目標(biāo)區(qū)域局部特征和局部圖像質(zhì)量相結(jié)合的激光干擾效果評(píng)估*

孫 可，葉 慶，孫曉泉

(1. 國(guó)防科技大學(xué) 脈沖功率激光技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室， 安徽 合肥 230037；2. 國(guó)防科技大學(xué) 先進(jìn)激光技術(shù)安徽省實(shí)驗(yàn)室， 安徽 合肥 230037)

光電成像系統(tǒng)激光干擾效果評(píng)估是光電對(duì)抗研究的重要環(huán)節(jié)，是全面評(píng)估激光干擾系統(tǒng)戰(zhàn)術(shù)性能的關(guān)鍵步驟[1-2]。為了能夠定量、客觀分析評(píng)估光電成像系統(tǒng)的激光干擾效果，需要確定相應(yīng)的評(píng)估指標(biāo)。激光干擾圖像的一個(gè)顯著的特征是圖像質(zhì)量的下降。因此，一些研究者從圖像質(zhì)量的角度，選擇圖像的飽和像元數(shù)[3]、信噪比[3]、光譜圖像熵[4]、均方誤差[5]、相關(guān)系數(shù)[6]、圖像結(jié)構(gòu)相似度指數(shù)[7]等基于圖像灰度值的統(tǒng)計(jì)特征作為評(píng)估指標(biāo)，對(duì)比分析干擾前后上述指標(biāo)的變化，據(jù)此評(píng)估干擾效果。

然而，上述評(píng)估指標(biāo)在量化過程中大多以整幅圖像作為研究對(duì)象，評(píng)估指標(biāo)最終反映的是激光干擾導(dǎo)致的整幅圖像質(zhì)量的下降程度。但干擾光電成像系統(tǒng)主要是通過激光光斑的飽和覆蓋作用，阻止觀察者(可以是人也可以是機(jī)器)準(zhǔn)確地獲取圖像中的目標(biāo)信息[8]。光斑引起的飽和區(qū)域主要集中在某一區(qū)域，造成圖像局部質(zhì)量嚴(yán)重下降，而遠(yuǎn)離這一區(qū)域的圖像受到的干擾相對(duì)較小。因此，基于圖像的整體質(zhì)量的評(píng)估指標(biāo)不能反映激光光斑的局部覆蓋效應(yīng)，需要針對(duì)目標(biāo)區(qū)域內(nèi)的局部圖像質(zhì)量建立評(píng)估指標(biāo)。

除局部圖像質(zhì)量嚴(yán)重下降外，激光光斑的覆蓋還導(dǎo)致基于圖像特征點(diǎn)匹配的目標(biāo)檢測(cè)和識(shí)別任務(wù)無法實(shí)現(xiàn)[9-10]。所謂圖像特征點(diǎn)，是一些能夠反映圖像局部重要特征的像素點(diǎn)，比如灰度變化劇烈的邊緣點(diǎn)(edges)或者角點(diǎn)(corners)、多個(gè)特征點(diǎn)組成的團(tuán)簇(blobs)以及目標(biāo)中具有狹長(zhǎng)結(jié)構(gòu)的脊點(diǎn)(ridges)等，常被廣泛應(yīng)用于物體檢測(cè)和識(shí)別、目標(biāo)匹配尤其是精確制導(dǎo)武器的目標(biāo)匹配和圖像自動(dòng)尋的制導(dǎo)等領(lǐng)域[11]。目標(biāo)被激光光斑覆蓋勢(shì)必會(huì)造成目標(biāo)區(qū)域局部特征的明顯變化，進(jìn)而導(dǎo)致能夠成功匹配的特征點(diǎn)數(shù)量大幅降低，最終影響目標(biāo)識(shí)別的成功率。因此，特征點(diǎn)數(shù)量的變化能夠反映干擾對(duì)目標(biāo)區(qū)域局部特征的影響。

為此，本文提出目標(biāo)區(qū)域局部特征和局部圖像質(zhì)量相結(jié)合的激光干擾效果評(píng)估方法。采用SURF(speeded up robust features)特征點(diǎn)檢測(cè)和匹配算法選取特征點(diǎn)，并從原始圖像和干擾圖像中匹配出目標(biāo)圖像。分析激光干擾對(duì)特征點(diǎn)提取和目標(biāo)匹配的影響，選擇目標(biāo)區(qū)域內(nèi)局部特征點(diǎn)數(shù)、光斑飽和面積以及局部結(jié)構(gòu)相似度3個(gè)參數(shù)的乘積作為評(píng)估指標(biāo)，用于評(píng)估干擾效果。

1 SURF算法及激光干擾對(duì)該算法的影響

1.1 SURF算法

SURF算法是目前較為常用的目標(biāo)特征提取和匹配算法，具有高效、穩(wěn)定的特性，可用于目標(biāo)識(shí)別和跟蹤鎖定等需要實(shí)時(shí)運(yùn)算的場(chǎng)景[11]。

SURF算法的基本思想源于著名的SIFT(scale invariant feature transform)算法，但是在特征點(diǎn)搜索、鄰近特征描述以及描述子匹配方面采用快速近似的方法，使得SURF算法的執(zhí)行效率和穩(wěn)定性要好于SIFT算法。例如在特征點(diǎn)搜索方面，SURF算法采用方形濾波器(box filter)取代SIFT算法中的高斯濾波器，并借助積分圖像的概念，將圖像與高斯微分模板的卷積操作轉(zhuǎn)化為對(duì)積分圖像的加減運(yùn)算，從而提高了運(yùn)算速度。關(guān)于SURF算法的詳細(xì)論述見文獻(xiàn)[11]。

為了使研究對(duì)象更接近戰(zhàn)場(chǎng)實(shí)際環(huán)境，選取荷蘭TNO研究所發(fā)布的The search-2圖像數(shù)據(jù)庫。該數(shù)據(jù)庫包括44幅含有9種實(shí)際軍事目標(biāo)的高分辨自然場(chǎng)景數(shù)字圖像[12]。該數(shù)據(jù)庫的主要目的是評(píng)估和驗(yàn)證各種數(shù)字圖像的尺度(digital metrics)和人眼在復(fù)雜場(chǎng)景下搜索目標(biāo)的模型有效性。但是，鑒于其貼近實(shí)際戰(zhàn)場(chǎng)環(huán)境的復(fù)雜場(chǎng)景以及各種真實(shí)軍事目標(biāo)在場(chǎng)景中的隱蔽狀態(tài)，仍將其用作激光干擾效果評(píng)估的背景圖像。圖1(a)給出了數(shù)據(jù)庫中的第9幅圖像，其中一輛M60坦克隱蔽在復(fù)雜的叢林中。利用SURF算法對(duì)該圖像中的目標(biāo)進(jìn)行特征點(diǎn)匹配時(shí)，首先選中場(chǎng)景圖像中包含目標(biāo)的矩形區(qū)域作為目標(biāo)模板，如圖1(b)所示。目標(biāo)區(qū)域是指，以實(shí)際目標(biāo)(即圖中坦克)的中心為中心的矩形，其內(nèi)部包含的像素?cái)?shù)是實(shí)際目標(biāo)所含像素?cái)?shù)的2倍。然后，運(yùn)用SURF算法分別對(duì)場(chǎng)景圖像和目標(biāo)模板進(jìn)行特征點(diǎn)檢測(cè)，分別如圖1(c)和圖1(d)所示。其中圓圈的直徑表示不同提取尺度，圓圈的圓心為特征點(diǎn)位置。不難看出，坦克目標(biāo)的特征點(diǎn)主要集中在坦克上半部，是區(qū)別于周圍環(huán)境最顯著的那些像素點(diǎn)。進(jìn)一步，將兩幅圖片中的特征點(diǎn)進(jìn)行匹配，就能夠在場(chǎng)景圖像中的識(shí)別目標(biāo)，如圖1(e)和圖1(f)所示。

(a) 場(chǎng)景圖像(a) Scene image (b) 目標(biāo)圖像(放大)(b) Target image(enlarged)

(c) 場(chǎng)景圖像中部分SURF特征點(diǎn)(c) Some SURF feature points in scene image (d) 目標(biāo)圖像中部分SURF特征點(diǎn)(d) Some SURF feature points in target image

(e) 目標(biāo)圖像與場(chǎng)景圖像間特征點(diǎn)匹配(e) Feature points matching between target image and scene image

(f) 目標(biāo)識(shí)別(f) Target recognition圖1 基于SURF特征點(diǎn)匹配的目標(biāo)識(shí)別Fig.1 Target recognition utilizing SURF feature points matching

1.2 激光干擾對(duì)SURF算法的影響

激光干擾使得場(chǎng)景圖像疊加一定面積的飽和區(qū)域，導(dǎo)致SURF算法無法在該區(qū)域內(nèi)提取特征點(diǎn)。如果飽和區(qū)域覆蓋部分目標(biāo)區(qū)域，目標(biāo)區(qū)域內(nèi)能夠提取到的特征點(diǎn)數(shù)將會(huì)減少甚至為零，進(jìn)而影響后面的特征點(diǎn)匹配過程。

為了方便有效地驗(yàn)證本文的評(píng)估方法，根據(jù)文獻(xiàn)[13]的數(shù)值計(jì)算方式模擬圖像中飽和區(qū)域大小隨干擾激光功率密度的變化規(guī)律。干擾激光在圖像中形成的光斑就是入射激光經(jīng)過成像系統(tǒng)入瞳衍射后在其焦平面形成的光強(qiáng)分布。首先，根據(jù)入瞳衍射光強(qiáng)分布理論表達(dá)式計(jì)算得到不同入射功率密度在焦平面上產(chǎn)生的衍射光強(qiáng)分布，將其與探測(cè)器飽和閾值相比較，即可得到探測(cè)器表面入射光強(qiáng)高于探測(cè)器飽和閾值的區(qū)域——飽和區(qū)域，該區(qū)域的尺寸可以用飽和半徑描述；然后，在場(chǎng)景圖像中，人為地以感興趣的位置為中心(即入射激光光斑中心在圖像中的位置)，將飽和半徑內(nèi)像素的灰度值均改為255(也可選擇其他與實(shí)際相符的數(shù)值，比如245)。此時(shí)得到的圖像可以近似看成是某一入射功率的激光在圖像中產(chǎn)生的飽和干擾圖像。該方法可以方便地模擬不同入射功率或者某一入射功率不同入射位置的激光對(duì)場(chǎng)景圖像的干擾。圖2給出了不同激光干擾對(duì)SURF算法識(shí)別目標(biāo)的影響。其中，圖2(a)的激光強(qiáng)度比圖2(b)低，激光光斑覆蓋了目標(biāo)區(qū)域約3/4的范圍，而圖2(b)中激光光斑幾乎覆蓋了整個(gè)目標(biāo)區(qū)域。顯然，干擾激光飽和光斑的覆蓋使得兩圖中能夠提取出的特征點(diǎn)個(gè)數(shù)遠(yuǎn)小于未受激光干擾時(shí)的個(gè)數(shù)。盡管如此，圖2(a)中仍有部分特征點(diǎn)能夠匹配，并準(zhǔn)確地實(shí)現(xiàn)目標(biāo)識(shí)別，如圖2(c)所示。而圖2(b)中匹配的特征點(diǎn)個(gè)數(shù)過少，無法識(shí)別目標(biāo)，如圖2(d)所示。此外，激光干擾已經(jīng)使得觀察者無法準(zhǔn)確識(shí)別圖2(c)中的目標(biāo)屬性，但是SURF算法仍能以較小的干擾程度準(zhǔn)確實(shí)現(xiàn)目標(biāo)識(shí)別，這說明激光干擾對(duì)人眼觀察有效，對(duì)機(jī)器算法有時(shí)可能無效，有必要針對(duì)機(jī)器算法進(jìn)一步建立符合實(shí)際的評(píng)估方法。

(a) 激光光斑部分掩蓋目標(biāo)時(shí)SURF算法仍能準(zhǔn)確匹配部分特征點(diǎn)(a) Accurate feature point matching for SURF algorithm with partial covered target in scene image

(b) 激光光斑幾乎掩蓋目標(biāo)時(shí)SURF算法不能在特征點(diǎn)較少的情況下匹配特征點(diǎn)(b) Inaccurate feature point matching for SURF algorithm with most covered target in scene image

(c) 圖(a)目標(biāo)識(shí)別成功(c) Successful recognition in Fig.(a) (d) 圖(b)目標(biāo)識(shí)別失敗(d) Failed recognition in Fig.(b)圖2 不同功率密度激光對(duì)SURF算法識(shí)別目標(biāo)的影響Fig.2 Influence of laser with various intensity to target identification by SURF algorithm

2 基于局部特征與圖像質(zhì)量相結(jié)合的評(píng)估方法

如前所述，在評(píng)價(jià)基于特征點(diǎn)匹配算法的激光干擾效果時(shí)，需要考慮目標(biāo)是否被激光光斑覆蓋，以及覆蓋引起的特征點(diǎn)數(shù)的變化。此外，還需要考慮飽和光斑會(huì)引起目標(biāo)區(qū)域局部圖像質(zhì)量下降。因此，提出一種目標(biāo)區(qū)域內(nèi)局部特征和圖像質(zhì)量相結(jié)合的評(píng)估方法ITF-SSIM(in-target-features structural similarity)方法。該方法的評(píng)估指標(biāo)為：

ITF-SSIM=[1-A(x,y)]·N(x,y)·SSIM

(1)

式中：x、y分別表示激光干擾前、后的圖像；A(x,y)=A(y)/A(x),描述目標(biāo)區(qū)域內(nèi)飽和光斑面積占目標(biāo)區(qū)域面積的比例，其中A(x)、A(y)分別表示目標(biāo)區(qū)域的像素總數(shù)以及目標(biāo)區(qū)域內(nèi)飽和光斑包含的像素?cái)?shù)，因此1-A(x,y)表示未飽和區(qū)域面積比例，當(dāng)飽和區(qū)域距離目標(biāo)區(qū)域較遠(yuǎn)時(shí)，目標(biāo)區(qū)域內(nèi)沒有像素飽和，1-A(x,y)=1表示飽和區(qū)域?qū)δ繕?biāo)區(qū)域成像質(zhì)量沒有影響；N(x,y)=N(y)/N(x)描述目標(biāo)區(qū)域內(nèi)特征點(diǎn)數(shù)目的變化情況，其中N(x)、N(y)分別表示干擾前、后目標(biāo)區(qū)域內(nèi)能夠準(zhǔn)確提取的特征點(diǎn)的數(shù)目，當(dāng)飽和區(qū)域遠(yuǎn)離目標(biāo)區(qū)域時(shí)，特征點(diǎn)提取不受影響，N(x)=N(y),N(x,y)=1；而結(jié)構(gòu)相似度指數(shù)的具體表達(dá)式[14-15]為：

SSIM=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ

(2)

該指數(shù)利用不同圖像間像素亮度、對(duì)比度以及結(jié)構(gòu)信息的相關(guān)性客觀評(píng)價(jià)圖像質(zhì)量。式中，l(x,y)、c(x,y)、s(x,y)分別表示激光干擾前后目標(biāo)區(qū)域的亮度比較函數(shù)、對(duì)比度比較函數(shù)和結(jié)構(gòu)比較函數(shù)。它們的表達(dá)式分別為：

(3)

(4)

(5)

為了避免出現(xiàn)分母為零的情況，設(shè)置了3個(gè)非零常數(shù)C1、C2、C3。其中，μx、μy分別為激光干擾前、后目標(biāo)區(qū)域的圖像灰度均值，σx、σy分別為激光干擾前、后的圖像灰度標(biāo)準(zhǔn)差，σxy為激光干擾前后目標(biāo)區(qū)域圖像灰度的協(xié)方差。式(2)中，α、β、γ是權(quán)重參數(shù)，用于調(diào)整3個(gè)相似性參數(shù)的相對(duì)重要性，通常取α=β=γ=1。

由式(1)不難看出，如果目標(biāo)區(qū)域沒有受到激光干擾(盡管有激光入射，但是此時(shí)光斑沒有進(jìn)入目標(biāo)區(qū)域)，則目標(biāo)區(qū)域內(nèi)飽和面積為0(1-A(x,y)=1)，特征點(diǎn)數(shù)目不變(N(x,y)=1)，圖像與目標(biāo)模板相同(SSIM=1)，則ITF-SSIM=1說明干擾沒有效果。反之，如果激光光斑進(jìn)入了目標(biāo)區(qū)域，則[1-A(x,y)]、N(x,y)、SSIM三者均小于1，因ITF-SSIM<1，說明干擾有效果?？梢?，ITF-SSIM反映了干擾效果的大小，其值越小，干擾效果越好。

ITF-SSIM算法的實(shí)現(xiàn)可分為3個(gè)步驟。

步驟1：在激光干擾前，選擇場(chǎng)景圖像中的目標(biāo)區(qū)域x計(jì)算目標(biāo)區(qū)域的像素總數(shù)A(x)；使用SURF算法提取特征點(diǎn)，統(tǒng)計(jì)能夠從場(chǎng)景中準(zhǔn)確匹配目標(biāo)圖像特征點(diǎn)的數(shù)目N(x)。

步驟2：在激光干擾后，使用SURF算法提取特征點(diǎn)，確定干擾后的目標(biāo)區(qū)域y，統(tǒng)計(jì)能夠從場(chǎng)景中準(zhǔn)確匹配目標(biāo)圖像特征點(diǎn)的數(shù)目N(y)以及目標(biāo)區(qū)域內(nèi)飽和像素?cái)?shù)A(y)。

步驟3：分別計(jì)算干擾前后的l(x,y)、c(x,y)、s(x,y)，將得到的各項(xiàng)參數(shù)代入式(1)，得到ITF-SSIM指標(biāo)。

圖3給出了ITF-SSIM評(píng)估指標(biāo)隨入射激光功率以及光斑中心和目標(biāo)中心相對(duì)距離的變化規(guī)律，并與目標(biāo)區(qū)域內(nèi)單獨(dú)使用SSIM作為評(píng)估指標(biāo)進(jìn)行對(duì)比。需要指出的是，焦平面上的光強(qiáng)分布與入射光功率、光學(xué)系統(tǒng)入瞳直徑、焦距和焦平面器件飽和功率密度閾值等參數(shù)相關(guān)。這里為了顯示上述兩種評(píng)估指標(biāo)隨入射功率的變化情況，對(duì)入射功率采取了類似歸一化的處理，其具體數(shù)值并不具有實(shí)際意義。

圖3(a)為光斑中心與目標(biāo)中心的距離不變時(shí)(兩中心距離405像素，目標(biāo)區(qū)域尺寸為360像素×530像素)，ITF-SSIM和SSIM指標(biāo)隨入射功率的變化；圖3(b)為入射功率固定時(shí)(此時(shí)飽和區(qū)域半徑為375像素)，光斑中心與目標(biāo)中心的距離對(duì)ITF-SSIM和SSIM指標(biāo)的影響。可以看出，無論是入射功率的增加還是相對(duì)距離的變化，ITF-SSIM與SSIM指標(biāo)均呈現(xiàn)相同的變化趨勢(shì)。但是，兩種情況對(duì)應(yīng)的SSIM指標(biāo)的變化范圍均是在[0.4,1]，比ITF-SSIM指標(biāo)的變化范圍要小50%。這表明，相比于針對(duì)目標(biāo)區(qū)域單獨(dú)使用SSIM作為評(píng)估指標(biāo)，局部特征使得ITF-SSIM指標(biāo)能夠反映干擾圖像變化的豐富層次，揭示干擾過程的豐富細(xì)節(jié)，有利于干擾效果的評(píng)價(jià)。

此外，ITF-SSIM比SSIM指標(biāo)呈現(xiàn)更加明顯的非線性飽和趨勢(shì)。當(dāng)入射功率大于60或者相對(duì)距離小于300像素時(shí)，激光光斑幾乎覆蓋了整個(gè)目標(biāo)區(qū)域，匹配的特征點(diǎn)數(shù)和未飽和區(qū)域的面積幾乎為0，ITF-SSIM指標(biāo)取值接近于0。而SSIM指標(biāo)沒有涉及目標(biāo)的局部特征，因此對(duì)激光的覆蓋效應(yīng)很不敏感，不利于干擾效果評(píng)估。

(a) 光斑位置不變時(shí)ITF-SSIM和SSIM隨入射激光功率的變化(a) ITF-SSIM and SSIM for different incident power with the identical location of the laser spot

(b) 入射激光功率不變時(shí)ITF-SSIM和SSIM隨光斑位置的變化(b) ITF-SSIM and SSIM for different location of laser spot with the identical incident laser power圖3 ITF-SSIM與SSIM的比較Fig.3 Comparison of ITF-SSIM and SSIM

3 結(jié)論

為了客觀地反映光電成像系統(tǒng)的激光干擾效果，提出了目標(biāo)區(qū)域內(nèi)局部特征和圖像質(zhì)量的干擾效果評(píng)估方法ITF-SSIM。該方法首先利用SURF算法在場(chǎng)景中確定目標(biāo)區(qū)域，然后計(jì)算激光干擾前后目標(biāo)區(qū)域內(nèi)特征點(diǎn)數(shù)目、飽和區(qū)域面積以及圖像質(zhì)量指標(biāo)SSIM的變化，并將三者的乘積作為最終評(píng)估指標(biāo)ITF-SSIM。該指標(biāo)的取值范圍為[0, 1]，其值越小，說明干擾效果越好。不同入射激光功率與不同光斑位置的干擾模擬表明：與單獨(dú)使用SSIM指標(biāo)相比，局部特征使得ITF-SSIM指標(biāo)具有較大的變化范圍和明顯的非線性變化特征，能夠反映激光干擾過程的豐富細(xì)節(jié)。因此，ITF-SSIM指標(biāo)更加適用于激光干擾效果的評(píng)估。