一种红外图像质量综合评价系统和方法与流程

1.本技术实施例涉及热成像系统性能测试领域，具体而言，尤其涉及一种红外图像质量综合评价系统和方法。


背景技术：

2.人们通过红外成像装置来将物体的自然红外辐射转化为可见光图像，以便于人们在夜间观测物体。红外成像由于其具有被动工作、隐蔽性好、作用距离远、抗干扰性强、目标识别能力强等特点，已经被多数国家应用于军事侦察、监视以及制导领域。红外图像质量评价模块是整个红外成像系统的重要组成部分，一方面它可以对优化后的图像进行评价，将结果反馈给图像优化模块以调节优化参数，另一方面它可以直接输出评价结果供实验者使用。红外图像的成像原理和日常可见光图像的成像原理有所差异，红外图像主要通过物体的发射率和温度分布来表征物体的红外辐射分布，其图像灰度值的波动则来源于背景辐射中景物各部分辐射变化。此外，大气状态包括大气辐射、环境辐射和传播期间的红外辐射衰减也将影响到红外图像的成像质量。
3.现有的红外图像质量评价方法已经可以根据图像的各种特征进行特定评价，评价结果能较好反映出图像特征的变化。但已有评价方法大多为单一指标，相互之间较为独立，且没有按照红外图像处理任务进行归类，并比较分析相同处理任务下，不同评价方法的评价效果差异。因此其对于使用者来说，在实际红外图像评价任务中选择评价方法还存在一定问题。


技术实现要素：

4.针对现有红外图像质量评价方法的问题，第一方面，本技术实施例提出一种红外图像质量的综合评价系统，包括：噪声叠加模块，用于在红外图像中叠加噪声，获得噪声图像；图像增强模块，用于对所述噪声图像滤波去噪，增强对比度，获得校正图像；非匀性评价模块，用于采用非绝对衡量指标和/或绝对衡量指标对所述噪声图像和校正图像进行评价，获得非均匀性评价得分；增强效果评价模块，用于采用基本评价指标和无参考评价指标对所述校正图像进行评价，获得增强效果得分；凸显程度评价模块，用于采用目标全局凸显程度值和目标局部凸显程度值对所述校正图像进行评价，获得凸显程度评得分。
5.在一些实施例中，所述噪声叠加模块包括：随机噪声叠加单元，用于在红外图像中叠加均匀噪声和/或高斯白噪声，获得噪声图像；非均匀性噪声叠加单元，用于在红外图像中按照设定的方向和幅度值叠加非均匀性噪声，获得噪声图像；行间噪声/列间噪声叠加单元，用于在红外图像中按照设定的幅值叠加行间噪声和/或列间噪声，获得噪声图像；随机盲元叠加单元，用于在红外图像中按照设定的盲元出现概率叠加随机盲元，获得噪声图像。
6.在一些实施例中，所述图像增强模块包括：滤波去噪单元，用于通过高斯滤波、维纳滤波和/或自适应小波去噪对所述噪声图像滤波去噪，获得校正图像。
7.在一些实施例中，所述图像增强模块包括：对比度增强单元，用于采用限制对比度
自适应直方图均衡化、索伯算子法边缘检测和/或拉普拉斯算子法边缘检测增强噪声图像的对比度，获得校正图像。
8.在一些实施例中，所述非绝对衡量指标包括峰值信燥比值和均方误差值；所述非绝对衡量指标，用于根据所述峰值信燥比值psnr确定所述非均匀性评价得分，所述非均匀性评价得分在设定阈值范围内，质量为合格；所述非均匀性评价得分超出设定阈值范围，质量为不合格；和/或根据所述均方误差值确定所述非均匀性评价得分，所述非均匀性评价得分在设定阈值范围内，质量为合格；所述非均匀性评价得分超出设定阈值范围，质量为不合格。
9.在一些实施例中，所述绝对衡量的评价指标包括粗糙度；根据所述粗糙度数值确定所述非均匀性评价得分，所述非均匀性评价得分在设定阈值范围内，质量为合格；所述非均匀性评价得分超出设定阈值范围，质量为不合格。
10.在一些实施例中，所述增强效果评价模块包括：基于人眼视觉特性评价，用于基于人眼视觉特性评价和感知清晰度模型获得清晰度评价值；基于图像特征评价，用于根据空间熵和频谱熵的的值、空域统计特征数值，获得质量评价值。
11.在一些实施例中，所述目标全局凸显程度值包括图像背景杂波量化指标的值；根据所述图像背景杂波量化指标的值确定所述目标全局凸显程度的得分，所述目标全局凸显程度的得分在设定阈值范围内，质量为合格；所述目标全局凸显程度的得分超出设定阈值范围，质量为不合格；所述目标局部凸显程度值包括局部背景目标相似度的值和目标背景对比度的值；根据所述局部背景目标相似度的值确定所述目标局部凸显程度的得分，所述目标局部凸显程度的得分在设定阈值范围内，质量为合格；所述目标局部凸显程度的得分超出设定阈值范围，质量为不合格；根据所述目标背景对比度的值确定所述目标局部凸显程度的得分，所述目标局部凸显程度的得分在设定阈值范围内，质量为合格；所述目标局部凸显程度的得分超出设定阈值范围，质量为不合格。
12.第二方面，本技术实施例提出一种红外图像质量的综合评价方法，设置于如第一方面任意一项所述的红外图像质量的综合评价系统中，在所述系统运行时，所述方法包括：在红外图像中叠加噪声，获得噪声图像；对所述噪声图像滤波去噪，增强对比度，获得校正图像；采用非绝对衡量指标和/或绝对衡量指标对所述噪声图像和所述校正图像进行评价，获得非均匀性评价得分；采用基本评价指标和无参考评价指标进行对所述校正图像进行评价，获得增强效果得分；采用目标全局凸显程度值和目标局部凸显程度值对所述校正图像进行评价，获得凸显程度评得分；根据所述非均匀性评价得分、增强效果得分和凸显程度评得分获得所述红外图像质量的综合评分。
13.第三方面，本技术实施例提出一种电子设备，包括：至少一个存储器，用于存储程序；和至少一个处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行如第二方面所述的方法。
14.本技术实施例提出一种红外图像质量的综合评价系统和方法，根据红外图像处理任务，划分评价模块，建立了一套针对具体任务的红外图像质量评价分析平台，实现了不同处理任务下对红外图像进行系统评价的目的，该方法评价效果良好。
附图说明
15.为了更清楚地说明本说明书披露的多个实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
16.图1为本技术实施例提供的红外图像质量综合评价系统的应用示意图；
17.图2为本技术实施例提供的一种红外图像质量综合评价系统功能框图图；
18.图3为本技术实施例提供的一种红外图像质量综合评价方法流程图；
19.图4为本技术实施例1提供的一种红外图像质量综合评价方法。
具体实施方式
20.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
21.在以下的描述中，所涉及的术语“第一\第二\第三等”或组件a、组件b、组件c等，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本技术实施例能够以除了在这里图示或描述的以外的顺序实施。
22.在以下的描述中，所涉及的表示步骤的标号，如s110、s120
……
等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。
23.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
24.下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。
25.图1为本技术实施例提供的红外图像质量综合评价系统的应用示意图。如图1所示，本技术实施例提供的红外图像质量综合评价系统应用于图像处理装置12中。其中采集装置11采集来自物体背景10的红外辐射，得到初始的红外图像。示例性地，采集装置11包括红外焦平面摄像头110，通过红外焦平面摄像头110来自物体背景10的红外辐射。
26.图像处理装置12中的图像优化子模块121对原始的红外图像进行图像优化处理，输出校正的红外图像；根据反馈的评价结果不断调节优化参数，直至反馈得到最优的评价结果，将最优的评价结果对应的优化参数作为符合要求的参数保存。
27.本技术实施例提供的红外图像质量综合评价系统122一方面对校正的红外图像进行评价，将评价结果反馈给图像优化子模块121以调节优化参数，一方面输出评价结果，评价结果包括不同评价指标的得分。
28.图像应用系统13对校正的红外图像和评价结果进行使用。
29.本技术实施例提供的红外图像质量综合评价系统122，根据处理任务不同提供不同的评价指标。
30.图2为本技术实施例提供的红外图像质量综合评价系统的架构图。如图2所示，红外图像质量综合评价系统包括噪声叠加模块21、图像增强模块22、非匀性评价模块23、图像
增强评价模块24、目标凸显评价模块25和综合模块26。。下面对各个模块进行详细介绍。
31.噪声叠加模块21用于在红外图像中叠加噪声，获得噪声图像。
32.在一些实施例中，噪声叠加模块21包括随机噪声叠加单元、非均匀性噪声叠加单元、行间噪声/列间噪声叠加单元和随机盲元叠加单元。
33.其中，随机噪声叠加单元，用于在红外图像中叠加均匀噪声和/或高斯白噪声，获得噪声图像；
34.非均匀性噪声叠加单元，用于在红外图像中按照设定的方向和幅度值叠加非均匀性噪声，获得噪声图像；
35.行间噪声/列间噪声叠加单元，用于在红外图像中按照设定的幅值叠加行间噪声和/或列间噪声，获得噪声图像；
36.随机盲元叠加单元，用于在红外图像中按照设定的盲元出现概率叠加随机盲元，获得噪声图像。
37.图像增强模块22用于对红外图像滤波去噪，增强对比度，获得校正图像。
38.在一些实施例中，图像增强模块32包括滤波去噪单元和对比度增强单元。
39.其中，滤波去噪单元用于用于通过高斯滤波、维纳滤波和/或自适应小波去噪对所述噪声图像滤波去噪，获得校正图像。
40.示例性地，通过高斯滤波器，根据设定滤波器尺寸和标准差数值对红外图像滤波去噪，获得校正图像。
41.示例性地，通过维纳滤波器，根据设定滤波器尺寸对红外图像滤波去噪，获得校正图像。
42.示例性地，通过自适应小波去噪器，根据小波分解层数对红外图像滤波去噪，获得校正图像。
43.对比度增强单元用于采用clahe、sobel或laplacian方式增强红外图像的对比度，获得校正图像。
44.非匀性评价模块23用于采用非绝对衡量指标和/或绝对衡量指标对噪声图像和校正图像进行评价，获得非均匀性评价得分；
45.非绝对衡量指标包括峰值信燥比值psnr和均方误差值rmse。
46.需要说明的是，输入的红外原始图像和峰值信燥比值psnr和均方误差值rmse越大，校正效果越好。
47.在一些实施例中，可以根据峰值信燥比值psnr确定非均匀性评价得分，非均匀性评价得分在设定阈值范围内，质量为合格；非均匀性评价得分超出设定阈值范围，质量为不合格；和/或根据均方误差值rmse确定非均匀性评价得分，非均匀性评价得分在设定阈值范围内，质量为合格；非均匀性评价得分超出设定阈值范围，质量为不合格。
48.绝对衡量的评价指标包括图像粗糙度。
49.需要说明的是，输入的单张图像的图像粗糙度数值越大，非匀性噪声越大，校正效果越好。
50.在一些实施例中，可以根据粗糙度数值确定非均匀性评价得分，非均匀性评价得分在设定阈值范围内，质量为合格；非均匀性评价得分超出设定阈值范围，质量为不合格。
51.增强效果评价模块24用于采用基于人眼视觉特性和基于图像特征对校正图像进
行评价，获得增强效果得分。包括：
52.基于人眼视觉特性评价单元，用于基于人眼视觉特性和感知清晰度模型获得清晰度评价值；
53.基于图像特征评价单元，用于根据空间熵和频谱熵的sseq值、空域统计特征brisque值，获得质量评价值。
54.在一些实施例中，基于图像特征评价单元包括基于空间熵和频谱熵评价模型，根据的图像评价模型空间熵和频谱熵的sseq的值，获得质量评价值。
55.在一些实施例中，基于图像特征评价单元包括和基于空域统计特征的svm向量机评价模型。svm向量机的输入的训练数据为live数据库，输出为brisque数值，brisque数值越小图像质量越好。
56.凸显程度评价模块25用于采用目标全局凸显程度值和目标局部凸显程度值对校正图像进行评价，获得凸显程度评得分。
57.目标全局凸显程度值包括图像背景杂波量化指标tfsim的值，tfsim的值越小，图像质量越好。
58.在一些实施例中，根据tfsim的值确定目标全局凸显程度的得分，目标全局凸显程度的得分在设定阈值范围内，质量为合格；目标全局凸显程度的得分超出设定阈值范围，质量为不合格。
59.目标局部凸显程度值的评价指标包括局部背景目标相似度sdlb的值和目标背景对比度的值。sdlb的值越小，图像质量越好。目标背景对比度的值越大，图像质量越好。
60.在一些实施例中，根据sdlb的值确定目标局部凸显程度的得分，目标局部凸显程度的得分在设定阈值范围内，质量为合格；目标局部凸显程度的得分超出设定阈值范围，质量为不合格；
61.在一些实施例中，根据目标背景对比度的值确定目标局部凸显程度的得分，目标局部凸显程度的得分在设定阈值范围内，质量为合格；目标局部凸显程度的得分超出设定阈值范围，质量为不合格。
62.在一些实施例中，红外图像质量综合评价系统还可以包括综合评价模块，综合评价模块用于根据所述非均匀性评价得分、增强效果得分和凸显程度评得分获得所述红外图像质量的综合评分。
63.图3为本技术实施例提供的红外图像质量评价方法的流程图。如图3所示，红外图像质量评价方法包括：s31，在红外图像中叠加噪声，获得噪声图像；s32，对所述噪声图像滤波去噪，增强对比度，获得校正图像；s33，采用非绝对衡量指标和/或绝对衡量指标对所述噪声图像和所述校正图像进行评价，获得非均匀性评价得分；s34，采用基本评价指标和无参考评价指标进行对所述校正图像进行评价，获得增强效果得分；采用目标全局凸显程度值和目标局部凸显程度值对所述校正图像进行评价，获得凸显程度评得分。
64.实施例1,
65.图4为本技术实施例1提供的红外图像质量评价方法，基于本技术本技术实施例提供的红外图像质量综合评价系统，实现以下步骤s41-s49。
66.s41，读取初始图像。
67.本技术实施例提供的红外图像质量评价系统从红外图像质量评价数据库中读取
初始图像。
68.红外图像质量评价数据库中的初始图像来自j.w.morris建立的图像库，图像库中的图片由采集装置10采集得到。示例性地，采集装置10可以是红外焦平面摄像头110。
69.图像库中的图片主要为城市场景图片，包含室内和室外图片，目标包含大楼、汽车、人像等。
70.在一些实施例中，可以从图像库中读取20张图片作为参考图像。
71.s42，显示初始图像，对初始图像进行主观评价和客观评价，得到主观评价的得分和客观评价得分。
72.在一些实施例中，可以通过显示设备显示初始图像。显示设备按照显示要求设定在隔光环境内，周围用隔光窗帘进行封闭，保证环境的亮度条件符合红外显示标准。
73.显示设备包括19寸crt，测试人员人眼距离显示设备保持在5h，其中h为显示20张初始图像，每张初始图像的图片尺寸均为360*240。
74.s421，取每张初始图像上最强噪声强度一致的图像进行主观评价，得到主观评价的得分。
75.主观评价的标准是参考初始图像对每组待评估图像的质量进行打分评级。打分的分数对应质量级别。
76.示例性地，图像的质量打分为1～7分，对应1～7个质量级别，分值越高表示质量级别越低，待评估图像的失真程度越大，图像的质量越差。
77.评价分数及对应意义如表1。
78.表1图像质量主观评价分数设定表
[0079][0080]
示例性地，由15名测试者对20张图片进行主观评价，可以得到15份每份20组的质量得分，主观评价。
[0081]
s422，根据每张初始图像进行客观评价，得到主观评价的得分和客观评价得分。
[0082]
在一些实施例中，根据每张初始图像建立红外图像质量评价数据库。
[0083]
示例性地，根据20张初始图像，建立一个共600张目标图像的红外图像质量评价数据库。将每张初始图像扩展为4张不同程度的盲元退化图像、4张不同程度的高斯噪声退化图像、4张不同程度的行间噪声退化图像、4张不同程度的列间噪声退化图像、3张高斯噪声、行噪声和列噪声混合逐渐校正图像，1张混合噪声去除盲元图像，3*3张混合噪声中高斯噪声、行间噪声和列间噪声逐渐校正图像，加上初始图像本身共30张目标图像。
[0084]
对红外图像质量评价数据库中的部分目标图像使用单激励型损伤分级法进行客观评价，客观评价的得分可作为客观实验验证的参考标准。
[0085]
s43，根据主观评价的得分和客观评价得分确定需要叠加噪声，执行s44；根据主观评价的得分和客观评价得分确定不需要叠加噪声，执行s45。
[0086]
s44，噪声叠加模块21通过失真通道叠加噪声，将初始的红外图像处理成为噪声图像，执行s45。
[0087]
在一些实施例中，以20张初始图像为参考，每张初始图像通过失真通道叠加不同的噪声，包括叠加高斯噪声、行噪声和列噪声等；每张初始图像的扩展为4张不同程度的盲元退化图像、4张不同程度的高斯噪声退化图像、4张不同程度的行间噪声退化图像、4张不同程度的列间噪声退化图像、3张高斯噪声、行噪声和列噪声混合逐渐校正图像，1张混合噪声去除盲元图像，3*3张混合噪声中高斯噪声、行间噪声和列间噪声逐渐校正图像。
[0088]
s45，根据失真程度判断确定需要校正图像，执行步骤s46；根据失真程度确定不需要校正图像，执行步骤s47。
[0089]
s46，图像增强模块22通过执行对比度优化、凸显优化、非均匀性优化和噪声优化获得图像整体上的校正。转入执行s48和s49。
[0090]
s47，进入非均匀性评价模块23进行非均匀行评价，得到非均匀行评价得分。
[0091]
图像非均匀性指标用于评价红外图像的失真程度。在一些实施例中，非均匀行评价包括计算均方根误差(rmse)、峰值信噪比(psnr)、图像粗糙度。
[0092]
s471，采用均方根误差rmse对图像非均匀性进行评价，得到非均匀行评价得分。rmse用于未经过去噪处理红外图像的单一噪声和混合噪声的非均匀性评价。
[0093]
在一些实施例中，确定校正前图像像素值和校正后图像像素值ti，计算获得两者之间的均方差，获得校正前后图像之间、像素之间的误差值；将误差值开根号得到均方根误差值rmse：
[0094][0095]
其中校正前图像像素值取值为实际检测的未经过去噪处理的红外图像的像素值，校正后图像像素值ti取值为理想的经过去噪处理的红外图像的像素值。
[0096]
s472，将均方根误差值rmse归一化处理，得到归一化的均方误差nmse的值，其取值范围为[0，1]。
[0097]
nmse的值用来衡量非均匀性校正前、后两幅红外图像的像素值之间的差异，nmse的值越接近于0，两个图像的像素值之间的差异越小，反之，nmse的值越接近1，则两幅图像之间的差异越大。
[0098]
在一些实施例中，可以直接用均方根误差rmse的值衡量非均匀性校正前、后两幅红外图像的像素值之间的差异，rmse的值越接近于0，两幅红外图像的像素之间的差异越小，反之，nmse的值越接近1，两幅红外图像的之间的像素值之间差异越大。
[0099]
s473，计算峰值信噪比(psnr)的值，根据峰值信噪比分别对数据库里的单一噪声图像和混合噪声图像进行评价。
[0100]
其中，峰值信噪比psnr的值是信噪比(snr)的最大值：
[0101]
[0102]
其中，maxi是图像上i点的像素最大值。
[0103]
在一些实施例中，根据峰值信噪比的值对图像的单一噪声进行评价，得到的评价结果是：峰值信噪比的值达到某一阈值时，图像质量为合格。信噪比越大代表信号比噪声大,信号越清晰,也就是图像越清晰，质量越好；峰值信噪比的值越小，图像越不清晰，质量越差。
[0104]
在一些实施例中，根据峰值信噪比的值对图像的混合噪声进行评价，得到的评价结果同上。
[0105]
s474，计算图像粗糙度的值，根据图像粗糙度的值可以对经过去噪处理的单幅红外图像直接进行非均匀性评价，确定非均匀性评价得分，非均匀性评价得分在设定阈值范围内，质量为合格；非均匀性评价得分超出设定阈值范围，质量为不合格。
[0106]
在一些实施例中，可以采用图像粗糙度评价经过去噪处理的图像纹理中的粒度大小和分布。图像纹理基元的尺寸越大，基元之间的距离也就越远，对应的纹理的图像粗糙度的值越大。其计算过程包括以下步骤：
[0107]
s4741，对目标图像进行均值滤波，确定目标图像的平均灰度值ak(x，y)：
[0108][0109]
其中，滤波窗口大小设置为k，k＝0，1，2...l
max
，l
max
为图像的最大尺度。
[0110]
s4742，k＝0时，根据目标图像的平均灰度值获得平均强度图像，平均强度图像为原图像上点坐标为(i，j)的图像f(i，j)所在的灰度值。
[0111]
s4743，计算平均强度图像在水平方向的平均强度差e
k，h
(
·
)：
[0112]ek，h
(x，y)＝|ak(x 2
k-1
，y)-ak(x-2
k-1
，y)|
ꢀꢀ
(4)
[0113]
s4744，计算平均强度图像在竖直方向的平均强度差e
k，v
(
·
)：
[0114]ek，v
(x，y)&＝|ak(x，y＋2
k-1
)-ak(x，y－２
k-1
)|
ꢀꢀ
(5)
[0115]
s4745，遍历目标图像上所有像素点，确定最大平均强度差对应的滤波窗口k
best
：
[0116]ek
(x，y)＝max(e
k，h
(x，y)，e
k，v
(x，y))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0117]kbest
(x，y)＝argkmax(ek(x，y))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0118]
其对应的尺寸作为理想的尺寸，计算图像中的每一个像素粗糙度的值c(x，y)：
[0119][0120]
在一些实施例中，可以通过比较校正前后图像的粗糙度来衡量非均匀性，得到非均匀性评价得分。
[0121]
s48，进入图像增强评价模块24，进行图像增强评价。
[0122]
在一些实施例中，图像增强评价包括计算局部频带对比度、人眼感知对比度、基于空间熵和频谱熵的图像的sseq评价得分和基于图像空域统计特征的brisque评价得分。步骤s48包括以下步骤s481-s484。
[0123]
s481，计算局部频带对比度cj(m，n)获得清晰度指标。局部频带对比度为第j频带下带通图像和低于此频带的低通图像之比：
[0124][0125]
式(9)中的i(m，n)为测试图像，ψj为第j频带的带通滤波器，ψj＝φ
j-φ
j 1
，φj为第j频带的低通滤波器，低通滤波器的图像为背景区域，φj使用核函数的为高斯核:
[0126][0127]
式(10)中σj为标准差数值，σj＝2j。
[0128]
s482，根据局部频带对比度计算人眼感知对比度(perceptual contrast,pc)。
[0129]
在一些实施例中，可以利用人眼视觉感知对比度模型评价图像中目标区域的感知对比度并得出评价分值。其中，人眼视觉感知对比度评价模型是基于peli局部对比度模型结合人眼的视觉感知特性的基础上建立的。
[0130]
包括：
[0131]
s4821，分别对盲元优化和高斯噪声优化进行优化，提升图像优化的程度，对图像进行感知清晰度评价。
[0132]
其中测试图像i(m，n)的局部频带对比度式中分母部分为低通图像，其可以看成是图像中的背景图像ib，即
[0133]
ib＝φ
j 1
*i(m，n)
ꢀꢀ
(11)
[0134]
将式(11)带入式(9)得式(12)：
[0135][0136]
s4822，利用韦伯比调制局部频带对比度。
[0137]
在一些实施例中，使用最大方向梯度法来衡量图像的局部灰度变化，由于图像的局部灰度变化对特定方向的图像边缘敏感，可以利用最大梯度的判断条件，将图像局部灰度变化小于刚可分辨率jnd位置的计算结果置0，得到人眼感知对比度c
p，j
(m，n)：
[0138][0139]
当人眼感知对比度c
p，j
(m，n)的值为0时，人眼则无法感知到图像的灰度变化，当人眼感知对比度c
p，j
(m，n)的值越大，则人眼能感知到的对比度越大。
[0140]
s483，计算基于空间熵和频谱熵的sseq的值，获得图像评价得分。
[0141]
在一些实施例中，可以通过图像像素在局部空间的联合分布统计来计算一副图像的空间熵的值，建立空间熵和图像失真类型之间的关系，以达到对应空间熵的值反映对应图像失真类型，从而获得评价得分。
[0142]
包括以下步骤：
[0143]
s4831，建立空间熵的值和图像失真类型之间的关系，提取空间熵特征。包括：
[0144]
s48311，将输入图像转换为灰度图像，得到其灰度区间分布，从而计算图像的空间熵值：
[0145]es
＝-∑
x
p(x)log2p(x)
ꢀꢀ
(14)
[0146]
式(14)中的x为对应图像一点的像素值，p(x)为x概率分布值。
[0147]
s48312，对图像像素信息采用如下采样：分别以校正后图像的的四分之一、八分之一、十六分之一转化为频域图，得到为高频段、中频段、低频段三个频段的频域图。
[0148]
s48313，每个频段获取1个均值和1个偏度作为空间熵特征值，共获取6个空间熵特征值。
[0149]
s4832，提取频谱熵特征，包括：
[0150]
s48321，确定图像的dct系数，在dct系数下计算图像像素的经验概率分布：
[0151]
p(i，j)＝c(i，j)2/∑i∑jc(i，j)2ꢀꢀ
(15)
[0152]
s48322，根据图像像素的经验概率分布计算图像的频谱熵ef：
[0153]ef
＝-∑i∑jc(i，j)2ꢀꢀ
(16)
[0154]
通过计算频域熵共得到6个频域熵特征值。
[0155]
s4833，对6个空间熵特征值和6个频域熵特征值对应的12项图像特征进行训练，基于12项图像特征将图像进行失真状态的分类，分为12类，使用机器学习方法训练数据，预测评价得分。
[0156]
在一些实施例中，包括以下步骤：
[0157]
s48331，训练的图库使用live数据库。采用的训练数据是live数据库中的图像的信息熵特征向量，训练后得到不同类型图像失真的概率分布和特征向量所对应的模型。
[0158]
s48332，将目标数值定义为主观评价数据值，建立起主观评价分数和对应噪声图像熵值之间的关系，将sseq评价得分定为[0,100]，数值越小图像质量越好。
[0159]
s484，计算基于图像空域统计特征的brisque评价得分对进行了相关优化的图像进行增强效果评价，获得brisque评价得分。
[0160]
当图像空域统计中盲元概率增加时，会影响到图像的空域统计特征，所以brisque评价指标可以对图像盲元优化效果进行评价。
[0161]
同理，高斯噪声、行间噪声和列间噪声也会改变图像空域统计特征，可以使用brisque评价指标对进行了相关优化的图像进行增强效果评价。
[0162]
其具体实现过程如下：
[0163]
s4841，进行图像归一化。
[0164]
当获取了测试图像之后，首先要对其进行亮度归一化，归一化的像素值im(i，j)为：
[0165][0166]
其中：
[0167][0168]
u(i，j)＝∑∑w
k，lik，l
ꢀꢀ
(19)
[0169]
i∈1，2，...，h，j∈1，2，...，w，h和w是图像的高度值和宽度值，c为常数。w为高斯权重函数，w＝{wk，l|k＝-3...3，l＝-3...3}，im(i，j)为平均去对比标准系数(mscn)，其和i(i，j)相比，相邻像素之间的相关性有所下降。
[0170]
s4842，空域特征提取
[0171]
图像失真部分会破坏mscn的固有规律，即广义高斯分布特性和相邻系数之间的相关性，广义高斯分布的模型如下：
[0172][0173]
其中τ(
·
)为伽马函数，a为形状参数，形状参数a控制着广义高斯模型形状，σ2是方差，最终(a，σ2)为获得的广义高斯分布特征。
[0174]
s48433，从竖直方向开始逐次改变45
°
，得到4个方向上的相关性图像。
[0175]
s48434，对4个方向上的相关性图像使用非对称的广义高斯分布模型进行数据拟合，每个方向存在4个估计参数，最终得到4*4＝16个相邻系数的相关性特征值。
[0176]
s4844，根据16个相关性特征值计算图像质量评价分数，包括：
[0177]
s48441，利用支持向量机svm获取回归模型，参照主观评价打分，训练出存在失真特性的图像和图像质量主观评分之间的映射关系。
[0178]
s48442，提取出待测图像的对应特征向量加入训练好的svr回归模型，预测出相应的图像评价分数。
[0179]
brisque评价得分对于红外图像盲元、高斯噪声、行间噪声和列间噪声优化均可进行有效评价。
[0180]
s49，进入目标凸显评价模块25，通过不同的评价指标对红外图像目标的凸显程度进行系统的评价，得到目标凸显程度的评价得分。
[0181]
s491，用图像整体的背景杂波来表征目标在整体上与背景的区分程度，该部分先使用了典型指标进行评价。
[0182]
在一些实施例中，包括：
[0183]
s4911，选定目标区域，基于目标区域尺寸对全图遍历进行类目标区域搜索。
[0184]
s4912，提取目标区域与其他区域的相位一致性特征pc、梯度幅值特性gm。
[0185]
s4913，按照fsim算法计算目标区域与搜索区域的相似性评价值。
[0186]
s4914，根据目标区域与其他区域的fsim相似指标，对图像和目标类型设定阈值。
[0187]
s4915，通过设定阈值挑出fsim相似值较高区域，将这些区域的fsim值求取均值，最后得到的数值即为tbfsim数值。
[0188]
tbfsim数值反应出一幅红外图像中目标相对于背景的易获取程度，目标与背景相区分的能力。
[0189]
s492，对基于人眼视觉的评价指标tssim进行分析，根据其不足对其改进后提出了tbfsim方法，并使用tbfsim方法来评价背景杂波，并进行了实验分析。在局部目标凸显程度部分采用局部目标背景相似度指标和目标背景相似度指标进行评价，并且进行了分析实验。
[0190]
包括以下步骤：
[0191]
s4921，采用sdlb指标和目标背景对比度模型对图像的局部凸显程度部分评价。
[0192]
s4922，在图像目标特征和整体背景基本一致的情况下，计算sdlb指标获得目标局部背景和目标的相似程度，即目标局部凸显程度。
[0193]
s4923，使用目标背景对比度模型计算图像中目标在局部与背景的对比度，并对人
眼于目标的对比度感知特性进行评价。
[0194]
s50，根据所述非均匀性评价得分、增强效果得分和凸显程度评得分获得所述红外图像质量的综合评分。
[0195]
本技术实施例提供的红外图像质量评价系统，针对现有红外图像质量评价方法的问题，根据红外图像处理任务，划分评价模块，建立了一套针对具体任务的红外图像质量评价分析平台，实现了不同处理任务下对红外图像进行系统评价的目的。通过系统测试各个模块评价方法对于红外图像的评价效果，基于红外图像评价数据库和api接口，经系统各模块下评价后对红外图像进行较为完备的综合评价。
[0196]
本技术实施例提供的红外图像质量评价系统通过模拟红外图像常见失真类型建立了红外图像数据库，然对平台中非均匀性模块评价指标进行评价实验，对比分析不同指标评价的不同效果并得出了结论。
[0197]
本技术实施例提供的红外图像质量评价系统采用的图像来自于本系统建立的红外图像质量评价数据库，图像中的行间噪声和列间噪声用来模拟条带状的非均匀性噪声，利用红外图像质量评价数据库中的失真图像测试其他噪声对于非均匀性评价指标的影响。
[0198]
本技术实施例提供的红外图像质量评价系统采用感知清晰度、基于空间熵和频谱熵的sseq和基于图像空域统计特征的brisque三项指标来对图像增强效果进行评价，其中感知清晰度直接根据图像特征进行评价，而sseq和brisque需要对已有图像进行训练，判断出图像失真类型，之后再对输入图像进行预测评价。
[0199]
本发明提出一种红外图像质量综合评价系统和方法，针对现有红外图像质量评价方法的问题，根据红外图像处理任务，划分评价模块，建立了一套针对具体任务的红外图像质量评价分析平台，实现了不同处理任务下对红外图像进行系统评价的目的，该方法评价效果良好。
[0200]
本技术实施例提供的红外图像质量评价系统通过不同的评价指标对红外图像目标的凸显程度进行系统的评价：首先是用图像整体的背景杂波来表征目标在整体上与背景的区分程度，该部分先使用了典型指标进行评价，然后对基于人眼视觉的评价指标tssim进行了分析，根据其不足对其改进后提出了tbfsim方法，并使用tbfsim方法来评价背景杂波，并进行了实验分析。在局部目标凸显程度部分采用局部目标背景相似度指标和目标背景相似度指标进行评价，并且进行了分析实验。
[0201]
采用本技术实施例提供的红外图像质量评价系统能够按照红外图像处理任务进行归类，并比较分析相同处理任务下，不同评价方法的评价效果差异。
[0202]
本技术实施例提出一种电子设备，包括：至少一个存储器，用于存储程序；和至少一个处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行如第二方面所述的方法。
[0203]
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0204]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件组件，或者二者的结合来实施。软件组件可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0205]
以上的具体实施方式，对本技术实施例的目的、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，以上仅为本技术实施例的具体实施方式而已，并不用于限定本技术实施例的保护范围，凡在本技术实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术实施例的保护范围之内。