CN107451608A - 基于多视幅度统计特性的sar图像无参考质量评价方法 - Google Patents
基于多视幅度统计特性的sar图像无参考质量评价方法 Download PDFInfo
- Publication number
- CN107451608A CN107451608A CN201710598854.8A CN201710598854A CN107451608A CN 107451608 A CN107451608 A CN 107451608A CN 201710598854 A CN201710598854 A CN 201710598854A CN 107451608 A CN107451608 A CN 107451608A
- Authority
- CN
- China
- Prior art keywords
- image
- pollution
- sar image
- sar
- class
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多视幅度统计特性的SAR图像无参考质量评价方法,主要解决现有技术实施难度高、稳定性低的问题。其实现方案是:1.从SAR图像数据库中提取训练样本和测试样本;2.计算SAR图像全局等效视数、局部最大等效视数及它们的比值;3.计算SAR图像的模糊相关系数;4.选取SAR图像中的匀质性区域拟合平方根伽马分布;5.提取所有样本的特征向量;6.设定特征向量的阈值,对噪声图像进行分类;7.对不同噪声污染类型的SAR图像分别训练质量评价预测模型;8.计算测试样本的质量值;9.根据测试样本质量值判断测试样本的质量。本发明极大地提高了SAR图像质量评价的实用性与准确性,可用于SAR图像的筛选。
Description
技术领域
本发明属于图像处理领域,特别涉及一种SAR图像质量评价方法,可用于对质量等级参差不齐的SAR图像数据进行鉴别,为用户使用SAR图像提供帮助,也可以为SAR系统的设计提供依据,为改进设计提供反馈信息。
技术背景
合成孔径雷达SAR是一种主动式的微波遥感成像雷达。与光学图像和红外图像相比,SAR不受光照、天气等条件的影响,可以实现全天时、全天候、高分辨、大面积成像。如今,SAR的应用越来越广泛,发展越来越迅猛。SAR作为雷达遥感领域的研究热点之一,其图像解译一直比较困难,这在一定程度上影响了SAR图像的应用。SAR图像质量是影响SAR图像解译的重要因素之一。影响SAR图像质量的常见的噪声污染类型有:高斯白噪声、散焦模糊和条带噪声。怎样从海量的SAR图像数据中自动筛选出高质量的、更有价值的SAR图像已成为迫切需要解决的课题之一。
现在国内外对于光学图像的质量评价已经取得了较大的进展,大量的质量评价算法被提出。这些算法大致可分为三类:全参考图像质量评价,部分参考图像质量评价和无参考图像质量评价。但是SAR图像与普通光学图像有着显著的不同。SAR是靠相干波主动成像,工作波段是微波段。SAR图像固有的斑点噪声严重影响了SAR图像的质量。在真实的SAR场景拍摄中,即使对同一场景的两次拍摄,也不一定能获得两张相同的图像。SAR图像特有的许多特性导致了用于光学图像质量评价的方法并不适用于SAR图像,因此需要专门设计针对SAR的图像质量评价方法。尤其是全参考质量评价和部分参考质量评价方法不再适用于SAR图像质量评价。
目前,专门针对SAR图像的质量评价研究已经取得了一定的发展。然而,与SAR图像解译的研究相比,对SAR图像质量评价的研究仍然比较滞后。在关于SAR图像质量评价的文献中,经常会提到均值、方差、等效视数、辐射分辨率、灰度分辨率、动态范围等客观评价指标,但是对这些指标的实际应用缺少有效的指导,单纯的使用这些指标进行质量评价效果并不好。基于点目标冲激响应函数进行质量评价也是常见的方法之一。A Martinez等人在文章“SAR Image Quality Assessment”中提出了提取强散射点目标并利用插值的方法构建点目标冲激响应函数,在已提前获取SAR系统某些工作参数的前提下,通过点目标冲激响应函数来计算SAR图像的距离向和方位向分辨率、峰值旁瓣比、积分旁瓣比等参数,以此来评估SAR图像的质量和SAR成像系统的性能。H Sun等人在文章“Parameter assessment forSAR image quality evaluation system”中基于点目标冲激响应函数初步建立了一个SAR图像质量客观评估系统。基于点目标冲激响应函数的方法依赖于提取强散射点目标时的准确性,它通常要求在成像场景中放置一个角反射器来模拟强散射点目标。Han Zhang等人在文章“SAR Image Quality Assessment Using Coherent Correlation Function”中提出了利用复数图像区域的相干相关函数CCF,在点散射模型理论下,代替点目标冲激响应函数计算图像的空间分辨率、峰值旁瓣比和积分旁瓣比。I Zakharov等人在文章“InformationAssessment for polarimetric SAR intensity images”中给出了基于信息理论和最小均方误差的评估方法,这种算法初步尝试了利用信息量评估图像质量的思路。这些不同的SAR图像质量评价方法被开发出来,并且取得一定的效果,但是仍然存在以下缺点:
一是许多算法受噪声影响大,稳定性差;
二是许多算法需要特定的测试场景、特定的SAR图像产品格式或者获知额外的SAR系统参数,这些需求限制了算法的应用,增加了算法实施的难度,从限制了SAR图像质量评价在实际中的应用。
发明内容
本发明的目的在于针对上述已有技术的不足,结合SAR图像的特性,提出了一种基于多视幅度统计特性的SAR图像无参考质量评价方法,以减小噪声影响和实施难度,提高算法稳定性和实用性,实现对有噪声污染SAR图像的质量评价。
本发明的技术方案是这样实现的:
本发明结合SAR的成像原理和图像特性,首先提取全部样本的特征向量;然后根据SAR图像中的匀质性区域的灰度分布拟合平方根伽马分布的结果,对不同噪声污染的SAR图像进行分类;最后对不同噪声污染类型的训练样本分别使用支持向量机SVM建立预测模型,并用该模型对相应噪声污染类型的测试样本进行质量评价。其实现步骤包括如下:
(1)将SAR图像数据库中的图像随机分为两份,80%用于训练,20%用于测试;
(2)计算一幅待评价SAR图像的全局等效视数ENL、局部最大等效视数β以及它们的比值λ;
(3)计算一幅待评价SAR图像的模糊相关系数ρ;
(4)选取待评价SAR图像中的匀质性区域,用来拟合平方根伽马分布,以计算待评价SAR图像的拟合误差θ、拟合视数L、拟合强度σ;
(5)对所有的样本分别进行步骤(2)~步骤(4)的操作,将每一幅SAR图像提取出的7个特征参数作为特征向量fv:
fv={ENL,β,λ,ρ,θ,L,σ};
(6)根据不同类型的噪声对SAR图像的特征向量fv会造成不同强弱这一特性,设定特征向量的阈值,对污染的SAR图像进行分类,即将SAR图像按照噪声污染类型分为三类,即第一类为:条带噪声污染图像,第二类为:高斯白噪声污染图像,第三类为:除了第一类和第二类外的其它污染图像;
(7)对不同噪声污染类型的SAR图像分别训练质量评价预测模型:
(7a)提取第一类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第一类污染图像的预测模型MS;
(7b)提取第二类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第二类污染图像的预测模型MG;
(7c)提取第三类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第三类污染图像的预测模型MR;
(8)计算测试样本的质量值:
(8a)将第一类污染图像的测试样本的特征向量fv和第一类污染图像的预测模型MS输入到支持向量机SVM中,计算第一类污染图像的测试样本的质量值Qs;
(8b)将第二类污染图像的测试样本的特征向量fv和第二类污染图像的预测模型MG输入到支持向量机SVM中,计算第二类污染图像的测试样本的质量值Qg;
(8c)将第三类污染图像的测试样本的特征向量fv和第三类污染图像的预测模型MR输入到支持向量机SVM中,计算第三类污染图像的测试样本的质量值Qr;
(9)根据测试样本的质量值,对测试样本的图像质量进行判断:
若Qs=1或Qg=1或Qr=1,则认为感觉不到或轻微感觉到图像有噪声;
若Qs=2或Qg=2或Qr=2,则认为能明显感觉到图像有噪声;
若Qs=3或Qg=3或Qr=3,则认为仅能看出图像中的少量信息;
若Qs=4或Qg=4或Qr=4,则认为无法辨认图像信息。
本发明与现有技术相比,具有如下有点:
1)本发明利用SAR图像局部最大等效视数和全局等效视数的比值来评价SAR图像质量的新指标,既考虑了SAR图像的全局特征也考虑了局部特征,能够更加准确的反映SAR图像的清晰程度和信息丰富程度,提高了SAR图像质量评价的准确率;
2)本发明使用SAR图像多视幅度数据的平方根伽马分布模型进行质量评价,扩展了SAR图像质量评价方法的思路,使SAR图像质量评价变得实用高效。
3)本发明由于不需要额外的测试条件,也不需要SAR图像的复数资源和SAR系统的工作参数,因而易于实施。
附图说明
图1是本发明的实现流程图。
具体实施方式
以下结合附图对本发明做进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1,从图像数据库中取出实验样本。
SAR图像数据库包含多幅参考图和参考图对应的污染图,污染图又包括高斯白噪声污染图、散焦模糊污染图、条带噪声污染图,通常的做法是将SAR图像数据库中的图像随机分为两份,其中80%用于训练,20%用于测试。
步骤2,计算一幅待评价SAR图像的全局等效视数ENL、局部最大等效视数β以及它们的比值λ。
(2a)输入大小为M×N的待评价SAR图像I,计算该SAR图像I的全局等效视数ENL:
其中,μ和σ2分别表示图像I的均值和方差;
(2b)将待评价SAR图像I按照大小为B×B进行无混叠分块,得到K个子块,其中表示不大于的最大整数,B=64;
(2c)计算每个子块的等效视数,选取K个子块的等效视数中的最大值,作为局部最大等效视数β;
(2d)计算待评价SAR图像I的局部最大等效视数与全局等效视数的比值λ:
λ的值越大,则图像越清晰,表达的信息越多;λ的值越小,则图像越混沌模糊。
步骤3,计算一幅待评价SAR图像的模糊相关系数ρ。
(3a)对待评价SAR图像I进行低通滤波,得到图像I的模糊图像X:
X=I*W,
其中,*表示线性卷积运算,W为卷积核,
(3b)计算图像I和模糊图像X的二维相关系数ρ:
其中,1≤m≤M,1≤n≤N,Imn、Xmn分别表示图像坐标(m,n)处的像素值,为输入图像I的均值,为模糊图像X的均值。
步骤4,选取待评价SAR图像中的匀质性区域,用来拟合平方根伽马分布。
(4a)计算步骤(2)中得到的K个子块中每个子块的方差,并将方差最小的子块设为g;
(4b)统计最小子块g的灰度值分布,得到归一化灰度分布直方图y,y中的第i个元素为:
其中,i代表灰度值,0≤i≤H-1,[0,H-1]为待评价SAR图像的最大灰度级范围,ni代表最小子块g中灰度值i出现的次数,n代表最小子块g中像素的总个数,y(i)表示灰度值i出现的概率;
(4c)用归一化灰度分布直方图y拟合SAR图像多视幅度数据的平方根伽马分布模型为:
其中,P(i)表示灰度值i的概率,Γ(L)表示阶数为L的伽马函数,L为拟合视数,σ为拟合强度,将这两个参数用拟合系数向量x表示,x=[L,σ];
(4d)将拟合系数向量x的搜索起始点设置为:x0=[L0,σ0]:
其中,表示子块g的均值;设置x0为起始搜索点,可以加快搜索速度,避免陷入局部最优;
(4e)按照非线性回归的过程,搜索更新拟合系数向量x,使其满足下式:
其中,xdata表示输入灰度值,P(x,xdata)表示计算所得的灰度分布概率,y表示真实的灰度分布概率,P(x,xdatai)表示计算所得的第i个灰度值的概率,yi表示真实的第i个灰度值的概率;
(4f)根据灰度分布概率计算拟合误差θ:
其中,表示P(x,xdata)-y的2-范数的平方。
步骤5,提取所有样本的特征向量。
对所有的样本分别进行步骤2~步骤4的操作,将每一幅SAR图像提取出的7个特征参数作为特征向量fv:
fv={ENL,β,λ,ρ,θ,L,σ}。
步骤6,设定特征向量的阈值,对污染的SAR图像进行分类。
(6a)提取所有训练样本中非条带噪声污染图像的拟合误差θ,并将其中最大的θ设为第一阈值Tθ,用以对第一类污染图像进行分类;
(6b)提取所有训练样本中高斯白噪声污染图像的拟合视数L,并将其中最大的L设为第二阈值TL,用以对第二类污染图像进行分类。
(6c)提取全部样本图像中每一幅图像的拟合误差θ,并将其与第一阈值Tθ进行比较:若θ>Tθ,则将该图像分类为第一类污染图像;若θ≤Tθ,则将该图像分类为非第一类污染图像;
(6d)提取全部非第一类污染图像中每一幅图像的拟合视数L,并将其与第二阈值TL进行比较:若L≤TL,则将该图像分类为第二类污染图像;若L>TL,则将该图像分类为第三类污染图像。
步骤7,对不同噪声污染类型的SAR图像分别训练质量评价预测模型。
(7a)提取第一类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第一类污染图像的预测模型MS;
(7b)提取第二类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第二类污染图像的预测模型MG;
(7c)提取第三类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第三类污染图像的预测模型MR。
步骤8,计算测试样本的质量值。
(8a)将第一类污染图像的测试样本的特征向量fv和第一类污染图像的预测模型MS输入到支持向量机SVM中,计算第一类污染图像的测试样本的质量值Qs;
(8b)将第二类污染图像的测试样本的特征向量fv和第二类污染图像的预测模型MG输入到支持向量机SVM中,计算第二类污染图像的测试样本的质量值Qg;
(8c)将第三类污染图像的测试样本的特征向量fv和第三类污染图像的预测模型MR输入到支持向量机SVM中,计算第三类污染图像的测试样本的质量值Qr。
步骤9,根据测试样本的质量值,对测试样本的图像质量进行判断:
由于一幅SAR图像只会存在被分类为三类污染图像类型中的某一类,因此该图像的质量值可用Qs、Qg、Qr这三个值中的某一个来判断,即:
若Qs=1或Qg=1或Qr=1,则认为感觉不到或轻微感觉到图像有噪声;
若Qs=2或Qg=2或Qr=2,则认为能明显感觉到图像有噪声;
若Qs=3或Qg=3或Qr=3,则认为仅能看出图像中的少量信息;
若Qs=4或Qg=4或Qr=4,则认为无法辨认图像信息。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制。显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于多视幅度统计特性的SAR图像无参考质量评价方法,包括:
(1)将SAR图像数据库中的图像随机分为两份,80%用于训练,20%用于测试;
(2)计算一幅待评价SAR图像的全局等效视数ENL、局部最大等效视数β以及它们的比值λ;
(3)计算一幅待评价SAR图像的模糊相关系数ρ;
(4)选取待评价SAR图像中的匀质性区域,用来拟合平方根伽马分布,以计算待评价SAR图像的拟合误差θ、拟合视数L、拟合强度σ;
(5)对所有的样本分别进行步骤(2)~步骤(4)的操作,将每一幅SAR图像提取出的7个特征参数作为特征向量fv:
fv={ENL,β,λ,ρ,θ,L,σ};
(6)根据不同类型的噪声对SAR图像的特征向量fv会造成不同强弱这一特性,设定特征向量的阈值,对污染的SAR图像进行分类,即将SAR图像按照噪声污染类型分为三类,即第一类为:条带噪声污染图像,第二类为:高斯白噪声污染图像,第三类为:除了第一类和第二类外的其它污染图像;
(7)对不同噪声污染类型的SAR图像分别训练质量评价预测模型:
(7a)提取第一类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第一类污染图像的预测模型MS;
(7b)提取第二类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第二类污染图像的预测模型MG;
(7c)提取第三类污染图像的所有训练样本的特征向量fv,将其输入到支持向量机SVM中,得到第三类污染图像的预测模型MR;
(8)计算测试样本的质量值:
(8a)将第一类污染图像的测试样本的特征向量fv和第一类污染图像的预测模型MS输入到支持向量机SVM中,计算第一类污染图像的测试样本的质量值Qs;
(8b)将第二类污染图像的测试样本的特征向量fv和第二类污染图像的预测模型MG输入到支持向量机SVM中,计算第二类污染图像的测试样本的质量值Qg;
(8c)将第三类污染图像的测试样本的特征向量fv和第三类污染图像的预测模型MR输入到支持向量机SVM中,计算第三类污染图像的测试样本的质量值Qr;
(9)根据测试样本的质量值,对测试样本的图像质量进行判断:
若Qs=1或Qg=1或Qr=1,则认为感觉不到或轻微感觉到图像有噪声;
若Qs=2或Qg=2或Qr=2,则认为能明显感觉到图像有噪声;
若Qs=3或Qg=3或Qr=3,则认为仅能看出图像中的少量信息;
若Qs=4或Qg=4或Qr=4,则认为无法辨认图像信息。
2.如权利要求1所述的方法,其步骤(2)中计算一幅待评价SAR图像的全局等效视数ENL:
其中,μ和σ2分别表示图像I的均值和方差。
3.如权利要求1所述的方法,其步骤(2)中计算一幅待评价SAR图像的局部最大等效视数β,按如下步骤进行:
首先,将大小为M×N的待评价SAR图像I按照大小为B×B,进行无混叠分块,得到K个子块,其中表示不大于的最大整数,B=64;
其次,计算每个子块的等效视数,选取K个子块的等效视数中的最大值,作为局部最大等效视数β。
4.如权利要求1所述的方法,其步骤(3)中计算一幅待评价SAR图像的模糊相关系数ρ,按如下步骤进行:
(3a)对待评价SAR图像I进行低通滤波,得到图像I的模糊图像X:
X=I*W,
其中,*表示线性卷积运算,W为卷积核,
(3b)计算图像I和模糊图像X的二维相关系数ρ:
其中,1≤m≤M,1≤n≤N,Imn、Xmn分别表示图像坐标(m,n)处的像素值,为输入图像I的均值,为模糊图像X的均值。
5.如权利要求1所述的方法,其步骤(4)中选取待评价SAR图像中的匀质性区域拟合平方根伽马分布,按如下步骤进行:
(4a)计算步骤(2)中得到的K个子块中每个子块的方差,并将方差最小的子块设为g;
(4b)统计最小子块g的灰度值分布,得到归一化灰度分布直方图y,y中的第i个元素为:
其中,i代表灰度值,0≤i≤H-1,[0,H-1]为待评价SAR图像的最大灰度级范围,ni代表最小子块g中灰度值i出现的次数,n代表最小子块g中像素的总个数,y(i)表示灰度值i出现的概率;
(4c)用归一化灰度分布直方图y拟合SAR图像多视幅度数据的平方根伽马分布模型为:
其中,P(i)表示灰度值i的概率,Γ(L)表示阶数为L的伽马函数,L为拟合视数,σ为拟合强度,将这两个参数用拟合系数向量x表示,x=[L,σ];
(4d)将拟合系数向量x的搜索起始点设置为:x0=[L0,σ0]:
其中,表示子块g的均值;
(4e)按照非线性回归的过程,搜索更新拟合系数向量x,使其满足下式:
其中,xdata表示输入灰度值,P(x,xdata)表示计算所得的灰度分布概率,y表示真实的灰度分布概率,P(x,xdatai)表示计算所得的第i个灰度值的概率,yi表示真实的第i个灰度值的概率;
(4f)根据灰度分布概率计算拟合误差θ:
其中,表示P(x,xdata)-y的2-范数的平方。
6.如权利要求1所述的方法,其步骤(6)中设定特征向量的阈值,对污染的SAR图像进行分类,按如下步骤进行:
(6a)提取所有训练样本中非条带噪声污染图像的拟合误差θ,并将其中最大的θ设为第一阈值Tθ,用以对第一类污染图像进行分类;
(6b)提取所有训练样本中高斯白噪声污染图像的拟合视数L,并将其中最大的L设为第二阈值TL,用以对第二类污染图像进行分类。
(6c)提取全部样本图像中每一幅图像的拟合误差θ,并将其与第一阈值Tθ进行比较:若θ>Tθ,则将该图像分类为第一类污染图像;若θ≤Tθ,则将该图像分类为非第一类污染图像;
(6d)提取全部非第一类污染图像中每一幅图像的拟合视数L,并将其与第二阈值TL进行比较:若L≤TL,则将该图像分类为第二类污染图像;若L>TL,则将该图像分类为第三类污染图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598854.8A CN107451608B (zh) | 2017-07-21 | 2017-07-21 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598854.8A CN107451608B (zh) | 2017-07-21 | 2017-07-21 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451608A true CN107451608A (zh) | 2017-12-08 |
CN107451608B CN107451608B (zh) | 2020-08-04 |
Family
ID=60487262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710598854.8A Active CN107451608B (zh) | 2017-07-21 | 2017-07-21 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451608B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242821A (zh) * | 2018-07-17 | 2019-01-18 | 深圳大学 | 基于图像质量评价的空气质量评价方法、系统、设备及存储介质 |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
CN110766129A (zh) * | 2018-07-27 | 2020-02-07 | 杭州海康威视数字技术股份有限公司 | 一种神经网络训练系统及显示数据的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106660A (zh) * | 2013-01-31 | 2013-05-15 | 北京航空航天大学 | 基于对比敏感度特性的sar图像质量评价方法 |
EP2944972A1 (en) * | 2014-05-12 | 2015-11-18 | Max-Delbrück-Centrum für Molekulare Medizin (MDC) | Method for the assessment of radiofrequency induced power absorption of conducting implants during MRI |
CN105116412A (zh) * | 2015-08-26 | 2015-12-02 | 中国人民解放军63921部队 | 一种宽带雷达isar图像性能定量判别方法 |
US20150356350A1 (en) * | 2014-06-05 | 2015-12-10 | Mohamad Mustafa Awad | unsupervised non-parametric multi-component image segmentation method |
CN105894476A (zh) * | 2016-04-21 | 2016-08-24 | 重庆大学 | 基于字典学习融合的sar图像降噪处理方法 |
CN105931257A (zh) * | 2016-06-12 | 2016-09-07 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
CN106127741A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
CN106910177A (zh) * | 2017-01-20 | 2017-06-30 | 中国人民解放军装备学院 | 一种局域图像指标最优化的多角度sar图像融合方法 |
-
2017
- 2017-07-21 CN CN201710598854.8A patent/CN107451608B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106660A (zh) * | 2013-01-31 | 2013-05-15 | 北京航空航天大学 | 基于对比敏感度特性的sar图像质量评价方法 |
EP2944972A1 (en) * | 2014-05-12 | 2015-11-18 | Max-Delbrück-Centrum für Molekulare Medizin (MDC) | Method for the assessment of radiofrequency induced power absorption of conducting implants during MRI |
US20150356350A1 (en) * | 2014-06-05 | 2015-12-10 | Mohamad Mustafa Awad | unsupervised non-parametric multi-component image segmentation method |
CN105116412A (zh) * | 2015-08-26 | 2015-12-02 | 中国人民解放军63921部队 | 一种宽带雷达isar图像性能定量判别方法 |
CN105894476A (zh) * | 2016-04-21 | 2016-08-24 | 重庆大学 | 基于字典学习融合的sar图像降噪处理方法 |
CN105931257A (zh) * | 2016-06-12 | 2016-09-07 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
CN106127741A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
CN106910177A (zh) * | 2017-01-20 | 2017-06-30 | 中国人民解放军装备学院 | 一种局域图像指标最优化的多角度sar图像融合方法 |
Non-Patent Citations (1)
Title |
---|
吴金建: ""基于人类视觉系统的图像信息感知和图像质量评价"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242821A (zh) * | 2018-07-17 | 2019-01-18 | 深圳大学 | 基于图像质量评价的空气质量评价方法、系统、设备及存储介质 |
CN110766129A (zh) * | 2018-07-27 | 2020-02-07 | 杭州海康威视数字技术股份有限公司 | 一种神经网络训练系统及显示数据的方法 |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
CN110703215B (zh) * | 2019-10-16 | 2022-09-06 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107451608B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | No-reference image blur assessment based on discrete orthogonal moments | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN107229918A (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN102842120B (zh) | 基于超复数小波相位测量的图像模糊程度检测方法 | |
CN104700381A (zh) | 一种基于显著目标的红外与可见光图像融合方法 | |
CN104200471B (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN106530244B (zh) | 一种图像增强方法 | |
CN106772379B (zh) | 基于傅里叶变换的双参数cfar舰船检测方法 | |
Ou et al. | A novel rank learning based no-reference image quality assessment method | |
CN107451608A (zh) | 基于多视幅度统计特性的sar图像无参考质量评价方法 | |
CN107895139A (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN109492527A (zh) | 一种基于全色锐化技术的遥感图像亚像元定位方法 | |
CN110084284A (zh) | 基于区域卷积神经网络的目标检测与二级分类算法及装置 | |
Li et al. | Super resolution image reconstruction of textile based on SRGAN | |
He et al. | A visual residual perception optimized network for blind image quality assessment | |
CN106056523A (zh) | 数字图像拼接篡改盲检测方法 | |
CN105550694A (zh) | 一种度量人脸图像模糊程度的方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
Yang et al. | FG-GAN: a fine-grained generative adversarial network for unsupervised SAR-to-optical image translation | |
CN109801208A (zh) | 基于多gpu任务优化的sar图像变化检测方法 | |
CN107578406A (zh) | 基于网格与韦泊统计特性的无参考立体图像质量评价方法 | |
CN104408736A (zh) | 基于特征相似性的合成人脸画像质量评价方法 | |
Doloriel et al. | Frequency masking for universal deepfake detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |