[发明专利]一种图像拼接算法定量评价方法

权利要求书

1.一种图像拼接算法定量评价方法，其特征在于，包括如下步骤：

第一步：采用不同的待评价拼接算法对拼接序列图像进行拼接，获得各自的拼接合成图像；

第二步：对拼接合成图像进行整体统计，计算全局评价指标，包括对图像质量本身的评价和拼接算法计算复杂度的估计；

第三步：从拼接合成图像中选取感兴趣区域，确定其所属的拼接序列图像在拼接合成图像中的位置范围，并将该拼接序列图像作为参考图像，选取该位置范围内的拼接合成图像，经变换形成与拼接原图像大小一致的局部图像，与参考图像进行有参考图像质量评价，计算局部评价指标，此处与拼接序列图像的比较进行随机或依次比较，平均值作为局部评价结果；

第四步：采用多指标综合评价方法构建图像拼接评价指标体系层次，依据拼接要求和目的，确定各指标的权重系数，并归一化各评价指标，逐级加权聚合，最终获得综合评价结果。

2.如权利要求1所述的一种图像拼接算法定量评价方法，其特征在于：所述的评价指标包括：信息熵、清晰度、计算复杂度、配准误差、峰值信噪比和结构相似度六种，各指标的具体计算方法如下：

1)信息熵通过下式计算拼接合成图像I_mos的信息熵：

CG1=Entropy(Imos)=Σi=1L-1pilog2pi]]>

式中p_i为灰度值i的像素与图像总像素数之比，L是灰度级别数，对于拼接合成图像I_mos来说，信息熵越大，则代表图像的信息越丰富，图像越复杂，其凌乱程度越高；

2)清晰度采用多方向Sobel算子检测边缘并以其梯度幅值作为清晰度的度量：

根据原始的Sobel算子边缘检测理论，采用多方向模板S_i(i＝1，2，…，n)，对图像中每个点进行邻域卷积计算，提取图像多个方向上的边缘成分；

3)计算复杂度作为拼接算法合成效率的度量，即：

CG₃＝Runtime；

CL1=1N-1Σn=1N-1ϵn]]>

4)配准误差由下式计算：ϵn=1KΣk=1K||xjk-Hj-1Hixik||]]>

其中，N是评价的拼接序列图像数量，K是每相邻图像间的特征匹配对数，H是它们与参考平面之间的变换矩阵；

5)峰值信噪比：

CL2=1NΣn=1NPSNR(r^n,sn)]]>

PSNR(r^,s)=20lgfmaxRMS(r^,s)]]>RMS(r^,s)=1mnΣi=0m-1Σj=0n-1(r^ij-sij)2]]>

其中，N是评价的拼接序列图像数量；s是拼接序列图像，作为比较的参考图像；是与s相对应的局部变换拼接结果，是I_mos的一部分；s_ij分别原始拼接序列图像s和拼接局部图像中各点的像素值，m和n为图像在长和高方向上的像素点数，f_max为图像最大像素值，PSNR值越高，其拼接融合图像品质越好；

6)结构相似定义如下：

SSIM(x，y)＝[l(x，y)]^α[c(x，y)]^β[s(x，y)]^γ

l(x,y)=2μxμy+C1ux2+μy2+C1]]>c(x,y)=2σxσy+C2σx2+σy2+C2]]>s(x,y)=σxy+C3σxσy+C3]]>

其中μ_x，和σ_xy是信号x的均值，方差以及与信号y的协方差，在图像中分别视作是灰度和对比度的估计值以及两个图像之间的聚合趋势，l(x，y)描述两幅图像均值之间的相似性，取值范围为[0，1]；c(x，y)表示两幅图像方差的相似性，反映了图像的整体对比度，取值范围为[0，1]，s(x，y)为两幅图像灰度的相关系数，取值范围为[0，1]；其中，C₁，C₂和C₃为数值较小的常数，一般取C₁＝(0.01×L)²，C₂＝(0.03×L)²，C₃＝C₂/2，L＝255是像素值的动态范围，对于8bit灰度图像为255；α＞0，β＞0，λ＞0三个参数用于调整三个组成的相对重要性。SSIM满足①对称性：S(X，Y)＝S(Y，X)；②有界性：S(X，Y)≤1；③最大值唯一性：S(X，Y)＝1当且仅当X＝Y，对于离散信号，对所有i＝1，2，…，N有x＝y。

3.如权利要求1或2所述的一种图像拼接算法定量评价方法，其特征在于：所述的采用层次分析法评价指标体系层次对各指标权重系数进行选择，具体步骤如下：

步骤1.建立递阶层次结构，将图像拼接评价问题进行分组，形成图像拼接评价指标体系层次关系；

步骤2.构造两两比较的判断矩阵；

步骤3.层次单排序，计算单一权重向量：单一权重向量即各下属元素相对于上属元素的重要性程度的量化评判结果；

步骤4.检验判断矩阵的一致性；

步骤5.层次总排序，计算总权重向量：计算同一层次所有因素对于最高层相对重要性的排序权值，称为层次总排序；

步骤6.层次总排序的一致性检验。