红外图像复杂度评估方法综述

    刘毅

    摘 要：红外图像复杂度是评估红外成像制导武器作战性能的重要指标，由于现实作战对抗 环境的复杂多变，红外目标自动识别（ATR）面临巨大挑战，因此准确客观地评价红外图像复杂度 对考核提升自动识别技术具有重大现实意义。针对红外目标自动识别的应用背景，深入探讨了红 外图像复杂度的内涵，对现有红外图像复杂度的评估方法进行综述分析，并介绍了面向ATR应用 的复杂度描述指标。

    关键词：红外图像；复杂度；自动目标识别

    中图分类号：TJ760.1 文献标识码：A 文章编号：1673-5048（2014）03-0051-04

    ReviewofInfraredImageComplexityEvaluationMethod

    LIUYi

    （MilitaryRepresentativeOfficeinChinaAirborneMissileAcademy，Luoyang471009，China）

    Abstract：Infraredimagecomplexityisanimportantindexintheevaluationofinfraredguidedweap on.Withinthetremendouscomplicatedcombatenvironment，automatictargetrecognition（ATR）faces bigchallenges.Therefore，accurateandobjectiveevaluationofimagecomplexityhasgreatvaluefor ATRsimprovement.Inthispaper，imagecomplexitysconceptisfirstlydiscussed，andthencurrente valuationmethodsofthecomplexityareoverviewed.Finally，usefulevaluationindexesareintroducedfor ATRapplication.

    Keywords：infraredimage；complexity；automatictargetrecognition

    0 引 言

    现实情况下，目标场景所包含的空中与地面 背景的红外辐射特性变化极大、分布也可能极不 均匀，易在图像上“淹没”目标并使目标与背景无 法区分，而辐射传播路径上的云、雾、霾等气象条 件或障碍物还可能会对目标造成不同程度的“遮蔽”，实际效果如图1所示；同时，现代空战条件 下各种光电对抗手段也会通过在视场中制造多个 虚假目标、遮蔽目标或使成像效果劣化的方法阻 遏对目标的识别处理；此外，导弹高超声速飞行条 件下的气动加热效应、系统所受环境电磁干扰、探 测成像系统内部非均匀性及噪声，也会使成像出 现模糊、失真、噪声增大等劣化情况并增加目标识 别的难度。结合上述分析，现实作战条件会通过以 下机理降低红外图像中目标与背景的区分度，使 红外图像更加复杂而难以处理：

    （1）使背景噪声增大从而无法区分目标；

    （2）使图像中存在多个逼真的假目标；

    （3）在图像中遮蔽真实目标。

    针对上述应用背景，可将红外图像复杂度定义 为从红外图像中识别跟踪目标的困难程度，具体可 采用目标相对背景区分度的量测特征量进行描述。 但一般而言，不同作战条件下目标特性相差极大， 且除少数近距条件外目标主要为点目标成像，所占 图像比重极小，因此对红外图像复杂度的客观评价 可主要基于图像背景或全图像的灰度分布差异特性 进行。现有方法广泛采用图像灰度域、空间域、频 域、信息熵的统计特征描述图像随机度、均匀度、对 比度特性，以此反映图像整体复杂度并制定评价指 标，本文将对上述方法与指标进行综述分析。

    2 基于图像特征的复杂度评估方法

    图像通常包含边缘、形状、纹理等特征，基于 上述特征可研究评估图像复杂程度的一般方法。典型方法包括：基于区域灰度统计特性的方法、基 于信息熵的方法、基于变换域计算的方法和基于 纹理特征的方法等，下面对上述方法的内涵及特 点进行分别介绍。

    （1）区域灰度统计方法

    区域灰度统计方法主要着眼于将图像在空间域 进行划分，通过统计各子区域对比度、方差等相关 特性值得到全图像的复杂度量值。文献[1]基于局 部图像灰度和边缘信息度量图像复杂度，具体把图 像划分为多个目标相似区域，通过计算各区域对比 度和边缘强度计算目标相似度及分布，从而确定图 像复杂度；文献[2]通过计算5×5像素块内像素灰 度值的变化大小，度量图像复杂度；文献[3]将红外 实时图像分为4×4的分块，基于所有子块中的最 大、最小方差计算图像信噪比，以衡量图像整体复 杂度。基于区域灰度统计的方法能够一定程度上表 征图像的复杂程度，但其结果受区域尺度选择的影 响较大，难以全面反映图像的复杂度。

    （2）信息熵统计方法

    信息熵统计方法通过对图像灰度级的出现概 率进行计算，得到图像灰度的信息熵值，用以反映 图像灰度域的内在复杂度情况。文献[4]描述了基 于图像灰度级个数及每个灰度级像素出现情况的 信息熵及复杂度计算公式，具体如下：

    文献[5]则采用像素灰度与相邻像素灰度构建二 维直方图，并基于二维直方图的分布情况计算图像信 息量。信息熵统计方法能够从整体上反映图像灰度的 统计特性，但难以描述图像边缘等细节特性。

    （3）变换域统计方法

    变换域统计方法主要将图像变换到频率域， 采用数学方法提取其频率分布特性以及各频率成 分的对比度，作为图像复杂度量测的依据。文献 [5]还对图像进行二维离散傅里叶变换，在频域内 计算能量谱的熵值以评估图像复杂程度。文献[6] 提出以8×8像素块为单位，在DCT域对图像各频 率成分进行邻域差别计算、并利用视觉模型进行 度量，最终累计所有图像块邻域差别得到图像整 体的复杂度数值。变换域计算方法能够提取图像 在变换域的特性信息，但也难以反映图像边缘、纹 理等与目标检测密切相关的特征情况。

    （4）纹理特征统计方法

    纹理作为灰度分布的一种描述形式，可用来 评估图像灰度的分布差异性，通过提取纹理信息 不仅可获得图像整体的统计特性，也可对边缘、纹 理等图像细节进行描述，因此纹理特征被越来越 多地应用于图像复杂程度评估。现有提取纹理特 征的经典方法是构建图像灰度共生矩阵[7]，并基 于该矩阵提取能量、对比度、相关性、同质性及随 机性等特征量[8-9]，以描述纹理特性。

    a.能量

    基于图像特征的评估方法可定量描述图像复 杂程度，而针对自动目标识别的应用背景，可在此 基础上制定与目标识别困难程度相关联的评价指 标，以满足ATR技术评估的内在需求。现有研究 主要采用的复杂度指标包括：信噪比、综合复杂 度、目标混淆/遮蔽度、目标发现概率等。

    （1）信噪比

    信噪比是描述红外小目标图像处理难度最常 用的评价指标，能够较简洁地量测从图像中提取 有效信息所面临的复杂程度，但其难以适用于大 目标红外图像，且仅当信噪比中的“噪声”部分能 够有效反映图像复杂度时，该指标才能真正满足 实际评估的需求。

    （2）综合复杂度

    基于上述空间域灰度、灰度域信息熵、频率域 分布以及纹理特征，可将各类图像特征计算的图 像复杂度数值进行加权综合，得到图像综合复杂 度结果。

    （3）目标混淆度/遮蔽度[11]

    鉴于现实情况下，红外图像识别的难度主要源 自于环境对目标的混淆或遮蔽，因此文献[11]设置 了目标混淆/遮蔽度指标，以评估红外图像复杂度。 目标混淆度在小目标图像条件下，可通过建立与图 像虚假目标数量相关的映射函数进行计算；在大目 标图像条件下，可基于目标区域的灰度共生矩阵， 在全图遍历扫描，并将各扫描区域与目标区域的相 似度加权求和，得到混淆度量测结果。目标遮蔽度 在小目标图像条件下，可基于目标区域图像灰度与 已知完整目标灰度的比值加权计算；而在大目标图像条件下，则基于已知完整目标区域的灰度共生矩 阵以及边缘像素数与现有图像比较得到。

    （4）目标发现概率[12]

    鉴于实际条件下红外图像的复杂性、随机性， 文献[12]提出以发现概率为基础的评价方法，具 体通过计算图像背景区和目标区的纹理特征相似 度均值，并根据心理学测得的图像特征差别与人 眼判别结果的对应关系得出目标的发现概率。

    参照以上复杂度指标，可将参试红外图像的 复杂度进行分类排序，并能够归纳得到ATR算法 对于不同复杂度级别红外图像的处理能力，从而 对ATR算法的性能进行有效评估。

    4 结 束 语

    红外成像目标自动识别是今后红外精确制导 武器发展的必然趋势，红外图像复杂度评估技术 作为其效能评估的重要支撑技术，必将在其未来 的技术发展中发挥更大作用。

    参考文献：

    [1]PetersRA，StricklandRN.ImageComplexityMetricsfor

    AutomaticTargetRecognizers[C]//AutomaticTarget RecognizerSystemandTechnologyConference，NavalSur faceWarfareCenter，SilverSpring，October1990：1-17.

    [2]张友华，李扬.基于统计的图像数字水印隐藏方法 [J].计算机系统应用，2001（1）：62-63.

    [3]王鹏，孙继银，巨西诺.前视红外图像质量评价指标 研究[J].弹箭与制导学报，2012（1）：53-56.

    [4]高振宇，杨晓梅，龚剑明，等.图像复杂度描述方法研 究[J].中国图象图形学报，2010（1）：129-135.

    [5]徐春梅，李刚，胡文刚，等.红外图像评价质量研究 [J].红外技术，2004（6）：72-75.

    [6]钱思进，张恒，何德全.基于图像视觉复杂度计算的 分类信息隐藏图像库[J].解放军理工大学学报（自然 科学版），2010（1）：26-30.

    [7]HaralickRM，ShanmngamK，DinsteinIH.TextureFea tureforImageClassification[J].IEEETranscationson Systems，ManandCybernetics，1973，3（6）：768-780.

    [8]章毓晋.图像处理和分析[M].北京：清华大学出版 社，1999：231-240.

    [9]冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图 像的研究[J].北京测绘，2007（3）：19-22.

    [10]邓果，赵险峰，黄炜，等.一种用于隐写测评的图像 纹理复杂度估计方法[J].计算机工程，2012（7）： 116-118.

    [11]刁伟鹤，毛峡，常乐.一种新的红外目标图像质量评 价方法[J].航空学报，2010（10）：2026-2033.

    [12]林伟，陈玉华，高洪生，等.基于红外目标纹理特征 的发现概率评价模型[J].红外与激光工程，2009 （1）：155-159.

    （4）纹理特征统计方法

    纹理作为灰度分布的一种描述形式，可用来 评估图像灰度的分布差异性，通过提取纹理信息 不仅可获得图像整体的统计特性，也可对边缘、纹 理等图像细节进行描述，因此纹理特征被越来越 多地应用于图像复杂程度评估。现有提取纹理特 征的经典方法是构建图像灰度共生矩阵[7]，并基 于该矩阵提取能量、对比度、相关性、同质性及随 机性等特征量[8-9]，以描述纹理特性。

    a.能量

    基于图像特征的评估方法可定量描述图像复 杂程度，而针对自动目标识别的应用背景，可在此 基础上制定与目标识别困难程度相关联的评价指 标，以满足ATR技术评估的内在需求。现有研究 主要采用的复杂度指标包括：信噪比、综合复杂 度、目标混淆/遮蔽度、目标发现概率等。

    （1）信噪比

    信噪比是描述红外小目标图像处理难度最常 用的评价指标，能够较简洁地量测从图像中提取 有效信息所面临的复杂程度，但其难以适用于大 目标红外图像，且仅当信噪比中的“噪声”部分能 够有效反映图像复杂度时，该指标才能真正满足 实际评估的需求。

    （2）综合复杂度

    基于上述空间域灰度、灰度域信息熵、频率域 分布以及纹理特征，可将各类图像特征计算的图 像复杂度数值进行加权综合，得到图像综合复杂 度结果。

    （3）目标混淆度/遮蔽度[11]

    鉴于现实情况下，红外图像识别的难度主要源 自于环境对目标的混淆或遮蔽，因此文献[11]设置 了目标混淆/遮蔽度指标，以评估红外图像复杂度。 目标混淆度在小目标图像条件下，可通过建立与图 像虚假目标数量相关的映射函数进行计算；在大目 标图像条件下，可基于目标区域的灰度共生矩阵， 在全图遍历扫描，并将各扫描区域与目标区域的相 似度加权求和，得到混淆度量测结果。目标遮蔽度 在小目标图像条件下，可基于目标区域图像灰度与 已知完整目标灰度的比值加权计算；而在大目标图像条件下，则基于已知完整目标区域的灰度共生矩 阵以及边缘像素数与现有图像比较得到。

    （4）目标发现概率[12]

    鉴于实际条件下红外图像的复杂性、随机性， 文献[12]提出以发现概率为基础的评价方法，具 体通过计算图像背景区和目标区的纹理特征相似 度均值，并根据心理学测得的图像特征差别与人 眼判别结果的对应关系得出目标的发现概率。

    参照以上复杂度指标，可将参试红外图像的 复杂度进行分类排序，并能够归纳得到ATR算法 对于不同复杂度级别红外图像的处理能力，从而 对ATR算法的性能进行有效评估。

    4 结 束 语

    红外成像目标自动识别是今后红外精确制导 武器发展的必然趋势，红外图像复杂度评估技术 作为其效能评估的重要支撑技术，必将在其未来 的技术发展中发挥更大作用。

    参考文献：

    [1]PetersRA，StricklandRN.ImageComplexityMetricsfor

    AutomaticTargetRecognizers[C]//AutomaticTarget RecognizerSystemandTechnologyConference，NavalSur faceWarfareCenter，SilverSpring，October1990：1-17.

    [2]张友华，李扬.基于统计的图像数字水印隐藏方法 [J].计算机系统应用，2001（1）：62-63.

    [3]王鹏，孙继银，巨西诺.前视红外图像质量评价指标 研究[J].弹箭与制导学报，2012（1）：53-56.

    [4]高振宇，杨晓梅，龚剑明，等.图像复杂度描述方法研 究[J].中国图象图形学报，2010（1）：129-135.

    [5]徐春梅，李刚，胡文刚，等.红外图像评价质量研究 [J].红外技术，2004（6）：72-75.

    [6]钱思进，张恒，何德全.基于图像视觉复杂度计算的 分类信息隐藏图像库[J].解放军理工大学学报（自然 科学版），2010（1）：26-30.

    [7]HaralickRM，ShanmngamK，DinsteinIH.TextureFea tureforImageClassification[J].IEEETranscationson Systems，ManandCybernetics，1973，3（6）：768-780.

    [8]章毓晋.图像处理和分析[M].北京：清华大学出版 社，1999：231-240.

    [9]冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图 像的研究[J].北京测绘，2007（3）：19-22.

    [10]邓果，赵险峰，黄炜，等.一种用于隐写测评的图像 纹理复杂度估计方法[J].计算机工程，2012（7）： 116-118.

    [11]刁伟鹤，毛峡，常乐.一种新的红外目标图像质量评 价方法[J].航空学报，2010（10）：2026-2033.

    [12]林伟，陈玉华，高洪生，等.基于红外目标纹理特征 的发现概率评价模型[J].红外与激光工程，2009 （1）：155-159.

    （4）纹理特征统计方法

    纹理作为灰度分布的一种描述形式，可用来 评估图像灰度的分布差异性，通过提取纹理信息 不仅可获得图像整体的统计特性，也可对边缘、纹 理等图像细节进行描述，因此纹理特征被越来越 多地应用于图像复杂程度评估。现有提取纹理特 征的经典方法是构建图像灰度共生矩阵[7]，并基 于该矩阵提取能量、对比度、相关性、同质性及随 机性等特征量[8-9]，以描述纹理特性。

    a.能量

    基于图像特征的评估方法可定量描述图像复 杂程度，而针对自动目标识别的应用背景，可在此 基础上制定与目标识别困难程度相关联的评价指 标，以满足ATR技术评估的内在需求。现有研究 主要采用的复杂度指标包括：信噪比、综合复杂 度、目标混淆/遮蔽度、目标发现概率等。

    （1）信噪比

    信噪比是描述红外小目标图像处理难度最常 用的评价指标，能够较简洁地量测从图像中提取 有效信息所面临的复杂程度，但其难以适用于大 目标红外图像，且仅当信噪比中的“噪声”部分能 够有效反映图像复杂度时，该指标才能真正满足 实际评估的需求。

    （2）综合复杂度

    基于上述空间域灰度、灰度域信息熵、频率域 分布以及纹理特征，可将各类图像特征计算的图 像复杂度数值进行加权综合，得到图像综合复杂 度结果。

    （3）目标混淆度/遮蔽度[11]

    鉴于现实情况下，红外图像识别的难度主要源 自于环境对目标的混淆或遮蔽，因此文献[11]设置 了目标混淆/遮蔽度指标，以评估红外图像复杂度。 目标混淆度在小目标图像条件下，可通过建立与图 像虚假目标数量相关的映射函数进行计算；在大目 标图像条件下，可基于目标区域的灰度共生矩阵， 在全图遍历扫描，并将各扫描区域与目标区域的相 似度加权求和，得到混淆度量测结果。目标遮蔽度 在小目标图像条件下，可基于目标区域图像灰度与 已知完整目标灰度的比值加权计算；而在大目标图像条件下，则基于已知完整目标区域的灰度共生矩 阵以及边缘像素数与现有图像比较得到。

    （4）目标发现概率[12]

    鉴于实际条件下红外图像的复杂性、随机性， 文献[12]提出以发现概率为基础的评价方法，具 体通过计算图像背景区和目标区的纹理特征相似 度均值，并根据心理学测得的图像特征差别与人 眼判别结果的对应关系得出目标的发现概率。

    参照以上复杂度指标，可将参试红外图像的 复杂度进行分类排序，并能够归纳得到ATR算法 对于不同复杂度级别红外图像的处理能力，从而 对ATR算法的性能进行有效评估。

    4 结 束 语

    红外成像目标自动识别是今后红外精确制导 武器发展的必然趋势，红外图像复杂度评估技术 作为其效能评估的重要支撑技术，必将在其未来 的技术发展中发挥更大作用。

    参考文献：

    [1]PetersRA，StricklandRN.ImageComplexityMetricsfor

    AutomaticTargetRecognizers[C]//AutomaticTarget RecognizerSystemandTechnologyConference，NavalSur faceWarfareCenter，SilverSpring，October1990：1-17.

    [2]张友华，李扬.基于统计的图像数字水印隐藏方法 [J].计算机系统应用，2001（1）：62-63.

    [3]王鹏，孙继银，巨西诺.前视红外图像质量评价指标 研究[J].弹箭与制导学报，2012（1）：53-56.

    [4]高振宇，杨晓梅，龚剑明，等.图像复杂度描述方法研 究[J].中国图象图形学报，2010（1）：129-135.

    [5]徐春梅，李刚，胡文刚，等.红外图像评价质量研究 [J].红外技术，2004（6）：72-75.

    [6]钱思进，张恒，何德全.基于图像视觉复杂度计算的 分类信息隐藏图像库[J].解放军理工大学学报（自然 科学版），2010（1）：26-30.

    [7]HaralickRM，ShanmngamK，DinsteinIH.TextureFea tureforImageClassification[J].IEEETranscationson Systems，ManandCybernetics，1973，3（6）：768-780.

    [8]章毓晋.图像处理和分析[M].北京：清华大学出版 社，1999：231-240.

    [9]冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图 像的研究[J].北京测绘，2007（3）：19-22.

    [10]邓果，赵险峰，黄炜，等.一种用于隐写测评的图像 纹理复杂度估计方法[J].计算机工程，2012（7）： 116-118.

    [11]刁伟鹤，毛峡，常乐.一种新的红外目标图像质量评 价方法[J].航空学报，2010（10）：2026-2033.

    [12]林伟，陈玉华，高洪生，等.基于红外目标纹理特征 的发现概率评价模型[J].红外与激光工程，2009 （1）：155-159.