【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种灰度共生矩阵谱的gb_isar图像质量评估方法及装置。
技术介绍
1、地基逆合成孔径雷达(ground-based inverse synthetic aperture radar，gb_isar)成像技术在空间站识别、反卫星以及战略预警等许多方面都起着越来越重要的作用，随着目标成像技术的逐步成熟完善，图像质量评估的技术需求越来越迫切。
2、gb_isar图像质量评估主要是对图像分辨率、图像中目标的可辨认性、图像聚焦程度以及图像的连续性进行综合评估。但综合评估目前是一个非常棘手并待解决的问题，无论是在gb_isar成像算法的研究，还是对gb_isar成像质量评估，都需要一套客观公正的评价体系。gb_isar图像质量评估属于无参考图像质量评估，现如今存在的图像质量评估准则，如峰值信噪比(peak signal-to-noise ratio，psnr)、均方根误差(root mean squareerror，rmse)必须有参考图像，并且现存的gb_isar图像质量评估算法多为图像熵、对比度、能量等加权综合评估算法，对于gb_isar图像不具有普适性，所以gb_isar图像质量评估一直是难点问题，而且对雷达图像质量评估研究极少。
3、灰度共生矩阵(glcm)是一种用于描述图像纹理特征的统计工具。它是基于像素之间的关系，统计图像中不同灰度级别像素对出现的频率。robert m. hara lick等人在1973年首次提出了glcm，并在接下来的研究中定义了一系列用于描述纹理的
4、自然场景图像具有独立于内容的统计特性，如mscn系数，其分布呈现高斯分布模式。这些特性在图像失真时受到破坏，可用于度量失真程度。现有技术中，mittal等人提出了brisque无参考图像质量评价算法，提取质量敏感特征，通过广义高斯分布模型拟合mscn系数分布，并通过分类模型学习特征与主观评分的映射关系，从而评估图像感知质量。moorthy在2011年提出的另一算法利用小波域金字塔分解图像，计算自然场景统计特性(nss)，通过分类模型映射质量敏感特征至人眼感知的图像质量评分。其他方法包括利用cnn提取纹理特征，输入支持向量机分类模型进行isar图像质量评价。
5、现有的isar图像质量评价方法主要包括目标检测、信噪比、分辨率和自然图像处理算法等。然而，目标边缘检测算法对噪声敏感，可能在复杂情况下产生错误或虚假边缘。信噪比受到统计方法限制，难以准确估计复杂isar图像的噪声水平。分辨率常受硬件和系统参数影响，难以全面反映图像质量。自然图像处理算法对特定模型或特性敏感，对某些isar图像失真可能不适用。多指标加权综合方法依赖于主观判断和可靠的指标，可能导致不稳定评价结果。灰度共生矩阵方法主要适用于光学图像，而gb-isar图像中的相位信息在质量评估中不可或缺。综合而言，这些方法在gb-isar图像质量评估中有帮助但也存在局限性。
技术实现思路
1、本专利技术通过提供一种灰度共生矩阵谱的gb_isar图像质量评估方法，解决了现有技术中难以精确的估计噪声水平，且不能完整的对gb_isar图像质量进行评估的问题，实现了将gb_isar图像空域提取到的特征与频域提取到的特征进行融合，且操作简单，评估准确率高。
2、第一方面，本专利技术提供了一种灰度共生矩阵谱的gb_isar图像质量评估方法，该方法包括：
3、获取gb_isar图像，对所述gb_isar图像先进行预处理再进行初次图像分类，得到处理后的图像；
4、将所述处理后的图像转换为灰度图像集，并将所述灰度图像集中的每张图像的灰度级别量化为一组离散的灰度值，得到离散图像集；
5、对所述离散图像集中的每张灰度值图像分别进行空域特征提取，得到每张灰度值图像的空域特征，并对所述离散图像集中的每张灰度值图像分别进行频域特征提取，得到每张灰度值图像的频域特征；
6、对所述空域特征和所述频域特征进行融合，得到每张灰度值图像对应的图像特征；
7、利用训练好的分类模型对所述图像特征进行分类，得到分类结果。
8、结合第一方面，在一种可能的实现方式中，所述对所述gb_isar图像先进行预处理再进行初次图像分类，得到处理后的图像，包括：
9、对所述gb_isar图像依次进行标签分类，得到第一训练集；
10、对所述第一训练集进行剪裁、缩放、镜像翻转、旋转、调整对比度和亮度组合操作，确定第二训练集；
11、将所述第二训练集进行初次图像分类，得到所述处理后的图像。
12、结合第一方面，在一种可能的实现方式中，所述对所述离散图像集中的每张灰度值图像分别进行空域特征提取，得到每张灰度值图像的空域特征，包括：
13、创建初始灰度共生矩阵；
14、查找所述离散图像集中每张灰度值图像上符合位置关系和生成方向的像素对的个数，并在所述初始灰度共生矩阵中对应的元素处累加所述像素对的个数，对所述初始灰度共生矩阵进行更新，得到更新后的灰度共生矩阵；
15、根据所述更新后的灰度共生矩阵计算所述空域特征，得到所述每张灰度值图像的空域特征；其中，所述空域特征包括：所述更新后的灰度共生矩阵对应灰度图像的空域能量、空域对比度、空域熵和空域相关度。
16、结合第一方面，在一种可能的实现方式中，所述对所述离散图像集中的每张灰度值图像分别进行频域特征提取，得到频域特征，包括：
17、利用所述离散图像集中的每张灰度值图像中的像素点进行不同距离的位移，得到每个所述像素点对应的多个像素对；
18、对所述离散图像集中每个所述像素对出现的次数进行统计，得到每个所述像素对出现次数以及像素对的总数；
19、对所述每个像素对出现次数进行归一化，得到归一化值；
20、将所述归一化值变换至频域，计算得到每张灰度值图像的频域特征。
21、结合第一方面，在一种可能的实现方式中，所述频域特征包括：频域能量、频域对比度、频域熵、频域相关度和频域熵。
22、结合第一方面，在一种可能的实现方式中，还包括：对分类模型进行训练，得到训练好的分类模型，具体包括：
23、构建分类模型；
24、将训练集中的每张图像对应的图像特征输入至所述分类模型中进行训练，对所述训练好的分类模型，得到与每张图像对应的分类结果；
25、将所述分类结果对应的与所述训练集中每张图像的标签进行对比，得到准确率曲线；
26、判断所述准确率曲线是否与设定曲线相同，若是，则输出训练好的分类模型；若否，则进行交叉验证，直至所述准确率曲线与所述设定曲线相同，输出所述训练好的分类模型。本文档来自技高网...
【技术保护点】
1.一种灰度共生矩阵谱的GB_ISAR图像质量评估方法，其特征在于，包括：
2.根据权利要求1所述的灰度共生矩阵谱的GB_ISAR图像质量评估方法，其特征在于，所述对所述GB_ISAR图像先进行预处理再进行初次图像分类，得到处理后的图像，包括：
3.根据权利要求1所述的灰度共生矩阵谱的GB_ISAR图像质量评估方法，其特征在于，所述对所述离散图像集中的每张灰度值图像分别进行空域特征提取，得到每张灰度值图像的空域特征，包括：
4.根据权利要求1所述的灰度共生矩阵谱的GB_ISAR图像质量评估方法，其特征在于，所述对所述离散图像集中的每张灰度值图像分别进行频域特征提取，得到每张灰度值图像的频域特征，包括：
5.根据权利要求4所述的灰度共生矩阵谱的GB_ISAR图像质量评估方法，其特征在于，所述频域特征包括：频域能量、频域对比度、频域熵、频域相关度和频域熵。
6.根据权利要求1所述的灰度共生矩阵谱的GB_ISAR图像质量评估方法，其特征在于，还包括：对分类模型进行训练，得到训练好的分类模型，具体包括：
7.一种灰度
8.一种灰度共生矩阵谱的GB_ISAR图像质量评估服务器，其特征在于，包括存储器和处理器；
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质有可执行指令，计算机执行所述可执行指令时能够实现如权利要求1-6任一项所述的灰度共生矩阵谱的GB_ISAR图像质量评估方法。
...【技术特征摘要】
1.一种灰度共生矩阵谱的gb_isar图像质量评估方法，其特征在于，包括：
2.根据权利要求1所述的灰度共生矩阵谱的gb_isar图像质量评估方法，其特征在于，所述对所述gb_isar图像先进行预处理再进行初次图像分类，得到处理后的图像，包括：
3.根据权利要求1所述的灰度共生矩阵谱的gb_isar图像质量评估方法，其特征在于，所述对所述离散图像集中的每张灰度值图像分别进行空域特征提取，得到每张灰度值图像的空域特征，包括：
4.根据权利要求1所述的灰度共生矩阵谱的gb_isar图像质量评估方法，其特征在于，所述对所述离散图像集中的每张灰度值图像分别进行频域特征提取，得到每张灰度值图像的频域特征，包括：
5.根据权利要求4所述...
【专利技术属性】
技术研发人员：郭亮，杜美玉，尹红飞，仝俊豪，许晴，荆丹，霍丹，翁旭辉，王轩，徐安林，赵杨，汤恒仁，韩亮，邢孟道，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。