[发明专利]一种综合的多曝光高动态图像重建效果评价方法

权利要求书

1.一种综合的多曝光高动态图像重建效果评价方法，其特征在于，该方法包括以下步骤：

确定单因素评价指标，并计算每个指标，将计算得到的结果组成评价指标集X，X＝{x₁,x₂,...,x_i,...,x_n}为图像中的n个单因素评价指标；

获得融合结果集S，S＝{s₁,s₂,...,s_j,...,s_m}为m种融合算法的融合结果；

计算单因素评价指标的评价矩阵R：首先计算单因素评价

然后通过映射f诱导出模糊关系即R_f(x_i,s_j)＝f(x_i)(s_j)＝r_ij，模糊关系R_f由模糊矩阵R∈u_n×m得到，称R为单个评价指标的评价矩阵，接着通过模糊关系R导出X到S的模糊线性变换T_f；

通过权重集C和评价矩阵R计算综合评价D：权重集C通过判断矩阵分析法确定，m个融合结果对应的综合评价是集合S的一个模糊子集：D＝(d₁,d₂,...,d_j,...,d_m)∈T(S)，其中d_j表示第j个融合结果s_j在最终评价结果中所处的地位，即s_j相对于模糊集D的隶属度：D(s_j)＝d_j，评价结果D的值是X的模糊子集C＝(c₁,c₂,...,c_i,...,c_n)∈T(X)，且其中c_i代表因素i的权重，采用max-min合成运算，得到综合评价D：

2.如权利要求1所述的综合的多曝光高动态图像重建效果评价方法，其特征在于，使用的单因素评价指标包括信息熵、平均梯度、平均曝光量、结构相似度、交互信息量和交叉熵。

3.如权利要求2所述的综合的多曝光高动态图像重建效果评价方法，其特征在于，信息熵、平均梯度、平均曝光量、结构相似度、交互信息量和交叉熵的计算方法具体为：

(1)信息熵

F为融合图像，其大小M×N，L是最大灰度级，图像F的信息熵计算：

EN=-Σi=0L-1Pilog PiPi=NiM×N---(1)]]>

其中，EN表示图像的熵，P_i表示灰度分布概率，N_i是灰度级i的像素数；

(2)平均梯度

计算公式为：

GD=1(M-1)(N-1)×Σx=1M-1Σy-1N-1((F(x+1,y)-F(x,y))2+(F(x,y+1)-F(x,y))2)2---(2)]]>

其中，F为融合图像，M×N是图像大小，(x,y)是像素位置，GD为图像梯度；

(3)平均曝光量

计算如下式所示:

ME(x,y)=exp(-(F(x,y)-0.5)22σ2)uME=1M×NΣx=1MΣy=1NME(x,y)---(3)]]>

其中，F(x,y)为融合图像的像素灰度值，σ为方差，ME(x,y)为像素(x,y)的适度曝光量，u_ME为融合图像的平均曝光量；

(4)结构相似度

结构相似度评价融合图像与源图像的相似程度，其计算公式如下：

u_A、u_F分别表示源图像A和融合图像F的均值；

d_A、d_F分别表示图像A和F的方差；

d_AF表示图像A和F的协方差；

A和F的结构相似度为：

SS_AF＝L_AF^wa×C_AF^wb×S_AF^wc(4)

wa、wb和wc分别为均值、方差、协方差的权值；

同理可计算SS_BF，则A、B和F的结构相似度为：

SS_ABF＝SS_AF+SS_BF (5)

(5)交互信息量MI

A、B为源图像，[0,L₁]、[0,L₂]分别表示它们的灰度级范围，[0,L]为其灰度范围，I_FA和I_FB表示融合图像F与源图像A、B的交互信息量：

IFA=Σi=0L1Σj=0LPFAlog2PFAPFPA,IFB=Σi=0L2Σj=0LPFBlog2PFBPFPB---(6)]]>

其中，P_A、P_B和P_F分别代表源图像A、B和融合图像F的概率密度，P_FA、P_FB代表它们之间的联合密度，综合考虑I_FA和I_FB，是F和A、B的交互信息量总和：

MFAB=IFA+IFB---(7)]]>

(6)交叉熵

交叉熵大小反映了融合图像与源图像差异程度，交叉熵值越小，表示融合图像保留源图像的信息越多，说明融合效果越好，越能反映真实场景，其计算公式如下：

UEFA=-Σi=0L-1PAilog2PAiPFi,UEFB=-Σi=0L-1PBilog2PBiPFi]]>

UE_FAB＝UE_FA+UE_FB(8)

其中，PA_i、PB_i、PF_i分别代表源图像A、B和融合图像F的灰度分布概率，UE_FA、UE_FB分别代表图像A和F、B和F的交叉熵，UE_FAB代表图像A、B、F的交叉熵。

4.如权利要求2所述的综合的多曝光高动态图像重建效果评价方法，其特征在于，所述权重集C的具体计算方法为：

从所述评价指标集X＝{信息熵x₁，平均梯度x₂，平均曝光量x₃，结构相似性x₄，交互信息量x₅，交叉熵x₆}中任意取出一对指标(x_i,x_j)，表示指标x_i相对于指标x_j“重要程度”的判断值；

经过两两因素比较得到：

fxj(xi)=x1x2x3x4x5x6x1133143x2111132x3151235x4133123x5111111x6111151,i,j=1,2,3,4,5,6]]>

(2)构造判断矩阵

将上面的判断值分别带入下式：

hij=fxj(xi)fxi(xj)---(9)]]>

得到判断矩阵

H=12214312115133212511335133123141313121151312151351]]>

(3)确定因素i的权重c_i

计算判断矩阵H的最大特征根λ_max，即求λ满足下式的最大者：

λ-12214312λ-1151332125λ-11335133λ-12314131312λ-115131215135λ-1=0]]>

解得λ_max＝6.9178，特征向量ξ为：

ξ＝[0.53098 0.22517 0.50082 0.60097 0.12092 0.20188]

归一化得C：

C＝[0.24349 0.10325 0.22966 0.27558 0.05545 0.092573]。