基于人眼视觉特性和机器学习的水下图像质量评价.pdf

哈尔滨理工大学电子信息硕士学位论文

基于人眼视觉特性和机器学习的水下图像质量评价

摘要

水下成像是探测水下世界的重要手段。但由于水体对光的吸收和散射特性，

水下图像通常存在模糊、对比度降低等问题。近年来研究者们聚焦于如何提高

水下图像的质量，但质量评价体系尚不完善，没有统一的标准。因此研究水下

图像质量评价尤为重要。

在水下环境中，获取清晰的水下参考图像是个难题，所以依赖参考图像的

评价方法不适合评估水下图像的质量。因此无参考质量评价方法（NR-IQA）成

为了水下图像质量评价的首选。本文针对NR-IQA任务开展了以下研究工作。

基于人眼视觉特性和机器学习技术对水下图像进行质量评价。针对目前水

下图像质量评价方法少，与人眼主观感受一致性不足的问题，从视觉注意力机

制出发，提出一种基于视觉显著性的水下图像质量评价方法。首先对待评测图

像进行显著性区域划分，并提出一种区域动态权值策略计算区域权值；然后在

显著与非显著区域中提取模糊和色彩特征，并分别进行加权融合，在全局中提

取自然统计特征。最后将提取的模糊、色彩和自然统计特征融合为一维向量，

使用支持向量回归构建图像质量评价模型。实验结果表明，提出的算法表现出

较高的准确性和单调性，能够有效评估多种场景下水下图像的质量，更贴近人

眼的视觉感受。

对目前水下图像质量评价方法提取的特征受限于人为干预的问题。结合人

眼视觉特性和深度学习方法，提出了一种基于特征融合和联合损失函数的水下

图像质量评价方法。首先为防止网络过拟合，设计图像重组和分块的方式扩充

训练集，然后基于人眼视觉信息处理特性，设计特征调整网络提取网络中不同

层次的信息，最后提出带有排名信息的损失函数，与现有损失函数相结合对网

络模型进行训练。实验证明，这种方法在水下图像评价方面表现出了较好的准

确性和单调性，且受图像场景因素的限制较小，适用于多种水下环境的图像。

关键词图像质量评价；显著性区域分割；人眼视觉特性；机器学习

I

哈尔滨理工大学电子信息硕士学位论文

Underwaterimagequalityevaluationbasedon

humanvisualcharacteristicsandmachinelearning

Abstract

Underwaterimagingisanimportantmeansofdetectingtheunderwaterworld.

However,duetothelightabsorptionandscatteringcharacteristicsofwater,underwater

imagesusuallyhaveproblemssuchasblurringandlowcontrast.Inrecentyears,

researchershavefocusedonhowtoimprovethequalityofunderwaterimages,butthe

qualityevaluationsystemisnotperfectandthereisnounifiedstandard.Therefore,it

isparticularlyimportanttostudyunderwaterimagequalityevaluation.

Intheunderwaterenvironment,itisdifficulttoobtainaclearunderwater

referenceimage,sotheevaluationmethodsrelyingonreferenceimagesarenot

suitableforevaluatingthequalityofunderwaterimages.Therefore,noreference