评价图像的质量,其中待评价图像和原始图像都为SAR图像;其特征在于,所述方法包括:
以相同的划分方式分别将原始图像和待评价图像划分为多个区域,原始图像和待评价图像的每一对应区域为一个区域对;获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数;
对于每一区域对,分别获取原始图像区域和待评价图像区域的散射中心特征并确定二者的相似度,利用所述相似度获取该区域对的权重因子;
根据每一区域对的相似性指数和权重因子确定原始图像与待评价图像之间的全局相似性指数,将该全局相似性指数作为待评价图像质量的评价指标。
2.根据权利要求1所述的方法,其特征在于,所述分别获取原始图像区域和待评价图像区域的散射中心特征,具体包括:
对于原始图像区域或待评价图像区域,获取该区域散射强度最大的散射中心;
将该散射中心的多个属性散射中心模型参数组成的向量确定为该区域的散射中心特征。
3.根据权利要求2所述的方法,其特征在于,所述相似度为余弦相似度;以及,所述利用所述相似度获取该区域对的权重因子,具体包括:
对该区域对中的原始图像区域执行边缘检测,根据边缘像素点数量获取该原始图像区域的影响因子,将该影响因子作为该区域对的影响因子;
结合所述相似度和所述影响因子确定每一区域对的权重因子。
4.根据权利要求1所述的方法,其特征在于,所述划分方式为半重叠划分方式,所述相似性指数为结构相似性指数;以及,所述方法进一步包括:
在划分图像得到多个区域对之后,根据每一区域对中原始图像区域或者待评价图像区域的像素值标准差判断该区域对为简单区域对或者复杂区域对。
5.根据权利要求4所述的方法,其特征在于,所述获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数,具体包括:
对于每一复杂区域对,分别将该区域对中的原始图像区域和待评价图像区域进行二级小波分解;
利用得到的低频子带计算该区域对中原始图像区域与待评价图像区域的亮度比较值和对比度比较值,利用得到的高频子带计算该区域对中原始图像区域与待评价图像区域的结构比较值;
结合所述亮度比较值、所述对比度比较值和所述结构比较值计算该区域对中原始图像区域与待评价图像区域之间的结构相似性指数。
6.一种SAR图像质量评价装置,用于根据待评价图像与原始图像的相似性判断待评价图像的质量,其中待评价图像和原始图像都为SAR图像;其特征在于,所述装置包括:
相似性指数计算单元,用于以相同的划分方式分别将原始图像和待评价图像划分为多个区域,原始图像和待评价图像的每一对应区域为一个区域对;获取每一区域对中原始图像区域与待评价图像区域之间的相似性指数;
权重获取单元,用于:对于每一区域对,分别获取原始图像区域和待评价图像区域的散射中心特征并确定二者的相似度,利用所述相似度获取该区域对的权重因子;
评价单元,用于根据每一区域对的相似性指数和权重因子确定原始图像与待评价图像之间的全局相似性指数,将该全局相似性指数作为待评价图像质量的评价指标。
7.根据权利要求6所述的装置,其特征在于,所述相似度为余弦相似度;以及,权重获取单元进一步用于:
对于原始图像区域或待评价图像区域,获取该区域散射强度最大的散射中心;将该散射中心的多个属性散射中心模型参数组成的向量确定为该区域的散射中心特征;
对该区域对中的原始图像区域执行边缘检测,根据边缘像素点数量获取该原始图像区域的影响因子,将该影响因子作为该区域对的影响因子;结合所述相似度和所述影响因子确定每一区域对的权重因子。
8.根据权利要求7所述的装置,其特征在于,所述划分方式为半重叠划分方式,所述相似性指数为结构相似性指数;所述装置进一步包括分类单元,其用于在划分图像得到多个区域对之后,根据每一区域对中原始图像区域或者待评价图像区域的像素值标准差判断该区域对为简单区域对或者复杂区域对;以及,相似性指数计算单元进一步用于:
对于每一复杂区域对,分别将该区域对中的原始图像区域和待评价图像区域进行二级小波分解;利用得到的低频子带计算该区域对中原始图像区域与待评价图像区域的亮度比较值和对比度比较值,利用得到的高频子带计算该区域对中原始图像区域与待评价图像区域的结构比较值;结合所述亮度比较值、所述对比度比较值和所述结构比较值计算该区域对中原始图像区域与待评价图像区域之间的结构相似性指数。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006999.3A CN109509201A (zh) | 2019-01-04 | 2019-01-04 | 一种sar图像质量评价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006999.3A CN109509201A (zh) | 2019-01-04 | 2019-01-04 | 一种sar图像质量评价方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109509201A true CN109509201A (zh) | 2019-03-22 |
Family
ID=65757240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910006999.3A Withdrawn CN109509201A (zh) | 2019-01-04 | 2019-01-04 | 一种sar图像质量评价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509201A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785612A (zh) * | 2020-08-28 | 2021-05-11 | 青岛经济技术开发区海尔热水器有限公司 | 基于小波变换的图像边缘检测方法 |
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*** |
CN113938671A (zh) * | 2020-07-14 | 2022-01-14 | 北京灵汐科技有限公司 | 图像内容分析方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871039A (zh) * | 2014-03-07 | 2014-06-18 | 西安电子科技大学 | 一种sar图像变化检测差异图生成方法 |
US20180040115A1 (en) * | 2016-08-05 | 2018-02-08 | Nuctech Company Limited | Methods and apparatuses for estimating an ambiguity of an image |
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 |
-
2019
- 2019-01-04 CN CN201910006999.3A patent/CN109509201A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871039A (zh) * | 2014-03-07 | 2014-06-18 | 西安电子科技大学 | 一种sar图像变化检测差异图生成方法 |
US20180040115A1 (en) * | 2016-08-05 | 2018-02-08 | Nuctech Company Limited | Methods and apparatuses for estimating an ambiguity of an image |
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 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938671A (zh) * | 2020-07-14 | 2022-01-14 | 北京灵汐科技有限公司 | 图像内容分析方法、装置、电子设备和存储介质 |
CN113938671B (zh) * | 2020-07-14 | 2023-05-23 | 北京灵汐科技有限公司 | 图像内容分析方法、装置、电子设备和存储介质 |
CN112785612A (zh) * | 2020-08-28 | 2021-05-11 | 青岛经济技术开发区海尔热水器有限公司 | 基于小波变换的图像边缘检测方法 |
CN112785612B (zh) * | 2020-08-28 | 2022-09-13 | 青岛经济技术开发区海尔热水器有限公司 | 基于小波变换的图像边缘检测方法 |
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*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | No-reference image blur assessment based on discrete orthogonal moments | |
Hassen et al. | Image sharpness assessment based on local phase coherence | |
Zhang et al. | Edge strength similarity for image quality assessment | |
Petrovic et al. | Objective image fusion performance characterisation | |
Feichtenhofer et al. | A perceptual image sharpness metric based on local edge gradient analysis | |
Zhang et al. | Visibility enhancement using an image filtering approach | |
Liu et al. | Contrast in haze removal: Configurable contrast enhancement model based on dark channel prior | |
Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
CN101976444B (zh) | 一种基于像素类型的结构类似性图像质量客观评价方法 | |
CN106530244B (zh) | 一种图像增强方法 | |
CN106920232A (zh) | 基于显著性检测的梯度相似度图像质量评价方法及*** | |
CN109509201A (zh) | 一种sar图像质量评价方法和装置 | |
Yeganeh et al. | Objective assessment of tone mapping algorithms | |
CN105847703A (zh) | 一种图像处理方法和电子设备 | |
CN114119436A (zh) | 红外图像与可见光图像融合方法、装置、电子设备及介质 | |
CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
Xu et al. | Deep retinex decomposition network for underwater image enhancement | |
Junwu et al. | An infrared and visible image fusion algorithm based on LSWT-NSST | |
Liu et al. | An efficient no-reference metric for perceived blur | |
Zhao et al. | A multi-scale U-shaped attention network-based GAN method for single image dehazing | |
Zhang et al. | SPCM: Image quality assessment based on symmetry phase congruency | |
Ke et al. | Single underwater image restoration based on color correction and optimized transmission map estimation | |
Yan et al. | A natural-based fusion strategy for underwater image enhancement | |
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 | |
CN106485703B (zh) | 基于图像梯度dct变换的模糊检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190322 |
|
WW01 | Invention patent application withdrawn after publication |