本發(fā)明涉及圖像質(zhì)量測評方法，具體涉及一種基于圖像熵以及邊緣的全參考聲納圖像質(zhì)量評測方法。

背景技術：

目前聲納被大量地應用在水下救援、海洋探測、海洋生物研究、海底測繪等領域。由于聲納設備拍攝回的圖像中包含了大量的需要人為識別處理的樣本，且訓練機器學習所有樣本特征的難度過大，所以目前裝載在水下航行器上的聲納工作在半自動模式，即聲納采集樣本通過水聲信道傳輸回陸地，進行后續(xù)識別處理。相較于無線信道而言，水聲信道的信道狀況更為惡劣，水下傳輸圖像的失真程度相比較在無線信道中傳輸?shù)膱D像，更容易受到損傷，因此聲納傳輸圖像的質(zhì)量測評具有非常大的應用前景。

圖像質(zhì)量評價分為主觀質(zhì)量評價以及客觀質(zhì)量評價兩種。圖像的主觀質(zhì)量更能代表在人眼中圖像呈現(xiàn)出的質(zhì)量，但由于主觀質(zhì)量測評時需要設置一系列的測評條件，且需采集觀測者對待測圖像給出的質(zhì)量等級并進行統(tǒng)計，具有費時、費力、條件復雜等特點，無法作為評價圖像質(zhì)量的常用手段。而圖像客觀質(zhì)量，從是否允許參考圖像的角度考慮，分為全參考、半?yún)⒖家约盁o參考客觀質(zhì)量測評。全參考客觀質(zhì)量測評主要用于允許參考圖像的應用場景中，包括圖像增強、圖像修復的性能評估等。目前全參考質(zhì)量測評主要分為基于相似度的圖像質(zhì)量測評以及基于失真度的圖像質(zhì)量測評：基于相似度的圖像質(zhì)量測評算法一般提取某一種圖像特征，通過對比參考圖像和待測圖像的特征相似度判斷圖像質(zhì)量；基于失真度的圖像質(zhì)量測評算法通常通過研究hvs特性，定義圖像的失真度，通過對比待測圖像和參考圖像，判斷待測圖像的失真程度。盡管在圖像全參考質(zhì)量測評方面，已經(jīng)有很豐富的成果，但是由于聲納圖像的特性以及應用背景的特殊性，在自然圖像上性能很好的全參考圖像質(zhì)量測評往往無法對聲納圖像起很好的作用。

技術實現(xiàn)要素：

為實現(xiàn)上述目的，本發(fā)明采用以下技術方案：

一種基于圖像熵以及邊緣的全參考聲納圖像質(zhì)量評測方法，包括以下步驟：

s1、定義聲納圖像從采集到傳輸過程的通信模型；

s2、計算待測圖像和參考圖像的局部熵以及顯著區(qū)域邊緣特性作為聲納圖像的質(zhì)量特征；

s3、分別計算待測圖像和參考圖像的質(zhì)量特征相似度；

s4、對兩種質(zhì)量特征相似度進行基于顯著性的特征池化；

s5、將步驟s4所得兩個特征輸入聲納圖像質(zhì)量評測模型獲得評測質(zhì)量。

進一步地，步驟s1所述聲納圖像從采集到傳輸過程的通信模型為：

聲納發(fā)出聲波，遇到物體后反射回波，在物體位置的情況下，接收到的回波可以看成是從一個目標隨機信源發(fā)射出來的信息，而回波信息首先通過回波信道傳輸?shù)铰暭{端進行成像，所成像隨后經(jīng)過傳輸信道傳輸?shù)接脩舳诉M行進一步的探測和處理，由于目標未知無法通過聲納所成圖像和實際情況的對比判斷回波信道的狀況，且回波信道往往傳輸距離較短，此處認為回波信道信道容量比較大，在上面?zhèn)鬏數(shù)男畔]有損失，而傳輸信道由于距離較長，且傳輸?shù)男畔⑤^多，更容易造成信息的損失以及圖像的失真，所以信宿端接收到聲納圖像的失真是由傳輸信道引起的，在回波信道無損的情況下，聲納所成圖像的圖像熵可以代表目標隨機信源的信息熵，當圖像在傳輸信道中受損，接收圖像熵不再等于目標隨機信源熵，此時接收圖像熵的變化可以代表信道對圖像的作用，也就是說可以代表圖像經(jīng)過信道傳輸后所含的信息量的變化。

進一步地，步驟s2所述提取聲納圖像局部熵以及顯著區(qū)域邊緣特性的具體步驟為：

s21、用(2m+1)×(2m+1)的窗分別在參考圖像fr和待測圖像fd上滑動，在窗內(nèi)提取該(2m+1)×(2m+1)圖像塊中心位置(x,y)的局部熵hr(x,y)和hd(x,y)，對一幅待測圖像f在(x,y)位置的局部熵hf(x,y)的計算方法如下：

pij代表該圖像塊內(nèi)圖像灰度分布：

其中f(x,y)代表在位置(x,y)的灰度；

s22、用canny梯度算子提取參考圖像fr和待測圖像fd的圖像梯度er和ed，將圖像梯度譜進行膨脹操作即生產(chǎn)圖像局部熵的特征掩模mr和md：

mr＝dilate(er)，md＝dilate(ed)

其中dilate(·)代表膨脹操作；

s23、獲得該參考圖像fr和待測圖像fd在位置(x,y)處的熵特征值和

s24、將圖像分為m×n的圖像塊bli，其中i為圖像塊的索引，利用空域活動性iam0計算參考圖像每個圖像塊的活動性即顯著程度{iam(b11),iam(b12),…iam(b1n)}，n為圖像塊的數(shù)量，iam(·)為計算圖像空域活動性的操作；

s25、選取空域活動性最大的圖像塊blm，即用canny梯度算子分別提取參考圖像和待測圖像該圖像塊的邊緣特征和

進一步地，步驟s3所述計算待測圖像和參考圖像的質(zhì)量特征相似度的具體步驟為：

s31、在(x,y)處的圖像熵相似度按照如下方法計算：

其中c1是一個常數(shù)，用于防止接近于0而導致的無意義，此處c1的值設置為c1(x,y)＝50×min(hγ(x,y),hd(x,y))+10^-5；

s32、在(x,y)處的圖像邊緣相似度按照如下方法計算：

其中c2是一個常數(shù)，通過調(diào)參設置c2＝6.5025。

進一步地，步驟s4所述特征池化的具體步驟為：

s41、將圖像分為m×n的小塊b2i，對于每一個(x,y)∈b2i，其顯著性權重wi(x,y)＝iam(b2i)；

s42、wi組成圖像顯著譜iammap，對該顯著譜進行歸一化處理，得到歸一化的顯著譜：

s43、顯著譜上的每一個點的值即為圖像對應點的權重，最終得到的池化后的特征如下：

進一步地，步驟s5具體包括：

s51、首先在素材庫上構建聲納圖像質(zhì)量評測模型，選用二次多項式曲面模型建立池化后的特征參數(shù)與圖像質(zhì)量之間關系，選用的二次多項式曲面模型如下：

f(s,e)＝a+bs+ce+ds²+gse+he²；

其中，模型參數(shù)確定方式為：把聲納圖像庫中的圖像按照圖像內(nèi)容分類，每次選取80％的圖像作為訓練圖像，以殘差最小有為目標做參數(shù)擬合，獲取一組參數(shù){a,b,c,d,g,h}，重復這個過程1000次，取1000次實驗獲得的參數(shù)的中位數(shù)作為最終質(zhì)量評測模型的參數(shù)；

s52、將步驟s43所得兩個特征參數(shù)輸入s51獲得的聲納圖像質(zhì)量評測模型中，獲得聲納圖像的評測質(zhì)量。

采用上述技術方案后，本發(fā)明與背景技術相比，具有如下優(yōu)點：

1、采用局部熵和邊緣特征作為參考特征。

將聲納圖像傳輸前后信息熵的變化作為表征聲納圖像質(zhì)量變化的全局特征，將圖像邊緣特征所代表的細節(jié)信息作為表征聲納圖像質(zhì)量變化的細節(jié)特征；進一步地，考慮到人眼只對局部區(qū)域具有較高分辨率的特點，在圖像熵的計算時選擇圖像局部熵，而到當圖像質(zhì)量較差時，圖像顯著區(qū)域的細節(jié)的變化會顯得更明顯，在邊緣特征的計算時選擇圖像最顯著區(qū)域計算其邊緣特征。正是綜合考慮了聲納圖像的全局和細節(jié)特征，從局部熵和顯著區(qū)域邊緣特征兩個方面來描述圖像質(zhì)量，使得圖像質(zhì)量測評的結果更加準確。

2、采用特征池化作為測評標準。

圖像質(zhì)量圖像的每個區(qū)域的特征數(shù)據(jù)量巨大，計算處理起來相當復雜且難度大，但由于圖像具有“靜態(tài)性”屬性，意味著一個圖像區(qū)域有用的特征極有可能在另一個區(qū)域同樣適用，本發(fā)明正是利用圖像的該特點，把不同區(qū)域的特征分別進行統(tǒng)計處理，獲得一個統(tǒng)計量即特征池化，用這個統(tǒng)計量來代表這個區(qū)域的特征，大大減少了數(shù)據(jù)量；

同時選擇了符合人眼視覺特性的基于顯著性的特征池化，用一個二次多項式模型建立兩個圖像特征與圖像質(zhì)量之間的關系，所得結果即為評測的圖像質(zhì)量，結果直觀不需要再進行其他的轉換。

3、是一種全參考的圖像質(zhì)量評價。本發(fā)明采用全參考圖像質(zhì)量評價，將待測的原始圖像的全部信息與參考圖像進行對比參考，不受待測圖像失真類型的限制，能夠?qū)Ω鞣N失真進行評價，評價的結果也更為準確。

4、測評結果更加精細。本發(fā)明測評結果為質(zhì)量得分0-100，滿足了按質(zhì)量對圖像至少二類分的需求，使得聲納圖像質(zhì)量測評的分類更加精細。

附圖說明

圖1聲納圖像采集到傳輸?shù)耐ㄐ拍Ｐ停?/p>

圖2本發(fā)明所述質(zhì)量測評方法的流程示意圖；

圖3本發(fā)明中提取的參考圖像(a)以及待測圖像(e)的圖像局部熵(b)(f)，用于特征掩膜(c)(g)以及圖像的邊緣特征(d)(h)；

圖4本發(fā)明中建立的二次多項式曲面模型參數(shù)分布。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

實施例

本發(fā)明所述一種基于圖像熵以及邊緣的全參考聲納圖像質(zhì)量測評方法的流程示意圖如圖2所示，本例的目的是計算以圖3(a)為參考圖像的待測圖像圖3(b)的質(zhì)量。具體操作如下：

s1、定義了聲納圖像從采集到傳輸過程的通信模型：包括回波隨機信源，回波信道，傳輸信道以及信宿；

如圖1所示，所述聲納圖像從采集到傳輸過程的通信模型為：

聲納發(fā)出聲波，遇到物體后反射回波，在物體位置的情況下，接收到的回波可以看成是從一個目標隨機信源發(fā)射出來的信息，而回波信息首先通過回波信道傳輸?shù)铰暭{端進行成像，所成像隨后經(jīng)過傳輸信道傳輸?shù)接脩舳诉M行進一步的探測和處理，由于目標未知無法通過聲納所成圖像和實際情況的對比判斷回波信道的狀況，且回波信道往往傳輸距離較短，此處認為回波信道信道容量比較大，在上面?zhèn)鬏數(shù)男畔]有損失，而傳輸信道由于距離較長，且傳輸?shù)男畔⑤^多，更容易造成信息的損失以及圖像的失真，所以信宿端接收到聲納圖像的失真是由傳輸信道引起的，在回波信道無損的情況下，聲納所成圖像的圖像熵可以代表目標隨機信源的信息熵，當圖像在傳輸信道中受損，接收圖像熵不再等于目標隨機信源熵，此時接收圖像熵的變化可以代表信道對圖像的作用，也就是說可以代表圖像經(jīng)過信道傳輸后所含的信息量的變化。

s2、計算待測圖像和參考圖像的局部熵以及顯著區(qū)域邊緣特性作為聲納圖像的質(zhì)量特征；

這是因為：人眼主要通過從聲納圖像獲取的關于目標的信息量來評價聲納圖像質(zhì)量；在圖像質(zhì)量較好，目標較為清晰時，人眼主要關注聲納圖像的整體質(zhì)量，關注整幅圖像能夠提供的信息量；在圖像質(zhì)量較差時，由于較難獲取目標整體的信息，人眼傾向于關注圖像細節(jié)，如圖像的紋理，邊緣等；人眼只對圖像的局部區(qū)域具有較高的分辨力，與當前關注的中心區(qū)(如聲納圖像中目標所在的區(qū)域)超出一定范圍的圖像區(qū)域的內(nèi)容，人眼都會賦予很低的關注度。因此選取圖像局部熵作為表示聲納圖像質(zhì)量特征，選取圖像顯著區(qū)域的邊緣特征作為表示聲納圖像質(zhì)量的另一個特征。

具體步驟為：

s21、提取參考圖像圖3(a)的局部熵hr,如圖3(b)所示,提取待測圖像(e)的局部熵hd，如圖3(f)所示；

s22、計算參考圖像和待測圖像特征掩模mr如圖3(c)所示，md如圖3(g)所示；

s23、獲得該參考圖像fr和待測圖像fd在位置(x,y)處的熵特征值和

s24、將圖像分為m×n的圖像塊bli，其中i為圖像塊的索引，利用空域活動性iam0計算參考圖像每個圖像塊的活動性即顯著程度{iam(b11),iam(b12),…iam(b1n)}，n為圖像塊的數(shù)量，iam(·)為計算圖像空域活動性的操作；

s25、選取空域活動性最大的圖像塊blm，即用canny梯度算子分別提取參考圖像和待測圖像該圖像塊的邊緣特征如圖3(d)所示和如圖3(h)所示。

s3、分別計算待測圖像和參考圖像的質(zhì)量特征相似度；

s31、在(x,y)處的圖像熵相似度按照如下方法計算：

其中c1是一個常數(shù)，用于防止接近于0而導致的無意義，此處對于c1的設置考慮了視覺掩蔽效應

c1(x,y)＝50×min(hγ(x,y),hd(x,y))+10^-5；

s32、在(x,y)處的圖像邊緣相似度按照如下方法計算：

其中c2是一個常數(shù)，通過調(diào)參設置c2＝6.5025。

s4、對兩種質(zhì)量特征相似度進行基于顯著性的特征池化；

s41、將圖像分為m×n的小塊b2i，對于每一個(x,y)∈b2i，其顯著性權重wi(x,y)＝iam(b2i)；

s42、wi組成圖像顯著譜iammap，對該顯著譜進行歸一化處理，得到歸一化的顯著譜：

s43、顯著譜上的每一個點的值即為圖像對應點的權重，最終得到的池化后的特征如下：

計算得圖3(b)所示的圖像的特征e＝0.9928，s＝0.9934。

s5、將步驟s4所得兩個特征輸入聲納圖像質(zhì)量評測模型獲得評測質(zhì)量；

s51、首先在素材庫上構建聲納圖像質(zhì)量評測模型，選用二次多項式曲面模型建立池化后的特征參數(shù)與圖像質(zhì)量之間關系，選用的二次多項式曲面模型如下：

f(s,e)＝a+bs+ce+ds²+gse+he²；

s52、s51所示的模型參數(shù)確定方式如下，把聲納圖像庫中的圖像按照圖像內(nèi)容分類，每次選取80％的圖像作為訓練圖像，以殘差最小有為目標做最小二乘參數(shù)擬合，獲取一組參數(shù){a,b,c,d,g,h}，重復這個過程1000次，取1000次實驗獲得的參數(shù)的中位數(shù)作為最終質(zhì)量評測模型的參數(shù)。所獲得的1000組參數(shù)如圖4所示，為了便于觀察較為集中的1000組參數(shù)，本例中，將每個參數(shù)的1000次擬合結果另外繪制在尺度合適的坐標上。從圖4可以看出，1000次擬合所得各參數(shù)分布較為集中，說明本發(fā)明提出的圖像質(zhì)量評測模型對圖像的內(nèi)容沒有依賴，具有普遍適用性。最終{a,b,c,d,g,h}取1000次擬合結果的中位數(shù)作為最終的模型，即得到圖像質(zhì)量預測模型為：

f(s,e)＝-22811.605s+20675.62125e+3489.67096s²-18813.63268e²+16866.34912se+659.77458.

s53、圖3(e)所示的待測圖像的評測質(zhì)量為59.49，該圖實際的平均意見分(mos,meanopinionscore)為57.15。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內(nèi)，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應該以權利要求的保護范圍為準。