CN115147701A - 一种红外偏振图像质量评价方法和采集系统 - Google Patents
一种红外偏振图像质量评价方法和采集系统 Download PDFInfo
- Publication number
- CN115147701A CN115147701A CN202210769701.6A CN202210769701A CN115147701A CN 115147701 A CN115147701 A CN 115147701A CN 202210769701 A CN202210769701 A CN 202210769701A CN 115147701 A CN115147701 A CN 115147701A
- Authority
- CN
- China
- Prior art keywords
- image
- evaluation
- infrared
- infrared polarization
- subjective
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种红外偏振图像质量评价方法和采集系统,所述方法包括:对红外强度图像进行分析以得到红外偏振图像,并基于所述红外偏振图像建立灰度图像库,通过主观评价指标分别对所述灰度图像库中的所有所述红外偏振图像进行评价并获得主观评价数据,并建立主观评价模型;通过客观评价指标分别对所述灰度图像库中的所有所述红外偏振图像进行评价并获得客观评价数据,基于所述主观评价数据和所述客观评价数据建立关联模型,所述关联模型具有所述主观评价指标和所述客观评价指标之间的映射关系;本发明可以有效的将主观评价和客观评价的数据结合,对图像的质量作出快速的评价并且更方便的显示出个评价指标的数值。
Description
技术领域
本发明涉及红外成像系统性能测试领域,特别涉及一种红外偏振图像质量评价方法和采集系统。
背景技术
近些年,长波红外偏振成像技术不断的进步发展,其在目标探测识别领域的优势日益突出,越来越广泛的被应用于各个领域中。在长波红外偏振成像技术领域,如何获得更好的成像图像以及如何更好的对成像图像进行质量评价,能为长波红外偏振成像技术的应用提供关键的技术支撑。
红外目标探测识别的概率由目标自身与背景的辐射特征决定,但在实际应用中,目标往往处于比较复杂的环境条件下,导致对目标的探测识别概率大大降低。红外偏振成像探测技术很好的结合了红外热成像技术与偏振探测技术,能较好的弥补红外热成像探测技术在目标探测识别应用中的不足,这在理论上具有较高的可操作性。红外偏振成像技术与红外热成像技术相比,对于目标探测识别任务,无论是强度图像、偏振度图像或者斯托克斯矢量图像,这些图像对于目标探测的适用性还有待研究;其次各类图像探测识别的优劣性以及如何更好的对各类图像进行质量评价目前还没有较好的模型;对于不同的应用场合以及应用要求,寻找更佳的目标探测模式,这仍然需要大量的工作。
发明内容
本发明的目的是解决现有技术中存在的上述问题。
为实现上述目的,本发明提供了一种红外偏振图像质量评价方法,其特征在于,包括:对红外强度图像进行分析以得到红外偏振图像,并基于所述红外偏振图像建立灰度图像库,其中,所述红外偏振图像包括:至少一个目标图像和至少一个所述目标图像外的背景图像;通过主观评价指标分别对所述灰度图像库中的所有所述红外偏振图像进行评价并获得主观评价数据,并建立主观评价模型;通过客观评价指标分别对所述灰度图像库中的所有所述红外偏振图像进行评价并获得客观评价数据,基于所述主观评价数据和所述客观评价数据建立关联模型,所述关联模型具有所述主观评价指标和所述客观评价指标之间的映射关系;基于所述客观评价数据建立客观评价模型,通过所述客观评价模型对所述灰度图像库中的所有所述红外偏振图像进行评价并获得客观评价分值,将所述客观评价分值与所述主观评价分值进行对比,更新所述客观评价模型。
本发明可以有效的将主观评价和客观评价的数据结合,对图像的质量作出快速的评价并且更方便的显示出个评价指标的数值,同时本发明的方法还可以在实验室内完成,从而避免在室外的客观因素的影响,评价效果好,并且准确。
附图说明
图1为本发明实施例的一种红外偏振图像质量评价方法的流程图;
图2为本发明实施例的红外偏振图像质量评价方法的一种实例的总体架构;
图3为红外偏振图像质量评价方法的主观评价构成图;
图4为本发明实施例的一种红外偏振图像采集系统的结构示意图;
图5为本发明实施例的一种红外偏振图像采集系统的实物图;
图6为本发明实施例的一种红外偏振图像采集系统的基于MATLAB构建的MATLABGUI主界面图;
图7为图像细节清晰度的计算流程图;
图8为图像边缘清晰度模型实现过程流程图。
具体实施方式
下面通过附图和实施例,对本发明实施例的一种红外偏振图像质量评价方法和采集系统的技术方案做进一步的详细描述。
如图1所示为一种红外偏振图像质量评价方法的流程图,如图1-图3为本发明实施例的红外偏振图像质量评价方法的流程图、红外偏振图像质量评价方法的总体架构和红外偏振图像质量评价方法的主观评价流程图,通过图1所示可以看出,本发明实施例的红外偏振图像质量评价方法包括:
S101:对红外强度图像进行分析以得到红外偏振图像,并基于红外偏振图像建立灰度图像库,其中,红外偏振图像包括:至少一个目标图像和至少一个目标图像外的背景图像;
具体地,在该步骤中,获取到所要进行图像质量评估的红外强度图像,然后对红外强度图像进行分析获得红外偏振图像。
将红外偏振图像建立一个灰度图像库以方便后续对于图像的质量评价,采用灰度图像库的形式,可以有效的减小图像文件的大小,从而在获取到的图像较多的情况下,降低存储量。
其中,获取的红外偏振图像包括两部分组成,即目标图像和背景图像,在红外偏振图像中,所要进行红外热成像探测的目标即为目标图像,在同一个红外偏振图像中,目标图像可以为至少一个,即目标图像可以为一个,即所要进行红外热感应的目标是一个,也可以为多个,即红外热感应所要采集的目标为多个,从而实现了单次进行多目标采集的目的,方便快捷,效率高。除目标图像外的图像数据可以看作背景图像。
并且,红外偏振图像并不是单张图像,红外偏振图像可以包括:强度图像、偏振度图像或者以及由后续偏振图像算法得到的图像等,后续偏振图像算法得到的图像可以为斯托克斯矢量图像。从而可以理解的是,灰度图像库中,所包含的图像并非单张的红外偏振图像,而是具有多张强度图像、偏振图像和斯托克斯图像等。
对于图像质量主观评价整体架构如图3所示,在实际评价中,主观评价对客观模型的建立具有很好的指导作用以及能够检验客观评价的合理性。本系统评价标准选取为绝对评价类型。根据系统提前拟定好的评价标准,对灰度图像组进行主观评价并给定相应的分数。
进一步地,在进行步骤S101之前,还包括如下步骤:
S1:构建红外偏振图像采集系统;
在该步骤中,需要对采集红外强度图像的采集器进行构建,在本发明的实施例中,红外偏振图像采集系统作为红外强度图像采集器。
S2:通过红外偏振图像采集系统采集红外强度图像,并对红外强度图像进行分析。
在该步骤中,红外偏振图像采集系统可以对采集到的红外强度图像进行分析,可以看作为仿真的过程,从而可以将红外强度图像进过分析获得红外偏振图像,也就是包括强度图像、偏振图像和斯托克斯图像的图像集。
S102:通过主观评价指标分别对灰度图像库中的所有红外偏振图像进行评价并获得主观评价数据,并建立主观评价模型;
在该步骤中,如图3所示,主观评价的过程可以通过主管质量评价进行,主管质量评价包括主管实验设计,并通过设立的主观评价指标可以使观测者对实验的图像集中索要观测的图像依据主观评价指标进行评测,从而获得每张图像的每个主观评价指标的数值,依据图像的数值可以建立主观评价模型。
进一步地,主观评价指标可以包括目标图像的细节清晰度、目标图像的边缘清晰度和目标图像的邻域感知对比度;
也就是说,前述三个指标即为对灰度图像集中的每个图像的评价指标依据,对于基于三个主观评价指标对每个图像进行评价,是通过观测者的主观观点决定的,并且,将观测者的主观观点获得的评价值作为评价标准。
换言之,图像中的目标图像为本实验需要识别的对象。实验观察者对于同时看到的几幅,给出他们对目标图像与背景图像的对比度指标的第一直觉判断,颜色亮度对比强烈、能迅速发现目标的图像会得到更高的分数。如果一幅图像包含不止一个目标图像,需观察者综合衡量所有目标图像与背景图像的对比度来打分。
更近一步地,通过主观评价指标对灰度图像库中的所有红外偏振图像进行评价并获得主观评价分值,包括:
实验观测者通过主观评价试验分别对灰度图像库中的所有红外偏振图像的质量进行评价,并获得主观评价分值。
采用基于视觉任务的感知质量评价即“基于目标探测的图像感知质量”。目标图像与背景图像的对比度、图像细节清晰度以及图像边缘清晰度这三方面单一图像质量属性与具有极大的相关性,且方便客观量化,利用它们之间的线性相关关系,将这些单一质量属性的客观评价模型进行一定比例的线性组合,就可以得到灰度图像质量评价组合。
观测者对灰度图像集中的所有图像进行打分,要求结合红外偏振图像中的具体目标图像进行主观评价,需要给出对于图像整体“基于目标探测性的图像感知质量”的主观评价分数,同时给出基于具体图像属性的“目标邻域背景感知对比度”、“细节清晰度”以及“边缘清晰度”的主观分数。
在本发明实施例的红外偏振图像质量评价方法中,对于观测者的选取具有一定的条件。为了使红外偏振图像质量主观实验的数据结果具有更普遍的适应性,实验组根据ITU-R主观评价相关标准,选定的实验参与者需满足下列条件:
1)观察者专业背景以及文化程度相同,学习过红外技术相关基础知识或者有观察红外图像的相关经验;
2)观察者在年龄以及个人职业保持相对的一致性,年龄分布区间为20至35岁;
3)观察者的男女性别有适当比例,本次实验测试人员共50人,其中男性30名,女性20名;
实验观察者具有正常视力或经过矫正后的正常视力,并且具有正常的颜色视觉。
在本发明的一些实施例中,背景图像包括:海天背景、绿色植物背景和城镇建筑物背景中的至少一种;
也就是说,在本发明实施例的方法中,对于背景图像可以分为至少三类,即海天背景、绿色植物背景和城镇建筑物背景中的至少一种。
对于背景图像的分类,图库中选择的图像场景类型典型,有代表性,即场景内容单一且常见,具体说明如下:
绿色植物场景:主要为野外树林、草地背景。
海天场景:主要为海面和天空。由于海天场景的辐射特性差异较大,通常红外热成像系统需要专门的图像处理才能有效适应这类场景。
城镇建筑物场景:主要为城镇混凝土建筑物、水泥或沥青地面等,也不排除有少量树木、照明灯等。
S103:通过客观评价指标分别对灰度图像库中的所有红外偏振图像进行评价并获得客观评价数据,基于主观评价数据和客观评价数据建立关联模型,关联模型具有主观评价指标和客观评价指标之间的映射关系;
在该步骤中,具体地,通过客观评价指标对所有图像进行客观评价,获得客观评价数据,客观评价数据是依据客观评价指标对图像进行客观评价。
进一步地,需要根据主观评价数据和客观评价数据建立关联模型,主观模型即为主观评价数据与客观评价数据之间的映射关系,需要注意的是,主观评价数据与客观评价数据之间的映射关系并非一一对应,有可能是多对一或一对多的映射关系。
客观评价指标包括:目标图像与背景图像的对比度、目标图像的细节清晰度以及目标图像的边缘清晰度。
基于主观评价分值和客观评价数据建立关联模型,包括:
对主观评价数据进行归一化处理并进行多元线性回归处理。通过多元线性回归处理得到基于主观评价数据的关联模型;其中,所述关联模型基于MATLAB编程工具构建。
具体地,对主观评价数据进行处理,将实验所得结果进行归一标准化,之后对数据进行多元线性回归处理。通过逐步回归法计算得到模型加权系数,最终得到基于目标探测的图像感知质量基于主观实验的关联。
使用统计分析软件(SPSS)进行实验数据分析计算,该软件包能进行多种类型的回归模型构建。使用软件SSPS给出逐步回归的过程,计算出回归方程的各项系数B,并给出显著性和多重共线性分析结果。通过逐步回归法计算得到模型加权系数,最终得到基于目标探测的图像感知质量基于主观实验的关联模型。
其中,关联模型的使用MATLAB作为编程工具。
在本发明的实施例中,采用MATLAB作为编程工具,实现了基于目标探测的图像感知质量的关联模型的构建。编写的MATLAB GUI界面能选择一组待评价的红外偏振信息图像,MATLAB GUI界面如图6所示,可以分别计算基于目标邻域背景的感知对比度、图像边缘清晰度、图像细节清晰度以及基于目标探测的图像感知质量数值,并提供数值和图像的显示以及排序功能。
如图6所示,MATLAB GUI的主界面分为图像选择模块、计算处理模块以及数据显示模块这三部分。其基本操作流程为:选择图像数据所在的文件夹,读入所有文件夹内图像,通过按钮计算感知对比度、边缘清晰度以及细节清晰度,并可选择按照计算所得的分数进行降值排序。可以选择对图像进行排序显示。得到的评价分数以及排序信息可以输出进行存储以便后期的分析调用。
S104:基于客观评价数据建立客观评价模型,通过客观评价模型对灰度图像库中的所有红外偏振图像进行评价并获得客观评价分值,将客观评价分值与主观评价数据进行对比,更新客观评价模型。
在该步骤中,可以通过之前步骤获得的客观评价数据获得客观评价模型,客观评价模型可以对灰度图像库中的所有图像进行评价获得客观评价分值,将客观评价分值与主观评价数据进行对比,可以对客观评价模型进行更新,即可以通过不断的对客观评价模型的数据进行更新,从而是客观评价模型对图像的评价数据不断贴近主观评价数据,从而提升客观评价模型的评价准确度以及稳定性。
此外,在进行客观模型的建立过程中,还可以在客观评价分值的基础上,充分考虑人眼视觉效能,建立的客观评价模型更加的贴近观测的主观视觉评价标准。
在本发明的一些可选实施例中,可以基于Peli局部对比度模型,客观评价模型在Peli局部频带对比度的基础上,通过计算目标图像中人眼兴趣区域的细节清晰度以及边缘清晰度,实现对图像清晰度的客观评价。具体方法是在基于图像信息熵理论定义的细节评价参数的基础上,结合人眼视觉特性,通过计算人眼感知图像中感兴趣区域的图像细节参数,来优化完善细节清晰度客观评价模型。
运用构建的红外偏振图像采集系统建立的模糊熵模型进行图像评价时,图像的模糊熵随着图像边缘程度的清晰而变大。通过判定模糊熵的大小来对应的图像的不同区域。根据红外偏振图像的适应性确定模糊窗口的大小,红外偏振图像采集系统采用5乘5的窗口尺寸。对于邻域内像素灰度值对区域均值的隶属程度,我们利用S函数来计算。最后计算图像邻域内的模糊熵,在图像中逐点移动,扫描完目标图像后,进行累加求和就可得到图像的模糊熵。
典型场景图像细节清晰度客观评价,红外偏振图像采集系统采用基于目标图像的邻域的背景图像作为对比度计算时的背景能更好地体现客观模型的准确性。通过各计算模型,即可计算得到基于目标探测的图像感知质量分数。利用主观实验评价分数对以上图像感知质量计算模型进行相应的检测,并利用Pearson线性相关系数和Spearman秩相关系数来衡量客观模型计算结果与主观评价实验平均标准化意见分数的一致性。
计算对比度时,与将图像中除探测目标外的其他区域都当成背景相比,红外偏振图像采集系统采用基于目标图像的邻域的背景图像作为对比度计算时的背景来体现客观模型的准确性。结合本红外偏振图像采集系统的主观实验得到的标准化图像感知对比度意见分数,验证本系统基于目标邻域的感知对比度客观评价模型的有效性。
在本发明实施例的方法中,客观评价模型包括:目标图像与背景图像的对比度客观评价模型、目标图像的细节清晰度客观评价模型以及目标图像的边缘清晰度客观评价模型。
在本发明实施例的方法中,采用MATLAB作为编程工具,实现了基于目标探测的图像感知质量计算模型。编写的MATLAB GUI界面能选择一组待评价的红外偏振信息图像,可以分别计算基于目标图像的邻域的背景图像的感知对比度、目标图像的边缘清晰度、目标图像的细节清晰度以及基于目标探测的图像感知质量数值,并提供数值和图像的显示以及排序功能。
如图4和图5所示为一种红外偏振图像采集系统1000,红外偏振图像采集系统1000为应用于权利要求1-6中任一项方法的红外偏振图像采集系统1000,包括:
如图4和5所示的图像采集组件100,图像采集组件100包括四组长波热像仪10,每组长波热像仪呈“田”字型分布,并且其中至少三组长波热像仪10设有红外偏振片。
如4所示的信号采集电路200,信号采集电路200设于红外偏振图像采集系统1000的内部空间,信号采集电路200包括:供电电路板、连接底板、数据传输电路板和图像偏振处理电路板,各个电路板之间通过接插件电连接。
具体地,如图4所示,长波红外偏振成像系统1000采用的是同时偏振成像方式,系统共有四组长波热像仪10,因此增加了电路板资源。
换言之,对普通长波红外偏振成像系统重新设计电路原理图,增加了电路板资源,并重新进行了系统电路PCB图的绘制,将原有单板PCB依据电路的功能,拆分成4个子电路板PCB设计。使用4个子电路板PCB设计进行图像采集;通过系统后端的四通道信号采集电路同时采集四个通道成像机芯的实时图像,共有四组长波热像仪10,进行图像采集。
分为了4部分设计,也就是4块子板依据功能,将原电路拆分。4块子板面积设计分别为:供电电路板(Power_Module)面积为3200mil×1600mil,连接底板(backboard)面积为1500mil×1500mil,数据传输电路板(datatrans)面积为4600mil×3300mil,图像偏振处理电路板(NewPolarimeter)面积为3800mil×3300mil。4块子板之间通过接插件连接,在牺牲空间的前提下,减小了电路板占用面积。
在空间结构上呈“田”字分布,各通道视场共轴。其中三路分别带有特定偏振角度的红外偏振片,采集偏振角度分别为0°、60°、120°的图像,第四路非偏通道直接采集强度图像。通过Cameralink接口将数据输出存储至计算机处理系统。添加了用于图像处理算法数据缓存存储SDRAM,还增加了用于对系统初始配置数据、数据处理所需基本数据存储的FLASH芯片。
针对原始电路中SRAM芯片存储空间不足的情况,更换了SRAM芯片,将原有512K×16存储空间的SRAM芯片,换为1024K×16存储空间的SRAM芯片。通过FPGA实现读写操作,作为图像处理时的数据缓存。对于FLASH、SRAM与SDRAM原理设计,将地址线、数据线等直接与FPGA通用数据接口IO口直连即可增强了电源模块,提升了系统供电能力。
通过系统采集以及后期处理,前述步骤建立简单的灰度图像库包含多种图像类型,包括红外强度图像、红外偏振图像以及由后续偏振图像算法得到的图像。在实际应用中,大海天空场景、绿色植物场景以及城市建筑场景是最普遍的三种类型,我们主要针对这三种典型场景建立模型。如下为灰度图像库中的多种图像类型。
本发明并不限于此,在本发明实施例的红外偏振图像质量评价方法中,本论文采用基于视觉任务的感知质量评价指“基于目标探测的图像感知质量”。虽然在直接量化目标图像的感知质量QTD较难,然而目标与背景的对比度CTB、图像细节清晰度D以及图像边缘清晰度H这三方面单一图像质量属性与QTD具有极大的相关性,且方便客观量化,利用它们之间的线性相关关系,将这些单一质量属性的客观评价模型进行一定比例的线性组合,就可以得到灰度图像质量评价组合。
即:基于目标探测的图像感知质量可以用目标与背景的对比度、图像细节清晰度以及图像边缘清晰度的线性组合得到:
QTD=a0+a1D+a2H+a3CTB;
其中,a0、a1、a2和a3为待确定的加权系数。最终确定三个加权系数a1、a2和a3,需要通过设计主观实验获得足够的实验数据。
对于红外偏振图像的主观评价分数的定义,红外偏振图像中的目标图像为需要识别的对象。实验观察人员对于同时看到的几幅,给出他们对目标背景对比度指标的第一直觉判断,颜色亮度对比强烈、能迅速发现目标图像的红外偏振图像会得到更高的分数。如果一幅红外偏振图像包含不止一个目标图像,需观察者综合衡量所有目标与背景感知对比度来打分。
在前文所说的主观实验中,需要作出规定,观察者每次打分时,要求结合目标图像中的具体对象进行主观评价,需要给出对于红外偏振图像整体“基于目标探测性的图像感知质量”的主观评价分数,同时给出基于具体红外偏振图像属性的“目标邻域背景感知对比度”、“细节清晰度”以及“边缘清晰度”的主观分数。
观察者打分时,要求参与者对红外偏振图像中目标图像的实际可探测性给出具体的评价分数,以是否有利于观察者快速、准确的发现热目标为评价标准给出评价分数。具体主观评价分数见下表所示。
对于主观实验数据预处理,首先,将实验所得结果进行标准归一化,将实验数据缩放,使所有数据都能在[0,1]区间内,使得一组实验所得分值中,最大值为1,最小值为0。对于实验参与者n对目标图像组i中的6幅红外偏振图像给出的评价分数,本课题采用MAX-MIN标准化法将其作为一组进行标准化处理:
式中,xnij表示实验参与者n,对目标图像组i通过方法j所得图像给出的评价分数;与分别数据组中的最小值和最大值,Wnij为对应于xnij的标准化意见分数。然后对经过标准变换后所得的标准化评价分数求平均值,得到4个评价指标的分数,称为平均标准化意见分数
进而进行主观评估实验结果分析,主观质量评价中,因变量以及自变量的选择如下:
1)因变量:基于目标探测的感知质量
2)自变量:目标与背景的对比度C_TB、图像细节清晰度D以及图像边缘清晰度H。
由主观实验的数据结果,对四个变量进行回归分析,所得结果如下表所示:
根据回归模型及方差分析结果可得出:四个系数均通过了回归方程的共线性诊断,由t值可得评价指标对Q_TD影响的显著程度,目标与背景的对比度评价指标C_TB对Q_TD的影响较大,D次之,H的影响相对最小;三者显著性水平P均小于0.05,从统计学上来说即存在统计意义;由决定系数R2可得出C_TB、D以及H能解释83.3%的Q_TD变化(R^2=0.833)。由此得到回归方程:
Q_TD=0.273D+0.209H+0.513C_TB+0.022(R^2=0.833)。
由上文可知,在特定的场景类型有着特定的倾向性,且不同的场景红外偏振图像有着不同的目标特征、图像细节以及图像特点,所以在实际的探测识别应用中,因为目标图像自身的特点,评价指标在分析解算红外偏振图像整体质量时,主观评价所得的数值以及系数有着显著的差异。
需要说明的是,红外偏振图像采集系统所采用的图像细节清晰度模型的基本原理是:在基于图像信息熵理论定义的细节评价参数的基础上,结合人眼视觉特性,通过计算人眼感知图像中感兴趣区域的图像细节参数,来优化完善细节清晰度客观评价模型。
在Peli提出的局部频带对比度模型中,利用以高斯核为基础的低通滤波器对目标图像进行处理。其中,高频带带通图像(j=0)对应图像的细节信息,即人眼感兴趣区域,其高频带通图像Ibp计算公式为:
Ibp=|φ0-φ1|*I(m,n)。
其中,I(m,n)为输入图像,“*”为卷积,φj为第j(=0,1,…,N)级低通滤波器,常用高斯核如下:
式中,标准差为σj=2j。得到目标图像的高频带通图像之后,通过Otsu分割法二值化此带通图像,即得到图像中人眼感兴趣区域ROI。
那么如前文所说,基于图像信息熵的细节评价参数,对于具有n级灰度级的灰度图像,我们定义pi为第i级灰度在灰度图像中的出现概率,定义熵值为第i级灰度包含的信息量:
则整个图像的信息熵可以定义为:
图像的信息熵与图像的质量成正比关系,信息熵大的图像的信息量也越大。我们定义细节评价参数DEP来评价图像包含的细节信息:
式中,使用DEP来表示图像的细节评价系数,来评价目标图像所包含的细节信息。而图像中第i个灰度级对细节的具体灰度贡献度,我们用CNi来表示,n表示整个灰度图像总共包含的灰度级级数。根据模糊理论,我们可以通过计算整幅图像中的灰度级数来定量的评价图像细节对整幅图像的贡献程度。
根据图像的灰度级数对所评价目标图像的细节清晰度的贡献程度,可以在此处引入模糊理论中的隶属度函数,本发明实施例的系统采用的函数为偏大升岭形分布函数。则目标图像的灰度级数对于评价目标的细节表示为:
图像细节清晰度的计算流程如图7所示,具体描述如下:
为了计算得到人眼感兴趣区域ROI(可以看作目标识别的区域图),利用矢量图像制作一个高频带带通滤波图像。高频带带通图像(j=0)对应图像的细节和边缘,即感兴趣区域,可以得到高频带通部分,然后采用Otsu的自动阈值选取方法,可以得到红外偏振图像的二值化阈值。利用该二值化阈值再对带通部分进行二值化处理,即如图7所示的目标分割二值化,则得到人眼感兴趣区域ROI,再对ROI进行计算得到细节清晰度。
采用CSF函数对目标进行滤波,得到滤除高频成分后的感知图像g′(m,n)。
计算目标图像细节清晰度。在感知图像g′(m,n)对应的人眼感兴趣区域中,计算评价参数D,即得到目标图像的细节清晰度。
客观评价模型的建立可以得出红外偏振图像质量的客观评价分值,红外偏振图像采集系统通过计算客观评价分值与主观评价数据的Pearson线性相关系数以及Spearman秩相关系数,通过对两个相关系数的判断,来比较主客观评价的一致性。其中,通过判定Pearson线性相关系数的大小来描述两个数据组的线性一致性,通过判定Spearman秩相关系数的大小来估计两组数据的排序相关程度,衡量排序一致性。相应的,rs、rp值越接近1,说明客观评价模型计算得到的红外偏振图像的特性排序与人眼主观评价排序越一致。
下表给出了以上三组实验图像的细节清晰度平均标准化评价分数、客观评价模型计算结果以及相对于的相关系数rp和rs,表中圆圈编号为该红外偏振图像在实验组中得分排次。
图像边缘清晰度客观评价模型,图像的模糊熵随着图像边缘程度的清晰而变大。通过判定模糊熵的大小来对应的图像的不同区域。根据红外偏振图像的适应性确定模糊窗口的大小,本文采用5×5窗口尺寸。对于邻域内像素灰度值对区域均值的隶属程度,利用S函数来计算。最后计算图像邻域内的模糊熵,在图像中逐点移动,扫描完目标图像后,进行累加求和就可得到图像的模糊熵。
进一步地,具体过程如图8的图像边缘清晰度模型实现过程流程图,在本发明实施例中,图像边缘清晰度模型是基于模糊熵模型实现的。具体的过程如流程图所示。
根据主观评价数据验证此处所参照的基于目标邻域的感知对比度客观评价模型的有效性。下表分别给出了边缘清晰度平均标准化评价分数、客观模型对比度计算结果以及相对应的相关系数rp和rs,表中圆圈编号为该红外偏振图像在实验组中得分排次。
目标图像与背景图像对比度模型建立以及评估,在本发明实施例的红外偏振图像采集系统采用基于目标邻域的背景作为对比度计算时的背景能更好地体现客观模型的准确性。实现过程如下:
(1)利用基于二维直方图的最大相关算法,对红外偏振图像进行区域分割,将图像分成ROT和RON两个部分,记录分割阈值th;
(2)根据确定的分割阈值th,分别对目标图像进行分块;
(3)确定目标邻域面积,出现交叉重叠现象时,将两个(或两个以上的)目标区域进行合并处理;
(4)遍历整个目标图像,计算所有ROT与RON图像块的亮度差异并与RON或ROT均值的比值即为基于ROT与RON对比度的评价模型。
其中对于多目标情况,设场景中有n个目标区域,每个目标区域包括的面积为S1,S2,S3…Sn,根据人眼空间积分特性,设每个目标对于人眼的敏感权重为:λ1,λ2,λ3...λn,则有:
基于主观实验的客观评估计算,基于目标探测的图像感知质量QTD用客观模型量化的目标与背景的感知对比度CTB、图像细节清晰度D以及图像边缘清晰度H线性表征,即可得到红外偏振图像质量的客观评价模型:
QTD=a0+a1D+a2H+a3CTB。其中,a0、a1、a2和a3为待确定的加权系数。系统包含的主观实验,基于人眼主观感知分数利用逐步回归法拟合得到三种典型场景图像的基于目标探测的感知质量计算模型,具体表达形式如下所示:
绿色植物场景图像计算模型:
QTD=0.359D+0.217H+0.409CTB+0.033(R2=0.853);
大海天空场景图像计算模型
QTD=0.316D+0.228H+0.434CTB+0.017(R2=0.813);
城市建筑场景图像计算模型:
QTD=0.407D+0.210H+0.358CTB+0.024(R2=0.807);
通过以上各计算模型即可计算得到基于目标探测的图像感知质量分数。在此,利用主观实验评价分数对以上图像感知质量计算模型进行相应的检测,并利用Pearson线性相关系数和Spearman秩相关系数来衡量客观模型计算结果与主观评价实验平均标准化意见分数的一致性。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种红外偏振图像质量评价方法,其特征在于,包括:
对红外强度图像进行分析以得到红外偏振图像,并基于所述红外偏振图像建立灰度图像库,其中,所述红外偏振图像包括:至少一个目标图像和至少一个所述目标图像外的背景图像;
通过主观评价指标分别对所述灰度图像库中的所有所述红外偏振图像进行评价并获得主观评价数据,并建立主观评价模型;
通过客观评价指标分别对所述灰度图像库中的所有所述红外偏振图像进行评价并获得客观评价数据,基于所述主观评价数据和所述客观评价数据建立关联模型,所述关联模型具有所述主观评价指标和所述客观评价指标之间的映射关系;
基于所述客观评价数据建立客观评价模型,通过所述客观评价模型对所述灰度图像库中的所有所述红外偏振图像进行评价并获得客观评价分值,将所述客观评价分值与所述主观评价分值进行对比,更新所述客观评价模型。
2.根据权利要求1所述的方法,其特征在于,在所述对红外强度图像进行分析以得到红外偏振图像之前,包括:
构建红外偏振图像采集系统;
通过红外偏振图像采集系统采集所述红外强度图像,并对所述红外强度图像进行分析。
3.根据权利要求1所述的方法,其特征在于,
所述主观评价指标包括:所述目标图像的细节清晰度、所述目标图像的边缘清晰度和所述目标图像的邻域感知对比度;
所述通过主观评价指标对所述灰度图像库中的所有所述红外偏振图像进行评价并获得主观评价分值,包括:
实验观测者通过主观评价试验分别对所述灰度图像库中的所有所述红外偏振图像的质量进行评价,并获得所述主观评价分值。
4.根据权利要求1所述的方法,其特征在于,
所述背景图像包括:海天背景、绿色植物背景和城镇建筑物背景中的至少一种;
所述客观评价指标包括:所述目标图像与所述背景图像的对比度、所述目标图像的细节清晰度以及所述目标图像的边缘清晰度。
5.根据权利要求1所述的方法,其特征在于,所述基于所述主观评价分值和所述客观评价数据建立关联模型,包括:
对所述主观评价数据进行归一化处理并进行多元线性回归处理;
通过所述多元线性回归处理得到基于所述主观评价数据的所述关联模型。
6.根据权利要求4所述的方法,其特征在于,所述客观评价模型包括:
所述目标图像与所述背景图像的对比度客观评价模型、所述目标图像的细节清晰度客观评价模型以及所述目标图像的边缘清晰度客观评价模型。
7.一种红外偏振图像采集系统,其特征在于,所述红外偏振图像采集系统为应用于权利要求1-6中任一项所述方法的所述红外偏振图像采集系统,包括:
图像采集组件,所述图像采集组件包括四组长波热像仪,每组长波热像仪呈“田”字型分布,并且其中至少三组长波热像仪设有红外偏振片。
8.根据权利要求7所述的系统,其特征在于,所述红外偏振图像采集系统,还包括:
信号采集电路,所述信号采集电路设于红外偏振图像采集系统的内部空间,所述信号采集电路包括:供电电路板、连接底板、数据传输电路板和图像偏振处理电路板,各个电路板之间通过接插件电连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769701.6A CN115147701B (zh) | 2022-07-01 | 2022-07-01 | 一种红外偏振图像质量评价方法和采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769701.6A CN115147701B (zh) | 2022-07-01 | 2022-07-01 | 一种红外偏振图像质量评价方法和采集系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147701A true CN115147701A (zh) | 2022-10-04 |
CN115147701B CN115147701B (zh) | 2023-07-28 |
Family
ID=83409778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210769701.6A Active CN115147701B (zh) | 2022-07-01 | 2022-07-01 | 一种红外偏振图像质量评价方法和采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147701B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663745A (zh) * | 2012-03-23 | 2012-09-12 | 北京理工大学 | 一种基于视觉任务的彩色融合图像质量评价方法 |
CN205681547U (zh) * | 2016-05-11 | 2016-11-09 | 河海大学 | 一种多通道偏振与红外图像采集系统 |
CN107424146A (zh) * | 2017-06-28 | 2017-12-01 | 北京理工大学 | 一种红外偏振图像质量客观评价方法和系统 |
CN108510494A (zh) * | 2018-04-09 | 2018-09-07 | 中国石油大学(华东) | 基于子空间辨识方法的彩色融合图像质量评价方法 |
CN114066857A (zh) * | 2021-11-18 | 2022-02-18 | 烟台艾睿光电科技有限公司 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004295691A (ja) * | 2003-03-27 | 2004-10-21 | Pentax Corp | 画質判定方法プログラムおよび装置 |
-
2022
- 2022-07-01 CN CN202210769701.6A patent/CN115147701B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663745A (zh) * | 2012-03-23 | 2012-09-12 | 北京理工大学 | 一种基于视觉任务的彩色融合图像质量评价方法 |
CN205681547U (zh) * | 2016-05-11 | 2016-11-09 | 河海大学 | 一种多通道偏振与红外图像采集系统 |
CN107424146A (zh) * | 2017-06-28 | 2017-12-01 | 北京理工大学 | 一种红外偏振图像质量客观评价方法和系统 |
CN108510494A (zh) * | 2018-04-09 | 2018-09-07 | 中国石油大学(华东) | 基于子空间辨识方法的彩色融合图像质量评价方法 |
CN114066857A (zh) * | 2021-11-18 | 2022-02-18 | 烟台艾睿光电科技有限公司 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115147701B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
US8649580B2 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
CN110161233B (zh) | 一种免疫层析试纸卡的快速定量检测方法 | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
US10586376B2 (en) | Automated method of predicting efficacy of immunotherapy approaches | |
Ghazal et al. | Automated framework for accurate segmentation of leaf images for plant health assessment | |
JPH08504522A (ja) | 境界ピクセル・パラメータの規則正しいシーケンスを用いた物体を識別するための方法及び装置 | |
van Zwanenberg et al. | Edge detection techniques for quantifying spatial imaging system performance and image quality | |
CN109285140A (zh) | 一种印刷电路板图像配准评估方法 | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
Ji et al. | No-reference image quality assessment for dehazed images | |
CN115147701B (zh) | 一种红外偏振图像质量评价方法和采集系统 | |
CN114677670A (zh) | 一种身份证篡改自动识别与定位的方法 | |
Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information | |
Liu et al. | Texture smoothing quality assessment via information entropy | |
US20120262564A1 (en) | Method for optimization of quantitative video-microscopy and associated system | |
Nguyen et al. | A no-reference measure for uneven illumination assessment on laparoscopic images | |
Hou et al. | No-reference quality assessment for underwater images | |
CN112703531A (zh) | 生成组织图像的注释数据 | |
KR102613961B1 (ko) | 골수가 도말된 슬라이드 샘플 이미지의 셀 존 결정 방법 및 셀 존의 고배율 촬상 방법 | |
Mosquera-Lopez et al. | Modeling human-perceived quality for the assessment of digitized histopathology color standardization |
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 |