基于信息熵分类的合成图像质量分析算法研究

李长春 韩东宁

长春电子科技学院 吉林 长春 130000

引言

图像合成技术把多个对应的图像合成为一幅图像。随着对大视场图像要求的不断增加,单一设备视场不足以满足测试需求,单纯采用广角设备虽然视场可以增大,但使图像细节质量下降,分辨率变差。图像合成该技术方法简单,不会使分辨率减小,在医疗、航空航天及人工智能等领域大量使用[1]。图像合成技术主要包含配准和融合这两部分。图像配准是指用图像重叠部分的特征关联来计算得出单应性矩阵。然而在该阶段中,由于单应性矩阵不够精确,从而会致使全景图像中产生重影。图像融合则是负责处理在合成过程中不同图像之间出现曝光差别的问题。

图像合成技术在计算机视觉领域里和合成质量有极大的关联[2]。客观评价则是依据人眼的视觉主观判断意识从而建立合理数学模型,然后运用公式可得到图像质量。目前通常使用的评价是信噪比和结构类似程度。对比图像时,图像质量可以通过PSNR评价,其值越高,效果越好。该方法因计算简便,而广泛应用在相关领域,但该值和人眼视觉的主观意识存在较大差异。SSIM则从亮度等方面去评估两个图像的相似性,与前一种评价方法相比较,SSIM可以更好地体现人眼视觉的主观意识,然而在图像合成技术中对图像重影问题和合成缝问题更为关注[3]。

Luyu Yang等人通过研究提出了利用图像间的区域差异去衡量图像在合成过程中的误差,而亮度差异则由结构和色度的一致性来体现,但其操作过程繁琐,与图像评估的需求相悖[4]。Ghosh等人设计出多个影响因素的图像评价方法从非定性的角度去评估误差,但这些影响因素常被用在一般的图像评价中,对重影和合成缝的影响很小,因此该方法的评价结果存在较大误差。

本文通过研究,提出了一种基于信息熵分类的合成图像质量分析算法,该方法在评估合成图像上精确性更高,在重影与合成缝的检测上也较为灵敏,并且与人眼主观意识相符,实验结果显示本文提出的分析算法总体优于其它评价方法。

1 数据预处理

1.1 数据获取

本文通过使用高清相机和传送带相结合的结构设计,能实现自主获得零件图像的功能,记相机的固定位置点为O,通过传送带将零件传送到位置点P,相机完全完成拍摄采集,再开始下一轮的零件拍摄。需要得到灰度图像,然后再通过FFT实现去噪,也就是将灰度图像中的时域变为频域F,之后再通过阈值法过滤掉频域中Ω域值以下的区域,最后再利用傅里叶快速逆变换将频域变回时域,从而得到所需要的灰度图像。

1.2 边界提取

在信息熵的边界提取中,卷积运算极其重要,而卷积核又是核心,若该值大则表示图像模糊,若该值小则表示信息量小。可见,卷积核的选择十分关键,并且卷积核中心点只有一个,也就是说卷积核行列号一定是奇数,卷积核为k×k大小,其中像元的个数由n表示,图像中短边的一半就是最大取值。

当灰度图像G是M×N时,在对边框进行卷积时可能会出现空值计算,为了防止此情况发生,就要求增加矩阵G其边界。信息熵的卷积表示通过信息熵准则运算卷积核所包含的数据。记卷积核中包含的灰度值数量为q,可得信息熵H为

把这些灰度值按从小到大的顺序排列,灰度值相同的数量,遍历图像的所有像素点,从而获得信息熵矩阵A。在信息熵计算中并没有包含具体的量化,所以要优化该运算,将优化后的信息熵由H'表示,该定义不仅符合t阶的中心距而且也包含了量化信息,则

式中:G代表灰度值;t代表中心矩的阶数,常常被用去体现高阶量的特征,在本研究中取t=1。遍历图像便可获得优化后的信息熵矩阵A',高层次的统计表达由高阶中心矩反映,就像是高阶张量。

2 算法设计

2.1 轮廓提取

对图像实现灰度分析和边框提取,能有效对比图像之间错位误差及亮度差异。R,G,B共同作用形成图像中各个像素点的色彩,单个分量就包含256个值。灰度图像仍能像彩色图像一样,可以体现整个图像的色彩与亮度级的布局及特点。进行灰度分析处理后,能减少后面程序的计算量。在本研究中,采用灰度处理时用到的方法为加权平均法。对图像边界信息进行提取,而且该算法效果好,噪声对其算法干扰小,边界信息相对更为准确。

2.2 构建差分参数

将两张图像对应部分的像素作差,用差值表示图像变化的方法叫差分图。因此常用差分图表现两张图像的差别,此外差分图对图像间的错位和亮度信息也能有效检测。需用高斯平滑的方法处理图像,从而降低噪声对差分图的干扰。高斯滤波不仅表现为线性平滑,而且还能有效降低高斯噪声的干扰,因此在图像处理中大量使用该方法实现减噪功能。高斯滤波是一个求图像加权平均值的过程,将其自身与附近像素值通过加权平均就可以获得各个像素点的值。图像经过高斯平滑处理后,再对图像的边界信息做绝对差分处理,这样就能够获得所需图像。

2.3 计算信息熵

对得到的差分图像实行像素点的信息分析,用图像信息熵来反映图的信息丰富度,其丰富度与图像质量紧密相关。信息熵反映的是图像的平均信息量大小,信息熵大。差分图的信息熵可由下式表示:

3 实验测试

3.1 测试结果分析

在错位情况不同的图像中,信息熵对评价结果影响较小,表明该方法不能有效检测错位信息,因此不能用于评估图像质量。图像出现1-2像素的错位时,SSIM的结果显著降低;当错位情况不断增加时,该算法结果逐渐平缓,结果差异很小,并不能充分体现图像的错位情况,但当错位情况严重时,该算法结果的差异持续在0.5以上,其结果与人眼主观意识评价相悖。人对亮度差别的主观感知判断不同于错位误差,人的眼睛能自动调节并适应光强度,能分辨出有明显亮度差别的物体。在过高或过低的亮度区间,人眼对此区间差别感官很小,差别越大,图像质量受其干扰越小,甚至最后不受影响。

3.2 图像质量分析

图1（a）出现严重的错位误差及亮度差别;图1（b）出现一定的亮度差别及较小的错位误差;图1（a）出现一定的错位误差及较小的亮度差别;图1（b）基本无错位误差及亮度差别。由此可见,采用信息熵分类可以大幅提高图像的边缘特征信息,从而提高图像复现质量。

图1 经信息熵分类算法处理优化前后的图像

4 结论

本文针对提高图像合成质量的问题,提出了一种基于信息熵分类的合成图像质量分析算法,首先需要对图像实行灰度处理和边界信息提取;随后再对图像进行差分,最后通过计算信息熵从而得到图像的评价结果。实验结果显示,该算法效果良好。