[发明专利]一种用于无人机图像的质量盲评价方法

摘要

本发明涉及一种用于无人机图像的质量盲评价方法该评价方法的步骤为：S1、获取无人机图像，并将无人机图像从图像信息结构性、图像信息完整性、图像信息颜色性三个方面进行分析；构建相应的质量评价测度；并用多元高斯模型构建基准MVG模型，采用均值方法得到最后整幅图像的质量等分。在综合分析经典无参考图像质量评价方法和无人机图像特点的基础上，针对无人机图像多失真混杂问题，提取了能够表征无人机多失真场景的三大类质量特征因子集，用于信息熵完整性、结构信息变化、颜色丢失三类主要失真的感知表达。

主权项

一种用于无人机图像的质量盲评价方法，其特征在于：该评价方法的步骤为：S1、获取无人机图像，并将无人机图像从图像信息结构性、图像信息完整性、图像信息颜色性三个方面进行分析；构建相应的质量评价测度；A、基于空域自然场景统计，进行图像信息结构性测度A1、以空域自然场景统计显著地揭示失真图像的质量衰退程度，把基于空域自然场景统计特性作为特征因子；理论认为，自然灰度图像的局部归一化亮度因子服从高斯分布，这个归一化过程描述为：其中，公式(2.2)、(2.3)分别计算了图像的局部均值和方差，公式(2.3)中w＝{wk，l|k＝‑K，…，K，l＝‑L，…，L}为二维循环对称高斯权重函数，定义K＝L＝3；Igray为自然图像的灰度图，在matlab中通过语句Igray＝rgb2gray(I)实现图像I由彩色图像转变为灰度图像；A2、将公式(2.1)、(2.2)、(2.3)绘制清晰图像和失真图像的MSCN因子统计直方图，将MSCN因子选取为描述图像结构性测度的第一个特征f1；A3、采用经验分布函数分别在MSCN因子两侧的水平、垂直、主对角线、次对角线共四个方向上提取相邻两个MSCN因子，并将每个方向上的MSCN因子进行均值计算获得两个参数，将这两个成对参数分别记为特征f2和f3；该相邻因子的提取方法是：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、将公式(2.3)所计算的局部标准差σ(i，j)用来描述图像的锐度，从公式可知，参数σ(i，j)是随着公式(2.2)的(i，j)的变化而变化的，通过计算锐度方差的变化量可得到图像的归一化色散：标准差σ(i，j)和归一化色散(i，j)构成无人机图像结构性测度的两个重要参数，将之分别记为特征f4、f5；上述特征参数f1、f2、f3、f4、f5构成用以度量图像信息结构特征的特征向量；B、基于信息熵进行图像信息完整性测度；B1、首先计算图像的对比度熵(CE)；图像在空域中通过高斯二阶导数差分滤波器分解，分解后的滤波器响应被整合，然后这些响应通过限定阈值来排除噪声干扰；在每个独立的颜色分量即灰度(gray)、黄蓝(yb)、和红绿(rg)上分别计算对比度熵获得特征f6、f7、f8：公式(2.6)、(2.7)中c∈{gray，yb，rg}代表图像的颜色通道，计算公式为：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表示对比度增益，τc为当前图像颜色通道的噪声阈值，符号表示卷积，hh和hv分别是高斯函数的水平和垂直二阶导数；B2、基于无人机图像细节特征损失较多，有效地细节较少，使用图像熵作为一个特征f9：其中，p(hi)表示像素强度hi的概率；C、基于HSV模型进行图像信息颜色性测度C1、考虑到SV色彩空间更适合于人眼视觉系统来感知彩色特性的处理，其分量与人感知彩色的方式紧密相连，能够显著地区分出图像中的不同物体，将图像由RGB彩色空间转换至SV彩色空间，而后在H通道中通过公式(2.8)计算图像的色调hue，而色度(CF)可通过公式(2.10)计算：Ihue(i，j)＝IHSV(i，j，1)         (2.9)式中IHSV表示为图像由RGB转换为HSV后的图像空间，rg＝R‑G，yb＝0.5(R+G)‑B，像素点的范围为x＝1...X；通过以上两个公式获得图像颜色性测度因子f10、f11；S2、无人机图像质量评价模型构建D、用多元高斯模型构建基准MVG模型D1、选用标准测绘图作为评价模型的原始图像数据库，对该数据库图像进行子块分离后提取相应特征向量“学习”得到基准MVG模型；D2、通过MVG拟合获得图像的统计特性参数；针对待评价无人机图像，进行子块划分后重复计算过程获取待测图像的统计特性参数；对每一子块进行上述特征提取，形成d维特征向量；从n个子块选取的特征用特征矩阵X＝[x1，x2，...，xn]∈Rd×n表示；D3、计算两个特征参数的马氏距离获得每一子块的质量得分，最后将各子块质量得分的均值作为待评价图像的质量得分；假定xi，i＝1，...，n独立采样服从于一维MVG分布，利用标准的最大似然估计方法计算得到MVG分布的拟合特性，公式如下：D4、对无人机图像进行p×p分块得到k个子块，对每个子块i进行特征提取得到d维向量yi；对每一子块i的d维向量yi进行MVG拟合得到模型参数(μi，∑i)，计算与基准MVG模型(μ，∑)之间的马氏距离得到对应块得分：中μ、μi，∑、∑i分别表示为清晰图像和待测图像的均值向量和协方差矩阵；采用均值方法得到最后整幅图像的质量等分：