基于随机森林的红外仿真图像质量评价方法技术

本发明专利技术公开了一种基于随机森林的红外仿真图像质量评价方法，主要解决现有技术缺乏客观评判标准，忽略人类视觉特征，导致红外仿真图像质量评价结果与人类主观感知不一致的问题。本发明专利技术的实现步骤为：获取红外仿真图像；分别提取红外仿真图像的像素亮度特征、结构特征、形状特征、纹理特征；使用随机森林回归器进行训练预测。本发明专利技术的红外仿真图像质量评价结果，更加符合人眼的视觉感知，评价结果更为准确。本发明专利技术可广泛应用于红外图像处理技术领域。域。域。

Evaluation method of infrared simulation image quality based on random forest

【技术实现步骤摘要】
基于随机森林的红外仿真图像质量评价方法


[0001]本专利技术属于图像处理
，更进一步涉及红外仿真图像处理
中的一种基于随机森林的红外仿真图像质量评价方法。本专利技术可用于对红外仿真图像的质量进行评价。

技术介绍

[0002]红外仿真图像质量评价在图像处理、仿真系统验证等领域都有着重要应用。目前，虽然对红外场景仿真图像的仿真效果的评价较多，但主要是在仿真过程中对各个模块进行评估校正，或者只是根据项目需求对特定目标或是背景进行验证分析，更多的时候对仿真效果还是需要专家进行鉴定和认证，不具备客观评判标准。同时对于仿真图像质量的评价，依然是采用传统的图像质量评价方法和手段，无法对仿真图像进行多特征量化的技术手段的客观评价。
[0003]云南北方光学科技有限公司在其申请的专利文献“一种基于人类视觉系统的无参考结构清晰度评价方法”(专利申请号：CN202110931781.6，申请公布号：CN113570596A)中公开了一种可用于红外仿真图像的基于人类视觉系统的无参考结构清晰度评价方法。该方法首先提取原始图像和参考图像的梯度信息，然后将梯度图像划分为N个分块，通过梯度图像中每个分块的在视觉神经中引起的冲动相对大小，并利用人类视觉系统滤波器，获得对应的权重；接着对梯度图像和图像对应分块进行计算结构相似性；最后通过权重和结构相似性得到原始图像的清晰度值。该方法虽然可用于对红外仿真图像进行质量评价，但是，该方法仍然存在的不足之处在于，只从图像梯度和结构相似性这两个方面来提取图像特征，忽略了图像中辐射亮度和图像内容所携带的特征信息，没有考虑到不同特征在人眼视觉中的所占比重的不同，不符合人类视觉特征。无法概括红外仿真图像的整体特性。
[0004]浙江同善人工智能技术有限公司在其申请的专利文献“一种图像质量判断方法、设备及存储介质”(专利申请号：CN202010602500.8，申请公布号：CN 111798421 A)中公开了一种可用于红外仿真图像的图像质量判断方法。该方法实现的具体步骤是，第一步，通过从梯度、像素特征、频谱特征三个方面，分别对图像的质量进行评价；第二步，分别对梯度、像素特征、频谱特征三个方面提取到的特征手动赋予权重；第三步，建立图像质量综合评价模型，得到图像质量综合评分。该方法虽然可用于对红外仿真图像的图像质量进行评价，但是，该方法仍然存在的不足之处在于，该方法虽然从梯度、像素特征、频谱特征的多个方面去描述同一幅图像，但是使用手动的方法，人为的给每种特征的评价指标赋权重，人为的主观评价导致红外仿真图像质量评价缺乏客观评判标准。

技术实现思路
：
[0005]本专利技术的目的是针对上述现有技术的不足，提出一种基于随机森林的红外仿真图像质量评价方法，用于解决现有技术忽略人类视觉特征无法概括红外仿真图像的整体特性的问题，以及人为的给每种特征的评价指标赋权重导致红外仿真图像质量评价缺乏客观评
判标准的问题。
[0006]实现本专利技术的目的的具体思路，针对现有技术忽略人类视觉特征的问题，本专利技术提取图像像素亮度、图像结构、图像内容、图像纹理的特征，从四个不同的角度描述红外仿真图像的特性，使得提取的特征能够符合人眼视觉特性；针对现有的人为给每种特征的评价指标赋权重的问题，使用随机森林算法对红外仿真图像特征的训练集进行训练，并使用主观评价值作为标签，从人类主观认知的角度给予每种特征不同的权重，得到与人的主观感知更符合的图像质量评价结果；
[0007]为实现上述目的，专利技术采用的技术方案包括如下步骤：
[0008]步骤1，采集红外图像，并将所采集的红外图像进行仿真，得到红外仿真图像；
[0009]步骤2，利用峰值信噪比公式，计算红外图像与红外仿真图像的峰值信噪比值，将该峰值信噪比值作为红外仿真图像的像素亮度特征；
[0010]步骤3，利用结构相似性公式，计算红外图像与红外仿真图像的结构相似度，将该结构相似度值作为红外仿真图像的结构特征；
[0011]步骤4，提取红外仿真图像的形状特征：
[0012]步骤4.1，利用Hu特征不变矩公式，计算红外图像形状的7个Hu特征不变矩值，将7个Hu特征不变矩值组成形状特征向量；
[0013]步骤4.2，利用Hu特征不变矩公式，计算红外仿真图像形状的7个Hu特征不变矩值，将7个Hu特征不变矩值组成形状特征向量；
[0014]步骤4.3，计算红外仿真图像与红外图像形状特征向量之间的欧式距离，将该欧式距离作为红外仿真图像的形状特征；
[0015]步骤5，提取红外仿真图像的纹理特征：
[0016]步骤5.1，利用Gabor变换公式，计算红外图像的纹理特征向量；
[0017]步骤5.2，利用Gabor变换公式，计算红外仿真图像的纹理特征向量；
[0018]步骤5.3，计算红外仿真图像与红外图像的纹理特征向量之间的欧式距离，将该欧式距离作为红外仿真图像的纹理特征；
[0019]步骤6，生成训练集：
[0020]步骤6.1，从含有红外仿真目标的红外仿真图像数据库随机选取200个图像组成一个样本集，每个样本中包含一幅红外仿真图像、一幅与该红外仿真图像对应的红外图像和质量评价值；
[0021]步骤6.2，采用与步骤2至步骤5的相同处理方法，从样本集中提取每个样本中的一幅红外仿真图像及其对应红外图像的特征，得到每幅红外仿真图像的图像像素亮度、图像结构、图像纹理、图像形状四个特征；将样本集中的每幅红外仿真图像的四种特征组成该红外仿真图像的特征集；
[0022]步骤6.3，将样本集的特征集和特征所对应图像的质量评价值组成训练集；
[0023]步骤7，将训练集输入到随机森林模型中，利用随机森林算法，对训练集进行训练，得到训练好的随机森林回归器模型；
[0024]步骤8，对红外仿真图像的质量进行评价：
[0025]步骤8.1，采用与步骤2至步骤5的相同处理方法，得到待评价的红外仿真图像的图像像素亮度、图像结构、图像纹理、图像形状四个特征；
[0026]步骤8.2，将四个特征值同时输入到随机森林模型中，利用随机森林算法，获得待评价的红外仿真图像的质量评价值。
[0027]与现有技术相比，具有如下优点：
[0028]第一，本专利技术将能够概括红外仿真图像的整体特性的像素亮度、图像结构、图像纹理、图像形状四个特征组成训练集。克服了现有技术忽略图像中图像像素亮度和图像纹理所携带的特征信息，导致对红外仿真图像进行评价的结果不符合人类主观感知问题，使得本专利技术评价后的红外仿真图像的质量评价结果更加符合人类主观感知，使得本专利技术质量评价后的红外仿真图像与红外图像的逼真度更加吻合。
[0029]第二，本专利技术利用随机森林算法对红外仿真图像特征的训练集进行训练，从人类主观认知的角度给予每种特征不同的权重。克服了现有技术人为的给每种特征赋予权重，没有考虑不同特征在人眼视觉中的所占比重的不同，使得本专利技术评价的红外仿真图像的质量更加符合人眼的视觉感知。
附图说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机森林的红外仿真图像质量评价方法，其特征在于，将像素亮度、图像结构、图像纹理、图像形状四个特征组成训练集，利用训练好的随机森林模型对红外仿真图像质量进行评价；该方法的具体步骤包括如下：步骤1，采集红外图像，并将所采集的红外图像进行仿真，得到红外仿真图像；步骤2，利用峰值信噪比公式，计算红外图像与红外仿真图像的峰值信噪比值，将该峰值信噪比值作为红外仿真图像的像素亮度特征；步骤3，利用结构相似性公式，计算红外图像与红外仿真图像的结构相似度，将该结构相似度值作为红外仿真图像的结构特征；步骤4，提取红外仿真图像的形状特征：步骤4.1，利用Hu特征不变矩公式，计算红外图像形状的7个Hu特征不变矩值，将7个Hu特征不变矩值组成形状特征向量；步骤4.2，利用Hu特征不变矩公式，计算红外仿真图像形状的7个Hu特征不变矩值，将7个Hu特征不变矩值组成形状特征向量；步骤4.3，计算红外仿真图像与红外图像形状特征向量之间的欧式距离，将该欧式距离作为红外仿真图像的形状特征；步骤5，提取红外仿真图像的纹理特征：步骤5.1，利用Gabor变换公式，计算红外图像的纹理特征向量；步骤5.2，利用Gabor变换公式，计算红外仿真图像的纹理特征向量；步骤5.3，计算红外仿真图像与红外图像的纹理特征向量之间的欧式距离，将该欧式距离作为红外仿真图像的纹理特征；步骤6，生成训练集：步骤6.1，从含有红外仿真目标的红外仿真图像数据库随机选取200个图像组成一个样本集，每个样本中包含一幅红外仿真图像、一幅与该红外仿真图像对应的红外图像和质量评价值；步骤6.2，采用与步骤2至步骤5的相同处理方法，从样本集中提取每个样本中的一幅红外仿真图像及其对应红外图像的特征，得到每幅红外仿真图像的图像像素亮度、图像结构、图像纹理、图像形状四个特征；将样本集中的每幅红外仿真图像的四种特征组成该红外仿真图像的特征集；步骤6.3，将样本集的特征集和特征所对应图像的质量评价值组成训练集；步骤7，将训练集输入到随机森林模型中，利用随机森林算法，对训练集进行训练，得到训练好的随机森林回归器模型；步骤8，对红外仿真图像的质量进行评价：步骤8.1，采用与步骤2至步骤5的相同处理方法，得到待评价的红外仿真图像的图像像素亮度、图像结构、图像纹理、图像形状四个特征；步骤8.2，将四个特征值同时输入到随机森林模型中，利用随机森林算法，获得待评价的红外仿真图像的质量评价值。2.根据权利要求1所述的基于随机森林的红外仿真图像质量评价方法，其特征在于，步骤2中所述的峰值信噪比公式如下：
其中，P表示红外图像与红外仿真图像的峰值信噪比值，lg(
·
)表示以10为底的对数操作，L表示红外图像与红外仿真图像中，对应的每个采样点为8位时像素点的最大值,该最大值的取值为255，Σ表示求和操作，n表示红外图像或红外仿真图像中像素的总数，c表示红外图像或红外仿真图像中像素的序号，I
w
表示红外图像中第w个像素的像素值，S
v
表示红外仿真图像中第v个像素的像素值，w与v的取值对应相等。3.根据权利要求1所述的基于随机森林的红外仿真图像质量评价方法，其特征在于，步骤3中所述的结构相似性公式如下：其中，W(I,S)表示红外图像与红外仿真图像的结构相似度，μ
I
表示红外图像中所有像素点值的平均值，μ
S
表示红外仿真图像中所有像素点值的平均值，C1表示防止分母变小的常数，C1＝(0.01
×
L)2，σ
IS
表示红外图像与红外仿真图像中所有对应像素点值的协方差，C2表示防止分母变小的常数，C2＝(0.03
×
L)2，σ
I
表示红外图像中所有像素点值的标准差，σ
S
表示红外仿真图像中所有像素点值的标准差。4.根据权利要求1所述的基于随机森林的红外仿真图像质量评价方法，其特征在于，步骤4中所述的Hu特征不变矩公式如下：M1＝η
20<...

【专利技术属性】
技术研发人员：王琳，杨梦迪，陈大秀，王震，曹学影，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：