局部不变特征的图像质量评价
尺度不变特征变换的UHD185高光谱影像拼接
尺度不变特征变换的UHD185高光谱影像拼接许志方;王双亭;王春阳;张合兵【摘要】According to the characteristics of UHD185 which is small image,image mosaicking is one of the urgent problems in the wide range of applications.Firstly,this paper selected the largest peak signal to noise ratio band from the image,secondly used SIFT algorithm to extract and match feature points,and then use random consistency algorithm to eliminate the wrong matching points,next use linear transition method to fuse the image,finally achieve the image mosaic.The experimental results show that:before and after image mosaicking,the minimum spectral angle cosine of spectral curve of three kinds typical ground object is 0.999 7,and the average is 0.999 8;the minimum spectral correlation coefficient is 0.998 6,and the average is 0.999 0;the maximum spectral information divergence is 0.001 1,and the average is 0.000 6;the maximum spectral distance is0.227 6,and the average is 0.181 7.The spectral distortion is small before and after image mosaicking,and the image mosaicking effect is good.%针对UHD185影像图幅小的特点,在大范围应用中影像拼接是急需解决的问题之一.该文首先从影像中选出峰值信噪比最大的波段,然后利用尺度不变特征变换算法提取并匹配特征点,接着使用随机抽样一致性算法剔除错误的匹配点,再采用线性过渡方法融合影像,最终实现影像拼接.试验结果表明,拼接前后3种典型地物光谱曲线的光谱角余弦最小值为0.999 7,均值为0.999 8;光谱相关系数的最小值为0.998 6,均值为0.999 0;光谱信息散度的最大值为0.001 1,均值为0.000 6,光谱距离的最大值为0.227 6,均值为0.181 7,拼接前后光谱畸变小,拼接效果好.【期刊名称】《遥感信息》【年(卷),期】2017(032)001【总页数】5页(P95-99)【关键词】高光谱影像;影像拼接;SIFT算法;随机抽样一致性;线性过渡法【作者】许志方;王双亭;王春阳;张合兵【作者单位】河南理工大学测绘与国土信息工程学院,河南焦作454000;河南理工大学测绘与国土信息工程学院,河南焦作454000;河南理工大学测绘与国土信息工程学院,河南焦作454000;河南理工大学矿山空间信息技术国家地理信息局重点实验室,河南焦作454000;河南理工大学测绘与国土信息工程学院,河南焦作454000【正文语种】中文【中图分类】TP751高光谱遥感技术是20世纪80年代以来地球观测技术最重要的成就之一，是目前遥感科学与技术领域的研究热点，它使用多而窄的电磁波波段来获取地物的遥感影像，对地物进行更为准确的探测，从而更有效地对地表物质进行识别和分类，提取地表有用的特征信息。
计算机视觉的图像质量评价方法(六)
计算机视觉的图像质量评价方法随着计算机视觉技术的飞速发展，图像处理已经成为了计算机视觉的一个重要的分支。
而图像质量评价方法则成为了图像处理的重要环节。
在图像处理领域，我们需要对图像质量进行评价，以便选择合适的图像处理方法，进行图像增强、压缩、传输等工作。
那么，计算机视觉的图像质量评价方法有哪些呢？首先，我们需要了解图像质量评价的基本概念。
图像质量评价是指通过对图像进行分析和评价，得出图像的质量好坏的一个过程。
而图像的质量则包括了图像的清晰度、色彩饱和度、对比度等。
在计算机视觉中，图像质量评价是非常重要的，它直接影响到我们对图像的处理和应用。
其次，图像质量评价方法可以分为主观评价和客观评价两种。
主观评价是指通过人的主观感受来评价图像的质量，这种方法的特点是准确性较高，但是成本和时间较大。
而客观评价则是通过计算机算法来评价图像的质量，通常是通过图像的特征提取、图像质量度量等方法来实现。
客观评价的特点是成本低、速度快，但是准确性相对较低。
接下来，我们来介绍一些常见的图像质量评价方法。
首先是基于结构相似性的图像质量评价方法（SSIM）。
SSIM是一种客观评价图像质量的方法，通过对图像的结构信息进行分析，来计算图像的相似性。
它是一种比较成熟的图像质量评价方法，广泛应用于图像处理的领域。
另外，还有基于块的图像质量评价方法（FSIM）。
FSIM是一种通过对图像的局部特征进行分析，来评价图像质量的方法。
它可以较准确地评价图像的纹理、对比度等特征，适用于一些特定的图像处理场景。
除此之外，还有一些其他的图像质量评价方法，比如基于感知的图像质量评价方法（PQI）、基于深度学习的图像质量评价方法等。
这些方法不仅可以评价图像的质量，还可以指导图像的处理和改进。
最后，需要指出的是，图像质量评价方法并不是一成不变的。
随着技术的不断发展，图像处理领域也在不断更新和改进。
因此，我们需要不断地学习和了解新的图像质量评价方法，以适应不同的图像处理场景。
基于非线性SIFT框架SAR图像匹配
基于非线性SIFT框架SAR图像匹配于秋则;周珊;雷震;吴鹏【摘要】针对基于尺度不变特征变换(SIFT)的图像匹配算法性能受到SAR图像中严重斑点噪声而性能降低的问题,提出了一种改进的非线性尺度构建的SIFT算法,主要改进在于:在尺度空间构建阶段,该算法通过将滚动引导滤波器嵌入到尺度空间构造的过程中来生成多尺度图像金字塔,在去除斑噪的同时并保持边缘的方面表现出了较其他尺度空间构建算法更好的效果;在特征检测阶段,提出了一种使用ROEWA 算子和Harris-Laplace检测算子相结合的特征点检测算法,有效地抑制SAR图像中的虚假特征点,并准确地提取具有高位置精度和低误差率的不变特征点.3种不同类型的仿真和真实SAR图像对该算法进行了检验,并与其他2种基于SIFT的方法相比较,实验结果表明,该算法在匹配精度和内联点比率方面可以实现更好的性能.【期刊名称】《雷达科学与技术》【年(卷),期】2019(017)003【总页数】9页(P237-245)【关键词】合成孔径雷达图像匹配;尺度不变特征变换;滚动引导滤波;特征点检测;指数加权均值比率算子【作者】于秋则;周珊;雷震;吴鹏【作者单位】武汉大学电子信息学院,湖北武汉 430072;武汉大学电子信息学院,湖北武汉 430072;武汉大学电子信息学院,湖北武汉 430072;武汉大学电子信息学院,湖北武汉 430072【正文语种】中文【中图分类】TN9580 引言合成孔径雷达(Synthetic Aperture Radar, SAR)是现代遥感技术中微波遥感的重要发展。
SAR用作主动成像传感器，可提供足够高分辨率的图像，并且能够在不受天气影响的情况下日夜工作。
由于这个优点，它被用于许多不同的应用，例如图像分类、三维重建、快速映射、变化检测和图像融合等。
自动SAR图像匹配[1]是有效利用SAR数据的重要步骤。
与光学图像匹配类似，SAR图像匹配是从不同视点、在不同时间、利用相同/不同的传感器拍摄的同一场景的两个或更多个图像之间找到对应/同源部分(例如区域、特征、点、像素等)的过程。
图像特征及图像特征提取
图像特征及图像特征提取图像特征是图像中的显著和重要的信息，用于描述和区分不同的图像。
图像特征提取是从图像中提取这些特征的过程。
图像特征可以分为两类：全局特征和局部特征。
全局特征是整个图像的统计性质，例如颜色直方图、颜色矩和纹理特征等。
局部特征则是在图像的局部区域中提取的特征，例如SIFT（尺度不变特征变换）、HOG（方向梯度直方图）和SURF（加速稳健特征）等。
图像特征提取的过程可以分为以下几步：1.预处理：对图像进行去噪、图像增强、颜色空间转换等处理，以提高图像的质量和可分辨性。
2.特征选择：根据具体应用需求和图像特征的表达能力，选择适合的特征。
例如，对于目标识别任务，可以选择具有良好局部不变性和可区分性的局部特征。
3.特征提取：根据选择的特征，从图像中提取特征。
对于全局特征，可以使用颜色直方图、颜色矩、纹理特征等方法；对于局部特征，可以使用SIFT、HOG、SURF等方法。
4.特征表示：将提取的特征表示为向量或矩阵形式，以便后续的分类、检索或识别任务。
5.特征匹配：对于图像检索、图像匹配等任务，需要将查询图像的特征与数据库中的图像特征进行比较和匹配，找到最相似的图像。
图像特征提取的方法和算法有很多，以下是一些常用的方法：1.颜色特征：颜色是图像的重要特征之一、颜色直方图描述了图像中每个颜色的分布情况，颜色矩描述了图像中颜色的平均值和方差等统计性质。
2.纹理特征：纹理是图像中的重要结构信息。
常用的纹理特征提取方法有灰度共生矩阵、方向梯度直方图、小波变换等。
3.形状特征：形状是物体的基本属性之一、形状特征提取方法有边缘检测、形状描述子等。
4.尺度不变特征变换（SIFT）：SIFT是一种局部特征提取方法，具有尺度不变性和旋转不变性，适用于图像匹配和目标识别任务。
5.方向梯度直方图（HOG）：HOG是一种局部特征提取方法，通过计算图像中每个像素的梯度方向和强度，获得图像的局部特征。
6.加速稳健特征（SURF）：SURF是一种局部特征提取方法，具有尺度不变性和旋转不变性，适用于图像匹配和目标识别任务。
图像识别中的特征提取算法的使用方法
图像识别中的特征提取算法的使用方法在图像识别中，特征提取是一个关键步骤，它通过从图像中提取有用的信息来帮助分类、定位或识别图像中的对象。
特征提取算法的选择和使用对于图像识别的准确性和效率具有重要影响。
本文将介绍几种常用的特征提取算法，并探讨其使用方法。
1. 尺度不变特征变换（SIFT）尺度不变特征变换（Scale-Invariant Feature Transform，简称SIFT）是一种基于局部特征的特征提取算法。
它通过检测图像中的关键点，并计算这些关键点周围的描述子来提取特征。
SIFT算法具有尺度不变性和旋转不变性的特点，对于图像缩放、旋转和平移变换具有较好的适应性。
使用SIFT算法进行特征提取的方法如下：a. 使用SIFT算法检测图像中的关键点。
b. 对于每个关键点，计算其周围区域的描述子。
c. 基于描述子进行特征匹配和对象识别。
2. 快速RCNN算法快速区域卷积神经网络（Fast Region-based Convolutional Neural Network，简称Fast R-CNN）是一种基于深度学习的特征提取算法。
它通过将整个图像输入神经网络，并利用区域建议网络（Region Proposal Network）生成候选区域，然后对这些候选区域进行分类和定位。
使用快速RCNN算法进行特征提取的方法如下：a. 使用区域建议网络生成候选区域。
b. 将候选区域输入卷积神经网络进行特征提取。
c. 基于提取的特征进行分类和定位。
3. 卷积神经网络（CNN）卷积神经网络（Convolutional Neural Network，简称CNN）是一种广泛应用于图像识别的特征提取算法。
它通过一系列的卷积和池化层来提取图像的特征，并将这些特征输入全连接层进行分类。
使用卷积神经网络进行特征提取的方法如下：a. 设计并训练深度卷积神经网络。
b. 将图像输入神经网络，通过卷积和池化层提取特征。
c. 基于提取的特征进行分类和识别。
图像分类技术中的数据预处理与特征选择方法
图像分类技术中的数据预处理与特征选择方法图像分类是计算机视觉领域中的一个重要任务，其目标是将输入的图像分为不同的预定义类别。
在图像分类的整个过程中，数据预处理和特征选择是至关重要的环节。
本文将重点讨论图像分类技术中的数据预处理和特征选择方法。
1. 数据预处理方法1.1 归一化归一化是数据预处理的一种常见方法，它将原始图像数据进行线性变换，使得图像的像素值范围在一定的区间内。
归一化能够提高算法的鲁棒性，使得分类器更容易学习到合适的规则。
常见的归一化方法包括最大最小值归一化、均值归一化等。
1.2 去噪在图像分类任务中，由于输入图像可能受到噪声的干扰，因此去噪是一种常见的数据预处理方法。
去噪的目标是减少图像中的噪声信息，提高图像的质量。
常见的去噪方法包括均值滤波、中值滤波、高斯滤波等。
1.3 图像增强图像增强是一种通过改善图像外观来提高其可视化效果的方法。
在图像分类任务中，图像增强可以提高图像的对比度和清晰度，从而改善分类器的性能。
常见的图像增强方法包括直方图均衡化、对比度增强、锐化等。
2. 特征选择方法2.1 主成分分析（PCA）主成分分析是一种常用的特征选择方法，它通过线性变换将原始的高维特征投影到低维空间，从而提取出最具有代表性的特征。
通过PCA可以降低特征的维度，减少冗余信息，提高分类器的性能，同时保留原始特征向量的大部分信息。
2.2 尺度不变特征变换（SIFT）尺度不变特征变换是一种基于局部不变性原理的特征选择方法。
它通过在图像中检测与尺度、旋转和光照无关的关键点，提取出具有鲁棒性和独特性的特征描述子。
SIFT可以在不同尺度和旋转角度上提取特征，适用于不同形状和姿态的图像分类任务。
2.3 深度学习特征提取深度学习在图像分类任务中取得了重大突破，其中深度神经网络（如卷积神经网络）被广泛应用于特征提取。
深度学习可以通过多层次的非线性变换，从原始图像中提取出高级、抽象的特征表示。
这些特征表示具有很强的判别性和鲁棒性，适用于复杂图像分类任务。
图像质量评价标准
图像质量评价标准|一、评价参数（一）对比度1、客观对比度：物体本身的差异，由被检体的密度和厚度决定。
2、x线对比度：穿过人体后，x线强度上的差异。
3、图像对比度：x线照片上所表现出的密度差。
客观对比度是成像的基础，图像对比度是图像的最基本特征。
下图很好的说明了以上三个对比度：1、客观对比度：骨骼、软组织、气体存在密度上的差别。
2、X线对比度：透过不同组织形成的X线强度上的差别。
3、图像对比度：图像上形成的黑白差别。
对比度分辨率是指将客观对比度转换成图像对比度的能力。
分辨率高的成像装置可将低对比的组织区分开；分辨率低的成像装置只能将高对比的组织区分开。
例如：CT与平片。
左图是普通平片，属于分辨率低的装置（X线机）摄取的片子；右图是胸部CT横断片，属于高分辨率的装置（CT机）摄取的片子。
对低对比的组织的区分能力，CT高于平片（即分辨率高的成像装置可将低对比的组织区分开），而平片只能区分差别较大组织（即分辨率低的成像装置只能将高对比的组织区分开）。
（二）模糊1、指物体的边界不清楚。
2、原因：每个物点的像向周围有不同程度的扩展。
3、影响：降低了图像的清晰度。
空间分辨率：区分相互靠近的两个物体细节的能力。
用LP/mm表示。
是评价影像设备性能优劣的重要指标。
以下是电影《神话》的一幅海报，表现的是图像的模糊。
下图是一幅分辨率较高的图片，图像较清晰。
（三）噪声1、定义：图像中可随机观察到的光密度变化。
2、表现为：斑点、雪花、网纹等。
3、原因：x线光子的随机分布。
4、描述：信噪比（SNR）。
SNR越大，图像质量越好。
（四）伪影1、定义：指图像中出现的被检体不存在的虚假信息。
2、影响：干扰正常结构，造成误诊。
（五）畸变定义：指物体的形态、大小和位置不同程度的改变。
（1）因观察角度不同，圆柱体的上面成为了椭圆。
（2）射线方向不同，产生了两种不同效果。
左图垂直照射，两个物体的形态基本不变；右图斜射，使两个原本分离的物体，看起来象是一体的。
图像质量评价算法研究
３～４·５ｃｙｃｌｅｓ／ｄｅｇｒ∞处取得极大值，之后快速减小。
图２调制转移函数曲线图３两维ｃｓＦ曲面当利用不同方向的正弦栅进行测试时，结果显示人眼对各方向信号的对比度敏感性不尽相同。
当正弦栅与水平轴夹角为０。
和９０。
时，其值达最大，而随着正弦栅逐渐偏离水平轴向时，其值逐渐减小；当正弦栅与水平轴向夹角为４５。
时，对比度敏感性达最小值，较其最大值下降约３ｄＢ。
两维ｃＳＦ曲面如图３。
然而在图像质量评价领域里，我们通常把人眼在各个方向上的空间频牢灵敏度视为相同的，这不但有助于问题的简化，同时也能保证对人眼视觉系统在一定程度上的近似。
山东大学硕士学位论文图５对比度掩盖门限（实线对应正弦栅背景，虚线对应噪声背景）根据ｃｓＦ曲线，并在实验中不断调整视觉激励的幅值，我们得到图５两条基本的视觉对比度掩盖曲线，他们代表了人眼视觉对比度掩盖的两种情况。
一种情况对应于噪声信号掩盖，其相位不具有相关性，图中以虚线表示；另一种情况对应于正弦信号掩盖，其相位完全相关，图中以实线表示。
在低掩盖对比度（ｍａｓｋｃｏｎｔｒ硒ｔ）时，两者的门限相同。
随着掩盖对比度提高，对应噪声掩盖的门限首先是保持不变，然后就会提升，直到提丁ｌ‘到某个固定的斜率。
随着掩盖对比度提高，正弦信号掩盖的门限变化要复杂一些。
我们看到图中有一个门限下降的区域，在这个区域中，非｛ｕ没有掩盖发牛，反而是背景的存在有助于观测信号的感知。
通常情况下，一幅图像中的掩盖效应是上面提到的两种情况的多种组合。
在图像压缩领域，我们尽力使解码图像的失真可以被作为背景的原始图像所掩盖。
时域掩盖。
人眼对快速运动物体的细节往往难以觉察，这也可以称为时间掩盖现象。
Ｋｅｌｌｙ通过对正弦栅进行测试指出：当其运动速度增加时，ｃｓＦ曲线峰值芹移，且其通带变窄。
山东大学硕士学位论文图６对比度敏感性（ｃｓＦ）在时，空域中的频率响应特性对于随时间变化的激励信号的感知，时域掩盖效应发挥着重要作用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ISSN 1001-9081 CODEN JYIIDU
2012-12-01 http: / / www． joca． cn doi： 10． 3724 / SP． J． 1087． 2012． 03369
0
引言
图像质量评价是图像视频处理领域的一项基本技术 ， 在
在第一阶段获得局部质量分布图后 ， 第二阶段主要研究如何 1］ 比较了一些常用的 对局部图像质量进行加权综合 。文献［ 加权算法， 如 Minkowski 测度加权和局部失真加权等方法 ， 并 认为最好的方法是基于图像内容信息的加权方法 。一个普遍 的假设认为， 图像中的每个区域在视觉感知中的重要性并不 完全相同
Image quality assessment based on local invariant features
YANG Yazhou ， YING Xiaoqing， CHENG Guangquan， TU Dan
( College of Information System and Management， National University of Defense Technology， Changsha Hunan 410073 ， China)
［5 ］
图像处理算法的分析比较 、 图像视频系统的参数优化等方面 发挥着重要作用。图像质量评价大体上可以分为主观评价和 客观评价两种。主观评价方法是凭感知者主观感受来评价图 但是该方法耗时多、 费用高， 难以应用于实时的评 像的质量， 价系统。因此， 研究客观、 准确、 高效并与人类视觉特性相一 致的客观质量评价方法具有重要意义 。 传统的客观评价方法， 根据对原始图像参考程度的不同 可以分成三类： 完全参考型、 部分参考型和无参考型 。完全参 考型图像质量评价方法通常采用两阶段评价模型
基于局部不变特征的图像质量ห้องสมุดไป่ตู้价
杨亚洲 ，尹晓晴，程光权，涂
( * 通信作者电子邮箱 yazhouy@ gmail． com)
*
丹
( 国防科学技术大学 信息系统与管理学院，长沙 410073)
摘
要：针对结构相似度算法在感知图像质量时采取平均加权策略的不足 ， 利用人眼对图像中不同区域的关注
程度不同的特性， 提出了基于局部不变特征的图像质量评价算法 。 该算法在失真图像结构相似度质量分布图的基础 上， 提取图像的局部不变特征点 ， 将这些特征点周围一定区域赋予较大的视觉权重 ， 最后运用综合加权策略来衡量失 真图像的质量。在标准图像测试库上的实验结果表明 ， 该算法计算复杂度相对较低 ， 较大地提高了结构相似度算法 的评价效果， 与人眼主观感知图像质量取得了更好的一致性 。 关键词：图像质量评价； 结构相似度； 尺度不变特征变换； 视觉重要性； 人眼视觉系统 中图分类号： TP391． 41 文献标志码：A
*
Abstract: In order to overcome the deficiency of the weighted average strategy which is adopted in the structure similarity algorithm for the perception of image quality， considering that certain regions in an image may not bear the same importance as others， an image quality assessment metric based on local invariant features was put forward． The algorithm used structural similarity to calculate the quality map of distorted image， and then extracted the local invariant features points in the distorted image． The region around features points was given more visual importance， and the quality of the image distortion could be evaluated by using integrated weighting strategy． The experimental results on the standard image library show that the computational complexity of this algorithm is relatively lower and the evaluation performance of structure similarity algorithm can be considerably increased， which achieves better consistency with the subjective assessment of human eyes． Key words: image quality assessment; Structural Similarity ( SSIM) ; Scale Invariant Features Transform ( SIFT) ; visual importance; Human Visual System ( HVS)
［1 ］
。在这个假设下， 许多学者发现将视觉重要性运
用到区域质量加权阶段 ， 将有助于提高图像质量评价与人类 （ Human Visual System， HVS） 的一致性。 视觉系统 研究表明， 人眼观察图像时注视的区域或感兴趣区域相 比其他区域具有更多的重要性 ， 可以用来改进现有图像质量 评价算法的性能