基于信息熵分類的合成圖像質(zhì)量分析算法研究

李長春 韓東寧

長春電子科技學(xué)院 吉林 長春 130000

引言

圖像合成技術(shù)把多個對應(yīng)的圖像合成為一幅圖像。隨著對大視場圖像要求的不斷增加,單一設(shè)備視場不足以滿足測試需求,單純采用廣角設(shè)備雖然視場可以增大,但使圖像細(xì)節(jié)質(zhì)量下降,分辨率變差。圖像合成該技術(shù)方法簡單,不會使分辨率減小,在醫(yī)療、航空航天及人工智能等領(lǐng)域大量使用[1]。圖像合成技術(shù)主要包含配準(zhǔn)和融合這兩部分。圖像配準(zhǔn)是指用圖像重疊部分的特征關(guān)聯(lián)來計算得出單應(yīng)性矩陣。然而在該階段中,由于單應(yīng)性矩陣不夠精確,從而會致使全景圖像中產(chǎn)生重影。圖像融合則是負(fù)責(zé)處理在合成過程中不同圖像之間出現(xiàn)曝光差別的問題。

圖像合成技術(shù)在計算機視覺領(lǐng)域里和合成質(zhì)量有極大的關(guān)聯(lián)[2]?？陀^評價則是依據(jù)人眼的視覺主觀判斷意識從而建立合理數(shù)學(xué)模型,然后運用公式可得到圖像質(zhì)量。目前通常使用的評價是信噪比和結(jié)構(gòu)類似程度。對比圖像時,圖像質(zhì)量可以通過PSNR評價,其值越高,效果越好。該方法因計算簡便,而廣泛應(yīng)用在相關(guān)領(lǐng)域,但該值和人眼視覺的主觀意識存在較大差異。SSIM則從亮度等方面去評估兩個圖像的相似性,與前一種評價方法相比較,SSIM可以更好地體現(xiàn)人眼視覺的主觀意識,然而在圖像合成技術(shù)中對圖像重影問題和合成縫問題更為關(guān)注[3]。

Luyu Yang等人通過研究提出了利用圖像間的區(qū)域差異去衡量圖像在合成過程中的誤差,而亮度差異則由結(jié)構(gòu)和色度的一致性來體現(xiàn),但其操作過程繁瑣,與圖像評估的需求相悖[4]。Ghosh等人設(shè)計出多個影響因素的圖像評價方法從非定性的角度去評估誤差,但這些影響因素常被用在一般的圖像評價中,對重影和合成縫的影響很小,因此該方法的評價結(jié)果存在較大誤差。

本文通過研究,提出了一種基于信息熵分類的合成圖像質(zhì)量分析算法,該方法在評估合成圖像上精確性更高,在重影與合成縫的檢測上也較為靈敏,并且與人眼主觀意識相符,實驗結(jié)果顯示本文提出的分析算法總體優(yōu)于其它評價方法。

1 數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)獲取

本文通過使用高清相機和傳送帶相結(jié)合的結(jié)構(gòu)設(shè)計,能實現(xiàn)自主獲得零件圖像的功能,記相機的固定位置點為O,通過傳送帶將零件傳送到位置點P,相機完全完成拍攝采集,再開始下一輪的零件拍攝。需要得到灰度圖像,然后再通過FFT實現(xiàn)去噪,也就是將灰度圖像中的時域變?yōu)轭l域F,之后再通過閾值法過濾掉頻域中Ω域值以下的區(qū)域,最后再利用傅里葉快速逆變換將頻域變回時域,從而得到所需要的灰度圖像。

1.2 邊界提取

在信息熵的邊界提取中,卷積運算極其重要,而卷積核又是核心,若該值大則表示圖像模糊,若該值小則表示信息量小?？梢?卷積核的選擇十分關(guān)鍵,并且卷積核中心點只有一個,也就是說卷積核行列號一定是奇數(shù),卷積核為k×k大小,其中像元的個數(shù)由n表示,圖像中短邊的一半就是最大取值。

當(dāng)灰度圖像G是M×N時,在對邊框進行卷積時可能會出現(xiàn)空值計算,為了防止此情況發(fā)生,就要求增加矩陣G其邊界。信息熵的卷積表示通過信息熵準(zhǔn)則運算卷積核所包含的數(shù)據(jù)。記卷積核中包含的灰度值數(shù)量為q,可得信息熵H為

把這些灰度值按從小到大的順序排列,灰度值相同的數(shù)量,遍歷圖像的所有像素點,從而獲得信息熵矩陣A。在信息熵計算中并沒有包含具體的量化,所以要優(yōu)化該運算,將優(yōu)化后的信息熵由H'表示,該定義不僅符合t階的中心距而且也包含了量化信息,則

式中:G代表灰度值;t代表中心矩的階數(shù),常常被用去體現(xiàn)高階量的特征,在本研究中取t=1。遍歷圖像便可獲得優(yōu)化后的信息熵矩陣A',高層次的統(tǒng)計表達(dá)由高階中心矩反映,就像是高階張量。

2 算法設(shè)計

2.1 輪廓提取

對圖像實現(xiàn)灰度分析和邊框提取,能有效對比圖像之間錯位誤差及亮度差異。R,G,B共同作用形成圖像中各個像素點的色彩,單個分量就包含256個值?；叶葓D像仍能像彩色圖像一樣,可以體現(xiàn)整個圖像的色彩與亮度級的布局及特點。進行灰度分析處理后,能減少后面程序的計算量。在本研究中,采用灰度處理時用到的方法為加權(quán)平均法。對圖像邊界信息進行提取,而且該算法效果好,噪聲對其算法干擾小,邊界信息相對更為準(zhǔn)確。

2.2 構(gòu)建差分參數(shù)

將兩張圖像對應(yīng)部分的像素作差,用差值表示圖像變化的方法叫差分圖。因此常用差分圖表現(xiàn)兩張圖像的差別,此外差分圖對圖像間的錯位和亮度信息也能有效檢測。需用高斯平滑的方法處理圖像,從而降低噪聲對差分圖的干擾。高斯濾波不僅表現(xiàn)為線性平滑,而且還能有效降低高斯噪聲的干擾,因此在圖像處理中大量使用該方法實現(xiàn)減噪功能。高斯濾波是一個求圖像加權(quán)平均值的過程,將其自身與附近像素值通過加權(quán)平均就可以獲得各個像素點的值。圖像經(jīng)過高斯平滑處理后,再對圖像的邊界信息做絕對差分處理,這樣就能夠獲得所需圖像。

2.3 計算信息熵

對得到的差分圖像實行像素點的信息分析,用圖像信息熵來反映圖的信息豐富度,其豐富度與圖像質(zhì)量緊密相關(guān)。信息熵反映的是圖像的平均信息量大小,信息熵大。差分圖的信息熵可由下式表示:

3 實驗測試

3.1 測試結(jié)果分析

在錯位情況不同的圖像中,信息熵對評價結(jié)果影響較小,表明該方法不能有效檢測錯位信息,因此不能用于評估圖像質(zhì)量。圖像出現(xiàn)1-2像素的錯位時,SSIM的結(jié)果顯著降低;當(dāng)錯位情況不斷增加時,該算法結(jié)果逐漸平緩,結(jié)果差異很小,并不能充分體現(xiàn)圖像的錯位情況,但當(dāng)錯位情況嚴(yán)重時,該算法結(jié)果的差異持續(xù)在0.5以上,其結(jié)果與人眼主觀意識評價相悖。人對亮度差別的主觀感知判斷不同于錯位誤差,人的眼睛能自動調(diào)節(jié)并適應(yīng)光強度,能分辨出有明顯亮度差別的物體。在過高或過低的亮度區(qū)間,人眼對此區(qū)間差別感官很小,差別越大,圖像質(zhì)量受其干擾越小,甚至最后不受影響。

3.2 圖像質(zhì)量分析

圖1（a）出現(xiàn)嚴(yán)重的錯位誤差及亮度差別;圖1（b）出現(xiàn)一定的亮度差別及較小的錯位誤差;圖1（a）出現(xiàn)一定的錯位誤差及較小的亮度差別;圖1（b）基本無錯位誤差及亮度差別。由此可見,采用信息熵分類可以大幅提高圖像的邊緣特征信息,從而提高圖像復(fù)現(xiàn)質(zhì)量。

圖1 經(jīng)信息熵分類算法處理優(yōu)化前后的圖像

4 結(jié)論

本文針對提高圖像合成質(zhì)量的問題,提出了一種基于信息熵分類的合成圖像質(zhì)量分析算法,首先需要對圖像實行灰度處理和邊界信息提取;隨后再對圖像進行差分,最后通過計算信息熵從而得到圖像的評價結(jié)果。實驗結(jié)果顯示,該算法效果良好。