利用人眼视觉特性的图像结构差异性杂波度量_徐德江

第42卷第6期红外与激光工程2013年6月Vol.42No.6Infrared and Laser Engineering Jun.2013利用人眼视觉特性的图像结构差异性杂波度量徐德江1,2,3,4，史泽林2,3,4，罗海波2,3,4(1.中国科学院大学，北京100049；2.中国科学院沈阳自动化研究所，辽宁沈阳110016；3.中国科学院光电信息处理重点实验室，辽宁沈阳110016；4.辽宁省图像理解与视觉计算重点实验室，辽宁沈阳110016)摘要：针对光电图像杂波效应对目标获取性能的影响，提出一种基于人眼视觉特性的图像结构差异性杂波度量。

依据人眼对图像结构的高度自适应性以及图像质量评估领域广泛认可的图像结构的定义方法，计算目标和杂波的结构相似性；并根据人眼的视觉显著性原理，给出两种适用于结构相似性的显著性加权信息度量。

采用外场实验对该杂波度量的合理性进行验证，得出基于该杂波度量的目标预测性能与外场目标获取性能，在均方根误差、相关性方面都优于现有的杂波度量的预测性能。

关键词：图像杂波度量；结构差异性；视觉显著性度量；目标获取性能中图分类号：TP391.4文献标志码：A文章编号：1007-2276(2013)06-1635-07Image structural difference clutter metric based on humanvisual propertiesXu Dejiang1,2,3,4,Shi Zelin2,3,4,Luo Haibo2,3,4(1.University of Chinese Academy of Sciences,Beijing100049,China;2.Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang110016,China;3.Key Laboratory of Optical-Electronics Information Processing,Chinese Academy of Science,Shenyang110016,China;4.Key Laboratory of Image Understanding and Computer Vision,Shenyang110016,China)Abstract:Optoelectronic image clutter is seriously affecting target acquisition performance,in this paper, an image structural difference clutter metric based on human visual properties was proposed for quantifying background clutter.On the basis of high adaptability of human visual perception in extracting image structural information,a structural similarity measuring map was calculated between the target and clutter images according to the widely accepted definition of the structural-similarity(SSIM)index in the field of image quality assessment(IQA).And then,based on human vision saliency,two kinds of suitable saliency information weighting measures were developed to pool the structural similarity measuring map into a metric.The metric was tested in an outfield experiment provided by TNO Human Factors Research Institute of parative experiments demonstrate that this metric makes an improvement in RMS error and correlation than previously proposed image clutter metrics in predicting target acquisition收稿日期：2012-10-08；修订日期：2012-11-10作者简介：徐德江(1985－)，男，博士生，主要从事目标获取性能建模、图像增强与表征方面的研究。

Email:djxu@导师简介：史泽林(1965－)，男，研究员，博士生导师，博士，主要从事光电成像、光电跟踪、图像处理、目标识别方面的研究。

Email:zlshi@第6期performances including detection probabilities and false alarm probabilities.Key words:image clutter metric;structural difference;vision saliency metric;target acquisition performance0引言2000年，美国空军D.L.Wilson[1]提出一种目标获取性能预测模型：PD pred=(X/X50)E/(1+(X/X50)E)式中：X为图像杂波度量值；X50为50%探测概率下对应的杂波度量值；X50、E为待优化参数。

纵观光电成像系统性能预测模型的发展历程，约翰逊准则、NVL模型、FLIR92模型、NVTherm模型、NVThermIP 模型都是该预测模型的一个特例，将背景环境、大气辐射传输、成像传感器等对目标获取性能的影响统一定量表征到对X的改变，并根据经验拟合X50、E。

如何提高目标获取性能模型的预测精度，具体地可以归结为：准确、有效地定量表征图像杂波。

Schmieder等于1983年提出的统计方差(SV)模型[2]，定义简单、易于计算、适用于大多数自然地形，但对复杂杂波图像的表征描述不够准确。

随着对图像杂波内涵的深入理解，基于人眼视觉基本特性的杂波度量相继提出，主要包括：(1)基于人眼对高对比度区域敏感性的杂波度量，如边缘概率(POE)[3]、边缘强度(ES)[3]、峰值信号(PS)[4]、对称性(CS8)[4]等。

这类杂波度量在表征过程中都有阈值选择问题，需根据每幅图像的具体状况具体确定，所以不同观察者所得到的计算结果不具可比性。

(2)基于人眼对图像纹理敏感性的杂波度量，如共生矩阵度量(COM)[5]。

该类杂波度量仅适用于图像中目标具有明显纹理分布的场景，因需要多次计算共生矩阵，计算量大，且有阈值选择问题。

(3)基于人眼对图像结构高度自适应性的杂波度量,如目标结构相似性杂波度量(TSSIM)[6]，这类杂波度量没有阈值选择问题，计算简单易行，结果唯一，但只简单地利用均值、标准差，与SV类似，对复杂杂波图像描述不够准确。

文中在对D.L.Wilson预测模型中杂波度量具体内涵充分理解的前提下，定义杂波度量为某种特征空间上、杂波相对于目标[7]的差异性度量，特征空间的建立应充分体现人眼感知特性。

受到人眼对图像结构高度自适应性以及灵长动物视觉显著性的启发，提出一种基于人眼视觉特性的图像结构差异性杂波度量。

实验结果显示，基于该杂波度量目标获取性能的预测精度得到提高。

1基于人眼视觉特性的图像结构差异性杂波度量的定义基于人眼视觉特性的图像结构差异性杂波度量是定义在图像结构特征空间上杂波相对目标的差异性度量。

结构特征空间的建立以及空间上测度的定义，参见图像质量评估中的结构相似性度量[8]。

考虑到人眼对图像各部分的视觉注意程度是不同的，依据视觉显著性原理[9]，给出两种适应于结构相似性的显著性加权度量。

1.1目标、杂波的结构相似性信息(SSIM)结构相似性度量[8]是由Zhou Wang等提出的一种图像质量评估方法。

该度量方法基于人眼能够自适应地从场景中提取出图像结构信息这一假设，建立图像的结构空间，并指出结构相似度量由三部分组成：亮度信息l、对比度信息c以及结构信息s。

参见结构相似性度量，建立图像结构特征空间上目标和背景杂波的相似性度量。

令T={t i|i=1，2，…，N}，c={c i|i=1，2，…，N}分别为目标和背景杂波信号，μT，μC，σT，σC，σTC分别为目标T和背景杂波C 信号的均值、标准差以及协方差，则相似性度量的三部分具体定义如下：l(T，C)=(2μTμC+ε1)/(μ2T+μ2C+ε1)(1)c(T，C)=(2σTσC+ε2)/(σ2T+σ2C+ε2)(2) s(T，C)=(σTC+ε3)/(σTσC+ε3)(3)ε1、ε2、ε3为防止分母趋于0的常数，联合公式(1)~(3)得出目标T和背景杂波C信号的结构相似性度量：SSIM(T，C)=[l(T，C)]α[c(T，C)]β[s(T，C)]γ(4)式中：α、β、γ为描述各对应部分的重要性。

令α=β=γ=1得：SSIM(T，C)=(2μTμC+ε1)(2σTC+ε2)/((μ2T+μ2C+ε1)·徐德江等：利用人眼视觉特性的图像结构差异性杂波度量1636红外与激光工程第42卷(σ2T +σ2C+ε2))(5)比较图像结构相似性时，两幅图像的对应局部区域采用公式(5)得到一幅结构相似性度量图，如图1所示，然后依据下文提出的结构相似性显著性加权度量，进行加权平均，得出目标和背景杂波的结构相似性度量。

图1公式(13)中的信息图Fig.1Corresponding information content maps computedin mathtype(13)1.2目标、杂波的结构显著性加权度量w依据视觉显著性原理[9]，受Itti等[10]提出的三组初级视觉特征：颜色特征、方向特征以及对比度特征的启发，给出两种结构相似性显著性加权度量。

1.2.1方向对比度显著性加权度量w ocItti等[10]对灰度图像分别从4个方向进行Gabor 滤波，类比大脑视觉皮层区中“方向选择神经元”的响应，得到初级视觉的方向特征，具体的方向选择为：θ∈{0°，45°，90°，135°}；依据视神经元对暗背景中的亮区域或者亮区域中的暗区域敏感原理，定义初级视觉的对比度特征为：不同级金字塔图像灰度差的绝对值。