由于目标识别和检测效果取决于目标提取的准确性，本文结合主动成像与目标识别技术搭建了激光主动成像系统实验平台，研究了激光干扰对获取图像质量以及特征点提取效果的影响。提出了一种无参考的特征点复杂度图像评估算法。该算法在目标区域位置计算图像的特征点、纹理、梯度和对比度复杂度，然后综合4个因子得到归一化的评估结果。利用激光主动成像系统对设定目标进行了照明成像实验，同时采集了不同干扰功率和光斑位置的干扰图像。使用本文提出的特征点复杂度算法对标准数据库及实验获得的激光干扰图像进行了评估。实验结果表明: 提出的评估算法能够客观地反映图像质量的变化情况，可对不同程度的激光干扰图像给出合理的评估结果，其评价结果更符合主观视觉感受，并且能够指导激光主动成像识别系统的防护与应用。

提出一种基于小波变换的多尺度结构相似度的图像质量评价(WWMS-SSIM)算法.首先对原始图像和失真图像分别进行小波变换,在对应的低频子带图像中比较亮度和相关度差异,在对应高频子带图像中比较对比度、相关度和结构差异,然后赋予不同子带图像不同的视觉加权值,最后得到归一化的图像质量评价值.通过对不同失真类型图像以及Live数据库图像的评价,证明了提出的算法(WWMS-SSIM)相对均方误差、峰值信噪比、结构相似度以及改进的结构相似度评价算法更符合人类的主观视觉感受.

激光主动成像系统通常用于重要区域监视和危险目标识别，当该系统受到敌方激光干扰时，其成像质量将会下降。由于目标、成像系统和干扰源的相对位置，以及干扰源的干扰功率处于时刻变化中，导致不同时刻的干扰效果不尽相同，如何衡量一段时间内激光对成像系统的干扰效果成为一个难题。提出了一种基于连续多帧图像动态特征变化的无参考激光干扰评估算法，在图像目标区域内分析单帧干扰图像中特征点的匹配准确率和空间变化率以及多帧图像特征点变化的准确性、空间性、结构性差异、频率和显著性特征，最终得到归一化的评估指标。利用激光主动成像识别系统对设定目标进行照明成像识别实验，采集不同干扰功率和干扰方位的激光干扰图像。基于提出的特征点动态性算法对获得的连续多帧激光干扰图像进行评估，结果表明该算法能够准确评价一段持续干扰过程中不同功率、方位的激光干扰效果，客观反映光斑遮盖下自动目标识别算法的失效程度。

在分析激光干扰图像整体特征、目标局部特征和干扰光斑分布特性的基础上, 提出了一种加权特征相似度(WFSIM)评估算法来评估激光干扰效果。该方法首先利用亮度、对比度和边缘清晰度等图像整体特性与局部特征点保持度这一目标识别特征来得到图像特征评估模型。然后, 根据光斑的大小、强度和位置等特性计算饱和像素率、信噪比和光斑视觉区域重要性等加权因子, 利用这些因子对评估模型进行加权, 最后得到归一化的评估指标。利用激光主动成像识别系统对设定目标进行了照明成像识别实验, 同时使用不同干扰功率的激光对识别系统进行干扰, 并采集不同背景强度和光斑位置的干扰图像。基于本文提出的WFSIM算法对获得的激光干扰图像进行了评估。结果表明, 与传统的均方误差(MSE)、峰值信噪比(PSNR)及结构相似度(SSIM)等评估方法相比, 提出的WFSIM算法对不同背景强度、光斑位置和杂波干扰下的图像都给出了合理的评估结果, 其评价结果更符合人类的主观视觉感受。

提出一种基于梯度特征的图像质量评价算法(GSIM)。该算法通过比较原始图像和降质图像的亮度、对比度和清晰度信息, 得到归一化的图像质量评价指标。对Live数据库不同类型降质图像和实验采集的激光干扰图像的评价结果表明:与PSNR相比, GSIM算法的相关性方面提高了8.5%, 准确率提高了7.6%, 一致性提高了4.8%; 与SSIM算法相比, GSIM算法的相关性方面提高了1.5%, 准确率提高了3.8%, 一致性提高了2.6%。证明了提出的GSIM算法相对MSE、PSNR及SSIM算法能准确评价交叉失真图像质量, 评价结果更符合人的主观视觉感受。在评价基于掩盖效应的激光干扰图像时, GSIM算法能克服背景强度不一致带来的影响, 评价结果能准确反映激光干扰效果。

对于广泛应用于图像识别和跟踪的激光主动成像系统，激光干扰是影响该类系统性能的一个重要因素。激光干扰使系统中的光电成像元件达到饱和或损伤，在探测视场中出现光斑，从而使跟踪算法无法准确分辨目标和光斑。因此，分析并评估激光对主动成像系统的干扰效果是避免干扰的前提,同样也是重要的环节。提出一种基于图像特征的边缘相似度(ESIM)评价算法，该算法通过模板匹配确定图像的目标区域，并比较原始图像和干扰图像目标区域的亮度、对比度和边缘清晰度差异，得到归一化的评价指标，作为对激光干扰效果的评估标准。实验中分别采集了不同干扰功率和不同光斑位置的激光干扰图像，并利用相关跟踪和形心跟踪方法对目标进行跟踪，运用本文提出的ESIM算法从图像特征角度对干扰跟踪效果进行评估，结果证明ESIM能够合理评估干扰图像的失真程度，并可以较好地反映激光对主动成像系统跟踪性能的影响。

激光主动成像系统通常用于重要区域监视和危险目标识别，其上的光电成像探测器易受敌方激光干扰产生局部饱和甚至损伤，导致目标识别失效。在实际中，激光干扰功率和光斑位置等因素均时刻发生变化，导致激光对每帧图像的干扰效果也不尽相同，因此，动态的衡量激光干扰效果具有重要意义。提出了一种基于光斑特征和图像特征的无参考动态激光干扰图像评估算法，通过加速分隔测试特征(FAST)算法提取特征点，并运用特征点匹配确定图像的目标区域，在该目标区域利用饱和像素数和光斑相对位置变化表示光斑特征对图像质量的影响，利用图像中特征点和边缘点分布特性以及边缘清晰度表示图像特征的变化，将5个评价因子相乘，得到归一化的评估指标。利用激光主动成像识别系统对设定目标进行照明成像识别实验，采集不同干扰功率和干扰方位的激光干扰图像。基于提出的无参考动态特征评估算法对获得的连续多帧激光干扰图像进行评估，结果表明该算法能够准确评价不同功率、方位激光的干扰效果，客观反映光斑遮盖下自动目标识别算法的失效程度。

激光主动成像系统通常用于区域监视和目标识别，但其上的光电成像探测器容易受到激光干扰，进而导致目标识别误差甚至目标丢失。因此，从目标识别特征的失效程度出发，研究激光干扰效果评估具有重要意义。提出了一种特征点相似度（FPSIM）评估算法，利用加速分割测试特征(FAST)算法提取原始图像和干扰图像的特征点，然后通过特征点匹配得到目标区域，在目标区域位置计算它们的特征点保持度和稳定度，提取原始图像特征点的位置，并在两幅图像中对应相同位置处比较它们的局部亮度和对比度失真度，再将特征点保持度、稳定度和亮度、对比度失真度相乘得到归一化的FPSIM。利用激光主动成像系统对设定目标进行照明成像实验，采集了不同干扰功率、不同背景强度和光斑位置的干扰图像。使用提出的FPSIM算法对获得的激光干扰图像进行评估，结果证明FPSIM能够客观反映图像在目标识别过程中特征点的变化情况，通过与归一化均方误差(NMSE)及结构相似度(SSIM)方法对比，FPSIM算法对不同程度的激光干扰图像都给出了合理的评估结果，其评价结果更符合主观视觉感受，并且能够指导激光主动成像识别系统的防护与应用。

光电成像系统是一种被广泛应用的观测工具, 可以用来实现图像的探测、识别和跟踪等多种功能。激光干扰会造成光电系统成像元件的饱和或损伤, 影响成像效果。为了解激光干扰对光电成像系统的影响程度, 研究干扰图像质量评价具有重要意义。提出一种基于小波加权的结构相似度图像质量评价(WWSSIM)算法, 该算法首先将原始图像和降质图像分别进行四级二维小波变换, 划分成为具有不同尺度和不同频率特征的子带图像, 在13个频带比较结构相似度, 然后根据人类视觉系统特性, 赋予13个频带的结构相似度以相应视觉权重值, 最后通过求和平均得到归一化的图像质量评价指标。为了方便对比, 分别运用均方误差(MSE)、峰值信噪比(PSNR)和结构相似度评价算法(SSIM)对Live数据库图像和激光干扰图像进行评价。结果表明, 与PSNR算法相比, 提出的WWSSIM算法在准确率上提高了5.2%, 在一致性上提高了4.1%, 与SSIM算法相比, 提出的WWSSIM算法在准确率上提高了2.9%, 在一致性上提高了2.6%。以上结果说明提出的WWSSIM算法相对于MSE、PSNR和SSIM算法评价结果更加准确, 同时它对激光干扰图像的失真程度能给出更符合人类主观视觉感受的判断。