一种基于特征融合的气动光学图像质量客观评价方法、装置及系统

摘要

本发明公开了一种基于特征融合的气动光学图像质量客观评价方法、装置及系统，通过获取气动光学图像并计算模糊因子、偏移因子及活动性衰减因子，基于上述因子特征融合的客观评价方法可有效避免主观评价方法的繁琐耗时，克服了传统客观评价方法的不足，具有计算简捷可靠、鲁棒性好、实时性强的优点，可用于对气动光学图像的质量进行客观评价、辅助高速飞行器图像复原校正方法的性能比较，以及为迭代复原算法的帧选择和迭代终止操作提供判据。

说明书

技术领域

本发明涉及气动光学领域，尤其涉及一种基于特征融合的气动光学图像质量客观评价方法、装置及系统。

背景技术

载有光学成像探测制导系统的高速飞行器在大气层内飞行时，光学头罩与来流之间会形成复杂的流场，对光学成像探测系统造成气动热、热辐射和图像传输干扰，从而引起目标图像的偏移、抖动和模糊，这种效应称为气动光学效应。气动光学效应通常会导致目标图像模糊不清，并对光学探测和制导系统带来多种影响：降低目标探测信噪比、减小目标探测距离；降低目标检测识别概率、抗诱饵能力下降；视线角位置发生偏折、视线角速率发生抖动、探测制导精度急剧下降。图像质量的下降严重影响后续的目标检测、跟踪等更高层次的图像处理，因此需要对气动光学图像加以复原，而复原效果的好坏涉及到如何评价图像质量的问题。

图像质量的评价主要分为主观评价和客观评价。主观评价方法是以人作为图像的观察者，对图像质量好坏做出主观评价，因此最为直接有效，但此类方法往往比较耗时，并且操作复杂，不能满足高速导弹成像探测的实时性要求，因此不适用于气动光学图像的质量评价。

客观评价方法从图像的保真度和可理解度出发，试图寻求定量的测量方法。现有的客观评价技术主要分为基于统计和数学的评价方法，以及融入人眼视觉特性的评价方法。均方误差(Mean-Squared Error，MSE)是最早采用、也是最常用的客观评价方法之一，反映了复原图像与未降质图像之间的全局差异。由MSE变形得出的多种评价函数，如归一化均方误差(Normalized Mean-SquaredError，NMSE)、峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)、改进的信噪比(Improved Signal-to-Noise Ratio，ISNR)、Minkowski度量(MinkowskiMetric，MM)等，由于形式简单、计算简便等优点，也被广泛采用。此外，还有基于相关性的评价方法，如结构相关性(Structural Correlation，SC)、CZenakowski距离(CZenakowski Distance，CZD)，频域上的度量分析方法，如谱幅度失真(Spectral Magnitude Distortion，SMD)、谱相位失真(SpectralPhase Distortion，SPD)，以及基于人眼视觉特性的图像质量尺度(PictureQuality Scale，PQS)，揭示了图像高阶信息，度量更为准确可靠。然而气动光学图像的退化并非由压缩损失及加性非相关噪声所致，同时鉴于气动光学效应的复杂性，以上客观评价方法均不适用于气动光学图像的质量评价。

图像质量的客观评价是数字图像处理领域十分重要和基础的研究课题，不同的退化原因通常需要选择不同的评价方法，目前尚无通用的图像质量评价方法可针对所有图像退化类型进行准确客观评价。现有技术多针对压缩受损图像及噪声退化图像，并未涉及气动光学图像的质量评价。

因此，提出一种适用于气动光学图像的客观质量评价方法十分必要，是气动光学领域目前急待解决的问题之一.

发明内容

本发明实施例提供一种基于特征融合的气动光学图像质量客观评价方法、装置及系统，通过获取气动光学图像并计算模糊因子、偏移因子及活动性衰减因子，基于上述因子特征融合的客观评价方法可有效避免主观评价方法的繁琐耗时，克服了传统客观评价方法的不足，具有计算简捷可靠、鲁棒性好、实时性强的优点，可用于对气动光学图像的质量进行客观评价、辅助高速飞行器图像复原校正方法的性能比较，以及为迭代复原算法的帧选择和迭代终止操作提供判据。

本发明实施例提供以下技术方案：

一种基于特征融合的气动光学图像质量客观评价方法，步骤包括：

步骤一、获取气动光学图像；

步骤二、获取模糊因子；

步骤三、对气动光学退化图像多帧进行算术平均获得参考图像；

步骤四、获取偏移因子；

步骤五、获取活动性衰减因子；

步骤六、进行特征融合，并根据图像退化类型选择权重系数；

步骤七、获得气动光学图像的总体质量。

优选的，上述步骤四具体包含：

A.对气动光学图像进行分块和块配准操作；

B.获取质心偏移距离与质心偏移角度；

C.获取偏移距离方差和偏移角度方差；

D.获取偏移因子。

优选的，上述步骤A中，块的大小根据图像大小动态选择，在8×8到64×64之间。利用归一化互相关方法对待测气动光学图像的每个块分别进行配准操作。

优选的，上述步骤B中，每个块的质心偏移距离与质心偏移角度由如下公式获得：

${\Delta }_{\mathrm{ij}}=\frac{\sqrt{{\mathrm{\Delta x}}_{\mathrm{ij}}^2+\Delta y_{\mathrm{ij}}^2}}{\sqrt{M^2+N^2}}=\frac{\sqrt{{({\hat{x}}_{i_2{j}_2}-x_{i_1{j}_1})}^2+{\left({\hat{y}}_{i_2{j}_2}{y}_{i_1{j}_1}\right)}^2}}{\sqrt{M^2+N^2}}$

${\theta }_{\mathrm{ij}}=\frac{1}{\pi }\arctan \left|\frac{{\mathrm{\Delta x}}_{\mathrm{ij}}}{\Delta y_{\mathrm{ij}}}\right|+\frac{1}{2}=\frac{1}{\pi }\arctan \left|\frac{{\hat{x}}_{i_2{j}_2}-x_{i_1{j}_1}}{{\hat{y}}_{i_2{j}_2}-y_{i_1{j}_1}}\right|+\frac{1}{2}$

Δx_ij和Δy_ij分别表示任意块(i，j)沿x轴和y轴方向的偏移量。Δ_ij和θ_ij为每个块在极坐标下的偏移量，其中Δ_ij表示每个块的偏移距离，θ_ij表示相应的偏移角度。

优选的，上所述步骤C中，每个块的偏移距离方差和偏移角度方差由如下公式获得：

${\sigma }_{\Delta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{({\Delta }_{\mathrm{ij}}-\bar{\Delta })}^2,$$\bar{\Delta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{\Delta }_{\mathrm{ij}}$

${\sigma }_{\theta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{({\theta }_{\mathrm{ij}}-\bar{\theta })}^2,$$\bar{\theta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{\theta }_{\mathrm{ij}}$

优选的，上述步骤D中，气动光学图像的偏移因子值由CO＝(σ_Δ+σ_θ)/2获得。

优选的，上述步骤一中，图像质量与图像大小和图像内容无关，只与图像退化目标类型和退化程度有关。

优选的，上述目标类型包括但不限于圆形靶、小三角靶及四条靶。

优选的，上所述步骤二中，将基于气动光学图像内容的香农熵作为模糊因子，其公式为：

$\mathrm{SE}=-\frac{1}{\ln \mathrm{MN}}\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}p(x,y)\ln p(x,y),p(x,y)=\frac{f(x,y)}{\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}f(x,y)}$

式中，p(x，y)是到达像素点(x，y)的光子概率密度，M×N是气动光学图像大小。

优选的，模糊因子值的大小反应了气动光学图像的模糊程度，值越大表示越模糊，其取值范围为[0，1]。

优选的，上述步骤五中，采用空间频率来量化气动光学图像的活动性衰减程度。空间频率由下式获得：

$\mathrm{SF}=\sqrt{\frac{1}{2\mathrm{MN}}{\left[\underset{x=1}{\overset{M}{\Sigma }}\underset{y=2}{\overset{N}{\Sigma }}\right[f(x,y)-f(x,y-1)]}^2+\underset{y=1}{\overset{N}{\Sigma }}\underset{x=2}{\overset{M}{\Sigma }}{[f(x,y)-f(x-1,y)]}^2}$

一种基于特征融合的气动光学图像质量客观评价装置，上述客观评价装置包括图像获取模块、模糊因子获取模块、参考图像获取模块、偏移因子获取模块、活动性衰减因子获取模块、加权系数模块、图像质量获取模块，所述加权系数模块，用于对模糊因子、偏移因子以及活动性衰减因子进行特征融合，并根据图像退化类型选择权重系数。

优选的，上述偏移因子获取模块还包含一分块和块配准模块，用于对气动光学图像进行分块和块配准操作。

优选的，上述偏移因子获取模块还包含一偏移距离与偏移角度获取模块，用于获取每个块的质心偏移距离与质心偏移角度。

优选的，上述偏移因子获取模块还包含一偏移距离方差与偏移角度方差获取模块，用于获取每个块的偏移距离方差与偏移角度方差。

优选的，上述偏移因子获取模块还包含一偏移因子值计算模块，用于计算偏移因子值。

一种基于特征融合的气动光学图像质量客观评价系统，包括上述任意一项所述的碰撞检测装置。

本发明提供的一种基于特征融合的气动光学图像质量客观评价方法、装置及系统，通过获取气动光学图像并计算模糊因子、偏移因子及活动性衰减因子，基于上述因子特征融合的客观评价方法可有效避免主观评价方法的繁琐耗时，克服了传统客观评价方法的不足，具有计算简捷可靠、鲁棒性好、实时性强的优点，可用于对气动光学图像的质量进行客观评价、辅助高速飞行器图像复原校正方法的性能比较，以及为迭代复原算法的帧选择和迭代终止操作提供判据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于特征融合的气动光学图像质量客观评价方法的流程图；

图2是红外风洞图像示意图；

图3是本发明实施例提供的基于特征融合的气动光学图像质量客观评价装置示意图；

图4本发明实施例提供的偏移因子获取模块的内部结构示意图。

具体实施方式

本发明实施例提供一种基于特征融合的气动光学图像质量客观评价方法、装置及系统，通过获取气动光学图像并计算模糊因子、偏移因子及活动性衰减因子，基于上述因子特征融合的客观评价方法可有效避免主观评价方法的繁琐耗时，克服了传统客观评价方法的不足，具有计算简捷可靠、鲁棒性好、实时性强的优点，可用于对气动光学图像的质量进行客观评价、辅助高速飞行器图像复原校正方法的性能比较，以及为迭代复原算法的帧选择和迭代终止操作提供判据。为使本发明的目的、技术方案及优点更加清楚明白，下面参照附图并举实施例，对本发明进一步详细说明。

本发明实施例提供一种基于特征融合的气动光学图像质量客观评价方法，如图1所示，具体步骤包括：

步骤一、获取气动光学图像；

气动光学图像通过超声电弧风洞获得，其中，超声电弧风洞目标类型包括圆形靶、小三角靶及四条靶三种，气动光学图像经高帧频红外成像仪拍摄得到。如图2所示为红外风洞图像。(a)、(b)和(c)分别是圆形靶、小三角形靶和四条靶目标图像序列的静止帧；(d)和(g)分别是圆形目标序列的第4和第9帧；(e)和(h)分别是小三角形目标序列的第4和第8帧；(f)和(i)分别是四条靶目标序列的第2和第14帧。技术指标：Frames表示每个序列的总帧数；Aperture表示孔径；λ表示波长；τ表示积分时间；f表示焦距；F表示帧频；FPA表示探测器像元；Resolution表示测试系统分辨率。

图像质量与图像大小和图像内容无关，只与图像退化目标类型和退化程度有关。

步骤二、获取模糊因子；

本发明实施例在研究气动光学效应的形成机理上，分析多种图像特征(包括外形特征、不变性特征、熵特征、梯度特征等)，引入模糊因子对气动光学图像的质量进行度量。

具体而言，因为当气动光学图像发生模糊时，其整体强度将急剧下降、边缘被延伸、气动光学图像变得无序。熵是描述气动光学图像无序程度的指标，本发明实施例采用基于气动光学图像内容的香农熵作为模糊因子，其公式为：

$\mathrm{SE}=-\frac{1}{\ln \mathrm{MN}}\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}p(x,y)\ln p(x,y),p(x,y)=\frac{f(x,y)}{\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}f(x,y)}$

式中，p(x，y)是到达像素点(x，y)的光子概率密度，M×N是气动光学图像大小。具体而言，模糊因子值的大小反应了气动光学图像的模糊程度，值越大表示越模糊，其取值范围为[0，1]。

步骤三、对气动光学退化图像多帧进行算术平均获得参考图像；

具体而言，对气动光学退化图像多帧进行算术平均近似得到参考图像为：受气动光学效应的影响，气动光学图像的每个像素点都在一个零均值位置附近随机波动，并且服从高斯分布，因此像素点的分布中心可近似为参考图像相应像素点所在位置。我们选择多帧序列图像的算术平均来近似参考图像。对于气动光学退化图像中的每个块，分别遍历整个参考图像，并根据下式计算出相应的归一化相关矩阵γ(u，v)：

$\gamma (u,v)=\frac{{\Sigma }_{x,y}[f(x,y)-{\bar{f}}_{u,v}][t(x-u,y-v)-\bar{t}]}{{\left\{{\Sigma }_{x,y}{[f(x,y)-{\bar{f}}_{u,v}]}^2{\Sigma }_{x,y}{[t(x-u,y-v)-\bar{t}]}^2\right\}}^{0.5}}$

式中，f(x，y)表示参考图像，t(x，y)表示用于块配准所提取的图像特征，f_u，v表示根据特征t在参考图像中选取出块的均值，t表示特征t的均值。假定γ(u，v)的峰值所在点的坐标为(y_peak，x_peak)，参考图像中由下式获得：

$x_{i_1{j}_1}=\frac{\underset{x=x_{\mathrm{peak}}-m+1}{\overset{x_{\mathrm{peak}}}{\Sigma }}\underset{y=y_{\mathrm{peak}}-n+1}{\overset{y_{\mathrm{peak}}}{\Sigma }}\mathrm{xf}(x,y)}{\underset{x=x_{\mathrm{peak}}-m+1}{\overset{x_{\mathrm{peak}}}{\Sigma }}\underset{y=y_{\mathrm{peak}}-n+1}{\overset{y_{\mathrm{peak}}}{\Sigma }}f(x,y)},$$y_{i_1{j}_1}=\frac{\underset{x=x_{\mathrm{peak}}-m+1}{\overset{x_{\mathrm{peak}}}{\Sigma }}\underset{y=y_{\mathrm{peak}}-n+1}{\overset{y_{\mathrm{peak}}}{\Sigma }}\mathrm{yf}(x,y)}{\underset{x=x_{\mathrm{peak}}-m+1}{\overset{x_{\mathrm{peak}}}{\Sigma }}\underset{y=y_{\mathrm{peak}}-n+1}{\overset{y_{\mathrm{peak}}}{\Sigma }}f(x,y)},$

步骤四、获取偏移因子；

当气动光学图像发生偏移时，图像的局部将偏移其原来的位置，从而导致气动光学图像发生扭曲变形。具体而言，获取偏移因子进一步包括如下步骤：

A.对气动光学图像进行分块和块配准操作：假定待测气动光学图像大小为M×N，首先进行分块操作，将其分成i×j块，每块大小为m×n。对于任意块(i，j)，其质心由下式获得：

$x_{\mathrm{ij}}=\frac{\underset{x=(i-1)m+1}{\overset{\mathrm{im}}{\Sigma }}\underset{y=(j-1)n+1}{\overset{\mathrm{jn}}{\Sigma }}\mathrm{xf}(x,y)}{\underset{x=(i-1)m+1}{\overset{\mathrm{im}}{\Sigma }}\underset{y=(j-1)n+1}{\overset{\mathrm{jn}}{\Sigma }}f(x,y)},$$y_{\mathrm{ij}}=\frac{\underset{x=(i-1)m+1}{\overset{\mathrm{im}}{\Sigma }}\underset{y=(j-1)n+1}{\overset{\mathrm{jn}}{\Sigma }}\mathrm{yf}(x,y)}{\underset{x=(i-1)m+1}{\overset{\mathrm{im}}{\Sigma }}\underset{y=(j-1)n+1}{\overset{\mathrm{jn}}{\Sigma }}f(x,y)},$

令和分别为参考图像的块(i₁，j₁)及退化图像的块(i₂，j₂)的质心。具体而言，对气动光学图像进行分块操作，块的大小根据图像大小动态选择，在8×8到64×64之间。利用归一化互相关方法对待测气动光学图像的每个块分别进行配准操作。

B.获取质心偏移距离与质心偏移角度：根据下面两式分别计算气动光学退化图像中每个块的质心偏移距离与质心偏移角度：

${\Delta }_{\mathrm{ij}}=\frac{\sqrt{{\mathrm{\Delta x}}_{\mathrm{ij}}^2+\Delta y_{\mathrm{ij}}^2}}{\sqrt{M^2+N^2}}=\frac{\sqrt{{({\hat{x}}_{i_2{j}_2}-x_{i_1{j}_1})}^2+{\left({\hat{y}}_{i_2{j}_2}{y}_{i_1{j}_1}\right)}^2}}{\sqrt{M^2+N^2}}$

${\theta }_{\mathrm{ij}}=\frac{1}{\pi }\arctan \left|\frac{{\mathrm{\Delta x}}_{\mathrm{ij}}}{\Delta y_{\mathrm{ij}}}\right|+\frac{1}{2}=\frac{1}{\pi }\arctan \left|\frac{{\hat{x}}_{i_2{j}_2}-x_{i_1{j}_1}}{{\hat{y}}_{i_2{j}_2}-y_{i_1{j}_1}}\right|+\frac{1}{2}$

Δx_ij和Δy_ij分别表示任意块(i，j)沿x轴和y轴方向的偏移量。Δ_ij和θ_ij为每个块在极坐标下的偏移量，其中Δ_ij表示每个块的偏移距离，θ_ij表示相应的偏移角度。

C.获取偏移距离方差和偏移角度方差：针对整幅待测图像统计每个块的偏移距离方差和偏移角度方差，其计算方法如下：

${\sigma }_{\Delta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{({\Delta }_{\mathrm{ij}}-\bar{\Delta })}^2,$$\bar{\Delta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{\Delta }_{\mathrm{ij}}$

${\sigma }_{\theta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{({\theta }_{\mathrm{ij}}-\bar{\theta })}^2,$$\bar{\theta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{\theta }_{\mathrm{ij}}$

D.获取偏移因子：待检测气动光学图像的偏移因子值由CO＝(σ_Δ+σ_θ)/2获得。

步骤五、获取活动性衰减因子；

光线在高速流场中传播时，由于随机介质的折射率不均匀性，会导致波前形状及强度发生畸变，从而使目标图像活动性衰减，具体表现为图像能量降低、纹理不清等。在本发明实施例中，采用空间频率来描述相邻像素间的平均均方误，证明空间频率可用于描述图像的活动性水平。因此，采用空间频率来量化气动光学图像的活动性衰减程度。空间频率由下式获得：

$\mathrm{SF}=\sqrt{\frac{1}{2\mathrm{MN}}{\left[\underset{x=1}{\overset{M}{\Sigma }}\underset{y=2}{\overset{N}{\Sigma }}\right[f(x,y)-f(x,y-1)]}^2+\underset{y=1}{\overset{N}{\Sigma }}\underset{x=2}{\overset{M}{\Sigma }}{[f(x,y)-f(x-1,y)]}^2}$

步骤六、进行特征融合，并根据图像退化类型选择权重系数；

上述三个因子(模糊因子、偏移因子以及活动性衰减因子)两两独立、互不相关。气动光学图像质量评价方法由下式获得：

BOA＝SE^α·CO^β·(1-SF)^γ

式中，α、β和γ为权重系数。具体而言，根据经验值，圆形靶目标的权重系数β＝0.4；小三角形目标的权重系数α＝0.4；四条靶目标的权重系数β＝γ＝0.2。

步骤七、获得气动光学图像的总体质量。

本发明还提供一个具体实施例如下：

高温黑体辐射源形成所需的圆形靶、小三角形靶或四条靶目标，并由准直光管将目标校准至无穷远。红外目标辐射通过入射ZnS窗口进入电弧风洞，受到来流干扰，然后通过Ge材料出射窗口由红外热像仪接收。红外目标发生器，它由高温黑体、红外准直光学系统、目标靶盘和控制组合组成，用于模拟产生红外目标信号。本发明实施例采用红外风洞图像序列，共采集圆形靶、小三角形靶和四条靶目标三个序列。从每个图像序列中各选出3帧(包含静止帧)，如图2所示为红外风洞图像。利用BOA对图像质量进行评价，并与现有评价方法进行比较，按如下步骤进行：

(1)获取气动光学图像，图像大小为512×512，采集自超声电弧风洞.图2(a)、(b)和(c)分别是圆形靶、小三角形靶和四条靶目标图像序列的静止帧.(d)和(g)分别是圆形靶目标序列的第4和第9帧；(e)和(h)分别是小三角形靶目标序列的第4、8帧；(f)和(i)分别是四条靶目标序列的第2、14帧.

(2)对于三个图像序列，分别求多帧算术平均近似其相应的参考图像。

(3)对于圆形靶、小三角形靶和四条靶目标图像，分别计算其模糊因子值、偏移因子值和活动性衰减因子值，并加权相乘，获得各自的BOA值。根据经验值，圆形靶目标的权重系数β＝0.4；小三角形目标的权重系数α＝0.4；四条靶目标的权重系数β＝γ＝0.2。

(4)计算待测图像的斯特列尔比(Strehl Ratio，SR)。斯特列尔比作为参考指标用来评价红外热像仪的成像质量，即待测图像的实际质量。

(5)分别计算待测图像的其它经典评价指标值，如L₂范数、结构相关(Structural Correlation，SC)、相关质量(Correlation Quality，CQ)、CZenakowski距离(CZenakowski Distance，CZD)、谱相位失真(Spectral PhaseDistortion，SPD)、谱幅度失真(Spectral Magnitude Distortion，SMD)及结构相似度量(Structural SIMilarity，SSIM)。

下表显示了本发明的基于特征融合的气动光学图像质量客观评价方法与经典的客观评价方法的比较结果。其中，BOA很好的区分了同组图像及组间图像的质量差异，与参考指标SR的评价结果相符，而其它经典评价指标不能正确评价气动光学图像的质量。

另外，本发明实施例还提供一种基于特征融合的气动光学图像质量客观评价装置。如图3所示，为本发明实施例提供的一种基于特征融合的气动光学图像质量客观评价装置示意图。

一种面向对象的并行碰撞检测装置，包括图像获取模块11、模糊因子获取模块22、参考图像获取模块33、偏移因子获取模块44、活动性衰减因子获取模块55、加权系数模块66、图像质量获取模块77。

图像获取模块11，用于通过超声电弧风洞获得待检测气动光学图像；

具体而言，气动光学图像通过超声电弧风洞获得，其中，超声电弧风洞目标类型包括圆形靶、小三角靶及四条靶三种，气动光学图像经高帧频红外成像仪拍摄得到.如图2所示为红外风洞图像.(a)、(b)和(c)分别是圆形靶、小三角形靶和四条靶目标图像序列的静止帧；(d)和(g)分别是圆形目标序列的第4和第9帧；(e)和(h)分别是小三角形目标序列的第4和第8帧；(f)和(i)分别是四条靶目标序列的第2和第14帧.技术指标：Frames表示每个序列的总帧数；Aperture表示孔径；λ表示波长；τ表示积分时间；f表示焦距；F表示帧频；FPA表示探测器像元；Resolution表示测试系统分辨率.图像质量与图像大小和图像内容无关，只与图像退化目标类型和退化程度有关.

模糊因子获取模块22，用于气动光学图像内容的香农熵作为模糊因子；

具体而言，本发明实施例在研究气动光学效应的形成机理上，分析多种图像特征(包括外形特征、不变性特征、熵特征、梯度特征等)，引入模糊因子对气动光学图像的质量进行度量。

因为当气动光学图像发生模糊时，其整体强度将急剧下降、边缘被延伸、气动光学图像变得无序。熵是描述气动光学图像无序程度的指标，本发明实施例采用基于气动光学图像内容的香农熵作为模糊因子，其公式为：

$\mathrm{SE}=-\frac{1}{\ln \mathrm{MN}}\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}p(x,y)\ln p(x,y),p(x,y)=\frac{f(x,y)}{\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}f(x,y)}$

式中，p(x，y)是到达像素点(x，y)的光子概率密度，M×N是气动光学图像大小。具体而言，模糊因子值的大小反应了气动光学图像的模糊程度，值越大表示越模糊，其取值范围为[0，1]。

参考图像获取模块33，用于对气动光学退化图像多帧进行算术平均获得参考图像；

具体而言，对气动光学退化图像多帧进行算术平均近似得到参考图像为：受气动光学效应的影响，气动光学图像的每个像素点都在一个零均值位置附近随机波动，并且服从高斯分布，因此像素点的分布中心可近似为参考图像相应像素点所在位置。我们选择多帧序列图像的算术平均来近似参考图像。对于气动光学退化图像中的每个块，分别遍历整个参考图像，并根据下式计算出相应的归一化相关矩阵γ(u，v)：

$\gamma (u,v)=\frac{{\Sigma }_{x,y}[f(x,y)-{\bar{f}}_{u,v}][t(x-u,y-v)-\bar{t}]}{{\left\{{\Sigma }_{x,y}{[f(x,y)-{\bar{f}}_{u,v}]}^2{\Sigma }_{x,y}{[t(x-u,y-v)-\bar{t}]}^2\right\}}^{0.5}}$

式中，f(x，y)表示参考图像，t(x，y)表示用于块配准所提取的图像特征，f_u，v表示根据特征t在参考图像中选取出块的均值，t表示特征t的均值。假定γ(u，v)的峰值所在点的坐标为(y_peak，x_peak)，参考图像中由下式获得：

$x_{i_1{j}_1}=\frac{\underset{x=x_{\mathrm{peak}}-m+1}{\overset{x_{\mathrm{peak}}}{\Sigma }}\underset{y=y_{\mathrm{peak}}-n+1}{\overset{y_{\mathrm{peak}}}{\Sigma }}\mathrm{xf}(x,y)}{\underset{x=x_{\mathrm{peak}}-m+1}{\overset{x_{\mathrm{peak}}}{\Sigma }}\underset{y=y_{\mathrm{peak}}-n+1}{\overset{y_{\mathrm{peak}}}{\Sigma }}f(x,y)},$$y_{i_1{j}_1}=\frac{\underset{x=x_{\mathrm{peak}}-m+1}{\overset{x_{\mathrm{peak}}}{\Sigma }}\underset{y=y_{\mathrm{peak}}-n+1}{\overset{y_{\mathrm{peak}}}{\Sigma }}\mathrm{yf}(x,y)}{\underset{x=x_{\mathrm{peak}}-m+1}{\overset{x_{\mathrm{peak}}}{\Sigma }}\underset{y=y_{\mathrm{peak}}-n+1}{\overset{y_{\mathrm{peak}}}{\Sigma }}f(x,y)}$

偏移因子获取模块44，用于获取偏离距离方差和偏移角度方差以获得偏移因子值；

如图4所示，进一步的，所述偏移因子获取模块44包括分块和块配准模块441、偏移距离与偏移角度获取模块442、偏移距离方差与偏移角度方差获取模块443、偏移因子值计算模块444。

分块和块配准模块441，用于对气动光学图像进行分块和块配准操作；

具体而言，假定待测气动光学图像大小为M×N，首先进行分块操作，将其分成i×j块，每块大小为m×n。对于任意块(i，j)，其质心由下式获得：

$x_{\mathrm{ij}}=\frac{\underset{x=(i-1)m+1}{\overset{\mathrm{im}}{\Sigma }}\underset{y=(j-1)n+1}{\overset{\mathrm{jn}}{\Sigma }}\mathrm{xf}(x,y)}{\underset{x=(i-1)m+1}{\overset{\mathrm{im}}{\Sigma }}\underset{y=(j-1)n+1}{\overset{\mathrm{jn}}{\Sigma }}f(x,y)},$$y_{\mathrm{ij}}=\frac{\underset{x=(i-1)m+1}{\overset{\mathrm{im}}{\Sigma }}\underset{y=(j-1)n+1}{\overset{\mathrm{jn}}{\Sigma }}\mathrm{yf}(x,y)}{\underset{x=(i-1)m+1}{\overset{\mathrm{im}}{\Sigma }}\underset{y=(j-1)n+1}{\overset{\mathrm{jn}}{\Sigma }}f(x,y)}$

令和分别为参考图像的块(i₁，j₁)及退化图像的块(i₂，j₂)的质心。具体而言，对气动光学图像进行分块操作，块的大小根据图像大小动态选择，在8×8到64×64之间。利用归一化互相关方法对待测气动光学图像的每个块分别进行配准操作。

偏移距离与偏移角度获取模块442，用于获取每个块的质心偏移距离与质心偏移角度；

具体而言，根据下面两式分别计算气动光学退化图像中每个块的质心偏移距离与质心偏移角度：

${\Delta }_{\mathrm{ij}}=\frac{\sqrt{{\mathrm{\Delta x}}_{\mathrm{ij}}^2+\Delta y_{\mathrm{ij}}^2}}{\sqrt{M^2+N^2}}=\frac{\sqrt{{({\hat{x}}_{i_2{j}_2}-x_{i_1{j}_1})}^2+{\left({\hat{y}}_{i_2{j}_2}{y}_{i_1{j}_1}\right)}^2}}{\sqrt{M^2+N^2}}$

${\theta }_{\mathrm{ij}}=\frac{1}{\pi }\arctan \left|\frac{{\mathrm{\Delta x}}_{\mathrm{ij}}}{\Delta y_{\mathrm{ij}}}\right|+\frac{1}{2}=\frac{1}{\pi }\arctan \left|\frac{{\hat{x}}_{i_2{j}_2}-x_{i_1{j}_1}}{{\hat{y}}_{i_2{j}_2}-y_{i_1{j}_1}}\right|+\frac{1}{2}$

Δx_ij和Δy_ij分别表示任意块(i，j)沿x轴和y轴方向的偏移量。Δ_ij和θ_ij为每个块在极坐标下的偏移量，其中Δ_ij表示每个块的偏移距离，θ_ij表示相应的偏移角度。

偏移距离方差与偏移角度方差获取模块443，用于获取每个块的偏移距离方差与偏移角度方差；

具体而言，针对整幅待测图像统计所有块的偏移距离方差和偏移角度方差，其计算方法如下：

${\sigma }_{\Delta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{({\Delta }_{\mathrm{ij}}-\bar{\Delta })}^2,\bar{\Delta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{\Delta }_{\mathrm{ij}}$

${\sigma }_{\theta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{({\theta }_{\mathrm{ij}}-\bar{\theta })}^2,\bar{\theta }=\frac{\mathrm{mn}}{\mathrm{MN}}\underset{i=1}{\overset{\frac{M}{m}}{\Sigma }}\underset{j=1}{\overset{\frac{N}{n}}{\Sigma }}{\theta }_{\mathrm{ij}}$

偏移因子值计算模块444，用于计算偏移因子值；

具体而言，待检测气动光学图像的偏移因子值由CO＝(σ_Δ+σ_θ)/2获得。

活动性衰减因子获取模块55，用于获取活动性衰减因子；

具体而言，光线在高速流场中传播时，由于随机介质的折射率不均匀性，会导致波前形状及强度发生畸变，从而使目标图像活动性衰减，具体表现为图像能量降低、纹理不清等.在本发明实施例中，采用空间频率来描述相邻像素间的平均均方误，证明空间频率可用于描述图像的活动性水平.因此，采用空间频率来量化气动光学图像的活动性衰减程度.空间频率由下式获得：

$\mathrm{SF}=\sqrt{\frac{1}{2\mathrm{MN}}{\left[\underset{x=1}{\overset{M}{\Sigma }}\underset{y=2}{\overset{N}{\Sigma }}\right[f(x,y)-f(x,y-1)]}^2+\underset{y=1}{\overset{N}{\Sigma }}\underset{x=2}{\overset{M}{\Sigma }}{[f(x,y)-f(x-1,y)]}^2}$

加权系数模块66，用于对模糊因子、偏移因子以及活动性衰减因子进行特征融合，并根据图像退化类型选择权重系数；

本发明实施例中的模糊因子、偏移因子以及活动性衰减因子两两独立、互不相关。气动光学图像质量评价方法由下式获得：

BOA＝SE^α·CO^β·(1-SF)^γ

式中，α、β和γ为权重系数。具体而言，根据经验值，圆形靶目标的权重系数β＝0.4；小三角形目标的权重系数α＝0.4；四条靶目标的权重系数β＝γ＝0.2。

图像质量获取模块77，用于获取气动图像的总体质量。

本发明实施例还进一步提供一种基于特征融合的气动光学图像质量客观评价系统，包括上述实施例所述的基于特征融合的气动光学图像质量客观评价装置，具体说明详见上述实施例，此处不再赘述。

本领域普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

综上所述，本文提供了一种基于特征融合的气动光学图像质量客观评价方法、装置及系统，通过获取气动光学图像并计算模糊因子、偏移因子及活动性衰减因子，基于上述因子特征融合的客观评价方法可有效避免主观评价方法的繁琐耗时，克服了传统客观评价方法的不足，具有计算简捷可靠、鲁棒性好、实时性强的优点。

以上对本发明所提供的一种基于特征融合的气动光学图像质量客观评价方法、装置及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方案；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。