本發(fā)明涉及紅外熱成像技術領域，具體地說涉及一種用于紅外圖像的無參考質(zhì)量評價方法。
背景技術：
通常，紅外熱成像系統(tǒng)是先通過紅外光學系統(tǒng)來探測采集感興趣目標的紅外輻射能量，從信號的角度去看，紅外熱輻射信號接著被轉(zhuǎn)換為電信號，然后經(jīng)過各功能電路處理之后即可生成所需的圖像。在自然界中，由于具有一定溫度的物體都會發(fā)射與其特性相關的熱輻射能量，因而此紅外輻射的電磁波頻率范圍很寬。與可見光成像不同的是，非制冷型紅外熱成像系統(tǒng)大多是感受物體熱輻射與背景熱輻射的溫度差異進行成像的，并且由于紅外探測器普遍存在非均勻性等特點，使得圖像的質(zhì)量低于可見光圖像。
由于紅外成像的質(zhì)量較低，在處理紅外圖像之前就需要對圖像質(zhì)量進行評估，并以此來指導相關的工作。例如對紅外圖像的質(zhì)量評價可以幫助改進設計和研制紅外熱成像系統(tǒng)的流程，從而提高紅外焦平面的成像質(zhì)量。由于紅外圖像的質(zhì)量受到各種因素的制約，其中包括：圖像的對比度、紅外成像系統(tǒng)的光學性能、圖像放大處理電路的性能、儀器和環(huán)境的噪聲等，因此紅外圖像質(zhì)量的評價結(jié)果，還可以反饋至紅外圖像的獲取、傳輸和處理等各個環(huán)節(jié)，對于紅外熱成像系統(tǒng)的定性評價具有重要的意義和實際應用價值。另外可對采集的一系列紅外圖像進行質(zhì)量排序，便于挑選質(zhì)量較高的圖像，為后續(xù)的圖像匹配、圖中目標檢測與識別等處理方法提供樣本基礎，同時也可為處理算法的對比提供評價指標依據(jù)。
目前在國際和國內(nèi)的形容上，圖像質(zhì)量評價研究仍然是計算機視覺和圖像處理領域的熱點問題，不同的研究團隊相繼推出了供圖像質(zhì)量評價研究的各類數(shù)據(jù)庫已超過30個，每年有關圖像質(zhì)量評價的新理論、新方法、改進和擴展方法、應用文章在重要國際期刊(TPAMI、TIP、IJCV；etc.)和會議(CVPR、ICCV、ECCV、ICIP；etc.)上相繼發(fā)表。
一直以來，學者們對圖像質(zhì)量評價的研究主要沿著三條技術路線同步展開：一是人眼視覺特性(Human Visual System，HVS)的理論研究；二是圖像質(zhì)量評價理論和方法的創(chuàng)新；三是結(jié)合實際圖像質(zhì)量評價方法的拓展應用。三條技術主線緊密結(jié)合，相互促進，使得圖像質(zhì)量評價研究呈現(xiàn)欣欣向榮的局面。
圖像質(zhì)量的評價研究最早可追溯到1940年，Goldmark和Dyer首次對電視圖像質(zhì)量的影響因素進行了分析，將其分為：清晰度、對比度、顏色等級、亮度、閃爍、幾何失真、圖像大小、顏色、噪聲。雖然沒有建立相應的評價方法，但給后續(xù)的研究提供了有益的啟發(fā)和借鑒，現(xiàn)在許多算法仍然使用其中的評價因子。
1952年Winch首次提出了針對彩色電視圖像質(zhì)量的客觀評價方法，文中指出質(zhì)量評價的原則是基于數(shù)據(jù)特性的質(zhì)量因子提取需與主觀表現(xiàn)相符合；尤其值得一提的是1955年Fellgett和Linfoot設計的“基于相似性評價”和“基于內(nèi)容評價”的重要評價策略，沿用至今。
如何將人眼視覺特性引入圖像質(zhì)量評價過程也是研究的焦點，上世紀60年代至70年代初，學者們對人眼視覺特性描述進行了有益的探索和研究，相繼提出了亮度敏感度、對比敏感度、視覺遮掩效應等開創(chuàng)性成果；在此基礎上人們在80年代對人眼視覺模型進行了深入研究，提出了如多通道、對比遮掩等新模型并嘗試將其引入評價過程中，取得了較好的效果。在HVS特性研究方面，人們通過分析視覺刺激的變化與視覺心理感知的關系從而獲得對HVS更深入的認識，現(xiàn)在大多數(shù)評價算法都直接或間接地應用了HVS特性。
1990年以后，隨著計算機軟硬件技術的飛速發(fā)展，數(shù)字圖像得以大量應用，學者們也將評價對象聚焦在數(shù)字圖像上。DCT、DWT等時頻工具不斷地被用于圖像質(zhì)量評價中；同時人們對HVS模型進行了深化研究，在評價過程引入了越來越多的HVS特性；與此同時也開始關注特定失真類型圖像的評價問題，提出了很多有用的方法，在圖像編碼、壓縮等領域得以實際應用；在此階段另一個典型的成果是針對自然場景統(tǒng)計特性的深入分析研究，得出自然圖像的變換統(tǒng)計因子趨近于拉普拉斯分布的重要結(jié)論，且經(jīng)過研究發(fā)現(xiàn)失真會一定程度影響這一分布，從而采用該分布的參數(shù)變化來度量失真對圖像質(zhì)量的影響；該工作為基于自然場景統(tǒng)計特性(Natural Scene Statistics，NSS)的經(jīng)典評價方法的產(chǎn)生奠定了理論基礎。
2000年以后，圖像質(zhì)量評價迎來了研究熱潮，逐漸成為數(shù)字圖像處理領域的一個活躍分支；一般將其分為主觀(Subjective)和客觀(Objective)評價兩類。主觀評價方法時間長長、成本高、過程復雜且對環(huán)境要求苛刻，應用起來較為困難，故常被用來作為評估各種客觀評價算法的標準(Ground Truth)；客觀評價方法則通過模擬人眼視覺感知機制而建立相應模型，模型的輸出為定量數(shù)值，從而為衡量圖像質(zhì)量給出量化指標，該方法簡單容易實現(xiàn)、效率高和便于集成在大興數(shù)字圖像處理系統(tǒng)中，客觀評價方法根據(jù)是否需要利用原始參考圖像又可分為全參考型、弱參考型、無參考型(也稱盲評)三種。
在圖像質(zhì)量評價理論方面，學者們逐漸將研究焦點由全參考和弱參考轉(zhuǎn)移到無參考評價上，無參考評價理論研究的技術趨勢為：由特定失真(Distortion Specific)、混合失真向非限定失真發(fā)展(Non-Distortion Specific)、由主觀得分已知(Opinion Aware)向主觀得分未知(Opinion Unaware)發(fā)展。
基于特定失真的方法，是指算法評價的失真類型是已知。例如：針對JPEG壓縮圖像的塊效應，主要有Wang等人分別提出了一種基于空域和頻域特征提取的質(zhì)量評價方法和Bovik等人在離散余弦變換域?qū)PEG壓縮圖進行質(zhì)量評價。針對JPEG2000壓縮引起的模糊失真和振鈴效應，Sheikh等人提出利用自然場景統(tǒng)計的信息來進行評價，由于圖像壓縮量化后比自然圖像產(chǎn)生了更多的零系數(shù)，該方法正是基于這一點利用小波系數(shù)的統(tǒng)計模型來計算和提取特征。針對模糊失真會對圖像邊緣產(chǎn)生影響，研究人員采用空域度量邊緣寬度或擴散程度來估計圖像模糊的程度。
上述都針對特定失真類型而設計的方法，具有很大的限制性。無參考型方法的最終目的就是需要設計在無任何參考信息的情況下針對不同類型失真都適用的方法?？梢詫⑺譃閮深悾褐饔^得分已知但失真類型未知(OA-DU)、主觀得分和失真類型均未知(OU-DU)。OA-DU算法需要借助圖像的主觀評分進行訓練，目前主要分為兩條研究主線：兩步框架法和全局方法。所謂的兩步框架法是先對圖像中存在的失真類型進行分類，然后運用特定失真評價方法分別對圖像的各類失真程度進行度量。該類典型的算法包括BIQI和DIIVINE。BIQI算法首先使用廣義高斯模型(Generalized Gaussian Distribution，GGD)提取圖像的特征，然后采用支持向量回歸(Support Vector Regression，SVR)的方法分別對每一類失真的程度進行度量。DIIVINE是BIQI的改進，主要是區(qū)別就是使用的特征變?yōu)?8個自然場景統(tǒng)計特征。兩步框架法需要先定義圖像的失真類型，并且要有針對這些失真類型的質(zhì)量評價方法，具有一定的局限性。因此，需要設計一種全局法，在不區(qū)分失真類型的情況下，運用或者設計合理、有效的機器學習算法，尋找圖像及其特征到圖像質(zhì)量的有效映射，從而對圖像質(zhì)量進行評估，典型的方法有：LBIQ，BLIINDS，BLIINDS-II，CORNIA和SRNSS等。Tang等人提出的LBIQ方法分別對三組特征進行回歸分析的到質(zhì)量，最后綜合得到最終質(zhì)量。Bovik等人提出了運用神經(jīng)網(wǎng)絡(Neural Network，NN)的方法將特征映射到質(zhì)；同時提出了BLIINDS和BLIINDS-II方法，運用機器學習方法進行質(zhì)量評價。Doermann等人提出的CORNIA方法，則運用了支持向量機建立特征到質(zhì)量的關系。Gao等人提出的SRNSS則是利用了稀疏表示的方法，有效的解決了訓練時需要大量主觀測試樣本的問題。
OU-DU是指這類算法不需要訓練圖像的主觀評分。例如：QAC、BLISS算法，這類算法沒有利用圖像的主觀評分，但是借用全參考算法先評價訓練圖像，這就相當于給訓練圖像打上了標簽，這類算法的優(yōu)勢是不需要利用國際通用圖像質(zhì)量評價數(shù)據(jù)庫中的圖像樣本進行訓練，從而使得訓練圖像的獲取范圍更大，普適性強。NIQE算法是訓練圖像的過程就相當于構(gòu)造出了“參考圖像”，它的訓練圖像也不需要來源于國際通用圖像質(zhì)量評價數(shù)據(jù)庫。
除此之外，還有一些基于機器學習的質(zhì)量評價算法，例如有研究者將峰值信噪比(Peak Signal to Noise Ratio，PSNR)和結(jié)構(gòu)信息作為描述圖像質(zhì)量的參數(shù)，采用支持向量機(Support Vector Machine，SVM)進行分類，繼而通過神經(jīng)網(wǎng)絡產(chǎn)生基于分類的圖像質(zhì)量評價模型。尤其值得關注的是近年來隨著深度學習研究的進一步深化，基于深度學習的無參考質(zhì)量評價方法也逐漸成為研究的熱點。
2013年Damon M.Chandler發(fā)表了一篇53頁的綜述長文，對圖像質(zhì)量評價的過去、研究現(xiàn)狀進行了深入分析，提出了圖像質(zhì)量評價面臨的七個挑戰(zhàn)。正是因為圖像質(zhì)量評價面臨如此多的困難和挑戰(zhàn)，才使得該方向的研究方興未艾，40多年前領域研究專家Z.Budrikis所稱的“評價問題的徹底解決(Full Evaluations)是不可能完成的任務”這一論斷至今仍然有效，但相信通過國內(nèi)外學者的共同努力，不遠的將來定會逼近“徹底解決”這一目標。
目前針對紅外圖像的質(zhì)量評價研究較少，徐悅等人從研究影響紅外圖像質(zhì)量的各種噪聲入手，對其產(chǎn)生原因、對圖像質(zhì)量的影響和評價檢測方法等做了深入分析，但主要側(cè)重非均勻性噪聲的度量，評價結(jié)果有一定的局限性。杜少波等人主要針對紅外圖像的模糊度對圖像質(zhì)量進行評估，將模糊熵理論引入到紅外圖像質(zhì)量評價方法中，但是所提出的方法只是針對模糊紅外圖像，不能很好的評價其他類型的失真圖像。
技術實現(xiàn)要素：
本發(fā)明的目的在于針對上述現(xiàn)有技術的缺陷，提供一種用于紅外圖像的無參考質(zhì)量評價方法，在綜合分析經(jīng)典無參考圖像質(zhì)量評價方法和紅外圖像特點的基礎上，提取了能夠表征紅外輻射特性的輪廓、紋理和點特征，并結(jié)合目標顯著性構(gòu)建基于混合特征和顯著性檢測的紅外圖像質(zhì)量評價模型，該質(zhì)量評價模型以實拍紅外圖像為樣本，以主觀評測作為度量基準，能夠更好地評價紅外圖像。
為實現(xiàn)上述目的，本發(fā)明所采取的技術方案是：
一種用于紅外圖像的無參考質(zhì)量評價方法，該無參考質(zhì)量評價方法的步驟為：
S1、基于輪廓特征的顯著度度量
將那些在樣式與周圍差異明顯的像素點定義為圖像中的顯著區(qū)域，計算每一個圖像塊和所有圖像塊的平均值之間的距離作為評價顯著性的尺度，計算公式為：
其中，為px為圖像塊，pA為平均塊；
該塊之間的距離計算為擴展到主成分(principal components)領域的計算，找出所有圖像塊中起決定作用的主要圖像塊，然后沿著主成分的分布來計算塊與平均塊之間的距離，距離越大就越顯著，從中檢測出圖像中目標的形狀與具體位置；該計算方法為：
為px在PCA域的坐標；
S2、基于灰度共生矩陣的紋理特征度量
以條件概率提取紋理的特征，反映灰度圖像中關于方向、間隔和變化幅度方面的灰度信息，并將之用于分析圖像的局部特征以及紋理的分布規(guī)律；
設某個點對的間隔為d，兩點之間連線與軸的方向角為θ兩點灰度級分別為i和j，則其共生矩陣可以表示為[P(i，j，d，θ)]，點(i，j)處的值代表滿足對應條件的數(shù)目值；
設給定d值和θ值，將共生矩陣內(nèi)各個元素進行歸一化處理并記為P(i，j)，提取出描述紋理特征的一系列特征值如下：
(1)角二階矩
角二階矩描述的是圖像灰度均勻分布的特性，粗紋理的值較大，細紋理的值較??；如果P(i，j)的值分布均勻，則N1值較?。划擯(i，j)的值分布并不均勻時，呈現(xiàn)出部分值大而部分值小時，N1的值較大；
(2)慣性矩
慣性矩參數(shù)反映矩陣中取值較大的元素遠離主對角線的程度，N2值越大則說明大值元素到對角線的距離越遠，因此粗紋理的N2值較小，而細紋理的N2值較大；
(3)熵
熵表示了圖像中紋理的非均勻程度或復雜程度；粗紋理N3值較小，細紋理N3值較大；當各P(i，j)都相等時，N3取最大值；
(4)相關
其中有：
(5)逆差矩
逆差矩反映矩陣中大值元素到主對角線的集中程度，N5值越大，大值元素越集中；
S3、基于SIFT的點特征度量
將Porikli提出的積分直方圖(integral histogram)擴展到任意維空間和任意向量表示，首先通過傳播來產(chǎn)生積分直方圖；之后通過相交計算目標區(qū)域的直方圖；
假定d維實數(shù)笛卡兒空間中的函數(shù)f定義為：X→f(X)，其中，X＝{....，是這一空間中的點；該函數(shù)映射到K維向量F([X1....，])＝....，]；
假定d維數(shù)據(jù)空間約束在....范圍內(nèi)，0≤Xi≤Ni；沿著一系列點，......的第P階點的積分直方圖H(Xp，b)定義為
式中Q(.)為當前點相應的bin值，U為并操作，定義為：H(Xp，b)的bin值等于以前訪問過的點的直方圖bin值，當J＜p時，所有Q(f(Xj))的和H(Xp，b)是原始點和當前點之間區(qū)域的直方圖；
當XN＝為空間中最后一個點時，H(Xp，b)等于所有點的直方圖；積分直方圖寫成H(Xj，b)＝H(Xj-1，b)UQ(f(Xj))初始條件為H(0，b)＝0，表示所有bin在初始時為空；每一步中，當前點的積分直方圖的值由其三個鄰域直方圖的值獲得，當前點對應的bin值加1；
區(qū)域T的直方圖可以由它所在區(qū)域的四個邊緣點的積分直方圖獲得，在×灰度圖像中，從左上點的波陣面掃描法實現(xiàn)傳播得到積分直方圖模板，表示為：
H(x1，x2，b)＝H(x1-1，x2，b)+H(x1，x2-1，b)-H(x1-1，x2-1，b)+Q(f(x1，x2)) (2-11)
采用積分直方圖建立S IFT描述子，對于每組的每層圖像，傳播產(chǎn)生積分直方圖模板，對于每一個關鍵點，其梯度直方圖在恒定時間內(nèi)求出；
S4、把特征點的數(shù)量作為質(zhì)量得分產(chǎn)生依據(jù)
1、采用形狀域差異檢測和計算樣本圖像的視覺顯著性，給出顯著度圖；
2、采用灰度共生矩陣中的優(yōu)選參數(shù)計算樣本圖像的紋理特征，并給出基于這一參數(shù)的紋理圖；
3、累加顯著度圖和紋理圖得到最終的特征圖像；
4、采用SIFT算法分別計算樣本圖像和特征圖像的特征點數(shù)量；
5、樣本圖像的質(zhì)量得分即為兩個特征點數(shù)量之比。
與現(xiàn)有技術相比，本發(fā)明所取得的有益效果是：
本發(fā)明的用于紅外圖像的無參考質(zhì)量評價方法，(1)圖像特征的高效、準確提取對于構(gòu)建圖像質(zhì)量模型至關重要，由于影響紅外圖像的因素很多加上成像機理制約著圖像的質(zhì)量，我們提取了三大類質(zhì)量特征因子集，后續(xù)結(jié)果表明特征的選取是有效的；
(2)我們針對紅外圖像，設計構(gòu)建了無參考質(zhì)量評價模型，進行了相應的Matlab實現(xiàn)，并以實拍紅外圖像進行了實驗驗證，結(jié)果表明提出的方法不僅性能優(yōu)越而且在實際的運行代價上也具有一定的競爭力。
具體實施方式
下面將結(jié)合本發(fā)明實施例，對本發(fā)明的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。
本發(fā)明用于紅外圖像的無參考質(zhì)量評價方法，該無參考質(zhì)量評價方法的步驟為：
S1、基于輪廓特征的顯著度度量
將那些在樣式與周圍差異明顯的像素點定義為圖像中的顯著區(qū)域，計算每一個圖像塊和所有圖像塊的平均值之間的距離作為評價顯著性的尺度，計算公式為：
其中，為px為圖像塊，pA為平均塊；
該塊之間的距離計算為擴展到主成分(principal components)領域的計算，找出所有圖像塊中起決定作用的主要圖像塊，然后沿著主成分的分布來計算塊與平均塊之間的距離，距離越大就越顯著，從中檢測出圖像中目標的形狀與具體位置；該計算方法為：
為px在PCA域的坐標；
S2、基于灰度共生矩陣的紋理特征度量
以條件概率提取紋理的特征，反映灰度圖像中關于方向、間隔和變化幅度方面的灰度信息，并將之用于分析圖像的局部特征以及紋理的分布規(guī)律；
設某個點對的間隔為d，兩點之間連線與軸的方向角為θ兩點灰度級分別為i和j，則其共生矩陣可以表示為[P(i，j，d，θ)]，點(i，j)處的值代表滿足對應條件的數(shù)目值；
設給定d值和θ值，將共生矩陣內(nèi)各個元素進行歸一化處理并記為P(i，j)，提取出描述紋理特征的一系列特征值如下：
(1)角二階矩
角二階矩描述的是圖像灰度均勻分布的特性，粗紋理的值較大，細紋理的值較??；如果P(i，j)的值分布均勻，則N1值較?。划擯(i，j)的值分布并不均勻時，呈現(xiàn)出部分值大而部分值小時，N1的值較大；
(2)慣性矩
慣性矩參數(shù)反映矩陣中取值較大的元素遠離主對角線的程度，N2值越大則說明大值元素到對角線的距離越遠，因此粗紋理的N2值較小，而細紋理的N2值較大；
(3)熵
熵表示了圖像中紋理的非均勻程度或復雜程度；粗紋理N3值較小，細紋理N3值較大；當各P(i，j)都相等時，N3取最大值；
(4)相關
其中有：
(5)逆差矩
逆差矩反映矩陣中大值元素到主對角線的集中程度，N5值越大，大值元素越集中；
S3、基于SIFT的點特征度量
將Porikli提出的積分直方圖(integral histogram)擴展到任意維空間和任意向量表示，首先通過傳播來產(chǎn)生積分直方圖；之后通過相交計算目標區(qū)域的直方圖；
假定d維實數(shù)笛卡兒空間中的函數(shù)f定義為：X→f(X)，其中，X＝{....，是這一空間中的點；該函數(shù)映射到K維向量F([X1....，])＝....，]；
假定d維數(shù)據(jù)空間約束在....范圍內(nèi)，0≤Xi≤Ni；沿著一系列點，......的第P階點的積分直方圖H(Xp，b)定義為
式中Q(.)為當前點相應的bin值，U為并操作，定義為：H(Xp，b)的bin值等于以前訪問過的點的直方圖bin值，當J＜p時，所有Q(f(Xj))的和H(Xp，b)是原始點和當前點之間區(qū)域的直方圖；
當XN＝為空間中最后一個點時，H(Xp，b)等于所有點的直方圖；積分直方圖寫成H(Xj，b)＝H(Xj-1，b)UQ(f(Xj))初始條件為H(0，b)＝0，表示所有bin在初始時為空；每一步中，當前點的積分直方圖的值由其三個鄰域直方圖的值獲得，當前點對應的bin值加1；
區(qū)域T的直方圖可以由它所在區(qū)域的四個邊緣點的積分直方圖獲得，在×灰度圖像中，從左上點的波陣面掃描法實現(xiàn)傳播得到積分直方圖模板，表示為：
H(x1，x2，b)＝H(x1-1，x2，b)+H(x1，x2-1，b)-H(x1-1，x2-1，b)+Q(f(x1，x2)) (2-11)
采用積分直方圖建立SIFT描述子，對于每組的每層圖像，傳播產(chǎn)生積分直方圖模板，對于每一個關鍵點，其梯度直方圖在恒定時間內(nèi)求出；
S4、把特征點的數(shù)量作為質(zhì)量得分產(chǎn)生依據(jù)
1、采用形狀域差異檢測和計算樣本圖像的視覺顯著性，給出顯著度圖；
2、采用灰度共生矩陣中的優(yōu)選參數(shù)計算樣本圖像的紋理特征，并給出基于這一參數(shù)的紋理圖；
3、累加顯著度圖和紋理圖得到最終的特征圖像；
4、采用SIFT算法分別計算樣本圖像和特征圖像的特征點數(shù)量；
5、樣本圖像的質(zhì)量得分即為兩個特征點數(shù)量之比。
實驗結(jié)果與分析
測試圖像數(shù)據(jù)庫組成
測試圖像數(shù)據(jù)庫由兩段實拍視頻截取圖像及兩個實拍圖像庫構(gòu)成，共2258幅圖像組成，大小為320*240的灰度圖像。為評估算法有效性，還給出了所有測試圖像的平均主觀評分差值(DMOS)。主觀評價人員共32人，年齡為18～37。其中DMOS值越高表示圖像質(zhì)量越差，DMOS值越低表示圖像質(zhì)量越好，且DMOS范圍為[0，100]。
實驗結(jié)果及分析
對測試圖像庫分別使用本文算法和7種經(jīng)典無參考質(zhì)量評價算法(BIQI、DIIVINE、BLIINDS-II、CORNIA、QAC、NIQE、IL-NIQE)進行質(zhì)量評估，然后與DMOS比較評價算法性能。由于客觀數(shù)據(jù)對主觀評價分數(shù)的預測關系存在一定的非線性，在VQEG的測試和檢驗中都允許這樣的非線性的映射。本文實驗采用公式(2-11)、(2-12)所示的對數(shù)函數(shù)進行非線性補償：
quality(x)＝β1logistic(β2(x-β3))+β4x+β5 (2-12)
選用兩個參數(shù)指標比較算法的性能：皮爾森線性相關系數(shù)(PLCC)、斯皮爾曼相關系數(shù)(SROCC)，其中PLCC用于評測質(zhì)量模型預測的準確性，SROCC用于評測質(zhì)量模型預測的單調(diào)性。對構(gòu)建的紅外圖像數(shù)據(jù)庫，利用8種算法試驗對比SROCC、PLCC結(jié)果如表2.3所示。
表2.3在測試數(shù)據(jù)庫上算法性能對比結(jié)果
從表2.3可以看出本文方法相較于其他7種方法，SROCC和PLCC均取得了最大值，具備較好的單調(diào)性和準確性(黑體標出)。
表2.4各算法的運行時間
此外，為評估算法運行代價，在32位Windows 7操作系統(tǒng)下，以Matlab 2010a為開發(fā)工具測試了本文算法及其他對比算法的時間開銷。在主頻為2.6GHz Intel-Core-i5-3230CPU，內(nèi)存為4GB的臺式機上測試算法時間，結(jié)果如表2.4所示。
從表2.4可以發(fā)現(xiàn)本文算法一次評價為1.8秒，略高于BIQI、QAC和NIQE，但大大低于DIIVINE、BLIINDS-II和CORNIA，也優(yōu)于IL-NIQE，表現(xiàn)出較強的運行效率競爭性。
我們針對紅外圖像偵察手段中缺乏定量、科學、自動化的圖像質(zhì)量評價手段問題，緊密跟蹤現(xiàn)代圖像質(zhì)量評價技術的發(fā)展，引用并改進基于視覺顯著性的評價模型構(gòu)建方法，綜合分析實拍紅外圖像的成像特點，提取三種與質(zhì)量緊密關聯(lián)的輪廓、紋理和點特征因子，構(gòu)建了相應模型并進行了算法實驗，實驗結(jié)果表明相較于經(jīng)典質(zhì)量評價方法，所提出的方法具有較好的一致性和準確性。研究主要工作如下：
(1)圖像特征的高效、準確提取對于構(gòu)建圖像質(zhì)量模型至關重要，由于影響紅外圖像的因素很多加上成像機理制約著圖像的質(zhì)量，我們提取了三大類質(zhì)量特征因子集，后續(xù)結(jié)果表明特征的選取是有效的。
(2)我們針對紅外圖像，設計構(gòu)建了無參考質(zhì)量評價模型，進行了相應的Matlab實現(xiàn)，并以實拍紅外圖像進行了實驗驗證，結(jié)果表明提出的方法不僅性能優(yōu)越而且在實際的運行代價上也具有一定的競爭力。