CN115457029B - 一种基于感知特征的水下图像质量测量方法 - Google Patents

一种基于感知特征的水下图像质量测量方法 Download PDF

Info

Publication number
CN115457029B
CN115457029B CN202211284647.2A CN202211284647A CN115457029B CN 115457029 B CN115457029 B CN 115457029B CN 202211284647 A CN202211284647 A CN 202211284647A CN 115457029 B CN115457029 B CN 115457029B
Authority
CN
China
Prior art keywords
underwater
image quality
perception
color
features
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
Application number
CN202211284647.2A
Other languages
English (en)
Other versions
CN115457029A (zh
Inventor
杨淼
谢卓冉
沈梦娇
董金耐
蒋海阳
蔡立鹏
黄悦
杨光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Ocean University
Original Assignee
Jiangsu Ocean University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Ocean University filed Critical Jiangsu Ocean University
Priority to CN202211284647.2A priority Critical patent/CN115457029B/zh
Publication of CN115457029A publication Critical patent/CN115457029A/zh
Application granted granted Critical
Publication of CN115457029B publication Critical patent/CN115457029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明公开了一种基于感知特征的水下图像质量测量方法，利用具有不同失真等级的自然图像质量数据库；通过对不同失真等级的图像的感知特征相关性分析，得到视觉清晰度感知特征和色彩感知特征集合；将水下图像训练集各图像的清晰度感知特征和色彩感知特征进行聚类；令具有相同聚类标签的水下图像为同一退化主题图像，从而划分水下退化主题并记录主题下的清晰度感知特征和色彩感知特征；对各个退化主题水下图像清晰度感知特征、色彩感知特征和相应的水下图像质量测量值进行线性拟合，得到各退化主题下的水下图像质量测量模型，预测的图像质量得分。实验结果证明，与常用的图像质量评价方法相比，划分水下主题的方式建立的感知特征水下图像质量测量方法更为可靠，这也为未来探究水下混合失真与水下图像质量之间的关系提供了参考。

Description

一种基于感知特征的水下图像质量测量方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于感知特征的水下图像质量测量方法。
背景技术
水下图像作为水下信息的重要载体和表达形式，在海底生物调查和海洋勘测中占据着重要地位。由于水下环境的复杂性，例如水下环境中存在的悬浮物等介质的吸收和散射作用，造成获取的水下图像中存在未知的失真等级和混合失真的情况。图像质量评价(Image Quality Assessment,IQA)是通过对图像某些特性的分析，从而判断图像质量的好坏(图像的失真程度)，IQA方法在光学成像系统的设计、图像传输、图像增强/复原等应用中占据十分重要的地位。
IQA方法总体可以分成两类:第一类是通过人眼观察判断的主观IQA方法和通过设计算法或建立模型来模拟主观判断的客观IQA方法，该方法评价结果最为准确可靠，但是需要大量观察员的参与，造成耗时较长且实时性较差；第二类是客观IQA方法，其分为全参考(full reference)，部分参考(reduced reference)以及无/盲参考(no/blind reference,NR/B)三种。由于难以获得高质量的水下参考图像，因此水下IQA为BIQA问题，所面临的挑战和问题也更多。与自然环境中获取的图像相比，水下图像中存在的混合失真情况较为复杂，而自然图像的质量评价方法在水下图像上的效果不尽如人意。
目前研究中，水下IQA方法大多集中在水下灰度图像的研究上。例如Schechner等提出了一种通过增强水下图像对比度以提高水下图像的可视性的方法。Hou等借助调制传递函数 (modulation transfer function,MTF)研究水下光学系统的相关信息，并通过实验测量得到水下介质的MTF，然后利用测量得到的MTF通过不同的反卷积方法来对模糊图像进行复原。 Arredondo等提出了一种评价水下噪声鲁棒性和影响的评价方法，可以用于验证水下视频相关算法在水下环境下的适用性和可靠性情况。
此外Karen等提出的针对水下彩色图像的评价方法UIQM(underwater imagequality measure)中选择了水下图像的对比度、清晰度和色彩三个分量作为计算水下图像最终质量得分的依据。Yang等提出的水下彩色图像质量评估方法UCIQE(underwater colorimage quality evaluation)中选择了色调方差、饱和度和对比度作为计算质量得分的测量分量，然后根据获取的水下图像真实质量得分，进行多元线性回归拟合权重系数。Yang等提出的了一种基于频域的水下彩色IQA指标(frequency domain underwater metric，FDUM)，FDUM中同样提取了水下图像的三个方面的分量值：色度，对比度和清晰度，由于Yang等认为直接计算水下图像的对比度分量的效果较差，为了提高对水下图像质量预测的准确性，FDUM中对于对比度的测量值增加了一个暗通道系数，用于改进传统的计算水下图像对比度的方法。
Yang等还通过研究不同色调的水下图像之间的联系，提出了一种视觉注意因素的多主题水下图像质量评价方法(Multitopic underwater image quality assessmentwith visual attention factors，MTUIQE)，MTUIQE中通过设定色调阈值来划分水下色调主题，再分别建立评价模型。
上述的水下彩色图像质量评价方法大多通过几个方面的测量分量进行加权得到最终得分，其中测量分量的加权系数一般通过人工或回归的方式得到，这种方法受人为因素影响较大，限制了算法的应用范围。
发明内容
本发明的目的在于提出一种基于感知特征的水下图像质量测量方法，通过提取清晰度感知特征和色彩感知特征来划分水下退化主题，并在不同退化主题下构建了评价模型，通过这种方式提高了模型的预测结果与水下图像真实质量值之间的一致性，且耗时较短。
为了实现上述目的，本发明采用的技术方案如下：
一种基于感知特征的水下图像质量测量方法，其特征在于所述方法如下：
S1:由已知主观水下图像质量测量值的水下图像集合构成水下图像质量测量训练集。
S2:利用现有具有不同失真类型和等级的自然图像质量评价数据库构建水下图像质量感知特征集合。
S3:对具有模糊、饱和度等失真类型的不同失真等级自然图像的感知特征相关性分析，得到清晰度感知特征和色彩感知特征；
S4:提取水下图像训练集各图像的清晰度感知特征和色彩感知特征进行聚类；
S5:根据聚类结果，令具有相同聚类标签的水下图像为同一退化主题图像，从而划分水下退化主题并记录主题下的清晰度感知特征和色彩感知特征；
S6:对于各个退化主题下的水下图像，提取S5中记录的清晰度感知特征、色彩感知特征作为输入和相应的水下图像质量测量值进行线性回归拟合，得到各退化主题下的水下图像质量测量模型，预测水下图像质量得分。
进一步的，S2中采用KADID-10k数据库，该数据库含81个原始图像，每个图像有5个失真等级，共25个失真类型，选择KADID-10k中高斯模糊，镜头模糊和运动模糊图像三类模糊失真以及饱和度失真和色彩对比度失真的图像，得到五类失真，记为感知特征集合。
进一步的，S3中对于KADID-10k数据库中选择的的五类失真图像，计算每一类失真图像 468维的NSS感知特征集合Fi(i＝1,2,3,4,5)中与对应的图像质量测量值MOS值之间的皮尔斯曼相关系数PLCC值，保留PLCC值大于0.7的特征，记此时的特征集合为F’i(i＝1,2, 3,4,5)。对于F’i中的每一维特征，再计算各特征间的相关系数，去除与其余特征相关系数值均大于0.8的特征，记此时Fi *(i＝1,2,3,4,5)，其中Fi *(i＝1,2,3)为与模糊相关的感知特征集合，Fj*(j＝4,5)为与色彩饱和度和对比度相关的感知特征集合，将Fi *(i＝1,2,3，4,5)最终记为清晰度感知特征Fsharp和色彩感知特征Fcolor。
进一步的，S4中选择kmeans++算法分别对清晰度感知特征Fsharp和色彩感知特征Fcolor进行聚类；kmeans++算法假设：对于已有的n个聚类中心(0<n<K)，当在选择第n+1个聚类中心时，与前n个聚类中心的距离越大的点被选中的可能性越大；其中在选取第一个聚类中心 (n＝1)时通过随机的方法
上述技术方案可以得到以下有益效果：
提出了基于感知特征的水下图像质量测量，其中利用清晰度感知特征和色彩感知特征来划分退化主题，并与常用的图像质量评价方法在水下图像质量评价数据集上进行了实验和分析。实验结果证明，与常用的图像质量评价方法相比，划分水下主题的方式建立的多主题水下图像质量测量评价模型的方式可以提高预测结果与水下图像MLS之间的一致性，此外与利用色调划分主题的方法MTUIQE相比，感知特征的水下图像质量测量方法中划分水下主题的方式更为可靠，这也为未来探究水下混合失真与水下图像质量之间的关系提供了参考。
附图说明
图1是总体流程图。
图2是已知水下图像质量主观测量值的集合中部分图像。
图3是聚类标签为Label_color＝1,Label_sharp＝1的退化主题图像图。
图4是测试集各退化主题下部分图像示例图。
图5是退化主题二下部分高亮图像示例图。
具体实施方式
下面结合附图1-5对本发明做进一步的说明：
一种基于感知特征的水下图像质量测量方法，通过对自然图像质量数据库中具有相应失真的图像分析，选择清晰度感知特征和色彩感知特征。然后提取水下图像质量训练集各图像的清晰度感知特征和色彩感知特征进行聚类，记具有相同聚类标签的图像为同一退化主题图像，从而划分水下退化主题，建立基于清晰度和色彩注意因素的水下图像质量评价模型。评价方法的总体流程图如图1所示。
感知特征集合过程方法：
利用具有不同失真等级的KADID-10k数据库构建清晰度感知特征和色彩感知特征集合。 KADID-10k包含81个原始图像，每个图像有5个失真等级，共25个失真类型，是目前失真类型最丰富的公开图像质量评价数据库。选择KADID-10k中高斯模糊，镜头模糊和运动模糊图像三类模糊失真以及饱和度失真和色彩对比度失真的图像，一共2025张图像进行分析。
受到ILNIQE(integrated local natural image quality evaluator)
的启发，提取与图像质量相关局部结构，对比度和颜色等多尺度下的NSS(naturalscene statistics)特征：在图像的两个尺度上提取与图像质量退化相关的局部归一化MSCN(mean subtracted contrast normalized)统计特征、MSCN相邻系数乘积的统计特征、梯度统计特征、Log-Gabor滤波器响应统计和颜色相关的统计特征，一共得到468维的感知特征，记为感知特征集合F＝{f1,f2,…,f468}。
对于KADID-10k数据库中选择的的五类失真图像，计算每一类失真图像的感知特征集合 F与对应的MOS(mean opinion score)之间的PLCC值，保留PLCC值大于0.7的特征，记此时的特征集合为F’i(i＝1,2,3,4,5)，对于F’i中的每一维特征，再计算各特征间的相关系数，去除与其余特征相关系数值均大于0.8的特征，记此时Fi *(i＝1,2,3,4,5)，其中Fi *(i＝1,2,3)为与模糊相关的感知特征集合，Fj *(j＝4,5)为与色彩饱和度和对比度相关的感知特征集合，因此将Fi *(i＝1,2,3，4,5)最终记为清晰度感知特征Fsharp和色彩感知特征Fcolor。Fcolor和Fsharp中的部分特征如表1所示。
表1 Fcolor和Fsharp中的部分特征
已知水下图像质量主观测量值的集合由1000张分辨率为512×512的水下图像组成，其中包括了各种不同内容的水下图像，这些水下图像中包含了不同程度的混合低对比度、非均匀色彩退化和光照度、模糊变形等质量退化问题。已知水下图像质量主观测量值的集合中的部分图像如图2所示。
水下退化主题划分：
将已知水下图像质量主观测量值的集合随机划分为800张作为训练集和200张作为测试集，互不重叠。首先提取训练集图像的色彩感知特征Fcolor和清晰度感知特征Fsharp，再选择kmeans++算法分别对Fcolor和Fsharp进行聚类。kmeans++算法假设：对于已有的n个聚类中心 (0<n<K)，当在选择第n+1个聚类中心时，与前n个聚类中心的距离越大的点被选中的可能性越大。其中在选取第一个聚类中心(n＝1)时通过随机的方法。
设置Fcolor和Fsharp聚类时的n＝3，对训练集中水下图像i聚类结果标签为(Label_colori, Label_sharpj)，Label_colori,Label_sharpj∈[1,2,3]；聚类中心分别为Centroid_colori(i＝1,2,3)和Centroid_sharpj(j＝1,2,3)。我们令具有相同聚类结果标签的水下图像为同一主题，即最终划分的退化主题个数为9，并记各个主题下的清晰度感知特征和色彩感知特征为F’color和F’sharp。其中聚类标签为(Label_color＝1,Label_sharp＝1) 的主题中的图像过少(不足10张)，如图3所示，此时可能由于图像中失真过于严重，难以捕捉图像中与清晰度和色彩相关的信息，因此不考虑该退化主题下的图像。
对于另外的8个退化主题下的图像，我们将F’color和F’sharp和相应的水下图像主观质量值输入到支持向量机中训练，得到各退化主题下的评价模型。
对于一张新图像，提取其Fcolor和Fsharp后，再计算Fcolor和Fsharp与聚类中心Centroid_colori(i＝1,2,3)和Centroid_sharpj(j＝1,2,3)之间的欧式距离di(i＝1,2,3)和dj(j＝1,2,3)，从而得到相应的标签(Label_colori,Label_sharpi)，输入到相应主题下的评价模型中得到预测的图像质量得分。
实验与分析：
在水下图像质量测试集上进行实验，选择了BRISQUE、DIIVINE、ILNIQE、BLIINDSII、 CORNIA和SNPNIQE，基于深度学习的DipIQ，UNIQUE以及三种水下IQA算法UCIQE，UIQM和 MTUIQE进行对比，测试集中水下图像划分为四个退化主题(具体为a/b/c/d)。计算了本方案在测试集不同退化主题下的预测结果与相应水下图像的主观质量成绩、以及上述方法在测试集上的预测结果与水下图像主观质量成绩之间的PLCC和SROCC，结果分别如表2和表3所示。测试集中各主题下的部分图像如图4所示。
表2 UIQAPF在不同主题图像下的预测得分与主观质量成绩间PLCC与SROCC
表3各方法在测试集上预测结果与主观质量成绩间的PLCC和SROCC
从表2可以看出，在测试集各退化主题下本方案的预测结果与水下图像主观质量成绩之间的PLCC和SROCC值为最大，验证了本方案利用与清晰度和色彩相关的感知特征来划分主题方式的有效性。此外，在主题二下本方案的预测值与水下图像主观质量成绩之间的PLCC和 SROCC值略小于其余三个主题下的PLCC和SROCC值，这可能是因为主题二下的水下图像中的高亮区域影响了图像的清晰度和色彩，如图5所示，使得在对这些水下图像划分退化主题时产生错误，影响了本方案的预测结果。
从表3中可以看到，在不区分测试集中水下图像的退化主题时，本方案的预测结果与水下图像主观质量成绩之间的PLCC和SROCC略小于UNIQUE的结果，而本方案的预测结果与水下图像主观质量成绩之间的PLCC和SROCC值最大，这证明了通过划分水下退化主题再建立多主题水下图像质量评价模型的方式可以提高模型预测结果与水下图像主观质量成绩之间的一致性，而且与MTUIQE中利用色调阈值划分水下退化主题的方式相比，本方案的中划分主题的方式更为可靠和全面，与基于深度学习的UNIQUE等方法相比耗时较短。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于感知特征的水下图像质量测量方法，其特征在于所述方法如下：
S1:由已知主观水下图像质量测量值的水下图像集合构成水下图像质量测量训练集；
S2：利用现有具有不同失真类型和等级的自然图像质量评价数据库构建水下图像质量感知特征集合；
S3:对具有模糊、饱和度等失真类型的不同失真等级自然图像的感知特征相关性分析，得到清晰度感知特征和色彩感知特征；
S4:提取水下图像质量测量训练集各图像的清晰度感知特征和色彩感知特征进行聚类；
S5:根据聚类结果，令具有相同聚类标签的水下图像为同一退化主题图像，从而划分水下退化主题并记录主题下的清晰度感知特征和色彩感知特征；
S6:对于各个退化主题下的水下图像，提取S5中记录的清晰度感知特征、色彩感知特征作为输入和相应的水下图像质量测量值进行线性回归拟合，得到各退化主题下的水下图像质量测量模型，预测水下图像质量得分。
2.根据权利要求1所述的一种基于感知特征的水下图像质量测量方法，其特征在于：S2中采用KADID-10k数据库，该数据库含81个原始图像，每个图像有5个失真等级，共25个失真类型，选择KADID-10k中高斯模糊，镜头模糊和运动模糊图像三类模糊失真以及饱和度失真和色彩对比度失真的图像，得到五类失真，记为感知特征集合。
3.根据权利要求2所述的一种基于感知特征的水下图像质量测量方法，其特征在于：S3中对于KADID-10k数据库中选择的的五类失真图像，计算每一类失真图像468维的NSS感知特征集合Fi(i＝1,2,3,4,5)中与对应的图像质量测量值MOS值之间的皮尔斯曼相关系数PLCC值，保留PLCC值大于0.7的特征，记此时的特征集合为F’i(i＝1,2,3,4,5)；对于F’i中的每一维特征，再计算各特征间的相关系数，去除与其余特征相关系数值均大于0.8的特征，记此时Fi *(i＝1,2,3,4,5)，其中Fi *(i＝1,2,3)为与模糊相关的感知特征集合，记为清晰度感知特征Fsharp，Fj *(j＝4,5)为与色彩饱和度和对比度相关的感知特征集合，将记为色彩感知特征Fcolor。
4.根据权利要求3所述的一种基于感知特征的水下图像质量测量方法，其特征在于：S4中选择kmeans++算法分别对水下图像训练集各图像的清晰度感知特征Fsharp和色彩感知特征Fcolor进行聚类；kmeans++算法假设：对于已有的n个聚类中心(0<n<K)，当在选择第n+1个聚类中心时，与前n个聚类中心的距离越大的点被选中的可能性越大；其中在选取第一个聚类中心(n＝1)时通过随机的方法。
CN202211284647.2A 2022-10-17 2022-10-17 一种基于感知特征的水下图像质量测量方法 Active CN115457029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211284647.2A CN115457029B (zh) 2022-10-17 2022-10-17 一种基于感知特征的水下图像质量测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211284647.2A CN115457029B (zh) 2022-10-17 2022-10-17 一种基于感知特征的水下图像质量测量方法

Publications (2)

Publication Number Publication Date
CN115457029A CN115457029A (zh) 2022-12-09
CN115457029B true CN115457029B (zh) 2023-08-15

Family

ID=84310825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211284647.2A Active CN115457029B (zh) 2022-10-17 2022-10-17 一种基于感知特征的水下图像质量测量方法

Country Status (1)

Country Link
CN (1) CN115457029B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118196071A (zh) * 2024-04-08 2024-06-14 江苏海洋大学 基于数据集分类的水下图像质量评价性能综合评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447647A (zh) * 2016-07-12 2017-02-22 中国矿业大学 一种压缩感知恢复图像的无参考质量评价方法
CN106780434A (zh) * 2016-11-15 2017-05-31 天津大学 水下图像视觉质量评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160224869A1 (en) * 2015-01-29 2016-08-04 None Correlation Of Visual and Vocal Features To Likely Character Trait Perception By Third Parties

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447647A (zh) * 2016-07-12 2017-02-22 中国矿业大学 一种压缩感知恢复图像的无参考质量评价方法
CN106780434A (zh) * 2016-11-15 2017-05-31 天津大学 水下图像视觉质量评价方法

Also Published As

Publication number Publication date
CN115457029A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
Wang et al. An experimental-based review of image enhancement and image restoration methods for underwater imaging
Qureshi et al. Towards the design of a consistent image contrast enhancement evaluation measure
CN110046673B (zh) 基于多特征融合的无参考色调映射图像质量评价方法
Hou et al. Benchmarking underwater image enhancement and restoration, and beyond
Krasula et al. Quality assessment of sharpened images: Challenges, methodology, and objective metrics
Zheng et al. No-reference quality assessment for screen content images based on hybrid region features fusion
Amirkhani et al. An objective method to evaluate exemplar‐based inpainted images quality using Jaccard index
Chen et al. Reference-free quality assessment of sonar images via contour degradation measurement
Deng et al. Blind noisy image quality assessment using sub-band kurtosis
Yue et al. Referenceless quality evaluation of tone-mapped HDR and multiexposure fused images
Liu Study of visual quality assessment on pattern images: Subjective evaluation and visual saliency effects
Krasula et al. Preference of experience in image tone-mapping: Dataset and framework for objective measures comparison
Chen et al. Perceptual quality assessment of cartoon images
CN112528939B (zh) 一种人脸图像的质量评价方法及装置
CN109741285B (zh) 一种水下图像数据集的构建方法及系统
CN115457029B (zh) 一种基于感知特征的水下图像质量测量方法
CN112651945A (zh) 一种基于多特征的多曝光图像感知质量评价方法
CN114612714A (zh) 基于课程学习的无参考图像质量评价方法
Xu et al. Remote-sensing image usability assessment based on ResNet by combining edge and texture maps
Men et al. Empirical evaluation of no-reference VQA methods on a natural video quality database
Gao et al. Image quality score distribution prediction via alpha stable model
CN116109558A (zh) 基于颈部半透明厚度测量值筛查胎儿染色体异常的方法
Zeng et al. Screen content video quality assessment model using hybrid spatiotemporal features
CN107169941A (zh) 一种视频去噪方法
CN112132774A (zh) 一种色调映射图像的质量评价方法

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