一种新的遥感影像清晰度评价方法

谭伟,杨秉新,何红艳

北京空间机电研究所,北京100094

一种新的遥感影像清晰度评价方法

谭伟*,杨秉新,何红艳

北京空间机电研究所,北京100094

针对传统清晰度评价算法很难准确评价遥感卫星影像清晰度的问题,结合工程应用及遥感影像特点提出了一种新的遥感图像清晰度评价算法——自检测灰度梯度函数清晰度评价算法。把评价过程分为目标区域检测和清晰度特征参量提取,为解决遥感影像数据量大且景物密度与分布特点各异的问题,首先通过检测算子对一幅遥感影像中各区域进行检测来得到景物丰富且边缘明显的目标区域,然后再对目标区域进行灰度预处理并提取目标区域的边缘灰度梯度来评价清晰度。通过三组不同类型影像对该算法进行验证,分别为遥感相机在轨离焦仿真影像和噪声仿真影像,以及在轨型号遥感卫星影像,对比几种传统典型清晰度评价算法和自检测灰度梯度函数的评价效能,结果表明:文中方法满足遥感影像清晰度评价的基本要求,解决了传统算法无法横向比较不同遥感相机影像及不同大小影像清晰度的问题,是一种适合卫星遥感影像清晰度评价的方法。

清晰度;目标区域;特征参量;预处理;影像评估;航天遥感

清晰度定义为用影像灰度变化来定量描述的边缘锐利程度,是评价影像品质的一个重要参数,表征影像细节的纹理。影像中边缘越锐利,纹理的可辨程度越高,影像清晰度越好。目前数字影像清晰度的评价可以分为主观评价和客观评价[1-2]。主观评价方法不仅耗时长,还会受到观测者的专业背景、心理动机等因素的影响,而且很难与数学算法相结合;客观评价方法是利用影像的某些特征参数定量化地描述影像清晰度[3-4]。

现有清晰度评价方法大多建立在影像特征(灰度变化特征、纹理特征、频域特征、灰度分布特征等)统计信息之上,基于这些特征的影像清晰度评价方法主要分为4类:灰度梯度函数、边缘检测函数、频谱函数和熵函数。灰度梯度函数的原理是根据影像灰度梯度值判断影像清晰度,灰度梯度值越大,影像越清晰;边缘检测函数是基于检测并提取影像边缘,边缘信息越丰富,影像越清晰;频谱函数的原理是影像由空域变换到频域后,高频部分对应影像景物边缘,高频信息越丰富,意味着影像中景物边缘灰度变化越剧烈,灰度梯度越大,影像越清晰;熵函数的原理是熵代表着影像信息量的大小,清晰影像的信息量大于模糊影像,熵越大影像越清晰[5]。理想的清晰度评价方法应具备四个基本要求:通用性,即独立于影像内容,适用性强;单调性,该方法能够随着影像清晰度变化单调变化;鲁棒性,即算法能够识别和抑制噪声及异常点的影响,具有良好的稳定性;无偏性,通过评价算法得到的结论应该与主观观测结果无偏差。

传统的几种影像清晰度评价方法及其改进方法多用于对影像模糊进行评估及自动调焦,其评价对象一般为同一相机相同成像条件时一组不同程度模糊退化的影像[6-7]。遥感影像是遥感卫星在轨运行过程中对地面成像的结果,很难保证相同的成像条件下对相同的地面景物成像,且由于相机的差异使得不同遥感卫星影像之间很难进行对比;以及高频噪声的存在,四种传统的清晰度评价函数(灰度梯度函数、边缘检测函数、频谱函数和熵函数)很难满足对噪声的鲁棒性及主客观评价的无偏性;且对相机参数不同的遥感影像无法横向比较[8-9],传统影像清晰度评价方法很难有效应用在遥感影像上。本文结合遥感影像特点,基于灰度梯度函数、边缘检测函数及频谱函数法提出了一种遥感影像清晰度评价算法——自检测灰度梯度函数。

1 卫星遥感影像清晰度评价方法

本文提出的自检测灰度梯度函数是基于影像中景物的边缘信息,算法主要由两部分组成,分别为目标区域检测和特征参量提取。其中,目标区域检测是基于影像频域和边缘分布特征来获取景物丰富且具有明显边缘的区域,而特征参量提取则基于目标区域灰度变化特征提取边缘平均灰度梯度来评价清晰度。

1.1 目标区域检测原理

本文中提出的遥感影像清晰度评价方法选择影像中边缘信息最丰富的区域作为研究目标,目标区域检测包括边缘提取和边缘强度计算。以边缘所占比例与平均强度之积作为该区域的评判参数,当出现最大的积时,选择该区域为目标区域。

(1)边缘提取

边缘是影像中具有灰度阶跃响应的区域,可采用边缘检测算子对其进行提取。常用边缘检测算子包括Roberts边缘算子、Sobel边缘算子、Prewitt边缘算子、Laplacian边缘算子、Canny边缘算子等。其中Canny边缘算子具有低误判率、高定位精度、抑制虚假响应等优点[10],本文将采用Canny算子提取边缘信息。

Canny边缘算子的基本思想如下[11]:

首先,采用Gauss函数构造滤波器对影像进行平滑滤波抑制噪声:

式中:σ为高斯函数标准差,(x,y)为影像灰度矩阵的某个像元。

其次,分别用高斯一阶x偏导数和一阶y偏导数对影像卷积得到x和y方向的灰度梯度矩阵Ix(x,y)和Iy(x,y)。利用Ix(x,y)和Iy(x,y)计算灰度梯度幅值M(x,y)及梯度方向θ(x,y):

接下来采用非极值抑制(Nonmaxima Suppression),即判断梯度幅值矩阵的每一个像素幅值是否大于沿梯度方向上的两个相邻的像素幅值,大于则可能是边缘点,否则删除该点。

最后采用双门限检测通过双阈值递归寻找影像边缘点,实现边缘提取。

(2)边缘强度计算

影像处理中通常采用傅里叶变换对影像进行处理,将影像灰度矩阵变换到频域矩阵,频域信息代表着影像灰度的变化[12]。对频率矩阵处理可得到其频谱矩阵。影像中边缘是灰度剧烈变化的区域,对应着频域中的高频信息,且频谱矩阵中每个像素值的大小代表着灰度变化的强度。二维傅里叶变换表达式F(u,v)及其频谱p(u,v)分别为

式中:(x,y)为灰度矩阵某一像素,f(x,y)为其灰度值;(u,v)为频率矩阵中某一像素,F(u,v)为其频率。F(u,v)为一个复数,R(u,v)和I(u,v)分别为频率F(u,v)的实部与虚部。求取频谱矩阵中高频区域的像素平均值作为影像平均边缘强度。

1.2 清晰度计算原理

目前在遥感影像清晰度评价中,灰度梯度函数是应用得较多的一种方法,平均灰度梯度函数通过提取每个像素与相邻像素的灰度差从而得到全幅影像的平均灰度梯度:

式中:f(x,y)为影像中某像素的灰度值;N1、N2分别为影像的行、列像元数。

影像灰度梯度大小可敏感地反映影像对微小细节反差表达的能力。对于一幅影像来说,平均灰度梯度越大,影像层次越明显,细节之间边缘越可辨,影像越清晰[13]。平均灰度梯度函数主要计算每个像素点水平和垂直这两个方向相邻像素之间的灰度梯度。平均灰度梯度函数具有计算量小、单调性好、可靠性高等优点[14]。考虑到遥感影像中目标和细节分布复杂无规则且数量大的特点,基于平均灰度梯度函数作如下改进:

1)核心算子的改进。考虑到遥感影像中目标的各向异性,将计算每个像素水平和垂直方向相邻像素灰度变化改为计算每个像素相邻8个方向的灰度变化,从而得到每一个像素与其临近所有方向像素灰度值的差异,根据清晰度定义,影像越清晰,边缘与背景像素之间灰度差异越大。如图1所示,对8个不同方向灰度变化进行距离加权,其中0°、90°、180°、270°权值为1, 45°、135°、225°、315°权值为1/2。

2)加入小波滤噪抑制噪声影响。噪声及异常点(饱和像元或暗像元)在影像中是梯度值很大的像元区域,在频域中属于高频区域,能够使影像清晰度计算结果偏大,与主观评价不一致,影响清晰度评价。传统的滤噪方法多采用平均或线性方法,消噪效果与图像清晰度是一对矛盾的存在,而小波滤噪很好地解决了这个问题。

3)基于影像灰度特征的阈值来准确提取边缘。影像边缘具有以下特点:相比非边缘区域具有较大的灰度梯度值;在整幅影像中所占比例较小。为快速精准地提取影像中的边缘信息,采用自适应阈值,即阈值大小依赖于影像自身灰度信息,引入低阈值(Low Threshold)作为最小边缘阈值,将灰度梯度小于低阈值的部分视为非边缘区域舍弃。对影像进行灰度梯度或微分运算时,获取影像边缘的同时放大了异常像元(灰暗像元或饱和像元)。算法引入高阈值(High Threshold),将大于高阈值的像素视为异常像元舍弃。在两个阈值之间的像元作为有效的边缘区域,并计算这部分像元所占总像元数的比例作为边缘权值σ。

经过上述三方面改进后的算法如下:

式中:F(x,y)表示每个像元加权后的灰度梯度值;I为计算所得影像清晰度;Δ为清晰度特征参量,即每个像元与相邻那个像元的平均灰度梯度;Th1为最小边缘阈值,Th2为异常像元阈值;σ为Δ对应的权值;N1、N2为影像的行、列像元数。结算结果越大,影像中大灰度梯度区域越多,影像中边缘越明显,影像越清晰。

1.3 遥感影像清晰度评价流程

本文采用图2所示流程,通过区域检测过程得到评价所需的目标区域,再对目标区域进行特征参量提取以计算清晰度。

图1 统计每个像素相邻8个像素之间灰度差异Fig.1 Gray scale difference of among each pixel and its surrounding pixels

图2 遥感影像清晰度评价流程Fig.2 Evaluation process of remote sensing image definition

(1)目标区域大小设定

一幅遥感影像往往覆盖面积较大、数据量较大,景物数量及分布密度也不一致。结合工程应用中图像清晰度评价,可选择1.024 km× 1.024 km作为目标区域的面积。不同遥感影像根据各自地面分辨率的来确定影像中的检测矩阵W(i,j)的大小,例如,“高分一号”卫星地面分辨率为2 m,其W(i,j)可选择512×512像元数。

(2)目标区域选取

通过检测函数来检测所选区域W(i,j)中的景物边缘及其强度,其中,景物边缘通过边缘检测算子提取,边缘强度用影像频域中的高频分量表示,遥感影像中一般选择景物最丰富且边缘明显的区域作为目标区域。

(3)预处理

量化位数和辐亮度差异预处理。将影像灰度矩阵除以其平均灰度值,得到新灰度矩阵,由此抑制了量化位数和辐亮度差异造成的影像整体灰度值偏大或偏小对清晰度计算结果的影响。

(4)清晰度计算

计算目标区域清晰度并以此作为整幅影像清晰度。

图3 不同遥感卫星影像中对应的1.024 km×1.024 km城市区域Fig.3 City images with 1.024 km×1.024 km area of different remote sensing satellites

2 试验及仿真结果

2.1 不同遥感卫星影像清晰度计算

本试验中选取国外的Pleiades、Worldview-2这两个亚米级分辨率遥感卫星及国内的“资源三号”(正视)、“高分一号”、“实践9A”和“资源一号”(02C)这几个2 m级分辨率遥感卫星影像作为研究目标。通过本文的目标区域检测算法得到各影像中地面等效面积为1.024 km×1.024 km的区域。通过多名人员主观评价,按照各遥感影像目视清晰度排列,如图3所示。

归一化的影像清晰度计算结果如表1所示,影像清晰度曲线图4所示。

计算结果表明:本文算法得到的影像清晰度与主观评价清晰度的结果基本一致,满足无偏性,且单调性良好;传统的四种算法出现多个峰值,不符合单调性,且与主观评价结果不符合,基本无法横向比较不同遥感卫星影像清晰度。

表1 不同卫星城市地区影像清晰度归一化结果Table 1 Normalized image definition of city area in different remote sensing satellites

2.2 仿真影像清晰度计算

(1)离焦模糊仿真影像清晰度计算

本文中通过仿真得到一组离焦模糊影像,模拟卫星在轨运行时由于多种机制影响导致相机离焦而造成的影像模糊,用α表示仿真时离焦模糊系数,α越大,表示遥感相机离焦程度越大,图像越模糊,如图4所示。

计算各图像峰值信噪比PSNR及清晰度并归一化处理,结果如表2所示。

表2 仿真影像PSNR与清晰度归一化结果Table 2 Normalized image definition of emulated images

图4 离焦模糊仿真影像Fig.4 Emulated defocusing images

图5 离焦模糊仿真影像清晰度归一化曲线Fig.5 Normalized image definition curve of emulated defocusing images

PSNR及清晰度变化曲线如图5所示。

通过结果可知:本文方法和灰度梯度法、边缘检测法都能够保持单调性和无偏性,且与PSNR曲线变化趋势保持一致,而频谱函数和熵函数则出现多峰值。随着离焦系数的增大,影像模糊程度增加,清晰度单调降低。但相比灰度梯度法和边缘检测法,本文方法对清晰度变化更加敏感,能够准确识别清晰度退化。

(2)噪声仿真影像清晰度计算

图6为一组添加噪声的仿真影像,仿真光子噪声等与影像灰度值相关噪声,其中,噪声均值为0,方差为δ,δ越大表示噪声方差越大,图像越模糊。

计算各图像PSNR与清晰度并归一化处理,结果如表3及图7所示。

通过结果可知:本文方法对噪声具有良好的鲁棒性能,随噪声的增大,清晰度计算结果逐渐减小,与PSNR曲线变化趋势一致,满足单调性、无偏性、鲁棒性;传统4种算法无法识别和抑制高频噪声,其清晰度计算过程中将噪声误判为边缘,随噪声的增大,清晰度反而增大,与主观评价不一致,不满足单调性、无偏性,对噪声的鲁棒性差。

图6 含随机噪声的仿真影像Fig.6 Emulated images with random noise

表3 随机噪声仿真影像PSNR与清晰度归一化结果Table 3 Normalized image definition of emulated images with random noise

图7 随机噪声仿真影像清晰度归一化曲线Fig.7 Normalized image definition curve of emulated images with random noise

3 结束语

本文针对传统图像清晰度算法应用于遥感图像时的缺陷,提出自检测灰度梯度函数清晰度评价算法。将评价过程分为目标区域检测和特征参量提取,使算法与工程应用更加紧密结合;改进传统评价算法的缺点与不足得到了新的评价算法,满足通用性、单调性、鲁棒性、无偏性这4个清晰度评价算法基本要求,解决了传统算法在遥感影响清晰度评价方面的局限性。仿真影像及在轨型号影像清晰度评价结果验证了本文方法的有效性。本文提出的清晰度评价算法一方面可作为一个影像质量参数用于遥感影像质量评价体系中,同时也可用于遥感卫星在轨成像时影像模糊评估及辅助调焦。

References)

[1] LEACHTENAUER C JON,DRIGGERS G RONALD. Surveillance and reconnaissance imaging system-modeling and performance prediction[M].Boston&London:Artech House,2001:1-2.

[2] 陈世平.关于遥感图像品质的若干问题[J].航天返回与遥感,2009,30(2):10-17(in Chinese). CHENS P.Some issues about the remote sensing image quality[J].Spacecraft Recovery&Remote Sensing,2009,30(2):10-17(in Chinese).

[3] 吴一全,曹照清.基于小波变换和核独立分量分析的遥感图像变化检测[J].中国空间科学技术,2013,12 (6):9-16. WU Y Q,CAO Z Q.Remote sensing image detection based on wavelet and kernel independent component analysis[J].Chinese Space Science andTechnology,2013,12(6):9-16.(in Chinese)

[4] 马文坡.航天光学遥感技术[M].北京:中国科学技术出版社,2011:130-131. MAW P.Space optical remote sensing technology [M].Beijing:China Science and Technology Press, 2010:253-257(in Chinese).

[5] 陈亮,李卫军,覃鸿.数字影像清晰度评价函数的通用评价能力研究[J].计算机工程与应用,2013,49 (14):152-155. CHEN L,LI W J,QIN H.Efficiency contrast of digital image definition functions for general evaluation function[J].Computer Engineering and Applications,2013,49(14):152-155(in Chinese).

[6] YI YAO,BESMA ABIDI,NAEJES DOGGAZ. Evaluation of Sharpness measures and search algorithms for the auto-focusing of high magnification images[J].Visual Information Processing,2006,62 (46):1-12.

[7] CAVIEDES J,GURBUZ S.No-reference sharpness metris based on local edge Kurtosis[C]∥Proceedings of IEEE International Conference on Image Processing,ICIP 2002,Rochester,New York,USA,September 22-25, 2002.

[8] 徐贵力,刘小霞,田裕鹏.一种影像清晰度评价方法[J].红外与激光工程,2009,38(1):180-184. XU G L,LIU X X,TIAN Y P.Image clarityevaluation-function method[J].Infrared and Laser Engineering,2009,38(1):180-184(in Chinese).

[9] 刘鹏,王荣彬,刘文婷.遥感影像清晰度评价方法的比较[J].地理空间信息,2012,10(2):44-46. LIU P,W R B,LIU W T.Comparison of definition evaluation function for remote sensing image[J].Geospatial Information,2012,10(2):44-46(in Chinese).

[10] 康宗明,张利,谢攀.一种基于能量和熵的自动聚焦算法[J].电子学报,2003,31(4):552-555. KANG Z M,ZHANG L,XIE P.Implementation of an automatic focusing algorithm based on spatial high frequency energy and entropy[J].Acta Electronica Sinca,2003,31(4):552-555(in Chinese).

[11] CANNY J.A computational approach to edge detection [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.

[12] 秦襄培,郑贤忠.MATLAB图像处理宝典[M].北京:电子工业出版社,2011:343-346. QIN X P,ZHENG X Z.MATLAB image processing book[M].Beijing:Publishing House of Electronics Industry,2011:343-346(in Chinese).

[13] NILL N B,BOUZAS B H.Objective image quality measure derived from digital image power spectra [J].Optical Engineering,1992,31(4):813-825.

[14] ESKICIOGLU A M,FISHER P S.Image quality measures and their performance[J].IEEE Transactions on Communications,1995,43(12):2959-2965.

[15] MARZILIANO P,DUFAUX F,WINKLER S.A noreference perceptual blur metric[C]∥Proceedings of IEEE International Conference on Image Processing, ICIP 2002,Rochester,New York,USA,September 22-25,2002.

(编辑:车晓玲)

A new definition evaluation method for remote sensing images of satellite

TAN Wei*,YANG Bingxin,HE Hongyan
BeijingInstituteofSpaceMechanics&Electricity,Beijing100094,China

A new evaluation function to compute remote sensing image definition was proposed according to engineering applications and features of remote sensing image,to overcome the shortages of traditional image definition evaluation functions.For large data and different scenery density and distribution of remote sensing images,the definition evaluating process was separated as target area detection and characteristic parameter extraction.Firstly,detection function detected whole image to get the rich scenery and obvious edge area as target area.Then a gray gradient function made image gray pretreatment and extracted definition characteristic parameters to evaluate image definition.Three different kinds of remote sensing images,namely,emulated defocusing image, emulated noise image and on-orbit satellite image were used in the proposed method,to verify its effectiveness and accurateness by comparing it with four traditional methods.The analysis and emulation results show that the proposed method can meet the four basic demands to evaluating remote sensing image definition and tackle the deficiencies of traditional functions in evaluating different remote sensing images,it is available to evaluate remote sensing image definition.

image definition;target area;characteristic parameter;pretreatment;image evaluation;space remote sensing

V443+.5

:A

10.16708/j.cnki.1000-758X.2016.0024

2015-03-27;

:2015-06-27;录用日期:2016-02-26;< class="emphasis_bold">网络出版时间

时间:2016-04-19 15:39:10

http:∥www.cnki.net/kcms/detail/11.1859.V.20160419.1539.008.html

*

:谭伟(1990-),男,硕士研究生,blacktanphay@126.com,主要研究方向为空间光学遥感器总体设计

谭伟,杨秉新,何红艳.一种新的遥感影像清晰度评价方法[J].中国空间科学技术,2016,36(2):50-57.TANW,YANGBX,HEHY.Anewdefinitionevaluationmethodforremotesensingimagesofsatellite[J].2016,36(2):50-57(inChinese).

http:∥zgkj.cast.cn