張威

（中國石油大學(xué)（華東）計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東青島 266580）

可見光（微光）與紅外彩色融合技術(shù)通過生成一幅彩色融合圖像幫助觀察者更快更準(zhǔn)確地發(fā)現(xiàn)熱目標(biāo)、理解場(chǎng)景內(nèi)容，在交通、遙感、安防等領(lǐng)域發(fā)揮著重要作用[1]。如何有效地對(duì)彩色融合圖像質(zhì)量進(jìn)行客觀評(píng)價(jià)，一直是人們研究的焦點(diǎn)和難點(diǎn)。

傳統(tǒng)的無參考圖像質(zhì)量評(píng)價(jià)方法分為兩部分。首先設(shè)計(jì)學(xué)習(xí)器用于提取質(zhì)量感知特征[2-6]，然后通過映射函數(shù)將感知特征映射到質(zhì)量分?jǐn)?shù)進(jìn)行評(píng)價(jià)。

近年來，有很多成熟的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法被用于圖像質(zhì)量評(píng)價(jià)(Image Quality Assessment,IQA)[7-10]。文獻(xiàn)[11]提出了一種高度無監(jiān)督的IQA 方法，它不需要訓(xùn)練樣本，也不依賴于人眼的主觀評(píng)價(jià)評(píng)分。文獻(xiàn)[12]提出了一種基于多個(gè)最小可覺察誤差(Just Noticeable Distortion,JND)模型的無參考圖像質(zhì)量評(píng)價(jià)方法，將多種JND 模型應(yīng)用于提取多尺度圖像的特征和深度圖，最后合并這些特征并映射到客觀分?jǐn)?shù)。文獻(xiàn)[13]利用張量分解生成多個(gè)特征圖提出了一種新的無參考質(zhì)量評(píng)估方法。文獻(xiàn)[14]通過門控卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)相鄰塊圖像之間的顏色相關(guān)性，利用圖像的語義信息提高了神經(jīng)網(wǎng)絡(luò)的識(shí)別能力，建立了更有效的圖像顏色協(xié)調(diào)性評(píng)價(jià)模型。

基于以上研究，提出了一種生成式雙波段彩色融合圖像質(zhì)量評(píng)價(jià)方法。該方法通過對(duì)抗生成網(wǎng)絡(luò)(Generative Adversarial Net,GAN)預(yù)測(cè)彩色融合圖像的主要內(nèi)容，在目標(biāo)函數(shù)中引入了結(jié)構(gòu)差異度約束。根據(jù)約束函數(shù)向預(yù)測(cè)內(nèi)容中加入不同程度的無序信息，生成一個(gè)偽彩色融合圖像數(shù)據(jù)集。之后建立一個(gè)基于孿生網(wǎng)絡(luò)的質(zhì)量評(píng)估器，在偽彩色融合圖像數(shù)據(jù)集中進(jìn)行預(yù)訓(xùn)練，在真彩色融合圖像數(shù)據(jù)集中進(jìn)行微調(diào)，對(duì)彩色融合圖像質(zhì)量進(jìn)行評(píng)估。

1 生成對(duì)抗網(wǎng)絡(luò)

如圖1 所示，對(duì)抗生成網(wǎng)絡(luò)一般由兩個(gè)子網(wǎng)絡(luò)組成，分別為一個(gè)生成器G和一個(gè)判別器D。其中生成器用來生成樣本，判別器用來區(qū)分真實(shí)樣本和生成樣本。G和D的訓(xùn)練過程是最小化一個(gè)目標(biāo)函數(shù)：

圖1 生成對(duì)抗網(wǎng)絡(luò)模型結(jié)構(gòu)

其中，Pdata為真實(shí)樣本的分布，Pz為輸入噪聲的分布。

通過區(qū)分真實(shí)樣本和生成樣本不斷地對(duì)判別器進(jìn)行優(yōu)化，而生成器通過不斷地最小化ln(1-D(G(z))被優(yōu)化。通過這種對(duì)抗性的訓(xùn)練，最終生成器可以生成更接近真實(shí)樣本的生成樣本，判別器無法區(qū)分真實(shí)樣本和生成樣本。

2 生成式雙波段彩色融合圖像質(zhì)量評(píng)價(jià)模型

如圖2 所示，生成式雙波段彩色融合圖像質(zhì)量評(píng)價(jià)模型主要分成兩個(gè)模塊：基于GAN 的生成模塊和基于孿生網(wǎng)絡(luò)的質(zhì)量評(píng)估模塊。生成模塊通過GAN 推測(cè)彩色融合圖像的主要內(nèi)容，生成大量的偽彩色融合圖像；質(zhì)量評(píng)估模塊通過孿生網(wǎng)絡(luò)在偽彩色融合圖像數(shù)據(jù)集中進(jìn)行預(yù)訓(xùn)練，在真彩色融合圖像數(shù)據(jù)集中進(jìn)行微調(diào)，之后對(duì)彩色融合圖像質(zhì)量進(jìn)行評(píng)價(jià)。

圖2 生成式雙波段彩色融合圖像質(zhì)量評(píng)價(jià)模型結(jié)構(gòu)

2.1 基于GAN的生成模塊

生成模塊由生成器G和判別器D構(gòu)成，以紅外圖像Id1和可見光圖像Id2作為輸入，預(yù)測(cè)其主要內(nèi)容Ig，即Ig=G(Id1,Id2)。判別器的主要目的是區(qū)分預(yù)測(cè)主要內(nèi)容Ig和真實(shí)主要內(nèi)容Ir。通過G和D之間的對(duì)抗訓(xùn)練，預(yù)測(cè)主要內(nèi)容Ig越來越接近真實(shí)主要內(nèi)容Ir。

通過采用WGAN-GP[15]的框架，將判別器D的目標(biāo)函數(shù)定義為:

其中，Ladv為對(duì)抗損失，LGP為梯度懲罰項(xiàng)。

Ladv定義如下：

其中，Pr為真實(shí)主要內(nèi)容的分布，Pg為預(yù)測(cè)主要內(nèi)容的分布。

LGP的定義如下：

其中，Px表示在Pr和Pg之間沿直線均勻采樣的抽樣分布，‖‖?xD(x)2表示D的輸出相對(duì)于輸入的梯度范數(shù)，λ表示懲罰系數(shù)。

在對(duì)抗損失Ladv的約束下，不斷對(duì)生成器進(jìn)行優(yōu)化。除對(duì)抗損失外，為了使生成器G更準(zhǔn)確地預(yù)測(cè)圖像的真實(shí)內(nèi)容，將像素?fù)p失Lpix和內(nèi)容損失Lcon添加到生成器的損失函數(shù)中，其中，Lpix計(jì)算像素空間上預(yù)測(cè)主要內(nèi)容Ig和真實(shí)主要內(nèi)容Ir之間的差異，計(jì)算公式為：

其中，MSE 表示兩個(gè)輸入之間的均方誤差。

內(nèi)容損失定義預(yù)測(cè)主要內(nèi)容Ig和真實(shí)主要內(nèi)容Ir在特征空間上的差異，計(jì)算公式為：

其中，?k表示第k個(gè)卷積層的特征映射。

為了使得生成出的偽融合圖像和真實(shí)融合圖像更加一致，在生成器G的目標(biāo)函數(shù)中提出了一個(gè)結(jié)構(gòu)差異約束條件。使用輸入圖像與預(yù)測(cè)主要內(nèi)容Ig之間的預(yù)測(cè)誤差I(lǐng)u表示無序信息，計(jì)算公式如下：

主要內(nèi)容Ig包含輸入圖像的主要結(jié)構(gòu)信息，因此主要內(nèi)容Ig和預(yù)測(cè)誤差I(lǐng)u之間的結(jié)構(gòu)相似性應(yīng)盡可能小。利用經(jīng)典的SSIM 計(jì)算結(jié)構(gòu)相似度，定義為：

其中，x和y分別代表兩幅要比較的圖像，μx和μy分別為平均值，σx和σy為標(biāo)準(zhǔn)差，C1和C2為常數(shù)。將主要內(nèi)容Ig和預(yù)測(cè)誤差I(lǐng)u之間的結(jié)構(gòu)相似性定義為：

將Ig和Iu轉(zhuǎn)化為灰度圖像計(jì)算Is。為了保持主要內(nèi)容的結(jié)構(gòu)完整性，通過最小化下式來定義結(jié)構(gòu)差異約束：

其中，W和H分別表示Ig的寬度和高度。

最后將生成器的目標(biāo)函數(shù)表示為：

其中，μ為損失權(quán)重，用于平衡各類損失。

由于無法獲得紅外圖像和可見光圖像的真實(shí)主要內(nèi)容，使用彩色融合圖像進(jìn)行替代。在完成生成器的訓(xùn)練之后，獲得生成器目標(biāo)函數(shù)的最小值Gmin*，為了向生成的偽彩色融合圖像中加入不同程度的無序信息，設(shè)置不同的生成器目標(biāo)函數(shù)值使得生成模塊的訓(xùn)練提前停止，以此向偽彩色融合圖像中加入不同程度的無序信息，計(jì)算公式為：

2.2 基于孿生網(wǎng)絡(luò)的質(zhì)量評(píng)估模塊

在生成偽彩色融合圖像數(shù)據(jù)集后，采用孿生網(wǎng)絡(luò)對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)。首先基于孿生網(wǎng)絡(luò)的質(zhì)量評(píng)估模塊在偽融合圖像數(shù)據(jù)集中進(jìn)行預(yù)訓(xùn)練，之后在真彩色融合圖像數(shù)據(jù)集中進(jìn)行微調(diào)。

基于孿生網(wǎng)絡(luò)的質(zhì)量評(píng)估模塊結(jié)構(gòu)如圖3所示。

圖3 基于CNN的質(zhì)量評(píng)估模塊結(jié)構(gòu)

將兩幅待比較的彩色融合圖像分別輸入至網(wǎng)絡(luò)1 和網(wǎng)絡(luò)2，網(wǎng)絡(luò)1 和網(wǎng)絡(luò)2 為參數(shù)共享的孿生網(wǎng)絡(luò)，網(wǎng)絡(luò)的配置為卷積-64、卷積-64、池化、卷積-128、卷積-128、池化、卷積-256、卷積-256、池化，其中卷積-m表示卷積核為3×3、步長(zhǎng)為1 和輸出通道為m的卷積層，孿生網(wǎng)絡(luò)中的所有池化層大小均為2×2，步長(zhǎng)2。兩幅融合圖像經(jīng)過孿生網(wǎng)絡(luò)之后進(jìn)行合并，過程表述為：

其中，T表示孿生網(wǎng)絡(luò)提取出的特征向量，subnetworki代表網(wǎng)絡(luò)i的運(yùn)算過程，concat 代表向量的合并。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)集來源于文獻(xiàn)[16]，數(shù)據(jù)集共分為三類典型場(chǎng)景，51 組圖像，每組圖像包含八幅彩色融合圖像，分別由八種不同的融合算法融合同一場(chǎng)景下的可見光圖像和紅外圖像生成，每幅圖像大小均為320×240 像素。主觀評(píng)價(jià)實(shí)驗(yàn)采用7 分制的評(píng)分標(biāo)準(zhǔn)，對(duì)應(yīng)非常不滿意到非常滿意七個(gè)等級(jí)。圖4-6 分別給出每類典型場(chǎng)景的一組融合圖像，每組包含一幅可見光圖像和一幅紅外圖像以及八幅融合圖像。

圖4 城鎮(zhèn)建筑物場(chǎng)景圖像中的一組源圖像及八幅融合圖像

圖5 海天場(chǎng)景圖像中的一組源圖像及八幅融合圖像

圖6 綠色植物場(chǎng)景圖像中的一組源圖像及八幅融合圖像

將數(shù)據(jù)集隨機(jī)分為兩個(gè)子集，80%用于訓(xùn)練，20%用于測(cè)試。在訓(xùn)練階段，采用訓(xùn)練集對(duì)生成模塊進(jìn)行訓(xùn)練，將無序信息添加程度值設(shè)置為I，λi取[1,3]之間的I個(gè)均值，生成一個(gè)偽彩色融合圖像數(shù)據(jù)集，其標(biāo)簽是兩幅圖像比較的結(jié)果。將質(zhì)量評(píng)估模塊在偽彩色融合圖像數(shù)據(jù)集中進(jìn)行預(yù)訓(xùn)練，在真彩色融合圖像數(shù)據(jù)集中進(jìn)行微調(diào)。在測(cè)試階段，將兩幅待比較的彩色融合圖像輸入到質(zhì)量評(píng)估模塊，輸出彩色融合圖像的評(píng)價(jià)結(jié)果。

采用準(zhǔn)確率、Pearson 相關(guān)系數(shù)和Spearman 相關(guān)系數(shù)三個(gè)評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。其中使用準(zhǔn)確率可以直接判斷模型在偽彩色融合數(shù)據(jù)集和真彩色融合圖像數(shù)據(jù)集中的表現(xiàn)情況；通過評(píng)價(jià)結(jié)果對(duì)融合圖像進(jìn)行排序后使用Pearson 相關(guān)系數(shù)和Spearman 相關(guān)系數(shù)在真彩色融合圖像數(shù)據(jù)集中衡量模型的性能。

3.2 模型評(píng)價(jià)結(jié)果分析

文中提出了一種生成式雙波段彩色融合圖像質(zhì)量評(píng)價(jià)模型，從兩方面對(duì)該模型進(jìn)行有效性分析：1）分析模型本身的參數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)對(duì)評(píng)價(jià)結(jié)果的影響；2）通過對(duì)比其他具有代表性模型的評(píng)價(jià)結(jié)果驗(yàn)證模型的有效性。

設(shè)置不同無序信息程度值I，模型的評(píng)價(jià)結(jié)果如表1 所示，其中，準(zhǔn)確率A為質(zhì)量評(píng)估模塊在偽彩色融合圖像數(shù)據(jù)集中評(píng)價(jià)的準(zhǔn)確率，準(zhǔn)確率B、Pearson相關(guān)系數(shù)和Spearman 相關(guān)系數(shù)為在真彩色融合圖像數(shù)據(jù)集中的評(píng)價(jià)結(jié)果。隨著I值不斷減小，質(zhì)量評(píng)估模塊在偽彩色融合圖像數(shù)據(jù)集中的表現(xiàn)越來越好，生成的偽彩色融合圖像之間的差距也隨之增大，但是會(huì)產(chǎn)生一定的過擬合情況，使得在真彩色融合圖像數(shù)據(jù)集中的表現(xiàn)先提高然后再降低，Pearson 相關(guān)系數(shù)和Spearman 相關(guān)系數(shù)從另一個(gè)方面論證了這個(gè)結(jié)論。實(shí)驗(yàn)結(jié)果表明，當(dāng)I值設(shè)置為10 時(shí)可以獲得較好的評(píng)價(jià)結(jié)果。

表1 添加不同程度無序信息的評(píng)價(jià)結(jié)果

使用一些現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為質(zhì)量評(píng)估模塊檢驗(yàn)對(duì)模型評(píng)價(jià)結(jié)果的影響，分別采用Vgg16、Vgg19、Resnet50 和Resnet101 作為質(zhì)量評(píng)估模塊中的子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，評(píng)價(jià)結(jié)果都是在真彩色融合圖像數(shù)據(jù)集中得出，如表2 所示，Resnet 相較于Vgg 取得了更好的實(shí)驗(yàn)結(jié)果，殘差結(jié)構(gòu)可以使網(wǎng)絡(luò)在提取圖像特征時(shí)丟失更少的信息，文中設(shè)計(jì)的質(zhì)量評(píng)估模塊的結(jié)果略微優(yōu)于Vgg。

表2 不同類型質(zhì)量評(píng)估器的對(duì)比結(jié)果

之后對(duì)比兩種基于局部圖像的圖像質(zhì)量評(píng)價(jià)方法，其中文獻(xiàn)[17]首次提出了此類圖像質(zhì)量評(píng)價(jià)方法(模型A)，文獻(xiàn)[18]提出采用全參考的方式對(duì)局部圖像的質(zhì)量分?jǐn)?shù)進(jìn)行定義(模型B)，但是由于缺少參考圖像，采用文獻(xiàn)[16]中的方法對(duì)局部圖像的質(zhì)量分?jǐn)?shù)進(jìn)行定義。文中模型(模型C)與這兩種方法的對(duì)比結(jié)果如表3 所示，模型A 中局部圖像直接繼承原始圖像的質(zhì)量分?jǐn)?shù)的做法會(huì)引入大量的錯(cuò)誤信息，所以模型A 的評(píng)價(jià)結(jié)果最差；由于真彩色融合圖像數(shù)量過少，模型B 的評(píng)價(jià)結(jié)果也沒有達(dá)到預(yù)期，而生成式雙波段彩色融合圖像質(zhì)量評(píng)價(jià)模型取得了更好的評(píng)價(jià)結(jié)果，證明了該模型在雙波段彩色融合圖像質(zhì)量評(píng)價(jià)方面的有效性。

表3 與基于局部圖像方法的評(píng)價(jià)結(jié)果對(duì)比

另一類常用的圖像質(zhì)量評(píng)價(jià)方法是在ImageNet上進(jìn)行預(yù)訓(xùn)練，由于ImageNet 與彩色融合圖像數(shù)據(jù)庫差別過大，使用文獻(xiàn)[14]中基于門控卷積神經(jīng)網(wǎng)絡(luò)的圖像質(zhì)量評(píng)價(jià)模型(模型D)在AVA 數(shù)據(jù)集中進(jìn)行預(yù)訓(xùn)練，之后在融合圖像數(shù)據(jù)集中進(jìn)行微調(diào)。此外還對(duì)比了文獻(xiàn)[16]中基于記憶色的雙波段彩色融合圖像質(zhì)量評(píng)價(jià)方法(模型E)。對(duì)比結(jié)果如表4 所示，由于AVA 數(shù)據(jù)集與彩色融合圖像數(shù)據(jù)集相差較大，且融合圖像數(shù)據(jù)量較少，模型D 的評(píng)價(jià)結(jié)果較差，而生成式彩色融合圖像質(zhì)量評(píng)價(jià)方法取得了與人眼主觀評(píng)價(jià)較為一致的結(jié)果。

表4 與其他方法的評(píng)價(jià)結(jié)果對(duì)比

4 結(jié)論

文中提出了一種生成式雙波段彩色融合圖像質(zhì)量評(píng)價(jià)方法，該方法分為基于GAN 的生成模塊和基于孿生網(wǎng)絡(luò)的質(zhì)量評(píng)估模塊。通過生成模塊預(yù)測(cè)彩色融合圖像的主要內(nèi)容，在目標(biāo)函數(shù)中引入了結(jié)構(gòu)差異度約束函數(shù)，向偽彩色融合圖像中加入不同程度的無序信息，生成了一個(gè)偽彩色融合圖像數(shù)據(jù)集，解決了彩色融合圖像數(shù)據(jù)量不足和參考圖像缺失的問題。之后建立一個(gè)基于孿生網(wǎng)絡(luò)的質(zhì)量評(píng)估器，質(zhì)量評(píng)估器在偽彩色融合圖像數(shù)據(jù)集中進(jìn)行預(yù)訓(xùn)練，在真彩色融合圖像數(shù)據(jù)集中進(jìn)行微調(diào)，對(duì)彩色融合圖像質(zhì)量進(jìn)行評(píng)估。一系列的實(shí)驗(yàn)證明了該方法的有效性和優(yōu)越性。