一种水下图像的质量评价方法和系统技术方案

本发明专利技术公开了一种水下图像的质量评价方法和系统，该方法包括如下步骤：S1，提取水下图像的亮度和色度特征，估计输入图片的亮度和色度；S2，提取水下图片的模糊度特征，估计输入图片的模糊程度；S3，提取水下图片的对比度特征，估计输入图片的对比度；S4，在训练集上利用支持向量回归方法学习一个由步骤S1

【技术实现步骤摘要】
System，HVS)启发，从水下图像色度、清晰度、对比度三个方面来评价水下图像的成像质量。

技术实现思路

[0004]本专利技术目的就是为了弥补已有技术的缺陷，提供一种水下图像的质量评价方法和系统。
[0005]本专利技术是通过以下技术方案实现的：
[0006]一种水下图像的质量评价方法，所述方法包括以下步骤：
[0007]S1，提取水下图像亮度和色度特征，估计输入图片的亮度和色度；
[0008]S2，提取水下图像的模糊度特征，估计输入图片的模糊程度；
[0009]S3，提取水下图像的对比度特征，估计输入图片的对比度；
[0010]S4，在训练集上利用支持向量回归方法学习一个由步骤S1-S3提取的图像特征到图像质量的映射模型，用于预测图像的质量。
[0011]所述步骤S1中，将水下图像分解为红绿蓝三个通道，提取红色通道的均值作为图像的色度特征，估计图像的色度；将水下图像转变为灰度图像，提取灰度图像的均值作为图像的亮度特征，估计图像的亮度。
[0012]所述步骤S2中，将水下图像对应的灰度图像进行小波分解，分解为三层小波子带，计算小波系数的总能量并作为水下图像的模糊度特征，估计水下图像的模糊度。
[0013]所述步骤S3中，首先计算水下图像的灰度直方图与均匀分布的KL距离，然后进一步计算灰度直方图与均匀分布的JS距离，利用JS距离作为对比度特征，估计水下图像的对比度。
[0014]所述步骤S4中，利用一组水下图像作为训练集，对每一幅图像提取亮度、色度、模糊度和对比度特征，然后将提取的特征与水下图像对应的主观分数输入到支持向量回归模型中，学习出图像特征到图像质量的映射模型，利用该模型来预测水下图像的质量。
[0015]一种水下图像的质量评价系统，包括有图像特征提取模块和映射模型学习模块，通过图像特征提取模块提取水下图像的图像特征，得到水下图像的图像特征值，映射模型学习模块利用一组水下图像作为训练集，并利用支持向量回归模型学习出一个图像特征到图像质量的映射模型，利用该模型来预测水下图像的质量。
[0016]所述的水下图像的图像特征包括图像的亮度特征、色度特征、模糊程度特征和对比度特征。
[0017]本专利技术的优点是：
[0018]本专利技术提供了一种水下图像的质量评价方法和系统，提取对水下图像质量密切相关的特征，表征图像的质量，利用支持向量回归模型学习图像特征到图像质量的映射，从而对水下图像的质量做出判断，本专利技术不需要参考原始图像，能够取得较高的预测性能，同时方法运行速度快，满足水下成像的应用需求。
附图说明
[0019]图1为本专利技术一实施例的原理图。
具体实施方式
[0020]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术的保护范围。
[0021]水下成像环境复杂，本专利技术实施例通过表征影响水下图像质量的主要因素，包括亮度、色度、对比度、模糊度，并分别进行建模表示，提取数字特征来表征影响图像质量的因素，然后利用支持向量回归模型学习图像特征到图像质量的映射关系。
[0022]图1为本专利技术水下图像的质量评价方法的一实施例的原理图。如图1所示，本专利技术实施例提供一种水下图像的质量评价方法，在该方法包括：S1，提取水下图像亮度和色度特征，估计输入图片的亮度和色度；S2，提取水下图像的模糊度特征，估计输入图片的模糊程度；S3，提取水下图像的对比度特征，估计输入图片的对比度；S4，在训练集上利用支持向量回归方法学习一个由步骤S1-S3提取的图像特征到图像质量的映射模型，以用于预测图像的质量。通过提取与水下图像质量有关的特征，包括亮度、色度、模糊度、对比度特征来表征图像质量的变化，利用支持向量回归模型学习图像特征到图像质量的映射关系，对水下图像的质量做出判断。此方法不需要参考原始图像，能够取得较高的预测性能，同时运行速度快，满足水下成像的应用需求。
[0023]在一实施例中，上述的一种水下图像的质量评价方法具体实施过程和详细细节如下：首先将输入的水下图像分解为红绿蓝三个通道，分别表示为R,G,B：然后提取红色通道的均值作为水下图像的色度特征：
[0024][0025]其中，r表示色度特征，N为图像的像素数；然后，将水下图像转为灰度图像：
[0026][0027]其中，表示水下图像对应的灰度图像，然后提取灰度图像的均值作为水下图像的亮度特征：
[0028][0029]其中，b表示亮度特征。
[0030]然后将水下图像对应的灰度图像进行小波分解，得到三层子带小波系数，记为{LH
l
,HL
l
,HH
l
|l＝1,2,3}，计算每一层小波系数的能量，计算方法为：
[0031][0032]其中，XY表示子带LH，HL或HH其中一个，表示子带XY
L
包含小波系数的能量，表示子带XY
L
包含小波系数的个数，表示在位置(i,j)处的小波系数。然后计算每一层小波系数的能量，计算方法为：
[0033][0034]其中，E
l
表示l层小波系数的总能量，λ1、λ2和λ3为参数，取值分别为0.1、0.1和0.8。然后将三层小波系数的能量相加，计算整幅水下图像的小波系数的总能量，表示为：
[0035][0036]其中，E
T
表示整幅图像的小波系数总能量，ω1、ω2和ω3为参数，取值分别为4/7、2/7和1/7。利用E
T
作为图像的模糊度特征来估计图像的模糊度。
[0037]最后计算水下图像直方图与均匀分布之间的距离提取图像对比度特征；具体地，计算水下图像直方图与均匀分布的Kullback-Leibler差异，表示为：
[0038]D
KL
(m||n)＝-∫m(x)logn(x)dx+∫m(x)logm(x)dx
[0039]其中，m和n分别表示水下图像的直方图和均匀分布，然后计算m和n之间的Jensen-Shannon差异，表示为：
[0040][0041]其中：
[0042][0043]利用D
JS
(m,n)作为水下图像的对比度特征，估计图像的对比度。
[0044]训练水下图像质量预测模型，利用一组水下图像作为训练集，对每一幅图像提取以上特征，然后将提取的特征与对应的主观质量分数输入到支持向量回归模型中，训练一个质量预测模型，然后利用该模型来预测其他水下图像的质量。
[0045]以上对本专利技术的具体实施例进行了描述。需要理解的是，本专利技术并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本专利技术的实质内容。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水下图像的质量评价方法，其特征在于：包括如下步骤：S1，提取水下图像的亮度和色度特征，估计输入图片的亮度和色度；S2，提取水下图像的模糊度特征，估计输入图片的模糊程度；S3，提取水下图像的对比度特征，估计输入图片的对比度；S4，在训练集上利用支持向量回归模型学习出一个图像特征到图像质量的映射模型，来预测水下图像的质量，所述的图像特征包括步骤S1-S3得到的输入图片的亮度、色度、模糊程度和对比度。2.根据权利要求1所述的一种水下图像的质量评价方法，其特征在于：步骤S1所述的提取水下图像的亮度和色度特征，估计输入图片的亮度和色度，具体方法如下：将水下图像分解为红、绿、蓝三个通道，提取红色通道的均值作为水下图像的色度特征，估计水下图像的色度；将水下图像转变为灰度图像，提取灰度图像的均值作为水下图像的亮度特征，估计水下图像的亮度。3.根据权利要求2所述的一种水下图像的质量评价方法，其特征在于：所述步骤S1具体包括：将水下图像分解为红、绿、蓝三个通道，分别表示为R、G、B，然后提取红色通道的均值作为水下图像的色度特征：其中，r表示色度特征，N为图像的像素数；然后，将水下图像转为灰度图像：其中，表示水下图像对应的灰度图像，然后提取灰度图像的均值作为水下图像的亮度特征：其中，b表示亮度特征。4.根据权利要求1所述的一种水下图像的质量评价方法，其特征在于：步骤S2所述的提取水下图像的模糊度特征，估计输入图片的模糊程度，具体方法如下：将水下图像对应的灰度图像进行小波分解，分解为三层小波子带，计算小波系数的总能量并作为水下图像的模糊度特征，估计水下图像的模糊程度。5.根据权利要求4所述的一种水下图像的质量评价方法，其特征在于：所述步骤S2具体包括：首先将水下图像对应的灰度图像进行小波分解，得到三层子带小波系数，记为{LH
l
,HL
l
,HH
l
|l＝1,2,3}，然后计算每一层小波系数的能量，计算方法为：其中，XY表示子带LH、HL或HH其中一个，表示子带XY
l
包含小波系数的能量，表示子带XY
l
包含小波系数的个数，表示在位置(i,j)处的小波系数，每一层小波系数的能量为：
其中，E
l
表示l层小波系数的总能量，λ1、λ2和λ3为参数...

【专利技术属性】
技术研发人员：刘玉涛，李秀，魏郭依哲，陈思遥，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：