基于信息熵分類的合成圖像質量分析算法研究

李長春 韓東寧

長春電子科技學院 吉林 長春 130000

引言

圖像合成技術把多個對應的圖像合成為一幅圖像。隨著對大視場圖像要求的不斷增加,單一設備視場不足以滿足測試需求,單純采用廣角設備雖然視場可以增大,但使圖像細節質量下降,分辨率變差。圖像合成該技術方法簡單,不會使分辨率減小,在醫療、航空航天及人工智能等領域大量使用[1]。圖像合成技術主要包含配準和融合這兩部分。圖像配準是指用圖像重疊部分的特征關聯來計算得出單應性矩陣。然而在該階段中,由于單應性矩陣不夠精確,從而會致使全景圖像中產生重影。圖像融合則是負責處理在合成過程中不同圖像之間出現曝光差別的問題。

圖像合成技術在計算機視覺領域里和合成質量有極大的關聯[2]。客觀評價則是依據人眼的視覺主觀判斷意識從而建立合理數學模型,然后運用公式可得到圖像質量。目前通常使用的評價是信噪比和結構類似程度。對比圖像時,圖像質量可以通過PSNR評價,其值越高,效果越好。該方法因計算簡便,而廣泛應用在相關領域,但該值和人眼視覺的主觀意識存在較大差異。SSIM則從亮度等方面去評估兩個圖像的相似性,與前一種評價方法相比較,SSIM可以更好地體現人眼視覺的主觀意識,然而在圖像合成技術中對圖像重影問題和合成縫問題更為關注[3]。

Luyu Yang等人通過研究提出了利用圖像間的區域差異去衡量圖像在合成過程中的誤差,而亮度差異則由結構和色度的一致性來體現,但其操作過程繁瑣,與圖像評估的需求相悖[4]。Ghosh等人設計出多個影響因素的圖像評價方法從非定性的角度去評估誤差,但這些影響因素常被用在一般的圖像評價中,對重影和合成縫的影響很小,因此該方法的評價結果存在較大誤差。

本文通過研究,提出了一種基于信息熵分類的合成圖像質量分析算法,該方法在評估合成圖像上精確性更高,在重影與合成縫的檢測上也較為靈敏,并且與人眼主觀意識相符,實驗結果顯示本文提出的分析算法總體優于其它評價方法。

1 數據預處理

1.1 數據獲取

本文通過使用高清相機和傳送帶相結合的結構設計,能實現自主獲得零件圖像的功能,記相機的固定位置點為O,通過傳送帶將零件傳送到位置點P,相機完全完成拍攝采集,再開始下一輪的零件拍攝。需要得到灰度圖像,然后再通過FFT實現去噪,也就是將灰度圖像中的時域變為頻域F,之后再通過閾值法過濾掉頻域中Ω域值以下的區域,最后再利用傅里葉快速逆變換將頻域變回時域,從而得到所需要的灰度圖像。

1.2 邊界提取

在信息熵的邊界提取中,卷積運算極其重要,而卷積核又是核心,若該值大則表示圖像模糊,若該值小則表示信息量小。可見,卷積核的選擇十分關鍵,并且卷積核中心點只有一個,也就是說卷積核行列號一定是奇數,卷積核為k×k大小,其中像元的個數由n表示,圖像中短邊的一半就是最大取值。

當灰度圖像G是M×N時,在對邊框進行卷積時可能會出現空值計算,為了防止此情況發生,就要求增加矩陣G其邊界。信息熵的卷積表示通過信息熵準則運算卷積核所包含的數據。記卷積核中包含的灰度值數量為q,可得信息熵H為

把這些灰度值按從小到大的順序排列,灰度值相同的數量,遍歷圖像的所有像素點,從而獲得信息熵矩陣A。在信息熵計算中并沒有包含具體的量化,所以要優化該運算,將優化后的信息熵由H'表示,該定義不僅符合t階的中心距而且也包含了量化信息,則

式中:G代表灰度值;t代表中心矩的階數,常常被用去體現高階量的特征,在本研究中取t=1。遍歷圖像便可獲得優化后的信息熵矩陣A',高層次的統計表達由高階中心矩反映,就像是高階張量。

2 算法設計

2.1 輪廓提取

對圖像實現灰度分析和邊框提取,能有效對比圖像之間錯位誤差及亮度差異。R,G,B共同作用形成圖像中各個像素點的色彩,單個分量就包含256個值。灰度圖像仍能像彩色圖像一樣,可以體現整個圖像的色彩與亮度級的布局及特點。進行灰度分析處理后,能減少后面程序的計算量。在本研究中,采用灰度處理時用到的方法為加權平均法。對圖像邊界信息進行提取,而且該算法效果好,噪聲對其算法干擾小,邊界信息相對更為準確。

2.2 構建差分參數

將兩張圖像對應部分的像素作差,用差值表示圖像變化的方法叫差分圖。因此常用差分圖表現兩張圖像的差別,此外差分圖對圖像間的錯位和亮度信息也能有效檢測。需用高斯平滑的方法處理圖像,從而降低噪聲對差分圖的干擾。高斯濾波不僅表現為線性平滑,而且還能有效降低高斯噪聲的干擾,因此在圖像處理中大量使用該方法實現減噪功能。高斯濾波是一個求圖像加權平均值的過程,將其自身與附近像素值通過加權平均就可以獲得各個像素點的值。圖像經過高斯平滑處理后,再對圖像的邊界信息做絕對差分處理,這樣就能夠獲得所需圖像。

2.3 計算信息熵

對得到的差分圖像實行像素點的信息分析,用圖像信息熵來反映圖的信息豐富度,其豐富度與圖像質量緊密相關。信息熵反映的是圖像的平均信息量大小,信息熵大。差分圖的信息熵可由下式表示:

3 實驗測試

3.1 測試結果分析

在錯位情況不同的圖像中,信息熵對評價結果影響較小,表明該方法不能有效檢測錯位信息,因此不能用于評估圖像質量。圖像出現1-2像素的錯位時,SSIM的結果顯著降低;當錯位情況不斷增加時,該算法結果逐漸平緩,結果差異很小,并不能充分體現圖像的錯位情況,但當錯位情況嚴重時,該算法結果的差異持續在0.5以上,其結果與人眼主觀意識評價相悖。人對亮度差別的主觀感知判斷不同于錯位誤差,人的眼睛能自動調節并適應光強度,能分辨出有明顯亮度差別的物體。在過高或過低的亮度區間,人眼對此區間差別感官很小,差別越大,圖像質量受其干擾越小,甚至最后不受影響。

3.2 圖像質量分析

圖1（a）出現嚴重的錯位誤差及亮度差別;圖1（b）出現一定的亮度差別及較小的錯位誤差;圖1（a）出現一定的錯位誤差及較小的亮度差別;圖1（b）基本無錯位誤差及亮度差別。由此可見,采用信息熵分類可以大幅提高圖像的邊緣特征信息,從而提高圖像復現質量。

圖1 經信息熵分類算法處理優化前后的圖像

4 結論

本文針對提高圖像合成質量的問題,提出了一種基于信息熵分類的合成圖像質量分析算法,首先需要對圖像實行灰度處理和邊界信息提取;隨后再對圖像進行差分,最后通過計算信息熵從而得到圖像的評價結果。實驗結果顯示,該算法效果良好。