CN111899261A - 一种水下图像质量实时评估方法 - Google Patents
一种水下图像质量实时评估方法 Download PDFInfo
- Publication number
- CN111899261A CN111899261A CN202010892539.8A CN202010892539A CN111899261A CN 111899261 A CN111899261 A CN 111899261A CN 202010892539 A CN202010892539 A CN 202010892539A CN 111899261 A CN111899261 A CN 111899261A
- Authority
- CN
- China
- Prior art keywords
- image
- image quality
- gray level
- quality evaluation
- entropy
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013441 quality evaluation Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012935 Averaging Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 229920000535 Tan II Polymers 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000003287 optical effect Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 101150028385 ATG2 gene Proteins 0.000 description 1
- 101100380548 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) apg-2 gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种水下图像质量实时评估方法,包括以下步骤:S1:对声呐图像进行基于相位一致性的快速边缘检测和提取,生成边缘信息图像;S2:计算边缘信息图像在水平、垂直、45度和135度四个方向上的灰度共生矩阵GLCM;S3:根据灰度共生矩阵,提取图像的对比度、熵、逆差距三个统计量作为图像质量评估的原始数据;S4:将统计量转换为百分制后取平均值得到最终图像质量评价结果,通过对比图像质量评价结果得到图像质量变化。本方法提前对图像进行轮廓提取操作,可降低其灰度级,减少计算量。在效果上,本方法有效地提高了图像质量评估的实时性,本方法同样适用于光学图像,且光照强度对评估结果影响小,应用范围广,结果稳定。
Description
技术领域
本发明属于水下图像处理领域,涉及一种水下图像质量实时评估方法。
背景技术
多智能体系统的研究是当前人工智能技术的一个重要发展方向,通过机器人之间相互协作完成特定任务,AUV(Autonomous Underwater Vehicle)集群则是多个简单AUV组成的集群,在完成大范围海洋探索、开发任务时有独特的优势。
利用AUV集群进行水下搜索任务时,常用的方法是利用声呐进行扫海作业,得到海底的声学图像,进而对声学图像进行进一步处理或判读。侧扫声呐成像系统通过换能器发射声波并接收海底反射的回波信号,生成与海底回波强度相对应的灰度声图,具有扫描量程大、效率高等优点。获得的声呐图像质量与声呐性能、AUV的航行过程和水下作业环境有关。当扫描区域和声呐设备型号被选定时,水下环境和声呐性能便成了固定的,只能通过调整AUV的航行过程得到当前情况下质量最优的声学图像。
图像质量评估方法主要包括全参考、部分参考及无参考图像质量评估方法。由于没有标准图像作为参考,因此应用在侧扫声呐中的应采用无参考图像质量方法,即“盲评价”。另外声呐图像主要被用于进一步图像处理、人工判读最终找到目标,因此图像质量评估结果应尽量符合人眼视觉判断结果且包含相对多的信息量。当前图像质量评估方法普遍面向光学图像,且算法计算量大,难以应用到水下航行器平台中,因此提出一种简单、有效的无参考图像质量评估方法是十分有必要的。
发明内容
本发明的目的是提供一种水下图像质量实时评估方法,提出一种快速、高效的实时图像质量评估方法,使其可以应用到AUV航行实时控制中,从而保证AUV得到的声呐图像质量。
为了达到上述目的,本发明的技术解决方案是:
一种水下图像质量实时评估方法,包括以下步骤:
S1:对声呐图像进行基于相位一致性的快速边缘检测和提取,生成边缘信息图像;
S2:计算边缘信息图像在水平、垂直、45度和135度四个方向上的灰度共生矩阵GLCM;
S3:根据灰度共生矩阵,提取图像的对比度、熵、逆差距三个统计量作为图像质量评估的原始数据;
S4:将统计量转换为百分制后取平均值得到最终图像质量评价结果,通过对比图像质量评价结果得到图像质量变化。
与现有技术相比,本发明的有益效果:
现有无参考图像质量评估方法普遍针对某种特定失真类型,且有计算量大、实时性不高等缺点,很难移植到计算能力不高的芯片中。本方法提前对图像进行轮廓提取操作,可降低其灰度级,减少计算量。在效果上,本方法有效地提高了图像质量评估的实时性,同时计算量小,不需要占用太多的内存,具有普适性。声呐与水下光学相机相结合的作业模式在AUV集群也很多见,本方法同样适用于光学图像,且光照强度对评估结果影响小,应用范围广,结果稳定。
附图说明
图1是本发明提出的实时图像质量评估方法流程图;
图2本发明中的参考图像(a)、边缘信息图像(b)及特征参量结果。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供一种水下图像质量实时评估方法,该方法以相位一致性方法的边缘检测技术和灰度共生矩阵的特征参数提取技术为基础,主要针对需要实时测评的水下图像,其具体流程如图1所示。
具体的,包括以下步骤:
步骤一:对声呐图像进行基于相位一致性的快速边缘检测和提取,生成边缘信息图像;
步骤二:计算边缘信息图像在水平、垂直、45度和135度四个方向上的灰度共生矩阵GLCM;
步骤三:根据灰度共生矩阵,提取图像的对比度、熵、逆差距三个统计量作为图像质量评估的原始数据;
步骤四:将统计量转换为百分制后取平均值得到最终图像质量评价结果。通过对比图像质量评价结果得到图像质量变化。
步骤一中对图像进行基于相位一致性的边缘检测和提取,生成边缘信息图像,其具体方法如下:
为降低图像失真对图像质量评估结果的影响,先采用相位一致性方法对图像进行边缘特征检测。相位一致性方法对图像的相位信息进行频域特征检测,其主要思想是通过度量图像每个位置上频率成分的相位相似度,提取图像中包含的纹理信息,其最大的优势就是具有局部对比度不变性。
一幅大小为M×N的待处理图像f(x,y)看作一个M×N二维数字序列,其中x、y来表示像素位置。在二维图像的相位一致性方法中,先通过快速傅里叶变换得到图像的频谱信息,后将Log Gabor滤波器扩展到二维,此时径向采用Log Gabor小波变换,角向则选择高斯函数作为扩展函数,该滤波器的传递函数为:
其中ω为径向坐标,ω0为滤波器的中心频率,k/ω0为决定径向带宽的常数,θ为方向角度,由常数σθ确定角向带宽。
点x位置的局部能量函数E为:
其中θj为方向,n为尺度,[en,θj(x),on,θj(x)]为滤波响应向量。
在点x位置的二维相位一致性可表示为:
φn(x)=atg2(on(x),en(x))
其中An为第n项傅里叶分量的幅度值,φn为相位,ε为一个极小常数,防止分母为0。
根据得到的相位一致性特征点得到边缘信息图像,这一步是对图像的低级处理,与人眼的视觉机制相符。本发明提出算法的操作步骤中,通过在MATLAB R2018b平台上仿真约86%的时间用于步骤一,此次仿真计算机采用CPU型号为Intel i5 3210主频2.5GHz。多次仿真结果表明,计算速度与小波尺度和方向数有关,其他参数只影响效果。因此,在采用二维Log-Gabor滤波器进行计算时,原本计算6个方向相位一致性信息的修改为3个方向,将计算时间节省了41.6%,结果中包含了更多细节;另外将小波尺度设为3,可以使步骤一的时间降低18.0%。通过合理设置参数,算法所需的总时间从0.923秒减少至0.609秒,节省34.0%的时间,在保证效果的情况下,大大提高了评估效率。傅里叶变换中采用了速度最快的快速傅里叶变换提取频谱信息,计算时间也大大降低。
步骤二中计算边缘信息图像在水平、45度、垂直和135度四个方向上的灰度共生矩阵,其具体方法如下:
侧扫声呐接收到的是海底回波强度合成图像,回波越强,像素点灰度值越大。灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)用图像中两个位置的像素的联合概率密度来定义矩阵中的元素。假设有像素i和像素j,其位置分别为(x,y)和(x+d cosθ,y+dsinθ),则灰度共生矩阵中的元素为:
P(i,j,d,θ)=#{[(f(k,l)=i,f(m,n)=j)]dis((k,l),(m,n))=d}
其中0≤i,j≤L-1,(k,l),(m,n)∈M×N,θ表示像素对的方向,θ∈{0°,45°,90°,135°},f(x,y)为(x,y)位置的灰度值,L为量化后的灰度级,d为像素对的空间距离,#{x}表示统计集合中的像元对数。举例说明,若GLCM(3,5)=7,则表示灰度图像中灰度值是3和5且相邻的点有7对,再将该像素对出现总次数归一化为出现的概率P,即灰度共生矩阵的各元素值。由于图像中像素对有明显的方向性,因此可从水平、垂直、45°和135°四个方向上计算灰度共生矩阵,这样便得到一幅图像的四个灰度共生矩阵。当图像中的纹理细腻且规则时,得到的灰度共生矩阵趋近于均匀分布,相反,若纹理粗糙且规则,灰度共生矩阵则呈对角分布。
步骤三中根据灰度共生矩阵,提取图像的对比度、能量、熵、逆差距四个统计量作为图像质量评估的原始数据,其具体方法如下:
以灰度共生矩阵为基础,提取可描述图像纹理特征的统计量,得到图像的各方面特征参数。由于下一步会对声呐图像进行人工判读,因此需要选取符合人眼视觉的参数,另一方面扫海的最终目的是进行目标搜索,因此图像中所含的信息量越大,即熵值越大,越符合需求。基于以上两个要求,这里选取图像的对比度、熵、逆差距三个统计量作为图像质量评估的特征参数。
在水下图像质量评估中,图像清晰程度越高,人眼视觉认为图像质量越好,有利于人工判读。
2.熵体现了图像中包含的信息量,熵值越大表示图像纹理越复杂,越接近随机或噪声很大,其表达式如下:
自主航行器的水下作业多为海底测绘、水下搜救,图像中包含更多的信息量意味着有更大可能包含要搜索的目标,因此将熵值作为待测统计量,熵值越大,搜索到目标的概率越大。
3.逆差矩反映了图像纹理的同质性,度量图像纹理局部变化的多少。逆差距值越大说明图像纹理清晰、规律性强、可描述性强,表达式如下:
水下图像质量评估中,从纹理结构方面判断图像质量,逆差距越大,表示图像纹理结构清晰,在人眼视觉中认为图像质量更高。
所述步骤四中将统计量转换为百分制后得到对比度C、熵E、逆差距I,最终加权得到图像质量评价结果,其具体方法如下:
对比度C的取值范围为[0,(n-1)2],熵E的取值范围为[0,log2n],逆差距I的取值范围为[0,1],其中n为GLCM的维数。在这部分,根据取值范围将求得的特征参数转换为百分制,使测得的结果更直观,也便于后续操作。
Q=α·C+β·E+γ·I
其中α、β、γ是权重系数。经过多次验证发现,三个特征参量的范围有很大差距,因此加入权重以平衡每个特征参量的占比。为了符合人类视觉系统结果,通过多次仿真,认为α∈[0.45,0.55]、β∈[0.21,0.31]、γ=[0.14,0.34],且满足α+β+γ=1,得到的结果更符合主观判断。
下面介绍本发明方法的一个具体的实施例:
本实施例以图2为例详细阐述图像质量评估步骤:
S1:利用相位一致性方法提取声呐图像的边缘,得到边缘信息图像;
S101、将图像进行傅里叶变换,转换到频域;
S102、对图像进行二维Log Gabor滤波,此时径向采用Log Gabor小波变换,角向则选择高斯函数作为扩展函数,该滤波器的传递函数为:
其中ω为径向坐标,ω0为滤波器的中心频率,k/ω0为决定径向带宽的常数,θ为方向角度,由常数σθ确定角向带宽。
S103、本发明通过求图像的局部能量E最大值来确定符合相位一致性的像素位置,计算局部能量函数:
其中n为小波尺度,θj为朝向角度,F(x)为信号移除的直流分量,H(x)为F(x)的Hilbert变换,An为第n项傅里叶分量的幅度值,PC为相位一致函数。
S104、计算F(x)和H(x),用Log Gabor小波的偶对称滤波器和奇对称滤波器近似得到:
[en(x),on(x)]为一组正交对滤波器构成的矢量对。在点x位置的二维相位一致性可表示为:
φn(x)=atan2(on(x),en(x))
其中,An为第n项傅里叶分量的幅度值,φn为相位,ε为一个极小常数,为防止分母值为0。
在采用二维Log-Gabor滤波器进行计算时,原本计算6个方向相位一致性信息的修改为3个方向,将计算时间节省了41.6%;另外将小波尺度设为3,可以使步骤一的时间降低18.0%。通过合理设置参数,算法所需的总时间从0.923秒减少至0.609秒,节省34.0%的时间,在保证效果的情况下,大大提高了评估效率。傅里叶变换中采用了速度最快的快速傅里叶变换提取频谱信息,计算时间也大大降低。图2中(a)为待测声呐图像,(b)为通过相位一致性提取到的原图像的边缘信息图像。
S2:计算边缘信息图像在水平、45°、垂直和135°四个方向上的灰度共生矩阵。假设有像素i和像素j,其位置分别为(x,y)和(x+d cosθ,y+d sinθ),则灰度共生矩阵中的元素为:
P(i,j,d,θ)=#{[(f(k,l)=i,f(m,n)=j)]dis((k,l),(m,n))=d}
其中0≤i,j≤L-1,(k,l),(m,n)∈M×N,θ表示像素对的方向,本发明中θ∈{0°,45°,90°,135°},#{x}表示统计集合中的像元对数,f(x,y)为(x,y)位置的灰度值,L为量化后的灰度级,实施例中设置为L=16级,d为像素对的空间距离,实施例中d=2。
S3:根据得到的灰度共生矩阵,提取图像的对比度、熵、逆差距三个统计量作为图像质量评估的原始数据;
S301、计算对比度Con,对比度体现了待测图像的清晰程度、纹理的深浅,计算公式如下:
其中P(i,j)为归一化灰度共生矩阵(i,j)处的值。
S302、计算熵值Ent,熵值越大则图像纹理越复杂,包含的信息量越大,越有可能找到要搜索的目标,表达式如下:
S303、计算逆差距IDM,逆差距越大表示待测图像纹理越清晰、规律性更强、可描述性强,表达式如下:
S4:将统计量转换为百分制后得到对比度C、熵E、逆差距I,最终加权得到图像质量评价结果,其具体方法如下:
Q=α·C+β·E+γ·I
其中α、β、γ是权重系数。为了符合人类视觉系统结果,通过多次仿真,认为α∈[0.45,0.55]、β∈[0.21,0.31]、γ∈[0.14,0.34]得到的结果更符合主观判断。实施例中设α=0.457、β=0.238、γ=0.305,因此本实施例中图像质量Q=49.634。Q值的范围在0~100之间,选择多个不同质量的图像进行测试,发现其中非常清晰的光学图像质量Q可达到90.6784,纯白色图片由于不含有任何纹理信息,判断为质量最差的图像,评分为0,不同图像的评估结果可以拉开一定差距,通过最终结果的比较可得到直观的优劣判断。
本发明的内容不限于所列举的实例,本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换,均为本发明的权利要求所涵盖。
Claims (5)
1.一种水下图像质量实时评估方法,其特征在于,包括以下步骤:
S1:对声呐图像进行基于相位一致性的快速边缘检测和提取,生成边缘信息图像;
S2:计算边缘信息图像在水平、垂直、45度和135度四个方向上的灰度共生矩阵GLCM;
S3:根据灰度共生矩阵,提取图像的对比度、熵、逆差距三个统计量作为图像质量评估的原始数据;
S4:将统计量转换为百分制后取平均值得到最终图像质量评价结果,通过对比图像质量评价结果得到图像质量变化。
2.根据权利要求1所述水下图像质量实时评估方法,其特征在于,所述步骤S1具体包括:
S101、将图像进行傅里叶变换,转换到频域;
S102、对图像进行二维Log Gabor滤波,此时径向采用Log Gabor小波变换,角向则选择高斯函数作为扩展函数,该滤波器的传递函数为:
其中ω为径向坐标,ω0为滤波器的中心频率,k/ω0为决定径向带宽的常数,θ为方向角度,由常数σθ确定角向带宽;
S103、通过求图像的局部能量E最大值来确定符合相位一致性的像素位置,计算局部能量函数:
其中n为小波尺度,θj为朝向角度,F(x)为信号移除的直流分量,H(x)为F(x)的Hilbert变换,An为第n项傅里叶分量的幅度值,PC为相位一致函数;
S104、计算F(x)和H(x),用Log Gabor小波的偶对称滤波器和奇对称滤波器近似得到:
[en(x),on(x)]为一组正交对滤波器构成的矢量对;在点x位置的二维相位一致性可表示为:
φn(x)=a tan2(on(x),en(x))
其中,An为第n项傅里叶分量的幅度值,φn为相位,ε为一个极小常数,为防止分母值为0。
3.根据权利要求1或2所述水下图像质量实时评估方法,其特征在于,所述步骤S2具体包括:
假设有像素i和像素j,其位置分别为(x,y)和(x+d cosθ,y+d sinθ),则灰度共生矩阵中的元素为:
P(i,j,d,θ)=#{[(f(k,l)=i,f(m,n)=j)]dis((k,l),(m,n))=d}
其中0≤i,j≤L-1,(k,l),(m,n)∈M×N,θ表示像素对的方向,本发明中θ∈{0°,45°,90°,135°},#{x}表示统计集合中的像元对数,f(x,y)为(x,y)位置的灰度值,L为量化后的灰度级,d为像素对的空间距离。
5.根据权利要求4所述水下图像质量实时评估方法,其特征在于,所述步骤S4具体包括:
将统计量转换为百分制后得到对比度C、熵E、逆差距I,最终加权得到图像质量评价结果,具体为:
Q=α·C+β·E+γ·I
其中α、β、γ是权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010892539.8A CN111899261A (zh) | 2020-08-31 | 2020-08-31 | 一种水下图像质量实时评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010892539.8A CN111899261A (zh) | 2020-08-31 | 2020-08-31 | 一种水下图像质量实时评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111899261A true CN111899261A (zh) | 2020-11-06 |
Family
ID=73224808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010892539.8A Pending CN111899261A (zh) | 2020-08-31 | 2020-08-31 | 一种水下图像质量实时评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899261A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776743A (zh) * | 2005-11-24 | 2006-05-24 | 上海交通大学 | 基于相位一致的纹理分类方法 |
CN102567996A (zh) * | 2012-01-05 | 2012-07-11 | 中国地质大学(武汉) | 一种遥感卫星图像质量评价的方法 |
CN104104943A (zh) * | 2013-04-10 | 2014-10-15 | 江南大学 | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 |
CN104318545A (zh) * | 2014-09-22 | 2015-01-28 | 中国人民解放军陆军军官学院 | 一种用于雾天偏振图像的质量评价方法 |
CN104680541A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于相位一致性的遥感图像质量评价方法 |
CN106454350A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于红外图像的无参考评价方法 |
CN106651829A (zh) * | 2016-09-23 | 2017-05-10 | 中国传媒大学 | 一种基于能量和纹理分析的无参考图像客观质量评价方法 |
CN106960436A (zh) * | 2017-03-20 | 2017-07-18 | 哈尔滨工业大学 | 一种光学遥感图像处理性能评估方法 |
CN107343196A (zh) * | 2017-07-18 | 2017-11-10 | 天津大学 | 一种混合失真无参考图像质量评价方法 |
CN109788275A (zh) * | 2018-12-28 | 2019-05-21 | 天津大学 | 自然性、结构和双目不对称无参考立体图像质量评价方法 |
-
2020
- 2020-08-31 CN CN202010892539.8A patent/CN111899261A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776743A (zh) * | 2005-11-24 | 2006-05-24 | 上海交通大学 | 基于相位一致的纹理分类方法 |
CN102567996A (zh) * | 2012-01-05 | 2012-07-11 | 中国地质大学(武汉) | 一种遥感卫星图像质量评价的方法 |
CN104104943A (zh) * | 2013-04-10 | 2014-10-15 | 江南大学 | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 |
CN104318545A (zh) * | 2014-09-22 | 2015-01-28 | 中国人民解放军陆军军官学院 | 一种用于雾天偏振图像的质量评价方法 |
CN104680541A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于相位一致性的遥感图像质量评价方法 |
CN106454350A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于红外图像的无参考评价方法 |
CN106651829A (zh) * | 2016-09-23 | 2017-05-10 | 中国传媒大学 | 一种基于能量和纹理分析的无参考图像客观质量评价方法 |
CN106960436A (zh) * | 2017-03-20 | 2017-07-18 | 哈尔滨工业大学 | 一种光学遥感图像处理性能评估方法 |
CN107343196A (zh) * | 2017-07-18 | 2017-11-10 | 天津大学 | 一种混合失真无参考图像质量评价方法 |
CN109788275A (zh) * | 2018-12-28 | 2019-05-21 | 天津大学 | 自然性、结构和双目不对称无参考立体图像质量评价方法 |
Non-Patent Citations (4)
Title |
---|
SHUHONG JIAO 等: "SAR Image Quality Assessment Based on SSIM Using Textural Feature", 《2013 SEVENTH INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 * |
桑庆兵 等: "基于灰度共生矩阵的无参考模糊图像质量评价方法", 《模式识别与人工智能》 * |
肖志涛 等: "Log Gabor 小波性能分析及其在相位一致性中应用", 《天津大学学报》 * |
贾永红 等: "《数字图像处理实习教程 第2版》", 31 January 2012 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563303B (zh) | 一种基于深度学习的鲁棒性舰船目标检测方法 | |
CN109740665B (zh) | 基于专家知识约束的遮挡图像船只目标检测方法及系统 | |
Chen et al. | Semi-reference sonar image quality assessment based on task and visual perception | |
CN110569796A (zh) | 一种车道线动态检测和车道分界线的拟合方法 | |
CN108510458B (zh) | 基于深度学习方法和非参数化采样的侧扫声呐图像合成方法 | |
CN111028327A (zh) | 一种三维点云的处理方法、装置及设备 | |
CN109685730B (zh) | 一种基于自适应非局域均值的小波去噪方法 | |
CN116468995A (zh) | 一种联合slic超像素和图注意力网络的声呐图像分类方法 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
Al-Rawi et al. | Intensity normalization of sidescan sonar imagery | |
CN110570361B (zh) | 声呐图像结构化噪声的抑制方法、系统、装置和存储介质 | |
CN115641767A (zh) | 无人艇感知实验平台装置 | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
CN114693524A (zh) | 侧扫声呐图像准确匹配快速拼接方法、设备及存储介质 | |
CN112862748B (zh) | 一种多维域特征联合sar船舰智能检测方法 | |
CN114066795A (zh) | Df-sas高低频声呐图像精细配准融合方法 | |
CN111965645B (zh) | 一种顾及几何约束的多基线植被高度反演方法及装置 | |
CN117115447A (zh) | 基于元迁移学习的前视声呐图像分割方法和装置 | |
CN111899261A (zh) | 一种水下图像质量实时评估方法 | |
CN117152601A (zh) | 一种基于动态感知区域路由的水下目标检测方法及系统 | |
CN108460773B (zh) | 一种基于偏移场水平集的声纳图像分割方法 | |
CN113408615B (zh) | 一种基于光学卫星遥感影像的船只自动匹配方法 | |
CN114663743A (zh) | 一种船舶目标重识别方法、终端设备及存储介质 | |
CN114202587A (zh) | 基于船载单目相机的视觉特征提取方法 | |
Rani et al. | ELM-Based Shape Adaptive DCT Compression technique for underwater image compression |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201106 |