《侦察图像清晰化及质量评价方法》刘露|(epub+azw3+mobi+pdf)电子书下载

图书名称：《侦察图像清晰化及质量评价方法》

【作　者】刘露

【页 数】 174

【出版社】 合肥：合肥工业大学出版社 , 2021.01

【ISBN号】978-7-5650-5095-4

【价 格】35.00

【分 类】军事侦察-军事地图-图像处理-研究-军事侦察-军事地图-图像分析-质量评价

【参考文献】 刘露. 侦察图像清晰化及质量评价方法. 合肥：合肥工业大学出版社, 2021.01.

图书封面：

图书目录：

《侦察图像清晰化及质量评价方法》内容提要：

本书围绕战场侦察图像受多类因素影响造成的降质问题，运用图像处理、深度学习等相关技术展开相关清晰化技术和质量评价技术的研究，包含了绪论、图像特点分析及理论基础、雾霾天气、非稳定成像平台、低分辨率超分图像的清晰化技术及质量评价等章节。全书主要介绍战场侦察图像和国内外图像清晰化技术和评价方法的研究现状、战场侦察图像的特点及清晰化及质量评价的方法基础、云雾图像的形成机理以及清晰化方法并进行了质量评价、非稳定成像平台的成像特点、清晰化方法并进行质量评价、图像的超分重建技术、超分重建图像的质量评价、对所研究的内容进行了总结并展望。另外，本书书稿内容已进行脱密处理。

《侦察图像清晰化及质量评价方法》内容试读

第1章概述

第1章概述

1.1研究背景

侦察图像作为一种可视化的战场信息载体，直观反映了感兴趣区域发生的场景。“一图胜千言”，侦察图像在现代战争中发挥着越来越重要的作用。借助先进成像技术手段，可实现多空间、全天候、不间断的图像信息获取，为后续军事动作和决策判断提供了坚实的支撑。

成像过程会受到很多因素的影响，如大气干扰、平台震动、相对运动、成像器件分辨率、光谱受限等，导致图像降质，从而影响后续使用，所以需要对其进行清晰化处理。

清晰度是衡量图像质量优劣的重要指标之一，但图像清晰化(Image Clarity)却难以给出明确的定义和处理范围。一般认为其属于图像增强(Image

Enhancement)的一个分支或方向，可简单理解为将降质退化图像按照设定的模型(逆过程)实现图像细节、纹理或轮廓、颜色等信息增强的过程，主要包括图像去噪(Image Denoising)、图像去雾(Image Dehazing)、图像去雨(Image Derain)、图像去模糊(Image Deblur)、图像超分重建(Image Super-Resolution Reconstruction)以及光谱重建(Image Spectral Reconstruction)等内容。上述处理技术环节属于图像

处理领域经典而常新的内容，每年的顶级会议(CVPR、ICCV及ECCV等)和期刊

(TPAMI、TP等)会公布相当数量的成果。考虑到侦察图像降质退化的实际情

况，本书重点研究前五个处理环节。

侦察图像按照波段可分为微光图像、可见光图像、红外图像、多光谱（超光谱）图像、合成孔径雷达(Synthetic Aperture Radar,SAR)图像等类型；按照成像平台可分为单兵侦察图像、车载侦察图像、机载侦察图像、弹载侦察图像、舰载侦察图像和星载侦察图像等类型。考虑到技术的通用性和出版需要，本书选择陆基、空中拍摄的典型可见光侦察图像为研究对象，结合图像清晰化的五个方面进行阐述。

在完成侦察图像去噪、去雾、去雨、去模糊、超分重建等清晰化处理后，如何进行科学量化以及清晰化效果评估也是本书另外一个重点研究内容。仅仅依赖人眼视觉感知的主观判定对图像的质量进行评价，既费时，代价又高，难以满足评估批量数据和嵌入自动化处理体系的要求。关于图像质量评价(Image Quality

1

侦察图像清晰化及质量评价方法

Assessment,IQA)的研究较早，取得了许多重要成果，利用图像质量评价技术对清晰化结果进行评价可满足既定算法的效果评定，也可实现算法选择和参数优化因此开展侦察图像清晰化研究并对清晰化后的效果进行评价，使得清晰化后的图像符合人眼视觉感知，具有一定的理论研究意义和军事应用价值。

1.2图像清晰化方法及研究现状

下面分别从图像清晰化的去噪、去雾、去模糊、超分重建、去雨五个方面进行介绍。

1.2.1图像去噪技术研究现状

由于成像设备（包括传输、存储设备）固有的物理局限性，图像在生成获取时不可避免地会掺杂一些随机噪声，噪声会妨碍图像观看和后续信息提取，可理解为一种基本的信号失真，严重影响了图像的可解释性。因此，对图像噪声的抑制和去除已成为图像分析和处理的基本环节，图像去噪领域取得的成果与进展反过来也有助于加深图像内容的深层理解。图1-1所示为典型含噪图像示例。

(a)含噪医学图像

(b)含噪水下图像

(c)含噪遥感图像

(d)含噪SAR图像

图1-1典型含噪图像示例注：图像来自本章参考文献[2]

第1章概述

图像中存在的噪声类型众多，研究较多的有：加性高斯白噪声(Additive White

Gaussian Noise,AWGN)、量化噪声(Quantization Noise)、泊松噪声(Poisson

Noise)和斑点噪声(Speckle Noise)。其中加性高斯白噪声主要发生在图像采集和传输期间的模拟电路中，而量化噪声、泊松噪声和斑点噪声等其他类型噪声的产生主要是由于生成编解码错误、传输误码和采集过程中的光子计数不足等原因。图像在表达实际场景的相关信息时，用像素值的高水平变化来“刻画”轮廓边缘和纹理细节特征，很显然，随机表现的噪声不可避免地破坏了像素的“刻画”信息，研究者们一直致力于寻找理想的去（降）噪方法，在去除混杂的噪声信号的同时最大限度地保留“刻画”信息，很多工作都是在细节保留和噪声降除上优化权衡，这一问题还未有效解决，图像去噪工作目前还有提升空间。

二十多年来，人们设计并研究了多类有效的去噪方法，按照使用的技术理论可分为：基于光谱和多分辨率分析的去噪方法、基于偏微分方程的去噪方法、基于概率论和统计的去噪方法、基于神经网络（机器学习）的方法等；按照去噪算法类型可分为：基于滤波的方法（空间域、变换域及混合域）、基于稀疏表达的方法、基于低秩聚类的方法、基于统计模型的方法、基于字典学习的方法、基于深度学习的方法等；按照去噪的图像数量又可分为基于单幅图像去噪的方法、基于多幅图像去噪的方法。下面以采用算法分类的方式进行简要分析。

人们提出的经典去噪方法有均值滤波、中值滤波以及维纳滤波等方法。它们的优点和缺点同样明显，如均值滤波可作用于颗粒噪声，同时带来的是估计图像的模糊，又如中值滤波方法对椒盐噪声十分奏效，缺点是细节易丢失。随着人们对去噪技术的要求越来越高，经典方法已难以满足技术要求，随后人们便设计了新的去噪方法一基于小波变换的图像去噪方法、基于双边滤波的图像去噪方法、基于非局部均值的图像去噪方法等。

小波理论应用于图像噪声将其提升到一个显著水平，如平移不变量小波去噪

法、GHM多小波去噪法、联合隐式马尔可夫链及多尺度随机过程去噪法。由于小

波变换具备的时频局部分析以及多分辨率分析特性，使得它在去噪过程中能保留大部分有用的小波系数，故一般不会丢失图像细节。

人们对平滑去噪和边缘细节保留方面（边缘维持）的去噪研究突出成果是双边滤波，后来著名的SUSAN框架被提出，学者Tomasi及Manduchi将这一方法称为双边滤波(Bilateral Filter)。由于该方法的非迭代特性，使其具有在去噪的同时不破坏细节边缘的优点，因此被广泛使用。人们在此基础上又研究了基于样图纹理合成的非局部均值(Non-Local Means,NLM)去噪算法。

2006年，Elad基于清晰和噪声图像在变换域中的稀疏表现差异提出了

K-SVD算法，K-SVD去噪效果显著，但有时会出现平滑现象。Foi等人改进了

3

侦察图像清晰化及质量评价方法

稀疏表示的方法，即形状自适应离散余弦变换去噪方法，由于去噪同时兼顾了纹理细节信息，所以效果较好。同样人们将低秩矩阵逼近(Low-Rank Matrix Approximation,LRMA)理论应用于图像去噪也获得了显著效果，代表性方法有核范数最小化(Nuclear Norm Minimization,NNM)以及加权核范数最小化(Weighted

Nuclear Norm Minimization,WNNW)算法。由于需要考虑奇异值的比重及分布估算，该类方法的计算代价较高。

尽管以上大多数方法在图像去噪上都取得了相当不错的效果，但还有以下明显不足：(1)测试需要优化方法：(2)参数需要手动设置（暴力调参）：(3)模型限定降噪任务。

深度学习理论渐趋成熟，在去噪领域也取得了令人瞩目的成果。机器学习方法最早在20世纪80年代就被Zou等人用于图像去噪，首先使用具有已知的移位不变模糊函数和加性噪声的神经网络来恢复潜在的“干净”图像；之后人们对神经网络使用加权因子并利用前馈网络在降噪效率和性能之间做出权衡；随后，更多的优化算法被用来加速训练网络的收敛并提高去噪性能，如结合最大熵和原始拉格朗日乘子来增强神经网络的表达能力，贪婪算法和异步算法相结合并应用于神经网络，增加深度或更改激活功能。尽管这些方法可以获得很好的去噪效果，但仍需手动设置模板的参数。为此人们又研究了梯度下降去噪方法，尽管取得了一定的效果，但这些网络模型相对固化，调整困难，从而限制了其实际应用

卷积神经网络(Convolutional Neural Networks,CNN)的出现给去噪工作带来新的源动力，CNN和LeNet在手写数字识别中都有实际应用。尤其是2012年

AlexNet在ImageNet大规模视觉识别挑战赛(Large-Scale Visual Recognition

Challenge,ILSVRC)中取得了应用级的夺冠表现。之后，深层网络架构（如VGG和GoogleNet)被广泛应用于图像识别、视频分析、自然语言处理和语音处理领域，尤其是低级计算机视觉。

2015年Liang、Xu等人首次将深度网络应用于图像去噪，设计的网络模型去噪参数无须手动设置；一个完整的去噪CNN由卷积、批量归一化(Batch

Normalization,BN)、整流线性单位(Rectified Linear Unit,ReLU)和残差学习(Residual Learning,RL)等部分组成。同时，在图像噪声的盲去除方面，人们设计了一种快速灵活的降噪网络CNN(FFDNet)。2018年，有学者结合两个阶段生成对抗网络(Generative Adversarial Network,GAN)的CNN盲降噪模型(GCBD)来解决噪声图像中的不匹配和去噪效率低的问题。

综上所述，空间域滤波器能够消除高频噪声，但以模糊低对比度信息为代价，而变换域方法能够保留均质区域中的细节，但可能会在边缘周围引入振铃伪影。字典学习和稀疏表示方法虽然具有冗余和不完整的字典，但它们常常带来计算负

第1章概述

担。一个理想的去噪算法应具有清晰的模型表示、非局部分组、自适应基函数以及计算代价小的特点。往往单个去噪算法无法展现出所需的适用性，因此，将不同领域中的去噪方法结合起来克服彼此的局限性是一个可发展的方向。

最近几年人们对于规则的高斯噪声去噪研究取得了成功，但在实际应用中，噪声往往是复杂且不规则的。一方面，改善成像硬件设备性能以抑制噪声非常重要；另一方面，如何进一步设计从叠加的噪声图像中恢复“干净”图像的算法模型也同样关键。从去噪性能一致性、高视觉去噪质量、精细特征细节的保留、伪影的减轻、自适应处理等方面来看，去噪技术仍然在进步中。

1.2.2图像去雾技术研究现状

图像去雾属于图像处理领域中的基本问题，由于图像“雾度”取决于场景深度和随机天气，去雾问题约束项多，因此图像去雾也是极具挑战性的任务之一。室外条件下雾、霾、烟等不良天候条件会造成图像质量退化。这是由于光从场景点传播到观察者时，大气介质中的粒子会吸收和散射光。由于这些大气颗粒的存在，所拍摄图像的颜色和对比度会下降，有可能导致噪声增加和图像模糊，图1-2所示为同一场景的雾天和晴天对比图像。

图1-2同一场景的雾天和晴天对比图像注：图像来自https:/www.theguardian.com

目前人们已经提出了许多图像去雾的方法，核心是如何消除不利因素，从含雾图像中恢复有用信息以提高图像质量，例如场景深度、对比度、颜色通道等。相关研究有些零散，还没有建立完整的理论体系，一般可分为图像增强（有时候人们也将基于Retinex的方法单独列出来)和物理模型恢复两大类。随着深度学习技术的发展，其在图像去雾领域也得以大展身手，因此也可以将其单独划为一类。这些方法可以统称为传统去雾方法和深度学习的去雾方法，下面对这两类方法进行简要概述

1.传统去雾方法

基于图像增强的典型去雾方法有直方图均衡、Retinex算法、模糊增强、小波变

5

侦察图像清晰化及质量评价方法

换和单像素级去雾等。其中基于人类彩色视觉模型的Retinex算法又可分为单尺度Retinex和多尺度Retinex。此类去雾方法从含雾图像本身出发，而没有分析雾天图像降质退化的原因，因此在去雾过程中会损失大量细节信息，同时存在对比度降低等问题。基于物理模型恢复的典型去雾方法有多图像融合处理算法、偏微分方程方法、Tan和T.Fattal方法、Markov and Bayesian和He方法等。通常情况下，除雾过程需要融合几个不同的步骤才能获得显著的效果。例如，直方图均衡算

法将图像分割与动态拉伸相结合，而H方法则将图像分割、直方图拉伸和双边滤

波与滤波相结合，以消除光晕和块效应，并避免图像色彩过饱和。此类去雾方法对雾天图像降质的原因进行了分析和建模，据此复原出无雾图像，处理过程中图像信息丢失少，图像复原效果较为理想。

2.深度学习的去雾方法

深度学习技术凭借强大的特征学习能力被广泛应用于图像处理各领域，图像去雾方向也概莫能外。Cai等提出了DehazeNet网络结构实现端到端的单幅图像去雾，将有雾图和图像传输率之间的关系融入网络各层中，取得了较好的去雾效果，但将介质传输率和大气光值分开估计，去雾性能受损。Zhang等设计了一种将介质传输率和大气光进行联合优化的金字塔密集连接去雾网络。Chen等提出了

一种基于径向基函数思想构建去雾模型来实现去雾处理，该网络模型对图像可见边缘和细节信息恢复能力强。Ren等对有雾图像综合运用白平衡、伽马校正及对比度增强的方法进行预处理，利用深度模型学习3张预处理图像对应的置信图，再通过多尺度融合得到无雾图像。Dog等人设计了一个带有融合鉴别器(FD

GAN)的完全端到端的生成对抗网络，较好地实现了图像的去雾处理。刘宇航等

人提出了一种基于多尺度融合和对抗训练的图像去雾算法，采用多尺度特征提取模块从多个不同尺度中提取雾霾相关特征，利用残差密集连接模块实现图像特征的交互，由于其不基于大气散射模型，直接将图像的浅层特征和深层特征进行多尺度融合，所以克服了物理模型的不精确性。基于生成对抗网络的方法还有很多，这里不再赘述。

还有一种以偏振特性为理论基础的去雾方法，其基于光具有偏振的特性，通过相机偏振片获取同一场景的不同偏振度的两幅图像，进而估计出环境光，复原清晰图像。但是由于偏振特性与雾霾浓度有关，所以该类方法在轻薄雾时复原结果较好，而对浓雾图像处理结果较差。

1.2.3图像去模糊技术研究现状

图像去模糊同样是经典且尚未有效解决的问题，众多学者对图像去运动模糊展开研究，取得了一系列重要成果，可归因于高效推理算法的出现、自然图像先验知识运用和普适性强的运动模糊模型的建立。几种典型运动模糊图像示例如图

6

···试读结束···