基于自适应网格的红外图像置信度评估装置及方法与流程

本发明属于图像质量评估技术领域，特别涉及一种红外图像置信度评估方法，可用于光电场景数字仿真、半实物仿真系统验证和合成红外图像质量评估等应用。

背景技术：

红外场景仿真技术有助于研究辐射在热介质中的传输过程，该技术是利用计算机图形学技术生成并渲染典型环境的红外场景，红外场景仿真技术已广泛应用于军事和民用领域，如早期预警系统、城市红外可视化和犯罪分析。由于仿真红外场景中由各种不同大小、形状和强度的辐射源组成，辐射传输过程的再现程度直接影响红外合成图像的置信度，因此，对合成红外图像置信度的评估就显得尤为重要。

目前，已有多种对合成红外图像的置信度进行评估的技术，包括均方误差mse与峰值信噪比psnr方法、结构相似度指数ssim方法和多尺度结构相似度指数ms-ssim方法等。其中：

均方误差mse与峰值信噪比psnr方法，主要用于比较合成图像与实测数据的相似性，但是该方法已经被证明其评估结果不完全可靠，与人眼视觉感知系统的兼容性有偏差。

结构相似度指数ssim方法，在图像/视频处理和计算机视觉领域中越来越流行，但用该方法评估红外图像的置信度仍然存在以下问题：首先，ssim在低方差信号上评价结果不稳定，对高对比度变化不敏感，这使得它很难评价合成和实测红外图像之间的相似性；其次，红外图像置信度主要受人眼或机器视觉确定的特定感兴趣区域roi的相似程度影响，而ssim方法直接对全图进行评估，可信度不高。

多尺度结构相似度指数ms-ssim方法，是先将合成红外图像均匀分割为子图像，然后评估所有子图像的平均置信度，由于该方法对合成红外图像进行的是均匀网格分割，会受到传感器的渐晕等非均匀效应的影响，降低了红外图像置信度评估的准确性。

上述几种红外图像置信度评估方法的共同不足是：对红外图像的置信度评估水平不高，与人眼视觉感知系统不兼容。

技术实现要素：

本发明的目的在于针对上述现有技术的不足，提出一种基于自适应网格的红外图像置信度评估装置及方法，以提高对红外图像的置信度评估效率和评估质量，并能与人眼视觉感知系统相互兼容。

本发明通过对ms-ssim图像相似度评估方法进行改进，建立基于人眼视觉模型的自适应网格来实现上述目的，其技术方案的实现如下：

1.一种基于自适应网格的红外图像置信度评估装置，其特征在于，包括：

红外图像获取单元，用于获得实测红外图像与合成红外图像，传输给红外图像分割单元；

红外图像分割单元，用于将实测红外图像与合成红外图像根据自适应网格，分别分割成m个图像块，传输给相似度指数计算单元；

相似度指数计算单元，用于将实测红外图像与合成红外图像的m个图像块作为输入，计算每一个图像块的相似度指数，并将m个相似度指数传输给置信度评估单元，其中m≥2；

加权因子计算单元，用于计算m个图像块中每一块图像相似度指数的加权因子，传输给置信度评估单元，其中m≥2；

置信度评估单元，用于将相似度指数与对应的加权因子作为输入，计算得到合成红外图像的置信度指数。

2.一种基于自适应网格的红外图像置信度评估方法，其特征在于，包括：

1)利用红外热像仪获取实测场景的实测红外图像，并利用红外场景仿真技术

生成与实测场景匹配的合成红外图像；

2)分别在实测红外图像与合成红外图像中选取同一位置作为关注目标的中心位置，并根据自适应网格模型，从中心位置开始将实测红外图像与合成红外图像都分割成m个图像块，其中m≥2；

3)计算出每一个图像块中，实测红外图像与合成红外图像的平均辐射强度，标准差与协方差，并根据平均辐亮度，标准差与协方差，计算实测红外图像与合成红外图像的相似度指数q；

4)根据二维伽玛分布规律，计算每一个图像块中对应相似度指数q的加权因子w；

5)对m个图像块的相似度指数q与加权因子w的乘积进行求和，其中m≥2，得到合成红外图像的置信度评估指数x，完成合成红外图像的置信度评估。

本发明与现有技术相比，具有如下有优点：

本发明由于在分割红外图像时，采用了自适应网格法，使得图像与人类的感知系统相互兼容，同时由于利用二维伽玛分布概率密度函数对每一个图像块的相似度指数进行加权，消除了图像渐晕效应的影响，从而提高对红外图像的置信度评估效率和评估质量。

附图说明

图1为本发明基于自适应网格的红外图像置信度评估装置框图。

图2为基于自适应网格的红外图像置信度评估方法实现流程图。

图3为本发明中将红外图像分割成m个图像块的示意图。

图4为本发明中对m个图像块进行计算获得的加权因子的示意图。

具体实施方式：

以下结合附图对本发明作进一步详细说明。

参照附图1，本发明提供了一种红外图像的置信度评估装置，包括红外图像获取单元1、红外图像分割单元2、相似度指数计算单元3、加权因子计算单元4、置信度评估单元5。红外图像获取单元1，获得实测红外图像与合成红外图像，传输给红外图像分割单元2；红外图像分割单元2，将实测红外图像与合成红外图像根据自适应网格分别分割成m个图像块，传输给相似度指数计算单元3；相似度指数计算单元3，将实测红外图像与合成红外图像的m个图像块作为输入，计算每一个图像块的相似度指数，并将m个相似度指数传输给置信度评估单元5；加权因子计算单元4，计算每一块图像相似度指数的加权因子，传输给置信度评估单元5；置信度评估单元5，根据相似度指数与对应的加权因子计算合成红外图像的置信度指数。

所述红外图像获取单元1，包括：实测红外场景图像获取子单元11和合成红外场景图像获取子单元12。

所述红外图像分割单元2，包括：实测红外图像分割子模块21和合成红外图像分割子模块22。

所述相似度指数计算单元3，包括：辐射强度计算子单元31，三分量计算子单元32,三分量的加权因子计算子单元33和相似度指数计算子单元34。

实测红外场景图像获取子单元11利用中波红外热像仪采集实测红外场景图像的辐射强度信息，将其传输给实测红外图像分割子模块21；合成红外场景图像获取子单元12利用红外场景仿真软件，生成与实测红外场景图像匹配的合成红外场景图像的辐射强度信息，将其传输给合成红外图像分割子模块22。

实测红外图像分割子模块21选取实测红外图像的某一个目标作为中心位置，并根据自适应网格将其分割成m个图像块；合成红外图像分割子模块22选取合成红外图像中同一个目标作为中心位置，并根据自适应网格将其分割成m个图像块。将实测红外图像的m个图像块和合成红外图像的m个图像块都传输给辐射强度计算子单元31。

辐射强度计算子单元31先分别计算实测红外图像与合成红外图像中每一个图像块辐射强度的平均值和标准差，再计算实测红外图像与合成红外图像中每一个图像块辐射强度的协方差，并将辐射强度的平均值、标准差和协方差传输给三分量计算子单元32；三分量计算子单元32利用实测红外图像与合成红外图像辐射强度的平均值、标准差和协方差，分别计算合成红外图像中每一个图像块的结构变化分量、亮度损耗分量和对比度分量，并将三个分量传输给相似度指数计算子单元34；三分量的加权因子计算子单元33对于合成红外图像中的每一个图像块，分别利用ostu阈值法计算结构变化分量的加权因子，利用sobel边缘检测法计算亮度损耗分量的加权因子，利用总权重为1计算对比度分量的加权因子，并将三个加权因子传输给相似度指数计算子单元34；相似度指数计算子单元34将三分量分别作为底数，其加权因子分别作为幂，计算三个指数的乘积作为合成红外图像中每一个图像块的相似度指数，传输给加权因子计算单元4。

参照附图2，本发明提供的红外图像的置信度评估方法，其实现步骤如下：

步骤1，生成合成红外图像。

本步骤是利用红外热像仪获取实测场景的实测红外图像，并利用红外场景仿真技术生成与实测场景匹配的合成红外图像，具体实现如下：

1a)固定中波红外热像仪，采集实测场景在中红外波段的实测红外图像的红外辐射强度信息；

1b)利用红外场景仿真软件生成与实测红外场景匹配的合成红外图像，本施例采用的红外场景仿真软件使用不限于西安电子科技大学研发的基于物理可信的红外场景仿真引擎prisse。

步骤2，分割红外图像。

本步骤是分别在实测红外图像与合成红外图像中选取同一位置作为关注目标的中心位置，并根据自适应网格模型，从中心位置开始将实测红外图像与合成红外图像都分割成m个图像块，其中m≥2。

本步骤的具体实现如下：

2a)选取实测红外图像与合成红外图像中的同一个目标作为中心位置，并利用正方形网格将实测红外图像与合成红外图像中的目标分割出来，获得目标图像块，并将其标记为图像块a，其中正方形网格的边长为目标的最大长度；

2b)在图像块a的顶点处分别向外延伸四条边，使得延伸的长度为图像块a边长的2倍，再利用两对平行线将延伸后的四条边封装起来，获得新的大正方形网格，其中大正方形网格的四条边位置上有四个长方形图像块，顶角位置上分别为四个正方形图像块，将其中左上角的正方形图像块重新标记为图像块a；

2c)重复步骤2b)，直至整张红外图像分割完成，得到实测红外图像与合成红外图像分别基于自适应网格分割的m个图像块，其中m≥2，本步骤分割的图像块如图3所示。

步骤3，计算实测红外图像与合成红外图像的相似度指数。

本步骤是计算出每一个图像块中，实测红外图像与合成红外图像的平均辐射强度，标准差与协方差，并根据平均辐亮度，标准差与协方差，计算实测红外图像与合成红外图像的相似度指数q。具体实现如下：

3a)根据每一个图像块中所有像素点的辐射强度信息，分别计算实测红外图像的平均辐射强度和标准差σx与合成红外图像的平均辐射强度和标准差σy，再计算实测红外图像与合成红外图像的协方差σxy；

3b)利用红外图像与合成红外图像的平均辐射强度，标准差与协方差信息，根据公式和计算实测红外图像与合成红外图像每一个图像块的结构变化分量s、亮度损耗分量l和对比度分量c；

3c)在每一个图像块中，利用大于ostu阈值的像素数目与图像块所有的像素数目的比值作为亮度损耗分量l的加权因子；

3d)根据sobel边缘检测算法获得图像块的梯度边缘像素数目，再用梯度边缘像素数目与图像块所有的像素数目的比值作为对比度分量c的加权因子；

3e)根据亮度损耗分量l的加权因子和对比度分量c的加权因子，利用总权重指数为1的规律，计算结构变化分量s的加权因子；

3f)将结构变化分量的加权因子作为结构变化分量的幂指数，将亮度损耗分量的加权因子作为亮度损耗分量的幂指数，将对比度分量的加权因子作为对比度分量的幂指数；再将带有加权因子的结构变化分量，亮度损耗分量和对比度分量三者相乘，得到实测红外图像与合成红外图像中每一个图像块的相似度指数q。

步骤4，计算加权因子。

参照图4，本步骤的具体实现如下：

4a)将目标图像块的中心位置设置为原点，根据二维伽玛分布规律，计算所有像素点的概率密度；

4b)在每一个图像块中，取出将该图像块中心位置处的概率密度，作为该图像块中相似度指数q的加权因子w。

步骤5，计算置信度评估指数。

5a)对m个图像块中每一个图像块的相似度指数q与加权因子w相乘，其中m≥2，得到m个带有加权因子的相似度指数；

5b)对所有带加权因子的相似度指数进行相加，得到合成红外图像的置信度评估指数x，完成合成红外图像的置信度评估。

以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制显然对于本领域的专业人员来说，在了解本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。