高光谱超分图像质量评价 下载: 1145次
1 引言
随着现代科学技术的快速发展,高光谱遥感科学作为一门综合性的高新技术,在资源探索、地质矿物识别和环境检测等领域应用广泛[1]。高光谱图像(HI)包含丰富的空间信息、辐射信息和光谱信息,具有光谱连续、图谱合一等特性[2],使得许多原本在多光谱遥感图像中无法获取的光谱信息得以探测。但是随着高光谱图像光谱波段数的增加,为了提高感光性能和成像质量,需要增大感光元的物理尺寸,但会造成图像空间分辨率降低[3],而在目标识别、地物分类、环境变化检测等高光谱遥感的诸多应用中仍然需要较高空间分辨率的图像。
图像超分辨率(SR)重建是将低分辨率(LR)图像通过信息处理方法重构出高分辨率(HR)图像。图像超分重建最早由Harris[4]提出,因其具有切实有效、成本低廉的优点,被广泛应用于视频监控、医疗成像、卫星成像及影像融合等领域[5]。学者在图像超分重建上进行了大量研究,形成了基于插值、基于重建及基于学习的方法[6]。基于插值的方法简单易行,计算效率较高,但会损失图像的高频细节,造成图像锯齿或图像模糊;基于重建的方法通过获取图像的先验知识将低分辨率场景复原为高分辨率,然而由于有效先验知识的获取较为困难,因此该类方法的重建效果仍然较差;基于学习的方法是在基于重建方法的基础之上,先通过机器学习建立高、低分辨率影像之间的非线性映射关系,再进行影像重构[7-9]。Freeman等[7]通过引入马尔可夫网络,实现了基于实例学习的单一图像超分辨率算法。Chang等[8]提出了邻域嵌入的方法。Yang等[9]利用稀疏方法构建模型,更好地恢复出图像的细节信息。Dong等[10]首次提出了深度神经网络的方法,取得了优越的重建效果。目前这些重建后的图像通常通过均方根误差(MSE)、峰值信噪比(PSNR)、结构相似性指数(SSIM)等全参考图像质量评价方法来判别其与高分辨率原始真实场景的相似性。但是在某些情况下,这些度量指标与人眼视觉感知不相符,且在实际过程中原始真实场景通常难以获得。因此采用无参考手段对其进行质量评价的定量分析不但具有现实应用需求,而且对拓展图像质量评价方法的理论研究和应用领域具有重要意义。
无参考图像质量评价理论的研究发展迅猛,出现了许多准确有效的质量评价方法,如BIQI(Blind Image Quality Index)[11]、DIIVINE(Distortion Identification-Based Image Verity and Integrity Evaluation)[12]、BRISQUE(Blind/Referenceless Image Spatial Quality Evaluator)[13]、BLIINDS(BLind Image Integrity Notator Using DCT Statistics)[14]、BLIINDS-II[15]、CORNIA(Codebook Representation for No-Reference Image Assessment)[16]、QAC(Quality-Aware Clustering)[17]等算法。这些算法借助于不同的特征提取方式对人们已知的5种失真类型图像进行质量评价,取得了良好的评价效果。Mittal等[18-19]进而提出了一类通用的无参考评价方法NIQE(Natural Image Quality Evaluator)和IL-NIQE(Integrated Local NIQE),算法不局限于5种失真类型,利用马氏距离映射训练样本和测试样本模型参数获得质量得分,实现了图像的绝对“盲评价”。近年来无参考图像质量评价方法又朝着图像类型多样化和评价方法智能化的方向不断发展,对航拍图像、红外图像等特殊场景和类型图像的质量评价方法层出不穷,诸如深度学习、神经网络的智能评价方法得到了广泛应用。
目前针对高光谱超分图像的大多数研究都剥离为两个部分,一部分研究高光谱图像信息识别和定位探测的能力,一部分研究超分图像中超分算法的设计。但针对高光谱超分图像的质量评价问题研究却鲜见报道。2017年,Ma 等[20]对超分图像质量评价问题进行研究,取得较为良好的评价效果。本文针对大量高光谱超分图像进行综合分析,提取出能够表征图像特点的3类特征因子:自然场景统计特征、局部频域特征、局部二值模式梯度特征。对3类特征因子建立回归森林,构建出一种与视觉感知相匹配的高光谱超分图像无参考质量评价算法。
2 图像特征分析及提取
2.1 图像特点分析
图 1. 第25、50、75、100波段图像超分辨率重建效果比较。(a)高光谱图像;(b)高光谱超分图像;(c)高光谱图像的场景图像块;(d)高光谱超分图像的场景图像块
Fig. 1. Super-resolution reconstruction effects of 25th, 50th, 75th and 100th band images. (a) Hyperspectral image; (b) hyperspectral super-resolution image; (c) scene image blocks for hyperspectral image; (d) scene image blocks for hyperspectral super-resolution image
超分重建的基本思想是从退化的低分辨率图像中重建丢失的信息并消除退化因素的影响,从而获得高分辨率图像。在高光谱成像过程中,不同光谱波段对地物特征的敏感性不同,重建过程中重建图像的细节易受高光谱成像仪及传输过程中不确定因素的影响,导致高光谱超分图像产生不同程度的降质现象。
2.2 基于空域自然场景统计特征
有学者研究指出自然场景统计能够显著地揭示失真图像的质量衰退程度[21]。基于该研究理论,本研究参考成熟的图像质量评价算法,将自然场景统计作为一类特征因子用于图像信息结构的度量。自然灰度图像的局部归一化过程可以描述为
式中:(
其中
2.3 局部频域特征
先前研究表明,图像的离散余弦变换(DCT)统计系数能够有效地量化图像的失真程度和失真形式。这种方法已经被成熟地运用到经典的无参考图像质量评价算法中,如文献[ 13]、文献[ 18]和文献[ 19]。对于本文所研究的对象,从低分辨率到高分辨率的过程可看作是图像高频部分恢复的过程。为了量化由超分过程引入的图像高频信息,参考文献[ 15],提取超分图像的离散余弦变换系数,并通过广义高斯分布(GGD)进行拟合。广义高斯分布定义为
式中:
通过DCT变换后,由(1)式所计算的图像因子遵循一个统一的规律结构。而图像中蕴含的某些失真会扰乱这种关联结构。由图像失真带来统计规律上的偏差可以通过计算相邻因子对来获得。将水平、垂直、主对角线方向和次对角线方向上的相邻因子对,分别表示为
图 4. 4个方向的相邻因子统计规律。(a)水平方向;(b)垂直方向;(c)主对角线方向;(d)次对角线方向
Fig. 4. Statistic of adjacent factors along four directions. (a) Horizontal direction; (b) vertical direction; (c) main-diagonal direction; (d) secondary-diagonal direction
2.4 局部二值模式梯度特征
针对前文MSCN对图像结构信息表征不充分的问题,对图像进行梯度处理。图像的梯度幅值是指在两个正交方向上对图像进行平方和开根号计算获得有关图像的方向性特性。计算时通常可通过边缘检测算子获取图像的梯度幅值,相应的检测算子包括一阶算子中的Robert算子、Prewitt算子、Sobel算子、Kirsch算子,以及二阶算子中的Canny算子、Laplacian算子等。在这些算子中,由于Prewitt算子计算简便,因此所提算法采用Prewitt滤波器来计算图像的梯度。该计算过程为
式中:符号*表示卷积计算;
而后基于(6)式计算图像的局部二值模式(LBP)。LBP用于表示图像的中心像素与周围相邻像素间灰度差的关系[22]。因此可通过LBP判断图像梯度图中以某个像素点为中心像素与以周围8个像素为相邻像素的联系。因此将基于LBP的图像梯度(GLBP)定义为
式中:
通常情况下,
式中:
在所有8位二进制中共有
图 5. 高光谱超分图像的GLBP特征图。(a) 10波段;(b) 20波段;(c) 30波段;(d) 40波段; (e) 50波段;(f) 60波段;(g) 70波段;(h) 80波段;(i) 90波段;(j) 100波段
Fig. 5. GLBP feature maps of hyperspectral super-resolution images. (a) 10th band; (b) 20th band; (c) 30th band; (d) 40th band; (e) 50th band; (f) 60th band; (g) 70th band; (h) 80th band; (i) 90th band; (j) 100th band
2.5 质量评价模型构建
对前文所提取的空域自然场景统计特征、图像局部频域特征、局部二值模式梯度特征,建立独立的回归森林[23],并在预测图像时输出线性的感知分数。定义
式中:
其中
式中:
式中:
在测试中以步长为100,范围为1000~5000进行测试获取最优的回归森林参数
算法流程如
3 实验结果与分析
3.1 实验数据库
采用一幅美国加州郊区的高光谱图像进行实验,其光谱覆盖范围是408.9~918.8 nm,光谱分辨率为4~5 nm,波段数为100个。采集的图像用Yang等[9]提出的经典方法将每个波段采集到的图像进行超分重建。在重建过程中训练字典大小为512,权值
3.2 评价实验结果
基于构建的高光谱超分图像数据库,比较4种经典的无参考算法(BLIINDS-II、QAC、BRISQUE、NIQE)和所提算法的性能。本研究之所以未采用近年较为流行的神经网络算法,是因为神经网络算法大多基于彩色图像,运行时间过长,不适用于本文研究的图像。实验采用对数函数对所提算法和对比算法的测试结果进行非线性补偿,即
式中:
从
表 1. 算法性能测试结果
Table 1. Algorithm test results of all algorithms
|
图 7. 各模型的散点图。(a) BLIINDS-II;(b) QAC;(c) BRISQUE;(d) NIQE;(e)所提算法
Fig. 7. Scatter plots by different models. (a) BLIINDS-II; (b) QAC; (c) BRISQUE; (d) NIQE; (e) proposed algorithm
此外为了进一步研究算法对于高光谱超分图像的适用性,本文对14组图像库的每一组进行了主客观实验,实验结果如
从
表 2. 14组图像库主客观评价结果
Table 2. Subjective-objective assessment results for 14 groups of image libraries
|
此外,为评估算法开销,在主频3.1 GHz,采用Intel-Core-i5-3350CPU处理器、内存8 GB的实验计算机,以Matlab 2014a为实验环境测试算法的运行时间,结果如
表 3. 算法运行时间
Table 3. Runtime of all algorithmss
|
从
4 结论
在无需场景参考信息情况下,提出了一种“主观未知”的盲评价方法,用于评价高光谱超分图像的质量。基于图像特点的分析,选择提取了图像的空域自然场景统计特征、图像局部频域特征、图像局部二值模式梯度特征,借助于经典回归森林方法,经全局加权获得其质量得分。以经典的超分算法为基础构建质量评价数据库,开展图像的评价实验验证,相比较其他方法,所提方法具有更好的主客观一致性。下一步的重点工作是采集更多的实验场景,构建更为丰富的图像数据库,改进相应的模型。
[1] 黄鸿, 何凯, 郑新磊, 等. 基于深度学习的高光谱图像空-谱联合特征提取[J]. 激光与光电子学进展, 2017, 54(10): 101001.
[2] 许蒙恩, 谢宝陵, 徐国明. 空间光谱联合稀疏表示的高光谱图像超分辨率方法[J]. 激光与光电子学进展, 2018, 55(7): 071014.
[3] 杨超, 杨斌, 黄国玉. 基于多光谱图像超分辨率处理的遥感图像融合[J]. 激光与光电子学进展, 2016, 53(2): 021001.
[4] Harris J L. Diffraction and resolving power[J]. Journal of the Optical Society of America, 1964, 54(7): 931-936.
[5] 李丽, 隋立春, 康军梅, 等. 在线变分贝叶斯估计的遥感影像超分辨率重建[J]. 激光与光电子学进展, 2018, 55(6): 062801.
[6] 肖进胜, 刘恩雨, 朱力, 等. 改进的基于卷积神经网络的图像超分辨率算法[J]. 光学学报, 2017, 37(3): 0318011.
[7] Freeman W T, Jones T R, Pasztor E C. Example-based super-resolution[J]. IEEE Computer Graphics and Applications, 2002, 22(2): 56-65.
[8] ChangH, Yeung DY, Xiong YM. Super-resolution through neighbor embedding[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition, June 27-July 2, 2014, Washington, DC, USA. New York: IEEE, 2004: 275- 282.
[10] DongC, Loy CC, He KM, et al. Learning a deep convolutional network for image super-resolution[C]∥Fleet D, Pajdla T, Schiele B, et al. European Conference on Computer Vision, Cham: Springer, 2014: 184- 199.
[16] YeP, KumarJ, KangL, et al. Unsupervised feature learning framework for no-reference image quality assessment[C]∥IEEE Conference on Computer Vision and Pattern Recognition, June 16-21, 2012, Providence, RI, USA. New York: IEEE, 2012: 1098- 1105.
[17] Xue WF, ZhangL, Mou XQ. Learning without human scores for blind image quality assessment[C]∥IEEE Conference on Computer Vision and Pattern Recognition, June 23-28, 2013, Portland, OR, USA. New York: IEEE, 2013: 995- 1002.
[23] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
Article Outline
薛松, 张思雨, 刘永峰. 高光谱超分图像质量评价[J]. 激光与光电子学进展, 2019, 56(4): 041001. Song Xue, Siyu Zhang, Yongfeng Liu. Quality Assessment of Hyperspectral Super-Resolution Images[J]. Laser & Optoelectronics Progress, 2019, 56(4): 041001.