融合多特征的无参考复原遥感图像质量评价资源-CSDN文库

180 浏览量 2021-01-13 01:04:54 上传评论收藏 1.86MB PDF 举报

资源推荐

资源详情

资源评论

电子设计工程

Electronic Design Engineering

第 27卷

Vol.27

第 12期

No.12

2019年 6月

Jun. 2019

收稿日期：2018-10-26 稿件编号：201810128

基金项目：国家自然科学基金资助（61471194, 61705104）；航空电子系统综合技术重点实验室和航空科学基金联

合资助（20155552050）；江苏省自然科学基金资助(BK20170804）；国防科技创新特区项目支持

作者简介：闫钧华（1972—），女，陕西兴平人，博士，教授。研究方向：多源信息融合、目标检测跟踪与识别、

图像质量评价。

遥感图像广泛应用于民用和军事领域。遥感

图像成像时受成像设备、大气环境、图像处理技术

等影响，会产生图像失真，降低遥感图像的应用精

度，为此需要复原失真遥感图像。为了确保复原后

的遥感图像质量高于未复原遥感图像的质量，应针

对复原遥感图像的特点研究复原遥感图像质量评

价的方法。

遥感图像复原会改变图像模糊的程度和产生振

铃效应。2010 年，王菲等人提出基于传播波方程的

融合多特征的无参考复原遥感图像质量评价

闫钧华，白雪含，张寅，吕向阳，侯平

（南京航空航天大学航天学院，江苏南京 210016）

摘要：针对现有的无参考复原遥感图像质量评价方法特征提取不够充分的问题，文中提出一种融

合多特征的无参考复原遥感图像质量评价算法 GEDIQA（No-Reference Recovered Remote Sensing

Image Quality Assessment Based On Fusion of Multiple Features（Gradient、Entropy and Difference Im⁃

ages），GEDIQA）。在复原遥感图像上，提取梯度特征、频域熵特征、差分图特征，并利用 Adaboost-

BP 神经网络，实现无参考复原遥感图像质量评价。创建了复原模糊光学遥感图像数据库 RBOR⁃

SID2（Recovered Blur Optics Remote Sensing Image Database2），在其上与其他图像质量评价算法进

行了一致性比较，实验结果表明 GEDIQA 算法对复原遥感图像评价的 SROCC（Spearman Rank Cor⁃

relation Coefficient）在 0.95 以上，性能优于其它算法。

关键词：无参考图像质量评价；复原遥感图像；多特征；融合；Adaboost-BP 神经网络

中图分类号：TN911.73 文献标识码：A 文章编号：1674-6236（2019）12-0001-07

No-reference recovered remote sensing image quality assessment based on fusion of

multiple features

YAN Jun⁃hua，BAI Xue⁃han，ZHANG Yin，LV Xiang⁃yang，HOU Ping

（College of Astronautics，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

Abstract: Considering the insufficiency of feature extraction in existing blind quality assessment for

recovered remote sensing images，a No-Reference Recovered Remote Sensing Image Quality Assessment

method Based On Fusion of Multiple Features（Gradient、Entropy and Difference Images）GEDIQA is

proposed. The image feature vector is constructed by extracting the gradient features，the spectral entropy

feature and difference images features. The Adaboost- BP neural network model is used to obtain the

quality score. The Recovered Blur Optics Remote Sensing Image Database2（RBORSID2）is constructed.

A series of comparative experiments were carried out in RBORSID2. Experimental results show that

SROCC（Spearman Rank Correlation Coefficient）is above 0.95 in RBORSID2 ，which indicates GEDIQA

is superior to other methods.

Key words: no-reference image quality assessment；recovered remote sensing image；multiple features；

fusion；adaboost-BP neural network

-- 1

《电子设计工程》2019 年第 12 期

复原图像质量评价方法，通过建立传播波方程，对复

原图像和原始图像的偏差程度进行衡量。该方法评

价匀速直线运动模糊的复原图像质量，主客观一致

性不理想。2010 年，左博新等人提出了一种盲复原

图像振铃效应评价方法，该方法根据振铃效应的不

同类型，使用 Gabor 滤波器、共生向量等方法分别对

其进行评价，但算法没有考虑复原图像模糊程度的

变化。2015 年，尹磊等人提出了联合梯度结构相似

度和共生矩阵对复原图像进行质量评价的指标，综

合考虑了模糊和振铃效应对复原图像质量的影响，但

未考虑图像在变换域的特点。

基于此，文中提出一种融合多特征的无参考复

原遥感图像质量评价算法 GEDIQA。在复原遥感图

像上，提取梯度特征、频域熵特征、差分图特征，构造

图像特征向量，再构造相应的特征矩阵。利用

Adaboost-BP 神经网络学习图像特征与图像质量分

数的关系，实现对复原遥感图像的无参考质量评价。

1 提取复原遥感图像的特征

遥感图像具有高度的结构性，复原会造成遥感

图像结构统计特性的变化，用复原遥感图像梯度信

息、熵信息的变化可以表征复原遥感图像的复原程

度。基于此本文在复原遥感图像上，提取梯度特征



、频域熵特征 F



、差分图特征 F



，构建 26 维的复

原遥感图像特征向量 F



=(F



)

。

1.1 提取梯度特征

梯度幅度（Gradient Magnitude，GM）特征可以很

好的对复原遥感图像的模糊程度进行衡量，相对梯

度特征可以对复原遥感图像的局部非同质性进行表

征，文中选取相对梯度方向（Relative Gradient

Orientation，RO）特征和相对梯度幅度（Relative

Gradient Magnitude，RM）特征对复原遥感图像进行

特征提取。一阶梯度与图像表面的斜率与弹性相关

[1]

；

二阶梯度能表征与图像曲率相关的几何性质

[2]

；更高

阶的梯度具有更强的图像细节表征能力

[3]

。因此本

文在复原遥感图像的 2 尺度上分别提取 3 阶梯度特

征，每一阶梯度特征包含梯度幅度、相对梯度方向、

相对梯度幅度特征

[1]

，构造出一个 18 维的图像特征

向量 F



=( f

,∙∙∙,f

) 。

1.1.1 梯度幅度特征

一幅复原遥感图像

I(x,y)

，根据文献[1]，可以得

到在像素

(i,j)

处的一阶梯度幅值。因此一幅图像的

第 n 阶梯度幅值为：

(i,j)=

( )

i,j

( )

i,j

（1）

式中 I

( )

i,j 与 I

( )

i,j 为图像在水平与垂直方向

上的一阶高斯偏导。

1.1.2 相对梯度方向特征

对一幅复原遥感图像

I(x,y)

，根据文献[4]，可以

求得像素

(i,j)

处大小为 M×N 局部图像块上的一阶相

对梯度方向。则可以定义一幅图像的第 n 阶相对梯

度方向为：

∠I

( )

i,j

= ∠I

( )

i,j - ∠I

( )

i,j

AVE

（2）

式中，∠I

( )

i,j = arctan

( )

i,j

( )

i,j

，

∠I

( )

i,j

AVE

= arctan

( )

i,j

AVE

( )

i,j

AVE

式中 I

( )

i,j

AVE

与 I

( )

i,j

AVE

表示局部图像块在

水平与垂直方向上的 n 阶偏导均值：

( )

i,j

AVE

∑

m = 0

M - 1

∑

n = 0

N - 1

i -

M - 1

+ m,j -

N - 1

+ n

（3）

( )

i,j

AVE

∑

m = 0

M - 1

∑

n = 0

N - 1

i -

M - 1

+ m,j -

N - 1

+ n

（4）

1.1.3 相对梯度幅度特征

一幅复原遥感图像

I(x,y)

，根据文献[4]，可以求

得像素

(i,j)

处的一阶相对梯度幅度。则可定义一幅

图像的第 n 阶相对梯度幅度为：

( )

i,j

( )

i,j - I

( )

i,j

AVE

( )

i,j - I

( )

i,j

AVE

（5）

式中 I

( )

i,j

AVE

与 I

( )

i,j

AVE

表示局部图像块 M×N

在水平与垂直方向上的 n 阶偏导均值，见式（3）、（4）。

文中提取复原遥感图像的 2 尺度 3 阶 GM 直方

图、RO 直方图、RM 直方图的方差来表征复原遥感图

像特征，因为直方图方差可以代表复原遥感图像的

统计特性，并且有效的减少需要提取的特征数量。

对于一幅复原遥感图像，可以得到 18 个参数，构成

18 维复原遥感图像梯度特征向量，记为



=( f

,∙∙∙,f

) 。特征向量内元素对应的图像参数

表示如表 1 所示。

-- 2

剩余6页未读，继续阅读

评论收藏

内容反馈

weixin_38516956

粉丝: 6
资源: 973

融合多特征的无参考复原遥感图像质量评价

最新资源