CN110473169B - 一种仿真图片置信度评价方法 - Google Patents

Abstract

本发明提供一种仿真图片置信度评价方法，包括：根据样本集中一张样本图像的图像特征得到至少一种实数值结果；所述图像特征能够使得待测图像集中任意两张图计算出的所述实数值结果不相同的概率大于预设阈值；根据公式计算所述待测图像的第i个实数值结果对应的置信度评价值分量：对所有实数值结果的置信度评价值分量计算平均值，得到置信度评价结果。本发明解决了现有技术中主要基于仿真过程的评估，缺少用仿真图像结果与实拍图片库直接对比得到置信度的缺陷。本发明具有较强的可扩展性，能够对一般的仿真图片进行评价，不局限于仿真的对象。

Description

一种仿真图片置信度评价方法

技术领域

本发明涉及视景仿真领域，具体涉及一种仿真图片置信度评价方法。

背景技术

随着近几十年来计算机在游戏、电影等民用产业和半实物仿真等军用产业的大量普及，众多的三维视景仿真软件也应运而生。伴随着大量的关于仿真软件的三维渲染的理论研究的发展，例如粗糙表面的双向反射分布函数的参数化研究和三维结构的平面投影算法的优化研究，对于仿真图像置信度(即与现实照片的相似程度)的研究也随之产生。目前国内外关于仿真图像置信度的研究主要集中于对仿真过程即软件代码及其背后仿真原理的***化VV&A监视和评估，却没有采用仿真图像结果与实拍图片库的直接对比得到置信度的方案，这种方案没有被采用的原因一方面是实拍图片库的内容不固定，另一方面是这种不固定对置信度结果的较大影响。

事实上，上述实拍图片库对于置信度结果的较大影响可以更有利于某些特殊的置信度评价场合。对于半实物仿真等军用产业，其中需要模拟的场景相比游戏、电影等民用产业的需求更加的单一。在这样场景单一的情况下如果需要验证仿真图像的置信度，所需要的实拍图片库的内容也相对固定。这时只要采集到足够多的实拍场景图片，理论上即存在计算仿真图片置信度的可能性。

发明内容

本发明的一个目的是解决现有技术中主要基于仿真过程的评估，缺少用仿真图像结果与实拍图片库直接对比得到置信度的缺陷，而提出一种仿真图片置信度评价方法，包括：

根据样本集中一张样本图像的图像特征得到至少一种实数值结果；所述图像特征能够使得待测图像集中任意两张图计算出的所述实数值结果不相同的概率大于预设阈值。

根据如下公式计算所述待测图像的第i个实数值结果对应的置信度评价值分量：

其中N为样本集的图片总数；χ_i表示样本图片的第i个实数值结果所在区间中的指定值；Θ_i(χ_i)表示χ_i所在区间内的样本图像数量；χ_fi表示根据待测图片计算出的第i个实数值结果。

对所有实数值结果的置信度评价值分量计算平均值，得到置信度评价结果。

优选地，计算所述待测图像的第i个实数值结果对应的置信度评价值分量之后，还包括对第i个实数值结果对应的置信度评价值分量进行归一化处理的步骤。

优选地，对第i个实数值结果对应的置信度评价值分量进行归一化处理的计算过程为：

其中s为大于1的预设系数，f_i为经过归一化的第i个实数值结果对应的置信度评价值分量。

优选地，所述图像特征能够使得第i个实数值结果具有确定的上界和下界。

优选地，所述图像特征能够使得第i个实数值结果相互独立。

优选地，实数值结果包括无序度，无序度的计算公式为：

其中k是图像的像素灰度级数，M为图片中含有的像素点的个数，n_i′是图片中具有第i'级灰度的像素个数，

表示向上取整。

优选地，实数值结果包括图像主频ρ_m，计算公式为：

a_p＝∑G_ijI^p。其中p为小于5的自然数；G_ij为图像中像素位置(i,j)的灰度；W为图宽。

优选地，实数值结果包括频差σ_m，计算公式为：

其中s_p＝∑G_ijI^psin(ρ_mI)，

优选地，实数值结果包括主灰度G_m，计算公式为：

优选地，实数值结果包括次频ρ_n，计算公式为：

其中：

本发明的有益效果是：1、能够对一般的仿真图片进行评价，不局限于仿真的对象；2、采用仿真图像结果与实拍图片库的直接对比得到置信度，评价尺度更加的客观、统一，不会像现有技术基于仿真过程的评价那样通用性差、不贴近真实情况；3、在一个测试实验中，本发明的评价结果与专业人员的判断结果基本相同，有较高的准确率；4、本发明具有很强的可扩展性，在满足一定的原则下，可以根据自定义的评价算法进行评价，也能得到置信度较高的结果。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1为本发明一个实施例的流程图；

图2为对根据选定的图像特征对样本集图片进行实数值计算的统计分布图；

图3(a)至图3(e)为一个测试例中根据不同实数值得到的分布图；

图4(a)至图4(e)为一个测试例中为了验证效果所使用的仿真图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明提供一种仿真图片置信度评价方法，如图1所示，包括：

步骤S1：根据样本集中一张样本图像的图像特征得到至少一种实数值结果；图像特征能够使得待测图像集中任意两张图计算出的实数值结果不相同的概率大于预设阈值。

即在步骤S1中需要选定一个样本集，样本集中的图片为实拍图片。还需要选定一个或多个基于图像特征的评价尺度，选择时候应该能够满足两个特征：1、要能根据选择的图像特征计算出实数值结果；2、对于图像集中任意两个图片，根据该图像特征计算出的实数值结果应当是尽可能不相同的。如果根据选定的图像特征无法计算出实数值结果，则无法通过计算客观评价仿真图片与真实图片的相似程度；如果不同的图片计算出的实数值基本相同，则说明选取的特征不能客观反映图像的特征，不适合作为评价标准。

对于如何选取符合以上条件的图像特征，可以基于现有技术中的各种图像特征进行逐一判断，其范围是清楚的。例如对于图像中存在物体轮廓的情况，可以预先建立一个形状轮廓模板库，使用现有技术中的轮廓特征提取算法提取轮廓特征，再跟形状轮廓模板库进行相似度匹配，将得到的相似度百分比作为实数值。本领域的技术人员可以通过两个步骤判断一个算法计算出的结果是否在本发明的范围内：1、判断算法的结果是不是一个实数值(而不是向量或矩阵等非实数表达形式)；2、对样本集中的每个图像都进行这种算法运算，根据计算结果统计两两不相同的概率，超过了预设值(比如预设阈值为95％等)，则认为该算法在本发明的范围内。上述的两步判断方法也可以用程序来判断，例如通过判断计算结果的数据类型判断是否为实数值，再通过程序运算判断是否满足预设阈值的要求。

步骤S2：根据如下公式计算所述待测图像的第i个实数值结果对应的置信度评价值分量。

其中χ_i表示样本图片的第i个实数值结果所在区间中的指定值，Θ_i(χ_i)表示第i个实数值结果χ_i落入的数值区间内的样本图像数量；N为样本集的图片总数；χ_fi表示根据待测图片计算出的第i个实数值结果。

即在步骤S2中，需要确定样本图片的分布情况Θ_i(χ_i)，它可以由这种方式确定：根据步骤S1中计算出来的样本集中图片的实数值结果，划分区间，例如样本集中一共有100张图片，对每幅图计算得到的实数值结果从0到10不等，则可以以1为步长划分10个区间，然后统计落入每个区间内的图片一共有多少张，用χ_i表示每幅样本图片的实数值结果，N表示样本集图片总数。这样可以统计出样本图片的分布情况，然后对待测的仿真图片也进行相同的实数值结果计算，得到χ_fi，再根据公式即可得到结果。

例如，在图2示出的例子中，样本图片计算出的χ_i落入0至2区间的样本数量为10，落入2至4的数量为30，落入4到6的数量为20，以此类推。在k_i的公式计算中，使用的χ_i值不一定是实际计算出的原值，而是可以使用区间内的任意一个指定值(如区间中值)，例如对于第一个图片样本，计算得到的实数值是0.5，落入在图2的0至2区间内，待测仿真图χ_fi是1.3，那么实际计算的时累加符号内部分Θ_i(χ_i)(χ_fi-χ_i)²可以是10×(1.3-1)²，也就是说，待测仿真图χ_fi计算时使用原值，χ_i在本例中使用的是0至2的区间中值1，这样做是为了简化运算，为了避免对0至2区间内的10个样本每一个都计算，而是选0至2区间的中值“1”进行计算，也可以根据需要统一选择区间的左端点或者右端点或者中值附近的点来简化运算。此时累加运算就是根据每个区间分别作运算，即如果像图2那样一共划分了5个区间，则累加则是对每个区间都做Θ_i(χ_i)(χ_fi-χ_i)²的运算。

可以预想的是，如果区间缩小到点值，即每个样本图片所在的区间就是它的真实值，也在本发明的范围内，但会增加计算量。

步骤S3：对所有实数值结果的置信度评价值分量计算平均值，得到置信度评价结果。

即计算得到的k_i值仅为一个实数值结果，如果有多个实数值结果，则需要对这些值取算数平均，得到最终的值，作为置信度评价结果。

通过以上三个步骤计算得到的值可能是带有量纲的，因此还可以增加步骤S4，用于对第i个实数值结果对应的置信度评价值分量k_i进行归一化处理，计算过程为：

其中s为大于1的预设系数，f_i为经过归一化的第i个实数值结果对应的置信度评价值分量。从公式中可以看出k_mi和χ_mi都是与待测仿真图无关的、仅通过样本集即可计算出的值，由于s大于1的预设系数，从公式形式可以看出f_i的计算结果符合归一化的要求。

还可以对选择的图像特征做进一步的限定，例如所选择的图像特征计算出的实数值需要有明确的上界和下界，否则如果对于不同的样本集，相同图像特征计算出的实数值下界或上界的差距过大，会导致不利于划分区间、不利于统计。

还可以要求所选择的多个图像特征计算出的实数值的分布情况要相互独立，否则如果不同实数值之间具有很强的相关性，则使用一个实数值和使用多个实数值进行置信度评价的结果可能没有区别，选用多个实数值进行评价的意义就不明显了。识别是否互相独立的方法可以使用统计学中的独立性检验来进行。

本发明还提供了一种新的用于计算实数值的图像特征，称为图像的无序度，其公式为：

其中k是图像的像素灰度级数，M为红外实拍图片中含有的像素点的个数，n_i是图片中具有第i级灰度的像素个数，

表示向上取整。

上述图像无序度描绘了图片大区域的整体性质而无法由“单像素”确定的量。值得注意的是，“熵”是物理学中类似“体积、质量”那样的可做加法的“广延量”。而直接对其进行模仿将出现无序度与像素个数或者图片面积成正比的“广延”属性。为了进一步反映图片本身的属性，本发明将直接模仿出的无序度定义做了合理改良，使其成为一种类似“密度”的“局域量”。这种改良直接去掉了图片像素尺度对评价结果的不良影响，但需要注意的是，仍然不应该因此就误认为可以用单像素或少数几个像素就计算出这种局域无序度。无序度是一种需要整张图片的信息而又与信息量近乎无关联的特殊标准。

在一张具有M个像素点的图片中，直接模仿熵的微观算法可以定义信息熵：

其中k是图像的像素灰度数，对于目前使用的绝大多数图片来说k＝256。n_i′是图片中具有第i’级灰度的像素个数，也就是

考虑如下近似公式：

其中S_m(k,M)是固定k,M的情况下S可能取到的最大值，这一最大值一般在k个n_i′全部近似相等的时候取到(此时约有

)。

而当图片的清晰度和分辨率变化(也就是尺度M和灰度级数k发生变化)但保持内容不变的情况发生的时候，n_i′之间的相互比例关系是不变的。并且随着上述变化一定有所有k个n_i′均正比于它们的平均值M/k，这时可由上述近似公式看出信息熵与其最大值的差正比于M/k。于是本发明的一种实施方式中通过改良得到了局域无序度的计算方法：

图像无序度满足步骤S1中的两种条件。

本发明还提供一种计算图像的像素频谱参数作为实数值的方法。

主要发明构思是：自然界的无周期表象都是由一系列的有周期性的规律合成的。但这些周期也有范围，过长与过短的周期出现的机会很少。这种周期不仅体现在时间维度上还体现在空间上，并最终体现在照片的像素上。图像灰度随着像素位置的变化也是由一些周期性的规律决定的，但为了评价置信度而去研究这些规律显然是不明智的。一个简单的高效方法是设法计算这些周期出现的机会函数并与真图进行比较，这等同于计算周期的倒数也就是像素频率在图片中出现的概率密度。数学上常用的傅里叶变换是常用的分析时空周期性规律的方法，物理学中经常对某个随时间变化的物理量进行时间维度的傅里叶变换来得到频率分布函数也就是频谱。本发明对图片使用像素维度的傅里叶变换来得到像素频谱，进而设法提取频谱的一些特征量用于评价置信度。

记像素位置(i,j)上的灰度是G_ij，利用其像素级傅里叶变换频谱得到四个实数值图像主频ρ_m、频差σ_m、主灰度G_m、次频ρ_n的算法如下(其中的求和是对全图求和，W为图宽，p为小于5的自然数中介参数)：

a_p＝∑G_ijI^p

四个实数值的上下界如表1所示。

表1

下面对于本发明中提供的无序度和像素频谱两种算法进行实际效果测试。

利用上述视景仿真图像置信度评价方案，结合推荐的两种评价算法，利用积累的几万张红外实拍图片得到的作为评价标准的五个分布情况如图3(a)至图3(e)所示。这些分布情况已被用来评价大量红外仿真图和明显与实拍图不相似的“伪图”。在一个测试例中，选取5张仿真图和1张伪图，对其进行的评价结果如表2所示。其中各项得分均指前述的f_i或对f_i取平均后的值。所选取的仿真图如图4(a)至图4(e)所示，所选用的伪图(即仿真程度较差的测试图)为程序开发工具界面图(附图中未示出)。

表2

从表中可以看出仿图的得分明显高于伪图，这代表了实际开展的大量图片的评价结果的趋势。评价分值趋势与专业人员判断结果相同。说明本发明提供的两种计算方法能够达到较高的评价精度。

虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种仿真图片置信度评价方法，其特征在于，包括：

根据样本集中一张样本图像的图像特征得到至少一种实数值结果；所述图像特征能够使得待测图像集中任意两张图计算出的所述实数值结果不相同的概率大于预设阈值；

根据如下公式计算所述待测图像的第i个实数值结果对应的置信度评价值分量：

其中N为样本集图片总数；χ_i表示样本图片的第i个实数值结果所在区间中的指定值；Θ_i(χ_i)表示χ_i所在区间内的样本图像数量；χ_fi表示根据待测图片计算出的第i个实数值结果；

对所有实数值结果的置信度评价值分量计算平均值，得到置信度评价结果。

2.根据权利要求1所述的仿真图片置信度评价方法，其特征在于，在计算所述待测图像的第i个实数值结果对应的置信度评价值分量之后，还包括对第i个实数值结果对应的置信度评价值分量进行归一化处理的步骤。

3.根据权利要求2所述的仿真图片置信度评价方法，其特征在于，对第i个实数值结果对应的置信度评价值分量进行归一化处理的计算过程为：

其中s为大于1的预设系数，f_i为经过归一化的第i个实数值结果对应的置信度评价值分量。

4.根据权利要求1所述的仿真图片置信度评价方法，其特征在于，所述图像特征能够使得第i个实数值结果具有确定的上界和下界。

5.根据权利要求1所述的仿真图片置信度评价方法，其特征在于，所述图像特征能够使得第i个实数值结果相互独立。

6.根据权利要求1所述的仿真图片置信度评价方法，其特征在于，实数值结果包括无序度，无序度的计算公式为：

其中k是图像的像素灰度级数，M为图片中含有的像素点的个数，n_i′是图片中具有第i'级灰度的像素个数，

表示向上取整。

7.根据权利要求1所述的仿真图片置信度评价方法，其特征在于，实数值结果包括图像主频ρ_m，计算公式为：

a_p＝∑G_ijI^p

其中p为小于5的自然数；G_ij为图像中像素位置(i,j)的灰度。

8.根据权利要求7所述的仿真图片置信度评价方法，其特征在于，实数值结果包括频差σ_m，计算公式为：

其中s_p＝∑G_ijI^psin(ρ_mI)，

i″为图像中像素位置(i,j)的横坐标。

9.根据权利要求8所述的仿真图片置信度评价方法，其特征在于，实数值结果包括主灰度G_m，计算公式为：

10.根据权利要求9所述的仿真图片置信度评价方法，其特征在于，实数值结果包括次频ρ_n，计算公式为：

其中：

Images