CN111986197A - 基于轮廓统计特性的部分参考声纳图像应用质量评价方法 - Google Patents

Abstract

本发明涉及一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法，该方法包括以下步骤：S1、对原始声纳图像，即参考声纳图像进行轮廓波变换，以获得的子带系数作为图像轮廓特征；S2、对每个子带系数分别提取表征子带信息、能量以及幅值的统计特征，作为参考声纳图像的轮廓特征信息；S3、对待测声纳图像重复步骤S1‑S2，提取待测声纳图像的轮廓特征信息；S4、计算参考声纳图像与待测声纳图像之间的轮廓变化特征；S5、利用集成学习，基于步骤S4得到的轮廓变化特征，建立部分参考声纳图像应用质量评价模型。该方法有利于提高声纳图像应用质量评价性能。

Description

基于轮廓统计特性的部分参考声纳图像应用质量评价方法

技术领域

本发明涉及图像质量测评技术领域，具体涉及一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法。

背景技术

由于声纳成像不依赖于照明，因此在复杂、黑暗的深海环境中，声纳图像被广泛应用于许多水下任务中。水下声纳图像通常由海洋研究人员进行观察分析，因此他们对传输后的声纳图像质量有较高的要求。然而，由于水声信道的传输条件较差，导致水声传输过程无法保证声纳图像的质量。一种有效的声纳图像质量测评方法对水声图像传输控制和海洋研究人员的观察有重要意义。然而，声纳图像与自然场景图像在许多方面，例如图像特征和应用背景有较大的不同，对于具有实际任务用途的声纳图像，我们应当测量其应用质量而不是视觉感知质量。而声纳图像的应用质量并不能用其视觉感知质量进行简单的代替，因此提出一种基于任务导向的声纳图像应用质量测评方法是十分有意义的。

图像质量评价通常可被分为两大类，即主观评价和客观评价。主观质量能很好地反映图像在人眼中呈现出的质量，但由于主观评价需要耗费大量的人力财力，因此其无法作为评价图像质量的常用手段。通过对人类视觉系统进行数学建模，产生了大量的客观图像质量评价方法，而按照参考图像的有无，分为全参考、部分参考以及无参考图像质量测评。而部分参考方法则是在全参考与无参考之间的一种折衷的质量评价方法，其同时具备了全参考和无参考方法的优点，通过使用原始图像的部分参考信息或者少量特征来评估失真图像的质量。

上述质量评价方法都是针对由自然场景图像获得的光学图像而设计的，其包括建模的自然场景统计，结构和信息等特征，而这些图像的感知质量评分是根据人们的常识和审美来进行评价的，它考虑了人类视觉系统的各种感知特性，尽管其表现优秀，然而最先进的自然图像质量评价方法仍然不适用于声纳图像。首先，声纳图像的统计特征与自然图像的不同，这些基于自然场景统计的质量评价指标不能用于声纳图像。其次，由于设备、环境等因素导致声纳图像的收集远比自然图像困难和昂贵，这造成了声纳图像数据库规模较小。因此，现在常用的基于深度学习的质量评价方法可能会导致严重的过拟合现象。最后由于是基于人类审美感知对图像进行质量评价的，而考虑到声纳图像的特性以及应用背景的特殊性，在自然图像上性能很好的全参考图像质量测评往往无法对声纳图像起很好的作用。为了更好地估计高分辨率声纳图像的实用质量，声纳图像的质量评价方法要将视觉感知与实际任务相结合。不幸的是，在目前已经出现的研究中，对这方面的研究还很稀缺。

发明内容

本发明的目的在于提供一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法，该方法有利于提高声纳图像应用质量评价性能。

为实现上述目的，本发明采用的技术方案是：一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法，该方法包括以下步骤：一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法，其特征在于，该方法包括以下步骤：

S1、对原始声纳图像，即参考声纳图像进行轮廓波变换，以获得的子带系数作为图像轮廓特征；

S2、对每个子带系数分别提取表征子带信息、能量以及幅值的统计特征，作为参考声纳图像的轮廓特征信息；

S3、对待测声纳图像重复步骤S1-S2，提取待测声纳图像的轮廓特征信息；

S4、计算参考声纳图像与待测声纳图像之间的轮廓变化特征；

S5、利用集成学习，基于步骤S4得到的轮廓变化特征，建立部分参考声纳图像应用质量评价模型。

进一步地，所述步骤S1中，为了最大化保留轮廓信息，并尽量少地引入细节信息，通过轮廓波变换，将声纳图像分解为10个子频带。

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：依次选择轮廓波变换后得到的子带i，其中i∈[0,10]；

步骤S22：计算选中的子带中信息的量C_i：

式中，ρ(P_i(x,y))表示这个子带中系数的概率分布，P_i(x,y)表示这个子带中位于(x,y)处的系数，M×N为这个子带的尺寸大小；

步骤S23：计算选中的子带中能量的波动E_i：

步骤S24：计算子带的振幅大小λ_i：

通过步骤S22-S24得到如下分量：信息的量C_i、能量的波动E_i和振幅的大小λ_i，以利用这三种轮廓波的统计特征衡量声纳图像的质量变化；

步骤S25：将10个子带的信息的量、能量的波动、振幅的大小进行堆叠，得到参考声纳图像的轮廓特征信息F_r，其定义如下：

F_r＝{C₁,C₂,...,C₁₀；E₁,E₂,...,E₁₀；λ₁,λ₂,...,λ₁₀}

式中，特征信息F_r中共有30个特征分量。

进一步地，所述步骤S3中，采用与参考声纳图像的轮廓特征信息F_r相同的特征提取方法，提取得到待测声纳图像的轮廓特征信息F_d。

进一步地，所述步骤S4中，定义参考声纳图像与待测声纳图像之间的轮廓变化特征：

ΔF＝|F_r-F_d|

式中，ΔF表示传输前后轮廓变化特征，ΔF包含30个代表失真后图像轮廓特征变化的分量。

进一步地，所述步骤S5具体包括以下步骤：

步骤S51：选择声纳图像质量素材库训练模型，素材库中声纳图像由侧扫描声纳和声透镜声纳在水下场景中采集得到；

步骤S52：将素材库中的声纳图像分为多个组，每一个组包括1幅参考声纳图像和多幅失真图像声纳图像，其中n组作为训练集，其余组作为测试集；

步骤S53：对训练集中的图像依据步骤S1-S4的方法进行特征提取获得ΔF，为了缓解过拟合，随机抽取ΔF中的5个分量作为训练特征，并在此基础上训练一个基学习器，特征随机抽取以及基学习器的训练m次，产生m个基学习器；

步骤S54：根据基学习器的性能，对m个基学习器进行筛选，以集成性能最优的基学习器；首先定义集成的学习器在输入数据s上的输出

为：

式中，L_i(s)表示第i个基学习器的输出，s服从分布Ψ(s)，m表示基学习器的个数，ω_i为第i个基学习器的权重参数，其中

步骤S55：设第i个基学习器在s上泛化误差为Er_i(s)，集成的学习器在s上泛化误差为

其定义如下：

式中，

表示训练集s的真实标签；

步骤S56：定义第i个基学习器以及集成的学习器在分布Ψ(s)上的泛化误差分别为：

Er_i＝∫Er_i(s)Ψ(s)ds

步骤S57：定义基学习器i与基学习器j的相关性corr_ij为：

步骤S58：由于corr_ij＝corr_ji且corr_ii＝Er_i，则

可表示为：

步骤S59：集合步骤S56-S58，集成的学习器在分布Ψ(s)上的泛化误差分可表示为：

权重初始化为

因此集成的学习器在分布Ψ(s)上的泛化误差分可表示为：

步骤S510：当第κ个基学习器不加入集成时，步骤S59的泛化误差可表示为：

步骤S511：结合步骤S59-S510可得：

步骤S512：若第κ个基学习器不加入集成时，最终集成的学习器性能更好，则

推导可得：

定义阈值为

当基学习器的泛化误差大于该阈值时，该基学习器不参与集成；

步骤S513：对产生的所有基学习器进行筛选后，将保留下来的基学习器的结果用平均法做结合，即所有基学习器输出的预测质量的均值即为针对该幅测试图像的质量评价结果。

相较于现有技术，本发明具有以下有益效果：本发明基于声纳图像的应用背景，以图像在应用中的性能为特征指导依据，提取与应用执行息息相关的轮廓信息作为主要特征，能够在声纳图像应用质量评价中取得较好的性能，相比传统的声纳图像质量评价方法，该方法仅需要少量的原始参考图像，减少了参考信息的数量，同时本发明还采用了集成学习，并根据基学习器的泛化误差对基学习器进行挑选，使得到的质量评价模型具有更高的精确性和泛化性。介于本发明所提的算法为部分参考算法，所需参考信息少，对于带宽有限，信道条件复杂的水声通信来说，具有重要意义。本发明为声纳图像的应用质量评价提供了具有参考性的评价指标，具有很强的实用性和广阔的应用前景。

附图说明

图1是本发明实施例的方法实现流程框图。

图2是本发明实施例中原始声纳图像。

图3是本发明实施例中待测声纳图像。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法，其流程如图1所示。本实施例的目的是以图2所示的原始声纳图像为参考图像，评价如图3所示的待测声纳图像的应用质量。该方法包括以下步骤：

S1、对原始声纳图像，即参考声纳图像进行三阶轮廓波变换，以获得的子带系数作为图像轮廓特征。

人类视觉系统具有聚焦的特性。对于某一特定的图像，人类的眼睛只能以较高的分辨率感知图像中某个局部区域的内容。轮廓波变换可以将图像进行多尺度、多方向的变换，用较少的系数描述图像中的轮廓信息，能够检测出图像轮廓，提取出人眼敏感的图像信息。声纳图像通常用于海底探测和搜寻等任务中，而目标识别是最重要的检测技术之一，其通常检测物体的整体结构作为检测标准。因此本发明考虑了视觉特性和任务特性，利用轮廓波域的统计特征构成简洁的图像轮廓以衡量声纳图像的质量。当声纳图像在水声传输信道中受损后，收集声纳图像的轮廓波域系数产生的变化能够代表信道对图像的影响，即反映了声纳图像经过信道传输后的质量。

所述步骤S1中，为了最大化保留轮廓信息，并尽量少地引入细节信息，通过轮廓波变换，将声纳图像分解为10个子频带。

为了使质量评价方法所需要的参考信息减少，本发明提取轮廓特征统计特性作为参考信息。

S2、对每个子带系数分别提取表征子带信息、能量以及幅值的统计特征，作为参考声纳图像的轮廓特征信息。具体包括以下步骤：

步骤S21：依次选择轮廓波变换后得到的子带i，其中i∈[0,10]。

步骤S22：计算选中的子带中信息的量C_i：

式中，ρ(P_i(x,y))表示这个子带中系数的概率分布，P_i(x,y)表示这个子带中位于(x,y)处的系数，M×N为这个子带的尺寸大小。

步骤S23：计算选中的子带中能量的波动E_i：

步骤S24：计算子带的振幅大小λ_i：

通过步骤S22-S24得到如下分量：信息的量C_i、能量的波动E_i和振幅的大小λ_i，以利用这三种轮廓波的统计特征衡量声纳图像的质量变化。

步骤S25：将10个子带的信息的量、能量的波动、振幅的大小进行堆叠，得到参考声纳图像的轮廓特征信息F_r，其定义如下：

F_r＝{C₁,C₂,...,C₁₀；E₁,E₂,...,E₁₀；λ₁,λ₂,...,λ₁₀}

式中，特征信息F_r中共有30个特征分量。

S3、对待测声纳图像重复步骤S1-S2，即采用与参考声纳图像的轮廓特征信息F_r相同的特征提取方法，提取得到待测声纳图像的轮廓特征信息F_d。

参考声纳图像与待测声纳图像之间的轮廓变化特征定义如下：

ΔF＝|F_r-F_d|

式中，ΔF表示传输前后轮廓变化特征，ΔF包含30个代表失真后图像轮廓特征变化的分量。

S4、计算参考声纳图像与待测声纳图像之间的轮廓变化特征；

S5、利用集成学习，基于步骤S4得到的轮廓变化特征，建立部分参考声纳图像应用质量评价模型。

所述步骤S5具体包括以下步骤：

步骤S51：选择声纳图像质量素材库训练模型，素材库中声纳图像由侧扫描声纳和声透镜声纳在水下场景中采集得到；

步骤S52：将素材库中的840幅声纳图像按内容分为40组，每一个组包括1幅参考声纳图像和20幅失真图像声纳图像，其中4组作为训练集用于训练，其余组作为测试集用于测试；

步骤S53：对训练集中的图像依据步骤S1-S4的方法进行特征提取获得ΔF，为了缓解过拟合，随机抽取ΔF中的5个分量作为训练特征，并在此基础上训练一个基学习器，特征随机抽取以及基学习器的训练m次，产生m个基学习器；

步骤S54：根据基学习器的性能，对m个基学习器进行筛选，以便于集成性能最优的几个基学习器；首先定义集成的学习器在输入数据s上的输出

为：

式中，L_i(s)表示第i个基学习器的输出，s服从分布Ψ(s)，m表示基学习器的个数，ω_i为第i个基学习器的权重参数，其中

步骤S55：设第i个基学习器在s上泛化误差为Er_i(s)，集成的学习器在s上泛化误差为

其定义如下：

式中，

表示训练集s的真实标签；

步骤S56：定义第i个基学习器以及集成的学习器在分布Ψ(s)上的泛化误差分别为：

Er_i＝∫Er_i(s)Ψ(s)ds

步骤S57：定义基学习器i与基学习器j的相关性corr_ij为：

步骤S58：由于corr_ij＝corr_ji且corr_ii＝Er_i，则

可表示为：

步骤S59：集合步骤S56-S58，集成的学习器在分布Ψ(s)上的泛化误差分可表示为：

权重初始化为

因此集成的学习器在分布Ψ(s)上的泛化误差分可表示为：

步骤S510：当第κ个基学习器不加入集成时，步骤S59的泛化误差可表示为：

步骤S511：结合步骤S59-S510可得：

步骤S512：若第κ个基学习器不加入集成时，最终集成的学习器性能更好，则

推导可得：

定义阈值为

当基学习器的泛化误差大于该阈值时，该基学习器不参与集成；

步骤S513：对产生的所有基学习器进行筛选后，将保留下来的基学习器的结果用平均法做结合，即所有基学习器输出的预测质量的均值即为针对该幅测试图像的质量评价结果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法，其特征在于，该方法包括以下步骤：

S1、对原始声纳图像，即参考声纳图像进行轮廓波变换，以获得的子带系数作为图像轮廓特征；

S2、对每个子带系数分别提取表征子带信息、能量以及幅值的统计特征，作为参考声纳图像的轮廓特征信息；

S3、对待测声纳图像重复步骤S1-S2，提取待测声纳图像的轮廓特征信息；

S4、计算参考声纳图像与待测声纳图像之间的轮廓变化特征；

S5、利用集成学习，基于步骤S4得到的轮廓变化特征，建立部分参考声纳图像应用质量评价模型。

2.根据权利要求1所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法，其特征在于，所述步骤S1中，为了最大化保留轮廓信息，并尽量少地引入细节信息，通过轮廓波变换，将声纳图像分解为10个子频带。

3.根据权利要求2所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法，其特征在于，所述步骤S2具体包括以下步骤：

步骤S21：依次选择轮廓波变换后得到的子带i，其中i∈[0,10]；

步骤S22：计算选中的子带中信息的量C_i：

式中，ρ(P_i(x,y))表示这个子带中系数的概率分布，P_i(x,y)表示这个子带中位于(x,y)处的系数，M×N为这个子带的尺寸大小；

步骤S23：计算选中的子带中能量的波动E_i：

步骤S24：计算子带的振幅大小λ_i：

通过步骤S22-S24得到如下分量：信息的量C_i、能量的波动E_i和振幅的大小λ_i，以利用这三种轮廓波的统计特征衡量声纳图像的质量变化；

步骤S25：将10个子带的信息的量、能量的波动、振幅的大小进行堆叠，得到参考声纳图像的轮廓特征信息F_r，其定义如下：

F_r＝{C₁,C₂,...,C₁₀；E₁,E₂,...,E₁₀；λ₁,λ₂,...,λ₁₀}

式中，特征信息F_r中共有30个特征分量。

4.根据权利要求3所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法，其特征在于，所述步骤S3中，采用与参考声纳图像的轮廓特征信息F_r相同的特征提取方法，提取得到待测声纳图像的轮廓特征信息F_d。

5.根据权利要求4所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法，其特征在于，所述步骤S4中，定义参考声纳图像与待测声纳图像之间的轮廓变化特征：

ΔF＝|F_r-F_d|

式中，ΔF表示传输前后轮廓变化特征，ΔF包含30个代表失真后图像轮廓特征变化的分量。

6.根据权利要求5所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法，其特征在于，所述步骤S5具体包括以下步骤：

步骤S51：选择声纳图像质量素材库训练模型，素材库中声纳图像由侧扫描声纳和声透镜声纳在水下场景中采集得到；

步骤S52：将素材库中的声纳图像分为多个组，每一个组包括1幅参考声纳图像和多幅失真图像声纳图像，其中n组作为训练集，其余组作为测试集；

步骤S53：对训练集中的图像依据步骤S1-S4的方法进行特征提取获得ΔF，为了缓解过拟合，随机抽取ΔF中的5个分量作为训练特征，并在此基础上训练一个基学习器，特征随机抽取以及基学习器的训练m次，产生m个基学习器；

步骤S54：根据基学习器的性能，对m个基学习器进行筛选，以集成性能最优的基学习器；首先定义集成的学习器在输入数据s上的输出

为：

式中，L_i(s)表示第i个基学习器的输出，s服从分布Ψ(s)，m表示基学习器的个数，ω_i为第i个基学习器的权重参数，其中0≤ω_i≤1,

步骤S55：设第i个基学习器在s上泛化误差为Er_i(s)，集成的学习器在s上泛化误差为

其定义如下：

式中，

表示训练集s的真实标签；

步骤S56：定义第i个基学习器以及集成的学习器在分布Ψ(s)上的泛化误差分别为：

Er_i＝∫Er_i(s)Ψ(s)ds

步骤S57：定义基学习器i与基学习器j的相关性corr_ij为：

步骤S58：由于corr_ij＝corr_ji且corr_ii＝Er_i，则

可表示为：

步骤S59：集合步骤S56-S58，集成的学习器在分布Ψ(s)上的泛化误差分可表示为：

权重初始化为

因此集成的学习器在分布Ψ(s)上的泛化误差分可表示为：

步骤S510：当第κ个基学习器不加入集成时，步骤S59的泛化误差可表示为：

步骤S511：结合步骤S59-S510可得：

步骤S512：若第κ个基学习器不加入集成时，最终集成的学习器性能更好，则

推导可得：

定义阈值为

当基学习器的泛化误差大于该阈值时，该基学习器不参与集成；

步骤S513：对产生的所有基学习器进行筛选后，将保留下来的基学习器的结果用平均法做结合，即所有基学习器输出的预测质量的均值即为针对该幅测试图像的质量评价结果。

Images