一種新的遙感影像清晰度評(píng)價(jià)方法

譚偉,楊秉新,何紅艷

北京空間機(jī)電研究所,北京100094

一種新的遙感影像清晰度評(píng)價(jià)方法

譚偉*,楊秉新,何紅艷

北京空間機(jī)電研究所,北京100094

針對(duì)傳統(tǒng)清晰度評(píng)價(jià)算法很難準(zhǔn)確評(píng)價(jià)遙感衛(wèi)星影像清晰度的問題,結(jié)合工程應(yīng)用及遙感影像特點(diǎn)提出了一種新的遙感圖像清晰度評(píng)價(jià)算法——自檢測(cè)灰度梯度函數(shù)清晰度評(píng)價(jià)算法。把評(píng)價(jià)過程分為目標(biāo)區(qū)域檢測(cè)和清晰度特征參量提取,為解決遙感影像數(shù)據(jù)量大且景物密度與分布特點(diǎn)各異的問題,首先通過檢測(cè)算子對(duì)一幅遙感影像中各區(qū)域進(jìn)行檢測(cè)來得到景物豐富且邊緣明顯的目標(biāo)區(qū)域,然后再對(duì)目標(biāo)區(qū)域進(jìn)行灰度預(yù)處理并提取目標(biāo)區(qū)域的邊緣灰度梯度來評(píng)價(jià)清晰度。通過三組不同類型影像對(duì)該算法進(jìn)行驗(yàn)證,分別為遙感相機(jī)在軌離焦仿真影像和噪聲仿真影像,以及在軌型號(hào)遙感衛(wèi)星影像,對(duì)比幾種傳統(tǒng)典型清晰度評(píng)價(jià)算法和自檢測(cè)灰度梯度函數(shù)的評(píng)價(jià)效能,結(jié)果表明:文中方法滿足遙感影像清晰度評(píng)價(jià)的基本要求,解決了傳統(tǒng)算法無法橫向比較不同遙感相機(jī)影像及不同大小影像清晰度的問題,是一種適合衛(wèi)星遙感影像清晰度評(píng)價(jià)的方法。

清晰度;目標(biāo)區(qū)域;特征參量;預(yù)處理;影像評(píng)估;航天遙感

清晰度定義為用影像灰度變化來定量描述的邊緣銳利程度,是評(píng)價(jià)影像品質(zhì)的一個(gè)重要參數(shù),表征影像細(xì)節(jié)的紋理。影像中邊緣越銳利,紋理的可辨程度越高,影像清晰度越好。目前數(shù)字影像清晰度的評(píng)價(jià)可以分為主觀評(píng)價(jià)和客觀評(píng)價(jià)[1-2]。主觀評(píng)價(jià)方法不僅耗時(shí)長(zhǎng),還會(huì)受到觀測(cè)者的專業(yè)背景、心理動(dòng)機(jī)等因素的影響,而且很難與數(shù)學(xué)算法相結(jié)合;客觀評(píng)價(jià)方法是利用影像的某些特征參數(shù)定量化地描述影像清晰度[3-4]。

現(xiàn)有清晰度評(píng)價(jià)方法大多建立在影像特征(灰度變化特征、紋理特征、頻域特征、灰度分布特征等)統(tǒng)計(jì)信息之上,基于這些特征的影像清晰度評(píng)價(jià)方法主要分為4類:灰度梯度函數(shù)、邊緣檢測(cè)函數(shù)、頻譜函數(shù)和熵函數(shù)?；叶忍荻群瘮?shù)的原理是根據(jù)影像灰度梯度值判斷影像清晰度,灰度梯度值越大,影像越清晰;邊緣檢測(cè)函數(shù)是基于檢測(cè)并提取影像邊緣,邊緣信息越豐富,影像越清晰;頻譜函數(shù)的原理是影像由空域變換到頻域后,高頻部分對(duì)應(yīng)影像景物邊緣,高頻信息越豐富,意味著影像中景物邊緣灰度變化越劇烈,灰度梯度越大,影像越清晰;熵函數(shù)的原理是熵代表著影像信息量的大小,清晰影像的信息量大于模糊影像,熵越大影像越清晰[5]。理想的清晰度評(píng)價(jià)方法應(yīng)具備四個(gè)基本要求:通用性,即獨(dú)立于影像內(nèi)容,適用性強(qiáng);單調(diào)性,該方法能夠隨著影像清晰度變化單調(diào)變化;魯棒性,即算法能夠識(shí)別和抑制噪聲及異常點(diǎn)的影響,具有良好的穩(wěn)定性;無偏性,通過評(píng)價(jià)算法得到的結(jié)論應(yīng)該與主觀觀測(cè)結(jié)果無偏差。

傳統(tǒng)的幾種影像清晰度評(píng)價(jià)方法及其改進(jìn)方法多用于對(duì)影像模糊進(jìn)行評(píng)估及自動(dòng)調(diào)焦,其評(píng)價(jià)對(duì)象一般為同一相機(jī)相同成像條件時(shí)一組不同程度模糊退化的影像[6-7]。遙感影像是遙感衛(wèi)星在軌運(yùn)行過程中對(duì)地面成像的結(jié)果,很難保證相同的成像條件下對(duì)相同的地面景物成像,且由于相機(jī)的差異使得不同遙感衛(wèi)星影像之間很難進(jìn)行對(duì)比;以及高頻噪聲的存在,四種傳統(tǒng)的清晰度評(píng)價(jià)函數(shù)(灰度梯度函數(shù)、邊緣檢測(cè)函數(shù)、頻譜函數(shù)和熵函數(shù))很難滿足對(duì)噪聲的魯棒性及主客觀評(píng)價(jià)的無偏性;且對(duì)相機(jī)參數(shù)不同的遙感影像無法橫向比較[8-9],傳統(tǒng)影像清晰度評(píng)價(jià)方法很難有效應(yīng)用在遙感影像上。本文結(jié)合遙感影像特點(diǎn),基于灰度梯度函數(shù)、邊緣檢測(cè)函數(shù)及頻譜函數(shù)法提出了一種遙感影像清晰度評(píng)價(jià)算法——自檢測(cè)灰度梯度函數(shù)。

1 衛(wèi)星遙感影像清晰度評(píng)價(jià)方法

本文提出的自檢測(cè)灰度梯度函數(shù)是基于影像中景物的邊緣信息,算法主要由兩部分組成,分別為目標(biāo)區(qū)域檢測(cè)和特征參量提取。其中,目標(biāo)區(qū)域檢測(cè)是基于影像頻域和邊緣分布特征來獲取景物豐富且具有明顯邊緣的區(qū)域,而特征參量提取則基于目標(biāo)區(qū)域灰度變化特征提取邊緣平均灰度梯度來評(píng)價(jià)清晰度。

1.1 目標(biāo)區(qū)域檢測(cè)原理

本文中提出的遙感影像清晰度評(píng)價(jià)方法選擇影像中邊緣信息最豐富的區(qū)域作為研究目標(biāo),目標(biāo)區(qū)域檢測(cè)包括邊緣提取和邊緣強(qiáng)度計(jì)算。以邊緣所占比例與平均強(qiáng)度之積作為該區(qū)域的評(píng)判參數(shù),當(dāng)出現(xiàn)最大的積時(shí),選擇該區(qū)域?yàn)槟繕?biāo)區(qū)域。

(1)邊緣提取

邊緣是影像中具有灰度階躍響應(yīng)的區(qū)域,可采用邊緣檢測(cè)算子對(duì)其進(jìn)行提取。常用邊緣檢測(cè)算子包括Roberts邊緣算子、Sobel邊緣算子、Prewitt邊緣算子、Laplacian邊緣算子、Canny邊緣算子等。其中Canny邊緣算子具有低誤判率、高定位精度、抑制虛假響應(yīng)等優(yōu)點(diǎn)[10],本文將采用Canny算子提取邊緣信息。

Canny邊緣算子的基本思想如下[11]:

首先,采用Gauss函數(shù)構(gòu)造濾波器對(duì)影像進(jìn)行平滑濾波抑制噪聲:

式中:σ為高斯函數(shù)標(biāo)準(zhǔn)差,(x,y)為影像灰度矩陣的某個(gè)像元。

其次,分別用高斯一階x偏導(dǎo)數(shù)和一階y偏導(dǎo)數(shù)對(duì)影像卷積得到x和y方向的灰度梯度矩陣Ix(x,y)和Iy(x,y)。利用Ix(x,y)和Iy(x,y)計(jì)算灰度梯度幅值M(x,y)及梯度方向θ(x,y):

接下來采用非極值抑制(Nonmaxima Suppression),即判斷梯度幅值矩陣的每一個(gè)像素幅值是否大于沿梯度方向上的兩個(gè)相鄰的像素幅值,大于則可能是邊緣點(diǎn),否則刪除該點(diǎn)。

最后采用雙門限檢測(cè)通過雙閾值遞歸尋找影像邊緣點(diǎn),實(shí)現(xiàn)邊緣提取。

(2)邊緣強(qiáng)度計(jì)算

影像處理中通常采用傅里葉變換對(duì)影像進(jìn)行處理,將影像灰度矩陣變換到頻域矩陣,頻域信息代表著影像灰度的變化[12]。對(duì)頻率矩陣處理可得到其頻譜矩陣。影像中邊緣是灰度劇烈變化的區(qū)域,對(duì)應(yīng)著頻域中的高頻信息,且頻譜矩陣中每個(gè)像素值的大小代表著灰度變化的強(qiáng)度。二維傅里葉變換表達(dá)式F(u,v)及其頻譜p(u,v)分別為

式中:(x,y)為灰度矩陣某一像素,f(x,y)為其灰度值;(u,v)為頻率矩陣中某一像素,F(u,v)為其頻率。F(u,v)為一個(gè)復(fù)數(shù),R(u,v)和I(u,v)分別為頻率F(u,v)的實(shí)部與虛部。求取頻譜矩陣中高頻區(qū)域的像素平均值作為影像平均邊緣強(qiáng)度。

1.2 清晰度計(jì)算原理

目前在遙感影像清晰度評(píng)價(jià)中,灰度梯度函數(shù)是應(yīng)用得較多的一種方法,平均灰度梯度函數(shù)通過提取每個(gè)像素與相鄰像素的灰度差從而得到全幅影像的平均灰度梯度:

式中:f(x,y)為影像中某像素的灰度值;N1、N2分別為影像的行、列像元數(shù)。

影像灰度梯度大小可敏感地反映影像對(duì)微小細(xì)節(jié)反差表達(dá)的能力。對(duì)于一幅影像來說,平均灰度梯度越大,影像層次越明顯,細(xì)節(jié)之間邊緣越可辨,影像越清晰[13]。平均灰度梯度函數(shù)主要計(jì)算每個(gè)像素點(diǎn)水平和垂直這兩個(gè)方向相鄰像素之間的灰度梯度。平均灰度梯度函數(shù)具有計(jì)算量小、單調(diào)性好、可靠性高等優(yōu)點(diǎn)[14]?？紤]到遙感影像中目標(biāo)和細(xì)節(jié)分布復(fù)雜無規(guī)則且數(shù)量大的特點(diǎn),基于平均灰度梯度函數(shù)作如下改進(jìn):

1)核心算子的改進(jìn)?？紤]到遙感影像中目標(biāo)的各向異性,將計(jì)算每個(gè)像素水平和垂直方向相鄰像素灰度變化改為計(jì)算每個(gè)像素相鄰8個(gè)方向的灰度變化,從而得到每一個(gè)像素與其臨近所有方向像素灰度值的差異,根據(jù)清晰度定義,影像越清晰,邊緣與背景像素之間灰度差異越大。如圖1所示,對(duì)8個(gè)不同方向灰度變化進(jìn)行距離加權(quán),其中0°、90°、180°、270°權(quán)值為1, 45°、135°、225°、315°權(quán)值為1/2。

2)加入小波濾噪抑制噪聲影響。噪聲及異常點(diǎn)(飽和像元或暗像元)在影像中是梯度值很大的像元區(qū)域,在頻域中屬于高頻區(qū)域,能夠使影像清晰度計(jì)算結(jié)果偏大,與主觀評(píng)價(jià)不一致,影響清晰度評(píng)價(jià)。傳統(tǒng)的濾噪方法多采用平均或線性方法,消噪效果與圖像清晰度是一對(duì)矛盾的存在,而小波濾噪很好地解決了這個(gè)問題。

3)基于影像灰度特征的閾值來準(zhǔn)確提取邊緣。影像邊緣具有以下特點(diǎn):相比非邊緣區(qū)域具有較大的灰度梯度值;在整幅影像中所占比例較小。為快速精準(zhǔn)地提取影像中的邊緣信息,采用自適應(yīng)閾值,即閾值大小依賴于影像自身灰度信息,引入低閾值(Low Threshold)作為最小邊緣閾值,將灰度梯度小于低閾值的部分視為非邊緣區(qū)域舍棄。對(duì)影像進(jìn)行灰度梯度或微分運(yùn)算時(shí),獲取影像邊緣的同時(shí)放大了異常像元(灰暗像元或飽和像元)。算法引入高閾值(High Threshold),將大于高閾值的像素視為異常像元舍棄。在兩個(gè)閾值之間的像元作為有效的邊緣區(qū)域,并計(jì)算這部分像元所占總像元數(shù)的比例作為邊緣權(quán)值σ。

經(jīng)過上述三方面改進(jìn)后的算法如下:

式中:F(x,y)表示每個(gè)像元加權(quán)后的灰度梯度值;I為計(jì)算所得影像清晰度;Δ為清晰度特征參量,即每個(gè)像元與相鄰那個(gè)像元的平均灰度梯度;Th1為最小邊緣閾值,Th2為異常像元閾值;σ為Δ對(duì)應(yīng)的權(quán)值;N1、N2為影像的行、列像元數(shù)。結(jié)算結(jié)果越大,影像中大灰度梯度區(qū)域越多,影像中邊緣越明顯,影像越清晰。

1.3 遙感影像清晰度評(píng)價(jià)流程

本文采用圖2所示流程,通過區(qū)域檢測(cè)過程得到評(píng)價(jià)所需的目標(biāo)區(qū)域,再對(duì)目標(biāo)區(qū)域進(jìn)行特征參量提取以計(jì)算清晰度。

圖1 統(tǒng)計(jì)每個(gè)像素相鄰8個(gè)像素之間灰度差異Fig.1 Gray scale difference of among each pixel and its surrounding pixels

圖2 遙感影像清晰度評(píng)價(jià)流程Fig.2 Evaluation process of remote sensing image definition

(1)目標(biāo)區(qū)域大小設(shè)定

一幅遙感影像往往覆蓋面積較大、數(shù)據(jù)量較大,景物數(shù)量及分布密度也不一致。結(jié)合工程應(yīng)用中圖像清晰度評(píng)價(jià),可選擇1.024 km× 1.024 km作為目標(biāo)區(qū)域的面積。不同遙感影像根據(jù)各自地面分辨率的來確定影像中的檢測(cè)矩陣W(i,j)的大小,例如,“高分一號(hào)”衛(wèi)星地面分辨率為2 m,其W(i,j)可選擇512×512像元數(shù)。

(2)目標(biāo)區(qū)域選取

通過檢測(cè)函數(shù)來檢測(cè)所選區(qū)域W(i,j)中的景物邊緣及其強(qiáng)度,其中,景物邊緣通過邊緣檢測(cè)算子提取,邊緣強(qiáng)度用影像頻域中的高頻分量表示,遙感影像中一般選擇景物最豐富且邊緣明顯的區(qū)域作為目標(biāo)區(qū)域。

(3)預(yù)處理

量化位數(shù)和輻亮度差異預(yù)處理。將影像灰度矩陣除以其平均灰度值,得到新灰度矩陣,由此抑制了量化位數(shù)和輻亮度差異造成的影像整體灰度值偏大或偏小對(duì)清晰度計(jì)算結(jié)果的影響。

(4)清晰度計(jì)算

計(jì)算目標(biāo)區(qū)域清晰度并以此作為整幅影像清晰度。

圖3 不同遙感衛(wèi)星影像中對(duì)應(yīng)的1.024 km×1.024 km城市區(qū)域Fig.3 City images with 1.024 km×1.024 km area of different remote sensing satellites

2 試驗(yàn)及仿真結(jié)果

2.1 不同遙感衛(wèi)星影像清晰度計(jì)算

本試驗(yàn)中選取國(guó)外的Pleiades、Worldview-2這兩個(gè)亞米級(jí)分辨率遙感衛(wèi)星及國(guó)內(nèi)的“資源三號(hào)”(正視)、“高分一號(hào)”、“實(shí)踐9A”和“資源一號(hào)”(02C)這幾個(gè)2 m級(jí)分辨率遙感衛(wèi)星影像作為研究目標(biāo)。通過本文的目標(biāo)區(qū)域檢測(cè)算法得到各影像中地面等效面積為1.024 km×1.024 km的區(qū)域。通過多名人員主觀評(píng)價(jià),按照各遙感影像目視清晰度排列,如圖3所示。

歸一化的影像清晰度計(jì)算結(jié)果如表1所示,影像清晰度曲線圖4所示。

計(jì)算結(jié)果表明:本文算法得到的影像清晰度與主觀評(píng)價(jià)清晰度的結(jié)果基本一致,滿足無偏性,且單調(diào)性良好;傳統(tǒng)的四種算法出現(xiàn)多個(gè)峰值,不符合單調(diào)性,且與主觀評(píng)價(jià)結(jié)果不符合,基本無法橫向比較不同遙感衛(wèi)星影像清晰度。

表1 不同衛(wèi)星城市地區(qū)影像清晰度歸一化結(jié)果Table 1 Normalized image definition of city area in different remote sensing satellites

2.2 仿真影像清晰度計(jì)算

(1)離焦模糊仿真影像清晰度計(jì)算

本文中通過仿真得到一組離焦模糊影像,模擬衛(wèi)星在軌運(yùn)行時(shí)由于多種機(jī)制影響導(dǎo)致相機(jī)離焦而造成的影像模糊,用α表示仿真時(shí)離焦模糊系數(shù),α越大,表示遙感相機(jī)離焦程度越大,圖像越模糊,如圖4所示。

計(jì)算各圖像峰值信噪比PSNR及清晰度并歸一化處理,結(jié)果如表2所示。

表2 仿真影像PSNR與清晰度歸一化結(jié)果Table 2 Normalized image definition of emulated images

圖4 離焦模糊仿真影像Fig.4 Emulated defocusing images

圖5 離焦模糊仿真影像清晰度歸一化曲線Fig.5 Normalized image definition curve of emulated defocusing images

PSNR及清晰度變化曲線如圖5所示。

通過結(jié)果可知:本文方法和灰度梯度法、邊緣檢測(cè)法都能夠保持單調(diào)性和無偏性,且與PSNR曲線變化趨勢(shì)保持一致,而頻譜函數(shù)和熵函數(shù)則出現(xiàn)多峰值。隨著離焦系數(shù)的增大,影像模糊程度增加,清晰度單調(diào)降低。但相比灰度梯度法和邊緣檢測(cè)法,本文方法對(duì)清晰度變化更加敏感,能夠準(zhǔn)確識(shí)別清晰度退化。

(2)噪聲仿真影像清晰度計(jì)算

圖6為一組添加噪聲的仿真影像,仿真光子噪聲等與影像灰度值相關(guān)噪聲,其中,噪聲均值為0,方差為δ,δ越大表示噪聲方差越大,圖像越模糊。

計(jì)算各圖像PSNR與清晰度并歸一化處理,結(jié)果如表3及圖7所示。

通過結(jié)果可知:本文方法對(duì)噪聲具有良好的魯棒性能,隨噪聲的增大,清晰度計(jì)算結(jié)果逐漸減小,與PSNR曲線變化趨勢(shì)一致,滿足單調(diào)性、無偏性、魯棒性;傳統(tǒng)4種算法無法識(shí)別和抑制高頻噪聲,其清晰度計(jì)算過程中將噪聲誤判為邊緣,隨噪聲的增大,清晰度反而增大,與主觀評(píng)價(jià)不一致,不滿足單調(diào)性、無偏性,對(duì)噪聲的魯棒性差。

圖6 含隨機(jī)噪聲的仿真影像Fig.6 Emulated images with random noise

表3 隨機(jī)噪聲仿真影像PSNR與清晰度歸一化結(jié)果Table 3 Normalized image definition of emulated images with random noise

圖7 隨機(jī)噪聲仿真影像清晰度歸一化曲線Fig.7 Normalized image definition curve of emulated images with random noise

3 結(jié)束語(yǔ)

本文針對(duì)傳統(tǒng)圖像清晰度算法應(yīng)用于遙感圖像時(shí)的缺陷,提出自檢測(cè)灰度梯度函數(shù)清晰度評(píng)價(jià)算法。將評(píng)價(jià)過程分為目標(biāo)區(qū)域檢測(cè)和特征參量提取,使算法與工程應(yīng)用更加緊密結(jié)合;改進(jìn)傳統(tǒng)評(píng)價(jià)算法的缺點(diǎn)與不足得到了新的評(píng)價(jià)算法,滿足通用性、單調(diào)性、魯棒性、無偏性這4個(gè)清晰度評(píng)價(jià)算法基本要求,解決了傳統(tǒng)算法在遙感影響清晰度評(píng)價(jià)方面的局限性。仿真影像及在軌型號(hào)影像清晰度評(píng)價(jià)結(jié)果驗(yàn)證了本文方法的有效性。本文提出的清晰度評(píng)價(jià)算法一方面可作為一個(gè)影像質(zhì)量參數(shù)用于遙感影像質(zhì)量評(píng)價(jià)體系中,同時(shí)也可用于遙感衛(wèi)星在軌成像時(shí)影像模糊評(píng)估及輔助調(diào)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] 陳世平.關(guān)于遙感圖像品質(zhì)的若干問題[J].航天返回與遙感,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] 吳一全,曹照清.基于小波變換和核獨(dú)立分量分析的遙感圖像變化檢測(cè)[J].中國(guó)空間科學(xué)技術(shù),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] 馬文坡.航天光學(xué)遙感技術(shù)[M].北京:中國(guó)科學(xué)技術(shù)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] 陳亮,李衛(wèi)軍,覃鴻.數(shù)字影像清晰度評(píng)價(jià)函數(shù)的通用評(píng)價(jià)能力研究[J].計(jì)算機(jī)工程與應(yīng)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] 徐貴力,劉小霞,田裕鵬.一種影像清晰度評(píng)價(jià)方法[J].紅外與激光工程,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] 劉鵬,王榮彬,劉文婷.遙感影像清晰度評(píng)價(jià)方法的比較[J].地理空間信息,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,張利,謝攀.一種基于能量和熵的自動(dòng)聚焦算法[J].電子學(xué)報(bào),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,鄭賢忠.MATLAB圖像處理寶典[M].北京:電子工業(yè)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.

(編輯:車曉玲)

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;錄用日期:2016-02-26;< class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間:2016-04-19 15:39:10

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

*

:譚偉(1990-),男,碩士研究生,blacktanphay@126.com,主要研究方向?yàn)榭臻g光學(xué)遙感器總體設(shè)計(jì)

譚偉,楊秉新,何紅艷.一種新的遙感影像清晰度評(píng)價(jià)方法[J].中國(guó)空間科學(xué)技術(shù),2016,36(2):50-57.TANW,YANGBX,HEHY.Anewdefinitionevaluationmethodforremotesensingimagesofsatellite[J].2016,36(2):50-57(inChinese).

http:∥zgkj.cast.cn