CN104392209A - 一种目标与背景的图像复杂度评价模型 - Google Patents

Abstract

一种目标与背景的图像复杂度评价模型，属于数字图像处理、图像分析与理解领域。该模型为一个三维欧氏测量空间P_n，测量空间P_n中的任意复杂度向量C由目标特性p₁，目标相似性p₂，背景特征p₃三个向量构成；复杂度向量C的模|C|即是目标与背景的图像复杂度，p_i取值越大，则|C|越大。每个向量p_i由评价测量指标t_ij(j＝1,2,...n)构成，n为指标个数，目标特性p₁由五个指标构成、目标相似性p₂由二个指标构成、背景特征p₃由五个指标构成。相比现有技术，本发明可指导不同图像复杂度下的目标识别跟踪方法的算法优化、策略优化和性能评价，具有计算速度快，描述准确，符合人类主观感官认识的优点。

Description

一种目标与背景的图像复杂度评价模型

技术领域

本发明属于数字图像处理、图像分析与理解领域，特别涉及一种图像复杂度评价模型。

背景技术

目标与背景的图像复杂度反映了从数字图象中检测和识别目标的难易程度。在图像信息隐藏、图像压缩编码、字符识别、生物医学图像处理、卫星遥感图像分析和自动目标识别跟踪等诸多领域，都面临因待识别目标和图像背景之间的特性差异和复杂程度不同，而采取和选择不同的图像处理方法和算法，以及不同的图像鉴别分析策略的难题。

目前，图像特征参数繁多而复杂，对图像内容的表述方式不一致，如中国科学院自动化研究所在2010年申请的专利“网页视觉复杂度的自动评价方法”(专利号：CN 102141998 B)；上海交通大学在2014年申请的专利“基于结构降化模型的半参考图像质量评价方法”(CN 104112272 A)；浙江大学在2012年申请的专利“一种基于像素域失真度估计的视频质量评价方法”(CN 102984541A)；都提出了自己对于图像指标参数、图像质量或复杂度的评价方法，但是计算过于繁琐，操作困难。同时，虽然图像复杂度评价指标很多，但又多数只是采用多个度量指标简单组合的方法。这就造成了图像复杂度表征不够准确，图像复杂度描述不具体，表达效果不直接，或与人的主观认知不符合等现象。

因此，本领域亟需一种新的技术来改变这样的现状。

发明内容

本发明所要解决的技术问题：针对现有技术的不足和缺陷，本发明提供一种目标与背景的图像复杂度评价模型，可指导不同图像复杂度下的目标识别跟踪方法的算法优化、策略优化和性能评价，具有计算速度快，描述准确，符合人类主观感官认识的优点。

本发明是这样设计的：一种目标与背景的图像复杂度评价模型，其特征在于：该模型为一个三维欧氏测量空间P_n{p_i,(i＝1,2,...n)}(n＝3)，所述的测量空间P_n中获得的的任意复杂度向量C由目标特性p₁，目标相似性p₂，背景特征p₃三个向量构成；所述的复杂度向量C的模|C|即是目标与背景的图像复杂度，p_i取值越大，则|C|越大；所述的p₁、p₂、p₃的尺度取值范围均为大于等于0，且小于等于1；

所述的每个向量p_i由评价测量指标t_ij(j＝1,2,...n)构成，n为指标个数；所述的目标特性p₁由五个指标构成，即图像中目标的熵t₁₁、目标干扰比t₁₂、目标与背景的面积比例t₁₃、目标与局部背景的相关性t₁₄、目标与局部背景非参数K-S检验度量t₁₅；所述的目标相似性p₂由二个指标构成，即目标与伪目标的互相关系数峰值比t₂₁、区域边缘形状相似度t₂₂；所述的背景特征p₃由五个指标构成，即图像背景的边缘比率t₃₁、图像背景的纹理共生矩阵中的熵t₃₂、能量t₃₃、对比度t₃₄、相关性t₃₅构成。

其特征在于：所述的图像可由人工或自动识别算法划分出目标区域，背景区域，目标周围的局部背景区域，以及背景中的伪目标区域。

一种目标与背景的图像复杂度评价方法，其特征在于：包括下述步骤，

步骤一、根据图像中目标的熵t₁₁、目标干扰比t₁₂、目标与背景的面积比例t₁₃、目标与局部背景的相关性t₁₄、目标与局部背景非参数K-S检验度量t₁₅这五个评价测量指标计算目标特性p₁；

步骤二、根据目标与伪目标的互相关系数峰值比t₂₁、区域边缘形状相似度t₂₂这二个评价测量指标计算目标相似性p₂；

步骤三、根据图像背景的边缘比率t₃₁、图像背景的纹理共生矩阵中的熵t₃₂、能量t₃₃、对比度t₃₄、相关性t₃₅这五个评价测量指标计算背景特征p₃；

步骤四、计算目标特性p₁，目标相似性p₂，背景特征p₃三个向量的向量尺度；

步骤五、根据目标特性p₁，目标相似性p₂，背景特征p₃计算复杂度向量C的模|C|，获得目标与背景的图像复杂度。

通过上述设计方案，本发明可以带来如下有益效果：

本发明的目标与背景图像复杂度模型建立了欧式空间下的图像复杂度的向量表示，采用多特征数据融合的方法较全面的对图像的复杂度进行估计，可用于指导不同图像复杂度下的目标检测和识别方法的算法优化、策略优化和性能评价，具有计算速度快，描述准确，符合人类主观感官认识的优点，具有广泛的应用需求和前景。

本发明其技术效果在于，建立了欧式空间下的图像复杂度的向量表示，是一种图像复杂度的整体与局部相结合的定量分析方法；建立了目标背景多参数的三层评价指标体系，提供了一种对目标与背景的图像复杂度评价的有效方法。本发明有效解决评价模型指标繁多，涵义混杂，指标之间复合权重不明确等问题。

附图说明

下面结合附图说明和具体实施方式对本发明作进一步说明：

图1为本发明一种目标与背景的图像复杂度评价模型的欧式空间的结构示意图。

图2为本发明一种目标与背景的图像复杂度评价模型的目标检测识别中目标与背景特征区域示意图。

图3为本发明一种目标与背景的图像复杂度评价模型的目标与背景特征评价参数三层结构示意图。

图4为本发明一种目标与背景的图像复杂度评价模型实施例中A组示意图。

图5为本发明一种目标与背景的图像复杂度评价模型实施例中B组示意图。

图中1为背景、2为目标、3为局部背景、4为伪目标。

具体实施方式

如图所示的一种目标与背景的图像复杂度评价模型，其特征在于：该模型为一个三维欧氏测量空间P_n{p_i,(i＝1,2,...n)}(n＝3)，所述的测量空间P_n中获得的的任意复杂度向量C由目标特性p₁，目标相似性p₂，背景特征p₃三个向量构成；所述的复杂度向量C的模|C|即是目标与背景的图像复杂度，p_i取值越大，则|C|越大；所述的p₁、p₂、p₃的尺度取值范围均为大于等于0，且小于等于1；

所述的每个向量p_i由评价测量指标t_ij(j＝1,2,...n)构成，n为指标个数；所述的目标特性p₁由五个指标构成，即图像中目标的熵t₁₁、目标干扰比t₁₂、目标与背景的面积比例t₁₃、目标与局部背景的相关性t₁₄、目标与局部背景非参数K-S检验度量t₁₅；所述的目标相似性p₂由二个指标构成，即目标与伪目标的互相关系数峰值比t₂₁、区域边缘形状相似度t₂₂；所述的背景特征p₃由五个指标构成，即图像背景的边缘比率t₃₁、图像背景的纹理共生矩阵中的熵t₃₂、能量t₃₃、对比度t₃₄、相关性t₃₅构成。

所述的图像可由人工或自动识别算法划分出目标区域，背景区域，目标周围的局部背景区域，以及背景中的伪目标区域。

一种目标与背景的图像复杂度评价方法，其特征在于：包括下述步骤，

步骤一、根据图像中目标的熵t₁₁、目标干扰比t₁₂、目标与背景的面积比例t₁₃、目标与局部背景的相关性t₁₄、目标与局部背景非参数K-S检验度量t₁₅这五个评价测量指标计算目标特性p₁；

步骤二、根据目标与伪目标的互相关系数峰值比t₂₁、区域边缘形状相似度t₂₂这二个评价测量指标计算目标相似性p₂；

步骤三、根据图像背景的边缘比率t₃₁、图像背景的纹理共生矩阵中的熵t₃₂、能量t₃₃、对比度t₃₄、相关性t₃₅这五个评价测量指标计算背景特征p₃；

步骤四、计算目标特性p₁，目标相似性p₂，背景特征p₃三个向量的向量尺度；

步骤五、根据目标特性p₁，目标相似性p₂，背景特征p₃计算复杂度向量C的模|C|，获得目标与背景的图像复杂度。

目标与背景图像复杂度模型的具体计算过程如下：

背景图像区域大小为M×N，目标区域大小为W×H，局部背景区域是与目标区域图像面积相同的外环形矩形区域，伪目标区域与目标区域面积相同为W×H，如图2所示，其中1代表为背景、2代表为目标、3代表为局部背景、4代表为伪目标。

(1)目标特征的指标计算

目标特征指标用于计算目标区域和局部背景区域的特征信息。

①目标的熵H

$H=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(i\right)\log p\left(i\right)$     (公式1)

其中p_(i)(i＝0,1,2,…,255)为目标区域中灰度直方图的概率。

②目标与背景干扰比TIR

$\mathrm{TIR}=\frac{|{\mathrm{\μ}}_T-{\mathrm{\μ}}_B|}{\sqrt{{\mathrm{\σ}}_T^2+{\mathrm{\σ}}_B^2}}$     (公式2)

其中μ_T和σ_T分别为目标区域灰度均值和标准差；μ_B和σ_B为局部背景区域的灰度均值和标准差。

③目标与背景面积比例R_TB

$R_{\mathrm{TB}}=\frac{S_T}{S_B}$     (公式3)

其中S_T和S_B分别为目标区域和背景区域的面积。

④目标与局部背景的相关性GDC

$\mathrm{GDC}=\frac{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(i\right)q\left(i\right)}{\sqrt{\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p{\left(i\right)}^2\underset{i=0}{\overset{255}{\mathrm{\Σ}}}q{\left(i\right)}^2}}$     (公式4)

其中p_(i)和q_(i)(i＝0,1,2,…,255)分别为目标区域和局部背景区域灰度直方图的概率。

⑤目标与局部背景非参数K-S检验度量

$K-S=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{(p\left(i\right)-q\left(i\right))}^2$     (公式5)

其中p_(i)和q_(i)分别为目标区域和局部背景区域的灰度概率分布。

(2)目标相似性的指标计算

目标相似性指标用于衡量图像中目标特征与伪目标特征的相似性程度。

①目标与伪目标的互相关系数峰值比PR

使用目标模板在背景图像中全局搜索，根据公式6，计算搜索区域与目标模板的互相关系数r(x,y)，生成互相系数三维曲面图，其中最大的极值点为最大峰值点，其它极值点统称为次峰值点。

$r(x,y)=\frac{{\mathrm{\Σ}}_{i=0}^{H-1}{\mathrm{\Σ}}_{j=0}^{W-1}(t_{i,j}-\stackrel{\‾}{t})(f_{u+i,v+j}-\stackrel{\‾}{f})}{\sqrt{{\mathrm{\Σ}}_{i=0}^{H-1}{\mathrm{\Σ}}_{j=0}^{W-1}{(t_{i,j}-\stackrel{\‾}{t})}^2}\sqrt{{\mathrm{\Σ}}_{i=0}^{H-1}{\mathrm{\Σ}}_{j=0}^{W-1}{(f_{u+i,v+j}-\stackrel{\‾}{f})}^2}}$     (公式6)

其中f_ij为背景中目标模板的搜索区域，为为背景中目标模板的搜索区域的均值；t_i,y是目标模板，尺度为H×W；为目标模板的均值。

利用曲面中次峰值点的平均值与最大峰值点比值作为评价目标与为目标相似程度的一个参数。

$\mathrm{PR}=\frac{P_{\mathrm{avg}}}{P_{\max }}$     (公式7)

其中P_avg和P_max分别表示互相关系数曲面次峰值点平均值和最大峰值点。

②边缘形状轮廓相似度S_FL

边缘形状轮廓相似度的计算步骤如下：

第一步：目标轮廓和伪目标轮廓的起始点经进行有效配准。

第二步：构造级联仿射不变函数。令选定后的伪目标轮廓

C_F(n)＝[x_F(n),y_F(n)]^T和目标轮廓C_O(n)＝[x_O(n),y_O(n)]^T，0≤n≤N_S-1，N_s表示轮廓采样点的数量。对两个轮廓进行离散小波变换(DWT)，利用DWT的尺度系数构造仿射不变量。选取信号能量分布较多的分解级数i和j这里(i<j)，第i级上尺度系数相对第j级尺度系数较多，其长度相差2^j-i倍，对应偏移量p的仿射不变量I_i,j(p)可以表示为：

I_i,j(p)＝[I_i,j(p,0),I_i,j(p,1),…,I_i,j(p,N_S/2^j-i-1)]，0≤p≤2^j-i-1    (公式8)

I_i,j(p,n)＝A_ix(2^j-in+P)A_jy(n)-A_jx(n)A_iy(2^j-in+p),0≤n≤N_S/2^j-i-1    (公式9)

式中，A_i和A_j分别表示小波变换第i级和第j级的尺度系数。

将分解级数i和j对应的所有仿射不变量组合起来得到级联仿射不变函数I_i,j，如下所示：

I_i,j＝[I_i,j(0),I_i,j(1),…,I_i,j(2^j-i-1)]    (公式10)

绝对仿射不变函数可以通过I_i,j，归一化得到。

${\hat{I}}_{i,j}=I/I_{\max }$     (公式11)

式中，I_max＝max{abs(I_i,j(p,n)),I_i,j(p,n)∈I_i,j}    (公式12)

第三步：目标轮廓和伪目标轮廓的匹配程度可以通过所对应仿射不变函数的相似度来衡量。目标轮廓和伪目标轮廓分别得到对应分解级数i和j的级联仿射不变函数和它们之间的相似度S(i,j)可以表示为：

$S(i,j)=\frac{<{\hat{I}}_{i,j}^F,{\hat{I}}_{i,j}^0>}{{\left|\right|{\hat{I}}_{i,j}^F\left|\right|}_2{\left|\right|{\hat{I}}_{i,j}^0\left|\right|}_2}$     (公式13)

将多个分解级数所构造的级联仿射不变函数组合起来，得到目标轮廓和伪目标轮廓的多级匹配相似度S_FL

$S_{\mathrm{FL}}=\underset{j=K+1}{\overset{L}{\mathrm{\&Sigma;}}}\frac{S(K,j)}{L-K+1}$     (公式14)

其中K和L分别表示DWT中最小和最大分解级数。

(3)背景特征的指标计算

背景特征指标用于计算背景区域所具有的特征信息。

①边缘特征CER

利用背景中边缘像素的概率密度来度量图像的复杂程度，首先用分割算子对背景进行边缘分割，背景中的像素就被分成了两类：边缘像素和非边缘像素。背景中边缘像素个数与总像素个数的比例CER，可以在一定程度上反映出背景的特征。

$\mathrm{CER}=\frac{C_{\mathrm{edge}}}{\mathrm{MN}}$     (公式15)

其中C_edge表示背景区域边缘点数目，M和N表示背景区域的宽度和高度。

图像背景的熵、能量、对比度、相关性等特征共同表示了图像背景的纹理特征，在计算熵、能量、对比度、相关性等特征前，需首先计算图像的灰度共生矩阵。

灰度共生矩阵定义为图像中相距为δ＝(Δx,Δy)的两个灰度像素同时出现的联合概率分布。用G表示灰度共生矩阵，其元素g_ij是灰度z_i和z_j的像素对出现在图像中由两个像素彼此相对位置的一个算子Q所指定的位置处的次数，满足Q的像素对的总数为n。各元素都小于1的归一化概率p(i,j)＝g_ij/n，N是共生矩阵G的行(或列)数。

②熵H：

灰度共生矩阵的熵是图像中所具有的信息量的度量，当共生矩阵中所有元素有最大的随机性、它表示了图像中纹理的非均匀程度或复杂程度。

$H=-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}p(i,j)\&times;\log \left(p(i,j)\right)$     (公式16)

③能量J：

灰度共生矩阵的能量表示灰度分布一致性的统计量。

$J=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(p(i,j)\right)}^2$     (公式17)

④对比度G：

灰度共生矩阵的对比度是描述纹理反差，即纹理粗细的统计量，它可以反映图像纹理的清晰程度。

$G=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{(i,j)}^2\&times;p(i,j)$     (公式18)

⑤相关性COV：

灰度共生矩阵的相关性可以用于衡量一个像素在整个图像上与邻居相关程度的度量。

$\mathrm{COV}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{(i-m_r)(j-m_c)p(i,j)}{{\mathrm{\&sigma;}}_r{\mathrm{\&sigma;}}_c}$     (公式19)

其中m_r和m_c是分别沿归一化后的共生矩阵的行和列计算的均值；σ_r和σ_c是分别沿行和列计算的标准差(方差的平方根)。

(4)向量尺度计算

①目标特征向量的尺度由下式表示：

|p₁|＝k₁t₁₁+k₂t₁₂+k₃t₁₃+k₄t₁₄+k₅t₁₅    (公式20)

其中t_1i(i＝1,2,…,5)分别表示目标的熵H、目标与背景干扰比TIR、目标与背景面积比例R_TB、目标与局部背景的相关性GDC、目标与局部背景非参数K-S检验度量的归一化评价指标，k_i(i＝1,2,…,5)表示评价指标的归一化权重系数。

②目标相似性尺度由下式表示：

|p₂|＝k₁t₂₁+k₂t₂₂    (公式21)

其中t_2i(i＝1,2)分别表示目标与伪目标的互相关系数峰值比PR、区域边缘形状相似度S_FL的归一化评价指标，k_i,i＝1,2.表示评价指标的归一化权重系数，

③背景特征尺度由下式表示：

|p₃|＝k₁t₃₁+k₂t₃₂+k₃t₃₃+k₄t₃₄+k₅t₃₅    (公式22)

其中t_3i(i＝1,2，…,5)分别表示边缘比例CER、利用灰度共生矩阵计算的熵H、能量J、对比度G、相关性COV的归一化评价指标，k_i,i＝1,2,…,5.表示评价指标的归一化权重系数。

(5)图像复杂度的计算

测量空间中的任意复杂度向量为C，目标与背景图像复杂度|C|为：

$\left|C\right|=\sqrt{{\left|p_1\right|}^2+{\left|p_2\right|}^2+{\left|p_3\right|}^2}$     (公式23)

实施例：

如图4、图5所示是本发明在图像目标识别跟踪领域的应用实施例，实施和包含范围不局限于此。

实例提供两组视频图像。A组为飞机为目标，天空为背景的图像，如图4；B组为以飞机为目标，地表景物为背景，如图5。

A组图像和B组图像的目标类似，但背景图像不同。A组为较简单的天空背景，天空中仅有少许云层干扰识别。B组为复杂的地面背景，包括繁多的建筑物和植物等地貌特征，影响辨别目标的因素较多。

根据上述具体实施方式提供计算图像复杂度模型的方法，下面给出对两组图像复杂度的具体分析过程。

A组图像的计算过程如下：

(1)根据具体实施方式中的第(1)、(2)、(3)步分别计算出目标特征的指标、目标相似性的指标和背景特征的指标。

(2)根据具体实施方式的第(4)步中的①计算出目标特征向量的尺度PA₁；②计算出目标相似性向量的尺度PA₂；③计算出背景特征向量的尺度PA₃。其中实例一第(4)步中用到的评价指标归一化权重系数是前期经过训练获得的。

(3)根据具体实施方式的第(5)步计算出图像复杂度向量CA，则A组中的目标与背景图像复杂度为|CA|。

B组图像的计算过程同A组图像。计算可得，B组图像的目标特征向量的尺度PB₁；目标相似性向量的尺度PB₂；背景特征向量的尺度PB₃。从而确定图像复杂度向量CB，则B组中的目标与背景图像复杂度为|CB|。

下面通过A组和B组视频图像计算的数据结果进行分析和比较：

(1)PA₁≈PB₁，二者近似相似，是由于A组和B组中目标均为飞机，具有相似的目标特征。

(2)PA₂和PB₂从数值上看不近似也不相等、相互独立，表明是由于A组和B组图像中目标与其所在背景的特征关联因素各不相同，因此A组和B组图像中的目标相似性特征不相同。

(3)PA₃<<PB₃，是由于A组中的图像背景比B组中的图像背景简单很多，从B组中图像的背景特征比A组中图像的背景特征复杂很多。

(4)总体的结论是|CA|＜|CB|，是由于B组中视频图像的图像复杂度比A组中视频图像的图像复杂度高，说明在B组视频图像中识别目标要比在A组视频图像中识别目标的难度大得多。

Claims (3)

1.一种目标与背景的图像复杂度评价模型，其特征在于：该模型为一个三维欧氏测量空间P_n{p_i,(i＝1,2,...n)}(n＝3)，所述的测量空间P_n中获得的的任意复杂度向量C由目标特性p₁，目标相似性p₂，背景特征p₃三个向量构成；所述的复杂度向量C的模|C|即是目标与背景的图像复杂度，p_i取值越大，则|C|越大；所述的p₁、p₂、p₃的尺度取值范围均为大于等于0，且小于等于1；

所述的每个向量p_i由评价测量指标t_ij(j＝1,2,...n)构成，n为指标个数；所述的目标特性p₁由五个指标构成，即图像中目标的熵t₁₁、目标干扰比t₁₂、目标与背景的面积比例t₁₃、目标与局部背景的相关性t₁₄、目标与局部背景非参数K-S检验度量t₁₅；所述的目标相似性p₂由二个指标构成，即目标与伪目标的互相关系数峰值比t₂₁、区域边缘形状相似度t₂₂；所述的背景特征p₃由五个指标构成，即图像背景的边缘比率t₃₁、图像背景的纹理共生矩阵中的熵t₃₂、能量t₃₃、对比度t₃₄、相关性t₃₅构成。

2.根据权利要求1所述的一种目标与背景的图像复杂度评价模型，其特征在于：所述的图像可由人工或自动识别算法划分出目标区域，背景区域，目标周围的局部背景区域，以及背景中的伪目标区域。

3.根据权利要求1所述的一种目标与背景的图像复杂度评价方法，其特征在于：包括下述步骤，

步骤一、根据图像中目标的熵t₁₁、目标干扰比t₁₂、目标与背景的面积比例t₁₃、目标与局部背景的相关性t₁₄、目标与局部背景非参数K-S检验度量t₁₅这五个评价测量指标计算目标特性p₁；

步骤二、根据目标与伪目标的互相关系数峰值比t₂₁、区域边缘形状相似度t₂₂这二个评价测量指标计算目标相似性p₂；

步骤三、根据图像背景的边缘比率t₃₁、图像背景的纹理共生矩阵中的熵t₃₂、能量t₃₃、对比度t₃₄、相关性t₃₅这五个评价测量指标计算背景特征p₃；

步骤四、计算目标特性p₁，目标相似性p₂，背景特征p₃三个向量的向量尺度；

步骤五、根据目标特性p₁，目标相似性p₂，背景特征p₃计算复杂度向量C的模|C|，获得目标与背景的图像复杂度。