无人机图像质量的组合权重模糊综合评价算法及应用*

平卓琳，岳振军，程译广

（1.陆军工程大学，江苏 南京 210007；2.中国人民解放军31108 部队，江苏 南京 210016）

0 引言

利用无人机获取战场地理信息和目标图像信息在未来战场、抢险救灾等非军事行动中具有广阔的应用空间和巨大的实际应用价值。但是，由于运动等因素的影响，一次成像质量往往难以满足需求。将质量不高、应用价值不大的图像回传地面，不仅浪费了宝贵的通信资源，而且会耽误较多的时间而失去稍纵即逝的战机。结合日常生活中拍照后及时观察拍照效果的经验，本文提出无人机“即拍即评”的图像拍摄方法，着重给出图像质量评价的方法。

从图像评价理论角度看，“即拍即评”的无人机图像质量评价属于无参考图像质量评价。无参考图像质量评价方法指的是在无失真前的源图像作为评价参考标准的前提下，根据待评价图像的自身特征，通过建立数学模型或者机器学习的方法得到图像质量的评价值。无参考图像质量评价方法分为面向特定失真的图像质量评价方法、面向非特定失真的图像质量评价方法以及基于机器学习的图像质量评价方法[1]3 大类。其中，面向非特定失真的图像质量评价方法是指一幅图中同时存在两种或者两种以上的失真类型，如无人机图像中的运动抖动失真、光照失真等情况。

近年来，越来越多的学者投入到无参考图像质量评价的相关研究中[2-5]。文献[2]提出了一种利用感知差异图像来学习回归网络，从而对图像质量进行评价的方法；文献[3]提出了一种基于深度特征重要性建模的无参考IQA 方法，达到了抑制对IQA任务不重要的图像局部特征，强调对IQA 任务很重要的图像失真和显着对象的特征的效果；文献[4]提出了一种通过深度学习中的卷积神经网络自动提取图像特征，从而对航拍图像进行质量评价的方法；文献[5]将输入图像整体进行处理，通过预先训练的CNN模型，提取与分辨率无关的多层次深层特征，并利用提取的图像特征评价图像质量。

1 无人机图像“即拍即评”方案

无人机拍摄图像时，因为运动、光照和对焦因素导致所拍摄图像不够清晰，无法从中获取需要的目标信息。将这样的图像回传地面不仅会增加通信系统的负担，造成通信资源浪费，而且会消耗一定的时间，极端情况下甚至可能会贻误战机。日常生活中，人们会在拍照后立即查看成像效果，并根据结果决定是否重拍。将这一环节引入无人机成像系统，在每次拍摄后立即评估所摄图像，根据图像质量情况，在必要时调整姿态、角度和参数重拍图像，并且在回传图像前对同一目标的多幅图像按质量综合排序，即优先传送质量最高的图像，以便后方尽早获得目标信息，即“即拍即评”。

1.1 “即拍即评”方案设计

“即拍即评”方案详细步骤如下。

（1）对目标成像；

（2）评价运动抖动影响，若不符合事先设定的标准，则将图像标识为抖动不合格，否则记录其评价值；

（3）评价光照影响，若不符合事先设定的标准，则将图像标识为光照不合格，否则记录其光照评价值；

（4）评价对焦影响情况，若不符合事先设定的标准，则将图像标识为对焦不合格，否则记录其对焦评价值；

（5）根据以上步骤决定是否需要重拍，需要则转步骤1，否则转步骤6；

（6）对所拍摄的目标图像综合排序，按质量高低决定图像回传顺序。

1.2 运动抖动影响评价指标

运动模糊的评价原理在于正焦的清晰图像比模糊的离焦图像边缘更加锐利清晰。边缘像素灰度值变化大，因而有更大的梯度值。因此，可以利用梯度函数获取图像灰度信息，从而评判图像的清晰度值。常用的梯度函数有能量梯度函数EOG、Roberts 函数、Tenengrad 函数、Brenner 函数、方差Variance 函数以及拉普拉斯Laplace 函数等[6]。

经过比较，本文选取Roberts 函数、Brenner 函数以及Variance 方差函数3 个适用性广、综合性能比较优越的函数作为评价函数，计算公式分别为：

式中，μ为图像平均灰度值，定义为：

需要说明的是，3 个评价参数均用f(x,y)表示对应像素点的灰度值。

1.3 光照不均影响评价指标

光照不均匀表现为图像中亮的区域光线过强，而暗的区域光照度不足。本文采用图像全局光照强度作为图像亮度的质量评价指标。采用滑动窗口遍历高斯滤波后的整幅图像，依据人眼对灰度的敏感范围[7]，统计整幅图像中像素灰度值在区间范围内的数目N。

图像全局光照强度的计算公式为：

式中，m、n为图像的尺寸。

1.4 光学对焦影响评价指标

相机的自动对焦要求相机根据拍摄环境和场景的变化自动调节相机镜头和CCD 之间的距离，保证像平面正好投影到CCD 的成像表面上。这时物体的成像比较清晰，图像细节信息丰富。目前，普遍采用的针对光学对焦的评价参数主要包括基于自相关函数的评价函数和基于信息熵[8]的评价函数。本文中也采用这两种清晰度评价函数，即：

式中，g表示图像灰度值，G表示图像灰度值的等级（一般为0～255），k表示离焦图像序列，Pk(g)表示在第k幅图像中灰度值g出现的概率。

式中，MN代表图像像素总和，ng表示第k幅图像中灰度值为g的像素数。

2 图像质量综合评价

为了提高无人机图像侦察的效率，使指挥所及时获得质量尽可能高的战场情报，对同一目标的多幅图像可以在拍摄的同时通过质量评价选择质量最佳的图像优先传送。

因为图像质量受多个因素影响，所以对图像质量的评价问题属于多因素综合评价问题。又因为图像质量的含义具有模糊性，且图像最终的用户是人眼，因而比较适合的评价方法是模糊综合评价法。

权重系数在模糊综合评价算法中是至关重要的参数之一，其权值的大小直接影响最后评价的综合评价结果。因此，需要一种客观的确定各评价参数权值的方法，可以同时兼顾主观判断和客观评价，使得模糊综合评价方法更加科学。本文中采取熵权法主观权重和AHP 层次分析法客观权重相结合的方法，计算得到组合权重系数。

模糊综合评价法的核心在于确定隶属度函数。本文分别采用半梯半岭型隶属度分布函数和三角形隶属度分布函数两种方式计算得出评价结果并加以比较。

2.1 熵权法计算客观权重

根据信息论中信息熵的定义，一组数据的信息熵为：

式中：

根据信息熵的计算公式，计算各个指标的信息熵为E1,E2,…,Ek。通过信息熵可以计算得到各评价指标的权重：

2.2 AHP 层次分析法计算主观权重

计算过程层次分析法（Analytic Hierarchy Process，AHP）是20 世纪70 年代美国运筹学Saaty T L 教授提出的一种定性与定量相结合的系统分析方法。

采用模糊层次分析法确定评价指标权重的一般流程为：

（1）采用1～9 标度法[9]，通过比较各状态量间的重要性，建立模糊判断矩阵R=(rij)n×n；

（2）构造模糊一致性矩阵；

（3）求取各状态量的权重系数。

2.3 计算综合权重

将熵权法计算得到的客观权重与AHP 方法计算所得的主观权重相结合，按照一定的规则进行组合赋权：

式中，wi为FAHP 法确定的第i个状态量的主观权重，vi为熵值法确定的客观权重，为组合常权重，β和1-β分别为主、客观权重所占组合常权重的比例系数。

2.4 确定隶属函数模型

在模糊综合评价中，除了各个评价指标的变权重系数外，一个适合的隶属度函数也是影响最终评价结果的重要指标。

常用的隶属度函数主要包括三角型分布、梯型分布以及岭型分布等表现形式。本文选取半梯半岭型[10]和三角型两种隶属度函数进行最终的评价。

将图像质量的评价结果分为4 个等级，即“优秀v1”“良好v2”“一般v3”“较差v4”。实验过程中所有的状态量经过标准化后均处于[0,1]区间。状态值越接近1，表示图像质量越好。

4 个分布函数分别对应评判集中的4 个状态等级“优秀”“良好”“一般”“较差”的隶属度分布函数。在半梯半岭型函数中，ai(i=1,2,…,9)为4种状态的模糊分界点，取ai=0.1,0.2,…,0.9；在三角型函数中，取4 个等级的评价标准值分别为0.2、0.4、0.6 和0.8。

3 实例验证

实验选用的测试图像下载自美国奥斯汀大学的LIVE 数据库。从中选取了5 张失真等级不同的统一背景图像进行测试。

3.1 单因素影响下的图像质量评价

3.1.1 运动抖动失真的图像质量评价

在光照均匀、对焦清晰的前提下，只考虑运动抖动造成的图像失真，选取如图1 所示的图像进行测试。

图1 运动抖动失真测试图像

通过MATLAB 计算得到如图2 所示的结果。从测试结果可以看到，5 张图像通过3 种函数计算得到的清晰度评分。按照评分进行排序，可以得到结果：图像4 ＞图像1 ＞图像3 ＞图像2 ＞图像5。

图2 运动抖动失真测试结果

3.1.2 光照强度的图像质量评价

在无运动抖动、对焦清晰的前提下，只考虑光照强度的图像质量，选取如图3 所示的图像进行测试。

图3 图像光照强度测试图像

通过MATLAB计算得到结果：图像1得分0.855 4，图像2 得分0.957 0，图像3 得分0.994 4，图像4得分0.563 3，图像5 得分0。

从测试结果可以看到，5 张图像通过函数计算得到的光照强度评分。按照评分进行排序，可以得到结果：图像3 ＞图像2 ＞图像1 ＞图像4 ＞图像5。

3.1.3 光学对焦失真的图像质量评价

在无运动抖动、光照均匀的前提下，只考虑光学对焦造成的图像失真，选取如图4 所示的图像进行测试。

图4 光学对焦失真测试图像

通过MATLAB 计算得到如图5 所示的结果。从测试结果可以看到，5 张图像通过两种函数计算得到的光学对焦评分。按照评分进行排序，可以得到结果：图像5 ＞图像4 ＞图像2 ＞图像1 ＞图像3。

图5 光学对焦失真测试结果

可见，结果与人眼主观评价相一致，证明了评价指标的有效性。

3.2 图像综合质量评价

3.2.1 实验参数设定

（1）取因素集U＝｛Roberts 函数u1，Brenner函数u2，Variance 方差函数u3，全局光照强度u4,自相关函数u5，信息熵评价函数u6｝；

（2）取评价结果分级K＝｛优秀k1，良好k2，一般k3，较差k4｝，认定得分在0.8 以上为优秀，0.6～0.8 为良好，以此类推；

（3）确定各因素权重；

（4）综合分值转换P=[0.8 0.6 0.4 0.2]T。

3.2.2 实验计算过程

对5 张待测试图像的光照强度进行处理，处理后的图像同时具备多种失真类型的影响，更加符合现实中无人机航拍的真实场景。

图6 模糊综合评价测试图像

通过上述提到的几种评价参数，分别对5 幅图像进行质量评价打分，结果如表1 所示。

表1 各评价参数实测值

以第1 幅图像为例。根据熵权法计算公式，依照表1 中的测试结果，运算得到客观权值：

根据AHP 法得到模糊判断矩阵：

计算得到主观权值：

计算得到组合权重：

根据半梯半岭型和三角型分布隶属度函数以及测试结果，求出5 张测试图像分别对应的模糊关系矩阵。通过组合权重计算得到的综合评价得分为：Sa=0.970 1，Sb=0.727 6，Sc=0.361 6，Sd=0.770 5，Se=0.303 0。

3.3 实验结论

比较两种隶属度分布函数的评价方法，最终运算的评价结果相一致，图像1、图像2、图像4 的评价结果为良好，图像3、图像5 的评价结果为较差。最终得到的图像质量排序为：图像4 ＞图像1 ＞图像2 ＞图像3 ＞图像5。实验结果与人眼主观评价较为一致，证明了该算法的有效性。

4 结语

本文针对通信资源紧缺、时间非常宝贵的战场无人机图像情报侦察场合，提出了“即拍即评”的设想，通过在拍摄时控制图像质量，达到节约通信资源、减少图像处理时间的效果。对影响无人机拍摄图像质量的抖动、光照和对焦3 种因素分别给出了评价指标，并给出了评价图像整体质量的模糊综合评价法，对提高无人机图像情报侦察效率有一定的实际应用价值。