一种TDI-CCD航空遥感图像模糊参数的自动辨识方法

摘要

本发明为一种TDI-CCD航空遥感图像模糊参数的自动辨识方法，该方法对图像进行分析，获得各运动模糊模型的参数初值。针对目前存在的初值估计算法很难获得准确的参数估计值的情况，本发明以参数估计初值为中心，选取参数可变范围；然后以某个步进值为单位，依次将变换的模糊参数代入运动描述模型中，进行图像恢复，形成一个恢复后的图像序列；采用与视觉判定效果相一致的专用质量判定因子，选取最佳恢复效果对应的模型参数值，本发明能够获得十分准确的图像模糊辨识参数和改进很多的图像恢复效果。这样，不仅解决了图像模糊参数的精确辨识问题，也提出了一种混合运动模糊下的遥感图像的恢复思路和方法。

说明书

技术领域

本发明涉及航空TDI-CCD成像误差补偿技术，具体涉及基于图像数据的TDI-CCD航空遥感图像模糊参数的分析和确定。

背景技术

航空飞行器上承载的时间延迟积分电荷耦合器件(TDI-CCD)成像装置，通常会配备光机和电子的方式对因运动造成的图像模糊进行补偿。这两种方式固然有效，但由于系统构建的复杂度和成本问题、时间反应的灵敏度等因素，它们的补偿精度具有一定的局限性，从而造成一部分成像误差的残留。

拍摄后的图像还可以由软件算法进行补偿。但在补偿之前要考虑两个问题：问题1：因为有光机补偿或电子补偿方式，所以需要进一步补偿的像差应该在较小的数量级，需要高精度的补偿处理。问题2：航空成像环境下存在多种形式的运动模糊，这不是一种运动形式的模型就可以解决的问题。多种运动形式的模糊如何处理的问题，是一个需要仔细考虑的关键问题。这两个问题的解决，对于软件补偿中图像恢复精度的提高有着重大的意义。

通过分析，本发明认为：航空TDI-CCD遥感成像过程中，可能存在的运动模糊模型有下面三种：在TDI-CCD积分方向的前向像移运动模糊；垂直于TDI CCD积分方向的高频简谐振动模糊；低频区各向同性的高斯振动模糊。这三种运动的混合，最终降低了成像的效果和质量。如果能通过某种方法，在某幅图像上精确地判识出针对这三种运动模型的运动参数，就可以大大提高使用软件进一步恢复该图像的质量。

目前存在的针对这三种运动方式分别进行模糊参数判识的算法列举如下：

对于前向像移，有基于傅立叶频谱、倒频谱或是空域自相关函数、微分算子的方法进行前向像移量的计算。但这些算法能够较准确地判断像移量的条件是位移量通常在10个像素点以上。这有背于问题1的要求，从而无法保证较高的图像恢复质量。

对于高频简谐振动，有基于频谱图中零点暗纹判定振动幅度的方法，基于模糊图像一阶、二阶几何矩的测量振幅的方法。这些方法虽然能够在高频简谐振动发生时，将参数的估计精度控制到亚象素级，但是没有任何文献提到如何去对这个振动的频率和TDI-CCD的积分时间进行估计，从而无法实现完全的模糊参数自动辨识。

对于各向同性的高斯模糊，有基于标准偏差σ变化时最小峰值的图像统计方法确定最佳σ值的方法，有基于标准偏差σ变化时拉普拉斯L1范数曲线导数的最大值点进行统计的方 法。这些方法虽然能够得到σ值，但无法判定σ值的大致范围，从而造成统计范围的不可知性，无法有效地实现模糊参数的自动辨识。

发明内容

本发明提供了一种TDI-CCD航空遥感图像模糊参数的自动辨识方法。它是一种在前向像移运动、高频简谐振动、高斯振动同时作用的单帧图像上，精确判识运动模糊参数的方法。

该一种TDI-CCD航空遥感图像模糊参数的自动辨识方法，包括以下步骤：

第一步：根据三种运动方式分别造成的图像模糊特征，初步判定出各种运动方式的模糊参数；并以初值为中心，取预先设定的值范围用于下一步的参数精确辨识；

第二步：挑选其中的一种运动模型的参数，在其取值范围内依次选取各点值带入运动模型，进行图像的恢复处理；

第三步：对于处理后的图像效果分别提取符合图像视觉特征的图像质量因子，基于每个范围内图像质量因子的变化规律，判定最佳质量的图像，并认为它所对应的参数即该模型的最优运动参数；

第四步：在该运动模型恢复后的最佳质量图像的基础上，重复第二步和第三步，依次完成每个运动模型的最优运动参数的判识。

该方法在进行三种运动方式的判断中采用三个替代人眼主观判断的客观图像质量评价因子的方法，其中：

前向像移运动模糊图像恢复的质量评判因子 其中EG表示图像的平均边缘梯度值；Diff_DV表示图像的前景方差，该值越大，图像的恢复质量越好；高频简谐振动模糊图像恢复的质量评判因子为(α，Q_HF)，其中，α是拟合成 关系曲线后的参数值；其中f是图像在频域内的频率；A是最大频谱能量值；E(f)是随频率变化的频谱能量值。Q_HF可描述成： 其中Q_fa表示功率谱曲线的非光滑性特征参数，用拟合后的负指数函数与实际功率谱曲线之间的差值和来表示；A是f＝1时的最大功率谱值，γ是大于1的常数；判断图像质量时，α值越小图像恢复得越好，在恢复图像的α值都相同的情况下，使用Q_fa值进行决定，Q_fa越小，图像的恢复质量越好；

低频高斯振动模糊图像恢复的质量评判因子：

$Q_{\mathrm{GR}}=\frac{10\times {\mathrm{Log}}_{10}\mathrm{EG}\times G_{\mathrm{image}}\times (1+{\mathrm{Log}}_{10}(1-{\mathrm{Diff}}_{\mathrm{DV}}))}{1+180\times {\mathrm{Diff}}_{\mathrm{BV}}}+10\times R_{\mathrm{edgePoints}}$

其中，EG表示图像的平均边缘梯度值；Diff_DV表示图像的前景方差；Diff_BV表示图像的背景方差；C_image表示Michelson反差；R_edgePoints表示边缘点与图像全部像素的比例，Q_GR值越大，图像的恢复质量越好。

上述第一步中针对沿TDI方向的前向像移运动造成的模糊采用基于频谱图像零点暗纹估计前向像移像素量初值的方法；针对基于高频的简谐振动采用Radon变换判定高频振动的方向，并使用遥感拍摄环境的先验知识来确定振动频率和积分时间的方法，根据对航空遥感成像现状和TDI-CCD光传感器性能指标的分析，确定振动频率和积分时间的方法；针对高斯振动采用借用离焦成像模糊半径的估计算法间接获得标准偏差σ值的办法。

该方法使用统计的方法修正初值估计误差，首先为参数可变范围设置一个步进值，获得顺序变化的参数值；其次将参数值依次代入对应的某一种运动描述模型中，并使用该确定模型对图像进行恢复处理，得到一个参数顺序变化恢复的图像序列；然后对这个序列进行判断，找到最佳的恢复质量；该质量对应的参数即为最准确的原图像模糊参数值。

本发明与现有技术相比的优点在于：

1)提出了一种基于前向像移、高频简谐振动和高斯振动三种运动混合模糊的图像的模糊参数辨识和图像恢复方法。通常的文献只是对一种运动模糊进行参数辨识或恢复；有一些文献是针对两种运动模糊进行参数辨识的，但只局限于离焦模糊和线性直线运动方式；有文献提到适用于任何运动形式的参数辨识和图像恢复方法，但需要专门的硬件部分测量辅助信息，并且需要同时采集多幅图像才能分析实现，复杂度较高。

2)设计了适用于前向像移、高频简谐振动和高斯运动三种模型下的参数变化引起的图像恢复质量变化特征，并符合主观观察特点的三种客观质量评价因子。这些评价因子还具有内容无关性的特征。通常被使用的客观质量评价因子对于图像振铃效应加剧的反应，近似于图像清晰度增加，从而造成客观误判。本发明基于不同运动恢复过程时，参数变化对于恢复效果的影响具有各自不同的特点的理念，分别针对这三种模型设计了不同的客观质量评判因子，实验结果证明它们的评判与主观评价结果十分近似。

附图说明

图1为本发明TDI-CCD航空遥感图像模糊参数的自动辨识方法流程图；

图2为本发明有关吻合主观评价结果的客观评价因子的定义过程图；

图3为本发明基于前向像移判识最佳恢复质量图像的流程图；

图4为本发明基于高频简谐振动判识最佳恢复质量图像的流程图；

图5为本发明基于高斯振动判识最佳恢复质量图像的流程图。

具体实施方式

下面将结合附图对本发明进一步详细说明。

本发明是针对航空TDI-CCD成像环境下拍摄图像，拟获得模糊参数的精确自动辨识，以求达到更高图像恢复质量的目的而设计的。这种航空拍摄环境通常会配备光机补偿和电子补偿系统来进行大像差或降质因素的校正。这两种硬件补偿系统无法作用而造成图像模糊的因素，最可能是由三种运动方式带来的：沿TDI方向的前向像移、基于高频的简谐振动和低频区域的高斯振动。根据图1的流程可以精确地提取图像中各模型的特征运动参数值，考虑到高斯模糊的恢复算法可能会造成图像中其它运动特征的丢失，因此需要将高斯模糊放在最后一个步骤进行，以减轻数据判识过程中进一步引入的误差。

考虑到当前算法在判识精度方面受到图像内容、成像条件以及混合运动状态之间相互作用的影响，本发明提出了先基于原图像估计各运动初始参数，然后基于估计值的恢复效果进行统计的方法，以求获得更加精确的模糊参数。

针对沿TDI方向的前向像移运动造成的模糊，本发明采用的是基于频谱图像零点暗纹估计前向像移像素量初值的方法。针对基于高频的简谐振动，本发明采用的是用Radon变换判定高频振动的方向；基于频谱图像零点暗纹估计振幅初值，并使用遥感拍摄环境的先验知识来确定振动频率和积分时间的方法。根据对航空遥感成像现状和TDI-CCD光传感器性能指标的分析，确定振动频率和积分时间的方法。针对高斯振动，本发明提出借用离焦成像模糊半径的估计算法间接获得标准偏差σ值的办法。

在参数可变范围内，本发明使用统计的方法修正初值估计误差，以获得精确的参数值。统计的方法是这样的：首先，为参数可变范围设置一个步进值，获得顺序变化的参数值。其次，将参数值依次代入对应的某一种运动描述模型中，并使用该确定模型对图像进行恢复处理，得到一个参数顺序变化恢复的图像序列。然后，对这个序列进行判断，找到最佳的恢复质量。该质量对应的参数，即为最准确的原图像模糊参数值。

本发明拟实现最佳恢复质量的判断过程为全自动处理方式，而非人为主观判断来提供帮助。基于这个想法，本发明根据恢复图像序列的特点，为涉及的每种运动方式设计了与主观评判结果相吻合，并且与图像内容无关的图像客观质量评价因子。评价因子的设计过程如图2所示。针对前向像移模糊，本发明认为：首先，图像的边缘梯度算子EG与图像的质量有直接关系。边缘梯度算子越大，该图像的质量越好；其次，在匀速直线运动时进行成像，前向 像点信息出现混合现象，产生图像模糊。在逆向恢复时，图像如果参数使用不当，会出现明显的振铃现象。这势必造成前景方差Diff_DV的大幅增加，其影响远大于因为恢复处理而产生的图像细节的增加。因此，构造基于前向像移的恢复图像的质量评价因子为公式(7)：

$Q_{\mathrm{asy}}=10\times \frac{\mathrm{EG}}{{\mathrm{Diff}}_{\mathrm{DV}}}$(7)，Q_asy最大为图像恢复质量最优。

针对高频简谐振动，本发明基于自然图像的平均能量谱与频率的关系公式(8)，提出了下面两个关于图像质量的假设：理想图像的效果会比非理想状态下的具有更强的功率谱。恢复图像的功率谱曲线越接近理想功率谱曲线的变化趋势，该图像越接近理想图像的效果。

$E\left(f\right)=\frac{A}{f^{\alpha }}---\left(8\right)$

其中，α是取值1～2的常数；A最大频谱能量；E(f)表示随频率变化的能量谱值；f是该图像的频率， 

由第一个假设可以知道：如果用公式(8)描述图像，理想图像拟合后的α值更低，这样图像的功率谱才会相对更高。因此，低α值的图像更接近理想图像的复制效果。因此，如果某个恢复过程能够引起图像功率谱的提高，该过程得到的图像更接近理想状态的成像效果。

由第二个假设分析，理想的视觉图像具有一条平滑的、基于频率单调递减变化的功率谱曲线。如果图像功率谱曲线的某个部分出现了不平滑的突峰，即说明，该图像被置入了某种形式的噪声或是因为某种影响频率分布的原因，引起了图像的降质。例如：出现了高频振动，或添加了非白噪声信号等。如果被恢复的图像，能够具有与理想图像一样的平滑曲线，那么它就具备很好的视觉感受，反之则不然。

基于上述的分析，本发明构造了针对高频简谐振动图像恢复质量判定的评价因子(α，Q_HF)，如公式(9)：

$Q_{\mathrm{HF}}=\frac{Q_{\mathrm{fa}}\times {\alpha }^{\gamma }}{A}\times 100---\left(9\right)$

其中，Q_fa是频谱曲线的非平滑度值；用恢复图像的实际频谱曲线与拟合公式(8)后的频谱曲线的差值计算得到；γ值是一个大于1的经验常数；A是f＝1时的频谱能量，也表示频谱范围内的最大能量值。在使用(a，Q_HF)时，首先根据曲线拟合后的α值进行图像质量的判定，α值越小，图像恢复质量越好。当出现几幅图像拟合后的α值相同的情况，则使用Q_HF进行判 断。Q_HF最小图像质量为最优。

针对高斯振动，有五种因素会影响到人眼对图像恢复质量的清晰度感觉：图像反差、边缘梯度、边缘长度、前景方差和背景方差。

本发明假设的高斯运动，是一个偏移量为0的模型。当运动发生时，对于图像的平坦区域几乎没有什么影响。而在图像边缘附近的部分则会表现出更严重的模糊效应。因此，边缘梯度EG是图像质量判定十分重要的一部分。本发明在计算边缘梯度值时，使用了Canny边缘算子提取图像的边缘信息。边缘梯度是使用边缘点法向的梯度值计算获得的。同样，边界长度会影响到人眼对图像清晰度的判定。

R_edgePoints是图像的边缘长度，边缘长度被定义为边缘点个数与图像像素点个数的比值：

$R_{\mathrm{edgePoints}}=\frac{S_{\mathrm{edgePoints}}}{M\times N}---\left(10\right)$

M，N表示图像的像素点数。S_edgePoints＝是边缘点的总个数。

高斯模糊的恢复图像，通常不会被增加振铃或吉布森效应，但可能会有颗粒噪声的信号放大。高斯模糊的恢复算法，有两种常用的方式：维纳滤波和逆主元法。这两种算法皆是通常减小图像边缘细节的方法来达到图像清晰度强调的目的。因此，恢复图像的方差和原模糊图像的方差的差值应该为负值。而两幅图像之间背景方差的差值则应该很小。公式(11)是图像方差的计算公式。

${\mathrm{Diff}}_{\mathrm{DV}}\left({\mathrm{Diff}}_{\mathrm{BV}}\right)=\frac{{\sigma }_{\mathrm{restored}}-{\sigma }_{\mathrm{blurred}}}{{\sigma }_{\mathrm{blurred}}}---\left(11\right)$

σ_restored是恢复图像的前背景方差；σ_blurred是原模糊图像的前背景方差。Otsu算法被用来划分图像的前景和背景。

图像反差由Michelson反差公式(13)计算获得。

$C_{\mathrm{image}}=\frac{I_{\max }-I_{\min }}{I_{\max }+I_{\min }}---\left(12\right)$

其中，I_max是图像的最大灰度值；I_min是图像的最小灰度值。

因此，本发明设计了如下的客观评判因子：

$Q_{\mathrm{GR}}=\frac{10\times \mathrm{lgEG}\times C_{\mathrm{image}}\times (1+\lg (1-{\mathrm{Diff}}_{\mathrm{DV}}))}{1+180\times {\mathrm{Diff}}_{\mathrm{BV}}}+10\times R_{\mathrm{edgePoints}}---\left(13\right)$

本发明认为Q_GR值越大，图像的恢复质量越高。

在完成针对三种运动模型的恢复图像的客观质量评判因子后，本发明使用图3的流程进行前向像移模型下最佳图像恢复质量的判定；用图4的流程进行高频简谐振动模型下最佳图像恢复质量的判定；用图5的流程进行高斯运动模型下最佳图像恢复质量的判定。

本发明提到的方法，最终针对一幅由三种运动混合模糊的图像的恢复和参数判识过程进行了实验，被证实是可行的。参数判识精度达到了高恢复质量的要求。用本发明方法恢复的图像，与基于三个模型估计初值的图像恢复效果，以及基于通用全变分盲复原的恢复方法进行了比较，其效果远远超过上述这两种方法。本发明在图像恢复和参数判识过程中，除了计算本发明设计的三个客观质量评判因子外，同时也对通用的客观质量评判因子进行了计算，并将它们值与主观判定的结果进行了比较。结果发现，仅本发明的三个客观质量评判因子能够达到与主观判定一致的效果。