孫 可，葉 慶，孫曉泉

(1. 國防科技大學 脈沖功率激光技術國家重點實驗室， 安徽 合肥 230037；2. 國防科技大學 先進激光技術安徽省實驗室， 安徽 合肥 230037)

光電成像系統(tǒng)激光干擾效果評估是光電對抗研究的重要環(huán)節(jié)，是全面評估激光干擾系統(tǒng)戰(zhàn)術性能的關鍵步驟[1-2]。為了能夠定量、客觀分析評估光電成像系統(tǒng)的激光干擾效果，需要確定相應的評估指標。激光干擾圖像的一個顯著的特征是圖像質量的下降。因此，一些研究者從圖像質量的角度，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]、相關系數(shù)[6]、圖像結構相似度指數(shù)[7]等基于圖像灰度值的統(tǒng)計特征作為評估指標，對比分析干擾前后上述指標的變化，據(jù)此評估干擾效果。

然而，上述評估指標在量化過程中大多以整幅圖像作為研究對象，評估指標最終反映的是激光干擾導致的整幅圖像質量的下降程度。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器)準確地獲取圖像中的目標信息[8]。光斑引起的飽和區(qū)域主要集中在某一區(qū)域，造成圖像局部質量嚴重下降，而遠離這一區(qū)域的圖像受到的干擾相對較小。因此，基于圖像的整體質量的評估指標不能反映激光光斑的局部覆蓋效應，需要針對目標區(qū)域內的局部圖像質量建立評估指標。

除局部圖像質量嚴重下降外，激光光斑的覆蓋還導致基于圖像特征點匹配的目標檢測和識別任務無法實現(xiàn)[9-10]。所謂圖像特征點，是一些能夠反映圖像局部重要特征的像素點，比如灰度變化劇烈的邊緣點(edges)或者角點(corners)、多個特征點組成的團簇(blobs)以及目標中具有狹長結構的脊點(ridges)等，常被廣泛應用于物體檢測和識別、目標匹配尤其是精確制導武器的目標匹配和圖像自動尋的制導等領域[11]。目標被激光光斑覆蓋勢必會造成目標區(qū)域局部特征的明顯變化，進而導致能夠成功匹配的特征點數(shù)量大幅降低，最終影響目標識別的成功率。因此，特征點數(shù)量的變化能夠反映干擾對目標區(qū)域局部特征的影響。

為此，本文提出目標區(qū)域局部特征和局部圖像質量相結合的激光干擾效果評估方法。采用SURF(speeded up robust features)特征點檢測和匹配算法選取特征點，并從原始圖像和干擾圖像中匹配出目標圖像。分析激光干擾對特征點提取和目標匹配的影響，選擇目標區(qū)域內局部特征點數(shù)、光斑飽和面積以及局部結構相似度3個參數(shù)的乘積作為評估指標，用于評估干擾效果。

1 SURF算法及激光干擾對該算法的影響

1.1 SURF算法

SURF算法是目前較為常用的目標特征提取和匹配算法，具有高效、穩(wěn)定的特性，可用于目標識別和跟蹤鎖定等需要實時運算的場景[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化為對積分圖像的加減運算，從而提高了運算速度。關于SURF算法的詳細論述見文獻[11]。

為了使研究對象更接近戰(zhàn)場實際環(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種實際軍事目標的高分辨自然場景數(shù)字圖像[12]。該數(shù)據(jù)庫的主要目的是評估和驗證各種數(shù)字圖像的尺度(digital metrics)和人眼在復雜場景下搜索目標的模型有效性。但是，鑒于其貼近實際戰(zhàn)場環(huán)境的復雜場景以及各種真實軍事目標在場景中的隱蔽狀態(tài)，仍將其用作激光干擾效果評估的背景圖像。圖1(a)給出了數(shù)據(jù)庫中的第9幅圖像，其中一輛M60坦克隱蔽在復雜的叢林中。利用SURF算法對該圖像中的目標進行特征點匹配時，首先選中場景圖像中包含目標的矩形區(qū)域作為目標模板，如圖1(b)所示。目標區(qū)域是指，以實際目標(即圖中坦克)的中心為中心的矩形，其內部包含的像素數(shù)是實際目標所含像素數(shù)的2倍。然后，運用SURF算法分別對場景圖像和目標模板進行特征點檢測，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位置。不難看出，坦克目標的特征點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。進一步，將兩幅圖片中的特征點進行匹配，就能夠在場景圖像中的識別目標，如圖1(e)和圖1(f)所示。

(a) 場景圖像(a) Scene image (b) 目標圖像(放大)(b) Target image(enlarged)

(c) 場景圖像中部分SURF特征點(c) Some SURF feature points in scene image (d) 目標圖像中部分SURF特征點(d) Some SURF feature points in target image

(e) 目標圖像與場景圖像間特征點匹配(e) Feature points matching between target image and scene image

(f) 目標識別(f) Target recognition圖1 基于SURF特征點匹配的目標識別Fig.1 Target recognition utilizing SURF feature points matching

1.2 激光干擾對SURF算法的影響

激光干擾使得場景圖像疊加一定面積的飽和區(qū)域，導致SURF算法無法在該區(qū)域內提取特征點。如果飽和區(qū)域覆蓋部分目標區(qū)域，目標區(qū)域內能夠提取到的特征點數(shù)將會減少甚至為零，進而影響后面的特征點匹配過程。

為了方便有效地驗證本文的評估方法，根據(jù)文獻[13]的數(shù)值計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分布。首先，根據(jù)入瞳衍射光強分布理論表達式計算得到不同入射功率密度在焦平面上產(chǎn)生的衍射光強分布，將其與探測器飽和閾值相比較，即可得到探測器表面入射光強高于探測器飽和閾值的區(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)，將飽和半徑內像素的灰度值均改為255(也可選擇其他與實際相符的數(shù)值，比如245)。此時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場景圖像的干擾。圖2給出了不同激光干擾對SURF算法識別目標的影響。其中，圖2(a)的激光強度比圖2(b)低，激光光斑覆蓋了目標區(qū)域約3/4的范圍，而圖2(b)中激光光斑幾乎覆蓋了整個目標區(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個數(shù)遠小于未受激光干擾時的個數(shù)。盡管如此，圖2(a)中仍有部分特征點能夠匹配，并準確地實現(xiàn)目標識別，如圖2(c)所示。而圖2(b)中匹配的特征點個數(shù)過少，無法識別目標，如圖2(d)所示。此外，激光干擾已經(jīng)使得觀察者無法準確識別圖2(c)中的目標屬性，但是SURF算法仍能以較小的干擾程度準確實現(xiàn)目標識別，這說明激光干擾對人眼觀察有效，對機器算法有時可能無效，有必要針對機器算法進一步建立符合實際的評估方法。

(a) 激光光斑部分掩蓋目標時SURF算法仍能準確匹配部分特征點(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時SURF算法不能在特征點較少的情況下匹配特征點(b) Inaccurate feature point matching for SURF algorithm with most covered target in scene image

(c) 圖(a)目標識別成功(c) Successful recognition in Fig.(a) (d) 圖(b)目標識別失敗(d) Failed recognition in Fig.(b)圖2 不同功率密度激光對SURF算法識別目標的影響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量相結合的評估方法

如前所述，在評價基于特征點匹配算法的激光干擾效果時，需要考慮目標是否被激光光斑覆蓋，以及覆蓋引起的特征點數(shù)的變化。此外，還需要考慮飽和光斑會引起目標區(qū)域局部圖像質量下降。因此，提出一種目標區(qū)域內局部特征和圖像質量相結合的評估方法ITF-SSIM(in-target-features structural similarity)方法。該方法的評估指標為：

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),描述目標區(qū)域內飽和光斑面積占目標區(qū)域面積的比例，其中A(x)、A(y)分別表示目標區(qū)域的像素總數(shù)以及目標區(qū)域內飽和光斑包含的像素數(shù)，因此1-A(x,y)表示未飽和區(qū)域面積比例，當飽和區(qū)域距離目標區(qū)域較遠時，目標區(qū)域內沒有像素飽和，1-A(x,y)=1表示飽和區(qū)域對目標區(qū)域成像質量沒有影響；N(x,y)=N(y)/N(x)描述目標區(qū)域內特征點數(shù)目的變化情況，其中N(x)、N(y)分別表示干擾前、后目標區(qū)域內能夠準確提取的特征點的數(shù)目，當飽和區(qū)域遠離目標區(qū)域時，特征點提取不受影響，N(x)=N(y),N(x,y)=1；而結構相似度指數(shù)的具體表達式[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、對比度以及結構信息的相關性客觀評價圖像質量。式中，l(x,y)、c(x,y)、s(x,y)分別表示激光干擾前后目標區(qū)域的亮度比較函數(shù)、對比度比較函數(shù)和結構比較函數(shù)。它們的表達式分別為：

(3)

(4)

(5)

為了避免出現(xiàn)分母為零的情況，設置了3個非零常數(shù)C1、C2、C3。其中，μx、μy分別為激光干擾前、后目標區(qū)域的圖像灰度均值，σx、σy分別為激光干擾前、后的圖像灰度標準差，σxy為激光干擾前后目標區(qū)域圖像灰度的協(xié)方差。式(2)中，α、β、γ是權重參數(shù)，用于調整3個相似性參數(shù)的相對重要性，通常取α=β=γ=1。

由式(1)不難看出，如果目標區(qū)域沒有受到激光干擾(盡管有激光入射，但是此時光斑沒有進入目標區(qū)域)，則目標區(qū)域內飽和面積為0(1-A(x,y)=1)，特征點數(shù)目不變(N(x,y)=1)，圖像與目標模板相同(SSIM=1)，則ITF-SSIM=1說明干擾沒有效果。反之，如果激光光斑進入了目標區(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?？梢姡琁TF-SSIM反映了干擾效果的大小，其值越小，干擾效果越好。

ITF-SSIM算法的實現(xiàn)可分為3個步驟。

步驟1：在激光干擾前，選擇場景圖像中的目標區(qū)域x計算目標區(qū)域的像素總數(shù)A(x)；使用SURF算法提取特征點，統(tǒng)計能夠從場景中準確匹配目標圖像特征點的數(shù)目N(x)。

步驟2：在激光干擾后，使用SURF算法提取特征點，確定干擾后的目標區(qū)域y，統(tǒng)計能夠從場景中準確匹配目標圖像特征點的數(shù)目N(y)以及目標區(qū)域內飽和像素數(shù)A(y)。

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

圖3給出了ITF-SSIM評估指標隨入射激光功率以及光斑中心和目標中心相對距離的變化規(guī)律，并與目標區(qū)域內單獨使用SSIM作為評估指標進行對比。需要指出的是，焦平面上的光強分布與入射光功率、光學系統(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。這里為了顯示上述兩種評估指標隨入射功率的變化情況，對入射功率采取了類似歸一化的處理，其具體數(shù)值并不具有實際意義。

圖3(a)為光斑中心與目標中心的距離不變時(兩中心距離405像素，目標區(qū)域尺寸為360像素×530像素)，ITF-SSIM和SSIM指標隨入射功率的變化；圖3(b)為入射功率固定時(此時飽和區(qū)域半徑為375像素)，光斑中心與目標中心的距離對ITF-SSIM和SSIM指標的影響?？梢钥闯觯瑹o論是入射功率的增加還是相對距離的變化，ITF-SSIM與SSIM指標均呈現(xiàn)相同的變化趨勢。但是，兩種情況對應的SSIM指標的變化范圍均是在[0.4,1]，比ITF-SSIM指標的變化范圍要小50%。這表明，相比于針對目標區(qū)域單獨使用SSIM作為評估指標，局部特征使得ITF-SSIM指標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節(jié)，有利于干擾效果的評價。

此外，ITF-SSIM比SSIM指標呈現(xiàn)更加明顯的非線性飽和趨勢。當入射功率大于60或者相對距離小于300像素時，激光光斑幾乎覆蓋了整個目標區(qū)域，匹配的特征點數(shù)和未飽和區(qū)域的面積幾乎為0，ITF-SSIM指標取值接近于0。而SSIM指標沒有涉及目標的局部特征，因此對激光的覆蓋效應很不敏感，不利于干擾效果評估。

(a) 光斑位置不變時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，提出了目標區(qū)域內局部特征和圖像質量的干擾效果評估方法ITF-SSIM。該方法首先利用SURF算法在場景中確定目標區(qū)域，然后計算激光干擾前后目標區(qū)域內特征點數(shù)目、飽和區(qū)域面積以及圖像質量指標SSIM的變化，并將三者的乘積作為最終評估指標ITF-SSIM。該指標的取值范圍為[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：與單獨使用SSIM指標相比，局部特征使得ITF-SSIM指標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節(jié)。因此，ITF-SSIM指標更加適用于激光干擾效果的評估。