Evaluation method of continuous laser interference effect
-
摘要:
采用改进后的图像相关度计算方法，在精确配准干扰前后图像的基础上，以像素为单位计算图像相关度，根据人眼识别效果在评估前确定干扰阈值，计算图像有效干扰像元统计值，定量描述激光干扰效果；开展多波段激光干扰成像系统试验，采集不同干扰功率下的激光干扰图像，评估干扰效果。结果表明，该方法能精确识别图像局部变化，客观反映图像质量变化，对各波段不同功率下的激光干扰成像图像给出科学评估结果，对单对图像的处理速度优于s级，具有一定的工程应用价值。
Abstract:The improved image correlation computing method was adopted. On the basis of accurate registration of images before and after interference, the image correlation was computed in pixels, the interference threshold was determined according to the human eye recognition effect, the statistic value of image effective interference pixels was calculated, and the laser interference effect was quantitatively described. The experiments of multi-band laser interference imaging system were carried out, and the laser interference images under different interference power were collected to evaluate the interference effect. The results show that the proposed method can accurately identify the local changes of the images, objectively reflect the image quality changes, and give scientific evaluation results for the laser interference imaging images under different power in each band, and the processing speed of a single pair of images is better than the second level, which has certain engineering application value.
-
Keywords:
- laser interference /
- image quality evaluation /
- correlation /
- image registration
-
引言
从目标图像中提取目标特征信息，实现目标识别与跟踪是区域监视、军事侦察的重要手段。当光电成像系统受到激光干扰时，成像系统获取的目标图像会被部分遮挡，导致图像跟踪系统目标位置匹配、识别出现偏差[1]。因此目标识别特征的失效程度是评估激光干扰效果的重要手段，对指导激光干扰设备的研制和光电成像装备的激光防护都具有重要意义。
国内外，通过光电成像系统图像质量变化来评价激光干扰效果的方法已有较多研究[2-3]。传统方法大致可以分为3类：1） 通过独立计算图像各像素亮度值变化衡量受干扰图像偏离原始图像的程度[4]，如均方误差度量、信噪比度量等，这类方法受灰度背景影响较大；2） 将局部像素亮度的相互关系变化作为指标评价干扰效果的方法，利用了图像的结构信息，如基于梯度幅度值的图像质量评价方法[5-6]，改进了评价效果，但受强点噪声影响较为明显；3） 基于信息熵的评价方法利用整幅图像的灰度分布信息，比较受干扰前后图像所带信息变化[7-8]，不适用于灰度等级较小图像。为了改进评价准确性，研究者们根据人类视觉特性采用小波变换[9-10]、结构相似性特征[11-12]、点特征分布特性提取[13]等方法对原始图像进行进一步信息提取整合，再综合亮度、对比度、结构相似度等指标对激光干扰效果进行评价[14]。
激光干扰效果评估主要关注局部光斑对图像质量造成的影响，一般的图像质量评估方法能发挥一定作用但不具有针对性，而通过小波变换、结构相似性等方式进行特征提取进而比较干扰效果的方法耗时较长。本文方法基于光电有源干扰效果评定准则的国家军用标准，对激光干扰前后的图像进行配准，计算两幅图像的归一化相关度，经与干扰阈值比较后计算模糊像元数，对受到激光干扰后的图像失真程度进行量化，评估多波段激光对光电成像系统的干扰效果。
1 相关度理论模型
设原始二维图像为$f(x,y)$，激光干扰后采集到的图像为$g(x,y)$，按照相关度的定义可得到归一化处理后的图像相关度评价指标为
$$ C = \dfrac{{\iint\limits_D {f(x,y)g(x,y)}{\rm{d}}x{\rm{d}}y}}{{{{\left\{ {{\iint\limits_D {[f(x,y)]}}^2}{\rm{d}}x{\rm{d}}y \times {{\iint\limits_D {[g(x,y)]}}^2}{\rm{d}}x{\rm{d}}y\right\} }^{^{\tfrac{1}{2}}}}}} $$ (1) 显然，C≤1且C值越大，两者越相似。则对于离散数字图像$f(i,j)(1 \leqslant i \leqslant N,1 \leqslant j \leqslant N)$、$g(i,j)(1 \leqslant i \leqslant M,1 \leqslant j \leqslant M)$在激光干扰效果评估中，同一效应器干扰前后图像大小相同，也即$M = N$，其归一化基本相关度表示为
$$ C = \dfrac{{\displaystyle\sum\nolimits_{i = 1}^N {\displaystyle\sum\nolimits_{j = 1}^N {f(i,j) \times g(i,j)} } }}{{{{\left[\displaystyle\sum\nolimits_{i = 1}^N {\displaystyle\sum\nolimits_{j = 1}^N {{f^2}(i,j)} } \times \displaystyle\sum\nolimits_{i = 1}^N {\displaystyle\sum\nolimits_{j = 1}^N {{g^2}(i,j)} } \right]}^{\tfrac{1}{2}}}}} $$ (2) 据此可以得到图像的相关度系数，与设定的阈值${C_0}$相比即可判断激光干扰是否有效。依据（2）式计算得到的相关度为整幅图像参与计算的结果，而在实际应用中，为了定位受干扰的区域或详细评估干扰效果需要得到图像所展示场景的细节信息。因此，可将图像划分成适当尺寸的子图像分别进行相关度计算，（2）式可改写为
$$ \begin{split} &c(m,n) = \\ &\dfrac{{\displaystyle\sum\nolimits_{i = m - W/2}^{m + W/2} {\displaystyle\sum\nolimits_{j = n - H/2}^{n + H/2} {f(i,j) \times g(i,j)} } }}{{{{\left[\displaystyle\sum\nolimits_{i = m - W/2}^{m + W/2} {\displaystyle\sum\nolimits_{j = n - H/2}^{n + H/2} {{f^2}(i,j)} } \times \displaystyle\sum\nolimits_{i = m - W/2}^{m + W/2} {\displaystyle\sum\nolimits_{j = n - H/2}^{n + H/2} {{g^2}(i,j)} } \right]}^{\tfrac{1}{2}}}}} \end{split} $$ (3) 式中：$c(m,n)$为相关度计算结果图像中坐标为$(m,n)$的像素的值；W与H分别为设定的子图像的长、宽。若将f(i,j)与g(i,j)的值定义为图像像素的灰度值，由（3）式可知，相关度计算结果c与两幅图像的像素对应关系以及参与计算的图像区域内灰度波动情况有关。计算结果始终大于等于0，且当参与计算的图像尺寸越大像素越多，相关度计算结果趋于1。
直接采用（3）式进行计算时，得到的图像相关度分布集中于高位区间，不利于获取图像相关信息细节，图1中展示了直接采用（3）式计算得到的结果。
因此，在实际计算中，对相关度计算方法进行改进。保留像素间灰度值的波动情况，采用去中心后的子图像进行相关度计算。
$$ \begin{split} &c(m,n) = \\ &\dfrac{{\displaystyle\sum\nolimits_{i = m - W/2}^{m + W/2} {\displaystyle\sum\nolimits_{j = n - H/2}^{n + H/2} {\Delta f(i,j) \times \Delta g(i,j)} } }}{{{{\left[ \displaystyle\sum\nolimits_{i = m - W/2}^{m + W/2} {\displaystyle\sum\nolimits_{ j = n - H/2}^{ n + H/2} {\Delta {f^2}(i,j)} } \times \displaystyle\sum\nolimits_{i = m - W/2}^{m + W/2} {\displaystyle\sum\nolimits_{ j = n - H/2}^{ n + H/2} {\Delta {g^2}(i,j)} } \right]}^{ \tfrac{1}{2}}}}} \end{split} $$ (4) 其中，
$$ \Delta f(i,j) = f(i,j) - \frac{1}{{WH}}\sum\nolimits_{ii = m - W/2}^{m + W/2} {\sum\nolimits_{jj = n - H/2}^{n + H/2} {f(ii,jj)} } $$ (5) $$ \Delta g(i,j) = g(i,j) - \frac{1}{{WH}}\sum\nolimits_{ii = m - W/2}^{m + W/2} {\sum\nolimits_{jj = n - H/2}^{n + H/2} {g(ii,jj)} } $$ (6) $ \Delta f(i,j) $与$ \Delta g(i,j) $分别为原始图像与干扰图像中以像素点[m,n]为中心的子图像的像素灰度值波动。将原始图像与干扰后图像划分为8×8大小的子区域，分别采用滑动窗口步进计算[15]与窗口分块计算[16]的方法得到的结果如图2所示，前者计算耗费12 s，而后者计算仅耗费0.39 s。
![]()
图 2 滑动步进与窗口分块的相关度计算结果Figure 2. Correlation calculated results by sliding step method and window block method实验结果显示，采用分块计算的方法得到的结果图像产生马赛克的效果，在窗口较小时不易被察觉，随着窗口尺寸增大，马赛克效应逐渐明显，但计算速度大幅度提升；采用滑动窗口逐像素步进的方法能保持结果图像的细节，但随着窗口增大计算量也增加。
2 远场激光干扰等效实验
为研究算法对不同发射功率下激光干扰图像的评估效果，验证评价效果与激光功率的线性关系，我们组织开展激光干扰实验。考虑到实验条件并减小环境因素对激光干扰试验的影响，开展室内近距离的远场激光干扰等效实验。
2.1 实验参数计算
机载情况下，激光干扰距离大多在km量级，采用观瞄设备对准目标，此时光斑均匀覆盖目标。在室内，正确开展远场激光干扰近距离等效实验要注意3个等效：
1） 实验正确开展的关键是满足到靶光斑尺寸等效，也即满足激光通过光学镜头后到靶光斑尺寸小于等于相机像元尺寸的2倍，即：
$$ F\theta \leqslant 2{d_{{\rm{pixel}}}} $$ (7) 式中：$F$为相机镜头F数；$\theta $为激光光束发散角；$ {d_{{\rm{pixel}}}} $为相机像元尺寸。
2） 室内开展实验需满足背景亮度等效。若室内亮度较低，可以通过增加相机积分时间来进行背景亮度等效，将积分时间改变带来的接收辐射改变视为相机增益进行计算。根据实验效果，本次实验采用正常3 ms积分时间成像。
3） 入瞳功率计算需考虑以上设置对计算公式的影响。在地面进行激光干扰的等效实验时，成像系统入瞳功率计算如下：
$$ {P_{{\rm{pupil}}}} = \frac{{P\tau {\tau _a}{D^2}}}{{{{(L\theta )}^2}}} $$ (8) 式中：P为激光发射功率；τ为系统发射效率；$ {\tau _a} $为大气透过率；PPupil为成像系统的入瞳功率。若需将计算接收的激光功率密度与干扰阈值进行比较，还需考虑探测器的响应情况与像元尺寸大小。
使用模拟摄像机作为效应物对干扰实验场景进行成像，该相机采用1/2英寸CCD进行黑白成像，最低照度0.003 lux，生成图像分辨率为570 TVL，相机成像孔径D为8 mm，像元8.6 μm。根据检测结果，镜头对532 nm激光透过率为37%，对808 nm激光透过率为32%，据实验验证干扰阈值约为1.4 W/cm2。根据实际条件，将干扰距离选定为L=75.6 m。采用532 nm与808 nm激光器进行实验，光束发散角分别为1.8 mrad和2.5 mrad。为减小激光器功率漂移，将出射的功率范围设置避开头尾两段，尽量保证功率平稳增加。经粗略计算，此种情况下得到的入瞳功率远大于相机干扰阈值，易造成效应物损坏，所以，分别对532 nm与808 nm激光器干扰实验采用100倍与350倍的衰减器进行实验。此时，入瞳功率的计算应当除以相应衰减倍数a。
2.2 实验平台搭建与激光干扰效果
远场激光干扰等效实验场景设置如图3所示。激光光源经衰减器后到达光学成像系统，在成像之前测量出光口激光功率，测量之后撤下功率计进行干扰成像试验。为保证功率测量的正确性，应尽量保证功率计测量位置方向不变。为保证激光光斑均匀覆盖成像口径，采用白纸与显色卡进行对光，保证激光器与模拟相机的光轴一致。为确保实验安全以及效应物的安全，激光器出射功率从最小值逐步进行调整。
对每个波段激光器分别进行17组不同功率的干扰实验，获得对应干扰图像。依据激光出射功率以及各实验参数可计算得到入瞳功率。为保证激光器的稳定输出，对这2个输出功率不同的激光器功率调节范围相差了一个数量级。
获得的干扰图像如图4所示。可以看出在激光干扰下，探测器出现了光饱和现象，且光斑面积随激光功率增大而增大，光斑的不均匀性也随之增大，功率增大至一定数值后会出现串扰现象。探测器对于532 nm与808 nm激光光谱响应率大致相等，但由于808 nm激光器发散角和光斑直径较大，同等入瞳功率条件下光斑弥散程度较532 nm更大。
3 干扰效果评估
干扰效果评估通过如图5所示的流程图来实现。将干扰前的图像依照干扰后图像进行配准，对配准后的干扰前图像与受干扰图像按照改进后的图像相关度计算方法进行整体相关度与相关度图像的计算，再依据实验确定的相关性阈值统计有效干扰像元数量。整体相关度与干扰模糊像元数都可作为评价干扰效果的指标，相关度图像与依据阈值进行的二值分割结果图像可作为更加直观的评价依据。
3.1 图像配准
由于参考图像和干扰图像的采集时刻不同，加上环境及图像采集设备工作特性，导致参考图像和干扰图像之间可能存在平移、旋转和缩放变化。由相关度的计算公式可知图像相关度采用点对点的计算方法，准确的配准结果是正确计算相关性的前提和基础。图6展示了平移、旋转与缩放对相关度计算结果的影响，说明该方法对图像的这3类变换具有一定的鲁棒性，但当图像拍摄方向视角产生较大变化时，在相关度计算之前进行图像配准是十分必要的。
![]()
图 6 图像未配准情况下相关度计算结果示例Figure 6. Examples of correlation calculated results without image registration本文采用SURF算法自动提取图像对应特征点，然后基于2幅图像的特征点计算变换矩阵，将参考图像变换至干扰图像的坐标空间，判断像素配准的精度[17-18]。在干扰激光功率增加到一定值后，激光光斑使得图像大面积饱和，在自动提取特征点进行匹配的情况下两幅图像间的错误匹配点较多，对于这样的情况采用手动提取特征点对的方法，计算变换矩阵得到配准图像。
3.2 阈值选取
相关性阈值C0，也即决定人眼基本无法识别目标的相关度取值。在实际使用中阈值的选取应当根据当前背景下地面保护/攻击目标的不同来具体选择。包括飞机、车辆、坦克等典型目标，这些目标大小不同，在成像中有效像元数量不同，因此需要对不同成像目标进行相关度匹配计算。将主要目标的典型模板与干扰后的图像进行叠加，计算模板与叠加后的区域的相关度。再依据约翰逊判据，将人眼基本无法识别时的相关系数选取作为相关性阈值。由于试验条件限制，本文将激光发射台区域作为目标区域，我们通过实验选择符合人眼识别效果（干扰光斑形状相对完整，背景部分残留较少）的C0值作为相关性阈值，结果如图7所示，本文将其确定为0.4。
![]()
图 7 不同阈值的相关度图像二值分割结果Figure 7. Binary segmentation results of correlation images with different threshold values定义相关度大于给定相关性阈值C0的像素数量为有效干扰像素数量。依据激光输出功率与设备、环境参数的关系计算入瞳功率，进行干扰效果评估验证。
3.3 干扰效果评估结果
图8展示了入瞳功率为0.7137 μW的532 nm激光器干扰下，受干扰图像与原始图像的相关度计算结果，均以灰度图像显示。
在相关度计算结果图中，像素灰度级越小即像素越黑表示相关度越小，两幅图像在该区域差异越大。图8（c）中央黑色区域的位置即为激光光斑所在位置，可见受到光斑干扰区域与原始图像相比差异较大，信息损失严重。
4 评估结果分析
4.1 激光入瞳功率与有效干扰像素数关系验证
与激光输出功率对应的干扰区域像素数统计结果如表1所示。
表 1 入瞳功率与有效干扰像元数统计表Table 1. Statistical table of entrance pupil power and the number of effective interference pixels编号 532 nm 808 nm 出射
功率/mW入瞳功
率/10−3 mW有效
干扰
像素数出射
功率/mW入瞳功
率/10−3 mW有效
干扰
像素数1 5.70 0.222 8 20 342 44.4 0.227 3 154 934 2 6.48 0.253 3 20 940 64.9 0.332 2 155 618 3 6.80 0.265 8 20 332 85.9 0.439 7 158 761 4 7.27 0.284 2 21 612 95.5 0.488 9 160 359 5 7.87 0.307 6 21 660 107.2 0.548 8 157 330 6 8.37 0.327 1 21 001 126.1 0.645 5 163 775 7 8.55 0.334 2 22 225 139.4 0.713 6 160 734 8 8.94 0.349 4 23 199 164.4 0.841 6 164 023 9 9.63 0.376 4 22 312 180.8 0.925 5 163 602 10 10.12 0.395 5 22 468 200.8 1.027 9 162 929 11 10.75 0.420 2 25 719 211.9 1.084 7 165 602 12 12.04 0.470 6 24 119 238.5 1.220 9 162 227 13 12.82 0.501 1 24 874 272.2 1.393 4 165 638 14 13.74 0.537 0 24 641 350 1.791 7 166 025 15 15.18 0.593 3 26 348 417 2.134 6 167 714 16 16.49 0.644 5 26 092 482 2.467 4 170 662 17 18.26 0.713 7 26 384 549 2.810 4 174 609 入瞳功率P与模糊像素数量N的统计关系如图9所示。实际实验中激光器的光束质量、功率稳定性、环境温度等因素的变化都会影响最终的成像情况，可以看出入瞳功率-干扰像素数（常用对数）大致呈线性关系。评价结果符合激光器干扰一般规律，说明实验开展条件控制合理且此种评价方式是有效正确的。激光干扰入瞳功率与模糊像素数的线性拟合结果如（9）式与（10）式所示：
$$ \lg (N) = 0.253\;3 × \lg (P) + 4.467\;4 $$ (9) $$ \lg (N) = 0.041\;5 × \lg (P) + 5.214\;5 $$ (10) ![]()
图 9 入瞳功率与有效干扰像元数关系Figure 9. Relationship between entrance pupil power and the number of effective interference pixels可由此关系描述不同波段激光器对效应物的干扰作用，进而进行线性干扰范围内，激光干扰效果预测。从2个公式的对比可以看出，808 nm激光光束在初始条件下对场景干扰更大，光斑扩散更明显；入瞳功率逐渐增大时，532 nm激光器在探测器上饱和溢出效应更明显，达到光斑区域完全饱和所需的出射功率更小。
4.2 亮度变化对相关度评估方法的影响
大部分相似度评估方法将图像的整体亮度变化视为相似度变化的重要指标，但在激光干扰效果评估中，环境亮度变化等因素导致的图像整体亮度变化不应当作为衡量干扰效果的因素，算法应该对背景亮度变化具有鲁棒性。图10展示了模拟不同整体亮度下受干扰图像与原始图像的图像相关度计算结果。
![]()
图 10 整体亮度均匀变化对相关度计算的影响Figure 10. Influence of overall luminance uniform change on correlation calculation由于改进后的相关度计算采用去中心的方法，仅考虑各区域的灰度值波动情况，所以当图像亮度整体均匀变化时，相关度计算结果不受影响。
5 结论
图像的相关度计算结果易受图像对准精度和图像区域内灰度值变化影响。本文从计算干扰前后图像相关度的角度评估激光干扰效果，在精确配准干扰前后图像的基础上以像素为单位计算图像相关度，该方法对于图像的平移、旋转与缩放具有一定的鲁棒性。实验采集了不同波段以及激光干扰功率下的干扰图像，并运用基于相关度计算的方法对采集到的图像进行干扰效果评价。实验结果表明，本文的方法评估结果符合人类的主观视觉感受，能为激光干扰效果的评估提供准确、量化的依据，处理速度较快，具有一定的工程应用价值。
-
![]()
图 2 滑动步进与窗口分块的相关度计算结果
Figure 2. Correlation calculated results by sliding step method and window block method
![]()
图 6 图像未配准情况下相关度计算结果示例
Figure 6. Examples of correlation calculated results without image registration
![]()
图 7 不同阈值的相关度图像二值分割结果
Figure 7. Binary segmentation results of correlation images with different threshold values
![]()
图 9 入瞳功率与有效干扰像元数关系
Figure 9. Relationship between entrance pupil power and the number of effective interference pixels
![]()
图 10 整体亮度均匀变化对相关度计算的影响
Figure 10. Influence of overall luminance uniform change on correlation calculation
表 1 入瞳功率与有效干扰像元数统计表
Table 1 Statistical table of entrance pupil power and the number of effective interference pixels
编号 532 nm 808 nm 出射
功率/mW入瞳功
率/10−3 mW有效
干扰
像素数出射
功率/mW入瞳功
率/10−3 mW有效
干扰
像素数1 5.70 0.222 8 20 342 44.4 0.227 3 154 934 2 6.48 0.253 3 20 940 64.9 0.332 2 155 618 3 6.80 0.265 8 20 332 85.9 0.439 7 158 761 4 7.27 0.284 2 21 612 95.5 0.488 9 160 359 5 7.87 0.307 6 21 660 107.2 0.548 8 157 330 6 8.37 0.327 1 21 001 126.1 0.645 5 163 775 7 8.55 0.334 2 22 225 139.4 0.713 6 160 734 8 8.94 0.349 4 23 199 164.4 0.841 6 164 023 9 9.63 0.376 4 22 312 180.8 0.925 5 163 602 10 10.12 0.395 5 22 468 200.8 1.027 9 162 929 11 10.75 0.420 2 25 719 211.9 1.084 7 165 602 12 12.04 0.470 6 24 119 238.5 1.220 9 162 227 13 12.82 0.501 1 24 874 272.2 1.393 4 165 638 14 13.74 0.537 0 24 641 350 1.791 7 166 025 15 15.18 0.593 3 26 348 417 2.134 6 167 714 16 16.49 0.644 5 26 092 482 2.467 4 170 662 17 18.26 0.713 7 26 384 549 2.810 4 174 609 
下载: 导出CSV
-
[1] 王燕, 王鹏辉. 激光主动成像技术综述[J]. 电子质量,2019(7):1-3. doi: 10.3969/j.issn.1003-0107.2019.07.001 WANG Yan, WANG Penghui. Overview of laser active imaging technology[J]. Electronics Quality,2019(7):1-3. doi: 10.3969/j.issn.1003-0107.2019.07.001
[2] ESKICIOGLU A M, FISHER P S. Image quality measures and their performance[J]. IEEE Transactions on Communications,1995,43(12):2959-2965. doi: 10.1109/26.477498
[3] 汪孔桥. 数字图像的质量评价[J]. 测控技术,2000(5):14-16. doi: 10.3969/j.issn.1000-8829.2000.05.003 WANG Kongqiao. Quality assessment of digital images[J]. Measurement & Control Technology,2000(5):14-16. doi: 10.3969/j.issn.1000-8829.2000.05.003
[4] XU W, HAUSKE G. Picture quality evaluation based on error segmentation[J]. SPIE,1994,2308:1454-1465.
[5] 王虹, 潘晓露, 李一民, 等. 一种基于梯度幅度值的图像质量客观评价方法[J]. 光学与光电技术,2004,2(6):23-25. doi: 10.3969/j.issn.1672-3392.2004.06.008 WANG Hong, PAN Xiaolu, LI Yimin, et al. A Method for objective assessing image quality based on gradient magnitude[J]. Optics & Optoelectronic Technology,2004,2(6):23-25. doi: 10.3969/j.issn.1672-3392.2004.06.008
[6] 杨春玲, 陈冠豪, 谢胜利. 基于梯度信息的图像质量评判方法的研究[J]. 电子学报,2007,35(7):1313-1317. doi: 10.3321/j.issn:0372-2112.2007.07.017 YANG Chunling, CHEN Guanhao, XIE Shengli. Gradient information based image quality accessment[J]. Acta Electronica Sinica,2007,35(7):1313-1317. doi: 10.3321/j.issn:0372-2112.2007.07.017
[7] 徐琳, 陈强, 汪青. 色彩熵在图像质量评价中的应用[J]. 中国图象图形学报,2015,20(12):27-36. XU Lin, CHEN Qiang, WANG Qing. Application of color entropy to image quality assessment[J]. Journal of Image and Graphics,2015,20(12):27-36.
[8] 杨光义, 陈浩, 李梦涵, 等. 基于图像熵的无参考图像质量评价方法: CN109325550A[P]. 2019-02-12. YANG Guangyi, CHEN Hao, LI Menghan, et al. A reference-free image quality assessment method based on image entropy: CN109325550A[P]. 2019-02-12.
[9] 倪晓明. 基于小波变换图像质量评价新算法[D]. 厦门: 厦门大学, 2009. NI Xiaoming. New image quality assessment algorithm based on the wavelet transform[D]. Xiamen: Xiamen University, 2009.
[10] 孙运强, 程湘爱, 王飞. 一种针对激光干扰图像的质量评价方法[J]. 红外与激光工程,2007,36(5):88-91. SUN Yunqiang, CHENG Xiangai, WANG Fei. Method of quality evaluation aimed at laser-disturbing imaging[J]. Infrared and Laser Engineering,2007,36(5):88-91.
[11] 田浩南, 李素梅. 基于边缘的SSIM图像质量客观评价方法[J]. 光子学报,2013,42(1):110-114. doi: 10.3788/gzxb20134201.0110 TIAN Haonan, LI Sumei. Objective evaluation method for image quality based on edge structure similarity[J]. Acta Photonica Sinica,2013,42(1):110-114. doi: 10.3788/gzxb20134201.0110
[12] 闫乐乐, 李辉, 邱聚能, 等. 基于区域对比度和SSIM的图像质量评价方法[J]. 应用光学,2015,36(1):58-63. doi: 10.5768/JAO201536.0102002 YAN Lele, LI Hui, QIU Juneng, et al. Image quality assessment method based on regional contrast and structural similarity[J]. Journal of Applied Optics,2015,36(1):58-63. doi: 10.5768/JAO201536.0102002
[13] 钱方. 基于特征点分布特性的激光干扰效果评估算法[J]. 中国激光,2014,41(5):221-228. QIAN Fang. Assessment algorithm of laser-dazzling effects based on the feature-point distributing characteristic[J]. Chinese Journal of Lasers,2014,41(5):221-228.
[14] 钱方, 孙涛, 石宁宁, 等. 结合光斑与目标特征的激光干扰效果评估[J]. 光学精密工程,2014(7):1896-1903. QIAN Fang, SUN Tao, SHI Ningning, et al. Assessment of laser-dazzling effects based on laser spot and target features[J]. Optics and Precision Engineering,2014(7):1896-1903.
[15] 张新明, 党留群, 徐久成. 基于十字滑动窗口的快速自适应图像中值滤波[J]. 计算机工程与应用,2007,43(27):37-39. doi: 10.3321/j.issn:1002-8331.2007.27.011 ZHANG Xinming, DANG Liuqun, XU Jiucheng. Fast adaptive image median filter based on crossing windows[J]. Computer Engineering and Applications,2007,43(27):37-39. doi: 10.3321/j.issn:1002-8331.2007.27.011
[16] 张洁玉. 基于图像分块的局部阈值二值化方法[J]. 计算机应用,2017,37(3):827-831. doi: 10.11772/j.issn.1001-9081.2017.03.827 ZHANG Jieyu. Binarization method with local threshold based on image blocks[J]. Journal of Computer Applications,2017,37(3):827-831. doi: 10.11772/j.issn.1001-9081.2017.03.827
[17] 顾大龙, 曾峦, 翟优. 基于SURF的图像匹配算法改进[J]. 现代电子技术,2012(14):79-82. doi: 10.3969/j.issn.1004-373X.2012.14.025 GU Dalong, ZENG Luan, ZHAI You. Improvement of image registration algorithm based on SURF[J]. Modern Electronics Technique,2012(14):79-82. doi: 10.3969/j.issn.1004-373X.2012.14.025
[18] 林晓帆, 林立文, 邓涛. 基于SURF描述子的遥感影像配准[J]. 计算机工程,2010,36(12):216-218. doi: 10.3969/j.issn.1000-3428.2010.12.074 LIN Xiaofan, LIN Liwen, DENG Tao. Remote sensing image registration based on SURF descriptor[J]. Computer Engineering,2010,36(12):216-218. doi: 10.3969/j.issn.1000-3428.2010.12.074
-
期刊类型引用(1)
1. 付健，赵建辉，李帆，张馗. 基于水幕的舰船红外干扰策略研究. 应用光学. 2021(03): 404-412 . 
本站查看
其他类型引用(0)
计量
- 文章访问数: 506
- HTML全文浏览量: 163
- PDF下载量: 50
- 被引次数: 1
陕公网安备 61011302001501号 