基于 Elo 评级系统度量合成孔径声纳图像中由人评估的复杂度

合成孔径声纳数据的自动目标识别性能严重依赖于波束形成图像的复杂度。若干因素可造成此影响，包括不必要的载体动力学、场景测深以及自然与人工杂波的存在。为理解环境复杂度对图像感知的影响，研究者采用了基于信息论或启发式的方法。尽管有这些努力，复杂度的定量度量尚未与其所源自的现象学相关联。我们利用主题专家（SME）为一组图像推导考虑底层现象学的复杂度度量。本工作的目标是理解若干常见信息论与启发式度量如何与 SME 感知的合成孔径声纳图像复杂度相关。为此，从跨越多种环境的高频 SAS 数据集中裁剪出 10 米 × 10 米的图像集合。向 SME 展示图像对，由其评定相对图像复杂度。这些比较随后通过 A. Elo 最初为国际象棋选手排名开发的方法转换为所需的顺序排名。Elo 方法在广泛数据集上产生了合理的排序。然后将启发式与信息论度量与其所源自的图像排名比较。相关性最高的是与空间信息相关的度量，例如像素强度变化，其 R 平方值约为 0.9。然而，该一致性依赖于测量空间变化所采用的尺度。还将给出许多其他度量的结果，包括孔隙度、图像压缩与熵。