一种目标与背景的图像复杂度评价模型的制作方法

一种目标与背景的图像复杂度评价模型的制作方法
【专利摘要】一种目标与背景的图像复杂度评价模型，属于数字图像处理、图像分析与理解领域。该模型为一个三维欧氏测量空间Pn，测量空间Pn中的任意复杂度向量C由目标特性p1，目标相似性p2，背景特征p3三个向量构成；复杂度向量C的模|C|即是目标与背景的图像复杂度，pi取值越大，则|C|越大。每个向量pi由评价测量指标tij(j＝1,2,...n)构成，n为指标个数，目标特性p1由五个指标构成、目标相似性p2由二个指标构成、背景特征p3由五个指标构成。相比现有技术，本发明可指导不同图像复杂度下的目标识别跟踪方法的算法优化、策略优化和性能评价，具有计算速度快，描述准确，符合人类主观感官认识的优点。
【专利说明】一种目标与背景的图像复杂度评价模型

【技术领域】
[0001] 本发明属于数字图像处理、图像分析与理解领域，特别涉及一种图像复杂度评价 模型。

【背景技术】
[0002] 目标与背景的图像复杂度反映了从数字图象中检测和识别目标的难易程度。在图 像信息隐藏、图像压缩编码、字符识别、生物医学图像处理、卫星遥感图像分析和自动目标 识别跟踪等诸多领域，都面临因待识别目标和图像背景之间的特性差异和复杂程度不同， 而采取和选择不同的图像处理方法和算法，以及不同的图像鉴别分析策略的难题。
[0003]目前，图像特征参数繁多而复杂，对图像内容的表述方式不一致，如中国科学 院自动化研究所在2010年申请的专利"网页视觉复杂度的自动评价方法"（专利号：CN 102141998 B);上海交通大学在2014年申请的专利"基于结构降化模型的半参考图像质量 评价方法"（CN 104112272 A);浙江大学在2012年申请的专利"一种基于像素域失真度估 计的视频质量评价方法"（CN 102984541 A);都提出了自己对于图像指标参数、图像质量或 复杂度的评价方法，但是计算过于繁琐，操作困难。同时，虽然图像复杂度评价指标很多，但 又多数只是采用多个度量指标简单组合的方法。这就造成了图像复杂度表征不够准确，图 像复杂度描述不具体，表达效果不直接，或与人的主观认知不符合等现象。
[0004] 因此，本领域亟需一种新的技术来改变这样的现状。


【发明内容】

[0005] 本发明所要解决的技术问题：针对现有技术的不足和缺陷，本发明提供一种目标 与背景的图像复杂度评价模型，可指导不同图像复杂度下的目标识别跟踪方法的算法优 化、策略优化和性能评价，具有计算速度快，描述准确，符合人类主观感官认识的优点。
[0006] 本发明是这样设计的：一种目标与背景的图像复杂度评价模型，其特征在于：该 模型为一个三维欧氏测量空间P n{Pi，（i = 1，2,. . . n)} (n = 3)，所述的测量空间Pn中获得 的的任意复杂度向量C由目标特性Pl，目标相似性p 2，背景特征p3三个向量构成；所述的复 杂度向量C的模|C|即是目标与背景的图像复杂度， ？1取值越大，则|C|越大；所述的Pl、 P2、P3的尺度取值范围均为大于等于〇,且小于等于1 ;
[0007]所述的每个向量Pi由评价测量指标hj(j = 1，2, ... n)构成，n为指标个数；所述 的目标特性Pi由五个指标构成，即图像中目标的熵tn、目标干扰比t12、目标与背景的面积 比例t13、目标与局部背景的相关性t14、目标与局部背景非参数K-S检验度量t15 ;所述的目 标相似性P2由二个指标构成，即目标与伪目标的互相关系数峰值比t21、区域边缘形状相似 度t 22 ;所述的背景特征p3由五个指标构成，即图像背景的边缘比率t31、图像背景的纹理共 生矩阵中的熵t 32、能量t33、对比度t34、相关性t35构成。
[0008] 其特征在于：所述的图像可由人工或自动识别算法划分出目标区域，背景区域，目 标周围的局部背景区域，以及背景中的伪目标区域。
[0009] -种目标与背景的图像复杂度评价方法，其特征在于：包括下述步骤，
[0010] 步骤一、根据图像中目标的熵tn、目标干扰比t12、目标与背景的面积比例t 13、目标 与局部背景的相关性t14、目标与局部背景非参数K-S检验度量t15这五个评价测量指标计 算目标特性Pi ;
[0011] 步骤二、根据目标与伪目标的互相关系数峰值比t21、区域边缘形状相似度t 22这二 个评价测量指标计算目标相似性p2;
[0012] 步骤三、根据图像背景的边缘比率t31、图像背景的纹理共生矩阵中的熵t 32、能量 t33、对比度t34、相关性t35这五个评价测量指标计算背景特征p 3;
[0013] 步骤四、计算目标特性？1，目标相似性P2，背景特征P 3H个向量的向量尺度；
[0014] 步骤五、根据目标特性？1，目标相似性p2，背景特征口 3计算复杂度向量C的模|C|， 获得目标与背景的图像复杂度。
[0015] 通过上述设计方案，本发明可以带来如下有益效果：
[0016] 本发明的目标与背景图像复杂度模型建立了欧式空间下的图像复杂度的向量表 示，采用多特征数据融合的方法较全面的对图像的复杂度进行估计，可用于指导不同图像 复杂度下的目标检测和识别方法的算法优化、策略优化和性能评价，具有计算速度快，描述 准确，符合人类主观感官认识的优点，具有广泛的应用需求和前景。
[0017] 本发明其技术效果在于，建立了欧式空间下的图像复杂度的向量表示，是一种图 像复杂度的整体与局部相结合的定量分析方法；建立了目标背景多参数的三层评价指标体 系，提供了一种对目标与背景的图像复杂度评价的有效方法。本发明有效解决评价模型指 标繁多，涵义混杂，指标之间复合权重不明确等问题。

【专利附图】

【附图说明】
[0018] 下面结合【专利附图】

【附图说明】和【具体实施方式】对本发明作进一步说明：
[0019]图1为本发明一种目标与背景的图像复杂度评价模型的欧式空间的结构示意图。
[0020] 图2为本发明一种目标与背景的图像复杂度评价模型的目标检测识别中目标与 背景特征区域示意图。
[0021]图3为本发明一种目标与背景的图像复杂度评价模型的目标与背景特征评价参 数三层结构示意图。
[0022] 图4为本发明一种目标与背景的图像复杂度评价模型实施例中A组示意图。
[0023] 图5为本发明一种目标与背景的图像复杂度评价模型实施例中B组示意图。
[0024] 图中1为背景、2为目标、3为局部背景、4为伪目标。

【具体实施方式】
[0025] 如图所示的一种目标与背景的图像复杂度评价模型，其特征在于：该模型为一个 三维欧氏测量空间Pn{Pi，（i = 1，2,. . .n)} (n = 3)，所述的测量空间Pn中获得的的任意复 杂度向量C由目标特性Pl，目标相似性p 2，背景特征p3三个向量构成；所述的复杂度向量C 的模|C|即是目标与背景的图像复杂度， ？1取值越大，则|C|越大；所述的Pl、p2、p3的尺度 取值范围均为大于等于〇,且小于等于1 ;
[0026] 所述的每个向量Pi由评价测量指标hj(j=1，2,...n)构成，n为指标个数；所述 的目标特性Pi由五个指标构成，即图像中目标的熵tn、目标干扰比t12、目标与背景的面积 比例t13、目标与局部背景的相关性t14、目标与局部背景非参数K-S检验度量t15 ;所述的目 标相似性P2由二个指标构成，即目标与伪目标的互相关系数峰值比t21、区域边缘形状相似 度t 22 ;所述的背景特征p3由五个指标构成，即图像背景的边缘比率t31、图像背景的纹理共 生矩阵中的熵t 32、能量t33、对比度t34、相关性t35构成。
[0027] 所述的图像可由人工或自动识别算法划分出目标区域，背景区域，目标周围的局 部背景区域，以及背景中的伪目标区域。
[0028] -种目标与背景的图像复杂度评价方法，其特征在于：包括下述步骤，
[0029] 步骤一、根据图像中目标的熵tn、目标干扰比t 12、目标与背景的面积比例t13、目标 与局部背景的相关性t14、目标与局部背景非参数K-S检验度量t 15这五个评价测量指标计 算目标特性Pi ;
[0030] 步骤二、根据目标与伪目标的互相关系数峰值比t21、区域边缘形状相似度t 22这二 个评价测量指标计算目标相似性p2;
[0031] 步骤三、根据图像背景的边缘比率t31、图像背景的纹理共生矩阵中的熵t 32、能量 t33、对比度t34、相关性t35这五个评价测量指标计算背景特征p 3;
[0032] 步骤四、计算目标特性？1，目标相似性p2，背景特征p 3H个向量的向量尺度；
[0033] 步骤五、根据目标特性？1，目标相似性p2，背景特征口3计算复杂度向量C的模|C|， 获得目标与背景的图像复杂度。
[0034]目标与背景图像复杂度模型的具体计算过程如下：
[0035] 背景图像区域大小为MXN，目标区域大小为WXH，局部背景区域是与目标区域图 像面积相同的外环形矩形区域，伪目标区域与目标区域面积相同为WXH，如图2所示，其中 1代表为背景、2代表为目标、3代表为局部背景、4代表为伪目标。
[0036] (1)目标特征的指标计算
[0037]目标特征指标用于计算目标区域和局部背景区域的特征信息。
[0038] ①目标的熵H

【权利要求】
1. 一种目标与背景的图像复杂度评价模型，其特征在于：该模型为一个三维欧氏测量 空间Pn{Pi，（i = 1，2,. . . n)} (n = 3)，所述的测量空间Pn中获得的的任意复杂度向量C由 目标特性Pl，目标相似性P2，背景特征P3三个向量构成；所述的复杂度向量C的模| C |即是 目标与背景的图像复杂度，？1取值越大，则|C|越大；所述的Pl、p2、p 3的尺度取值范围均为 大于等于0,且小于等于1 ; 所述的每个向量Pi由评价测量指标tij(j = 1，2,. . . n)构成，n为指标个数；所述的 目标特性Pl由五个指标构成，即图像中目标的熵tn、目标干扰比t12、目标与背景的面积比 例t13、目标与局部背景的相关性t14、目标与局部背景非参数K-S检验度量t15 ;所述的目标 相似性p2由二个指标构成，即目标与伪目标的互相关系数峰值比t21、区域边缘形状相似度 t22 ;所述的背景特征p3由五个指标构成，即图像背景的边缘比率t31、图像背景的纹理共生 矩阵中的熵t32、能量t33、对比度t34、相关性t35构成。
2. 根据权利要求1所述的一种目标与背景的图像复杂度评价模型，其特征在于：所述 的图像可由人工或自动识别算法划分出目标区域，背景区域，目标周围的局部背景区域，以 及背景中的伪目标区域。
3. 根据权利要求1所述的一种目标与背景的图像复杂度评价方法，其特征在于：包括 下述步骤， 步骤一、根据图像中目标的熵tn、目标干扰比t12、目标与背景的面积比例t13、目标与局 部背景的相关性t14、目标与局部背景非参数K-S检验度量t15这五个评价测量指标计算目 标特性Pi ; 步骤二、根据目标与伪目标的互相关系数峰值比t21、区域边缘形状相似度t22这二个评 价测量指标计算目标相似性P2 ; 步骤三、根据图像背景的边缘比率t31、图像背景的纹理共生矩阵中的熵t32、能量t33、对 比度t34、相关性t35这五个评价测量指标计算背景特征p3 ; 步骤四、计算目标特性Pl，目标相似性P2，背景特征P3三个向量的向量尺度； 步骤五、根据目标特性Pl，目标相似性p2，背景特征p3计算复杂度向量C的模| C |，获得 目标与背景的图像复杂度。
【文档编号】G06K9/00GK104392209SQ201410632453
【公开日】2015年3月4日 申请日期:2014年11月7日 优先权日:2014年11月7日
【发明者】段锦, 祝勇, 钱小飞, 肖博, 陈燕芹 申请人:长春理工大学