基于纹理的SAR图像感知质量评估

王佳婧，焦淑红，申连洋

(1.哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨150001;2.92677部队，辽宁大连116001;3.海军装备部驻沈阳地区军事代表局，辽宁沈阳110000)

SAR是一种主动式微波成像传感器，它利用脉冲压缩技术提高距离分辨率，利用合成孔径原理提高方位分辨率，从而获得大面积的高分辨雷达图像［1］。由于SAR成像不会受到天气、地理位置和时间等因素的影响，并且能透过植被发现隐藏的地下目标，对测绘区的地形、设施、固定和低速运动目标完成高分辨的成像侦察，因此具有重要的军事应用价值，这在近年来的多次局部战争中得到了充分的验证。干扰效果评估［2］对电子对抗设备的研制、试验乃至实战都十分重要，所以，对干扰效果的研究是十分必要的。鉴于不同的干扰原理，SAR干扰大致可分为压制性干扰和欺骗式干扰。压制性干扰［3-4］是利用合适的噪声信号进入雷达接收机，以掩盖所期望探测的目标信号;而欺骗式干扰［5］是对回波信号产生一个假目标，以干扰真目标的识别。本文主要考虑的是压制性干扰。现有的SAR图像质量评估方法主要有主观评估法和客观评估法［6］。主观评估法［7］是衡量SAR干扰系统性能中相对出色的手段，以选用研究和涉及该方向的专家来实现干扰性能的评估。但耗时耗力，且不具有随时应用性。客观评估法主要包括基于SAR图像质量性能指标的评估方法［8］、图像均方误差［9］、最大峰值信噪比［10］、信息熵［6］、基于结构相似度［11］的评估方法，以及方兴未艾的基于纹理的方法［12］等。目前的这些方法都没有很好的与人类视觉系统HVS相结合，导致评估结论的可信度比较低。

由于SAR图像是一种反映目标后向散射特性的灰度图像，具有很强的纹理特性，所以在本文中提出一种基于纹理的符合人类视觉特性的SAR图像干扰质量评估方法。将图像进行纹理特征的提取，获得纹理特征参数矩阵，将此参数矩阵小波分解，计算每个小波子带的干扰前后的结构因子，并利用人类视觉系统与小波的倍频程特征［13］和方向选择性得到的值进行加权。与传统的最大峰值信噪比、结构相似度以及奇异值分解［14］方法相比较，本方法更符合人类视觉特性，能分辨出复杂纹理与简单纹理干扰的不同。

1 纹理特征的获取

SAR图像的灰度反映的是目标的雷达后向散射特性，如果2个目标的后向散射性质相同或相似，则二者的灰度值是相同或相似的，那么单从灰度特性分析将无法区分。所以，在SAR图像的质量评估中引入纹理特性，因为它是对图像各像元之间空间分布的一种描述，能充分利用图像信息，与其他图像特征相比，它能更好地兼顾图像宏观性质与细微结构2个方面，所以先提取SAR图像的纹理特征。

纹理特征的提取方法有很多，最有效的也是最常用的是利用灰度共生矩阵。在灰度图像Ⅰ中任取一点(x，y)以及偏离它的另一点(x+a，y+b)，形成一个点对，设该点对的灰度值为(i，j)，即点(x，y)的灰度为i，点(x+a，y+b)的灰度为j。固定a和b，令点(x，y)在整幅图像上移动，则会得到各种(i，j)的值。在整幅图像中，统计出每一种(i，j)值出现的次数，就得到灰度共生矩阵Gd[i，j]:

为了能更直观地用灰度共生矩阵描述纹理状态，Haralick［15］计算出了 14种统计量参数，本文在考虑了各特征量的相关性和冗余度之后选取了对比度、熵和相关性这3个参数来进行多次计算。

对比度描述的是纹理的清晰程度，纹理分沟纹越深，对应的对比度就越大，其表达式为

熵是一个随机性的度量，它表示了图像中纹理的非均匀程度或复杂程度，表达式为

相关性用来描述灰度共生矩阵中行(或列)元素之间相似的程度，是图像灰度线性关系的度量，表达式为

通过多次仿真发现对比度参数对不同纹理的描述更清晰，更有利于后续计算，所以本文提出的方法是用对比度提取纹理特征。

图1 不同参数的纹理图像Fig.1 Textural images with different features

2 视觉加权处理

2.1 人类视觉系统HVS

人类视觉系统是一个复杂且巨大的工程，目前科学家们对HVS还没有一个全面深入的理论认识，但也建立了一个典型的模型，此模型包括了视觉感知系统的3个最明显的特征:视觉非线性、视觉敏感度、多通道结构掩盖效应。

图2 人类视觉系统模型Fig.2 Model of HVS

当前结合HVS特性的图像质量评估体系中，对比敏感度函数［16］(CSF)应用的最为广泛 。Mannos和Sakrison等建立了对比敏感度的近似曲线:

从对比敏感度函数三维图中可以看出，HVS的敏感区间主要集中在低频区域，最大值对应的空间频率为6～7周期/度，然后逐渐下降，在大于40周期/度以后，敏感度接近于零。也就是说，人眼最为敏感的频带是中低频带，而中低频带又是图像的主要轮廓。因此人眼对图像质量做出评价时更多的会考虑中低频带的信息失真度。由此联想到小波分解，它可以灵活的利用不同的频带信息，这样就可以得到更符合人眼视觉特性的评估结果。

图3 对比敏感度函数三维图Fig.3 Three-dimensional diagram of CSF

2.2 频程特性和方向选择性

对视觉皮层细胞实验表明，HVS由相邻的多个并列视觉通道构成，这些通道的空间频率带宽约为一个倍频程，它们具有线性或正交相位、位移不变性，对水平0°、垂直90°同方向的刺激最敏感，而在对角线方向敏感性逐渐减弱，即45°或135°方向处最不敏感。这一结构特征恰好与多分辨滤波器组或小波分解相匹配，用1组可调塔式多分辨滤波器建模，可以进行有效的模拟。在实际应用中用小波变换可取得较高的计算效率。根据对应关系(如图4)，推导出对比敏感度函数在不同尺度不同方向上的归一化频程加权系数。

由于HVS在对角线方向敏感性逐渐减弱，所以选择对角线方向的低频分量为绝对加权系数，即设最低频分量的加权值为1，则最后得到的相对加权系数见表1。

图4 不同方向的CSF曲线及频程加权系数Fig.4 The weighted coefficient of CSF curve and frequencies in different directions

表1 5级小波的对比敏感度相对加权系数Table 1 The weighted coefficient of CSF for five-level DWT

3 基于纹理的感知质量评估

将原图与干扰图像分别用16×16的滑窗分块进行纹理特征的提取，得到原始图像的对比度纹理特征矩阵和干扰图像的对比度纹理特征矩阵，将这2个矩阵分别进行5级小波分解(采用Daubechies小波)，分别得到16个不同频带不同方向的小波系数，将干扰前后对应频带对应方向的小波系数利用结构因子进行计算。结构因子表达式如下:

式中:σx、σy分别为原始图像和干扰图像的纹理特征在小波分解后对应频带对应方向的方差;σxy是原始图像与干扰图像的纹理特征在小波分解后对应频带对应方向矩阵的协方差，C是防止分母为0的很小的整数，结构因子体现了结构的相似性。

最后，将得到的16个结构因子与对应的加权系数加权求和，得到基于纹理的感知质量评估结果。

式中:ωij为第i频带j方向所对应的对比敏感度加权系数，Sij(x，y)为第i频带j方向所对应的结构因子，S16(x，y)为将纹理特征进行5级小波分解后最低频的结构因子。

4 仿真实验与结果分析

为验证提出方法对干扰评估的有效性，采用SAR图像的2个场景，场景1是公路沿途和林荫，场景2是某军事基地图像。在整个场景上和不同感兴趣区域分别加入不同强度的高斯白噪声干扰。试验中，取图像大小均为512×512，分块窗口取16×16。对于场景1取灰度共生矩阵所用参数为L=64，θ=45°，d=1;对于场景2取灰度共生矩阵所用参数为L=64，θ=135°，d=1。为了验证本文的方法更优越，采用传统的最大峰值信噪比(PSNR)、经典的结构相似度(SSIM)以及奇异值分解(SVD)质量评估方法与之相比较。

4.1 单调性的验证

实验1对整体场景进行压制性干扰，如图5。

图5 整体压制性干扰Fig.5 The suppressing interference on the whole scene

用不同干信比的高斯白噪声产生压制性干扰，然后利用不同的方法进行图像质量评估，验证了本方法与其他方法一样具有单调性，评估结果见表2。

表2 整体压制性干扰不同方法的质量评估Table 2 The image quality assessment of suppressing interference on the whole scene

4.2 感知性的验证

实验2对场景1简单纹理和复杂纹理区域加局部干扰，如图6和图7。

图6 简单纹理干扰Fig.6 The suppressing interference on the simple texture

图7 复杂纹理干扰Fig.7 The suppressing interference on the complex texture

可以看到对简单纹理区域和复杂纹理区域加相同强度的干扰，复杂纹理的干扰效果明显，对于目标识别来说难度增大，本文方法的评估结果接近视觉效果，可以很好的体现这一点。评估结果见表3、4。

表3 对场景1简单纹理干扰不同方法的质量评估Table 3 The image quality assessment of scene 1 under the interference on the simple texture

表4 对场景1复杂纹理干扰不同方法的质量评估Table 4 The image quality assessment of scene 1 under the interference on the complex texture

4.3 有效性的验证

实验3是为了验证本文方法的有效性和优越性，取不同的场景，用同样的仿真方法对不同纹理区域进行了干扰评估，如图8和图9。评估结果见表5、6。通过实验可以得到如下结论:

1)随着噪声不断加大，图像质量变差，无论是整体干扰还是局部干扰，本文方法与其他方法一样都具有单调递减的性质。且从实验1可以看出，本文方法与SSIM方法的变化趋势符合人类视觉感知，当干扰加到10 dB以后，图像质量明显变差，而PSNR和SVD算法无法体现这种变化趋势。

2)从实验2和实验3可发现，对于局部干扰干信比较大时，无法识别被干扰区域目标，从干扰的目的和人类视觉系统的角度来看，图像质量明显变差，所以得到的评估值下降的趋势应比较明显，而PSNR和SSIM均无法体现这一点。本文提出的方法和SVD较为符合。

3)对于相同大小的干扰加到不同纹理区域，从目标识别和视觉效果上来说，都应该是加到复杂纹理目标的干扰起到的作用大，图像质量更差。所以相同干信比条件下，复杂纹理干扰比简单纹理干扰的图像质量评估值要小。而且随着干信比的增加，复杂干扰图像质量评估值下降的更快。从表格中可以看到本文提出的方法能体现出这一点，而其他3个方法的数据变化较小，无法体现感知性，而PSNR方法对复杂纹理干扰和简单纹理干扰的评估甚至与感知性相反。

图8 简单纹理干扰Fig.8 The suppressing interference on the simple texture

图9 复杂纹理干扰Fig.9 The suppressing interference on the complex texture

表5 对场景2简单纹理干扰不同方法的质量评估Table 5 The image quality assessment of scene 2 under the interference on the simple texture

表6 对场景2复杂纹理干扰不同方法的质量评估Table 6 The image quality assessment of scene 2 under the interference on the complex texture

5 结束语

本文提出了一种基于纹理的符合人类视觉感知的SAR图像质量评估方法。该方法能够实现符合人类视觉感知的干扰图像质量评估，不仅对整体压制性干扰有较好的评估效果，对于干扰在不同的纹理区域的评估结果，更优于传统的评估方法。但对于SAR图像 纹理特征的提取需要的时间较长，不利于工程实现，未来的研究重点将着力解决特征提取的时间问题，并对SAR干扰图像和主观判读分数建立一个数据库，为以后对不同干扰的SAR图像质量评估做准备。

［1］OLIVER C，QUEGAN S.Understanding synthetic aperture radar images［M］.Raleigh:SciTech Publishing，2004:1-50.

［2］柏仲干，谢虹，马孝尊，等.SAR干扰/抗干扰技术的现状与发展［J］.电光与控制，2012，19(2):47-53.BAI Zhonggan，XIE Hong，MA Xiaozun，et al.An overview on the techniques of SAR ECM and ECCM［J］.Electronics Optics and Control，2012，19(2):47-53.

［3］马俊霞，蔡英武，陈惠连.SAR压制式干扰仿真及效果评估［J］.信息与电子工程，2004，2(2):109-113.MA Junxia，CAI Yingwu，CHEN Huilian.Simulation and evaluation of barrage jamming on SAR［J］.Information and Electronic Engineering，2004，2(2):109-113.

［4］WANG X，YU W，QI X，et al.Radiofrequency interference suppression in synthetic aperture radar based on singular spectrum analysis with extended-FAPI subspace tracking［J］.Radar，Sonar＆ Navigation IET，2012，6(9):881-890.

［5］孙云辉，李芳倩，冯建伟.基于SAR图像的欺骗式干扰效果评估研究［J］.航天电子对抗，2006，22(2):31-34.SUN Yunhui，LI Fangqian，FENG Jianwei.Effect evaluation for deception jamming based on SAR image［J］.Aerospace Electronic Warfare，2006，22(2):31-34.

［6］梁恒.SAR图像干扰效果评估［D］.成都:电子科技大学，2006:38-52.LIANG Heng.SAR Image interference effect evaluation［D］.Chengdu:University of Electronic Science and Technology of China，2006:38-52.

［7］JIAO Shuhong，DONG Weisheng.SAR image quality assessment based on SSIM using textural feature［C］//2013 Seventh InternationalConference on Image and Graphics(ICIG).Qingdao，China，2013:281-286.

［8］ZHANG Han，LI Yu，SU Yi.SAR image quality assessment using coherent correlation function［C］//2012 5th International Congress on Image and Signal Processing(CISP).Chongqing，China，2012:1129-1133.

［9］李源.基于均方误差的逆合成孔径雷达干扰效果评估［J］.信息与电子工程，2008，6(5):342-345.LI Yuan.An evaluation method of jamming effect on inverse synthetic aperture radar［J］.Information and Electronic Engineering，2008，6(5):342-345.

［10］ROSENBERG L，GRAY D.Anti-jamming techniques for multichannel SAR imaging［J］.IEE Proceedings-Radar，Sonar and Navigation，2006，153(3):234-242.

［11］ZHOU Wang，BOVIK A C，SHEIKH H R，et al.Image quality assessment:from error visibility to structural similarity［J］.IEEE Transactions on Image Processing，2004，13(4):600-612.

［12］HU Anzhou，ZHANG Rong，YIN Dong，et al.Perceptual quality assessment of SAR image compression based on image content partition and neural network［J］.Chinese Journal of Electronics，2013，22(3):543-548.

［13］韩国强，刘阳，李永祯.基于视觉加权处理的SAR干扰效果评估［J］.雷达科学与技术，2011，9(1):18-23.HAN Guoqiang，LIU Yang，Li Yongzhen.Evaluation of jamming effect on SAR based on visual weighted processing［J］.Radar Science and Technology，2011，9(1):18-23.

［14］SHNAYDERMAN A，GUSEV A，ESKICIOGLU A M.An SVD-based grayscale image quality measure for local and global assessment［J］.IEEE Transactions on Image Processing，2006，15(2):422-429.

［15］HARALICK R M，SHANMUGAM K，DINSTEIN I.Textural features for image classification［J］.IEEE Transactions on Systems，Man and Cybernetics，1973，SMC-3(6):610-621.

［16］MANNOS J，SAKRISON D.The effects of a visual fidelity criterion of the encoding of images［J］.IEEE Transactions on Information Theory，1974，20(4):525-536.