CN105389820A - 一种基于倒谱的红外图像清晰度评价方法 - Google Patents

Abstract

本发明公开了一种基于倒谱的红外图像清晰度评价方法，包括以下步骤：A、输入清晰的红外图像；B、对输入的红外图像通过人工模拟分别进行运动模糊和离焦模糊效果的降质处理；C、对步骤B中进行降质处理后的红外图像进行倒谱域的变换；D、对经过步骤C倒谱域的图像进行二值化，并在二值化倒谱域中计算亮点的平均能量E；E、设定好E₀值，再采用二分法使步骤D中算得的E满足E＜E₀，并对红外图像清晰度进行计算评价。本发明提供一种基于倒谱的红外图像清晰度评价方法，不仅避免了模糊参数难以辨识的问题，而且使算法得以大大简化，提高了清晰度评价速度。

Description

一种基于倒谱的红外图像清晰度评价方法

技术领域

本发明属于红外图像处理领域，具体是指一种基于倒谱的红外图像清晰度评价方法。

背景技术

红外图像识别由于其非接触式、基本无须配合和操作隐蔽性强等优势，被认为是一种可广泛使用的生物特征识别技术，长期以来一直受到学术界和产业界的广泛关注。然而，也正因为追求“无须配合”的实施效果，导致了红外图像采集的随意性，图像之间差异较大、图像质量参差不齐的情况。采用低质量的红外图像进行识别，必然会导致识别准确率的下降。因此尽管目前的一些红外图像识别准确率已经相当高，然而在实际应用中的表现却并不尽如人意。为此，近年来有不少研究者开始着手于研究对各种不同质量红外图像足够鲁棒的识别技术，目前虽已取得了一些进展，但离实用仍有很长的一段差距。一方面，由于处理低质量红外图像而被引入的额外手段往往十分复杂，会大大增加红外图像识别系统的复杂度，使得红外图像识别耗费时间更长——这对于多数实际应用是不可接受的；另一方面，不受红外图像样本因素影响的红外图像识别算法是难以获得的。

在基于视频流的自动红外图像识别应用中，获得的红外图像数量通常较多，如果对红外图像样本进行质量评价，筛选较为合适的样本用于识别，这无疑会提高自动红外图像识别系统的准确率；即使样本数目有限，也可以依据质量评价结果来选用相应的红外图像预处理方法来提高识别率。另外，根据红外图像的质量情况来调整分类器的阈值或其它参数能有效地降低错误拒绝率(FRR)或错误接受率(FAR)，亦可提高红外图像识别的实用性能。可见，在自动红外图像识别系统中引入红外图像质量评价环节是一条推动红外图像识别实用化的重要途径。因此，近几年来红外图像的质量评价逐渐引起了人们的关注，关于红外图像质量评价的评价框架和相关指标的研究工作也已有一些公开报道，但关于红外图像质量评价方法的研究目前还并不充分，人们往往是直接借用传统的红外图像质量评价方法，其评价结果与实际情况可能存在一定差距。

在基于视频流的自动红外图像识别应用中，自动检测采集到的红外图像不清晰的情况时有发生。不清晰的红外图像不但会影响红外图像识别的准确率，而且还会影响其它红外图像质量指标的评价，故本发明将清晰度选作研究对象。影响红外图像清晰度的原因主要有图像模糊和采集噪声干扰。忽略采集噪声，摄像机对焦失准或拍摄瞬间沿摄像机光轴方向快速运动会造成离焦模糊，拍摄瞬间图像垂直于摄像机光轴方向快速运动会造成运动模糊，实际上这两种模糊经常是并存的。传统的红外图像质量评价往往是考察经过计算压缩、传输、增强或其他处理变换后的红外图像与原始红外图像质量上的差别，在评价时通常有“标准红外图像”可供参照。因此，无论是具有计算简单优点而被广泛使用的均方差(MSE)和峰值信噪比(PSNR)方法，还是更符合人眼视觉系统(HVS)特性的结构相似度(SSIM)方法或基于自然场景统计(NSS)的视觉信息逼真度(VIF)方法，由于必须得通过将变换后的红外图像与标准红外图像进行比较来做出质量评价，故皆不适合作为自动红外图像识别中的图像清晰度评价方法。另一方面，无需参考红外图像的图像质量评价方法相对较少，且主要用于红外图像自修复参数的辨识(如对点扩散函数PSF的估计等)，其中的特征提取过程较为复杂，计算耗时长，故难以满足自动红外图像识别系统的时间要求。于是，又提出了通过衡量红外图像梯度统计信息或高频部分能量来评价红外图像清晰度的方法。这两种方法虽然无需参考红外图像，而且简单快速，但是其实并不可靠。这是因为运动模糊图像的边缘不是在所有方向都是模糊的，与运动方向垂直的方向上的边缘并没有发生退化，而且运动模糊还会产生新的锐利边缘(例如一个亮点可能在运动模糊后形成一条线)，所以不能完全依据边缘信息来判断红外图像模糊程度。

发明内容

本发明的目的在于克服上述问题，提供一种基于倒谱的红外图像清晰度评价方法，不仅避免了模糊参数难以辨识的问题，而且使算法得以大大简化，提高了清晰度评价速度。

本发明的目的通过下述技术方案实现：

一种基于倒谱的红外图像清晰度评价方法，包括以下步骤：

A、输入清晰的红外图像；

B、对输入的红外图像通过人工模拟分别进行运动模糊和离焦模糊效果的降质处理；

C、对步骤B中进行降质处理后的红外图像进行倒谱域的变换；

D、对经过步骤C倒谱域的图像进行二值化，并在二值化倒谱域中计算亮点的平均能量E；

E、设定好E₀值，再采用二分法使步骤D中算得的E满足E＜E₀，并对红外图像清晰度进行计算评价。

步骤B中红外图像的降质过程可用下面的数学模型来描述：

g(x,y)＝f(x,y)*h(x,y)+n(x,y),(1)

其中f(x,y)为输入的清晰红外图像，h(x,y)为点扩散函数,n(x,y)为加性噪声；在这个模型里，输出降质红外图像g(x,y)被表示为f(x,y)与h(x,y)的卷积再加上n(x,y)，忽略噪声的影响，式(1)可写为：

g(x,y)＝f(x,y)*h(x,y)；(2)

考察匀速直线运动产生的运动模糊，拍摄瞬间物体相对镜头的位移大小为d，运动方向与水平轴的夹角为θ，则由其导致的点扩散函数为：

$h(x,y)=\left\{\begin{array}{cc}\frac{1}{d},& y=xtan\mathrm{\θ},\sqrt{x^2+y^2}\≤d/2\\ 0,& elsewhere\end{array}\right.,---\left(3\right)$

另外，由几何光学分析可知，一个散焦半径为R的点扩散函数可描述为：

$h(x,y)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\πR}}^2},& \sqrt{x^2+y^2}\≤R\\ 0,& elsewhere\end{array}\right.,---\left(4\right)$

于是，通过式(2)－(4)，用一张清晰红外图像可分别人工模拟出其不同程度的运动模糊和离焦模糊效果。

步骤C中先对步骤B中处理过的红外图像g(x，y)进行傅立叶变换，其变换公式为：

G(u,v)＝F{g(x,y)}，(5)

接着再进行倒谱域的变换，其倒谱域变换公式为：

Cep{I(x,y)}＝F-1{log|G(u,v)|},(6)

式中F{·}和F-1{·}分别表示傅立叶变换和反傅立叶变换，|·|表示求复数模，由式(2)、(6)可得：

Cep{g(x,y)}＝Cep{f(x,y)}+Cep{h(x,y)}。(7)

步骤D中将降至处理后的红外图像进行二值化，先设定一个阈值参数k，把图像灰度值大于等于k时的像素值置为255，把图像灰度值小于k时的像素值置为0，如此既完成了图像的二值化过程得到二值化倒谱域；

将二值化倒谱域中亮点的平均能量E定义为：

$E=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}W(i,j)\×C(i,j),---\left(8\right)$

式中权值W(i,j)定义为点(i,j)到中心点(ic,jc)的距离，C(i,j)定义为点(i,j)的二值化实倒谱值：

$W(i,j)=\sqrt{{(i-i_c)}^2+{(j-j_c)}^2},---\left(9\right)$

$C(i,j)=\left\{\begin{array}{cc}1& Cep(i,j)\&GreaterEqual;T\\ 0& Cep(i,j)<T\end{array}\right.,---\left(10\right)$

其中，Cep(i,j)为点(i,j)的倒谱值，T为选取的二值化阈值，对同一幅待评价红外图像来说，当T值增大时，E值减小，当T值保持不变时，红外图像越模糊，E值越大。

步骤E中的E₀的值预设为0.01，再采用二分法在(0,1)区间内搜索T，使通过式(8)算得的E满足E＜E₀，其中红外图像清晰度评价函数为：

Score＝(1-T)×100％。(11)

本发明与现有技术相比，具有以下优点及有益效果：

本发明提出的倒谱域清晰度评价方法具有算法简单，限制条件少的优点；倒谱变换中的大部分计算量由傅立叶变换和反傅立叶变换产生，采用快速傅立叶变换(FFT)方法可大大减少计算时间；如果红外图像比较大，为了减少评价时间，可缩小评价区域，截取部分区域进行上述计算；此外，降低评价精度将减少搜索次数，也能减少清晰度评价时间。

附图说明

图1为本发明的步骤框图。

图2为清晰的红外图像与二值化处理后的图像的对比图。

图3为运动模糊后的红外图像与二值化处理后的图像的对比图。

图4为离焦模糊后的红外图像与二值化处理后的图像的对比图。

具体实施方式

下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于倒谱的红外图像清晰度评价方法，包括以下步骤：

A、输入清晰的红外图像；

B、对输入的红外图像通过人工模拟分别进行运动模糊和离焦模糊效果的降质处理；

降质过程可用下面的数学模型来描述：

g(x,y)＝f(x,y)*h(x,y)+n(x,y),(1)

其中f(x,y)为输入的清晰红外图像，h(x,y)为点扩散函数,n(x,y)为加性噪声；在这个模型里，输出降质红外图像g(x,y)被表示为f(x,y)与h(x,y)的卷积再加上n(x,y)，忽略噪声的影响，式(1)可写为：

g(x,y)＝f(x,y)*h(x,y)；(2)

考察匀速直线运动产生的运动模糊，拍摄瞬间物体相对镜头的位移大小为d，运动方向与水平轴的夹角为θ，则由其导致的点扩散函数为：

$h(x,y)=\left\{\begin{array}{cc}\frac{1}{d},& y=xtan\mathrm{\&theta;},\sqrt{x^2+y^2}\&le;d/2\\ 0,& elsewhere\end{array}\right.,---\left(3\right)$

另外，由几何光学分析可知，一个散焦半径为R的点扩散函数可描述为：

$h(x,y)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\&pi;R}}^2},& \sqrt{x^2+y^2}\&le;R\\ 0,& elsewhere\end{array}\right.,---\left(4\right)$

于是，通过式(2)－(4)，用一张清晰红外图像可分别人工模拟出其不同程度的运动模糊和离焦模糊效果。

C、对步骤B中进行降质处理后的红外图像进行倒谱域的变换；

先对步骤B中处理过的红外图像g(x，y)进行傅立叶变换，其变换公式为：

G(u,v)＝F{g(x,y)}，(5)

接着再进行倒谱域的变换，其倒谱域变换公式为：

Cep{I(x,y)}＝F-1{log|G(u,v)|},(6)

式中F{·}和F-1{·}分别表示傅立叶变换和反傅立叶变换，|·|表示求复数模，由式(2)、(6)可得：

Cep{g(x,y)}＝Cep{f(x,y)}+Cep{h(x,y)}。(7)

由此可见，倒谱域变换的一个重要性质是：在倒谱域内，模糊红外图像的倒谱可分解为清晰红外图像的倒谱和点扩散函数的倒谱的性线叠加。

D、对经过步骤C倒谱域的图像进行二值化，并在二值化倒谱域中计算亮点的平均能量E；如图2-4所示，其中图2为清晰的红外图像与二值化处理后的图像的对比图；图3为运动模糊后的红外图像与二值化处理后的图像的对比图；图4为离焦模糊后的红外图像与二值化处理后的图像的对比图。

将降至处理后的红外图像进行二值化，先设定一个阈值参数k，把图像灰度值大于等于k时的像素值置为255，把图像灰度值小于k时的像素值置为0，如此既完成了图像的二值化过程得到二值化倒谱域；

将二值化倒谱域中亮点的平均能量E定义为：

$E=\frac{1}{M\&times;N}\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}W(i,j)\&times;C(i,j),---\left(8\right)$

式中权值W(i,j)定义为点(i,j)到中心点(ic,jc)的距离，C(i,j)定义为点(i,j)的二值化实倒谱值：

$W(i,j)=\sqrt{{(i-i_c)}^2+{(j-j_c)}^2},---\left(9\right)$

$C(i,j)=\left\{\begin{array}{cc}1& Cep(i,j)\&GreaterEqual;T\\ 0& Cep(i,j)<T\end{array}\right.,---\left(10\right)$

其中，Cep(i,j)为点(i,j)的倒谱值，T为选取的二值化阈值，对同一幅待评价红外图像来说，当T值增大时，E值减小，当T值保持不变时，红外图像越模糊，E值越大。

E、设定好E₀值，再采用二分法使步骤D中算得的E满足E＜E₀，并对红外图像清晰度进行计算评价。

E₀的值预设为0.01，再采用二分法在(0,1)区间内搜索T，使通过式(8)算得的E满足E＜E₀，其中红外图像清晰度评价函数为：

Score＝(1-T)×100％。(11)

由此可见，本发明提出的倒谱域清晰度评价方法具有算法简单，限制条件少的优点。倒谱变换中的大部分计算量由傅立叶变换和反傅立叶变换产生，采用快速傅立叶变换(FFT)方法可大大减少计算时间。如果红外图像比较大，为了减少评价时间，可缩小评价区域，截取部分区域进行上述计算。此外，降低评价精度将减少搜索次数，也能减少清晰度评价时间。

如上所述，便可很好的实现本发明。

Claims (5)

1.一种基于倒谱的红外图像清晰度评价方法，其特征在于：包括以下步骤：

A、输入清晰的红外图像；

B、对输入的红外图像通过人工模拟分别进行运动模糊和离焦模糊效果的降质处理；

C、对步骤B中进行降质处理后的红外图像进行倒谱域的变换；

D、对经过步骤C倒谱域的图像进行二值化，并在二值化倒谱域中计算亮点的平均能量E；

E、设定好E₀值，再采用二分法使步骤D中算得的E满足E＜E₀，并对红外图像清晰度进行计算评价。

2.根据权利要求1所述的一种基于倒谱的红外图像清晰度评价方法，其特征在于：步骤B中红外图像的降质过程可用下面的数学模型来描述：

g(x,y)＝f(x,y)*h(x,y)+n(x,y),(1)

其中f(x,y)为输入的清晰红外图像，h(x,y)为点扩散函数,n(x,y)为加性噪声；在这个模型里，输出降质红外图像g(x,y)被表示为f(x,y)与h(x,y)的卷积再加上n(x,y)，忽略噪声的影响，式(1)可写为：

g(x,y)＝f(x,y)*h(x,y)；(2)

考察匀速直线运动产生的运动模糊，拍摄瞬间物体相对镜头的位移大小为d，运动方向与水平轴的夹角为θ，则由其导致的点扩散函数为：

$h(x,y)=\left\{\begin{array}{cc}\frac{1}{d},& y=xtan\mathrm{\&theta;},\sqrt{x^2+y^2}\&le;d/2\\ 0,& elsewhere\end{array}\right.,---\left(3\right)$

另外，由几何光学分析可知，一个散焦半径为R的点扩散函数可描述为：

$h(x,y)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\&pi;R}}^2},& \sqrt{x^2+y^2}\&le;R\\ 0,& elsewhere\end{array}\right.,---\left(4\right)$

于是，通过式(2)－(4)，用一张清晰红外图像可分别人工模拟出其不同程度的运动模糊和离焦模糊效果。

3.根据权利要求2所述的一种基于倒谱的红外图像清晰度评价方法，其特征在于：步骤C中先对步骤B中处理过的红外图像g(x，y)进行傅立叶变换，其变换公式为：

G(u,v)＝F{g(x,y)}，(5)

接着再进行倒谱域的变换，其倒谱域变换公式为：

Cep{I(x,y)}＝F-1{log|G(u,v)|},(6)

式中F{·}和F-1{·}分别表示傅立叶变换和反傅立叶变换，|·|表示求复数模，由式(2)、(6)可得：

Cep{g(x,y)}＝Cep{f(x,y)}+Cep{h(x,y)}。(7)

4.根据权利要求3所述的一种基于倒谱的红外图像清晰度评价方法，其特征在于：步骤D中将降质处理后的红外图像进行二值化，先设定一个阈值参数k，把图像灰度值大于等于k时的像素值置为255，把图像灰度值小于k时的像素值置为0，如此既完成了图像的二值化过程得到二值化倒谱域；

将二值化倒谱域中亮点的平均能量E定义为：

$E=\frac{1}{M\&times;N}\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}W(i,j)\&times;C(i,j),---\left(8\right)$

式中权值W(i,j)定义为点(i,j)到中心点(ic,jc)的距离，C(i,j)定义为点(i,j)的二值化实倒谱值：

$W(i,j)=\sqrt{{(i-i_c)}^2+{(j-j_c)}^2},---\left(9\right)$

$C(i,j)=\left\{\begin{array}{cc}1& Cep(i,j)\&GreaterEqual;T\\ 0& Cep(i,j)<T\end{array}\right.,---\left(10\right)$

其中，Cep(i,j)为点(i,j)的倒谱值，T为选取的二值化阈值，对同一幅待评价红外图像来说，当T值增大时，E值减小，当T值保持不变时，红外图像越模糊，E值越大。

5.根据权利要求4所述的一种基于倒谱的红外图像清晰度评价方法，其特征在于：步骤E中的E₀的值预设为0.01，再采用二分法在(0,1)区间内搜索T，使通过式(8)算得的E满足E＜E₀，其中红外图像清晰度评价函数为：

Score＝(1-T)×100％。(11)