融合显著性信息的水下图像清晰化算法

由于水对光的选择性吸收和水中微粒的散射效应,水下光学图像通常存在颜色失真、对比度低和细节模糊等缺陷。为解决水下图像存在的颜色失真和低对比度问题,提出了一种融合显著性信息的水下图像清晰化算法。首先,使用基于四叉树分割的分层搜索算法估计背景光,结合水下成像模型对水下图像进行初步清晰化;同时,进行简单线性迭代聚类超像素分割,并根据各超像素与边界背景聚类的特征相似度构建全局距离矩阵,再由多层元胞自动机整合生成显著图;最后,在Lab颜色空间依据图像的显著性信息,对水下图像分区域进行颜色校正。选取UFO-120数据集中的1500张水下图像进行实验,该算法在局部块对比度、熵、清晰度测量指标、对比度测量指标及主观颜色上有显著提升。实验结果表明,这种算法在水下图像颜色校正和对比度增强方面存在明显优势。

面向水下图像的质量评价方法

目的针对目前水下图像质量评价方法少和现有方法存在局限性等问题,提出一种无参考并且无需手工设计特征的水下图像质量评价方法。方法提出的水下图像质量评价方法将深度学习网络框架与随机森林回归模型相结合,首先采用深度神经网络提取水下图像的特征;然后使用提取的特征和标定的水下图像质量分数训练回归模型;最终,利用训练好的回归模型预测水下图像的质量。结果在本文收集的水下图像数据集和水下图像清晰化算法处理结果上评测本文方法,并与多种质量评价方法进行比较,其中包括预测结果与主观质量分数比较、水下图像清晰化结果评测比较、预测结果与主观质量分数相关性比较、鲁棒性比较等。主观实验结果表明本文的评价方法可以相对准确地给出符合人类视觉感知的水下图像质量分数,并且具有更好的鲁棒性。定量实验结果表明本文方法与其他方法相比,预测的图像质量分数与主观分数具有更高的相关性。结论提出的水下图像质量评价方法无需参考图像,省去了手工设计的特征,充分利用了深度学习网络的学习和表征能力。本文方法的准确性较好,普适性和鲁棒性较高,预测的质量分数与人类视觉感知具有较高的一致性。本方法适用于原始的水下图像和水下图像清晰化算法的处理结果。