本發(fā)明涉及彈載圖像處理技術(shù)領(lǐng)域，特別涉及一種彈載圖像質(zhì)量評(píng)價(jià)方法。

背景技術(shù)：

圖像質(zhì)量的評(píng)價(jià)，根據(jù)有無(wú)參考圖像和信息，可分為三大類：(1)全參考圖像質(zhì)量評(píng)價(jià)方法(Full-Refrence Image Quality Assessment，F(xiàn)R-IQA)；(2)弱參考圖像質(zhì)量評(píng)價(jià)方法(Reduced-Refrence Image Quality Assessment，RR-IQA)；(3)無(wú)(盲)參考圖像質(zhì)量評(píng)價(jià)方法(No-Refrence/Blind Image Quality Assessment，NR-IQA)。其中無(wú)參考圖像質(zhì)量評(píng)價(jià)是目前人們研究的重點(diǎn)內(nèi)容，無(wú)參考圖像質(zhì)量評(píng)價(jià)可進(jìn)一步劃分為兩類：限定失真評(píng)價(jià)方法和非限定失真評(píng)價(jià)方法，對(duì)于由高速飛行體的空對(duì)地成像圖像，如彈載偵察圖像的質(zhì)量評(píng)價(jià)，由于缺乏相應(yīng)參考圖像，只能采用無(wú)參考圖像質(zhì)量評(píng)價(jià)的方法，同時(shí)用于多失真混雜，需要研究非限定失真的圖像質(zhì)量評(píng)價(jià)方法和實(shí)際應(yīng)用。

由于高速飛行體成像設(shè)備的相機(jī)運(yùn)動(dòng)呈現(xiàn)高速旋轉(zhuǎn)、多自由度的抖動(dòng)，圖像的相應(yīng)高頻部分會(huì)受到不同程度的減弱，不同于目標(biāo)相對(duì)背景運(yùn)動(dòng)帶來(lái)的模糊，相機(jī)抖動(dòng)的方向和速度變化產(chǎn)生的模糊在圖像上呈現(xiàn)明顯的各向異性；高速飛行體，如彈丸在下落過(guò)程中，由于彈體高過(guò)載、彈丸高速旋轉(zhuǎn)、圖像編解碼不完全、信號(hào)干擾等因素會(huì)造成顏色漂移、顏色損失、顏色模糊等色彩失真，利用現(xiàn)有方法難以有效解決；

而且，彈載圖像經(jīng)常呈現(xiàn)多失真混疊的現(xiàn)象，只針對(duì)某一類失真類型特征無(wú)法提取滿足需求的結(jié)構(gòu)變化特征；彈載成像平臺(tái)由空中拋撒，空對(duì)地成像，場(chǎng)景細(xì)節(jié)變化和圖像中地貌特征也不相同，用常見的清晰圖像進(jìn)行處理難以得到滿意結(jié)果；

因此，高速飛行體的旋轉(zhuǎn)造成的相機(jī)成像復(fù)雜，拍攝圖像存在多類失真降質(zhì)，常規(guī)特征因子和算法難以評(píng)估。

技術(shù)實(shí)現(xiàn)要素：

為此，本發(fā)明提供了一種彈載圖像質(zhì)量評(píng)價(jià)方法，以解決高速飛行體設(shè)備旋轉(zhuǎn)、抖動(dòng)、高過(guò)載引起圖像高頻部分衰減、編解碼不完全、顏色失真等造成的無(wú)法正確評(píng)估圖像質(zhì)量的問(wèn)題。

為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

第一技術(shù)方案為一種彈載圖像質(zhì)量評(píng)價(jià)方法，所述彈載圖像質(zhì)量評(píng)價(jià)方法包括如下步驟：

步驟S11：利用高分辨率的測(cè)繪圖像建立原始基準(zhǔn)圖像數(shù)據(jù)庫(kù)；

步驟S12：以原始基準(zhǔn)圖像為原始訓(xùn)練參考圖像，進(jìn)行p×p分塊，對(duì)每一子塊提取與圖像失真程度相關(guān)，與圖像失真類型無(wú)關(guān)的圖像質(zhì)量敏感特征因子；

步驟S13：對(duì)原始圖像各子塊的質(zhì)量敏感特征因子進(jìn)行MVG擬合，構(gòu)建基準(zhǔn)MVG模型；

步驟S21：獲取待評(píng)價(jià)圖像數(shù)據(jù)；

步驟S22：對(duì)待評(píng)價(jià)圖像進(jìn)行p×p分塊，與原始基準(zhǔn)圖像相同，對(duì)每一子塊提取圖像質(zhì)量敏感特征因子；

步驟S23：對(duì)待評(píng)價(jià)圖像的質(zhì)量敏感特征因子進(jìn)行MVG擬合，構(gòu)建待評(píng)價(jià)MVG模型；

步驟S31：比較基準(zhǔn)MVG模型與待評(píng)價(jià)MVG模型的特性分布差異，得到各對(duì)應(yīng)子塊的質(zhì)量得分；

步驟S32：計(jì)算各個(gè)子塊質(zhì)量得分的平均值作為整幅圖像的最終得分。

第二技術(shù)方案基于第一技術(shù)方案，所述步驟S12、S22中，提取的所述圖像質(zhì)量敏感特征因子包括：抖動(dòng)失真相關(guān)特征因子、結(jié)構(gòu)失真相關(guān)特征因子、顏色失真相關(guān)特征因子。

第三技術(shù)方案基于第二技術(shù)方案，所述步驟S12、S22中，提取的所述抖動(dòng)失真相關(guān)特征因子包括：方向特征和形狀特征。

第四技術(shù)方案基于第二技術(shù)方案，所述步驟S12、S22中，提取的所述結(jié)構(gòu)失真相關(guān)特征因子包括：MSCN統(tǒng)計(jì)因子、MSCN因子兩側(cè)水平方向因子、局部方差。

第五技術(shù)方案基于第二技術(shù)方案，所述步驟S12、S22中，所述顏色失真相關(guān)特征因子的提取包括：灰度對(duì)比度熵、黃藍(lán)對(duì)比度熵、紅綠對(duì)比度熵、色調(diào)和色度。

第六技術(shù)方案基于第三技術(shù)方案，所述步驟S12、S22中，所述抖動(dòng)相關(guān)特征因子的提取包括：

首先定義圖像DFT變換系數(shù)的方向能力和方向加權(quán)熵，再計(jì)算變換系數(shù)的清晰度，進(jìn)一步得到方向特征的均值；同時(shí)，根據(jù)形狀特征離心率和頻譜輪廓數(shù)量，計(jì)算形狀特征的離心率方差。

第七技術(shù)方案基于第四技術(shù)方案，所述步驟S12、S22中，所述結(jié)構(gòu)相關(guān)特征因子的提取包括：

基于自然場(chǎng)景統(tǒng)計(jì)，對(duì)自然灰度圖像的局部進(jìn)行歸一化預(yù)處理，得到MSCN因子和局部方差，在采用經(jīng)驗(yàn)分布函數(shù)計(jì)算得到MSCN因子兩側(cè)水平的因子。

第八技術(shù)方案基于第五技術(shù)方案，所述步驟S12、S22中，所述顏色失真相關(guān)因子的提取包括：

圖像在空域中通過(guò)高斯二階倒數(shù)差分濾波器分解，分解后的濾波器響應(yīng)被整合，選取顏色分量包括：灰度對(duì)比度熵、黃藍(lán)對(duì)比度熵和紅綠對(duì)比度熵，進(jìn)一步在圖像的H通道中計(jì)算色調(diào)和色度。

第九技術(shù)方案基于第一技術(shù)方案，所述步驟13、23中，先對(duì)各子塊的質(zhì)量敏感特征因子構(gòu)成的多維特征向量，用PCA方法進(jìn)行降維得到映射矩陣，之后利用最大似然估計(jì)算法計(jì)算得到MVG分布的擬合特性。

第十技術(shù)方案基于第一技術(shù)方案，所述S31中，采用馬氏距離計(jì)算方法比較基準(zhǔn)MVG模型的特性與待評(píng)價(jià)MVG模型的特性之間的距離，對(duì)基準(zhǔn)MVG的特性與待評(píng)價(jià)MVG的特性的差異進(jìn)行量化評(píng)分，得到各子塊的得分。

本發(fā)明的優(yōu)點(diǎn)和有益效果：本發(fā)明提出的圖像質(zhì)量評(píng)價(jià)方法和系統(tǒng)，通過(guò)構(gòu)建原始基準(zhǔn)圖像單元，對(duì)原始基準(zhǔn)圖像進(jìn)行分塊，由各子塊提取例如與圖像的抖動(dòng)、結(jié)構(gòu)、顏色相關(guān)的三類質(zhì)量敏感特征因子，分塊提取的特征進(jìn)行MVG擬合獲得MVG模型，即，基準(zhǔn)分布特性，同時(shí)對(duì)如彈載圖像進(jìn)行分塊處理得到相應(yīng)的MVG分布特性，比較其與基準(zhǔn)MVG的特性分布差異，如馬氏距離作為子塊質(zhì)量得分，進(jìn)一步得到整體圖像的得分。由于選取的質(zhì)量敏感特征因子與圖像失真程度相關(guān)，與圖像失真類型無(wú)關(guān)，能夠準(zhǔn)確表征成像設(shè)備旋轉(zhuǎn)、抖動(dòng)、高過(guò)載引起圖像高頻部分衰減、編解碼不完全、顏色失真等問(wèn)題，能夠正確地對(duì)高速飛行體成像，即彈載圖像的圖像質(zhì)量進(jìn)行評(píng)價(jià)，與現(xiàn)有技術(shù)相比更加高效、準(zhǔn)確。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施方式的結(jié)構(gòu)框圖，

圖2是本發(fā)明實(shí)施方式的流程圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)描述，在本實(shí)施方式中，高速飛行體的空對(duì)地成像圖像為彈載圖像。

如圖1所示，本發(fā)明彈載圖像質(zhì)量評(píng)價(jià)系統(tǒng)包括如下結(jié)構(gòu)：

原始基準(zhǔn)圖像數(shù)據(jù)庫(kù)1，儲(chǔ)存原始基準(zhǔn)圖像，該原始基準(zhǔn)圖像為高分辨率測(cè)繪圖像；

原始圖像特征因子提取單元2，以原始基準(zhǔn)圖像為原始訓(xùn)練參考圖像，進(jìn)行p×p分塊，對(duì)每一子塊提取與圖像失真程度相關(guān)，與圖像失真類型無(wú)關(guān)的圖像質(zhì)量敏感特征因子；

基準(zhǔn)MVG模型構(gòu)建單元3，對(duì)各子塊的質(zhì)量敏感特征因子進(jìn)行MVG擬合，構(gòu)建基準(zhǔn)MVG模型；

獲取待評(píng)價(jià)圖像數(shù)據(jù)單元4，獲取待評(píng)價(jià)圖像數(shù)據(jù)；

待評(píng)價(jià)圖像特征因子提取單元5，對(duì)待評(píng)價(jià)圖像進(jìn)行p×p分塊，與原始基準(zhǔn)圖像相同，對(duì)每一子塊提取圖像質(zhì)量敏感特征因子；

待評(píng)價(jià)MVG模型構(gòu)建單元6，對(duì)各子塊的質(zhì)量敏感特征因子進(jìn)行MVG擬合，構(gòu)建待評(píng)價(jià)MVG模型；

子塊質(zhì)量評(píng)價(jià)單元7，比較基準(zhǔn)MVG模型的特性與待評(píng)價(jià)MVG模型的差異，得到各對(duì)應(yīng)子塊的質(zhì)量得分；

整幅圖像質(zhì)量評(píng)價(jià)單元8，計(jì)算各個(gè)子塊質(zhì)量得分的平均值作為整幅圖像的最終得分。

以下首先對(duì)圖像質(zhì)量敏感特征因子進(jìn)行說(shuō)明。

圖像特征的準(zhǔn)確提取是質(zhì)量評(píng)價(jià)模型構(gòu)建成功的關(guān)鍵，在“主觀未知”盲評(píng)價(jià)方法的特征選取時(shí)重要的原則是：選取的特征應(yīng)與圖像的失真類型無(wú)關(guān)，而與圖像的失真程度相關(guān)?？紤]彈載圖像成像方式的極端特殊性，需要重點(diǎn)考慮選取以下三類特征，抖動(dòng)失真相關(guān)特征因子，結(jié)構(gòu)失真相關(guān)類特征因子，顏色失真類特征因子。

抖動(dòng)失真相關(guān)特征因子：

關(guān)于圖像模糊失真的特征選取和評(píng)價(jià)已經(jīng)有了不少方法，主要分為基于邊緣測(cè)量、基于譜分析兩大類型，較好地解決了散焦、相對(duì)運(yùn)動(dòng)和壓縮帶來(lái)的模糊；由于彈載成像設(shè)備相機(jī)運(yùn)動(dòng)呈現(xiàn)高速旋轉(zhuǎn)、多自由度的抖動(dòng)，圖像的相應(yīng)高頻部分會(huì)受到不同程度的減弱，不同于目標(biāo)相對(duì)背景運(yùn)動(dòng)帶來(lái)的模糊，相機(jī)抖動(dòng)的方向和速度變化產(chǎn)生的模糊在圖像上呈現(xiàn)明顯的各向異性，利用現(xiàn)有方法難以有效解決，因此必須尋找適合彈載圖像模糊失真的特征因子。

針對(duì)由相機(jī)抖動(dòng)帶來(lái)的模糊評(píng)價(jià)問(wèn)題，提出了兩類6個(gè)圖像特征，一類是方向特征，用于表示相機(jī)按不同方向抖動(dòng)帶來(lái)的圖像譜結(jié)構(gòu)多方向變化，有均值、方差和最小銳度三個(gè)特征；另一類是形狀特征，相機(jī)抖動(dòng)會(huì)非對(duì)稱的改變圖像頻帶形狀，提出了用橢圓來(lái)建模圖像的DFT變換域頻譜輪廓，有面積、離心率方差和長(zhǎng)軸方向三個(gè)特征，考慮計(jì)算代價(jià)，本實(shí)施方式中，選取方向特征的均值和形狀特征的離心率方差作為表征因子，簡(jiǎn)化計(jì)算過(guò)程，提升計(jì)算效率。

定義圖像DFT變換系數(shù)φ_n方向能量和方向加權(quán)熵分別為DE(φ_n)、DV(φ_n)，那么沿φ_n方向的清晰度s(φ_n)就可表示為DE(φ_n)與DV(φ_n)的乘積：

s(φ_n)＝DE(φ_n)×DV(φ_n) (1)

那么方向特征的均值可以表述為：

進(jìn)一步用N_el表示頻譜輪廓數(shù)量，n表示頻譜輪廓編號(hào)，形狀特征的離心率方差表示為：

其中表示離心率均值，e_n表示橢圓n階離心率；

選取方向特征的均值和形狀特征的離心率方差作為表征因子分別記作f₁、f₂。

結(jié)構(gòu)失真相關(guān)特征因子：

彈載圖像經(jīng)常呈現(xiàn)多失真混疊的現(xiàn)象，本發(fā)明著眼于多失真帶來(lái)的圖像結(jié)構(gòu)變化特征提取，而不糾纏于某一失真類型的特征尋找，研究表明由于自然場(chǎng)景統(tǒng)計(jì)(Natural Scene Statistics，NSS)能夠顯著地揭示失真圖像質(zhì)量的衰退程度，本發(fā)明采用此方法來(lái)表征多失真帶來(lái)的圖像結(jié)構(gòu)上的變化。

自然灰度圖像的局部歸一化亮度因子服從高斯分布，可將這個(gè)歸一化過(guò)程可描述為：

式(4)中i、j為空間像素點(diǎn)，I_MSCN表示歸一化預(yù)處理的系數(shù)，i∈1，2，...，M，j∈1，2，...，N；

式(5)、(6)分別為圖像的局部的均值和方差，w＝{wk，l|k＝-K，...，K，l＝-L，...，L}定義為二維循環(huán)對(duì)稱高斯權(quán)重函數(shù)，定義K＝L＝3；Igray為自然圖像的灰度圖；將歸一化預(yù)處理后MSCN因子選取為第三個(gè)特征f₃；

此外由于圖像中的MSCN因子高度相似，水平方向上相鄰的兩個(gè)因子間存在著規(guī)律性的結(jié)構(gòu)。因此采用經(jīng)驗(yàn)分布函數(shù)分別在MSCN因子兩側(cè)的水平方向上進(jìn)行計(jì)算：

I_{Hpair_MSCN}(i，j)＝I_MSCN(i，j)·I_MSCN(i，j+1) (7)

經(jīng)公式(7)可計(jì)算出兩個(gè)特征f₄、f₅；

此外公式(6)的局部方差σ(i，j)是一個(gè)量化圖像局部結(jié)構(gòu)信息的重要參數(shù)，用來(lái)描述圖像的銳度因此可將其作為另一個(gè)特征f₆。

其中，MSCN代表歸一化預(yù)處理方法，

MVG代表多變量高斯模型。

顏色失真相關(guān)特征因子：

彈丸在下落過(guò)程中，由于彈體高過(guò)載、彈丸高速旋轉(zhuǎn)、圖像編解碼不完全、信號(hào)干擾等因素會(huì)造成顏色漂移、顏色損失、顏色模糊等色彩失真，但是前兩類特征因子無(wú)法有效表達(dá)，需對(duì)彈載圖像顏色信息的失真專門提取相關(guān)因子；

研究表明對(duì)比度熵(CE)可預(yù)測(cè)自然圖像的局部對(duì)比度，選用對(duì)比熵這個(gè)特征是因?yàn)樗芎芎玫孛枋龌诳罩谐上衿脚_(tái)拍攝照片的特征。圖像在空域中通過(guò)高斯二階導(dǎo)數(shù)差分濾波器分解，分解后的濾波器響應(yīng)被整合。選取在每個(gè)獨(dú)立的顏色分量(灰度(gray)、黃藍(lán)(yb)、和紅綠(rg))上的對(duì)比度熵作為特征因子f₇、f₈、f₉：

式(8)、(9)中c∈{gray，yb，rg}代表顏色通道，計(jì)算公式為：gray＝0.299R+0.587G+0.114B，yb＝0.5(R+G)-B，rg＝R-G；

α表示Z(I_c)的最大值，κ表示對(duì)比度增益，τ_c為當(dāng)前圖像顏色通道的噪聲閾值，符號(hào)表示卷積，h_h和h_v分別是高斯函數(shù)的水平和垂直二階導(dǎo)數(shù)；我們定義gray、yb、rg三個(gè)通道的噪聲閾值，分別設(shè)定為0.2353，0.2287和0.0528；

考慮到HSV色彩空間更適合于人眼視覺系統(tǒng)來(lái)感知彩色特性的處理，其H分量與人感知彩色的方式緊密相聯(lián)。因此在圖像的H通道中計(jì)算圖像的色調(diào)I_hue，而色度(CF)可通過(guò)以下公式計(jì)算：

I_hue(i，j)＝I_HSV(i，j，1) (10)

式(11)中I_HSV表示為圖像由RGB轉(zhuǎn)換到HSV后的圖像空間，rg＝R-G，yb＝0.5(R+G)-B，像素點(diǎn)的范圍為x＝1...X；通過(guò)以上兩個(gè)公式獲得最后兩個(gè)特征f₁₀、f₁₁。

以下對(duì)圖像質(zhì)量評(píng)價(jià)系統(tǒng)進(jìn)行詳細(xì)說(shuō)明。

原始基準(zhǔn)圖像數(shù)據(jù)庫(kù)1構(gòu)建過(guò)程如下：不同于陸基平臺(tái)采集的圖像，在構(gòu)建基準(zhǔn)MVG模型時(shí)可以選擇常見的清晰圖像作為原始參考，彈載成像平臺(tái)由空中拋撒，空對(duì)地成像，場(chǎng)景細(xì)節(jié)變化和圖像中地貌特征也不相同，用常見的清晰圖像進(jìn)行處理難以得到滿意結(jié)果，因此本發(fā)明選擇了與彈載成像平臺(tái)的拍攝高度相似的高分辨率測(cè)繪圖像作為原始基準(zhǔn)圖像，從多幅清晰圖像中選取800幅圖像集，每一幅圖像由多個(gè)子塊構(gòu)成，相鄰子塊之間，有一部分重疊，與IL-NIQE選取基準(zhǔn)計(jì)算圖像過(guò)程類似，分別挑選出包含：植被、土壤、人工目標(biāo)、水體等四類各100副清晰圖像共400幅基準(zhǔn)圖像；然后再?gòu)?00幅圖像中挑選出90幅圖像最后的原始基準(zhǔn)圖像。通過(guò)對(duì)特定圖像的選擇，構(gòu)建出基準(zhǔn)圖像庫(kù)，使得質(zhì)量評(píng)價(jià)分?jǐn)?shù)更加準(zhǔn)確。

原始圖像特征因子提取單元2，針對(duì)原始基準(zhǔn)圖像，進(jìn)行p×p分塊，得到n個(gè)子塊，分塊時(shí)，使相鄰子塊之間有一部分重疊，以防止植被、土壤、人工目標(biāo)、水體等被分割。不同于IL-NIQE，本發(fā)明中對(duì)每一子塊不再進(jìn)行篩選，全部參與計(jì)算。對(duì)每一子塊進(jìn)行上述敏感特征因子(f1...f11)提取，形成d維特征向量，為提升預(yù)測(cè)效率和降低計(jì)算成本，本實(shí)施方式中，采用PCA方法對(duì)d維特征向量進(jìn)行降維處理?；鶞?zhǔn)MVG模型構(gòu)建單元3從n個(gè)子塊選取的特征可用特征矩陣X＝[x₁，x₂，...，x_n]∈R^d×n表示，對(duì)X進(jìn)行PCA降維處理得到映射矩陣Φ∈R^d×m，其中m個(gè)主成分向量對(duì)應(yīng)X的協(xié)方差矩陣的m個(gè)特征值(m＜d)；

借助于映射矩陣Φ，每個(gè)特征向量可變換為：

x′_i＝Φ^Tx_i，x′_i∈R^m×1，i＝1，...，n (12)

假定x′_i，i＝1，...，n獨(dú)立采樣服從于一個(gè)m維MVG分布，即可利用標(biāo)準(zhǔn)的最大似然估計(jì)方法計(jì)算得到MVG分布的擬合特性，公式如下：

式(13)中x∈R^m×1，μ、∑分別為矩陣X均值向量和方差，這樣構(gòu)建的MVG模型即可用(μ，∑)表達(dá)；

通過(guò)采用PCA降維處理，可以提升預(yù)測(cè)效率，降低計(jì)算成本。

獲取待評(píng)價(jià)圖像數(shù)據(jù)單元4，可從圖像數(shù)據(jù)庫(kù)也可實(shí)時(shí)獲得彈載圖像作為待評(píng)價(jià)圖像數(shù)據(jù)；

待評(píng)價(jià)圖像特征因子提取單元5和待評(píng)價(jià)MVG模型構(gòu)建單元6與原始圖像特征因子提取單元2和基準(zhǔn)MVG模型構(gòu)建單元3同樣，待評(píng)價(jià)圖像特征因子提取單元5針對(duì)待評(píng)價(jià)圖像，進(jìn)行p×p分塊，得到k個(gè)子塊。對(duì)每一子塊對(duì)每個(gè)子塊i進(jìn)行特征提取得到d維向量y_i，同樣待評(píng)價(jià)MVG模型構(gòu)建單元6利用映射矩陣Φ對(duì)y_i進(jìn)行降維處理：

y′_i＝Φ^Ty_i，y′_i∈R^m×1，i＝1，...，k (14)

這樣一幅待評(píng)價(jià)圖像可用一個(gè)特征向量集合加以表征，對(duì)每一子塊i進(jìn)行MVG擬合得到(μ_i，∑_i)。

子塊質(zhì)量評(píng)價(jià)單元7計(jì)算待評(píng)價(jià)模型(μ_i，∑_i)與基準(zhǔn)MVG模型(μ，∑)之間的馬氏距離即可得到對(duì)應(yīng)塊得分：

整幅圖像質(zhì)量評(píng)價(jià)單元8，計(jì)算各個(gè)子塊質(zhì)量得分的平均值作為整幅圖像的最終得分。

在進(jìn)行質(zhì)量得分計(jì)算時(shí)也可以考慮不同圖像塊賦予不同權(quán)重，由于彈載圖像包含失真類型混合，難以有效區(qū)分顯著性貢獻(xiàn)，因此本發(fā)明采用均值方法得到最后整幅圖像的質(zhì)量等分。由于避免了加權(quán)步驟和顯著性貢獻(xiàn)區(qū)分，簡(jiǎn)化計(jì)算過(guò)程，提升計(jì)算效率。

馬氏距離是由印度統(tǒng)計(jì)學(xué)家馬哈拉諾比斯(P.C.Mahalanobis)提出的，表示數(shù)據(jù)的協(xié)方差距離。它是一種有效的計(jì)算兩個(gè)未知樣本集的相似度的方法，對(duì)于一個(gè)均值為μ，協(xié)方差矩陣為∑的多變量向量，其馬氏距離為馬氏距離具有如下優(yōu)點(diǎn)：不受量綱的影響，兩點(diǎn)之間的馬氏距離與原始數(shù)據(jù)的測(cè)量單位無(wú)關(guān)；由標(biāo)準(zhǔn)化數(shù)據(jù)和中心化數(shù)據(jù)(即原始數(shù)據(jù)與均值之差)計(jì)算出的二點(diǎn)之間的馬氏距離相同，馬氏距離還可以排除變量之間的相關(guān)性的干擾。

圖2是本發(fā)明實(shí)施方式的流程圖

步驟S11：利用高分辨率的測(cè)繪圖像建立原始基準(zhǔn)圖像數(shù)據(jù)庫(kù)1

步驟S12(S12a、S12b)：以原始基準(zhǔn)圖像為原始訓(xùn)練參考圖像，進(jìn)行p×p分塊，對(duì)每一子塊提取與圖像失真程度相關(guān)，與圖像失真類型無(wú)關(guān)的圖像質(zhì)量敏感特征因子。

步驟S13(S13a、S13b)：對(duì)原始圖像各子塊的質(zhì)量敏感特征因子進(jìn)行MVG擬合，構(gòu)建基準(zhǔn)MVG模型，即，用PCA方法對(duì)圖像質(zhì)量敏感特征因子構(gòu)成的多維向量進(jìn)行降維得到映射矩陣，之后利用最大似然估計(jì)算法計(jì)算得到MVG分布的擬合特性。

步驟S21：獲取待評(píng)價(jià)圖像數(shù)據(jù)。

步驟S22(S22a、S22b)：對(duì)待評(píng)價(jià)圖像進(jìn)行p×p分塊，與原始基準(zhǔn)圖像相同，對(duì)每一子塊提取圖像質(zhì)量敏感特征因子。

步驟S23(S23a、S23b)：對(duì)待評(píng)價(jià)圖像的質(zhì)量敏感特征因子進(jìn)行MVG擬合，構(gòu)建待評(píng)價(jià)MVG模型，即，用PCA方法對(duì)圖像質(zhì)量敏感特征因子構(gòu)成的多維向量進(jìn)行降維得到映射矩陣，之后利用最大似然估計(jì)算法計(jì)算得到MVG分布的擬合特性。

步驟S31：比較基準(zhǔn)MVG模型與待評(píng)價(jià)MVG模型的特性分布差異，得到各對(duì)應(yīng)子塊的質(zhì)量得分，即，采用馬氏距離計(jì)算方法比較基準(zhǔn)MVG 模型的特性與待評(píng)價(jià)MVG模型的特性之間的距離，對(duì)基準(zhǔn)MVG的特性與待評(píng)價(jià)MVG的特性的差異進(jìn)行量化評(píng)分，得到各子塊的得分。

步驟S32：計(jì)算各個(gè)子塊質(zhì)量得分的平均值作為整幅圖像的最終得分。

本實(shí)施例圖像質(zhì)量評(píng)價(jià)方法，以實(shí)彈射擊獲取的彈載偵察圖像為對(duì)象，緊密跟蹤偵察彈裝備技術(shù)和圖像質(zhì)量評(píng)價(jià)技術(shù)的發(fā)展，應(yīng)用和改進(jìn)相關(guān)圖像質(zhì)量評(píng)價(jià)方法，構(gòu)建相關(guān)模型并進(jìn)行算法實(shí)現(xiàn)，為高速飛行體，如彈載偵察圖像質(zhì)量評(píng)估提供理論基礎(chǔ)和技術(shù)參考；不僅具有一定的軍事應(yīng)用價(jià)值，也將是圖像質(zhì)量評(píng)價(jià)理論在軍事領(lǐng)域的一點(diǎn)拓展，具有較好的可行性和理論意義；同時(shí)可為類似的基于空基成像平臺(tái)的圖像質(zhì)量評(píng)價(jià)研究提供借鑒和參考。

應(yīng)該注意的是，上述實(shí)施例對(duì)本發(fā)明進(jìn)行說(shuō)明而不是對(duì)本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計(jì)出替換實(shí)施例。在權(quán)利要求中，不應(yīng)將位于括號(hào)之間的任何參考符號(hào)構(gòu)造成對(duì)權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個(gè)”不排除存在多個(gè)這樣的元件。單詞第一、第二、以及第三等的使用不表示任何順序?？蓪⑦@些單詞解釋為名稱。