弹载侦察图像质量评价方法研究

李从利, 薛松, 陆文骏, 袁广林, 秦晓燕

(1.陆军军官学院 3系, 安徽 合肥 230031; 2.陆军军官学院 11系, 安徽 合肥 230031)

弹载侦察图像质量评价方法研究

李从利1, 薛松1, 陆文骏1, 袁广林2, 秦晓燕2

(1.陆军军官学院 3系, 安徽 合肥 230031; 2.陆军军官学院 11系, 安徽 合肥 230031)

针对弹载侦察图像由于受成像平台和条件限制存在多类型混杂失真，为了对图像后续处理和成像系统性能优化提供重要量化依据和指标参考，开展此类图像质量评价研究。分析了弹载侦察图像的特点，针对成像平台的多自由度、多姿态变化情况，提取与相机抖动、结构变化、颜色丢失相关的3类11种图像特征，利用高分辨率测绘图像作为原始图像集，分块提取特征进行多元高斯模型(MVG)拟合获得基准分布特性，对弹载图像也进行分块处理获得对应MVG分布特性，比较其与基准MVG特性马氏距离作为子块质量得分，计算各子块的得分均值作为整幅图像最终得分。以实际弹载成像平台获取的图像进行了实验验证。实验结果表明：与盲图像质量测度算法、基于离散余弦变换的图像完整性测度改进算法、基于失真度识别的图像验证与完整性评价算法、质量感知聚类算法、盲图像质量空域测度算法、自然图像质量测度算法、整体与局部的自然图像质量测度算法7种其他经典方法相比，该算法具有更好的准确度和主客观一致性。

兵器科学与技术；图像质量评价；弹载侦察图像；自然场景统计；图像特征

0 引言

图像侦察弹的研究始于20世纪70年代，美国先后提出“炮射侦察系统”、“炮射电视目标定位系统”。 20世纪90年代后随着图像信息处理、芯片集成、无线传输通信等技术的发展，侦察弹技术正向着小型化、全天候、多波段、单兵化方面快速演变，广泛应用于军、警、民等不同领域，也受到了各国学者的重视和关注。

目前较为经典的侦察弹是以色列的Firefly膛射式微型图像侦察弹及美国研制的单兵榴弹发射成像弹，相比之下我国图像侦察弹的研究起步较晚。但通过积极跟踪和不懈努力，已研制出包括火炮炮射侦察弹、迫击炮发射侦察弹和侦察枪榴弹等多种侦察弹，其中有的侦察弹已装备部队，有的侦察弹进行了大量样弹发射实验，其拍摄的图像辨别战术目标能力强、侦察距离远[1]。

目前针对弹载侦察图像的研究主要集中在编码压缩[2]、增强、校正[3]、消旋[4]及拼接[5]方面，主要为毁伤效果评估、敌火力分布估计等战场侦察方面提供信息支持；而针对该类图像展开的质量评价研究少见报道，同时由于成像条件的影响，弹载侦察图像存在多种类型的降质现象，对其进行质量评价的定量分析不但具有现实应用需求，而且对拓展图像质量评价方法理论研究和应用领域具有重要意义。

图像质量评价方法分为主观和客观两类[6]，图像质量评价的主观方法使用人眼来评价图像的质量，作为最终的接受者，该方法也是最为可靠和准确的，但是受评价者本身、评价环境条件、图像内容等多种因素影响，人力物力投入大、耗时长、成本高，实际应用中常作为客观评价的辅助和参考。

依据需要参考图像信息的多少，图像质量评价客观方法可分为：全参考评价(FR)方法、弱参考评价(RR) 方法和无参考评价(NR)方法。其中FR方法和RR方法借助于参考图像的全部或部分信息，结果较精确，已获得成熟应用；实际应用中经常难以获取参考图像，只能采用NR方法，近年来该方向的发展较为迅速。

早期的NR模型认为待评价图像是受到一种或多种特定降质因素的影响，例如振铃效应、模糊、块效应及压缩等等，因此研究的评价方法为限定失真评价方法，其应用范围受到限制[7-9]；后来人们逐渐转向通用的NR方法的研究。

通用NR方法考虑在有关降质(失真)类型的先验知识缺乏条件下的盲评价问题的解决。其中一大类方法可归结为“主观已知”类型，该类方法需要在已知失真类型和人工标注得分的图像数据库上进行“训练”，评价过程相似，可分为训练阶段和测试阶段。在训练阶段从已知失真图像中提取特征向量，建立关于失真图像特征向量和主观得分关系的回归模型，在测试阶段，对待评价图像首先提取相应的特征向量，利用训练好的回归模型预测其质量得分，例如盲图像质量测度(BIQI)[10]、基于失真度识别的图像验证与完整性评价(DIIVINE)[11]、基于离散余弦变换的图像完整性测度(BLIINDS-II)[12]、盲图像质量空域测度(BRISQUE)[13]、基于码书的无参考图像质量评估(CORNIA)[14]是此类方法的典型代表。此类方法存在不足，需要大量已知失真类型且有人工标注得分的图像样本去训练回归模型。实际工程应用中，图像的失真类型众多且同一幅图像可能包含多种类型的失真，由于该方法强依赖于相关失真类型及训练图像数据库，故应用场合受限。

鉴于“主观已知”方法的不足，随后人们将研究的焦点集中在“主观未知”评价方法上，此类方法不需要失真图像的训练样本和人工标注得分等先验信息，突出的工作是Mittal等[15]提出的自然图像质量测度(NIQE)方法。该方法在BRISQUE工作基础上，采用多元高斯模型(MVG)对图像的统计特征分布进行了拟合，以原始自然图像块提取的的特征集分布作为计算基准，待评价图像的质量得分通过计算其特征集分布的MVG拟合和基准的MVG拟合之间的距离获得，由于“主观未知”，该方法可看做是“全盲”评价方法的代表。由于NIQE方法对图像的统计特征分布进行拟合时使用了一个MVG模型，忽略了局部信息在质量得分预测中的作用，因此Zhang等[16]又提出了改进的分块进行MVG拟合的方法：整体与局部的自然图像质量测度(IL-NIQE)方法。

对于目前流行的“主观未知”和“主观已知”的两类方法，各有其优缺点，适用场合也不相同。本文研究的对象是图像侦察弹拍摄的图像，由于成像条件的随机性和多类型降质情况的存在，无法获取相应的参考图像，只能采用“主观未知”评价方法，受NIQE和IL-NIQE方法的启发，以多幅高分辨率测绘图像(拍摄于合肥东南部巢湖区域上空700 m，分辨率为7 360×4 912)为原始自然图像，按照OverLap方式分割成800幅图像样本库，按照分块进行MVG拟合求取距离，最后全局进行平均的方法获得弹载侦察图像的质量得分。

1 弹载侦察图像特征分析及提取

1.1 图像的特点分析

图像侦察弹一般由侦察器件、无线电发射机、天线和电源等部件组成。侦察器件既可以是数码相机、摄像机类的成像器件，也可是声、磁、震动传感器；无线电发射机和天线负责将侦察器件采集到的信息传回后方；电源为侦察器件和无线电发射机提供电力支持。其工作过程如图1[1]所示。

图1 图像侦察弹工作示意图[1]Fig.1 Schematic diagram of blast point detection[1]

图1所示图像侦察弹在达到最高弹道高度时才启动侦察器件，在降落过程中对下方区域实施侦察，边降落边工作。由于受弹体自旋、降落伞扰动、风、成像器件受损、无线传输干扰等不确定因素的影响，使得弹载图像呈现以下4个显著特点：1) 一般为运动图像，覆盖范围广、背景变化快；2) 数字化后信息量大、传输实时性要求高，存在编解码信息损失影响；3) 成像环境恶劣，存在各种随机干扰，降质因素偶发性强；4) 侦察器件体积小、高过载条件下成像器件受损可能性大。这些特点的存在会显著影响其图像质量。

考虑弹载图像的特点，对实弹拍摄的图像进行统计分析，可以发现存在以下几类明显失真：边降落边旋转带来的运动模糊、弹体抖动产生的散焦、高过载形成的成像器件损伤、编解码带来的误差、各类随机噪声、复杂电磁环境带来的干涉等等，如图2所示典型失真情况。由于成像平台空中条件的不可预见性，使得弹载图像具有一种或多种显性和隐形的混合失真情形，因此必须深入分析并选取适合其质量评价的图像特征。

图2 弹载图像存在的多失真现象Fig.2 Several distortions of image

1.2 特征提取

图像特征的准确提取是质量评价模型构建成功的关键，在“主观未知”盲评价方法的特征选取时重要的原则是：选取的特征应与图像的失真类型无关，而与图像的失真程度相关。考虑弹载图像成像方式的极端特殊性，本文重点考虑选取3类特征：与弹载相机抖动失真相关的特征、与图像内容结构失真相关的特征、与图像颜色失真相关的特征。

1.2.1 与弹载相机抖动失真相关的特征因子

关于图像模糊失真的特征选取和评价已经有了不少方法，主要分为基于边缘测量、基于谱分析两大类型，主要用于散焦和压缩带来的模糊进行质量评价。而相机抖动方向带来的模糊在图像上呈现明显的各向异性[17]，不同于目标相对背景运动带来的模糊，因此必须寻找适合弹载图像模糊失真的特征因子。

由于弹载成像设备相机运动呈现瞬时高速旋转、多自由度的抖动，图像的相应高频部分会受到不同程度的减弱。文献[17]针对由相机抖动带来的模糊评价问题专门进行了研究，提出了两类6个图像特征：一类是方向特征，用于表示相机按不同方向抖动带来的图像谱结构多方向变化，有均值、方差和最小锐度3个特征；另一类是形状特征，相机抖动会非对称地改变图像频带形状，提出了用椭圆来表征图像频谱形状，有面积、离心率和长轴方向3个特征。

考虑计算代价，本文选取文献[17]中方向特征的均值和形状特征的离心率作为表征因子，分别记作f1、f2，限于篇幅，详细定义和计算公式请参见文献[17]。

1.2.2 与图像内容结构失真相关的特征因子

由图2可知，弹载图像经常呈现多失真混叠的现象，本文着眼于多失真带来的图像结构变化特征提取，而不纠缠于某一失真类型的特征寻找。研究表明由于自然场景统计(NSS)能够显著地揭示失真图像质量的衰退程度[18-19]，被经典算法BIQI、BLIINDS、DIIVINE、NIQE所采用，本文也采用此方法来表征多失真带来的图像结构变化，以图2(a)～图2(f)6幅图分别计算平均差分和对比归一化(MSCN)因子统计直方图，如图3所示，该因子也称为局部归一化亮度因子。由直方图可以看出由于失真的引入，图像的方差变小，直方图分布较为分散，表现出了一定的非高斯性。

图3 图2中弹载图像MSCN因子统计直方图Fig.3 Histogram of MSCN coefficients for images shown in Fig.2

自然灰度图像的局部归一化亮度因子服从高斯分布[20]，可将这个归一化过程描述为

(1)

式中：i、j为空间像素点，i∈1,2,…,M，j∈1,2,…,N；Ig是以自然图像的灰度图IMSCN(i,j)为图像像素点计算的局部归一化亮度因子；

(2)

(3)

μ(i,j)和σ(i,j)分别为图像的局部均值和方差，w={wk,l|k=-K,…,K,l=-L,…,L}为二维循环对称高斯权重函数，参考文献[15]，定义K=L=3. MSCN统计因子的直方图偏离程度可用于预测图像的失真程度[13]，将MSCN因子选取为第3个特征f3.

此外由于图像中的MSCN因子高度相似，水平方向上相邻的两个因子间存在着规律性的结构，如图4所示。因此采用经验分布函数分别在MSCN因子两侧的水平方向上进行计算：

IHpair_MSCN(i,j)=IMSCN(i,j)IMSCN(i,j+1).

(4)

根据(4)式可计算出两个特征f4、f5.

图4 图2中弹载图像MSCN的成对因子直方图(水平方向)Fig.4 Histogram of MSCN paired (horizontal) coefficients for images shown in Fig.2

此外(3)式的局部方差σ(i，j)是一个量化图像局部结构信息的重要参数，用来描述图像的锐度，因此可将其作为另一个特征f6.

1.2.3 与图像颜色失真相关的特征因子

弹丸在下落过程中，由于弹体高过载、弹丸瞬时高速旋转、图像编解码不完全、信号干扰等因素会造成颜色漂移、颜色损失、颜色模糊等色彩失真。前两类特征因子无法有效表达，需对弹载图像颜色信息的失真专门提取相关因子。

研究表明对比度熵CE可预测自然图像的局部对比度，选用对比度熵这个特征是因为它能很好地描述基于空中成像平台拍摄照片的特征。弹载图像在空域中通过高斯2阶导数差分滤波器分解，分解后的滤波器响应被整合[21]。选取在每个独立的颜色分量(灰度gray、黄蓝yb和红绿rg)上的对比度熵作为特征因子f7、f8、f9：

(5)

(6)

式中：c∈{gray,yb,rg}代表颜色通道，计算公式[20]为gray=0.299R+0.587G+0.114B，yb=0.5(R+G)-B，rg=R-G，R、G、B分别为图像中红、绿、蓝3通道的值；α表示Z(Ic)的最大值；κ表示对比度增益；τc为当前图像颜色通道的噪声阈值；符号⊗表示卷积；hh和hv分别是高斯函数的水平和垂直2阶导数。采用文献[21]定义gray、yb、rg3个通道的噪声阈值，分别设定为0.235 3，0.228 7和0.052 8.

考虑到HSV色彩空间更适合于人眼视觉系统来感知彩色特性的处理，其分量与人感知彩色的方式紧密相联[22]。因此在图像的H通道中计算图像的色调Ih，而色度CF可通过(7)式和(8)式计算[23]：

Ih(i,j)=IHSV(i,j,1)，

(7)

(8)

表1给出了所提取的3类11个特征因子。

表1 提取的3类特征因子Tab.1 List of three types of image features

2 图像质量评价模型构建

在提取1.2节3类特征的基础上，从标准测绘图截选的图像数据集上提取相应特征“学习”，得到基准MVG模型；针对待评价弹载侦察图像，进行子块划分，对每一块进行特征提取和MVG模型拟合；计算与基准MVG距离获得每一子块的质量得分；将各子块质量得分的均值作为待评价图像的质量得分。

2.1 基准MVG模型构建

不同于陆基平台采集的图像，在构建基准MVG模型时可以选择常见的清晰图像作为原始参考，弹载成像平台由空中抛撒，空对地成像，场景细节变化和图像中地貌特征也不相同，用常见的清晰图像进行处理难以得到满意结果。因此选择高度相似的高分辨率测绘图像作为原始基准图像，从多幅清晰图像中Overlap选取了P×P大小的800幅图像集。与IL-NIQE方法选取基准计算图像过程类似，先请4名志愿者分别挑选出包含：植被、土壤、人工目标、水体4类各100幅清晰图像共400幅基准图像；再请15位志愿者从400幅图像中挑选出90幅图像作为最后的原始基准图像，缩略形式如图5所示。

图5 用于构建基准MVG的90幅原始图像Fig.5 90 original iamges used to learn the pristine MVG model

针对原始基准图像，进一步进行p×p分块，不同于IL-NIQE方法，本文对每一子块不再进行筛选，全部参与计算。对每一子块进行上述特征提取，形成d维特征向量，为提升预测效率和降低计算成本，采用主成分分析(PCA)方法对d维特征向量进行降维处理。从n个子块选取的特征可用特征矩阵X=[x1,x2,…,xn]∈Rd×n表示，对X进行PCA降维处理得到映射矩阵Φ∈Rd×m, 其中m个主成分向量对应X的协方差矩阵的m个特征值(m

借助于映射矩阵Φ，每个特征向量可变换为

x′i=ΦTxi,x′i∈Rm×1,i=1,…,n.

(9)

假定x′i，i=1,…,n独立采样服从于一个m维MVG分布，即可利用标准的最大似然估计方法计算得到MVG分布的拟合特性[24]：

(10)

式中：x为所提取的特征向量，x∈Rm×1；μ、Σ分别为矩阵x均值向量和方差，这样构建的MVG模型即可用(μ,Σ)表达。

2.2 评价模型及指标

在基准MVG模型构建的基础上，可以对实际弹载侦察图像进行模型构建和指标设计。与2.1节构建过程类似，对待评价弹载侦察图像进行了p×p分块得到k个子块，对每个子块i进行特征提取得到d维向量yi，同样利用映射矩阵Φ对yi进行降维处理：

y′i=ΦTyi,y′i∈Rm×1,i=1,…,k.

(11)

这样一幅待评价弹载侦察图像可用一个特征向

(12)

文献[25]在进行质量得分计算时考虑不同图像块赋予不同权重，但会增加运算成本，由于弹载图像包含多类型失真且分布区域随机，难以有效区分质量得分贡献，为提升运算效率，采用均值方法计算得到整幅图像的质量等分：

(13)

本文算法流程如图6所示，虚线部分为构建基准MVG特性分布模型过程，实线部分为质量评价指标计算过程。

图6 算法流程示意图Fig.6 Flow chart of the proposed algorithm

3 实验与结果分析

3.1 参数设置和测试数据库

设定从标准测绘图中选取图像大小P×P为1 024×768；选取的子块大小p×p为8×8；PCA变换维度m为430.

测试图像数据库由两段实拍的侦察弹视频截取图像构成。侦察弹携带相机选用1/4 in电视/红外图像传感器，视场角为45°，采用MPEG-2进行图像压缩，侦察弹作用高度介于300 m至1 100 m之间。实拍图像涵盖了1.1节提到的多种失真类型，共856幅图像组成，大小为320×240的彩色图像。为评估算法有效性，还给出了所有测试图像的平均主观评分差值(DMOS)。主观评价人员共15人，年龄为20～35岁。其中DMOS越高表示图像质量越差，DMOS越低表示图像质量越好，且DMOS范围为[0,100]。

3.2 实验结果及分析

对测试图像库分别使用本文所提到的算法和7种经典的NR算法(BIQI、BLIINDS-II、DIIVINE、质量感知聚类(QAC)[26]、BRISQUE、NIQE、IL-NIQE)进行质量评估，然后与DMOS比较评价算法性能。由于客观数据对主观评价分数的预测关系存在一定的非线性，在视频质量专家组(VQEG)的测试和检验中都允许这样的非线性的映射[27]。本文实验采用(14)式、(15)式所示的对数函数进行非线性补偿：

quality(x)=β1logistic(β2(x-β3))+β4x+β5，

(14)

(15)

式中：β1为主观评价结果的最大值；β2为主观评价结果的最小值；β3为客观评价结果均值；β4=0.1；β5=40.

选用两个参数指标比较算法的性能：皮尔森线性相关系数(PLCC)、斯皮尔曼相关系数(SROCC)，其中PLCC用于评测质量模型预测的准确性，SROCC用于评测质量模型预测的单调性。对构建的弹载图像数据库，利用8种算法实验对比的SROCC、PLCC结果如表2所示。

表2 在测试数据库上算法性能对比结果Tab.2 Results of performance evaluation on the on-board images dataset

从表2可以看出本文算法相较于其他7种方法，SROCC和PLCC均取得了最大值，具备较好的单调性和准确性。

为进一步直观观察模型预测与主观分数的一致性，绘制了上述算法的预测质量值与DMOS 对比的散点图，如图7所示。

图7中每个点代表一幅测试图像，横、纵坐标值分别为模型预测质量值和DMOS. 根据散点图的收敛程度可直观地看出：1)算法NIQE、IL-NIQE预测质量值总体上与DMOS相关性最差，这是因为这两种算法仅仅对有限的自然图像提取了基准特征集，且这些自然图像的失真类型是单一而有限的，对于弹载图像这类含有复杂失真的图像，以上两种算法并未考虑；2)算法BIQI、BLIINDS-II、DIIVINE、QAC、BRISQUE预测值与DMOS相关性较前两种算法有所提高，这是因为这5种算法都是基于训练的方法通过回归模型预测质量得分，并不依赖于具体的失真类型，在一定程度上能够表征弹载图像的特性；3)本文提出的算法预测值与DMOS相关性显著地高于其他所有算法。

考虑到待评价图像子块的大小选择会对评价的结果造成影响，针对本文方法，块大小分别选取了4×4、8×8、16×16、32×32、64×64、96×96、128×128计算其SROCC、PLCC，结果如表3所示。

表3 不同块大小的算法性能参数Tab.3 Paramaters of different patch sizes

由表3可以发现，块规模大小为8×8时取得最佳结果，与文献[28]给出的结果相一致。

此外，为评估算法运行代价，在64位Windows 7操作系统下，以Matlab 2014a为开发工具测试了本文算法及其他对比算法的时间开销。在主频为3.1 GHz Intel Core i5 3350 CPU，内存为8 GB的台式机上测试算法时间，结果如表4所示。

从表4可以发现本文算法一次评价用时为1.0 s，略高于BIQI算法、QAC算法、BRISQUE算法和NIQE算法，但大大低于BLIINDS-II算法和DIIVINE算法，也优于IL-NIQE算法，表现出较强的运行效率竞争性。

4 结论

本文对空中自主降落平台拍摄的弹载侦察图像进行了质量评价方法研究，在无需相关降质弹载侦察图像情况下，研究并提出了一种“主观未知”的盲评价方法。在对图像特点进行分析的基础上，选择提取了3类图像特征，借助于已有的高分辨率测绘图像，引入基于自然场景统计的方法，通过分块处理，经全局平均获得其质量得分。经实拍弹载图像的评价实验验证，相比较其他方法，本文方法具有更好的主客观一致性。由于实验条件限制，后续采集更多的实验样本和评价模型改进是下一步重点工作。

表4 各算法的运行时间Tab.4 Time cost of algorithms

图7 不同算法测试结果散点示意图Fig.7 Scatter plots of subjective MOS against scores obtained by 8 algorithms

References)

[1] 尤海平. 别样新锋:侦察弹[J]. 兵器知识, 2006(1):44-47. YOU Hai-ping. Battle field image scout projectile[J]. Ordnance Knowledge, 2006(1):44-47.(in Chinese)

[2] 桂延宁, 焦李成, 张福顺. 弹载图像小波实时处理技术研究[J]. 电波科学学报, 2002, 17(6):595-598. GUI Yan-ning, JIAO Li-cheng, ZHANG Fu-shun. A real-time processing technique for onboard image based on wavelet transform[J]. Chinese Journal of Radio Science, 2002, 17(6):595-598. (in Chinese)

[3] 岳冬雪, 黄新生, 谭红力. 基于仿射投影的弹载图像几何失真校正方法[J]. 中国图象图形学报, 2009, 14(4):663-668. YUE Dong-xue, HUANG Xin-sheng, TAN Hong-li. Geometric distortion correction of missile-borne image[J]. Journal of Image and Graphics, 2009, 14(4):663-668.(in Chinese)

[4] 钱立志, 王曙光, 张江辉, 等. 一种弹载视频图像实时消旋方法[J]. 弹箭与制导学报, 2009, 29(3):20-22. QIAN Li-zhi, WANG Shu-guang, ZHANG Jiang-hui, et al. A real-time despinning method for onboard video image[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2009, 29(3):20-22.(in Chinese)

[5] 李从利, 薛模根, 冷晓艳, 等. 空中侦察序列图像连续拼接的累积误差分析与消除[J]. 中国图象图形学报, 2008, 13(4):814-819. LI Cong-li, XUE Mo-gen, LENG Xiao-yan, et al. Analysis and elimination on aerial recon sequential image stitching accumulative error[J]. Joural of Image and Graphics, 2008, 13(4):814-819.(in Chinese)

[6] 刘洁瑜, 徐军辉, 汪立新. 基于结构信息分布的图像质量评估新算法[J]. 兵工学报, 2010, 31(8):1053-1058. LIU Jie-yu, XU Jun-hui, WANG Li-xin. A novel image quality evaluation method based on structure information distribution[J]. Acta Armamentarii, 2010, 31(8):1053-1058.(in Chinese)

[7] Pan F, Lin X, Rahardja S. A locally adaptive algorithm for measuring blocking artifacts in images and videos[J]. Signal Processing Image Communication, 2004, 19(6):499-506.

[8] Liu H, Klomp N, Heynderickx I. A no-reference metric for perceived ringing artifacts in images[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2010, 20(4):529-539.

[9] Ferzli R, Karam L J. A no-reference objective image sharpness metric based on the notion of just noticeable blur[J]. IEEE Transactions on Image Processing, 2009, 18(4):717-728.

[10] Moorthy A K, Bovik A C. A two-step framework for constructing blind image quality indices[J]. IEEE Signal Processing Letters, 2010, 17(5):513-516.

[11] Moorthy A K, Bovik A C. Blind image quality assessment: from natural scene statistics to perceptual quality[J]. IEEE Transactions on Image Processing, 2011, 20(12):3350-3364.

[12] Saad M A, Bovik A C, Charrier C. Model-based blind image quality assessment: a natural scene statistics approach in the DCT domain[J]. IEEE Transactions on Image Processing, 2012, 21(8):3339-9952.

[13] Mittal A, Moorthy A K, Bovik A C. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on Image Processing, 2012, 21(12):4695-4708.

[14] Ye P, Kumar J, Kang L, et al. Unsupervised featurelearning framework for no-reference image quality assessment[C]∥2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, US:IEEE, 2012:1098-1105.

[15] Mittal A, Muralidhar G S, Ghosh J, et al. Blind image quality assessment without human training using latent quality factors[J]. IEEE Signal Processing Letters, 2012, 19(2):75-78.

[16] Zhang L, Zhang L, Bovik A C. A feature-enriched completely blind image quality evaluator[J]. IEEE Transactions on Image Processing, 2015, 24(8):2579-2591.

[17] Oh T, Park J, Seshadrinathan K, et al. No-reference sharpness assessment of camera-shaken images by analysis of spectral structure[J]. IEEE Transactions on Image Processing, 2014, 23(12):5428-5439.

[18] Geisler W S. Visual perception and the statistical properties of natural scenes[J]. Annual Review of Psychology, 2008, 59(1):167-192.

[19] Simoncelli E P, Olshausen B A. Natural image statistics and neural representation[J]. Annual Review of Neuroscience, 2001, 24(5):1193-1216.

[20] Ruderman D L. The statistics of natural images[J]. Network Computation in Neural Systems, 1994, 5(4):517-548.

[21] Groen I I A, Ghebreab S, Prins H, et al. From image statistics to scene gist: evoked neural activity reveals transition from low-level natural image structure to scene category[J]. Journal of Neuroscience, 2013, 33(48):18814-18824.

[22] 杨红颖, 吴俊峰, 于永健, 等. 一种基于HSV空间的彩色边缘图像检索方法[J]. 中国图象图形学报, 2008, 13(10):2035-2038. YANG Hong-ying, WU Jun-feng, YU Yong-jian, et al. Content based image retrieval using color edge[J]. Joural of Image and Graphics, 2008, 13(10):2035-2038.(in Chinese)

[23] Hasler D, Suesstrunk S E. Measuring colorfulness in natural images[J]. Proceedings of SPIE, 2003, 5007:87-95.

[24] Bishop C. Pattern recognition and machine learning[M]. NY, US:Springer, 2006.

[25] Zhang L, Zhang L, Mon X. FSIM:a feature similarity index for image quality assessment[J]. IEEE Transactions on Image Processing, 2011, 20(8):2378-2386.

[26] Xue W，Zhang L，Mou X, Learning without human scores for blind image quality assessment[J]. Computer Vision & Pattern Recognition, 2013, 9(4):995-1002.

[27] Rohaly A MJ, Corriveau P, Libert J M, et al. Video quality experts group: current results and future directions[C]∥SPIE Conference on Visual Communications and Image Processing. Perth, AUS:SPIE, 2000:742-753.

[28] Liu L X, Liu B, Huang H, et al. No-reference image quality assessment based on spatial and spectral entropies[J]. Signal Processing:Image Communication, 2014, 29(6):856-863.

Research on On-board Reconnaissance Images Quality Assessment

LI Cong-li1，XUE Song1，LU Wen-jun1，YUAN Guang-lin2，QIN Xiao-yan2

(1.Department Three, Army Officer Academy, Hefei 230031, Anhui, China;2.Department Eleven, Army Officer Academy, Hefei 230031, Anhui, China)

Many types of hybrid distortion of on-board reconnaissance images happen due to the imaging platform and constraints. The image quality assessment is carried out in order to provide an important quantitative basis and reference for the performance optimization of the image processing and imaging systems. The characteristics of on-board reconnaissance image are analyzed. In consideration of mutli-degree-of-freedom and multi-attitude change of imaging platform, 11 kinds of image features related to camera shake, structure change and color loss are extracted. The sub-block image features are extracted for multivariate Gaussian (MVG) fitting to obtion benchmark distribution characteristics by using high resolution mapping images as original image set, and the on-board reconnaissance images are also processed to obtain corresponding MVG distribution characteristics. The benchmark distribution characteristics are compared to the MVG distribution characteristics, and Mahalanobis distance is calculated as a score of block quality. The mean score of each sub-block is taken as final score of whole image. The images obtained by the actual on-board imaging platform are verified. The result shows that the proposed method has higher assessment accuracy.

ordnance science and technology; image quality assessment; on-board image; natural scene statistics; image feature

2016-02-02

安徽省自然科学基金项目(2010XYJJ-060)

李从利(1973—)，男，副教授。E-mail:lcliqa@163.com

TP391.413

A

1000-1093(2017)01-0064-09

10.3969/j.issn.1000-1093.2017.01.009