人工智能提升水下图像质量

近些年已经提出了许多不同的图像质量评估方法，目的是开发与感知质量测量相关的质量度量。峰值信噪比和均方误差是最广泛使用的客观图像质量、失真度量，该方法通过考虑人类视觉系统的特征，结合感知质量进行度量。

用于评估感知图像质量的客观方法传统上试图使用人类视觉系统的各种已知特性来量化失真图像和参考图像之间的误差的可见度。在假设人类视觉感知高度适应于从场景中提取结构信息的前提下，引入一种基于结构信息退化的质量评估框架。作为这个概念的一个具体例子，Wang等人开发了一个结构相似性指数模型，并通过一组直观的例子［169］，以及与用JPEG和JPEG2000压缩图像数据库的主观评价和最新的客观方法的比较，证明了这一概念的前景。

图5-12给出了基于误差敏感度的通用图像质量评估框架。大多数感知质量评估模型可以用相似的图表来描述，细节上可能有些不同。

图5-12　基于误差敏感度的典型质量评价系统

客观图像质量度量分为三类：全参考（full reference）——存在要与失真图像比较的原始图像，无参考或“盲”质量评估（no-Reference or“blind”），减少参考质量评估（reduced-reference）——参考图像仅是以一组提取的特征的形式部分可用。

在水下图像处理的当前情况下，没有可用来比较的原始图像，因此不需要参考度量。在上面提到的增强和修复方法中，许多研究者使用主观质量测量来评估他们的方法。本书重点研究一些学者在处理水下图像的具体情况时用来评估算法性能和图像质量的量化度量方法。(www.xing528.com)

除了视觉比较，Hou和Weidemann还提出了散射模糊典型水下图像的客观质量度量［170］。利用边缘的梯度或斜率测量图像的清晰度，利用小波变换消除边缘定位时散射的影响，并进一步应用变换后的结果抑制感知度量。首先利用小波变换对图像进行分解，去除随机噪声和中等噪声。通过线性回归确定边缘的清晰度，得到边缘像素灰度值与位置之间的斜率。图像的整体清晰度是通过图像的高频分量的功率与图像的总功率之比（WGSA度量）加权测量的灰度角度的平均值。该度量已用于自动图像恢复程序，并且证明对于不同的光学条件和衰减范围是一致的。

针对水下视频处理算法，Arredondo和Lebart提出了一种定量评估算法，可以有效评估处理水下噪声算法的鲁棒性和性能［171］。其原理是用模拟的水下扰动对测试图像进行降级，重点是独立分离和评估不同扰动的影响，这些扰动是以不同的程度来模拟的。Jaffe和McGlamery模型用于模拟模糊和不均匀照明，使用在距场景不同距离处拍摄的图像的前向散射分量来模拟不同程度的模糊，并且比较了不同的方法测量估计速度与正确速度之间的角度偏差。

为了评估其自适应平滑方法对水下图像去噪的质量，Arnold Bos等人根据Pratt的一般结果［172］提出了一个简单的判据：对于大多数对比度良好且无噪声的图像，梯度幅值直方图的分布是紧密指数型的，在与均匀区域相对应的低梯度处的小峰值之外，定义了一个介于0和1之间的稳健性指数（它与梯度幅度直方图的线性回归的方差相关），该指数以分布来度量直方图的紧密度。同样的指数也被巴塞尔等人用来对算法的性能进行评价［173］。

Yang提出了一种新的集成功率谱的矢量水下图像质量度量方法，称为CQ［173］。与现有的水下图像质量度量不同，所提出的度量包括基于对数对比功率谱斜率的鉴别器，当要处理大量不同环境的图像时，该鉴别器能够区分海洋生物生存环境，和基于补丁的度量来预测水下图像的客观质量。与其他方法相比，该方法能够识别具有相似清晰度的水下图像，与增强结果相比具有更好的相关性，并且能够满足实时性的要求。Lu等人针对高浑浊度的水下环境提出了一套图像质量评估方法［174］，首先根据节点归一化图像进行对比度增强和颜色修正，然后提出一个增强图像的新的评价参数，该参数可以评价图片的结构和颜色。Wang等人利用虚拟视网膜模型和图像质量评价（image quality assessment，IQA）开发出一种自适应的水下图像增强方法［175］。首先采用与人眼视觉系统相关性较高的虚拟视网膜模型，根据不同视网膜子层的具体机制，实现单幅图像的模糊去除和细节增强。然后，采用一种基于分块离散余弦变换的非参考图像质量评估的自适应图像增强策略，以指示图像分块是否自然均匀。仿真实验表明，该方法在水下图像的视觉效果和精度方面具有良好的表现，在鲁棒性和有效性方面都取得了良好的效果。