基于支持向量机的无参考遥感图像质量评价方法.pdf

第 35 卷 第 6 期航天返回与遥感 2014 年 12 月 SPACECRAFT RECOVERY distortion classification; support vector machine; human visual perception; remote sensing image 0 引言 随着遥感技术的不断发展，遥感图像处理技术也得到很大的提高，遥感图像质量（quality，全文同） 84 航 天 返 回 与 遥 感 2014 年第 35 卷 评价作为图像处理的基础，起着越来越重要的作用。由于遥感图像成像过程的复杂性，图像在形成、传 输、接收过程中不可避免地会遭到外部干扰和内部干扰，图像会存在一定程度的噪声；此外，传感器成 像过程中造成的运动模糊在实际中也经常遇到。这些噪声和模糊使图像退化，特征淹没，给图像的理解 和使用带来困难，因此选用合适的图像质量评价方法来选择质量较好的遥感图像很有必要。 图像质量评价方法主要有两种1，第一种是主观评价方法，由观测者进行目视判读，能反映人的真 实主观感受，但由于人眼的分辨能力有限，导致这种评价方法主观性太强，观测者不同，评价可能有不 同的结果，并且效率低。第二种是客观评价方法，主要用数学统计的方法对图像进行分析，遥感图像中 使用较多的是统计均值、方差、对比度、峰值信噪比（PSNR）以及同质性、熵等纹理信息，此外还有传 统的基于 MTF 调制传递函数的图像质量评价方法，客观评价方法能够避免前者主观性太强的问题，且 易于实现大量图像的批处理，但这种基于对随机误差进行统计平均的客观图像质量评价方法没有考虑到 人类主观评价结果的不一致2，因为它们只能从总体上反映图像质量，不能很好地反映人的视觉特性。 客观图像评价方法包括全参考评价、部分参考评价和无参考评价三类3。全参考和部分参考评价需 要已知全部或部分参考图像的特征和图像的失真信息。遥感图像质量评价多数是在有参考信息的基础上 进行，需要考虑传感器类型和成像环境等条件来设计图像质量评价的算法，通过特定的算法对比待评价 图像和参考图像之间的差异来获得图像质量的评价结果， 这使得图像质量评价变得复杂。 针对上述问题， 本文提出了一种基于支持向量机的无参考遥感图像质量评价方法，该方法首先将遥感图像的失真进行分 类，然后进行质量评价，计算每一种失真类型的评价分数，最后通过加权求和得到遥感图像最终的评价 值。这是一种客观评价方法，可以在没有参考图像信息的情况下，评价遥感图像的图像质量。 1 遥感图像主观评价库的建立 图像评价数据库建立，使得研究人员可以使用固定统一的评价对象与标准，来对图像的质量进行评 价，从而为图像质量评价方法在学术领域的通用性、准确性奠定了基础。 在本文中，使用一景空间分辨率为 0.6m 的 Reference 级别 Quickbird 影像，裁剪出 28 个特征场景图 像，大小为 500 像素500 像素，格式为 tif，利用 Matlab 仿真软件生成 3 类失真图像，对 28 个参考图像 分别加入 5 个不同大小的高斯噪声、椒盐噪声和模糊，分别生成 285=140 幅图像。高斯噪声均值为 0， 方差在 01 之间，并按从小到大的顺序随机添加；椒盐噪声的的叠加密度的范围在 00.5 之间；用于添 加模糊的高斯滤波算子大小为 88，标准差在 015 之间。为了更好地观察添加不同噪声后的图像之间的 差异，将图像灰度范围拉伸到 0255。失真图像如图 1 所示。 根据主观质量评价标准，组织 20 位具有遥感专业背景的专家采用 DMOS(difference mean option score)4评分法对图像进行评价，待评价图像包括 28 幅原始图像、对应的 140 幅高斯噪声图像、140 幅椒 盐噪声图像和 140 幅模糊图像。图像质量最好为 5 分，最差为 1 分。通过主观评价获得的原始分数，需 做进一步的数据分析与处理，如剔除掉异常分，得到 MOS(mean option score)平均分，同时也得到原始参 考图像的主观 MOS 分值。主观质量评价值 DMOS 计算公式为： min( ) DMOS max( )min( ) dd dd （1） od MOSMOSd 式中 d 为待评图像与参考图像之间的差值；MOSo为参考图像主观分均值；MOSd为待评图像主观分均 值。将 d 归一化到 0100 即可得到 DMOS 值，DMOS 值越小，表示该待评价图像与对应原始图像之间存 在的差异越少，图像失真程度越小，质量越好；DMOS 值越大表示图像质量越差。 第 6 期 朱晓玲 等: 基于支持向量机的无参考遥感图像质量评价方法 85 方差=0.02 方差=0.03 方差=0.09 方差=0.13 方差=0.50 （a）高斯噪声图像 （a）Images with Gaussian noise 噪声密度=0.007 噪声密度=0.009 噪声密度=0.029 噪声密度=0.047 噪声密度=0.251 （b）椒盐噪声图像 （b）Images with salt , )exp, b x x fxax R （2） 式中 x 表示小波变换以后图像的像素值；，2和 分别表示高斯分布的均值、方差和形状参数； / 2(1/ )a，(1/ )(3/ ) /(1/ )b，其中( ) 为伽玛函数。由于小波基是带通滤波器，均值 为0，因此对每个子带只需要采用参数2和来表示。 22 ,mean / i j vvm （ ） （3） 式中 2 表示方差； ,i j v表示第i行第j列的像素值； mean v表示像素均值；m表示像素总数。 形状参数采用文献8中所提出的方法来估算，最终生成一个18维的矢量（3种尺度3个方向2 个参数）来表示遥感图像的特征矢量。 2.3 支持向量机失真分类 支持向量机SVM是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式 识别中表现出许多特有的优势9，并能够推广应用到函数拟合等其它机器学习问题中，可避免过度拟合， 是一种常用的分类器。 SVM的基本原理是寻找一个满足分类要求的超平面，并且使训练集中的点距离分类面尽可能的远。 若所有的训练样本都能被某个超平面正确划分，且距离该平面最近的异类向量之间距离最大，则该平面 为最优超平面，用0XWb来表示，其中 W 为分类面的法向量，b 为分类面的偏移量。过两类样本 中离分类面最近的点且平行于最优分类面的超平面上的训练样本就叫做支持向量10。 对于非线性的情况，可以通过核函数将训练样本映射到高维空间，使得在原来样本空间中非线性不 可分的问题转化为在高维特征空间中线性可分的问题，在高维空间中寻找最优超平面。 本文利用台湾大学林智仁副教授等开发的开源软件包LIBSVM进行SVM的分类。使用径向基核函 数RBF将样本空间映射到高维空间， 对训练样本使用5折交叉验证的方法确定其中正则化参数C和RBF 核参数 RBF 11。由于本文并不是解决要进行预测的数据是否只属于某一类的问题，而是 3种失真类型的 分类，因此利用多类SVM算法将给定遥感图像分为上述3种失真类型。每种失真类型在待评图像中所 占的比例由SVM概率估计提供，值越大表示这种类型的失真在遥感图像中越明显。 2.4 支持向量回归 SVR 计算评价分 支持向量回归SVR是支持向量在函数回归领域的应用，与SVM分类的不同之处在于，回归所求超 第 6 期 朱晓玲 等: 基于支持向量机的无参考遥感图像质量评价方法 87 平面是使所有样本点到超平面的距离为最小13，此处的回归可理解为拟合，用一个函数拟合x与y的关 系，x和y分别为图像的18维矢量和该图像对应的质量评价分。在本文中利用开源软件包LIBSVM中提 供的n-SVR来实现支持向量回归，对每种失真类型，利用训练样本的18维特征矢量对分类器进行训练， 从而将遥感图像从特征空间映射成一个客观的质量评价分数。这种方法具有通用性，对于任一种给定的 失真类型，都能产生对应的质量评价分，通过加权求和进而能对任一遥感失真图像计算最终评价值，从 而客观地描述图像的质量。 3 试验与分析 3.1 试验结果 为了给本文提出的方法提供训练样本及预测样本，首先自主建立了一个遥感图像主观评价库，包括 28张原始图像和420张含3种失真类型的图像，以及它们对应的主观质量DMOS。在数据库中选择20 张不同的图像和对应300张失真图像，按上述SVM方法进行训练得到图像失真分类模型。 训练完成后，选择主观评价库中另8张遥感图像以及它们对应的失真图像作为待评图像，用本文所 提出的基于支持向量机的无参考遥感图像质量评价方法进行评价，得出客观评价分，将结果与主观评价 结果DMOS值进行对比，同时与常用的两种客观评价方法信噪比PSNR和信息熵评价结果对比。 信噪比PSNR表示图像中信息和噪声的比例，是一种评价图像的客观标准，值越大表示图像质量越 好，其计算公式为 1 2 10 (2) PSNR=101og () RMS n （4） 式中 PSNR表示图像的信噪比；n为图像位数，本文中n为8；RMS是原图像与失真图像之间的均方 根误差。 信息熵也是评价图像质量的一种客观方法，它反映的是图像信息丰富的程度，值越大表示图像质量 越好，在图像编码处理中有重要意义。假设一幅图像的灰度范围为0，L1，各灰度级像素出现的概率 为 0121 , L P P PP ，那么该幅图像的信息熵为 1 2 0 log L ii i HPP （5） 式中 H表示信息熵； i P表示灰度级i出现的概率；L表示灰度级上限。 这里选择一张参考图像所对应的高斯噪声图像、椒盐噪声图像、模糊图像，分别用上述四种方法计 算图像的失真评价结果，如表13所示。 表 1 椒盐噪声图像评价结果 Tab. 1 The result of image with saltpepper noise assessment 方法 椒盐噪声叠加密度 0.005 0.009 0.030 0.041 0.500 DMOS 21.023 28.330 43.556 46.284 70.118 PSNR/dB 27.351 24.938 19.472 18.255 7.420 信息熵/bit 5.000 4.993 4.959 4.949 3.944 本文方法 22.775 26.116 40.826 46.101 65.598 88 航 天 返 回 与 遥 感 2014 年第 35 卷 表 2 高斯噪声图像评价结果 Tab. 2 The result of image with Gaussian noise assessment 方法 高斯噪声方差 0.008 0.014 0.031 0.067 0.501 DMOS 24.165 28.233 38.289 47.814 67.713 PSNR/dB 20.547 20.418 19.893 18.504 5.835 信息熵/bit 6.827 6.691 6.545 6.435 6.400 本文方法 35.518 35.933 36.822 39.564 42.294 表 3 模糊图像评价结果 Tab. 3 The result of blur image assessment 方法 高斯滤波算子标准差 0.563 0.964 1.451 2.511 3.542 DMOS 26.670 37.437 49.397 60.096 66.332 PSNR/dB 40.729 40.157 38.850 37.240 36.730 信息熵/bit 5.015 4.981 4.943 4.906 4.897 本文方法 27.571 34.695 42.231 64.361 65.201 由表13可以看出，随着高斯模糊滤波算子标准差（或高斯噪声方差、椒盐噪声叠加密度）的增大， 本文方法的客观评价分增大，表示图像质量下降。上述四种评价方法都能有效的评价图像的质量，本文 方法与其它三种方法的评价结果一致，并与人眼观测结果一致。 3.2 性能比较 为了进一步比较本文方法、PSNR、信息熵三种客观评价方法评价图像质量的效果，需采用定量的指 标描述它们的性能。根据国际标准化组织视频质量专家组 (Video Quality Experts Group，VQEG) 的指导 标准， 客观算法对主观质量的预测值存在一定的非线性，PSNR和本文方法的客观评价值的范围为0100， 而信息熵的客观评价值范围为010，如果直接计算三种客观方法与DMOS主观评分之间的性能指标， 得出的结果不能评价三种客观方法的优劣。首先应当去除这种非线性因素，将三种客观评价方法都回归 到DMOS空间。本文采用Logistic函数将各评价算法结果非线性回归到DMOS空间14。最后本文采用 三个性能指标来描述三种客观评价方法的性能。Logistic函数如式（6）所示。 51234 Quality( )Logistic(,() 11 Logistic( , ) 21exp() xx x x （6） 式中 x是客观评价结果；Quality(x)是主观评价方法DMOS评价结果；是描述Logistic函数的参数； 1, 2, 3, 4, 5是用于将客观评价结果拟合到主观评价结果的5个参数。 将本文方法、PSNR信噪比和信息熵非线性回归到DMOS空间后，会得到回归后的三种客观评价方 法新的预测值，再分别计算三种方法预测值与主观DMOS评分之间的3个性能指标：相关系数CC、均 方根误差RMS、斯皮尔曼序列相关系数SROCC。 在预测的准确性方面，客观算法的评价值与主观评分之间的差异应当越小越好。可以使用二者之间 的线性相关系线CC和均方根误差RMS来衡量，对于给定客观算法，CC值越大，RMS值越小，表示其 第 6 期 朱晓玲 等: 基于支持向量机的无参考遥感图像质量评价方法 89 预测准确性越高。对预测的单调性而言，客观算法的预测值应随主观评分的增减而增减，可以用斯皮尔 曼序列相关系数SROCC来度量。SROCC值越大，客观算法预测的单调性越好15。三个指标的计算公式 如下： 1 22 1 2 1 2 1 2 ()() CC () () 1 RMS() 6 SROCC1 (1) N ii i N ii i N ii i N i i XXYY XXYY XY N D N N （7） 式中 CC表示相关系数；RMS表示均方根误差；SROCC表示斯皮尔曼序列相关系数； i X表示第i张 图像质量主观DMOS评分； i Y表示第i张图像的回归后的质量客观评价值；N表示图像总数； i D表示第 i张图像其主观DMOS评分与客观预测值差值的绝对值。 表4给出了对三种失真图像进行评价时，各评价方法性能指标值的对比。 表 4 性能比较 Tab. 4 Performance comparison of different methods 方法 高斯噪声 椒盐噪声 模糊 CC RMS SROCC CC RMS SROCCCC RMS SROCC 信息熵 2.700 12.487 0.414 2.768 12.193 0.946 2.966 8.900 0.695 PSNR 3.999 12.180 0.439 4.345 12.061 0.968 4.161 8.656 0.719 本文方法 4.145 12.046 0.456 4.573 11.830 0.989 4.244 8.390 0.736 CC值越大，RMS值越小， 表明其预测的准确性越高，SROCC值越大， 客观算法预测的单调性越好。 从表4可以看出，在对三类失真图像进行质量评价时，本文方法的CC和SROCC值都最大，RMS值都 最小，表示其客观评价算法结果相对主观评价结果的准确度比其它两种方法高，单调性也较好，本文方 法优于其它两种传统方法。 4 结束语 本文提出了一种基于支持向量机的无参考遥感图像质量评价方法，通过统计遥感图像的图像特征， 利用这些图像特征来训练SVM失真分类和每类的评价算法，然后利用该方法对遥感图像进行质量评价。 实验结果表明，本文方法具有较好的推广性，不需要图像的失真信息，且能评价各种类型的遥感失真图 像。与传统的图像客观评价方法相比有很大的优势，在客观地评价遥感图像质量的同时，其评价结果与 人眼视觉感觉相符。由于本文的失真类型仅3类，未来的研究可以在探究更多失真类型方面进行，同时， 对于一张图像中同时具有两种或以上失真类型的，其质量评价结果还有待进一步的研究。 90 航 天 返 回 与 遥 感 2014 年第 35 卷 参考文献（References） 1 周雨霁, 田庆久. EO-1 Hyperion 高光谱数据的质量评价J. 地球信息科学, 2008, 10(5): 678-683. (in Chinese) ZHOU Yuji, TIAN Qingjiu. Image Quality Evaluation of EO-1 Hyperion SensorJ. Geo-information Science, 2008, 10(5): 678-683. (in Chinese) 2 刘晓明. 成像系统性能及图像质量评价研究D. 南京: 南京理工大学, 2007. LIU Xiaoming. The Research of Imaging System Performance and Image Quality AssessmentD. Nanjing: Nanjing University of Science and Technology, 2007. (in Chinese) 3 贺金平, 阮宁娟, 何红艳. 基于 EMD 的无参考图像清晰度评价方法J. 航天返回与遥感, 2013, 43(5): 78-84. HE Jinping, RUAN Ningjuan, HE Hongyan. No-reference Evaluation Method of Image Definition Based on EMDJ. Spacecraft Recovery and Remote Sensing, 2013, 43(5): 78-84. (in Chinese) 4 Video Quality Experts Group. Final Report from the Video Quality Experts Group on the Validation of Objective Models of Video Quality-assessmentEB/OL. (2000-03)2013-12-13. http:/ www. vqeg. org/. 5 Moorthy A K, Bovik A C. A Two-step Framework for Constructing Blind Image Quality IndicesJ. Signal Processing Letters, IEEE, 2010, 17(5): 513-516. 6 Wain wright M J, Simoncelli E P. Scale Mixtures of Gaussians and the Statistics of Natural ImagesC. Advances in Neural Information Processing Systems, Cambridge: MIT Press, 2000, 12: 855-860. 7 Daubechies I. Ten Lectures on WaveletsM. Philadelphia: Society for Industrial and Applied Mathematics, 1992. 8 Sharifi K, Leon-Garcia A. Estimation of Shape Parameter for Generalized Gaussian Distributions in Subband Decompositions of VideoJ. Circuits and Systems for Video Technology, IEEE Transactions on, 1995, 5 (1): 52-56. 9 Vapnik V. The Nature of Statistical Learning TheoryM. New York: Springer, 2000. 10 Xuegong Z. Introduction to Statistical Learning Theory and Support Vector MachinesJ. Acta Automatica Sinica, 2000, 26(1): 32-42. 11 苏高利, 邓芳萍. 关于支持向量回归机的模型选择J. 科技通报, 2006, 22(2): 154-158. SU Gaoli, DENG Fangping. Introduction to Model Selection of SVM RegressionJ. Bulletin of Science and Technology, 2006, 22(2): 154-158. (in Chinese) 12 王凯, 侯著荣, 王聪丽. 基于交叉验证 SVM 的网络入侵检测J. 测试技术学报, 2010, 24(5):