技術(shù)特征：

1.一種用于無(wú)人機(jī)圖像的質(zhì)量盲評(píng)價(jià)方法，其特征在于：該評(píng)價(jià)方法的步驟為：

S1、獲取無(wú)人機(jī)圖像，并將無(wú)人機(jī)圖像從圖像信息結(jié)構(gòu)性、圖像信息完整性、圖像信息顏色性三個(gè)方面進(jìn)行分析；構(gòu)建相應(yīng)的質(zhì)量評(píng)價(jià)測(cè)度；

A、基于空域自然場(chǎng)景統(tǒng)計(jì)，進(jìn)行圖像信息結(jié)構(gòu)性測(cè)度

A1、以空域自然場(chǎng)景統(tǒng)計(jì)顯著地揭示失真圖像的質(zhì)量衰退程度，把基于空域自然場(chǎng)景統(tǒng)計(jì)特性作為特征因子；

理論認(rèn)為，自然灰度圖像的局部歸一化亮度因子服從高斯分布，這個(gè)歸一化過(guò)程描述為：

其中，公式(2.2)、(2.3)分別計(jì)算了圖像的局部均值和方差，公式(2.3)中w＝{w_k，l|k＝-K，…，K，l＝-L，…，L}為二維循環(huán)對(duì)稱高斯權(quán)重函數(shù)，定義K＝L＝3；I_gray為自然圖像的灰度圖，在matlab中通過(guò)語(yǔ)句I_gray＝rgb2gray(I)實(shí)現(xiàn)圖像I由彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像；

A2、將公式(2.1)、(2.2)、(2.3)繪制清晰圖像和失真圖像的MSCN因子統(tǒng)計(jì)直方圖，將MSCN因子選取為描述圖像結(jié)構(gòu)性測(cè)度的第一個(gè)特征f₁；

A3、采用經(jīng)驗(yàn)分布函數(shù)分別在MSCN因子兩側(cè)的水平、垂直、主對(duì)角線、次對(duì)角線共四個(gè)方向上提取相鄰兩個(gè)MSCN因子，并將每個(gè)方向上的MSCN因子進(jìn)行均值計(jì)算獲得兩個(gè)參數(shù)，將這兩個(gè)成對(duì)參數(shù)分別記為特征f₂和f₃；該相鄰因子的提取方法是：

I_{Hpair_MSCN}(i，j)＝I_MSCN(i，j)·I_MSCN(i，j+1)

I_{Vpair_MSCN}(i，j)＝I_MSCN(i，j)·I_MSCN(i+1，j)

I_{D1pair_MSCN}(i，j)＝I_MSCN(i，j)·I_MSCN(i+1，j+1)

I_{D2pair_MSCN}(i，j)＝I_MSCN(i，j)·I_MSCN(i+1，j-1) (2.4)

A4、將公式(2.3)所計(jì)算的局部標(biāo)準(zhǔn)差σ(i，j)用來(lái)描述圖像的銳度，從公式可知，參數(shù)σ(i，j)是隨著公式(2.2)的(i，j)的變化而變化的，通過(guò)計(jì)算銳度方差的變化量可得到圖像的歸一化色散：

標(biāo)準(zhǔn)差σ(i，j)和歸一化色散(i，j)構(gòu)成無(wú)人機(jī)圖像結(jié)構(gòu)性測(cè)度的兩個(gè)重要參數(shù)，將之分別記為特征f₄、f₅；

上述特征參數(shù)f₁、f₂、f₃、f₄、f₅構(gòu)成用以度量圖像信息結(jié)構(gòu)特征的特征向量；

B、基于信息熵進(jìn)行圖像信息完整性測(cè)度；

B1、首先計(jì)算圖像的對(duì)比度熵(CE)；圖像在空域中通過(guò)高斯二階導(dǎo)數(shù)差分濾波器分解，分解后的濾波器響應(yīng)被整合，然后這些響應(yīng)通過(guò)限定閾值來(lái)排除噪聲干擾；在每個(gè)獨(dú)立的顏色分量即灰度(gray)、黃藍(lán)(yb)、和紅綠(rg)上分別計(jì)算對(duì)比度熵獲得特征f6、f7、f8：

公式(2.6)、(2.7)中c∈{gray，yb，rg}代表圖像的顏色通道，計(jì)算公式為：gray＝0.299R+0.587G+0.114B，yb＝0.5(R+G)-B，rg＝R-G；α表示Z(I_c)的最大值，κ表示對(duì)比度增益，τ_c為當(dāng)前圖像顏色通道的噪聲閾值，符號(hào)表示卷積，h_h和h_v分別是高斯函數(shù)的水平和垂直二階導(dǎo)數(shù)；

B2、基于無(wú)人機(jī)圖像細(xì)節(jié)特征損失較多，有效地細(xì)節(jié)較少，使用圖像熵作為一個(gè)特征f₉：

其中，p(h_i)表示像素強(qiáng)度h_i的概率；

C、基于HSV模型進(jìn)行圖像信息顏色性測(cè)度

C1、考慮到SV色彩空間更適合于人眼視覺(jué)系統(tǒng)來(lái)感知彩色特性的處理，其分量與人感知彩色的方式緊密相連，能夠顯著地區(qū)分出圖像中的不同物體，將圖像由RGB彩色空間轉(zhuǎn)換至SV彩色空間，而后在H通道中通過(guò)公式(2.8)計(jì)算圖像的色調(diào)_hue，而色度(CF)可通過(guò)公式(2.10)計(jì)算：

I_hue(i，j)＝I_HSV(i，j，1) (2.9)

式中I_HSV表示為圖像由RGB轉(zhuǎn)換為HSV后的圖像空間，rg＝R-G，yb＝0.5(R+G)-B，像素點(diǎn)的范圍為x＝1...X；通過(guò)以上兩個(gè)公式獲得圖像顏色性測(cè)度因子f₁₀、f₁₁；

S2、無(wú)人機(jī)圖像質(zhì)量評(píng)價(jià)模型構(gòu)建

D、用多元高斯模型構(gòu)建基準(zhǔn)MVG模型

D1、選用標(biāo)準(zhǔn)測(cè)繪圖作為評(píng)價(jià)模型的原始圖像數(shù)據(jù)庫(kù)，對(duì)該數(shù)據(jù)庫(kù)圖像進(jìn)行子塊分離后提取相應(yīng)特征向量“學(xué)習(xí)”得到基準(zhǔn)MVG模型；

D2、通過(guò)MVG擬合獲得圖像的統(tǒng)計(jì)特性參數(shù)；針對(duì)待評(píng)價(jià)無(wú)人機(jī)圖像，進(jìn)行子塊劃分后重復(fù)計(jì)算過(guò)程獲取待測(cè)圖像的統(tǒng)計(jì)特性參數(shù)；對(duì)每一子塊進(jìn)行上述特征提取，形成d維特征向量；從n個(gè)子塊選取的特征用特征矩陣X＝[x₁，x₂，...，x_n]∈R^d×n表示；

D3、計(jì)算兩個(gè)特征參數(shù)的馬氏距離獲得每一子塊的質(zhì)量得分，最后將各子塊質(zhì)量得分的均值作為待評(píng)價(jià)圖像的質(zhì)量得分；

假定x_i，i＝1，...，n獨(dú)立采樣服從于一維MVG分布，利用標(biāo)準(zhǔn)的最大似然估計(jì)方法計(jì)算得到MVG分布的擬合特性，公式如下：

D4、對(duì)無(wú)人機(jī)圖像進(jìn)行p×p分塊得到k個(gè)子塊，對(duì)每個(gè)子塊i進(jìn)行特征提取得到d維向量y_i；

對(duì)每一子塊i的d維向量y_i進(jìn)行MVG擬合得到模型參數(shù)(μ_i，∑_i)，計(jì)算與基準(zhǔn)MVG模型(μ，∑)之間的馬氏距離得到對(duì)應(yīng)塊得分：

中μ、μ_i，∑、∑_i分別表示為清晰圖像和待測(cè)圖像的均值向量和協(xié)方差矩陣；

采用均值方法得到最后整幅圖像的質(zhì)量等分：

2.根據(jù)權(quán)利要求1所述的用于無(wú)人機(jī)圖像的質(zhì)量盲評(píng)價(jià)方法，其特征在于：可運(yùn)用Matlab語(yǔ)言對(duì)無(wú)人機(jī)圖像進(jìn)行代碼實(shí)現(xiàn)，進(jìn)一步構(gòu)建無(wú)人機(jī)測(cè)試圖像數(shù)據(jù)庫(kù)。

3.根據(jù)權(quán)利要求1所述的用于無(wú)人機(jī)圖像的質(zhì)量盲評(píng)價(jià)方法，其特征在于：上述無(wú)人機(jī)圖像為無(wú)人機(jī)空中實(shí)拍圖像。