最新【精品】范文参考文献专业论文基于逼近HVS的评估方法在SAR干扰中的研究基于逼近HVS的评估方法在SAR干扰中的研究【摘要】对SAR干扰效果的评估已成为电子信息对抗领域的热点课题。传统的评估方法较依赖人工经验和数学统计。对此，本文提出了一种基于逼近HVS的评估方法。该方法通过建立局部方差加权SSIM的修正模型，使得评估的结果更加逼近HVS（人类视觉系统）。实验仿真数据表明，该方法不仅在准确率方面优于传统的评估手段，而且在与人的视觉感知质量保持一致性方面做得较好。【关键词】干扰效果；评估方法；HVS；SSIM1引言合成孔径雷达系统（SAR）是战略侦察和战场监视系统的重要组成部分，SAR凭借其高分辨率的成像技术，与地面动目标显示（GMTI）技术相结合，目前已被广泛使用；已经部署的各国高分辨率星载SAR以及美国在亚太地区部署的“全球鹰”和E8C所搭载的机载SAR系统，对我国地面重要军事目标，特别是大型战略目标的军事部署、作战状态、战时生存等构成了极为严重的威胁。因此，对SAR的干扰研究已成为电子信息对抗领域的热点课题。SAR干扰的基本过程是利用侦察设备侦测出SAR发射信号的方向、频率和其他调制参数，干扰机按照控制命令产生合适的干扰信号进入对方SAR的接收机，从而使对方难以获取到正确的目标信息，以达到干扰的目的。而SAR干扰效果如何就需要有具体评估方案。目前由于保密原因，介绍相关评估方案的资料很少。目前国内流行的评估方法主要是基于欧几里德距离、相关系数、等效视数及均方误差等相关算法。本文提出一种基于逼近HVS的评估方法，并且针对该方法进行了初步的仿真验证。2基于逼近HVS的评估方法逼近HVS的评估方法主要是引入结构相似度（SSIM）算法。该算法将人眼主观感受与图像客观评价联系在一起，从而兼具了传统主观评估法和客观评估法的优点。常规SSIM评估方法的思想是：人眼可以从视野中提取结构信息，对此结构信息相似度变化情况可以反应出图像失真的程度。SSIM算法的优点在于计算像素点质量损失时考虑了该像素点所处的整个局部区域。可以认为在局部区域像素间的相关性方面，SSIM算法优于传统的算法。但是SSIM算法侧重图像的边缘结构特征，而对图像的细节纹理特征还欠缺考虑。如果SAR的干扰信号集中在图像的细节层面，SSIM算法与人类视觉系统（HVS）就很难建立联系。因此，需要对SSIM算法进行修正，加入图像的细节纹理特征信息的评估指标，这样评估干扰的效果才会更全面。对此，下文研究基于HVS修正的SSIM算法。2.1算法的改进与实现常规SSIM表达式为：SSIM（X，Y）=Ni=1[（2μxiμyi+C1）（2σxiyi+C2）（μ2xi+μ2yi+C1）]Ni=1（σ2xi+σ2yi+C2）（1）我们假设设SAR干扰前后所对应的两幅图像分别为I、J，图像大小都为Mx（i，j）*Nx（i，j），定义局部方差均值为：μvi=1Mx（i，j）*Nx（i，j）Mx（i，j）i=1Nx（i，j）j=1Var（xI（i，j））（2）局部方差的标准差为：σvi=[1Mx（i，j）*Nx（i，j）1Mx（i，j）i=1Nx（i，j）j=1（Var（xI（i，j））μvi）2]12（3）LVS=2μVIμVJμ2VI+μ2VJ*2σVIσVJσ2VI+σ2VJ*σVIVJσVIσVJ=2μVIμVJμ2VI+μ2VJ*σVIVJσ2VI+σ2VJ（4）文献[3]提出图像的局部方差（LVS）能够表示局部图像的细节纹理信息，那么通过计算LVS相似度，就可以分析干扰前后图像的细节纹理信息。文献指出逼近HVS结构信息的数学模型注重于图像的结构信息，逼近HVS细节信息的数学模型更加侧重于图像的细节纹理信息。因此综合两者的乘积（LVSSSIM），综合衡量干扰前后图像的质量。定义式如下：LVS__SSIM=SSIM*LVS=1NNi=1（SSIM（xi，yi）*LVS（xi，yi））（5）LVS__SSIM=SSIM*LVS=SSIM*（2μVIμVJμ2VI+μ2VJ*2σVIσVJσ2VI+σ2VJ*σVIVJσVIσVJ）=D1=0D2=0D3=0SSIM*（2μVIμVJ+D1μ2VI+μ2VJ+D1*2σVIσVJ+D2σ2VI+σ2VJ+D2*σVIVJ+D3σVIσVJ+D3）≈SSIM*SSIMLocal其中，SSIMLocal表示局部的结构相似度，亦称为局部方差相似度（LVS），那么SSIMLocal可以认为是在SSIM基础上的加权处理。根据公式（1），公式（5）可以进一步转化为：LVS__SSIM=SSIM*LVS≈SSIM*SSIMLocal（6）=（L（