CN111179238A - 面向子集指导一致性增强评价的子集置信比例动态选取方法 - Google Patents

Abstract

本发明提出了一种面向子集指导一致性增强评价(CEQA)的子集置信比例动态选取方法，所提方法将现有CEQA体系的固定抽样比例进一步划分为若干份抽样子集，按照不放回抽样策略进行多次抽样，依次得到抽样子集X_i，然后利用某一水下图像增强算法对子集X_i进行逐幅图像的增强，得到增强后的图像子集Y_i，接着使用图像质量度量准则分别对X_i与Y_i中的每一幅图像进行打分，计算图像增强前后的质量得分差，统计X_i与Y_i所对应的增强图像所占比例，并计算增强占比的均值与标准偏差。根据一定置信水平条件下的学生‑t分布，所提方法能够动态地确定子集选取比例，对该水下图像增强算法给出最终的一致性增强评价。

Description

面向子集指导一致性增强评价的子集置信比例动态选取方法

技术领域

本发明属于水下图像质量评价领域，特别涉及一种面向子集指导一致性增强评价的子集比例选取方法。

背景技术

水下图像往往质量较低且无参考，需要对其进行鲁棒的图像增强。各种增强算法的性能通常由图像质量度量准则来评判。对单一图像而言，常利用图像质量度量准则对增强后的图像质量进行打分，通过比较图像增强后的得分情况，来判断不同算法的优劣。对多幅图像而言，通常选取所有增强图像得分的平均值来评判增强算法的优劣。进一步地，H.Liu,D.Wei and D.Li,"Subset-Guided Consistency Enhancement AssessmentCriterion for an Imageset Without Reference,"IEEE Access,vol.7,pp.83024-83033,2019.doi:10.1109/ACCESS.2019.2923987提出的一致性增强质量评价(CEQA)体系可以对水下图像集的增强质量执行数据驱动的性能评价。

CEQA体系需要从原始图像集中选取一定比例的图像作为测试子集，然后对测试子集进行逐幅图像的质量增强，并对增强前后的各个图像质量进行打分，获得质量分数差值，根据质量分数差值来判断水下图像增强算法是否为一致性增强算法。CEQA子集比例的固定选取策略仅考虑了小样本图像集，但随着大数据的发展，图像数据日益庞大，对于大样本图像集，固定选取子集比例会导致抽样数据过多，不具备数据内容的自适应能力。因此，需要一种针对不同图像集的抽样比例动态选取方法。

发明内容

本发明的目的是：针对不同图像集在一定置信度下调整子集抽样比例。

为了达到上述目的，本发明的技术方案是提供了一种面向子集指导一致性增强评价的子集置信比例动态选取方法，其特征在于，包括以下步骤：

步骤1、根据一致性增强质量评价体系，首先确定原始图像集的固定抽样比例R，进一步等分为P份比例为f的子抽样比例，即R＝P×f，从原始图像集中按照不放回抽样策略，逐次按子抽样比例f进行抽样，得到抽样子集X_i，i＝1,2,…,n，n为最终的总抽取次数；

步骤2、选取一种水下图像增强算法G，对抽样子集X_i进行逐幅图像的增强，依次得到增强后的图像子集Y_i，i＝1,2,…,n；

步骤3、选取给定的图像质量度量准则分别对X_i与Y_i中的每一幅图像进行质量打分，X_i或Y_i的图像总数为m，计算图像增强前后的质量得分差，统计X_i与Y_i所对应的增强占比

并计算B_i的均值

与标准偏差

其中，k_i为各子集中图像增强前后的质量得分差大于零的图像数量，当达到初始抽样次数w时，w<P，执行步骤4；否则，转到步骤2；

步骤4、根据一定置信水平下的学生-t分布，其显著性水平为a，计算误差范围

若δ大于等于阈值μ，转到步骤2；当δ小于阈值μ时，预估该水下图像增强算法G对原始图像集的增强比例Q_z：若增强比例Q_z高于门限比例E，在这个置信水平下判定水下图像增强算法G为一致性增强算法，反之为非一致性增强算法。

在本发明提供的方法中，最终需要的总抽样比例为总抽取次数与子抽样比例之积。本发明所提的一种面向子集指导一致性增强评价(CEQA)的子集置信比例动态选取方法能够动态地进行子集选取，在一定置信度下完成任一增强算法的CEQA评价。相比于现有CEQA子集比例的固定选取策略，本发明更具备灵活性，可以针对不同图像集自适应地选取总抽样比例，实现对水下图像增强算法的性能评价，同时降低了总抽样比例，减少了应用系统的复杂度。

附图说明

图1为是本发明所提方法的流程图；

图2为本发明中不放回抽样策略的示意图；

图3为本发明中所用参数的计算过程。

具体实施方式

下面结合附图，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。

原始图像集包含1000幅水下图像。经典的图像质量度量准则UCIQE(UnderwaterColor Image Quality Evaluation)由Yang和Arcot提出，是目前应用最广泛的水下图像质量度量准则。本实例选取UCIQE准则来评价每幅图像的质量，水下图像增强算法G选取限制对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization，CLAHE)。图1为本发明所提方法的流程图，具体实施过程如下：

步骤一：根据CEQA体系，确定原始图像集的固定抽样比例R＝40％，进一步等分为P＝40份比例为f＝1％的子抽样比例。从文件夹“原始图像集”中读取原始图像，按照图2所示的不放回抽样策略进行抽样，子抽样比例为f＝1％，依次得到抽样子集X_i，其中i为子集标号，i＝1,2,…,n，n为最终的总抽取次数，j为子集X_i中的图像标号，j＝1,2,…,m，m是子集X_i中图像总数；将X_i中的图像X_ij存放在预先创建好的文件夹“抽样子集X_i”中。

步骤二：从文件夹“抽样子集X_i”中依次读取图像，并使用CLAHE算法对X_i中的图像X_ij依次进行质量增强得到Y_ij，记增强后的图像子集为Y_i，并将Y_i中的图像Y_ij存放在预先创建好的文件夹“抽样子集X_i增强后的图像子集Y_i”中。

步骤三：使用UCIQE图像质量度量准则对X_i中的每一幅图像X_ij进行打分，得到图像X_ij在UCIQE准则下的质量分数α_ij。接下来，再次使用UCIQE准则对Y_i中的每一幅图像Y_ij进行打分，得到图像Y_ij在UCIQE准则下的质量分数β_ij。计算各子集图像增强前后的质量得分差γ_ij＝β_ij-α_ij，将各子集中γ_ij>0的图像数量记为k_i，随后计算X_i与Y_i所对应的增强占比

并计算所有B_i的均值

与标准偏差

当达到初始抽样次数w＝5时，执行步骤四；否则，转到步骤二。

步骤四：根据95％置信水平下的学生-t分布，其显著性水平a＝0.05、阈值μ＝0.04、门限比例E＝94％，计算误差范围

当总抽取次数n＝10时，δ＝0.037、δ<μ、M＝0.967，原始图像集的增强比例Q_z＝M×100％＝96.7％、Q_z>E，总抽样比例Q_d＝f×n＝10％。图3给出了所用参数的计算过程，在95％的置信水平下，当选取10％的总抽样比例时，可以判定CLAHE算法为水下图像一致性增强算法。

从本实例可以看出，相比CEQA体系所采用的40％总抽样比例，本发明只需10％的总抽样比例就可以得出相似的结果，对不同图像集具有自适应能力，降低了CEQA体系所需的复杂度。

Claims (1)

1.一种面向子集指导一致性增强评价的子集置信比例动态选取方法，其特征在于，包括以下步骤：

步骤1、根据一致性增强质量评价体系，首先确定原始图像集的固定抽样比例R，进一步等分为P份比例为f的子抽样比例，即R＝P×f，从原始图像集中按照不放回抽样策略，逐次按子抽样比例f进行抽样，得到抽样子集X_i，i＝1，2，...，n，n为最终的总抽取次数；

步骤2、选取一种水下图像增强算法G，对抽样子集X_i进行逐幅图像的增强，依次得到增强后的图像子集Y_i，i＝1，2，...，n；

步骤3、选取给定的图像质量度量准则分别对X_i与Y_i中的每一幅图像质量进行打分，X_i或Y_i的图像总数为m，计算图像增强前后的质量得分差，统计X_i与Y_i所对应的增强占比

并计算B_i的均值

与标准偏差

其中，k_i为各子集中图像增强前后的质量得分差大于零的图像数量，当达到初始抽样次数w时，w＜P，执行步骤4；否则，转到步骤2；

步骤4、根据一定置信水平下的学生-t分布，其显著性水平为a，计算误差范围

若δ大于等于阈值μ，转到步骤2；当δ小于阈值μ时，预估该水下图像增强算法G对原始图像集的增强比例Q_z：若增强比例Q_z高于门限比例E，在这个置信水平下判定水下图像增强算法G为一致性增强算法，反之为非一致性增强算法。

Images