本發(fā)明涉及圖像質量評估技術領域，具體地說涉及一種用于無人機圖像的質量盲評價方法。
背景技術：
無人機圖像是通過無人機高空平臺的一種遠距離、無接觸成像后的圖像。隨著成像技術的不斷發(fā)展，無人機拍攝的圖像分辨率越來越高，人們通過對無人機圖像中的目標的信息進行加工處理，從而獲取對目標定性或定量的描述。而成像后的結果——無人機圖像的質量則引起了國內外圖像工作者的關注。
但是無人機圖像并沒有一套成熟的質量評價標準。對無人機圖像的質量評判往往采用傳統(tǒng)的觀察法，即通過人眼觀看圖像來評判圖像的優(yōu)劣。這一方法手段包含了大量的主觀因素。因此有必要尋求既客觀又簡便無人機圖像質量評價方法，正確評價無人機圖像的質量。此外，隨著圖像壓縮及圖像傳輸等技術的發(fā)展，對壓縮或傳輸后的圖像質量進行評價已引起廣泛的關注，國內外大量針對圖像質量的研究往往集中于地面成像平臺直接拍攝的自然圖像，而對壓縮傳輸后的圖像質量則研究較少。
無參考圖像質量評價(No-referenceImageQualityAssessment，NR-IQA)算法旨在無需參考圖像即設計出主客觀相一致的評價模型，因而使得無參考圖像質量評價一直處于圖像處理鄰域研究的重點。國內外眾多學者分別就這一問題先后建立了基于人類視覺系統(tǒng)(HumanVisualSystem，HVS)的評價模型、基于自然場景統(tǒng)計(NaturalSceneStatistic，NSS)的評價模型等經典算法模型。這些算法模型都是針對基于地面平臺拍攝的自然圖像，而對于空中成像平臺獲取的復雜失真圖像，現有算法則無法獲得較為準確的評價結果。
近年也有一些算法模型提出，如具體失真類型的IQA算法、混合失真類型的IQA算法、非具體失真類型的IQA算等。
1、具體失真類型的IQA算法
具體失真類型的圖像質量評價算法是根據圖像中確定的失真形式進行質量評價，例如JPEG壓縮、JPEG2000壓縮等。1)JPEGIQA：通常，NRJPEGIQA通過測量圖像塊邊界區(qū)域的邊緣強度，將這個強度和可能存在的圖像行為的測量值與質量相聯(lián)系。JPEGNR-IQA算法包括L.Meesters等使用基于模糊邊界的埃米特變換；Z.Wang等對JPEG圖像沿水平方向計算差分信號，通過分塊邊緣的平均差分估計分塊效應的方法；R.Barland等使用映射對分塊的質量分數進行權重；J.Chen等使用基于臨界值的方法對梯度進行計算；S.Suthaharan在傅里葉域上進行塊計算。以上方法都是在分塊和模糊上計算可感知的質量，并沒有引入訓練和特征提取等智能方法。2)JPEG2000IQA：對于JPEG2000所產生的振鈴效應，通常通過邊緣探測測量邊緣擴散，這種邊緣擴散與圖像質量相關。其它方法包括在空域上測量一些簡單的特征；或是使用自然場景統(tǒng)計的方法，該方法中作者探究了相鄰小波系數間的相關性，存在的失真會改變這些相關性。
2、混合失真類型的IQA算法
研究者們根據具體失真類型的方法，將這些方法結合在一起，也提出了一些針對多種混合失真的評價方法。
2002年，X.Li提出了一系列啟發(fā)式的方法來描繪視覺質量在邊緣銳度、隨機噪聲和結構噪聲方面的特性。邊緣銳度使用邊緣探測的方法，隨機噪聲通過局部平滑的方法和基于PDE模型的方法來測量。Li定義的結構噪聲即為JPEG和JPEG2000中的塊效應和振鈴效應。然而，作者并沒有分析各方法的性能，也沒有提供質量評價算法的新的技術。
2007年，Gabrada和Cristobal提出了一個革新的方法，通過使用Renyi熵模仿圖像中的各向異性。這個方法很有吸引力，因為自然圖像是各向異性的，持有大量的統(tǒng)計結構。作者測量均值、標準差和在空域上已定義的4個方向上的Renyi熵的范圍，論證它們之間的相關性，使之與感知質量相聯(lián)系。然而依然缺乏徹底的評估。
3、非具體失真類型的IQA算法
研究者們提出了更為廣泛應用的NR-IQA算法。這些算法并不試圖去確定圖像失真的類型，而是將圖像質量評價轉化為對從圖像中提取的具體特征進行分類和回歸。特征可通過機器學習或是自然場景統(tǒng)計的方法進行提取。
2011年，P.Ye和D.Doermann用基于局部外觀的gabor濾波器來構成視覺碼書，學習DMOS分數向量，將每個碼字與質量分數相聯(lián)系。然而，在構造視覺碼書的過程中每一個與圖像塊相關聯(lián)的特征向量被DMOS值標記。這就存在問題，因為每個圖像塊都有著不同的質量，尤其是一些局部的失真只影響圖像中的一小部分。同時，這一過程計算十分復雜。隨后，P.Ye和D.Doermann采用無監(jiān)督的特征學習方法，通過Gabor濾波器對算法CBIQ進行改進，形成半監(jiān)督算法CORNIA。該算法通過監(jiān)督學習進行編碼；通過非監(jiān)督學習構建算法模型。由于該算法需要圖像主觀先驗知識，且編碼過程較為復雜，因此不利于實際應用。
2010年至2012年，Bovik提出了一系列基于自然場景統(tǒng)計模型的無參考圖像質量評價算法。該模型源于假設：自然圖像存在確定的統(tǒng)計特性，這些統(tǒng)計特性能夠被所存在的失真改變。因此該方法通過提取相應的特征進行質量評價，都有著較為理想的評價結果。該算法如BIQI、DIIVINE、BLIINDS-II、BRISQUE。由于它們僅僅評價以接受訓練的降質形式，而且需要與人類主觀評分相結合，所以存在一定的限制。
2013年，Bovik提出了一個新的，基于自然場景統(tǒng)計的NR-IQA算法NIQE。該算法不需要判斷存在的失真形式，也無需對人類主觀評分做出相應的訓練，所以是一個絕對的“盲”評價。
同樣國內專家學者們對無參考圖像質量評價進行了廣泛的研究，形成了以高新波、蔣剛毅等為代表的一系列科研團隊。如高新波團隊提出的基于稀疏理論的NR-IQA，通過提取圖像特征并繪圖觀察是否為線性來進行質量評價；樓斌、嚴曉浪等人提出了基于自然場景的無參考圖像質量評價方法，該方法研究了自然圖像Contourlet變換域子帶均值間的線性關系，通過對不同尺度、方向、子 帶的不同區(qū)域進行選取加權，綜合得到圖像質量；蔣剛毅、郁梅等人提出的基于支持向量回歸的立體圖像質量評價方法能夠很好地預測人對立體圖像的主觀感知，拓展無參考圖像質量評價方法的應用范圍]。
圖像質量評價技術發(fā)展迅速，但也面臨許多挑戰(zhàn)，主要由以下五個方面：
1.自然圖像的掩蔽模型構建和優(yōu)化；
2.超閾值失真降質處理問題；
3.失真對圖像表現的影響建模；
4.多失真混雜、幾何形變和增強處理的評價問題；
5.評價實時性和空間開銷。
技術實現要素：
本發(fā)明的目的在于針對上述現有技術的缺陷，提供一種用于無人機圖像的質量盲評價方法，在綜合分析無人機成像特性的基礎上，研究并提取相關圖像特征，構建了多失真混雜的無人機圖像質量評價模型。
為實現上述目的，本發(fā)明所采取的技術方案是：
一種用于無人機圖像的質量盲評價方法，該評價方法的步驟為：
S1、獲取無人機圖像，并將無人機圖像從圖像信息結構性、圖像信息完整性、圖像信息顏色性三個方面進行分析；構建相應的質量評價測度；
A、基于空域自然場景統(tǒng)計，進行圖像信息結構性測度
A1、以空域自然場景統(tǒng)計顯著地揭示失真圖像的質量衰退程度，把基于空域自然場景統(tǒng)計特性作為特征因子；
理論認為，自然灰度圖像的局部歸一化亮度因子服從高斯分布，這個歸一化過程描述為：
其中，公式(2.2)、(2.3)分別計算了圖像的局部均值和方差，公式(2.3)中w＝{wk，l|k＝-K，…，K，l＝-L，…，L}為二維循環(huán)對稱高斯權重函數，定義K＝L＝3；Igray為自然圖像的灰度圖，在matlab中通過語句Igray＝rgb2gray(I)實現圖像I由彩色圖像轉變?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)計直方圖，將MSCN因子選取為描述圖像結構性測度的第一個特征f1；公式(2.1)、(2.2)、(2.3)繪制的MSCN因子統(tǒng)計直方圖如圖1所示；
A3、采用經驗分布函數分別在MSCN因子兩側的水平、垂直、主對角線、次對角線共四個方向上提取相鄰兩個MSCN因子，并將每個方向上的MSCN因子進行均值計算獲得兩個參數，將這兩個成對參數分別記為特征f2和f3；該相鄰因子的提取方法是：
IHpair_MSCN(i，j)＝IMSCN(i，j)·IMSCN(i，j+1)
IVpair_MSCN(i，j)＝IMSCN(i，j)·IMSCN(i+1，j)
ID1pair_MSCN(i，j)＝IMSCN(i，j)·IMSCN(i+1，j+1)
ID2pair_MSCN(i，j)＝IMSCN(i，j)·IMSCN(i+1，j-1) (2.4)
A4、將公式(2.3)所計算的局部標準差σ(i，j)用來描述圖像的銳度，從公式可知，參數σ(i，j)是隨著公式(2.2)的(i，j)的變化而變化的，通過計算銳度方差的變化量可得到圖像的歸一化色散：
標準差σ(i，j)和歸一化色散(i，j)構成無人機圖像結構性測度的兩個重要參數，將之分別記為特征f4、f5；
上述特征參數f1、f2、f3、f4、f5構成用以度量圖像信息結構特征的特征向量；
B、基于信息熵進行圖像信息完整性測度；
B1、首先計算圖像的對比度熵(CE)；圖像在空域中通過高斯二階導數差分濾波器分解，分解后的濾波器響應被整合，然后這些響應通過限定閾值來排除噪聲干擾；在每個獨立的顏色分量即灰度(gray)、黃藍(yb)、和紅綠(rg)上分別計算對比度熵獲得特征f6、f7、f8：
公式(2.6)、(2.7)中c∈{gray，yb，rg}代表圖像的顏色通道，計算公式為：gray＝0.299R+0.587G+0.114B，yb＝0.5(R+G)-B，rg＝R-G；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二階導數；
B2、基于無人機圖像細節(jié)特征損失較多，有效地細節(jié)較少，使用圖像熵作為一個特征f9：
其中，p(hi)表示像素強度hi的概率；
C、基于HSV模型進行圖像信息顏色性測度
C1、考慮到SV色彩空間更適合于人眼視覺系統(tǒng)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彩色空間轉換至SV彩色空間，而后在H通道中通過公式(2.8)計算圖像的色調hue，而色度(CF)可通過公式(2.10)計算：
Ihue(i，j)＝IHSV(i，j，1) (2.9)
式中IHSV表示為圖像由RGB轉換為HSV后的圖像空間，rg＝R-G，yb＝0.5(R+G)-B，像素點的范圍為x＝1...X。通過以上兩個公式獲得圖像顏色性測度因子f10、f11；
所提取的三類11個特征因子如下表所示：
S2、無人機圖像質量評價模型構建
D、用多元高斯模型構建基準MVG模型
D1、選用標準測繪圖作為評價模型的原始圖像數據庫，對該數據庫圖像進行子塊分離后提取相應特征向量“學習”得到基準MVG模型；
D2、通過MVG擬合獲得圖像的統(tǒng)計特性參數；針對待評價無人機圖像，進行子塊劃分后重復計算過程獲取待測圖像的統(tǒng)計特性參數；對每一子塊進行上述特征提取，形成d維特征向量；從n個子塊選取的特征用特征矩陣X＝[x1，x2，...，xn]∈Rd×n表示；
D3、計算兩個特征參數的馬氏距離獲得每一子塊的質量得分，最后將各子 塊質量得分的均值作為待評價圖像的質量得分；
假定xi，i＝1，...，n獨立采樣服從于一個維MVG分布，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，公式如下：
D4、對無人機圖像進行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。
對每一子塊i的d維向量yi進行MVG擬合得到模型參數(μi，Σi)，計算與基準MVG模型(μ，Σ)之間的馬氏距離得到對應塊得分：
中μ、μi，Σ、Σi分別表示為清晰圖像和待測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量等分：
作為對上述技術方案的改進，可運用Matlab語言對無人機圖像進行代碼實現，進一步構建無人機測試圖像數據庫。
作為對上述技術方案的改進，上述無人機圖像為無人機空中實拍圖像。
與現有技術相比，本發(fā)明所取得的有益效果是：
本發(fā)明的用于無人機圖像的質量盲評價方法，
(1)在綜合分析經典無參考圖像質量評價方法和無人機圖像特點的基礎上，針對無人機圖像多失真混雜問題，提取了能夠表征無人機多失真場景的三大類質量特征因子集，用于信息熵完整性、結構信息變化、顏色丟失三類主要失真的感知表達；
(2)針對訓練樣本圖像難以獲取的實際情況，以實拍標準測繪圖像庫為原始圖像樣本獲得MVG特性參數作為度量基準，解決了空基成像平臺拍攝圖像盲 評價缺乏訓練集的問題；
(3)提出了針對無人機圖像多失真混雜的圖像質量評價方法。將能夠表征無人機圖像混雜失真的信息轉換為特征向量，通過距離度量計算獲取評價結果；最后進行了Matlab語言算法實現；實驗證明該算法較經典算法更好地評價無人機圖像。
我們的研究成果既具有一定的軍事應用前景，也具有一定的理論學術價值，同時也為類似空基穩(wěn)定平臺成像后續(xù)處理和系統(tǒng)優(yōu)化提供了技術參考和有益借鑒。
附圖說明
為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
圖1為公式(2.1)、(2.2)、(2.3)繪制的MSCN因子統(tǒng)計直方圖；
具體實施方式
下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。
本發(fā)明用于無人機圖像的質量盲評價方法，該評價方法的步驟為：
S1、獲取無人機圖像，并將無人機圖像從圖像信息結構性、圖像信息完整性、圖像信息顏色性三個方面進行分析；構建相應的質量評價測度；
A、基于空域自然場景統(tǒng)計，進行圖像信息結構性測度
A1、以空域自然場景統(tǒng)計顯著地揭示失真圖像的質量衰退程度，把基于空域自然場景統(tǒng)計特性作為特征因子；
理論認為，自然灰度圖像的局部歸一化亮度因子服從高斯分布，這個歸一化過程描述為：
其中，公式(2.2)、(2.3)分別計算了圖像的局部均值和方差，公式(2.3)中w＝{wk，l|k＝-K，…，K，l＝-L，…，L}為二維循環(huán)對稱高斯權重函數，定義K＝L＝3；Igray為自然圖像的灰度圖，在matlab中通過語句Igray＝rgb2gray(I)實現圖像I由彩色圖像轉變?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)計直方圖，將MSCN因子選取為描述圖像結構性測度的第一個特征f1；
A3、采用經驗分布函數分別在MSCN因子兩側的水平、垂直、主對角線、次對角線共四個方向上提取相鄰兩個MSCN因子，并將每個方向上的MSCN因子進行均值計算獲得兩個參數，將這兩個成對參數分別記為特征f2和f3；該相鄰因子的提取方法是：
IHpair_MSCN(i，j)＝IMSCN(i，j)·IMSCN(i，j+1)
IVpair_MSCN(i，j)＝IMSCN(i，j)·IMSCN(i+1，j)
ID1pair_MSCN(i，j)＝IMSCN(i，j)·IMSCN(i+1，j+1)
ID2pair_MSCN(i，j)＝IMSCN(i，j)·IMSCN(i+1，j-1) (2.4)
A4、將公式(2.3)所計算的局部標準差σ(i，j)用來描述圖像的銳度，從公式可知，參數σ(i，j)是隨著公式(2.2)的(i，j)的變化而變化的，通過計算銳度方差的變化量可得到圖像的歸一化色散：
標準差σ(i，j)和歸一化色散(i，j)構成無人機圖像結構性測度的兩個重要參數，將之分別記為特征f4、f5；
上述特征參數f1、f2、f3、f4、f5構成用以度量圖像信息結構特征的特征向量；
B、基于信息熵進行圖像信息完整性測度；
B1、首先計算圖像的對比度熵(CE)；圖像在空域中通過高斯二階導數差分濾波器分解，分解后的濾波器響應被整合，然后這些響應通過限定閾值來排除噪聲干擾；在每個獨立的顏色分量即灰度(gray)、黃藍(yb)、和紅綠(rg)上分別計算對比度熵獲得特征f6、f7、f8：
公式(2.6)、(2.7)中c∈{gray，yb，rg}代表圖像的顏色通道，計算公式為：gray＝0.299R+0.587G+0.114B，yb＝0.5(R+G)-B，rg＝R-G；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二階導數；
B2、基于無人機圖像細節(jié)特征損失較多，有效地細節(jié)較少，使用圖像熵作為一個特征f9：
其中，p(hi)表示像素強度hi的概率；
C、基于HSV模型進行圖像信息顏色性測度
C1、考慮到SV色彩空間更適合于人眼視覺系統(tǒng)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彩色空間轉換至SV彩色空間，而后在H通道中通過公式(2.8)計算圖像的色調hue，而色度(CF)可通過公式(2.10)計算：
Ihue(i，j)＝IHSV(i，j，1) (2.9)
式中IHSV表示為圖像由RGB轉換為HSV后的圖像空間，rg＝R-G，yb＝0.5(R+G)-B，像素點的范圍為x＝1...X。通過以上兩個公式獲得圖像顏色性測度因子f10、f11；
所提取的三類11個特征因子如下表所示：
S2、無人機圖像質量評價模型構建
D、用多元高斯模型構建基準MVG模型
D1、選用標準測繪圖作為評價模型的原始圖像數據庫，對該數據庫圖像進行子塊分離后提取相應特征向量“學習”得到基準MVG模型；
D2、通過MVG擬合獲得圖像的統(tǒng)計特性參數；針對待評價無人機圖像，進行子塊劃分后重復計算過程獲取待測圖像的統(tǒng)計特性參數；對每一子塊進行上述特征提取，形成d維特征向量；從n個子塊選取的特征用特征矩陣X＝[x1，x2，...，xn]∈Rd×n表示；
D3、計算兩個特征參數的馬氏距離獲得每一子塊的質量得分，最后將各子塊質量得分的均值作為待評價圖像的質量得分；
假定xi，i＝1，...，n獨立采樣服從于一維MVG分布，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，公式如下：
D4、對無人機圖像進行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。
對每一子塊i的d維向量yi進行MVG擬合得到模型參數(μi，Σi)，計算與基準MVG模型(μ，Σ)之間的馬氏距離得到對應塊得分：
中μ、μi，Σ、Σi分別表示為清晰圖像和待測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量等分：
作為對上述技術方案的改進，可運用Matlab語言對無人機圖像進行代碼實現，進一步構建無人機測試圖像數據庫。
作為對上述技術方案的改進，上述無人機圖像為無人機空中實拍圖像。
本發(fā)明的用于無人機圖像的質量盲評價方法，
(1)在綜合分析經典無參考圖像質量評價方法和無人機圖像特點的基礎上，針對無人機圖像多失真混雜問題，提取了能夠表征無人機多失真場景的三大類 質量特征因子集，用于信息熵完整性、結構信息變化、顏色丟失三類主要失真的感知表達；
(2)針對訓練樣本圖像難以獲取的實際情況，以實拍標準測繪圖像庫為原始圖像樣本獲得MVG特性參數作為度量基準，解決了空基成像平臺拍攝圖像盲評價缺乏訓練集的問題；
(3)提出了針對無人機圖像多失真混雜的圖像質量評價方法。將能夠表征無人機圖像混雜失真的信息轉換為特征向量，通過距離度量計算獲取評價結果；最后進行了Matlab語言算法實現；實驗證明該算法較經典算法更好地評價無人機圖像。