第４１卷第４期
２０１２年４月 光 子 学 报ＡＣＴＡ ＰＨＯＴＯＮＩＣＡ ＳＩＮＩＣＡＶｏｌ．４１Ｎｏ．４
Ａｐ
ｒｉｌ ２０１２ 基金项目：
国家自然科学基金（Ｎｏ．６１０７７０７７）和武器装备预研基金项目（Ｎｏ．９１４０Ａ０１０６０１１０ＢＱ０１０８）资助第一作者（通讯作者）：陈振跃（１９８７－），男，硕士研究生，主要研究方向为偏振成像、图像处理．Ｅｍａｉｌ：ｃｚｙ ｂｉｔ＠ｆｏｘｍａｉｌ．ｃｏｍ导 师：王霞（１９７２－），女，副教授，博导，主要研究方向为光电成像技术及图像处理技术．Ｅｍａｉｌ：ａｎｇｅｌｎｉｕｎｉｕ＠ｂｉｔ．ｅｄｕ．ｃｎ收稿日期：２０１１ １０ ２４；修回日期：２０１１ １２
０７ｄｏｉ：１０．３７８８／ｇ小学数学课堂教学的有效性
陈振跃，王霞，邹晓风，金伟其
（北京理工大学光电学院，北京１０００８１
）摘 要：随着图像融合技术的发展，各种融合算法层出不穷，而很多情况下最终的融合图像是由人眼观察的，
从政提醒因此基于人眼视觉系统的图像融合质量评价显得尤为重要．为了能够模拟人眼对于融合图像的感知，得到融合后图像质量的客观评价，本文提出了一种基于差理论的假彩融合图像质
量的评价方法．首先将源图像和融合图像转化到ＣＩＥ
Ｌ＊ａ＊ｂ＊
均匀空间，在频域对图像进行对比度敏感函数滤波，通过计算滤波后融合图像的差判断图像的细节信息，在一定程度上差越大信息越丰富；通过计算融合图像与源图像的差判断融合图像与源图像的相关性，相关性越高，融合算法越好．通过融合图像的差大小以及与源图像的相关性两个参量，得出融合算法的优劣．实验表明，
与其他评价方法相比，本文提出的评价方法与人眼观察的结果较为一致．关键词：图像融合；人眼视觉系统；对比度敏感函数；差中图分类号：Ｏ４３２．３ 文献标识码：Ａ
文章编号：１００４－４２１３（２０１２）０４－０４５１－
５０ 引言
随着成像技术和计算机技术的发展，多源图像信息的融合被越来越多地应用到目标的探测识别中．对融合图像质量的可比性评价是对各种融合算法评价的关键一步．很多情况下，融合得到的图像是人眼进行观察的，因此基于人眼视觉系统（ＨｕｍａｎＶｉｓｕａｌ Ｓｙｓｔｅｍ，ＨＶＳ）的图像评价指标显得尤为重要．传统的评价指标如均方差（Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＭＥＳ）、信噪比（Ｓｉｇｎａｌ－ｔｏ－Ｎｏｉｓｅ Ｒａｔｉｏ，ＳＮＲ）、峰值信噪比（Ｐｅａｋ Ｓｉｇｎａｌ－ｔｏ－Ｎｏｉｓｅ Ｒａｔｉｏ，ＰＳＮＲ）、熵等其数值与图像的感知质量没有必然联系，基于人眼视觉特性的评价方法能更好地模拟人眼对于图像的感知特性，而不是单纯地依据统计数字评价融合图像质量的好坏．
Ｘｙ
ｄｅａｓ和Ｐｅｔｒｏｖｉｃ［１］
通过比较源图像和融合图像的边缘信息提出了一种像素级融合图像质量的评
价方法．Ｑｕ等人［２］
渝安集团
提出了一种基于互信息的图像融
合质量的评价方法．Ｗａｎｇ和Ｂ
ｏｖｉｋ在文献［３］中提出了一种普遍适用的图像质量评价指标．Ｐｉｅｌｌａ［４］在
Ｗａｎｇ和Ｂｏｖｉｋ的基础上，提出了一个新的包含三个变量的评价方法，在不知道真实图像或是没有参考图像的情况下能够比较不同融合算法的优劣．景
娟娟等［５］
提出了在多个波段将多种客观评价方法结
合起来使用的评价手段．
以上评价方法都没有考虑人眼的视觉特性．狄红卫等［６］和刘军等［７］
提出了一
种基于结构相似度的图像融合质量评价方法，充分考虑了图像的结构信息和人类视觉系统的特性，但
是没有发掘彩图像的颜信息．黄小乔等［８］提出
了基于差的均方误差与峰值信噪比的评价方法，该方法没有考虑融合图像与多幅源图像之间的关系，
且融合图像与源图像较为接近时，不确切地认为融合算法较好．谢正祥［９］等人提出了一种基于人类
视觉感知噪音模型的彩图像质量评价方法，该方法没有建立源图像与融合图像之间的关系，无法用于融合图像算法评价．为了更好地提高客观评价与主观感觉的相关性，本文提出了一种基于对比度敏感函数（Ｃｏｎｔｒａｓｔ Ｓｅｎｓｉｔｉｖｉｔｙ Ｆｕｎｃｔｉｏｎ，ＣＳＦ）模型的融合图像差评价指标，实验表明客观评价的效果与人眼的感知具有较高的一致性．
１ 对比度敏感函数
人眼视觉是一个较为复杂的系统，直到现在人们仍然在对其做大量的科学研究．人眼视觉感知有３个显著的特性，
即视觉非线性特性、视觉敏感度带通和视觉多通道特性及掩盖效应［１０］
．
光 子 学 报４１卷
１．１ 人眼视觉模型
人眼视觉系统分辨细节的能力与亮度的关系是它取决于相对亮度的变化，而不是取决于整幅图像的整体亮度；视觉与对比度的关系用视觉系统的ＣＳＦ表示，或称为人眼视觉系统空间调制传递函数（Ｍｏｄｕｌａｔｉｏｎ Ｔｒａｎｓｆｅｒ Ｆｕｎｃｔｉｏｎ，ＭＴＦ）．不同实验所得的ＣＳＦ形式各异，但基本上都认为ＨＶＳ对比度敏感特性是空间频率的函数，且具有带通滤波器性质．视觉皮层的细胞对不同的视觉信息或激励，如颜、频率和方向等有不同的敏感性，而目标识别、掩盖与自适应的研究认为所有这些特征激励在人的视觉系统中，是在不同的通道进行处理的，后续的理论证明，视觉机制的多通道之间并不是彼此孤立的，而是存在着相互的作用、判决与相互影响，以产生最佳视觉，然而多通道之间的相互作用的细节还没有定论［１０］．
掩盖效应（ｍａｓｋｉｎｇ）是指由于另一个激励的存在导致一个激励完全不能或者不容易被检测到，即被掩盖了．在描述多通道中激励之间的相互作用时，掩蔽效应是必须考虑的一种非常重要的现象．另外，这种掩盖效应导致的视觉系统的探测阈值（ＪｕｓｔＮｏｔｉｃｅａｂｌｅ Ｄｉｆｆｅｒｅｎｃｅ，ＪＮＤ）的改变，既可以是抑制，也可以是加强．掩盖效应用阈值提升函数表示（Ｔｈｒｅｓｈｏｌｄ Ｅｌｅｖａｔｉｏｎ），即对比度阈值随背景对比度变化的关系曲线，取决于掩盖物的带宽、相位、方向以及观察者对掩盖物的熟悉程度．根据引发掩盖效应的起因，如强烈的局部对比度、边缘和局部活动性，把它区分为对比度掩盖、边缘掩盖与纹理（噪音）掩盖．
１．２ 对比度敏感函数
基于人眼的视觉特性，对图像滤波时必须建立相对应的数学模型，也即滤波器模型．将待评价的图像转换到频域，由ＣＳＦ对不同频率的响应，可得Ｄ（ｕ，ｖ）＝Ｆ（ｕ，ｖ）Θ（ｒ）（１）式中ｒ＝ｕ２＋ｖ
槡２，Θ（ｒ）是ＣＳＦ在频域的表达式．目前使用最广的三种ＣＳＦ模型分别是Ｍａｎｎｏｓ－Ｓｋａｒｉｓｏｎ滤波器、Ｄａｌｙ滤波器以及Ａｈｕｍａｄａ滤波器．三种滤波器有不同的属性，其中最大的差别在于滤波器之间的带宽．Ｍａｎｎｏｓ－Ｓｋａｒｉｓｏｎ滤波器在０～５０之间具有非零值，Ｄａｌｙ滤波器在１～１３之间存在非零值，而Ａｈｕｍａｄａ滤波器是三者中最平坦的滤波器［１１］．实验中，选用Ｍａｎｎｏｓ－Ｓｋａｒｉｓｏｎ滤波器进行滤波，Ｍａｎｎｏｓ－Ｓｋａｒｉｓｏｎ滤波器的二维图形如图１所示，横坐标表示空间频率，单位是ｌｐ／ｍｍ
，纵坐标表示传递系数，单位是１．
图１ Ｍａｎｎｏｓ－Ｓｋａｒｉｓｏｎ滤波器模型
Ｆｉｇ．１ Ｍａｎｎｏｓ－Ｓｋａｒｉｓｏｎ ｆｉｌｔｅｒ ｍｏｄｅｌ
２ ＣＩＥ Ｌ＊ａ＊ｂ＊颜空间
ＣＩＥ Ｌ＊ａ＊ｂ＊（ＣＩＥ ＬＡＢ）是惯常用来描述人眼可见的所有颜的最完备的彩模型．它是与设备无关的均匀空间模型．也就是说，在ＣＩＥ Ｌ＊ａ＊ｂ＊空间中，不同颜之间的距离与人眼感知的差异存在一定的对应关系．因此，通过计算图像的差信息，就可以预测人眼的感知效果．
ＲＧＢ空间是使用最多的颜空间，很多情况下，需要将其转换到ＣＩＥ Ｌ＊ａ＊ｂ＊空间．转换时首先将ＲＧＢ颜空间转换到ＣＩＥ １９３１ＸＹＺ系统中，再由ＣＩＥ １９３１ＸＹＺ空间转换到ＣＩＥ １９７６Ｌ＊ａ＊ｂ＊，详细过程见文献［１２］．
在Ｌ＊ａ＊ｂ＊模型中把每个颜处理为三维空间（Ｌ＊，ａ＊，ｂ＊）中一个点来近似，通过计算它们之间的欧几里得距离ΔＥ即两种颜之间的差，可以模拟人眼对颜的相对感知差别．
３ 假彩融合图像质量评价
根据第２节中的理论依据，针对红外图像和微光图像的图像融合实验，本文提出了假彩图像融合质量的评价方法．该方法也适用于其他的假彩图像融合质量评价，但是算法中某些步骤要做适当的调整．值得说明的是，该方法不适用于对融合图像彩自然感的评价，仅作为图像融合后细节凸显能力的一种客观评价手段．
３．１ 评价算法
实验中，选取２°视场对融合图像的区域进行观察，因此中心区域面积设定为１６×１６ｐｉｘｅｌ ２．融合图像的详细评价过程如下：
１）将待评价的融合图像Ｆ以及源图像Ａ和Ｂ分别转换到ＣＩＥ Ｌ＊ａ＊ｂ＊颜空间，并将转换后的图像分解成１６×１６的宏块．考虑到数据的运算量和处理速度，每个宏块彼此没有重叠．
２５４
４期陈振跃，等：基于人眼视觉系统的假彩融合图像质量的评价方法
２
）对每一个宏块做快速傅里叶变换，并在频域通过Ｍａｎｎｏｓ－Ｓｋａｒｉｓｏｎ滤波器进行对比度敏感函数滤波．
３）对融合图像Ｆ的第ｉ个宏块计算Ｌ＊、ａ＊
、ｂ＊
三个图层的均值Ｌ－
ｉ、ａ－
ｉ、ｂ－
ｉ，
利用式（２）计算宏块的差．
ΔＥＦｉ＝∑１６
ｊ，ｋ＝１
［（Ｌ＊（ｊ，ｋ）－Ｌ－
ｉ）２
＋（
ａ＊（ｊ，ｋ）－ ａ－ｉ
）２
＋（ｂ＊（ｊ，ｋ）－ｂ－
ｉ）２］
１／２（２
）式中（ｊ，
ｋ）是宏块中像素对应的数值．４
）分别计算融合图像Ｆ与源图像Ａ和Ｂ对应的第ｉ个宏块的差ΔＥＦＡｉ、ΔＥＦＢｉ，融合图像与源图像的差ΔＥＦＡＢｉ取二者中较小的一个
ΔＥＦＡｉ＝∑１６
ｊ，ｋ＝１
［（Ｌ＊Ｆ（ｊ，ｋ）－Ｌ＊Ａ（ｊ，ｋ））２＋（ａ＊
Ｆ（
ｊ，ｋ）－ａ＊Ａ（ｊ，ｋ））２＋（ｂ＊Ｆ（ｊ，ｋ）－ｂ＊Ａ（
ｊ，ｋ））２］１／
２（３
） ΔＥＦＢｉ＝∑１６
ｊ，ｋ＝１
［（Ｌ＊Ｆ（ｊ，ｋ）－Ｌ＊Ｂ（ｊ，ｋ））２＋（ａ＊
Ｆ（
ｊ，ｋ）－ａ＊
Ｂ
（ｊ，ｋ））２
＋（ｂ＊Ｆ
（ｊ，ｋ）－ｂ＊Ｂ
（ｊ，ｋ））２］１／２
（４
） ΔＥＦＡＢｉ＝ｍｉｎ（ΔＥＦＡｉ，Δ
ＥＦＢｉ）（５
）式中（ｊ，
ｋ）是宏块中像素对应的数值．５
）计算所有宏块的差的均值Δ
ＥＦ＝１Ｎ∑Ｎ
ｉ＝１
ΔＥＦｉ（６）Δ
ＥＦＡＢ＝１Ｎ∑Ｎ
ｉ＝１
ΔＥＦＡＢｉ（７
）式中，Ｎ是宏块总的个数．
对于评价参量ΔＥＦ，其值越大越好，越大表明融合图像所包含的细节信息越多；ΔＥＦＡＢ的值越小越好，越小表示与源图像的相关性越高，当其值为零时表明融合图像是两幅源图像的宏块的组合．尽管有些情况下ΔＥＦ的值很大，而在人眼看来图像的融合效果并不好，通过计算可以发现，此时融合图像与源图像的差ΔＥＦＡＢ较大，因此最理想的情况是融合图像差最大，而与源图像的差最小．３．２ 实验结果及分析
按照３．１节中的评价算法，本文分别对不同算法获得的假彩图像进行评价．第一组数据是对微光图像与红外图像在ＹＵＶ空间、ＲＧＢ空间融合以及ＴＮＯ算法和ＭＩＴ算法得到的图像，以下用相关算法对图进行命名，如图２，评价结果如表１
．
图２ 源图像及不同算法得到的融合图像（组一）
Ｆｉｇ．２ Ｓｏｕｒｃｅ ｉｍａｇｅｓ ａｎｄ ｆｕｓｅｄ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ａｌｇｏｒｉｔｈｍｓ（ｇｒｏｕｐ １）表１ 组一评价参量
Ｔａｂｌｅ １ Ｅｖａｌｕａｔｉｏｎ ｐａｒａｍｅｔｅｒｓ ｏｆ ｇｒｏｕｐ １ＳａｍｐｌｅΔＥＦΔＥＦＡＢＦＹＵＶＣＰｒｇｂ０１ １．０５７ ２ ３．０９１ ３ＦＹＵＶＣＰｒｇ
ｂ０２ ０．３８５ ２ １．８１１ ４ＦＹＵＶＣＰｒｇｂ０３ １．３０８ ２．８６６ ５ＦＹＵＶＣＰｒｇ
ｂ０４ ０．８６３ ６ ２．２３８ ３ＴＮＯ １．８４３ ５ ４．５７９ ９ＭＩＴ ０．１６７ ４ ０．７２５ ２Ｐｙ
ｒＦｕｓｉｏｎ ０．３３９ ８ １．５１６ ８ＢＩＴ＿ＹＵＶ＿ｌａｐ ０．８２１ ４ ２．７７７
３ＩＲ ｓｏｕｒｃｅ ｉｍａｇｅ ０．０４３ ３ ０ＬＬＬ ｓｏｕｒｃｅ ｉｍａｇ
ｅ ０．３３０ ９
０
第二组数据同样是对红外图像与微光图像融合
的结果（图３（ｃ）～（ｊ））进行评价，目标是被烟雾遮挡的房屋，
评价结果如表２．第三组数据中，目标是躲藏在树木之后的人，如图４．
针对不同的融合算法，评价结果如表３．从表１～表３可以看出，如果融合图像的差较大，则融合图像往往包含较多的细节信息；如果融合图像与源图像的差较大，
融合图像往往不够自然或是说与源图像有较大的差异．在实际应用中，需要根据不同的目的对不同的算法进行取舍．
３
５４
光 子 学 报４１
卷
图３ 源图像及不同算法得到的融合图像（组２
）Ｆｉｇ．３ Ｓｏｕｒｃｅ ｉｍａｇｅｓ ａｎｄ ｆｕｓｅｄ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ａｌｇｏｒｉｔｈｍｓ（ｇｒｏｕｐ
２
）图４ 源图像及不同算法得到的融合图像（组３
）
Ｆｉｇ．４ Ｓｏｕｒｃｅ ｉｍａｇｅｓ ａｎｄ ｆｕｓｅｄ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ａｌｇｏｒｉｔｈｍｓ（ｇｒｏｕｐ ３）表２ 组二评价参量
Ｔａｂｌｅ ２ Ｅｖａｌｕａｔｉｏｎ ｐａｒａｍｅｔｅｒｓ ｏｆ ｇｒｏｕｐ ２ＳａｍｐｌｅΔＥＦΔＥＦＡＢＦＹＵＶＣＰｒｇｂ０１ １．００４ ７ ３．０５２ ５ＦＹＵＶＣＰｒｇｂ０２ ０．１６４ １ １．２０４ ７ＦＬｉｎｅａｒＣＰｒｇｂ０１ ０．９５５ ４ ２．９５６ ７ＦＬｉｎｅａｒＣＰｒｇ
ｂ０２ ０．１７５ ３ １．２７９ ７ＴＮＯ １．２６８ ８ ４．５１３ ４Ｐｙ
ｒＦｕｓｉｏｎ ０．８７５ ６ ３．３８２ ２ＭＩＴ
０．１９４ ９ ０．７９ＢＩＴ＿ＹＵＶ＿ｌａｐ ０．８９６ ９ ３．３２３
４ＩＲ ｓｏｕｒｃｅ ｉｍａｇｅ ０．０１３ ３ ０ＬＬＬ ｓｏｕｒｃｅ ｉｍａｇ
ｅ ０．１７９ ７
０
表３ 组三评价参量
Ｔａｂｌｅ ３ Ｅｖａｌｕａｔｉｏｎ ｐａｒａｍｅｔｅｒｓ ｏｆ ｇｒｏｕｐ ３ＳａｍｐｌｅΔＥＦΔＥＦＡＢＦＹＵＶＣＰｒｇｂ０１ １．０６１ ７ ３．００９ １ＦＹＵＶＣＰｒｇｂ０２ ０．２３７ ９ １．３５１ ５ＦＬｉｎｅａｒＣＰｒｇｂ０１ １．０３６ ６ ３．０５７ ６ＦＬｉｎｅａｒＣＰｒｇ纳什均衡解
ｂ０２ ０．２０６ ３ １．４８７ ４ＴＮＯ １．４３８ ４ ４．２４９ ７ＭＩＴ ０．０９０ １ ０．５０６ １Ｐｙ
ｒＦｕｓｉｏｎ ０．６４５ ３ ２．３６４ ４ＢＩＴ＿ＹＵＶ＿ｌａｐ ０．８８２ ６ ３．１００
６ＩＲ ｓｏｕｒｃｅ ｉｍａｇｅ ０．００６ ２ ０ＬＬＬ ｓｏｕｒｃｅ ｉｍａｇ
ｅ ０．０７５ ５
０
４ 结论
与传统的统计评价方法相比，本文引入了人眼视觉的对比度敏感函数以及针对彩图像所具有的差
参量，通过计算ＣＳＦ滤波之后图像的差信息，一定程度上能够模拟人眼对于彩图像的细节的感知能力，因此，对于假彩图像的客观评价具有
参考意义．
实验中仍有很多不足，如某些情况下计算得出的参量与人眼感知结果不完全一致，
只有当图像中目标所占区域较大时，计算得到的评价参量才与人眼感知的结果相一致；另外本文提出的评价算法并没有考虑基于自然原理的假彩图像融合算法．因此，对于本课题还有待做进一步的研究．
４５４
４期陈振跃，等：基于人眼视觉系统的假彩融合图像质量的评价方法
参考文献
［１］ ＸＹＤＥＡＳ Ｃ，ＰＥＴＲＯＶＩＣ Ｖ．Ｏｂｊｅｃｔｉｖｅ ｉｍａｇ
ｅ ｆｕｓｉｏｎｐｅｒｆｏｒｍａｎｃｅ ｍｅａｓｕｒｅ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ Ｌｅｔｔｅｒｓ，２０００，３６（４）：３０８－
３０９．［２］ ＱＵ Ｇ，ＺＨＡＮＧ Ｄ，ＹＡＮ Ｐ．Ｉｎｆｏｒｍａｔｉｏｎ ｍｅａｓｕｒｅ ｆ
ｏｒｐ
ｅｒｆｏｒｍａｎｃｅ ｏｆ ｉｍａｇｅ ｆｕｓｉｏｎ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ Ｌｅｔｔｅｒｓ，２００２，３８（７）：３１３－３１５．［３］ ＷＡＮＧ Ｚ，ＢＯＶＩＫ Ａ Ｃ．Ａ ｕｎｉｖｅｒｓａｌ ｉｍａｇｅ ｑｕａｌｉｔｙ
ｉｎｄｅｘ［Ｊ］．ＩＥＥＥ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｌｅｔｔｅｒｓ，２００２，９（３）：８１－８４．［４］ ＰＩＥＬＬＡ Ｇ．Ｎｅｗ ｑｕａｌｉｔｙ
ｍｅａｓｕｒｅｓ ｆｏｒ ｉｍａｇｅ ｆｕｓｉｏｎ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇ
ｓ ｏｆ Ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＩｎｆｏｒｍａｔｉｏｎ Ｆｕｓｉｏｎ．Ｓｔｏｃｋｈｏｌｍ，Ｓｗｅｄｅｎ，２００４：５４２－５４６．［５］ ＪＩＮＧ Ｊｕａｎ－ｊ
ｕａｎ，Ｌ Ｑｕｎ－ｂｏ，ＺＨＯＵ Ｊｉｎ－ｓｏｎｇ，ｅｔ ａｌ．Ｓｔｕｄｙｏｎ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｆｕｓｅｄ ｉｍａｇ
ｅ［Ｊ］．Ａｃｔａ Ｐｈｏｔｏｎｉｃａ Ｓｉｎｉｃａ，２００７，３６（Ｓ１）：３１３－
３１６．景娟娟，吕波，周锦松，等．图像融合效果评价方法研究［Ｊ］．光子学报，２００７，３６（Ｓ１）：３１３－
３１６．［６］ ＤＩ Ｈｏｎｇ－ｗｅｉ，ＬＩＵ Ｘｉａｎ－ｆｅｎｇ．Ｉｍａｇｅ ｆｕｓｉｏｎ ｑｕａｌｉｔｙ
ａｓｓｅｓｓｍｅｎｔｂａｓｅｄ ｏｎ ｓｔｒｕｃｔｕｒａｌ ｓｉｍｉｌａｒｉｔｙ［
Ｊ］．Ａｃｔａ Ｐｈｏｔｏｎｉｃａ Ｓｉｎｉｃａ，２００６，３６（５）：７６６－
７７１．狄红卫，刘显峰．基于结构相似度的图像融合质量评价［Ｊ］．光子学报，２００６，３６（５）：７６６－
７７１．［７］ ＬＩＵ Ｊｕｎ，ＳＨＡＯ Ｚｈｅｎ－ｆｅｎｇ．Ｆｅａｔｕｒｅ－ｂａｓｅｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
ｉｍａｇｅ ｆｕｓｉｏｎ ｑｕａｌｉｔｙ ｍｅｔｒｉｃｓ ｕｓｉｎｇ
ｓｔｒｕｃｔｕｒｅ ｓｉｍｉｌａｒｉｔｙ［Ｊ］．Ａｃｔａ Ｐｈｏｔｏｎｉｃａ Ｓｉｎｉｃａ，２０１１，４０（０１）：１２６－
１３１．刘军，邵振峰．基于特征结构相似度的遥感影像融合质量评价指标［Ｊ］．光子学报，２０１１，４０（０１）：１２６－助动词
１３１．［８］ ＨＵＡＮＧ Ｘｉａｏ－ｑ
ｉａｏ，ＳＨＩ Ｊｕｎ－ｓｈｅｎｇ，ＹＡＮＧ Ｊｉａｎ，ｅｔ ａｌ．Ｓｔｕｄｙｏｎ ｃｏｌｏｒ ｉｍａｇｅ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｂｙ
ＭＳＥ ａｎｄ ＰＳＮＲ ｂａｓｅｄ ｏｎｃｏｌｏｒ ｄｉｆｆｅｒｅｎｃｅ［Ｊ］．Ａｃｔａ Ｐｈｏｔｏｎｉｃａ Ｓｉｎｉｃａ，２００７，３６（Ｓ１）：２９５－
２９８．黄小乔，石俊生，杨健，等．基于差的均方误差与峰值信噪比评价彩图像质量研究［Ｊ］．光子学报，２００７，３６（Ｓ１）：２９５－２９８．
［９］ ＸＩＥ Ｚｈｅｎｇ－ｘｉａｎｇ，ＷＡＮＧ Ｚｈｉ－ｆａｎｇ，ＸＩＯＮＧ Ｘｉｎｇ－ｌｉａｎｇ
，ｅｔａｌ．Ｃｏｌｏｒ ｉｍａｇｅ ｑｕａｌｉｔｙ
ａｓｓｅｓｓｍｅｎｔ ｂａｓｅｄ ｏｎ ｎｏｉｓｅ ｍｏｄｅｌ ｏｆｈｕｍａｎ ｖｉｓｉｏｎ ｐｅｒｃｅｐｔｉｏｎ ａｎｄ ｃｏｌｏｒ ｉｍａｇｅ ｑｕａｌｉｔｙ
ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ，２０１０，１０：１４５４－１４６４．谢正祥，王志芳，熊兴良，等．基于视觉感知噪音模型的彩图像质量评价和彩图像质量最佳化［Ｊ］．中国图象图形学报，２０１０，１０：１４５４－
１４６４．［１０］ ＣＨＥＮ Ｙ，ＢＬＵＭ Ｒ Ｓ．Ａ ｎｅｗ ａｕｔｏｍａｔｅｄ ｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔａｌｇｏｒｉｔｈｍ ｆｏｒ ｉｍａｇｅ ｆｕｓｉｏｎ［Ｊ］．Ｉｍａｇｅ ａｎｄ ＶｉｓｉｏｎＣｏｍｐｕｔｉｎｇ，
２００９，２７（１０）：１４２１－１４３２．［１１］ ＣＨＥＮ Ｈ，ＶＡＲＳＨＮＥＹ Ｐ Ｋ．Ａ ｈｕｍａｎ ｐｅｒｃｅｐｔｉｏｎ ｉｎｓｐ
ｉｒｅｄｑｕａｌｉｔｙ
ｍｅｔｒｉｃ ｆｏｒ ｉｍａｇｅ ｆｕｓｉｏｎ ｂａｓｅｄ ｏｎ ｒｅｇｉｏｎａｌ ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．Ｉｎｆ
ｏｒｍａｔｉｏｎ Ｆｕｓｉｏｎ，２００７，８（４）：１９３－２０７．［１２］ 胡威捷，
汤顺青．现代颜技术原理及应用［Ｍ］．北京：北京理工大学出版社，２００７．
Ａ Ｎｏｖｅｌ Ｑｕａｌｉｔｙ
Ｅｖａｌｕａｔｉｏｎ Ｍｅｔｈｏｄ ｆｏｒ Ｆａｌｓｅ Ｃｏｌｏｒ Ｆｕｓｅｄ Ｉｍａｇｅ Ｂａｓｅｄ ｏｎＨｕｍａｎ Ｖｉｓｕａｌ Ｓｙ
ｓｔｅｍＣＨＥＮ Ｚｈｅｎ－ｙｕｅ，ＷＡＮＧ Ｘｉａ，ＺＯＵ Ｘｉａｏ－ｆｅｎｇ
，ＪＩＮ Ｗｅｉ－ｑｉ（Ｓｃｈｏｏｌ ｏｆ Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ，Ｂｅｉｊｉｎｇ
Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１０００８１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｗｉｔｈ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｉｍａｇｅ ｆｕｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ，ｖａｒｉｏｕｓ ｆｕｓｉｏｎ ｍｅｔｈｏｄｓ ａｒｅ ｐｒｏｐ
ｏｓｅｄ．Ｈｏｗｅｖｅｒ，ｉｎ ｍａｎｙ ｃａｓｅｓ，ｔｈｅ ｆｉｎａｌ ｆｕｓｅｄ ｉｍａｇｅ ｉｓ ｏｂｓｅｒｖｅｄ ｂｙ
ｈｕｍａｎ ｅｙｅｓ．Ａｓ ａ ｒｅｓｕｌｔ，ｆｕｓｅｄ ｉｍａｇｅｑｕａｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｂａｓｅｄ ｏｎ ｈｕｍａｎ ｖｉｓｕａｌ ｓｙｓｔｅｍ ｉｓ ｐａｒｔｉｃｕｌａｒｌｙ
ｉｍｐｏｒｔａｎｔ．Ｉｎ ｏｒｄｅｒ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｏｂｊｅｃｔｉｖｅｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｂｙ ｓｉｍｕｌａｔｉｎｇ
qq空间打开空白ｈｕｍａｎ ｅｙｅ ｐｅｒｃｅｐｔｉｏｎ，ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｉｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔ，ｔｈｅ ｓｏｕｒｃｅｉｍａｇｅｓ ａｎｄ ｔｈｅ ｆｕｓｅｄ ｉｍａｇｅ ａｒｅ ｔｒａｎｓｆｏｒｍｅｄ ｉｎｔｏ ＣＩＥ Ｌ＊ａ＊ｂ＊
ｃｏｌｏｒ ｓｐａｃｅ ｒｅｓｐｅｃｔｉｖｅｌｙ
．Ｔｈｅｎ ｉｎ ｔｈｅｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｔｈｅｓｅ ｉｍａｇｅｓ ａｒｅ ｆｉｌｔｅｒｅｄ ｂｙ ｔｈｅ ｃｏｎｔｒａｓｔ ｓｅｎｓｉｔｉｖｉｔｙ
ｆｕｎｃｔｉｏｎ．Ｔｈｅ ｒｉｃｈｎｅｓｓ ｏｆ ｄｅｔａｉｌｓ ｏｆｔｈｅ ｆｕｓｅｄ ｉｍａｇｅ ｃａｎ ｂｅ ｐｒｅｄｉｃｔｅｄ ｂｙ ｃａｌｃｕｌａｔｉｎｇ
ｔｈｅ ｃｈｒｏｍａｔｉｓｍ ｏｆ ｉｔ．Ｗｉｔｈ ｔｈｅ ｉｎｃｒｅａｓｅｍｅｎｔ ｏ
ｆ ｔｈｅｃｈｒｏｍａｔｉｓｍ ｖａｌｕｅ，ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｄｅｔａｉｌｓ ａｌｓｏ ｉｎｃｒｅａｓｅ．Ｗｈｉｌｅ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｉｓ ｅｖａｌｕａｔｅｄ ａｔ
ｔｈｅｓａｍｅ ｔｉｍｅ ｂｙ ｃａｌｃｕｌａｔｉｎｇ ｔｈｅ ｃｈｒｏｍａｔｉｓｍ ａｍｏｎｇ
ｔｈｅ ｓｏｕｒｃｅ ｉｍａｇｅｓ ａｎｄ ｔｈｅ ｆｕｓｅｄ ｉｍａｇｅ．Ｔｈｅ ｈｉｇｈｅｒ ｔｈｅｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ，ｔｈｅ ｂｅｔｔｅｒ ｔｈｅ ｆｕｓｉｏｎ ａｌｇ
ｏｒｉｔｈｍ．Ｗｉｔｈ ｔｈｅｓｅ ｔｗｏ ｃｏｎｓｔｒａｉｎｅｄ ｐａｒａｍｅｔｅｒｓ，ａｊｕｄｇ
ｅｍｅｎｔ ｃａｎ ｂｅ ｇｉｖｅｎ ｔｏ ｄｉｆｆｅｒｅｎｔ ｅｖａｌｕａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅｐｒｏｐ
ｏｓｅｄ ｍｅｔｈｏｄ ａｒｅ ｃｏｎｓｉｓｔｅｎｔ ｗｉｔｈ ｔｈｅ ｈｕｍａｎ ｅｙｅ ｏｂｓｅｒｖａｔｉｏｎ．Ｋｅｙ
ｗｏｒｄｓ：Ｉｍａｇｅ ｆｕｓｉｏｎ；Ｈｕｍａｎ ｖｉｓｕａｌ ｓｙｓｔｅｍ；Ｃｏｎｔｒａｓｔ ｓｅｎｓｉｔｉｖｉｔｙ ｆｕｎｃｔｉｏｎ；Ｃｈｒｏｍａｔｉｓｍ５
５４
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议