CN111986197A - 基于轮廓统计特性的部分参考声纳图像应用质量评价方法 - Google Patents
基于轮廓统计特性的部分参考声纳图像应用质量评价方法 Download PDFInfo
- Publication number
- CN111986197A CN111986197A CN202010938912.9A CN202010938912A CN111986197A CN 111986197 A CN111986197 A CN 111986197A CN 202010938912 A CN202010938912 A CN 202010938912A CN 111986197 A CN111986197 A CN 111986197A
- Authority
- CN
- China
- Prior art keywords
- sonar image
- contour
- image
- learner
- sonar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 22
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000016776 visual perception Effects 0.000 description 3
- 238000007430 reference method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法,该方法包括以下步骤:S1、对原始声纳图像,即参考声纳图像进行轮廓波变换,以获得的子带系数作为图像轮廓特征;S2、对每个子带系数分别提取表征子带信息、能量以及幅值的统计特征,作为参考声纳图像的轮廓特征信息;S3、对待测声纳图像重复步骤S1‑S2,提取待测声纳图像的轮廓特征信息;S4、计算参考声纳图像与待测声纳图像之间的轮廓变化特征;S5、利用集成学习,基于步骤S4得到的轮廓变化特征,建立部分参考声纳图像应用质量评价模型。该方法有利于提高声纳图像应用质量评价性能。
Description
技术领域
本发明涉及图像质量测评技术领域,具体涉及一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法。
背景技术
由于声纳成像不依赖于照明,因此在复杂、黑暗的深海环境中,声纳图像被广泛应用于许多水下任务中。水下声纳图像通常由海洋研究人员进行观察分析,因此他们对传输后的声纳图像质量有较高的要求。然而,由于水声信道的传输条件较差,导致水声传输过程无法保证声纳图像的质量。一种有效的声纳图像质量测评方法对水声图像传输控制和海洋研究人员的观察有重要意义。然而,声纳图像与自然场景图像在许多方面,例如图像特征和应用背景有较大的不同,对于具有实际任务用途的声纳图像,我们应当测量其应用质量而不是视觉感知质量。而声纳图像的应用质量并不能用其视觉感知质量进行简单的代替,因此提出一种基于任务导向的声纳图像应用质量测评方法是十分有意义的。
图像质量评价通常可被分为两大类,即主观评价和客观评价。主观质量能很好地反映图像在人眼中呈现出的质量,但由于主观评价需要耗费大量的人力财力,因此其无法作为评价图像质量的常用手段。通过对人类视觉系统进行数学建模,产生了大量的客观图像质量评价方法,而按照参考图像的有无,分为全参考、部分参考以及无参考图像质量测评。而部分参考方法则是在全参考与无参考之间的一种折衷的质量评价方法,其同时具备了全参考和无参考方法的优点,通过使用原始图像的部分参考信息或者少量特征来评估失真图像的质量。
上述质量评价方法都是针对由自然场景图像获得的光学图像而设计的,其包括建模的自然场景统计,结构和信息等特征,而这些图像的感知质量评分是根据人们的常识和审美来进行评价的,它考虑了人类视觉系统的各种感知特性,尽管其表现优秀,然而最先进的自然图像质量评价方法仍然不适用于声纳图像。首先,声纳图像的统计特征与自然图像的不同,这些基于自然场景统计的质量评价指标不能用于声纳图像。其次,由于设备、环境等因素导致声纳图像的收集远比自然图像困难和昂贵,这造成了声纳图像数据库规模较小。因此,现在常用的基于深度学习的质量评价方法可能会导致严重的过拟合现象。最后由于是基于人类审美感知对图像进行质量评价的,而考虑到声纳图像的特性以及应用背景的特殊性,在自然图像上性能很好的全参考图像质量测评往往无法对声纳图像起很好的作用。为了更好地估计高分辨率声纳图像的实用质量,声纳图像的质量评价方法要将视觉感知与实际任务相结合。不幸的是,在目前已经出现的研究中,对这方面的研究还很稀缺。
发明内容
本发明的目的在于提供一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法,该方法有利于提高声纳图像应用质量评价性能。
为实现上述目的,本发明采用的技术方案是:一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法,该方法包括以下步骤:一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法,其特征在于,该方法包括以下步骤:
S1、对原始声纳图像,即参考声纳图像进行轮廓波变换,以获得的子带系数作为图像轮廓特征;
S2、对每个子带系数分别提取表征子带信息、能量以及幅值的统计特征,作为参考声纳图像的轮廓特征信息;
S3、对待测声纳图像重复步骤S1-S2,提取待测声纳图像的轮廓特征信息;
S4、计算参考声纳图像与待测声纳图像之间的轮廓变化特征;
S5、利用集成学习,基于步骤S4得到的轮廓变化特征,建立部分参考声纳图像应用质量评价模型。
进一步地,所述步骤S1中,为了最大化保留轮廓信息,并尽量少地引入细节信息,通过轮廓波变换,将声纳图像分解为10个子频带。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:依次选择轮廓波变换后得到的子带i,其中i∈[0,10];
步骤S22:计算选中的子带中信息的量Ci:
式中,ρ(Pi(x,y))表示这个子带中系数的概率分布,Pi(x,y)表示这个子带中位于(x,y)处的系数,M×N为这个子带的尺寸大小;
步骤S23:计算选中的子带中能量的波动Ei:
步骤S24:计算子带的振幅大小λi:
通过步骤S22-S24得到如下分量:信息的量Ci、能量的波动Ei和振幅的大小λi,以利用这三种轮廓波的统计特征衡量声纳图像的质量变化;
步骤S25:将10个子带的信息的量、能量的波动、振幅的大小进行堆叠,得到参考声纳图像的轮廓特征信息Fr,其定义如下:
Fr={C1,C2,...,C10;E1,E2,...,E10;λ1,λ2,...,λ10}
式中,特征信息Fr中共有30个特征分量。
进一步地,所述步骤S3中,采用与参考声纳图像的轮廓特征信息Fr相同的特征提取方法,提取得到待测声纳图像的轮廓特征信息Fd。
进一步地,所述步骤S4中,定义参考声纳图像与待测声纳图像之间的轮廓变化特征:
ΔF=|Fr-Fd|
式中,ΔF表示传输前后轮廓变化特征,ΔF包含30个代表失真后图像轮廓特征变化的分量。
进一步地,所述步骤S5具体包括以下步骤:
步骤S51:选择声纳图像质量素材库训练模型,素材库中声纳图像由侧扫描声纳和声透镜声纳在水下场景中采集得到;
步骤S52:将素材库中的声纳图像分为多个组,每一个组包括1幅参考声纳图像和多幅失真图像声纳图像,其中n组作为训练集,其余组作为测试集;
步骤S53:对训练集中的图像依据步骤S1-S4的方法进行特征提取获得ΔF,为了缓解过拟合,随机抽取ΔF中的5个分量作为训练特征,并在此基础上训练一个基学习器,特征随机抽取以及基学习器的训练m次,产生m个基学习器;
步骤S56:定义第i个基学习器以及集成的学习器在分布Ψ(s)上的泛化误差分别为:
Eri=∫Eri(s)Ψ(s)ds
步骤S57:定义基学习器i与基学习器j的相关性corrij为:
步骤S59:集合步骤S56-S58,集成的学习器在分布Ψ(s)上的泛化误差分可表示为:
步骤S510:当第κ个基学习器不加入集成时,步骤S59的泛化误差可表示为:
步骤S511:结合步骤S59-S510可得:
步骤S513:对产生的所有基学习器进行筛选后,将保留下来的基学习器的结果用平均法做结合,即所有基学习器输出的预测质量的均值即为针对该幅测试图像的质量评价结果。
相较于现有技术,本发明具有以下有益效果:本发明基于声纳图像的应用背景,以图像在应用中的性能为特征指导依据,提取与应用执行息息相关的轮廓信息作为主要特征,能够在声纳图像应用质量评价中取得较好的性能,相比传统的声纳图像质量评价方法,该方法仅需要少量的原始参考图像,减少了参考信息的数量,同时本发明还采用了集成学习,并根据基学习器的泛化误差对基学习器进行挑选,使得到的质量评价模型具有更高的精确性和泛化性。介于本发明所提的算法为部分参考算法,所需参考信息少,对于带宽有限,信道条件复杂的水声通信来说,具有重要意义。本发明为声纳图像的应用质量评价提供了具有参考性的评价指标,具有很强的实用性和广阔的应用前景。
附图说明
图1是本发明实施例的方法实现流程框图。
图2是本发明实施例中原始声纳图像。
图3是本发明实施例中待测声纳图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法,其流程如图1所示。本实施例的目的是以图2所示的原始声纳图像为参考图像,评价如图3所示的待测声纳图像的应用质量。该方法包括以下步骤:
S1、对原始声纳图像,即参考声纳图像进行三阶轮廓波变换,以获得的子带系数作为图像轮廓特征。
人类视觉系统具有聚焦的特性。对于某一特定的图像,人类的眼睛只能以较高的分辨率感知图像中某个局部区域的内容。轮廓波变换可以将图像进行多尺度、多方向的变换,用较少的系数描述图像中的轮廓信息,能够检测出图像轮廓,提取出人眼敏感的图像信息。声纳图像通常用于海底探测和搜寻等任务中,而目标识别是最重要的检测技术之一,其通常检测物体的整体结构作为检测标准。因此本发明考虑了视觉特性和任务特性,利用轮廓波域的统计特征构成简洁的图像轮廓以衡量声纳图像的质量。当声纳图像在水声传输信道中受损后,收集声纳图像的轮廓波域系数产生的变化能够代表信道对图像的影响,即反映了声纳图像经过信道传输后的质量。
所述步骤S1中,为了最大化保留轮廓信息,并尽量少地引入细节信息,通过轮廓波变换,将声纳图像分解为10个子频带。
为了使质量评价方法所需要的参考信息减少,本发明提取轮廓特征统计特性作为参考信息。
S2、对每个子带系数分别提取表征子带信息、能量以及幅值的统计特征,作为参考声纳图像的轮廓特征信息。具体包括以下步骤:
步骤S21:依次选择轮廓波变换后得到的子带i,其中i∈[0,10]。
步骤S22:计算选中的子带中信息的量Ci:
式中,ρ(Pi(x,y))表示这个子带中系数的概率分布,Pi(x,y)表示这个子带中位于(x,y)处的系数,M×N为这个子带的尺寸大小。
步骤S23:计算选中的子带中能量的波动Ei:
步骤S24:计算子带的振幅大小λi:
通过步骤S22-S24得到如下分量:信息的量Ci、能量的波动Ei和振幅的大小λi,以利用这三种轮廓波的统计特征衡量声纳图像的质量变化。
步骤S25:将10个子带的信息的量、能量的波动、振幅的大小进行堆叠,得到参考声纳图像的轮廓特征信息Fr,其定义如下:
Fr={C1,C2,...,C10;E1,E2,...,E10;λ1,λ2,...,λ10}
式中,特征信息Fr中共有30个特征分量。
S3、对待测声纳图像重复步骤S1-S2,即采用与参考声纳图像的轮廓特征信息Fr相同的特征提取方法,提取得到待测声纳图像的轮廓特征信息Fd。
参考声纳图像与待测声纳图像之间的轮廓变化特征定义如下:
ΔF=|Fr-Fd|
式中,ΔF表示传输前后轮廓变化特征,ΔF包含30个代表失真后图像轮廓特征变化的分量。
S4、计算参考声纳图像与待测声纳图像之间的轮廓变化特征;
S5、利用集成学习,基于步骤S4得到的轮廓变化特征,建立部分参考声纳图像应用质量评价模型。
所述步骤S5具体包括以下步骤:
步骤S51:选择声纳图像质量素材库训练模型,素材库中声纳图像由侧扫描声纳和声透镜声纳在水下场景中采集得到;
步骤S52:将素材库中的840幅声纳图像按内容分为40组,每一个组包括1幅参考声纳图像和20幅失真图像声纳图像,其中4组作为训练集用于训练,其余组作为测试集用于测试;
步骤S53:对训练集中的图像依据步骤S1-S4的方法进行特征提取获得ΔF,为了缓解过拟合,随机抽取ΔF中的5个分量作为训练特征,并在此基础上训练一个基学习器,特征随机抽取以及基学习器的训练m次,产生m个基学习器;
步骤S56:定义第i个基学习器以及集成的学习器在分布Ψ(s)上的泛化误差分别为:
Eri=∫Eri(s)Ψ(s)ds
步骤S57:定义基学习器i与基学习器j的相关性corrij为:
步骤S59:集合步骤S56-S58,集成的学习器在分布Ψ(s)上的泛化误差分可表示为:
步骤S510:当第κ个基学习器不加入集成时,步骤S59的泛化误差可表示为:
步骤S511:结合步骤S59-S510可得:
步骤S513:对产生的所有基学习器进行筛选后,将保留下来的基学习器的结果用平均法做结合,即所有基学习器输出的预测质量的均值即为针对该幅测试图像的质量评价结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于轮廓统计特性的部分参考声纳图像应用质量评价方法,其特征在于,该方法包括以下步骤:
S1、对原始声纳图像,即参考声纳图像进行轮廓波变换,以获得的子带系数作为图像轮廓特征;
S2、对每个子带系数分别提取表征子带信息、能量以及幅值的统计特征,作为参考声纳图像的轮廓特征信息;
S3、对待测声纳图像重复步骤S1-S2,提取待测声纳图像的轮廓特征信息;
S4、计算参考声纳图像与待测声纳图像之间的轮廓变化特征;
S5、利用集成学习,基于步骤S4得到的轮廓变化特征,建立部分参考声纳图像应用质量评价模型。
2.根据权利要求1所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法,其特征在于,所述步骤S1中,为了最大化保留轮廓信息,并尽量少地引入细节信息,通过轮廓波变换,将声纳图像分解为10个子频带。
3.根据权利要求2所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法,其特征在于,所述步骤S2具体包括以下步骤:
步骤S21:依次选择轮廓波变换后得到的子带i,其中i∈[0,10];
步骤S22:计算选中的子带中信息的量Ci:
式中,ρ(Pi(x,y))表示这个子带中系数的概率分布,Pi(x,y)表示这个子带中位于(x,y)处的系数,M×N为这个子带的尺寸大小;
步骤S23:计算选中的子带中能量的波动Ei:
步骤S24:计算子带的振幅大小λi:
通过步骤S22-S24得到如下分量:信息的量Ci、能量的波动Ei和振幅的大小λi,以利用这三种轮廓波的统计特征衡量声纳图像的质量变化;
步骤S25:将10个子带的信息的量、能量的波动、振幅的大小进行堆叠,得到参考声纳图像的轮廓特征信息Fr,其定义如下:
Fr={C1,C2,...,C10;E1,E2,...,E10;λ1,λ2,...,λ10}
式中,特征信息Fr中共有30个特征分量。
4.根据权利要求3所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法,其特征在于,所述步骤S3中,采用与参考声纳图像的轮廓特征信息Fr相同的特征提取方法,提取得到待测声纳图像的轮廓特征信息Fd。
5.根据权利要求4所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法,其特征在于,所述步骤S4中,定义参考声纳图像与待测声纳图像之间的轮廓变化特征:
ΔF=|Fr-Fd|
式中,ΔF表示传输前后轮廓变化特征,ΔF包含30个代表失真后图像轮廓特征变化的分量。
6.根据权利要求5所述的基于轮廓统计特性的部分参考声纳图像应用质量评价方法,其特征在于,所述步骤S5具体包括以下步骤:
步骤S51:选择声纳图像质量素材库训练模型,素材库中声纳图像由侧扫描声纳和声透镜声纳在水下场景中采集得到;
步骤S52:将素材库中的声纳图像分为多个组,每一个组包括1幅参考声纳图像和多幅失真图像声纳图像,其中n组作为训练集,其余组作为测试集;
步骤S53:对训练集中的图像依据步骤S1-S4的方法进行特征提取获得ΔF,为了缓解过拟合,随机抽取ΔF中的5个分量作为训练特征,并在此基础上训练一个基学习器,特征随机抽取以及基学习器的训练m次,产生m个基学习器;
步骤S56:定义第i个基学习器以及集成的学习器在分布Ψ(s)上的泛化误差分别为:
Eri=∫Eri(s)Ψ(s)ds
步骤S57:定义基学习器i与基学习器j的相关性corrij为:
步骤S59:集合步骤S56-S58,集成的学习器在分布Ψ(s)上的泛化误差分可表示为:
步骤S510:当第κ个基学习器不加入集成时,步骤S59的泛化误差可表示为:
步骤S511:结合步骤S59-S510可得:
步骤S513:对产生的所有基学习器进行筛选后,将保留下来的基学习器的结果用平均法做结合,即所有基学习器输出的预测质量的均值即为针对该幅测试图像的质量评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938912.9A CN111986197A (zh) | 2020-09-09 | 2020-09-09 | 基于轮廓统计特性的部分参考声纳图像应用质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938912.9A CN111986197A (zh) | 2020-09-09 | 2020-09-09 | 基于轮廓统计特性的部分参考声纳图像应用质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111986197A true CN111986197A (zh) | 2020-11-24 |
Family
ID=73450229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010938912.9A Pending CN111986197A (zh) | 2020-09-09 | 2020-09-09 | 基于轮廓统计特性的部分参考声纳图像应用质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986197A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140713A1 (en) * | 2013-07-02 | 2016-05-19 | Guy Martin | System and method for imaging device modelling and calibration |
CN106507100A (zh) * | 2016-11-14 | 2017-03-15 | 厦门大学 | 一种基于传输的劣化图像主观质量素材库构建方法 |
CN106960433A (zh) * | 2017-03-01 | 2017-07-18 | 厦门大学 | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 |
CN107948635A (zh) * | 2017-11-28 | 2018-04-20 | 厦门大学 | 一种基于退化测量的无参考声纳图像质量测评方法 |
-
2020
- 2020-09-09 CN CN202010938912.9A patent/CN111986197A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140713A1 (en) * | 2013-07-02 | 2016-05-19 | Guy Martin | System and method for imaging device modelling and calibration |
CN106507100A (zh) * | 2016-11-14 | 2017-03-15 | 厦门大学 | 一种基于传输的劣化图像主观质量素材库构建方法 |
CN106960433A (zh) * | 2017-03-01 | 2017-07-18 | 厦门大学 | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 |
CN107948635A (zh) * | 2017-11-28 | 2018-04-20 | 厦门大学 | 一种基于退化测量的无参考声纳图像质量测评方法 |
Non-Patent Citations (1)
Title |
---|
WEILING CHEN ET AL.: "Semi-Reference Sonar Image Quality Assessment Based on Task and Visual Perception", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
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 | |
CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN111723701B (zh) | 一种水中目标识别方法 | |
Deng et al. | Blind noisy image quality assessment using sub-band kurtosis | |
CN109496334A (zh) | 用于评估语音质量的设备和方法 | |
CN109816646B (zh) | 一种基于退化决策逻辑的无参考图像质量评价方法 | |
WO2008016109A1 (fr) | Procédé d'optimisation de jeu de données d'apprentissage pour dispositif d'identification du signal et dispositif d'identification du signal capable d'optimiser le jeu de données d'apprentissage | |
CN115661649B (zh) | 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统 | |
CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
WO2016145571A1 (zh) | 基于条件直方图码书的盲图像质量评价方法 | |
CN114897023B (zh) | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 | |
CN103077408A (zh) | 基于小波神经网络的海底声纳图像转换为声学底质类别方法 | |
CN114220443B (zh) | 基于bn优化sngan的自适应音频隐写模型的训练方法和系统 | |
CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
Gaata et al. | No-reference quality metric for watermarked images based on combining of objective metrics using neural network | |
Krishnan et al. | A novel underwater image enhancement technique using ResNet | |
CN111986197A (zh) | 基于轮廓统计特性的部分参考声纳图像应用质量评价方法 | |
CN110808067A (zh) | 基于二值多频带能量分布的低信噪比声音事件检测方法 | |
Peng et al. | Multiple levels perceptual noise backed visual information fidelity for picture quality assessment | |
Li et al. | Underwater image sharpness assessment based on selective attenuation of color in the water | |
CN113487506A (zh) | 基于注意力去噪的对抗样本防御方法、装置和系统 | |
CN112926383B (zh) | 一种基于水下激光图像的目标自动识别系统 | |
CN117617888B (zh) | 一种近视屈光度的预测系统及方法 | |
CN117648851A (zh) | 一种基于生成对抗网络的声纳数据仿真生成方法 | |
CN117454240A (zh) | 一种基于水声信号的舰船目标识别方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |
|
RJ01 | Rejection of invention patent application after publication |