[发明专利]水下图像视觉质量评价方法

说明书

技术领域

本发明属于图像处理、计算机视觉技术领域，涉及一种水下图像视觉质量评价方法。

背景技术

近几年来，水下图像清晰化技术已经取得了显著的效果，并且受到了广泛的应用。然而，水下图像清晰化研究领域还欠缺有效的、鲁棒的、高认可度的水下图像视觉质量评价方法。没有完善的评价体系，会影响实际应用中对原始水下图像和水下图像清晰化算法的选择，从而限制该研究领域的发展和进步。为推动水下图像清晰化研究领域的发展和实际应用中对清晰化算法的选取，发明一种有效的水下图像视觉质量评价方法具有重要研究意义，并且是该研究领域目前所急需的。

目前，水下图像视觉质量评价方法存在以下几个方面的问题：1)水下图像清晰化研究领域的发展历史并不长，研究人员对评价方法的设计和选取还未达成共识；2)目前缺少公开的水下图像数据集，并且用来参考的清晰水下图像通常难以获得，导致没有理想图像作为评价参考；3)水下图像清晰化算法效果评价应当符合人类视觉感知，但人类视觉感知能力易受到观测者的个人因素影响，因此设计与之对应的评价体系较为困难；4)不同于普通图像，水下图像具有特殊的成像环境和光照条件。因此，传统的图像质量评价方法(全参考方法、部分参考方法、无参考方法)无法直接应用到水下图像。

发明内容

为克服现有技术的不足，本发明旨在全面准确地衡量水下图像的视觉质量，提出实现无需参考图像、避免参数调整、省去手工设计特征，并且具有更好的准确性和鲁棒性的水下图像视觉质量评价方法。本发明采用的技术方案是，水下图像视觉质量评价方法，步骤如下：

1)建立深度神经网络VGG16 Net结构

VGG16 Net网络结构总共包含5个堆栈式的卷积神经网络ConvNet，每个ConvNet又由多个卷积层Conv组成，Conv层之后紧跟着非线性映射层ReLU,每个ConvNet后为池化层Pooling,最后为3个全连接层和1个最大化层soft-max，其中每个全连接层具有4096个通道，soft-max层具有1000个通道。该网络引入较小的卷积核，增加了ReLU层，卷积层和全连接层的输入都直接连接ReLU层，同时在全连接层全连接第6层fc6和全连接第7层fc7使用正则化方法Dropout；

2)训练阶段

收集一个总共包含400幅图像并且拥有多种退化类型的水下图像数据集，邀请20位观察者，以色彩、对比度、清晰度、噪声、亮度为判断依据，凭借人类的视觉感知能力为该数据集400幅图像的质量依次打分；具体打分方式如下：20位观察者分别对该数据集中的400幅图像打分，分数从0.1到1分以0.1为步长分为10个等级，分数越高代表该幅图像越符合人类视觉感知，具有越好的视觉质量，针对每一幅图像，去掉最高和最低分数，剩下18位观察者给出分数的平均值记作有效分数；

为省去手工设计特征和测量分量，采用深度神经网络VGG16 Net提取的高维特征来表征水下图像的视觉质量，为提高VGG16 Net的兼容性，使用海量数据集Image Net初始化该深度网络的参数，将最后的最大化层soft-max transform去掉，以倒数第2个全连接层4096个通道的输出作为特征，接下来，将收集到的水下图像数据集中的300幅图像分别送入VGG16 Net进行特征提取。输入的图像经过网络中的卷积、池化以及非线性映射处理，逐步从具体的图像转变为具有更强表征能力的抽象特征，图像独特的部分由此凸显；

接下来，将VGG16 Net提取每幅图像的4096维特征和对应的符合人类视觉感知的质量分数送入随机森林回归模型进行训练，从而获得根据VGG16 Net网络提取的图像特征判断其视觉质量的预测模型；

3)测试阶段

测试阶段，将待预测的水下图像送入VGG16 Net深度神经网络提取4096维特征，再将提取的特征送入已经训练好的随机森林回归模型进行预测，最终输出水下图像的视觉质量分数。

随机森林回归模型选用800颗树进行预测。

本发明的特点及有益效果是：

1)本发明首次将深度学习网络模型与回归模型相结合，构建了无参考的水下图像视觉质量评价方法；

2)本发明从人类直观感知角度出发，建立的评价方法可以保证输出的水下图像质量分数与人类视觉感知相一致的结果；

3)本发明无需参考图像、避免参数调整、省去手工设计特征，具有更好的准确性和鲁棒性。

附图说明：

图1给出了本发明评价水下图像视觉质量的流程；