光电成像干扰图像质量评估

曾 凯 杨 华 翟 月 张 红(脉冲功率激光技术国家重点实验室 合肥 230037)(电子工程学院安徽省红外与低温等离子体重点实验室 合肥 230037)(92514部队9分队 烟台 264007)

1 引言

可对光电成像侦测设备产生干扰效果的干扰种类很多，但作为装备普遍应用的主要是激光致盲干扰和烟雾遮蔽干扰[1]。图像干扰效果评估是对光电成像侦测设备光电干扰效果评估的核心问题。光电成像侦测设备所获取的图像大多数最终都要反馈给人眼，人们通过观察从图像中提取自己感兴趣的信息。因此，在对此类图像进行评估时要充分考虑人类的主观感受。

图像质量评价可分为客观、主观和主客观结合三大类。客观图像评价方法如均方误差法(MSE)和峰值信噪比(PSNR)等因与主观感受一致性差对光电干扰图像评价将不再适用[2]。对图像质量进行评价最直接也最自然的解决方法就是利用人们自身的判断，因此主观评价方法对图像的评估效果最好。目前，对于光电干扰图像质量评价，一种比较流行的主观评估方法是效仿Johnson准则，以一定概率下发现、识别和认清目标为准对图像信息的可鉴别能力进行分级打分，根据受干扰前后图像信息可鉴别能力的变化定性评估干扰效果[1]。该评估方法与人类的主观感受一致性最好，但此评估方法是建立在统计基础上的，需要不同人员做大量评估的实验，实际操作性比较差。另外，由于分级的层次不会太多，干扰图像的评估精度也受到一定的制约。利用数学模型来描述主观感受的主客观结合图像质量评价因具有快速、稳定和易于被量化的优点备受人们青睐[3-5]，但将其引入光电干扰评估领域的应用还不多[6]。本文主要的工作就是建立了一种主客观结合的光电干扰图像质量评估方法。

2 基于结构相似度的图像质量评估算法及其局限性

主客观结合的评估方法中 Wang等人[7]提出了基于结构相似度测量(Structural Similarity Image Measurement, SSIM)的图像质量评估方法，它因采用自上而下的模式，通过统计计算直接模拟人类视觉系统(HVS)的图像结构，避免了复杂的计算，是一种和人类主观评价高度相关的评估方法。SSIM算法认为图像中的结构特征具有突出的重要性，一种理想的图像评价算法应该度量图像中结构信息的退化程度，而与场景的明暗程度或对比度无关。图像的结构信息由亮度、对比度和结构3个要素构成[4]。设原始图像为X，待评价图像为Y，则SSIM评价函数可表示为

其中R为将图像划分成大小相同块的总个数,xj和yj是第i个分块的图像内容。

SSIM通过统计的方式直接模拟HVS的结构功能，抓住了人类视觉观察的实质。图像质量评估算法多用于评估图像压缩算法的好坏和图像自动采集等方面。这些图像一般只在图像细节上有所损失，与受光电干扰的图像相比，两者图像的畸变方式存在着很大的不同。总体来说，光电干扰图像畸变要剧烈得多，不仅图像细节损失严重，图像总体框架有时也会发生显著变化。因此进行光电干扰图像质量评估时，为适应光电干扰图像特点，必须对评估算法实施适当修正。

通过对人眼视觉现象的长期观察，并结合视觉生理、心理学的研究成果，人们发现了各种视觉掩盖效应。研究表明，人眼对图像边缘、轮廓信息的失真很敏感并且人眼对低频端的敏感度高于高频端[8]。SSIM算法没有将以上两个非常重要的人眼视觉特性纳入考虑范围。一般情况下，被评估图像边缘和低频部分变化非常小，问题还不是特别明显。由于没有考虑边缘影响，在评估模糊图像质量时SSIM评估结果普遍偏高。因此，为适应光电干扰质量评估特点，必须将以上两个因素纳入评估算法考虑范围内。

3 基于四叉树数据结构划分的图像质量评估

设原始图像f(x,y)的尺寸为2N× 2N，在金字塔数据结构中，最基层就是原始图像，上一层的图像数据的每一个像素灰度值就是该层图像数据相邻四点的平均值。因此，上一层图像尺寸比下一层图像尺寸缩小了4倍，所包含的信息更具概括性。整体看来类似一个金字塔的形状。图像数据的金字塔数据结构也可以用四叉树(quadtree)结构表示[9,10]。如图1所示，在金字塔数据结构中，对于所设2N×2N的数字图像，若用n表示其层次，则第n层上图像的大小为2N-n×2N-n，因此最底层即第0层就为原始图像，最顶层即为第N层，只有一个点。对应四叉树而言，第n层上共有4N-n个节点。从最顶层N层开始对图像按照给定的均匀性检测准则进行分裂，如果下层的4个节点灰度值符合给定的灰度的均匀性准则，则该部分分裂到此为止，否则继续往下分裂直至到达最底层0层。

图1 四叉树数据结构

图2为运用四叉树法分解图像的结果图，本文所设灰度的均匀度为18。图2(a)为原始图像，图2(b)为运用四叉树法分解图像的结果图，图 2(c)为去除边缘部分后，余下的图像低频部分。观察图2(b)我们发现图像中灰度变化平坦的区域一般分裂终止得比较早，图像上表现为划分出的区域比较大，而图像的边缘和细节部分则分裂终止得较晚，图像上表现为划分出的区域比较小。因此，通过四叉树法分裂后图像块的大小可以区分图像低频平坦部分和边缘与细节部分。假定图像中分裂到第1层和第0层，即图像块大小分别为1×1和2×2的部分为图像的边缘细节部分。经测算，边缘部分所占像素数约为整幅图像总像素数的13%。边缘部分所占图像面积非常小，但在人眼识别中目标边缘占有重要地位，因此将其单独提取出来。设图像干扰前后边缘像素的个数分别为NX和NY,C4为很小的正常数，本文取为1，构造图像的边缘比较函数为

去除边缘等细节信息后，余下低频部分图像具有大量的图像结构特征，因此运用 SSIM 方法进行评估得到的结果比较符合人类的主观感受。

传统 SSIM 评估方法中，利用滑动窗口操作将两图像以相同大小的窗口进行互不重叠的分块。对于图像中大块平坦区域，这种分块方法将会使视觉上属于同一区域的部分被划分到不同方块中，人为割裂了区域的统一性。另外，图像中也存在着一些虽然不相连，但视觉效果相同的区域，其中任何一个区域发生改变都会影响到人们对目标结构的辨识。

基于以上分析，对SSIM的划分方法进行调整。本文将待分割图像看作一个拓扑地形图，其中灰度值f(x,y)对应地形高度。画出图像中的地形等高线，落在同一等高线范围内的图像则认为归属于同一区域，判定为一个SSIM评估块。评估分块在SSIM函数中所占权值与其自身块的大小相关，面积越大权重越大，这与人眼对低频端敏感的特性匹配。图 3为设定灰度区间为20时划分出的SSIM评估分块。

综合以上对图像边缘部分和低频平坦部分的评估，本文提出了基于四叉树数据划分的干扰图像质量评估方法(QuadTree Structural Similarity Image Measurement, QTSSIM)：

其中NX为图像的总像素数，Nj为第j个分块的像素数，Xj和Yj是第j个分块的图像内容，K是图像划分的块数。参数η为0到1之间的常数，表示边缘成分在评估函数中所占的权值。

4 实验

如前所述，作为装备普遍应用的光电干扰主要是激光致盲干扰和烟雾遮蔽干扰。因此，本文对可见光摄像机遭遇强光干扰和烟雾干扰时的图像质量进行了对比评估。图4为摄像机遭遇强光干扰时的图像评估。图4(a)为遭遇强光干扰时的图像，图4(b)是 MSE算法和 PSNR算法评估结果，图 4(c)为MSSIM算法和本文QTMSSIM算法评估结果。其中MSE算法和PSNR算法评估结果与人类主观感受相关性较差。MSSIM算法对干扰图像具有一定的评估作用，但图像恶化到一定程度后(如从第 10帧到第 18帧)对图像质量变化变得不敏感。而QTMSSIM算法很好地解决了这个问题，评估函数值与人类主观感受吻合得非常好。

图2 四叉树法分解图像

图3 SSIM评估分块的划定

图4 强光干扰时的图像评估

图5为摄像机遭遇烟雾干扰时的图像评估。图5(a)为遭遇强烟雾干扰时的图像，图5(b)是MSE算法和PSNR算法评估结果，图5(c)为MSSIM算法和本文QTMSSIM算法评估结果。其中，MSE算法和PSNR算法具有一定的评估作用。 MSSIM算法评估正确，但与QTMSSIM相比，评估值偏高且在一定程度内对图像变化敏感度低。

5 结论

本文在对光电干扰图像特点进行分析基础上，通过四叉树数据结构划分，构造出一种关于光电干扰图像的主客观结合的图像质量评估方法。通过实验验证，评估算法结果与实际情况较好符合，有较好的应用价值。

图5 烟雾干扰时的图像评估

[1] 高卫, 黄惠明, 李军. 光电干扰效果评估方法[M]. 北京: 国防工业出版社, 2006: 105-117.Gao Wei, Huang Hui-ming, and Li Jun. Evaluation Methods for Electro-Optical Jamming Effectiveness[M]. Beijing:National Defense Industry Press, 2006: 105-117.

[2] 杨春玲, 高文瑞. 基于结构相似的小波域图像质量评价方法的研究[J]. 电子学报, 2009, 37(4): 845-849.Yang Chun-ling and Gao Wen-ru. Research on image quality assessment in wavelet domain based on structural similarity[J].Acta Electronica Sinica, 2009, 37(4): 845-849.

[3] 白永强, 朱仲杰, 段智勇, 等. 结合HVS特性的视频图像质量评价[J]. 计算机工程与应用, 2009, 45(27): 181-183.Bai Yong-qiang, Zhu Zhong-jie, Duan Zhi-yong,et al..Approach to video image quality assessment by incorporating HVS characteristic[J].ComputerEngineeringand Applications, 2009, 45(27): 181-183.

[4] 廖斌, 陈岩. 双尺度边缘结构相似度的图像质量评估[J]. 计算机工程, 2007, 33(19): 199-203.Liao Bin and Chen Yan. Image quality assessment based on dual-scale edge structure similarity[J].Computer Engineering,2007, 33(19): 199-203.

[5] 蒋刚毅, 黄大江, 王旭, 等. 图像质量评价方法研究进展[J].电子与信息学报, 2010, 32(1): 319-326.Jiang Gang-yi, Huang Da-jiang, Wang Xu,et al.. Overview on image quality assessment methods[J].Journal of Electronics&Information Technology, 2010, 32(1): 319-326.

[6] 孙运强, 程湘爱, 王飞. 一种针对激光干扰图像的质量评价方法[J]. 红外与激光工程, 2007, 36(5): 659-662.Sun Yun-qiang, Cheng Xiang-ai, and Wang Fei. Method of quality evaluation aimed at laser-disturbing image[J].Infrared and Laser Engineering, 2007, 36(5): 659-662.

[7] Wang Z and Alan C. Structural Approached to Image Quality Assessment[M]. In Handbook of Image and Video Processing, Academic Press, 2005: 1-33.

[8] 路文, 高新波, 曾凯, 等. 一种基于 HWD 的图像质量评价测度[J]. 红外与毫米波学报, 2009, 28(1): 72-76.Lu Wen, Gao Xin-bo, Zeng Kai,et al.. Image quality evaluationmetrics based on HWD[J].Journal of Infrared and Millimeter Waves, 2009, 28(1): 72-76.

[9] 谭玉敏, 槐建柱, 唐中实. 一种融合边缘信息的面向对象遥感图像分割方法[J]. 光谱学与光谱分析, 2010, 30(6): 1624-1627.Tan Yu-min, Huai Jian-zhu, and Tang Zhong-shi. An objectoriented remote sensing image segmentation approach based on edge detection[J].Spectroscopy and Spectral Analysis, 2010,30(6): 1624-1627.

[10] 周四龙, 粱栋, 王慧, 等. 基于四叉树与图割的遥感图像分割方法[J]. 计算机工程, 2010, 36(8): 224-226.Zhou Si-long, Liang Dong, Wang Hui,et al.. Remote sensing image segmentation approach based on quarter-tree and graph cut[J].Computer Engineering, 2010, 36(8): 224-226.