CN105931257B - 基于纹理特征和结构相似度的sar图像质量评估方法 - Google Patents

基于纹理特征和结构相似度的sar图像质量评估方法 Download PDF

Info

Publication number
CN105931257B
CN105931257B CN201610407766.0A CN201610407766A CN105931257B CN 105931257 B CN105931257 B CN 105931257B CN 201610407766 A CN201610407766 A CN 201610407766A CN 105931257 B CN105931257 B CN 105931257B
Authority
CN
China
Prior art keywords
sar image
matrix
regarding
row
gray
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610407766.0A
Other languages
English (en)
Other versions
CN105931257A (zh
Inventor
候彪
焦李成
鞠贵林
王爽
张向荣
马文萍
马晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201610407766.0A priority Critical patent/CN105931257B/zh
Publication of CN105931257A publication Critical patent/CN105931257A/zh
Application granted granted Critical
Publication of CN105931257B publication Critical patent/CN105931257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

一种基于纹理特征和结构相似度的SAR图像质量评估方法，主要针对已有结构相似度算法的不足，把SAR图像纹理特征和结构相似度算法结合起来，利用SAR图像的灰度不均匀度，对多视SAR图像的质量进行评价，消除了指标中的负值，且提高了指标的精度。其实现步骤是：(1)分别输入一幅原始SAR图像和一幅多视SAR图像；(2)预评估；(3)评估能量结构相似度的均值；(4)取得多视SAR图像的灰度不均匀度；(5)拟合多视SAR图像的灰度不均匀度曲线；(6)拟合多视SAR图像的能量结构相似度矩阵的均值曲线；(7)评估多视SAR图像的图像质量。

Description

基于纹理特征和结构相似度的SAR图像质量评估方法
技术领域
本发明属于计算机技术领域，更进一步涉及图像处理技术领域中的一种基于纹理特征和结构相似度的SAR图像质量评估方法。本发明可用于评估多视情况下SAR图像的图像质量，通过利用SAR图像的纹理特征和结构相似度方法来评估SAR图像的灰度是否均匀，图像纹理是否柔和，以达到和人类视觉系统有统一的评价结果，本评估方法可用于分析SAR图像性质、SAR图像分类，SAR图像边缘检测等领域。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)技术近年来应用得越来越广泛。SAR图像与普通光学遥感图像相比，具有可以全天候获取的特点，并且随着SAR图像分辨率不断提高，基于它的图像处理技术也越来越多。在SAR图像成像过程中经常利用到多视方法，而多视情况的SAR图像质量，对于SAR图像的性质研究至关重要。
Shuhong Jiao等人在其发表的论文“SAR Image Quality Assessment Based onSSIM Using Textural Feature”(2013Seventh International Conference on Imageand Graphics)中提出了利用纹理特征的结构相似度算法来对于SAR图像质量评估。该方法中第一步计算了原SAR图像的灰度共生矩阵，之后计算灰度共生矩阵的相关性性质；第二步计算SAR图像的亮度、对比度和结构三个性质，并实现结构相似度算法；第三步通过利用相关性性质改进SAR图像结构性质并融入到结构相似度算法中，计算纹理结构相似度值，实现了SAR图像的质量评估。该方法存在的不足之处是，其第三步采用纹理的相关性指标评估SAR图像存在负相关的缺陷。
Lic.Mirko等人在其发表的论文“SAR Image Quality Assessment”(Master InEmergency Early Warning and Response Space Applications March 2012)中提出了利用空间分辨率，峰值旁瓣比等性质参数对成像过程中的SAR图像进行质量评估。该方法第一步提取了SAR图像成像中的点目标的距离向脉冲响应函数和方位向脉冲响应函数；第二步通过利用脉冲响应函数，计算得到SAR图像成像过程中的空间分辨率、峰值旁瓣比、积分旁瓣比等性质参数；第三步通过比对性质参数与要求成像时的参数值，从而评估出SAR图像成像性质的好坏。该方法存在的不足之处是，未涉及SAR图像本身的图像指标以及存在指标参数单一，只有参数值比较等缺陷。
发明内容
本发明的目的在于克服上述现有技术存在的不足，将SAR图像纹理特征和结构相似度算法结合起来，利用SAR图像的灰度不均匀度，提供一种基于纹理特征和结构相似度的SAR图像质量评估方法。本发明用于对多视SAR图像的质量进行评价，消除了评价指标中的负值，且提高评价指标的精度。
为实现上述目的，本发明在评估多视SAR图像时，首先利用原始SAR图像的灰度均值和方差和多视SAR图像的灰度均值和方差进行预评估，再利用多视SAR图像的能量结构相似度均值和多视SAR图像的灰度不均匀度对多视SAR图像进行评价。
本发明包括如下步骤：
(1)分别输入一幅原始SAR图像和一幅多视SAR图像；
(2)预评估：
(2a)计算原始SAR图像的灰度指标；
(2b)计算多视SAR图像的灰度指标；
(2c)对原始SAR图像与多视SAR图像的灰度指标中的灰度均值和灰度方差，分别进行大小的预评估；
(3)评估能量结构相似度均值：
(3a)对原始SAR图像的灰度均值、灰度方差和能量值标准差与多视SAR图像对应的性质进行进一步操作，得到多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵；
(3b)将多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵相乘，得到多视SAR图像的能量结构相似度矩阵；
(3c)利用下式，计算多视SAR图像的能量结构相似度矩阵的均值：
其中，MC表示多视SAR图像的能量结构相似度矩阵的均值，N表示N行N列的多视SAR图像的能量结构相似度矩阵的行的总数和列的总数，m表示第m行的多视SAR图像的能量结构相似度矩阵，n表示第n列的多视SAR图像的能量结构相似度矩阵，∑表示求和操作，C(f0,f1)表示N行N列的多视SAR图像的能量结构相似度矩阵，f0表示原始SAR图像的灰度值，f1表示多视SAR图像矩阵的灰度值；
(3d)利用多视SAR图像的能量结构相似度矩阵的均值与1的接近程度评估多视SAR图像质量；
(4)取得多视SAR图像的灰度不均匀度：
(4a)计算多视SAR图像的梯度矩阵的值后进行取整操作；
(4b)利用取整操作后的多视SAR图像梯度矩阵的值与多视SAR图像的灰度值组成灰度梯度共生矩阵；
(4c)利用下式，计算多视SAR图像的灰度不均匀度：
其中，T表示多视SAR图像的灰度不均匀度，∑表示求和操作，Ng表示多视SAR图像的灰度梯度共生矩阵的行的总数，Ns表示多视SAR图像的灰度梯度共生矩阵的列的总数，a表示第a行的多视SAR图像的灰度梯度共生矩阵，b表示第b列的多视SAR图像的灰度梯度共生矩阵，Hab表示在a行b列处多视SAR图像的灰度梯度共生矩阵的灰度值，H表示多视SAR图像的灰度梯度共生矩阵的灰度值的总和；
(5)拟合多视SAR图像的灰度不均匀度曲线：
以多视SAR图像的视数为横轴，以多视SAR图像的灰度不均匀度为纵轴，画出平面坐标系中的多视SAR图像的灰度不均匀度曲线，评估多视SAR图像的灰度不均匀度的变化；
(6)拟合多视SAR图像的能量结构相似度矩阵的均值曲线：
以多视SAR图像的视数为横轴，以取得的多视SAR图像的能量结构相似度矩阵的均值为纵轴，画出平面坐标系中的多视SAR图像的能量结构相似度矩阵的均值曲线，评估多视SAR图像的能量结构相似度矩阵的均值的变化。
(7)基于步骤(5)和步骤(6)得到的曲线图对多视SAR图像的质量进行评估。
本发明与现有的技术相比具有以下优点：
第一，由于本发明利用多视SAR图像的能量结构相似度矩阵的均值与1的接近程度，评估多视SAR图像质量，克服了现有技术采用纹理的相关性指标评估SAR图像存在负相关的缺陷，使得本发明保证了评估多视SAR图像质量时评估指标均为正值，指标的正值保证了评估多视SAR图像质量的正相关。
第二，由于本发明利用多视SAR图像的灰度不均匀度曲线评估多视SAR图像的灰度不均匀度的变化，克服了现有技术未涉及SAR图像本身的图像指标以及存在指标参数单一，只有参数值比较等缺陷，使得本发明利用了多视SAR图像的灰度性质，并且可以通过多视SAR图像的灰度不均匀度曲线直观的看出多视SAR图像的灰度不均匀度的变化。
附图说明
图1是本发明的流程图；
图2是本发明使用的原始SAR图像和多视SAR图像；
图3是本发明的多视SAR图像的灰度不均匀度曲线图；
图4是本发明的多视SAR图像的能量结构相似度矩阵的均值曲线图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，对本发明的具体实现步骤做进一步的描述。
步骤1，分别输入一幅原始SAR图像和一幅多视SAR图像。
步骤2，预评估。
计算原始SAR图像的灰度指标，具体步骤如下：
按照下式，计算原始SAR图像的灰度均值。
其中，μ0表示原始SAR图像的灰度均值，M1表示原始SAR图像矩阵的行的总数，N1表示原始SAR图像矩阵的列的总数，∑表示求和操作，i表示第i行的原始SAR图像，j表示第j列的原始SAR图像，fi,j表示在第i行第j列处原始SAR图像矩阵的灰度值。
按照下式，计算原始SAR图像的灰度方差。
其中，表示原始SAR图像的灰度方差，M1表示原始SAR图像矩阵的行的总数，N1表示原始SAR图像矩阵的列的总数，∑表示求和操作，i表示第i行的原始SAR图像，j表示第j列的原始SAR图像，fi,j表示在第i行第j列处的原始SAR图像矩阵的灰度值，μ0表示原始SAR图像的灰度均值。
计算多视SAR图像的灰度指标，具体步骤如下：
按照下式，计算多视SAR图像的灰度均值。
其中，μ1表示多视SAR图像的灰度均值，M2表示多视SAR图像矩阵的行的总数，N2表示多视SAR图像矩阵的列的总数，∑表示求和操作，p表示第p行的多视SAR图像，q表示第q列的多视SAR图像，fp,q表示在第p行第q列处多视SAR图像矩阵的灰度值。
按照下式，计算多视SAR图像的灰度方差。
其中，表示多视SAR图像的灰度方差，M2表示多视SAR图像矩阵的行的总数，N2表示多视SAR图像矩阵的列的总数，∑表示求和操作，p表示第p行的多视SAR图像，q表示第q列的多视SAR图像，fp,q表示在第p行第q列处多视SAR图像矩阵的灰度值，μ1表示多视SAR图像的灰度均值。
对原始SAR图像与多视SAR图像的灰度指标的灰度均值和灰度方差分别进行大小的预评估。
步骤3，评估能量结构相似度均值。
对原始SAR图像的灰度均值、灰度方差和能量标准差与多视SAR图像对应的性质进行进一步操作，得到多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵，具体操作的步骤如下：
按照下式，计算多视SAR图像的亮度矩阵：
其中，L表示多视SAR图像的亮度矩阵，μ0和μ1分别表示原始SAR图像和多视SAR图像的灰度均值，K1表示防止分母为零的值，取值为0.01。
按照下式，计算多视SAR图像的对比度矩阵：
其中，Q表示多视SAR图像的对比度矩阵，σ0和σ1分别表示原始SAR图像和多视SAR图像的灰度标准差，和分别表示原始SAR图像和多视SAR图像的灰度方差，K2表示防止分母为零的值，取值为0.01。
按照下式，计算多视SAR图像的能量矩阵：
其中，ES表示多视SAR图像的能量矩阵，cov表示原始SAR图像能量值与多视SAR图像能量值得协方差，σA0和σA1分别表示原始SAR图像和多视SAR图像的能量标准差，K3表示防止分母为零的值，取值为0.005。
利用多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵相乘得到多视SAR图像的能量结构相似度矩阵。
按照下式，计算多视SAR图像的能量结构相似度矩阵的均值。
其中，MC表示多视SAR图像的能量结构相似度矩阵的均值，N表示N行N列的多视SAR图像的能量结构相似度矩阵的行的总数和列的总数，m表示第m行的多视SAR图像的能量结构相似度矩阵，n表示第n列的多视SAR图像的能量结构相似度矩阵，∑表示求和操作，C(f0,f1)表示N行N列的多视SAR图像的能量结构相似度矩阵，f0表示原始SAR图像的灰度值，f1表示多视SAR图像矩阵的灰度值。
利用多视SAR图像的能量结构相似度矩阵的均值与1的接近程度评估多视SAR图像质量。
步骤4，取得多视SAR图像的灰度不均匀度。
计算多视SAR图像的梯度矩阵的值后进行取整操作，先计算多视SAR图像的梯度矩阵的值，之后进行取整操作的具体步骤如下：
按照下式，计算多视SAR图像的梯度矩阵的值。
g(r,s)＝|Δfr(r,s)|+|Δfs(r,s)|
其中，g(r,s)表示第r行第s列的多视SAR图像梯度矩阵的值，||表示取绝对值操作，Δ表示一阶差分操作，fr(r,s)表示第r行方向上的第r行第s列的多视SAR图像的灰度值，fs(r,s)表示第s列方向上的第r行第s列的多视SAR图像的灰度值，r表示第r行的多视SAR图像，s表示第s列的多视SAR图像。
按照下式，对多视SAR图像的梯度矩阵的值进行取整操作。
G(r,s)＝INT[g(r,s)×Nc/gmax]+1
其中，G(r,s)表示第r行第s列取整后的多视SAR图像梯度矩阵的值，INT表示取整操作，g(r,s)表示第r行第s列的多视SAR图像梯度矩阵的值，r表示第r行的多视SAR图像，s表示第s列的多视SAR图像，Nc表示多视SAR图像梯度矩阵的列的总数，gmax表示多视SAR图像梯度矩阵中的最大梯度值。
利用取整操作后的多视SAR图像梯度矩阵的值与多视SAR图像的灰度值组成灰度梯度共生矩阵，按照下式，组成灰度梯度共生矩阵。
H(X,Y)＝{n|G(r,s),f1(r,s),r＝1,...,X,s＝1,...,Y}
其中，H(X,Y)表示第X行第Y列的多视SAR图像的灰度梯度共生矩阵，n表示多视SAR图像的灰度梯度共生矩阵第X行第Y列的值，X表示多视SAR图像的灰度梯度共生矩阵的行值，Y表示多视SAR图像的灰度梯度共生矩阵的列值，G(r,s)表示第r行第s列的取整后的多视SAR图像梯度矩阵的值，f1(r,s)表示第r行第s列的多视SAR图像的灰度值，r表示第r行的多视SAR图像，s表示第s列的多视SAR图像。
利用下式，计算多视SAR图像的灰度不均匀度。
其中，T表示多视SAR图像的灰度不均匀度，∑表示求和操作，Ng表示多视SAR图像的灰度梯度共生矩阵的行的总数，Ns表示多视SAR图像的灰度梯度共生矩阵的列的总数，a表示第a行的多视SAR图像的灰度梯度共生矩阵，b表示第b列的多视SAR图像的灰度梯度共生矩阵，Hab表示在a行b列处多视SAR图像的灰度梯度共生矩阵的灰度值，H表示多视SAR图像的灰度梯度共生矩阵的灰度值的总和。
步骤5，拟合多视SAR图像的灰度不均匀度曲线。
以多视SAR图像的视数为横轴，以多视SAR图像的灰度不均匀度为纵轴，画出平面坐标系中的多视SAR图像的灰度不均匀度曲线，评估多视SAR图像的灰度不均匀度的变化。
步骤6，拟合多视SAR图像的能量结构相似度矩阵的均值曲线。
以多视SAR图像的视数为横轴，以取得的多视SAR图像的能量结构相似度矩阵的均值为纵轴，画出平面坐标系中的多视SAR图像的能量结构相似度矩阵的均值曲线，评估多视SAR图像的能量结构相似度矩阵的均值的变化。
步骤7，基于步骤(5)和步骤(6)得到的曲线图对多视SAR图像的质量进行评估。
下面结合仿真对本发明的效果做进一步的说明
1、仿真实验条件：
本发明仿真实验的计算机配置环境为Intel(R)Core i7-4790 3.6GHZ、内存4G、WINDOWS 8操作系统，仿真软件采用MATLAB R2015a。
2、仿真内容与结果分析：
图2是本发明仿真图，其中图2(a)是本发明实验中使用的原始SAR图像，该图像是通过人工生成SAR图像纹理，其中一半为深灰度，另一半为浅灰度，利用灰度的区别产生了SAR图像的纹理。图2(b)是1视的多视SAR图像；图2(c)是2视的多视SAR图像；图2(d)是4视的多视SAR图像；图2(e)是8视的多视SAR图像；图2(f)是12视的多视SAR图像。
表1多视SAR图像质量评价指标对比
本发明的仿真实验通过对于多视SAR图像的结构相似度和多视SAR图像的能量结构相似度的均值进行比较，并拟合结构相似度和能量结构相似度的曲线。通过表1，可以看出本发明的方法比结构相似度更加接近于1，说明本发明的方法用于评价多视SAR图像质量精度更高，更加适合于评价多视SAR图像。
图3是本发明对多视SAR图像的评价指标曲线与结构相似度对多视SAR图像的评价指标曲线的对比实验图，以*线标示的曲线是多视SAR图像结构相似度的曲线，以直线标示的曲线是多视SAR图像的能量结构相似度矩阵的均值曲线。从图3中可以看出，本发明的评价指标比结构相似度的评价指标更加接近于1且曲线更加平稳，说明本发明的精度比结构相似度方法的精度更高，更加适合于评价多视SAR图像。
图4是多视SAR图像的灰度不均匀度曲线，从图4中可以看到，多视SAR图像的灰度不均匀度平稳下降，说明多视SAR图像的灰度不均匀度随视数变化逐渐减下，图像灰度逐渐趋于均匀，说明多视SAR图像的质量随视数增大质量也越来越好。

Claims (6)

1.一种基于纹理特征和结构相似度的SAR图像质量评估方法，包括如下步骤：
(1)分别输入一幅原始SAR图像和一幅多视SAR图像；
(2)预评估：
(2a)计算原始SAR图像的灰度指标；
(2b)计算多视SAR图像的灰度指标；
(2c)对原始SAR图像与多视SAR图像的灰度指标中的灰度均值和灰度方差，分别进行大小的预评估；
(3)评估能量结构相似度均值：
(3a)对原始SAR图像的灰度均值、灰度方差和能量标准差与多视SAR图像对应的性质进行进一步操作，得到多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵；
(3b)将多视SAR图像的亮度矩阵、多视SAR图像的对比度矩阵和多视SAR图像的能量矩阵相乘，得到多视SAR图像的能量结构相似度矩阵；
(3c)利用下式，计算多视SAR图像的能量结构相似度矩阵的均值：
其中，MC表示多视SAR图像的能量结构相似度矩阵的均值，N表示N行N列的多视SAR图像的能量结构相似度矩阵的行的总数和列的总数，m表示第m行的多视SAR图像的能量结构相似度矩阵，n表示第n列的多视SAR图像的能量结构相似度矩阵，∑表示求和操作，C(f0,f1)表示N行N列的多视SAR图像的能量结构相似度矩阵，f0表示原始SAR图像的灰度值，f1表示多视SAR图像矩阵的灰度值；
(3d)利用多视SAR图像的能量结构相似度矩阵的均值与1的接近程度评估多视SAR图像质量；
(4)取得多视SAR图像的灰度不均匀度：
(4a)计算多视SAR图像的梯度矩阵的值后进行取整操作；
(4b)利用取整操作后的多视SAR图像梯度矩阵的值与多视SAR图像的灰度值组成灰度梯度共生矩阵；
(4c)利用下式，计算多视SAR图像的灰度不均匀度：
其中，T表示多视SAR图像的灰度不均匀度，∑表示求和操作，Ng表示多视SAR图像的灰度梯度共生矩阵的行的总数，Ns表示多视SAR图像的灰度梯度共生矩阵的列的总数，a表示第a行的多视SAR图像的灰度梯度共生矩阵，b表示第b列的多视SAR图像的灰度梯度共生矩阵，Hab表示在a行b列处多视SAR图像的灰度梯度共生矩阵的灰度值，H表示多视SAR图像的灰度梯度共生矩阵的灰度值的总和；
(5)拟合多视SAR图像的灰度不均匀度曲线：
以多视SAR图像的视数为横轴，以多视SAR图像的灰度不均匀度为纵轴，画出平面坐标系中的多视SAR图像的灰度不均匀度曲线，评估多视SAR图像的灰度不均匀度的变化；
(6)拟合多视SAR图像的能量结构相似度矩阵的均值曲线：
以多视SAR图像的视数为横轴，以取得的多视SAR图像的能量结构相似度矩阵的均值为纵轴，画出平面坐标系中的多视SAR图像的能量结构相似度矩阵的均值曲线，评估多视SAR图像的能量结构相似度矩阵的均值的变化；
(7)基于步骤(5)和步骤(6)得到的曲线图对多视SAR图像的质量进行评估。
2.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法，其特征在于，步骤(2a)中所述的计算所有原始SAR图像的灰度指标具体步骤如下：
第1步，按照下式，计算原始SAR图像的灰度均值：
其中，μ0表示原始SAR图像的灰度均值，M1表示原始SAR图像矩阵的行的总数，N1表示原始SAR图像矩阵的列的总数，∑表示求和操作，i表示第i行的原始SAR图像，j表示第j列的原始SAR图像，f0(i,j)表示在第i行第j列处原始SAR图像矩阵的灰度值；
第2步，按照下式，计算原始SAR图像的灰度方差：
其中，表示原始SAR图像的灰度方差，M1表示原始SAR图像矩阵的行的总数，N1表示原始SAR图像矩阵的列的总数，∑表示求和操作，i表示第i行的原始SAR图像，j表示第j列的原始SAR图像，f0(i,j)表示在第i行第j列处的原始SAR图像矩阵的灰度值，μ0表示原始SAR图像的灰度均值。
3.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法，其特征在于，步骤(2b)中所述的计算所有多视SAR图像的灰度指标的具体步骤如下：
第1步，按照下式，计算多视SAR图像的灰度均值：
其中，μ1表示多视SAR图像的灰度均值，M2表示多视SAR图像矩阵的行的总数，N2表示多视SAR图像矩阵的列的总数，∑表示求和操作，i表示第i行的多视SAR图像，j表示第j列的多视SAR图像，f1(i,j)表示在第i行第j列处多视SAR图像矩阵的灰度值；
第2步，按照下式，计算多视SAR图像的灰度方差：
其中，表示多视SAR图像的灰度方差，M2表示多视SAR图像矩阵的行的总数，N2表示多视SAR图像矩阵的列的总数，∑表示求和操作，i表示第i行的多视SAR图像，j表示第j列的多视SAR图像，f1(i,j)表示在第i行第j列处多视SAR图像矩阵的灰度值，μ1表示多视SAR图像的灰度均值。
4.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法，其特征在于，步骤(3a)中所述的对原始SAR图像的灰度均值、灰度方差和能量标准差与多视SAR图像对应的性质进行进一步操作的具体步骤如下：
第1步，按照下式，计算多视SAR图像的亮度矩阵：
其中，L表示多视SAR图像的亮度矩阵，μ0和μ1分别表示原始SAR图像和多视SAR图像的灰度均值，K1表示防止分母为零的值，取值为0.01；
第2步，按照下式，计算多视SAR图像的对比度矩阵：
其中，Q表示多视SAR图像的对比度矩阵，σ0和σ1分别表示原始SAR图像和多视SAR图像的灰度标准差，和分别表示原始SAR图像和多视SAR图像的灰度方差，K2表示防止分母为零的值，取值为0.01；
第3步，按照下式，计算多视SAR图像的能量矩阵：
其中，ES表示多视SAR图像的能量矩阵，cov表示原始SAR图像能量值与多视SAR图像能量值得协方差，σA0和σA1分别表示原始SAR图像和多视SAR 图像的能量标准差，K3表示防止分母为零的值，取值为0.005。
5.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法，其特征在于，步骤(4a)中所述的先计算多视SAR图像的梯度矩阵的值，之后进行取整操作的具体步骤如下：
第1步，按照下式，计算多视SAR图像的梯度矩阵的值：
g(r,s)＝|Δfr(r,s)|+|Δfs(r,s)|
其中，g(r,s)表示第r行第s列的多视SAR图像梯度矩阵的值，||表示取绝对值操作，Δ表示一阶差分操作，fr(r,s)表示第r行方向上的第r行第s列的多视SAR图像的灰度值，fs(r,s)表示第s列方向上的第r行第s列的多视SAR图像的灰度值，r表示第r行的多视SAR图像，s表示第s列的多视SAR图像；
第2步，按照下式，对多视SAR图像的梯度矩阵的值进行取整操作：
G(r,s)＝INT[g(r,s)×Nc/gmax]+1
其中，G(r,s)表示第r行第s列取整后的多视SAR图像梯度矩阵的值，INT表示取整操作，g(r,s)表示第r行第s列的多视SAR图像梯度矩阵的值，r表示第r行的多视SAR图像，s表示第s列的多视SAR图像，Nc表示多视SAR图像梯度矩阵的列的总数，gmax表示多视SAR图像梯度矩阵中的最大梯度值。
6.根据权利要求1所述的基于纹理特征和结构相似度的SAR图像质量评估方法，其特征在于，步骤(4b)中所述的利用取整操作后的多视SAR图像梯度矩阵的值与多视SAR图像的灰度值组成灰度梯度共生矩阵，按照下式组成灰度梯度共生矩阵：
H(X,Y)＝{n|G(r,s),f1(r,s),r＝1,...,X,s＝1,...,Y}
其中，H(X,Y)表示第X行第Y列的多视SAR图像的灰度梯度共生矩阵，n表示多视SAR图像的灰度梯度共生矩阵第X行第Y列的值，X表示多视SAR 图像的灰度梯度共生矩阵的行值，Y表示多视SAR图像的灰度梯度共生矩阵的列值，G(r,s)表示第r行第s列的取整后的多视SAR图像梯度矩阵的值，f1(r,s)表示第r行第s列的多视SAR图像的灰度值，r表示第r行的多视SAR图像，s表示第s列的多视SAR图像。
CN201610407766.0A 2016-06-12 2016-06-12 基于纹理特征和结构相似度的sar图像质量评估方法 Active CN105931257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610407766.0A CN105931257B (zh) 2016-06-12 2016-06-12 基于纹理特征和结构相似度的sar图像质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610407766.0A CN105931257B (zh) 2016-06-12 2016-06-12 基于纹理特征和结构相似度的sar图像质量评估方法

Publications (2)

Publication Number Publication Date
CN105931257A CN105931257A (zh) 2016-09-07
CN105931257B true CN105931257B (zh) 2018-08-31

Family

ID=56832998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610407766.0A Active CN105931257B (zh) 2016-06-12 2016-06-12 基于纹理特征和结构相似度的sar图像质量评估方法

Country Status (1)

Country Link
CN (1) CN105931257B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108269277B (zh) * 2016-12-30 2022-03-08 清华大学 用于对辐射图像进行质量评价的方法和系统
CN107169537B (zh) * 2017-06-06 2020-05-01 百富计算机技术（深圳）有限公司 打印评价的方法、终端设备及计算机可读存储介质
CN107451608B (zh) * 2017-07-21 2020-08-04 西安电子科技大学 基于多视幅度统计特性的sar图像无参考质量评价方法
CN107610093B (zh) * 2017-08-02 2020-09-25 西安理工大学 基于相似性特征融合的全参考型图像质量评价方法
CN107845087B (zh) * 2017-10-09 2020-07-03 深圳市华星光电半导体显示技术有限公司 液晶面板亮度不均匀缺陷的检测方法和系统
CN108550145B (zh) * 2018-04-11 2021-01-29 北京环境特性研究所 一种sar图像质量评估方法和装置
CN113780422B (zh) * 2021-09-13 2023-06-27 北京环境特性研究所 背景杂波相似性评估方法及装置
CN114267076B (zh) * 2022-03-01 2022-05-27 天津所托瑞安汽车科技有限公司 一种图像识别方法、装置、设备及存储介质
CN115082508B (zh) * 2022-08-18 2022-11-22 山东省蓝睿科技开发有限公司 一种海洋浮标生产质量检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833766A (zh) * 2010-05-11 2010-09-15 天津大学 基于gssim的立体图像客观质量评价算法
CN101853504A (zh) * 2010-05-07 2010-10-06 厦门大学 基于视觉特性与结构相似度的图像质量评测方法
CN103903259A (zh) * 2014-03-20 2014-07-02 宁波大学 一种基于结构纹理分离的立体图像质量客观评价方法
CN104851098A (zh) * 2015-05-22 2015-08-19 天津大学 基于改进结构相似度的立体图像质量客观评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9064314B2 (en) * 2013-03-25 2015-06-23 Nvidia Corporation Robust automatic determination and location of MacBeth color checker charts

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853504A (zh) * 2010-05-07 2010-10-06 厦门大学 基于视觉特性与结构相似度的图像质量评测方法
CN101833766A (zh) * 2010-05-11 2010-09-15 天津大学 基于gssim的立体图像客观质量评价算法
CN103903259A (zh) * 2014-03-20 2014-07-02 宁波大学 一种基于结构纹理分离的立体图像质量客观评价方法
CN104851098A (zh) * 2015-05-22 2015-08-19 天津大学 基于改进结构相似度的立体图像质量客观评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multivariate statistical analysis of measures for assessing the quality of image fusion;Shuang Li等;《International Journal of Image and Data Fusion 》;20100217;第1卷(第1期);第47-66页 *
基于HVS结构相似度的极化SAR图像质量评价方法;刘锦帆等;《国外电子测量技术》;20151130;第34卷(第11期);第19-24页 *

Also Published As

Publication number Publication date
CN105931257A (zh) 2016-09-07

Similar Documents

Publication Publication Date Title
CN105931257B (zh) 基于纹理特征和结构相似度的sar图像质量评估方法
YongHua et al. Study on the identification of the wood surface defects based on texture features
Al Bashish et al. A framework for detection and classification of plant leaf and stem diseases
CN109284786B (zh) 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN110765912B (zh) 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法
CN110232389A (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
CN111476159A (zh) 一种基于双角回归的检测模型训练、检测方法及装置
US9652684B2 (en) Image processing for classification and segmentation of rock samples
CN105678734B (zh) 一种图像匹配系统的异源测试图像标定方法
CN106407951B (zh) 一种基于单目视觉的夜间前方车辆检测方法
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
CN102013095A (zh) 基于分布变换的多传感器图像融合方法
CN112699717A (zh) 基于gan网络的sar图像生成方法及生成装置
CN103389310A (zh) 一种基于辐射标定的亚像素光学元件损伤在线检测方法
CN106600613A (zh) 基于嵌入式gpu的改进lbp红外目标检测方法
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
Li et al. Sublingual vein extraction algorithm based on hyperspectral tongue imaging technology
CN109801208B (zh) 基于多gpu任务优化的sar图像变化检测方法
CN112949380B (zh) 一种基于激光雷达点云数据的智能水下目标识别系统
CN104077603B (zh) 类地重力场环境下室外场景单目视觉空间识别方法
CN116310837B (zh) 一种sar舰船目标旋转检测方法及系统
Newlands et al. Measurement of the size, shape and structure of Atlantic bluefin tuna schools in the open ocean
Liang et al. Relative saliency model over multiple images with an application to yarn surface evaluation
Jiang et al. A new segmentation algorithm for lunar surface terrain based on CCD images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant