彈載偵察圖像質量評價方法研究

李從利, 薛松, 陸文駿, 袁廣林, 秦曉燕

(1.陸軍軍官學院 3系, 安徽 合肥 230031; 2.陸軍軍官學院 11系, 安徽 合肥 230031)

彈載偵察圖像質量評價方法研究

李從利1, 薛松1, 陸文駿1, 袁廣林2, 秦曉燕2

(1.陸軍軍官學院 3系, 安徽 合肥 230031; 2.陸軍軍官學院 11系, 安徽 合肥 230031)

針對彈載偵察圖像由于受成像平臺和條件限制存在多類型混雜失真，為了對圖像后續處理和成像系統性能優化提供重要量化依據和指標參考，開展此類圖像質量評價研究。分析了彈載偵察圖像的特點，針對成像平臺的多自由度、多姿態變化情況，提取與相機抖動、結構變化、顏色丟失相關的3類11種圖像特征，利用高分辨率測繪圖像作為原始圖像集，分塊提取特征進行多元高斯模型(MVG)擬合獲得基準分布特性，對彈載圖像也進行分塊處理獲得對應MVG分布特性，比較其與基準MVG特性馬氏距離作為子塊質量得分，計算各子塊的得分均值作為整幅圖像最終得分。以實際彈載成像平臺獲取的圖像進行了實驗驗證。實驗結果表明：與盲圖像質量測度算法、基于離散余弦變換的圖像完整性測度改進算法、基于失真度識別的圖像驗證與完整性評價算法、質量感知聚類算法、盲圖像質量空域測度算法、自然圖像質量測度算法、整體與局部的自然圖像質量測度算法7種其他經典方法相比，該算法具有更好的準確度和主客觀一致性。

兵器科學與技術；圖像質量評價；彈載偵察圖像；自然場景統計；圖像特征

0 引言

圖像偵察彈的研究始于20世紀70年代，美國先后提出“炮射偵察系統”、“炮射電視目標定位系統”。 20世紀90年代后隨著圖像信息處理、芯片集成、無線傳輸通信等技術的發展，偵察彈技術正向著小型化、全天候、多波段、單兵化方面快速演變，廣泛應用于軍、警、民等不同領域，也受到了各國學者的重視和關注。

目前較為經典的偵察彈是以色列的Firefly膛射式微型圖像偵察彈及美國研制的單兵榴彈發射成像彈，相比之下我國圖像偵察彈的研究起步較晚。但通過積極跟蹤和不懈努力，已研制出包括火炮炮射偵察彈、迫擊炮發射偵察彈和偵察槍榴彈等多種偵察彈，其中有的偵察彈已裝備部隊，有的偵察彈進行了大量樣彈發射實驗，其拍攝的圖像辨別戰術目標能力強、偵察距離遠[1]。

目前針對彈載偵察圖像的研究主要集中在編碼壓縮[2]、增強、校正[3]、消旋[4]及拼接[5]方面，主要為毀傷效果評估、敵火力分布估計等戰場偵察方面提供信息支持；而針對該類圖像展開的質量評價研究少見報道，同時由于成像條件的影響，彈載偵察圖像存在多種類型的降質現象，對其進行質量評價的定量分析不但具有現實應用需求，而且對拓展圖像質量評價方法理論研究和應用領域具有重要意義。

圖像質量評價方法分為主觀和客觀兩類[6]，圖像質量評價的主觀方法使用人眼來評價圖像的質量，作為最終的接受者，該方法也是最為可靠和準確的，但是受評價者本身、評價環境條件、圖像內容等多種因素影響，人力物力投入大、耗時長、成本高，實際應用中常作為客觀評價的輔助和參考。

依據需要參考圖像信息的多少，圖像質量評價客觀方法可分為：全參考評價(FR)方法、弱參考評價(RR) 方法和無參考評價(NR)方法。其中FR方法和RR方法借助于參考圖像的全部或部分信息，結果較精確，已獲得成熟應用；實際應用中經常難以獲取參考圖像，只能采用NR方法，近年來該方向的發展較為迅速。

早期的NR模型認為待評價圖像是受到一種或多種特定降質因素的影響，例如振鈴效應、模糊、塊效應及壓縮等等，因此研究的評價方法為限定失真評價方法，其應用范圍受到限制[7-9]；后來人們逐漸轉向通用的NR方法的研究。

通用NR方法考慮在有關降質(失真)類型的先驗知識缺乏條件下的盲評價問題的解決。其中一大類方法可歸結為“主觀已知”類型，該類方法需要在已知失真類型和人工標注得分的圖像數據庫上進行“訓練”，評價過程相似，可分為訓練階段和測試階段。在訓練階段從已知失真圖像中提取特征向量，建立關于失真圖像特征向量和主觀得分關系的回歸模型，在測試階段，對待評價圖像首先提取相應的特征向量，利用訓練好的回歸模型預測其質量得分，例如盲圖像質量測度(BIQI)[10]、基于失真度識別的圖像驗證與完整性評價(DIIVINE)[11]、基于離散余弦變換的圖像完整性測度(BLIINDS-II)[12]、盲圖像質量空域測度(BRISQUE)[13]、基于碼書的無參考圖像質量評估(CORNIA)[14]是此類方法的典型代表。此類方法存在不足，需要大量已知失真類型且有人工標注得分的圖像樣本去訓練回歸模型。實際工程應用中，圖像的失真類型眾多且同一幅圖像可能包含多種類型的失真，由于該方法強依賴于相關失真類型及訓練圖像數據庫，故應用場合受限。

鑒于“主觀已知”方法的不足，隨后人們將研究的焦點集中在“主觀未知”評價方法上，此類方法不需要失真圖像的訓練樣本和人工標注得分等先驗信息，突出的工作是Mittal等[15]提出的自然圖像質量測度(NIQE)方法。該方法在BRISQUE工作基礎上，采用多元高斯模型(MVG)對圖像的統計特征分布進行了擬合，以原始自然圖像塊提取的的特征集分布作為計算基準，待評價圖像的質量得分通過計算其特征集分布的MVG擬合和基準的MVG擬合之間的距離獲得，由于“主觀未知”，該方法可看做是“全盲”評價方法的代表。由于NIQE方法對圖像的統計特征分布進行擬合時使用了一個MVG模型，忽略了局部信息在質量得分預測中的作用，因此Zhang等[16]又提出了改進的分塊進行MVG擬合的方法：整體與局部的自然圖像質量測度(IL-NIQE)方法。

對于目前流行的“主觀未知”和“主觀已知”的兩類方法，各有其優缺點，適用場合也不相同。本文研究的對象是圖像偵察彈拍攝的圖像，由于成像條件的隨機性和多類型降質情況的存在，無法獲取相應的參考圖像，只能采用“主觀未知”評價方法，受NIQE和IL-NIQE方法的啟發，以多幅高分辨率測繪圖像(拍攝于合肥東南部巢湖區域上空700 m，分辨率為7 360×4 912)為原始自然圖像，按照OverLap方式分割成800幅圖像樣本庫，按照分塊進行MVG擬合求取距離，最后全局進行平均的方法獲得彈載偵察圖像的質量得分。

1 彈載偵察圖像特征分析及提取

1.1 圖像的特點分析

圖像偵察彈一般由偵察器件、無線電發射機、天線和電源等部件組成。偵察器件既可以是數碼相機、攝像機類的成像器件，也可是聲、磁、震動傳感器；無線電發射機和天線負責將偵察器件采集到的信息傳回后方；電源為偵察器件和無線電發射機提供電力支持。其工作過程如圖1[1]所示。

圖1 圖像偵察彈工作示意圖[1]Fig.1 Schematic diagram of blast point detection[1]

圖1所示圖像偵察彈在達到最高彈道高度時才啟動偵察器件，在降落過程中對下方區域實施偵察，邊降落邊工作。由于受彈體自旋、降落傘擾動、風、成像器件受損、無線傳輸干擾等不確定因素的影響，使得彈載圖像呈現以下4個顯著特點：1) 一般為運動圖像，覆蓋范圍廣、背景變化快；2) 數字化后信息量大、傳輸實時性要求高，存在編解碼信息損失影響；3) 成像環境惡劣，存在各種隨機干擾，降質因素偶發性強；4) 偵察器件體積小、高過載條件下成像器件受損可能性大。這些特點的存在會顯著影響其圖像質量。

考慮彈載圖像的特點，對實彈拍攝的圖像進行統計分析，可以發現存在以下幾類明顯失真：邊降落邊旋轉帶來的運動模糊、彈體抖動產生的散焦、高過載形成的成像器件損傷、編解碼帶來的誤差、各類隨機噪聲、復雜電磁環境帶來的干涉等等，如圖2所示典型失真情況。由于成像平臺空中條件的不可預見性，使得彈載圖像具有一種或多種顯性和隱形的混合失真情形，因此必須深入分析并選取適合其質量評價的圖像特征。

圖2 彈載圖像存在的多失真現象Fig.2 Several distortions of image

1.2 特征提取

圖像特征的準確提取是質量評價模型構建成功的關鍵，在“主觀未知”盲評價方法的特征選取時重要的原則是：選取的特征應與圖像的失真類型無關，而與圖像的失真程度相關。考慮彈載圖像成像方式的極端特殊性，本文重點考慮選取3類特征：與彈載相機抖動失真相關的特征、與圖像內容結構失真相關的特征、與圖像顏色失真相關的特征。

1.2.1 與彈載相機抖動失真相關的特征因子

關于圖像模糊失真的特征選取和評價已經有了不少方法，主要分為基于邊緣測量、基于譜分析兩大類型，主要用于散焦和壓縮帶來的模糊進行質量評價。而相機抖動方向帶來的模糊在圖像上呈現明顯的各向異性[17]，不同于目標相對背景運動帶來的模糊，因此必須尋找適合彈載圖像模糊失真的特征因子。

由于彈載成像設備相機運動呈現瞬時高速旋轉、多自由度的抖動，圖像的相應高頻部分會受到不同程度的減弱。文獻[17]針對由相機抖動帶來的模糊評價問題專門進行了研究，提出了兩類6個圖像特征：一類是方向特征，用于表示相機按不同方向抖動帶來的圖像譜結構多方向變化，有均值、方差和最小銳度3個特征；另一類是形狀特征，相機抖動會非對稱地改變圖像頻帶形狀，提出了用橢圓來表征圖像頻譜形狀，有面積、離心率和長軸方向3個特征。

考慮計算代價，本文選取文獻[17]中方向特征的均值和形狀特征的離心率作為表征因子，分別記作f1、f2，限于篇幅，詳細定義和計算公式請參見文獻[17]。

1.2.2 與圖像內容結構失真相關的特征因子

由圖2可知，彈載圖像經常呈現多失真混疊的現象，本文著眼于多失真帶來的圖像結構變化特征提取，而不糾纏于某一失真類型的特征尋找。研究表明由于自然場景統計(NSS)能夠顯著地揭示失真圖像質量的衰退程度[18-19]，被經典算法BIQI、BLIINDS、DIIVINE、NIQE所采用，本文也采用此方法來表征多失真帶來的圖像結構變化，以圖2(a)～圖2(f)6幅圖分別計算平均差分和對比歸一化(MSCN)因子統計直方圖，如圖3所示，該因子也稱為局部歸一化亮度因子。由直方圖可以看出由于失真的引入，圖像的方差變小，直方圖分布較為分散，表現出了一定的非高斯性。

圖3 圖2中彈載圖像MSCN因子統計直方圖Fig.3 Histogram of MSCN coefficients for images shown in Fig.2

自然灰度圖像的局部歸一化亮度因子服從高斯分布[20]，可將這個歸一化過程描述為

(1)

式中：i、j為空間像素點，i∈1,2,…,M，j∈1,2,…,N；Ig是以自然圖像的灰度圖IMSCN(i,j)為圖像像素點計算的局部歸一化亮度因子；

(2)

(3)

μ(i,j)和σ(i,j)分別為圖像的局部均值和方差，w={wk,l|k=-K,…,K,l=-L,…,L}為二維循環對稱高斯權重函數，參考文獻[15]，定義K=L=3. MSCN統計因子的直方圖偏離程度可用于預測圖像的失真程度[13]，將MSCN因子選取為第3個特征f3.

此外由于圖像中的MSCN因子高度相似，水平方向上相鄰的兩個因子間存在著規律性的結構，如圖4所示。因此采用經驗分布函數分別在MSCN因子兩側的水平方向上進行計算：

IHpair_MSCN(i,j)=IMSCN(i,j)IMSCN(i,j+1).

(4)

根據(4)式可計算出兩個特征f4、f5.

圖4 圖2中彈載圖像MSCN的成對因子直方圖(水平方向)Fig.4 Histogram of MSCN paired (horizontal) coefficients for images shown in Fig.2

此外(3)式的局部方差σ(i，j)是一個量化圖像局部結構信息的重要參數，用來描述圖像的銳度，因此可將其作為另一個特征f6.

1.2.3 與圖像顏色失真相關的特征因子

彈丸在下落過程中，由于彈體高過載、彈丸瞬時高速旋轉、圖像編解碼不完全、信號干擾等因素會造成顏色漂移、顏色損失、顏色模糊等色彩失真。前兩類特征因子無法有效表達，需對彈載圖像顏色信息的失真專門提取相關因子。

研究表明對比度熵CE可預測自然圖像的局部對比度，選用對比度熵這個特征是因為它能很好地描述基于空中成像平臺拍攝照片的特征。彈載圖像在空域中通過高斯2階導數差分濾波器分解，分解后的濾波器響應被整合[21]。選取在每個獨立的顏色分量(灰度gray、黃藍yb和紅綠rg)上的對比度熵作為特征因子f7、f8、f9：

(5)

(6)

式中：c∈{gray,yb,rg}代表顏色通道，計算公式[20]為gray=0.299R+0.587G+0.114B，yb=0.5(R+G)-B，rg=R-G，R、G、B分別為圖像中紅、綠、藍3通道的值；α表示Z(Ic)的最大值；κ表示對比度增益；τc為當前圖像顏色通道的噪聲閾值；符號?表示卷積；hh和hv分別是高斯函數的水平和垂直2階導數。采用文獻[21]定義gray、yb、rg3個通道的噪聲閾值，分別設定為0.235 3，0.228 7和0.052 8.

考慮到HSV色彩空間更適合于人眼視覺系統來感知彩色特性的處理，其分量與人感知彩色的方式緊密相聯[22]。因此在圖像的H通道中計算圖像的色調Ih，而色度CF可通過(7)式和(8)式計算[23]：

Ih(i,j)=IHSV(i,j,1)，

(7)

(8)

表1給出了所提取的3類11個特征因子。

表1 提取的3類特征因子Tab.1 List of three types of image features

2 圖像質量評價模型構建

在提取1.2節3類特征的基礎上，從標準測繪圖截選的圖像數據集上提取相應特征“學習”，得到基準MVG模型；針對待評價彈載偵察圖像，進行子塊劃分，對每一塊進行特征提取和MVG模型擬合；計算與基準MVG距離獲得每一子塊的質量得分；將各子塊質量得分的均值作為待評價圖像的質量得分。

2.1 基準MVG模型構建

不同于陸基平臺采集的圖像，在構建基準MVG模型時可以選擇常見的清晰圖像作為原始參考，彈載成像平臺由空中拋撒，空對地成像，場景細節變化和圖像中地貌特征也不相同，用常見的清晰圖像進行處理難以得到滿意結果。因此選擇高度相似的高分辨率測繪圖像作為原始基準圖像，從多幅清晰圖像中Overlap選取了P×P大小的800幅圖像集。與IL-NIQE方法選取基準計算圖像過程類似，先請4名志愿者分別挑選出包含：植被、土壤、人工目標、水體4類各100幅清晰圖像共400幅基準圖像；再請15位志愿者從400幅圖像中挑選出90幅圖像作為最后的原始基準圖像，縮略形式如圖5所示。

圖5 用于構建基準MVG的90幅原始圖像Fig.5 90 original iamges used to learn the pristine MVG model

針對原始基準圖像，進一步進行p×p分塊，不同于IL-NIQE方法，本文對每一子塊不再進行篩選，全部參與計算。對每一子塊進行上述特征提取，形成d維特征向量，為提升預測效率和降低計算成本，采用主成分分析(PCA)方法對d維特征向量進行降維處理。從n個子塊選取的特征可用特征矩陣X=[x1,x2,…,xn]∈Rd×n表示，對X進行PCA降維處理得到映射矩陣Φ∈Rd×m, 其中m個主成分向量對應X的協方差矩陣的m個特征值(m

借助于映射矩陣Φ，每個特征向量可變換為

x′i=ΦTxi,x′i∈Rm×1,i=1,…,n.

(9)

假定x′i，i=1,…,n獨立采樣服從于一個m維MVG分布，即可利用標準的最大似然估計方法計算得到MVG分布的擬合特性[24]：

(10)

式中：x為所提取的特征向量，x∈Rm×1；μ、Σ分別為矩陣x均值向量和方差，這樣構建的MVG模型即可用(μ,Σ)表達。

2.2 評價模型及指標

在基準MVG模型構建的基礎上，可以對實際彈載偵察圖像進行模型構建和指標設計。與2.1節構建過程類似，對待評價彈載偵察圖像進行了p×p分塊得到k個子塊，對每個子塊i進行特征提取得到d維向量yi，同樣利用映射矩陣Φ對yi進行降維處理：

y′i=ΦTyi,y′i∈Rm×1,i=1,…,k.

(11)

這樣一幅待評價彈載偵察圖像可用一個特征向

(12)

文獻[25]在進行質量得分計算時考慮不同圖像塊賦予不同權重，但會增加運算成本，由于彈載圖像包含多類型失真且分布區域隨機，難以有效區分質量得分貢獻，為提升運算效率，采用均值方法計算得到整幅圖像的質量等分：

(13)

本文算法流程如圖6所示，虛線部分為構建基準MVG特性分布模型過程，實線部分為質量評價指標計算過程。

圖6 算法流程示意圖Fig.6 Flow chart of the proposed algorithm

3 實驗與結果分析

3.1 參數設置和測試數據庫

設定從標準測繪圖中選取圖像大小P×P為1 024×768；選取的子塊大小p×p為8×8；PCA變換維度m為430.

測試圖像數據庫由兩段實拍的偵察彈視頻截取圖像構成。偵察彈攜帶相機選用1/4 in電視/紅外圖像傳感器，視場角為45°，采用MPEG-2進行圖像壓縮，偵察彈作用高度介于300 m至1 100 m之間。實拍圖像涵蓋了1.1節提到的多種失真類型，共856幅圖像組成，大小為320×240的彩色圖像。為評估算法有效性，還給出了所有測試圖像的平均主觀評分差值(DMOS)。主觀評價人員共15人，年齡為20～35歲。其中DMOS越高表示圖像質量越差，DMOS越低表示圖像質量越好，且DMOS范圍為[0,100]。

3.2 實驗結果及分析

對測試圖像庫分別使用本文所提到的算法和7種經典的NR算法(BIQI、BLIINDS-II、DIIVINE、質量感知聚類(QAC)[26]、BRISQUE、NIQE、IL-NIQE)進行質量評估，然后與DMOS比較評價算法性能。由于客觀數據對主觀評價分數的預測關系存在一定的非線性，在視頻質量專家組(VQEG)的測試和檢驗中都允許這樣的非線性的映射[27]。本文實驗采用(14)式、(15)式所示的對數函數進行非線性補償：

quality(x)=β1logistic(β2(x-β3))+β4x+β5，

(14)

(15)

式中：β1為主觀評價結果的最大值；β2為主觀評價結果的最小值；β3為客觀評價結果均值；β4=0.1；β5=40.

選用兩個參數指標比較算法的性能：皮爾森線性相關系數(PLCC)、斯皮爾曼相關系數(SROCC)，其中PLCC用于評測質量模型預測的準確性，SROCC用于評測質量模型預測的單調性。對構建的彈載圖像數據庫，利用8種算法實驗對比的SROCC、PLCC結果如表2所示。

表2 在測試數據庫上算法性能對比結果Tab.2 Results of performance evaluation on the on-board images dataset

從表2可以看出本文算法相較于其他7種方法，SROCC和PLCC均取得了最大值，具備較好的單調性和準確性。

為進一步直觀觀察模型預測與主觀分數的一致性，繪制了上述算法的預測質量值與DMOS 對比的散點圖，如圖7所示。

圖7中每個點代表一幅測試圖像，橫、縱坐標值分別為模型預測質量值和DMOS. 根據散點圖的收斂程度可直觀地看出：1)算法NIQE、IL-NIQE預測質量值總體上與DMOS相關性最差，這是因為這兩種算法僅僅對有限的自然圖像提取了基準特征集，且這些自然圖像的失真類型是單一而有限的，對于彈載圖像這類含有復雜失真的圖像，以上兩種算法并未考慮；2)算法BIQI、BLIINDS-II、DIIVINE、QAC、BRISQUE預測值與DMOS相關性較前兩種算法有所提高，這是因為這5種算法都是基于訓練的方法通過回歸模型預測質量得分，并不依賴于具體的失真類型，在一定程度上能夠表征彈載圖像的特性；3)本文提出的算法預測值與DMOS相關性顯著地高于其他所有算法。

考慮到待評價圖像子塊的大小選擇會對評價的結果造成影響，針對本文方法，塊大小分別選取了4×4、8×8、16×16、32×32、64×64、96×96、128×128計算其SROCC、PLCC，結果如表3所示。

表3 不同塊大小的算法性能參數Tab.3 Paramaters of different patch sizes

由表3可以發現，塊規模大小為8×8時取得最佳結果，與文獻[28]給出的結果相一致。

此外，為評估算法運行代價，在64位Windows 7操作系統下，以Matlab 2014a為開發工具測試了本文算法及其他對比算法的時間開銷。在主頻為3.1 GHz Intel Core i5 3350 CPU，內存為8 GB的臺式機上測試算法時間，結果如表4所示。

從表4可以發現本文算法一次評價用時為1.0 s，略高于BIQI算法、QAC算法、BRISQUE算法和NIQE算法，但大大低于BLIINDS-II算法和DIIVINE算法，也優于IL-NIQE算法，表現出較強的運行效率競爭性。

4 結論

本文對空中自主降落平臺拍攝的彈載偵察圖像進行了質量評價方法研究，在無需相關降質彈載偵察圖像情況下，研究并提出了一種“主觀未知”的盲評價方法。在對圖像特點進行分析的基礎上，選擇提取了3類圖像特征，借助于已有的高分辨率測繪圖像，引入基于自然場景統計的方法，通過分塊處理，經全局平均獲得其質量得分。經實拍彈載圖像的評價實驗驗證，相比較其他方法，本文方法具有更好的主客觀一致性。由于實驗條件限制，后續采集更多的實驗樣本和評價模型改進是下一步重點工作。

表4 各算法的運行時間Tab.4 Time cost of algorithms

圖7 不同算法測試結果散點示意圖Fig.7 Scatter plots of subjective MOS against scores obtained by 8 algorithms

References)

[1] 尤海平. 別樣新鋒:偵察彈[J]. 兵器知識, 2006(1):44-47. YOU Hai-ping. Battle field image scout projectile[J]. Ordnance Knowledge, 2006(1):44-47.(in Chinese)

[2] 桂延寧, 焦李成, 張福順. 彈載圖像小波實時處理技術研究[J]. 電波科學學報, 2002, 17(6):595-598. GUI Yan-ning, JIAO Li-cheng, ZHANG Fu-shun. A real-time processing technique for onboard image based on wavelet transform[J]. Chinese Journal of Radio Science, 2002, 17(6):595-598. (in Chinese)

[3] 岳冬雪, 黃新生, 譚紅力. 基于仿射投影的彈載圖像幾何失真校正方法[J]. 中國圖象圖形學報, 2009, 14(4):663-668. YUE Dong-xue, HUANG Xin-sheng, TAN Hong-li. Geometric distortion correction of missile-borne image[J]. Journal of Image and Graphics, 2009, 14(4):663-668.(in Chinese)

[4] 錢立志, 王曙光, 張江輝, 等. 一種彈載視頻圖像實時消旋方法[J]. 彈箭與制導學報, 2009, 29(3):20-22. QIAN Li-zhi, WANG Shu-guang, ZHANG Jiang-hui, et al. A real-time despinning method for onboard video image[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2009, 29(3):20-22.(in Chinese)

[5] 李從利, 薛模根, 冷曉艷, 等. 空中偵察序列圖像連續拼接的累積誤差分析與消除[J]. 中國圖象圖形學報, 2008, 13(4):814-819. LI Cong-li, XUE Mo-gen, LENG Xiao-yan, et al. Analysis and elimination on aerial recon sequential image stitching accumulative error[J]. Joural of Image and Graphics, 2008, 13(4):814-819.(in Chinese)

[6] 劉潔瑜, 徐軍輝, 汪立新. 基于結構信息分布的圖像質量評估新算法[J]. 兵工學報, 2010, 31(8):1053-1058. LIU Jie-yu, XU Jun-hui, WANG Li-xin. A novel image quality evaluation method based on structure information distribution[J]. Acta Armamentarii, 2010, 31(8):1053-1058.(in Chinese)

[7] Pan F, Lin X, Rahardja S. A locally adaptive algorithm for measuring blocking artifacts in images and videos[J]. Signal Processing Image Communication, 2004, 19(6):499-506.

[8] Liu H, Klomp N, Heynderickx I. A no-reference metric for perceived ringing artifacts in images[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2010, 20(4):529-539.

[9] Ferzli R, Karam L J. A no-reference objective image sharpness metric based on the notion of just noticeable blur[J]. IEEE Transactions on Image Processing, 2009, 18(4):717-728.

[10] Moorthy A K, Bovik A C. A two-step framework for constructing blind image quality indices[J]. IEEE Signal Processing Letters, 2010, 17(5):513-516.

[11] Moorthy A K, Bovik A C. Blind image quality assessment: from natural scene statistics to perceptual quality[J]. IEEE Transactions on Image Processing, 2011, 20(12):3350-3364.

[12] Saad M A, Bovik A C, Charrier C. Model-based blind image quality assessment: a natural scene statistics approach in the DCT domain[J]. IEEE Transactions on Image Processing, 2012, 21(8):3339-9952.

[13] Mittal A, Moorthy A K, Bovik A C. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on Image Processing, 2012, 21(12):4695-4708.

[14] Ye P, Kumar J, Kang L, et al. Unsupervised featurelearning framework for no-reference image quality assessment[C]∥2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, US:IEEE, 2012:1098-1105.

[15] Mittal A, Muralidhar G S, Ghosh J, et al. Blind image quality assessment without human training using latent quality factors[J]. IEEE Signal Processing Letters, 2012, 19(2):75-78.

[16] Zhang L, Zhang L, Bovik A C. A feature-enriched completely blind image quality evaluator[J]. IEEE Transactions on Image Processing, 2015, 24(8):2579-2591.

[17] Oh T, Park J, Seshadrinathan K, et al. No-reference sharpness assessment of camera-shaken images by analysis of spectral structure[J]. IEEE Transactions on Image Processing, 2014, 23(12):5428-5439.

[18] Geisler W S. Visual perception and the statistical properties of natural scenes[J]. Annual Review of Psychology, 2008, 59(1):167-192.

[19] Simoncelli E P, Olshausen B A. Natural image statistics and neural representation[J]. Annual Review of Neuroscience, 2001, 24(5):1193-1216.

[20] Ruderman D L. The statistics of natural images[J]. Network Computation in Neural Systems, 1994, 5(4):517-548.

[21] Groen I I A, Ghebreab S, Prins H, et al. From image statistics to scene gist: evoked neural activity reveals transition from low-level natural image structure to scene category[J]. Journal of Neuroscience, 2013, 33(48):18814-18824.

[22] 楊紅穎, 吳俊峰, 于永健, 等. 一種基于HSV空間的彩色邊緣圖像檢索方法[J]. 中國圖象圖形學報, 2008, 13(10):2035-2038. YANG Hong-ying, WU Jun-feng, YU Yong-jian, et al. Content based image retrieval using color edge[J]. Joural of Image and Graphics, 2008, 13(10):2035-2038.(in Chinese)

[23] Hasler D, Suesstrunk S E. Measuring colorfulness in natural images[J]. Proceedings of SPIE, 2003, 5007:87-95.

[24] Bishop C. Pattern recognition and machine learning[M]. NY, US:Springer, 2006.

[25] Zhang L, Zhang L, Mon X. FSIM:a feature similarity index for image quality assessment[J]. IEEE Transactions on Image Processing, 2011, 20(8):2378-2386.

[26] Xue W，Zhang L，Mou X, Learning without human scores for blind image quality assessment[J]. Computer Vision & Pattern Recognition, 2013, 9(4):995-1002.

[27] Rohaly A MJ, Corriveau P, Libert J M, et al. Video quality experts group: current results and future directions[C]∥SPIE Conference on Visual Communications and Image Processing. Perth, AUS:SPIE, 2000:742-753.

[28] Liu L X, Liu B, Huang H, et al. No-reference image quality assessment based on spatial and spectral entropies[J]. Signal Processing:Image Communication, 2014, 29(6):856-863.

Research on On-board Reconnaissance Images Quality Assessment

LI Cong-li1，XUE Song1，LU Wen-jun1，YUAN Guang-lin2，QIN Xiao-yan2

(1.Department Three, Army Officer Academy, Hefei 230031, Anhui, China;2.Department Eleven, Army Officer Academy, Hefei 230031, Anhui, China)

Many types of hybrid distortion of on-board reconnaissance images happen due to the imaging platform and constraints. The image quality assessment is carried out in order to provide an important quantitative basis and reference for the performance optimization of the image processing and imaging systems. The characteristics of on-board reconnaissance image are analyzed. In consideration of mutli-degree-of-freedom and multi-attitude change of imaging platform, 11 kinds of image features related to camera shake, structure change and color loss are extracted. The sub-block image features are extracted for multivariate Gaussian (MVG) fitting to obtion benchmark distribution characteristics by using high resolution mapping images as original image set, and the on-board reconnaissance images are also processed to obtain corresponding MVG distribution characteristics. The benchmark distribution characteristics are compared to the MVG distribution characteristics, and Mahalanobis distance is calculated as a score of block quality. The mean score of each sub-block is taken as final score of whole image. The images obtained by the actual on-board imaging platform are verified. The result shows that the proposed method has higher assessment accuracy.

ordnance science and technology; image quality assessment; on-board image; natural scene statistics; image feature

2016-02-02

安徽省自然科學基金項目(2010XYJJ-060)

李從利(1973—)，男，副教授。E-mail:lcliqa@163.com

TP391.413

A

1000-1093(2017)01-0064-09

10.3969/j.issn.1000-1093.2017.01.009