CN108022241B - 一种面向水下图像集的一致性增强质量评价方法 - Google Patents
一种面向水下图像集的一致性增强质量评价方法 Download PDFInfo
- Publication number
- CN108022241B CN108022241B CN201711434374.4A CN201711434374A CN108022241B CN 108022241 B CN108022241 B CN 108022241B CN 201711434374 A CN201711434374 A CN 201711434374A CN 108022241 B CN108022241 B CN 108022241B
- Authority
- CN
- China
- Prior art keywords
- ceqa
- image
- quality
- value
- quality evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种面向水下图像集的一致性增强质量评价方法,包括以下步骤:使用现有的质量评价准则对水下图像集中的一幅原始图像进行质量评价;将所述原始图像通过图像质量增强算法得到增强后的图像,并使用上述现有的质量评价准则对增强后的图像进行质量评价,根据两个质量评价结果计算CEQAi值,重复上述步骤得到该水下图像集中所有图像的CEQAi值,并找出其中的最大值、最小值和平均值,最后利用这些值及权重系数得到上述图像质量增强算法在上述质量评价准则下对于此水下图像集的CEQA有效值。本发明可以为面向水下图像集的各种图像质量增强算法与质量评价准则提供一个一致性增强性能的评价体系。
Description
技术领域
本发明涉及水下图像质量评价技术领域,特别是涉及一种面向水下图像集的一致性增强质量评价方法。
背景技术
随着水下资源的不断开发与利用,水下图像的获取与质量增强变得越来越重要,水下图像质量增强算法不断更新,图像增强算法的评价是建立在图像质量评价的基础之上,如果图像增强前后的图像质量有一定的提高,那么该图像增强算法的使用是有益处的。但由于目前水下图像质量评价标准不够完善,现有的图像质量评价方法无法提供一个合理统一的评价体系,来说明学者新提出的水下图像质量增强算法具有更好的鲁棒性和增强性。根据实施评价的主体不同,图像质量评价方法可以分为主观评价方法和客观评价方法,前者一般需要众多测试人员参与,分别对图像进行打分,用统计值作为图像质量的得分,十分耗时且人力投入较大,在水下图像集较大时,主观评价方法的可操作性极差;后者是通过软件实现图像质量的自动打分,效率高易操作,是目前的主流方法。
而目前比较经典的水下图像质量客观评价准则有UCIQE、PCQI和熵等。UCIQE(underwater colour image quality evaluation)法是Yang和Arcot提出的,是目前应用最广泛的水下图像质量评价准则,UCIQE准则通过线性组合饱和度、色度与对比度来量化的对水下图像的模糊、非均匀色差和对比度进行评估。UCIQE准则首先将RGB颜色空间的水下图像转换到CIELab颜色空间,实现从计算机视觉像人眼视觉的转换;再计算水下图像的饱和度、色度与对比度;最后得到UCIQE值。基于块的对比度质量指数(patch-based contrastquality index,PCQI)准则在对比度变化的人类感知方面,给出了准确的预测。提出的准则不仅能够预测图像的整体对比度质量,而且能够产生一个质量图,该图表明在整体空间中的局部质量变化。PCQI值越高,说明该图像质量增强算法更好的平衡了被增强的水下图像的色度、饱和度和对比度。香农(Shannon)于1984年提出信息熵,将热力学概率扩展到系统中各个信息源信号出现的概率。通常情况下,信息熵越大,信息的无序度越高,说明其包含的信息量越大。也就是说,越高的熵值说明该质量增强算法更加有效地减少了图像信息丢失,并更好的增加了有价值的信息。
现有的具有代表性的水下图像质量增强算法,通常在论述自己所提算法更具优势时,采用现有的质量评价算法的平均值作为论证,以平均值最好来说明其质量增强算法更好。但是根据大量实验比较得出,这些质量增强算法只能在水下图像集较小时得到较高的质量平均值,当水下图像集变大,其质量评价得出的平均值波动较大,无法说明该质量增强算法具有更好的性能。并且实验数据表明,其质量增强算法增强后的图像质量评价分数不能一致性的高于原图像的质量评价分数,也就是说,现有的图像质量增强算法只能增强部分图像的性能,无法对所有图像进行增强,那么如果将这样的质量增强算法应用到实际操作中,将会存在非常大的误差。
发明内容
本发明所要解决的技术问题是提供一种面向水下图像集的一致性增强质量评价方法,可以为各种质量增强算法与质量评价准则提供一个一致性增强性能的评价体系。
本发明解决其技术问题所采用的技术方案是:提供一种面向水下图像集的一致性增强质量评价方法,包括以下步骤:
(1)使用现有的质量评价准则对水下图像集中的一幅原始图像Ii进行质量评价,得到一个质量分数αi;
(2)将所述原始图像Ii通过图像质量增强算法得到增强后的图像Ii';
(3)使用步骤(1)中现有的质量评价准则对增强后的图像进行质量评价,得到增强后的质量分数βi;
(4)根据两个质量分数计算CEQAi值;
(5)重复步骤(1)-(4)得到水下图像集中所有图像的质量分数αi、增强后的图像质量分数βi以及CEQAi值;
(6)分别找出最大与最小的CEQAi值,并计算CEQAi值的平均值;
(7)根据CEQAi值的最大值、最小值、平均值和权重系数计算得到步骤(2)中图像质量增强算法对于现有的质量评价准则在该图像集的CEQA有效值。
所述步骤(4)中通过CEQAi=βi-αi计算CEQAi值,其中,i为水下图像集中的图像标号。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明可以为所有的质量增强提供一个评价体系,只有当该质量增强算法应用在水下图像集中每幅图像都能增强时,才可以说明新的质量增强算法具有实用性,并可以应用到实际环境中操作,本发明对今后提出的水下图像质量增强算法的优劣,具有指导作用。此外,本发明公式简单易懂,且本发明的迁移度高、普适性好,可适用于各种图像质量评价领域。
附图说明
图1是本发明的原理图;
图2是本发明的流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种面向水下图像集的一致性增强质量评价方法,如图1所示,其是在使用现有的经典图像质量评价准则后,再结合本发明提出的方法进行评价,不但利用了现有的质量评价准则,并且给出了一个更好的评价方法,以得到更好的质量评价规范。如图2所示,对10幅典型水下图像组成的水下图像集进行测试,该方法具体包括以下步骤:
步骤一:将原始图像通过质量评价准则UCIQE得到一个质量评价分数:首先将水下获取的原始图像I1用经典的质量评价准则UCIQE打分,得出一个原始图像I1的质量分数α1,作为公式中的参数之一,也作为评价图像质量增强算法好坏的基准。
步骤二:再将原始图像通过图像质量增强算法逆滤波算法得到增强后的图像:接下来,将这幅水下获取的原始图像I1通过水下逆滤波算法处理,其中,逆滤波算法为该次验证评价的主要算法,使用逆滤波算法对图像进行增强后,得到增强后的图像I1'。
步骤三:用同样的图像质量评价准则UCIQE评价出增强后的图像质量分数:在这一步骤中,使用UCIQE对增强后的图像I1'做质量评价,得到质量分数β1,若增强后的图像质量分数β1高于基准值α1,则值为正,可以说明在UCIQE的检测下,逆滤波算法可以对这一幅原始图像I1增强。
步骤四:将两个质量分数带入本发明提出的质量评价方法,即将得到的质量分数α1和β1带入求CEQAi值的公式中,公式为:CEQAi=βi-αi,式中,i为水下图像集的图像标号,i=(1,2,...,10),为使计算简便,使i与重复次数保持一致后得到CEQAi值。
步骤五:将不同的水下图像分别重复操作步骤一至步骤四,得到所有图像的CEQAi值:依次对水下获取的原始图像I2、I3、…、I10重复步骤一至步骤四,分别得到CEQA2、CEQA3、…、CEQA10分数。若CEQAi值全为正,则说明,逆滤波算法在UCIQE的评价条件下,能够对该水下图像集进行一致性增强。
步骤六:分别找出最大与最小的CEQAi值,并算出所有CEQAi值的平均值:首先求出CEQAi的最大值:
CEQAmax=max{CEQA1,CEQA2,...,CEQA10}
接下来,求出CEQAi的最小值:
CEQAmin=min{CEQA1,CEQA2,...,CEQA10}
并求出CEQAi的平均值:
CEQAave=ave{CEQA1,CEQA2,...,CEQA10}
步骤七:求出CEQA有效值:得到在UCIQE质量评价准则下,逆滤波算法对这一水下图像集的CEQA有效值
其中,λ为权重系数,取λ=0.5。对于该水下图像集,逆滤波算法在UCIQE的评价条件下CEQA有效=0.4,CEQA有效值越高,表示增强能力越好,因此,该图像质量增强算法仍具有很大的优化空间。
不难发现,本发明可以为各种质量增强算法与质量评价准则提供一个一致性增强性能的评价方法体系,只有当该质量增强算法应用在图像处理时,得到的CEQAi值全部为正,才可以说明新的质量增强算法具有实用性,并具有应用到实际环境中的可靠性。
Claims (2)
1.一种面向水下图像集的一致性增强质量评价方法,其特征在于,包括以下步骤:
(1)使用现有的质量评价准则对水下图像集中的一幅原始图像Ii进行质量评价,得到一个质量分数αi;
(2)将所述原始图像Ii通过图像质量增强算法得到增强后的图像Ii';
(3)使用步骤(1)中现有的质量评价准则对增强后的图像进行质量评价,得到增强后的质量分数βi;
(4)根据两个质量分数计算CEQAi值,其中,CEQAi=βi-αi,i为水下图像集中的图像标号;
(5)重复步骤(1)-(4)得到水下图像集中所有图像的质量分数αi、增强后的图像质量分数βi以及CEQAi值;
(6)分别找出最大与最小的CEQAi值,并计算CEQAi值的平均值;
(7)根据CEQAi值的最大值、最小值、平均值和权重系数计算得到步骤(2)中图像质量增强算法对于现有的质量评价准则在该图像集的CEQA有效值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711434374.4A CN108022241B (zh) | 2017-12-26 | 2017-12-26 | 一种面向水下图像集的一致性增强质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711434374.4A CN108022241B (zh) | 2017-12-26 | 2017-12-26 | 一种面向水下图像集的一致性增强质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108022241A CN108022241A (zh) | 2018-05-11 |
CN108022241B true CN108022241B (zh) | 2021-05-04 |
Family
ID=62071048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711434374.4A Active CN108022241B (zh) | 2017-12-26 | 2017-12-26 | 一种面向水下图像集的一致性增强质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108022241B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859180A (zh) * | 2019-01-25 | 2019-06-07 | 东华大学 | 融合多种度量准则的图像集质量增强评价方法 |
CN111179238B (zh) * | 2019-12-24 | 2022-12-20 | 东华大学 | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101833766A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 基于gssim的立体图像客观质量评价算法 |
CN103475898A (zh) * | 2013-09-16 | 2013-12-25 | 北京理工大学 | 一种基于信息熵特征的无参考图像质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8204328B2 (en) * | 2008-04-08 | 2012-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Automated underwater image restoration via denoised deconvolution |
-
2017
- 2017-12-26 CN CN201711434374.4A patent/CN108022241B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101833766A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 基于gssim的立体图像客观质量评价算法 |
CN103475898A (zh) * | 2013-09-16 | 2013-12-25 | 北京理工大学 | 一种基于信息熵特征的无参考图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108022241A (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
CN107743225B (zh) | 一种利用多层深度表征进行无参考图像质量预测的方法 | |
CN111652822B (zh) | 一种基于生成对抗网络的单幅图像阴影去除方法及系统 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN108022241B (zh) | 一种面向水下图像集的一致性增强质量评价方法 | |
CN107784296A (zh) | 一种低分辨率图像的人脸识别方法 | |
CN113269256A (zh) | 一种MiSrc-GAN模型的构建方法及应用 | |
Rachmad et al. | Classification of mycobacterium tuberculosis based on color feature extraction using adaptive boosting method | |
CN110415816B (zh) | 一种基于迁移学习的皮肤病临床图像多分类方法 | |
CN116402802A (zh) | 一种基于颜色空间多特征融合的水下图像质量评价方法 | |
CN107862681B (zh) | 一种自拍图像质量推荐方法 | |
CN112950479B (zh) | 一种图像灰度区域拉伸算法 | |
CN115239943A (zh) | 图像矫正模型的训练方法及切片图像的色彩矫正方法 | |
CN111179238B (zh) | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 | |
CN106327497A (zh) | 基于超广延熵的灰度图像阈值分割方法 | |
Li et al. | A new color-to-gray conversion method based on edge detection | |
CN117197139B (zh) | 一种基于ai的舌诊图像多标签分类方法 | |
CN104112274B (zh) | 基于混合尺度变换的图像质量评价方法 | |
Liu et al. | Underwater Image Quality Assessment: Benchmark Database and Objective Method | |
Kung et al. | Investigation of the image quality assessment using neural networks and structure similarty | |
CN113688694B (zh) | 基于非配对学习的提升视频清晰度的方法及装置 | |
CN110827237B (zh) | 基于拮抗颜色空间半参考色调映射图像质量评价方法 | |
Wei et al. | A Novel Image Quality Assessment Method for Dehazed Image | |
Sang et al. | No-reference quality assessment for multiply distorted images based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |