CN111179238B - 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 - Google Patents
面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 Download PDFInfo
- Publication number
- CN111179238B CN111179238B CN201911344138.2A CN201911344138A CN111179238B CN 111179238 B CN111179238 B CN 111179238B CN 201911344138 A CN201911344138 A CN 201911344138A CN 111179238 B CN111179238 B CN 111179238B
- Authority
- CN
- China
- Prior art keywords
- image
- subset
- sampling
- enhancement
- proportion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种面向水下图像集指导一致性增强评价(CEQA)的子集置信比例动态选取方法,所提方法将现有CEQA体系的固定抽样比例进一步划分为若干份抽样子集,按照不放回抽样策略进行多次抽样,依次得到抽样子集Xi,然后利用某一水下图像增强算法对子集Xi进行逐幅图像的增强,得到增强后的图像子集Yi,接着使用图像质量度量准则分别对Xi与Yi中的每一幅图像进行打分,计算图像增强前后的质量得分差,统计Xi与Yi所对应的增强图像所占比例,并计算增强占比的均值与标准偏差。根据一定置信水平条件下的学生‑t分布,所提方法能够动态地确定子集选取比例,对该水下图像增强算法给出最终的一致性增强评价。
Description
技术领域
本发明属于水下图像质量评价领域,特别涉及一种面向子集指导一致性增强评价的子集比例选取方法。
背景技术
水下图像往往质量较低且无参考,需要对其进行鲁棒的图像增强。各种增强算法的性能通常由图像质量度量准则来评判。对单一图像而言,常利用图像质量度量准则对增强后的图像质量进行打分,通过比较图像增强后的得分情况,来判断不同算法的优劣。对多幅图像而言,通常选取所有增强图像得分的平均值来评判增强算法的优劣。进一步地,H.Liu,D.Wei and D.Li,"Subset-Guided Consistency Enhancement AssessmentCriterion for an Imageset Without Reference,"IEEE Access,vol.7,pp.83024-83033,2019.doi:10.1109/ACCESS.2019.2923987提出的一致性增强质量评价(CEQA)体系可以对水下图像集的增强质量执行数据驱动的性能评价。
CEQA体系需要从原始图像集中选取一定比例的图像作为测试子集,然后对测试子集进行逐幅图像的质量增强,并对增强前后的各个图像质量进行打分,获得质量分数差值,根据质量分数差值来判断水下图像增强算法是否为一致性增强算法。CEQA子集比例的固定选取策略仅考虑了小样本图像集,但随着大数据的发展,图像数据日益庞大,对于大样本图像集,固定选取子集比例会导致抽样数据过多,不具备数据内容的自适应能力。因此,需要一种针对不同图像集的抽样比例动态选取方法。
发明内容
本发明的目的是:针对不同图像集在一定置信度下调整子集抽样比例。
为了达到上述目的,本发明的技术方案是提供了一种面向水下图像集指导一致性增强评价的子集置信比例动态选取方法,其特征在于,包括以下步骤:
步骤1、根据一致性增强质量评价体系,首先确定原始图像集的固定抽样比例R,进一步等分为P份比例为f的子抽样比例,即R=P×f,从原始图像集中按照不放回抽样策略,逐次按子抽样比例f进行抽样,得到抽样子集Xi,i=1,2,…,n,n为最终的总抽取次数;
步骤2、选取一种水下图像增强算法G,对抽样子集Xi进行逐幅图像的增强,依次得到增强后的图像子集Yi,i=1,2,…,n;
步骤3、选取给定的图像质量度量准则分别对Xi与Yi中的每一幅图像进行质量打分,Xi或Yi的图像总数为m,计算图像增强前后的质量得分差,统计Xi与Yi所对应的增强占比并计算Bi的均值与标准偏差其中,ki为各子集中图像增强前后的质量得分差大于零的图像数量,当达到初始抽样次数w时,w<P,执行步骤4;否则,转到步骤1;
步骤4、根据一定置信水平下的学生-t分布,其显著性水平为a,计算误差范围若δ大于等于阈值μ,转到步骤1;当δ小于阈值μ时,预估该水下图像增强算法G对原始图像集的增强比例Qz,Qz=M×100%:若增强比例Qz高于门限比例E,在这个置信水平下判定水下图像增强算法G为一致性增强算法,反之为非一致性增强算法。
在本发明提供的方法中,最终需要的总抽样比例为总抽取次数与子抽样比例之积。本发明所提的一种面向子集指导一致性增强评价(CEQA)的子集置信比例动态选取方法能够动态地进行子集选取,在一定置信度下完成任一增强算法的CEQA评价。相比于现有CEQA子集比例的固定选取策略,本发明更具备灵活性,可以针对不同图像集自适应地选取总抽样比例,实现对水下图像增强算法的性能评价,同时降低了总抽样比例,减少了应用***的复杂度。
附图说明
图1为是本发明所提方法的流程图;
图2为本发明中不放回抽样策略的示意图;
图3为本发明中所用参数的计算过程。
具体实施方式
下面结合附图,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
原始图像集包含1000幅水下图像。经典的图像质量度量准则UCIQE(UnderwaterColor Image Quality Evaluation)由Yang和Arcot提出,是目前应用最广泛的水下图像质量度量准则。本实例选取UCIQE准则来评价每幅图像的质量,水下图像增强算法G选取限制对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE)。图1为本发明所提方法的流程图,具体实施过程如下:
步骤一:根据CEQA体系,确定原始图像集的固定抽样比例R=40%,进一步等分为P=40份比例为f=1%的子抽样比例。从文件夹“原始图像集”中读取原始图像,按照图2所示的不放回抽样策略进行抽样,子抽样比例为f=1%,依次得到抽样子集Xi,其中i为子集标号,i=1,2,…,n,n为最终的总抽取次数,j为子集Xi中的图像标号,j=1,2,…,m,m是子集Xi中图像总数;将Xi中的图像Xij存放在预先创建好的文件夹“抽样子集Xi”中。
步骤二:从文件夹“抽样子集Xi”中依次读取图像,并使用CLAHE算法对Xi中的图像Xij依次进行质量增强得到Yij,记增强后的图像子集为Yi,并将Yi中的图像Yij存放在预先创建好的文件夹“抽样子集Xi增强后的图像子集Yi”中。
步骤三:使用UCIQE图像质量度量准则对Xi中的每一幅图像Xij进行打分,得到图像Xij在UCIQE准则下的质量分数αij。接下来,再次使用UCIQE准则对Yi中的每一幅图像Yij进行打分,得到图像Yij在UCIQE准则下的质量分数βij。计算各子集图像增强前后的质量得分差γij=βij-αij,将各子集中γij>0的图像数量记为ki,随后计算Xi与Yi所对应的增强占比并计算所有Bi的均值与标准偏差当达到初始抽样次数w=5时,执行步骤四;否则,转到步骤一。
步骤四:根据95%置信水平下的学生-t分布,其显著性水平a=0.05、阈值μ=0.04、门限比例E=94%,计算误差范围当总抽取次数n=10时,δ=0.037、δ<μ、M=0.967,原始图像集的增强比例Qz=M×100%=96.7%、Qz>E,总抽样比例Qd=f×n=10%。图3给出了所用参数的计算过程,在95%的置信水平下,当选取10%的总抽样比例时,可以判定CLAHE算法为水下图像一致性增强算法。
从本实例可以看出,相比CEQA体系所采用的40%总抽样比例,本发明只需10%的总抽样比例就可以得出相似的结果,对不同图像集具有自适应能力,降低了CEQA体系所需的复杂度。
Claims (1)
1.一种面向水下图像集指导一致性增强评价的子集置信比例动态选取方法,其特征在于,包括以下步骤:
步骤1、根据一致性增强质量评价体系,首先确定原始图像集的固定抽样比例R,进一步等分为P份比例为f的子抽样比例,即R=P×f,从原始图像集中按照不放回抽样策略,逐次按子抽样比例f进行抽样,得到抽样子集Xi,i=1,2,…,n,n为最终的总抽取次数;
步骤2、选取一种水下图像增强算法G,对抽样子集Xi进行逐幅图像的增强,依次得到增强后的图像子集Yi,i=1,2,…,n;
步骤3、选取给定的图像质量度量准则分别对Xi与Yi中的每一幅图像质量进行打分,Xi或Yi的图像总数为m,计算图像增强前后的质量得分差,统计Xi与Yi所对应的增强占比并计算Bi的均值与标准偏差其中,ki为各子集中图像增强前后的质量得分差大于零的图像数量,当达到初始抽样次数w时,w<P,执行步骤4;否则,转到步骤1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344138.2A CN111179238B (zh) | 2019-12-24 | 2019-12-24 | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344138.2A CN111179238B (zh) | 2019-12-24 | 2019-12-24 | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179238A CN111179238A (zh) | 2020-05-19 |
CN111179238B true CN111179238B (zh) | 2022-12-20 |
Family
ID=70647313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911344138.2A Active CN111179238B (zh) | 2019-12-24 | 2019-12-24 | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179238B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070035A (zh) * | 2020-09-11 | 2020-12-11 | 联通物联网有限责任公司 | 基于视频流的目标跟踪方法、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632369A (zh) * | 2013-12-05 | 2014-03-12 | 淮海工学院 | 块平均清晰度组合无参考水下图像通用性质量检测方法 |
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN108022241A (zh) * | 2017-12-26 | 2018-05-11 | 东华大学 | 一种面向水下图像集的一致性增强质量评价方法 |
CN108235001A (zh) * | 2018-01-29 | 2018-06-29 | 上海海洋大学 | 一种基于时空特征的深海视频质量客观评价模型 |
CN108550140A (zh) * | 2018-03-28 | 2018-09-18 | 东华大学 | 一种面向图像集的置信度一致性增强质量评价方法 |
CN108764277A (zh) * | 2018-04-13 | 2018-11-06 | 天津大学 | 一种无参考图像模糊质量评价算法 |
CN109523506A (zh) * | 2018-09-21 | 2019-03-26 | 浙江大学 | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 |
CN109714591A (zh) * | 2019-01-09 | 2019-05-03 | 淮海工学院 | 基于对测评标签的图像质量主观评价方法及*** |
CN110415217A (zh) * | 2019-07-03 | 2019-11-05 | 东华大学 | 基于子集导引与变异系数的图像集增强优选方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2396768B1 (en) * | 2009-02-12 | 2013-04-17 | Dolby Laboratories Licensing Corporation | Quality evaluation of sequences of images |
US8111943B2 (en) * | 2009-04-15 | 2012-02-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Smart image enhancement process |
-
2019
- 2019-12-24 CN CN201911344138.2A patent/CN111179238B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632369A (zh) * | 2013-12-05 | 2014-03-12 | 淮海工学院 | 块平均清晰度组合无参考水下图像通用性质量检测方法 |
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN108022241A (zh) * | 2017-12-26 | 2018-05-11 | 东华大学 | 一种面向水下图像集的一致性增强质量评价方法 |
CN108235001A (zh) * | 2018-01-29 | 2018-06-29 | 上海海洋大学 | 一种基于时空特征的深海视频质量客观评价模型 |
CN108550140A (zh) * | 2018-03-28 | 2018-09-18 | 东华大学 | 一种面向图像集的置信度一致性增强质量评价方法 |
CN108764277A (zh) * | 2018-04-13 | 2018-11-06 | 天津大学 | 一种无参考图像模糊质量评价算法 |
CN109523506A (zh) * | 2018-09-21 | 2019-03-26 | 浙江大学 | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 |
CN109714591A (zh) * | 2019-01-09 | 2019-05-03 | 淮海工学院 | 基于对测评标签的图像质量主观评价方法及*** |
CN110415217A (zh) * | 2019-07-03 | 2019-11-05 | 东华大学 | 基于子集导引与变异系数的图像集增强优选方法 |
Non-Patent Citations (6)
Title |
---|
Subset-Guided Consistency Enhancement Assessment Critetion for an Imageset Without Reference;Hao Liu 等;《IEEE Access》;20190620;第07卷;83024-83033 * |
基于对比度受限直方图均衡化的水下海参图像增强方法;杨卫中 等;《农业工程学报》;20160323;第32卷(第06期);197-203 * |
面向一致增强评估的子集比例动态选取方法;王凯巡 等;《计算机科学》;20210205;第48卷(第02期);153-159 * |
面向图像集的置信区间内一致性增强质量评价准则;刘浩 等;《电子与信息学报》;20190131;第41卷(第01期);219-225 * |
面向水下图像的质量评价方法;郭继昌 等;《中国图象图形学报》;20170116;第22卷(第01期);1-8 * |
面向水下图像集的一致性增强评价方法;孙晓帆 等;《中国图象图形学报》;20181116;第23卷(第11期);1759-1767 * |
Also Published As
Publication number | Publication date |
---|---|
CN111179238A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489364B (zh) | 基于轻量级全卷积神经网络的医学图像分割方法 | |
US11259029B2 (en) | Method, device, apparatus for predicting video coding complexity and storage medium | |
CN111160229B (zh) | 基于ssd网络的视频目标检测方法及装置 | |
CN110414593B (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
CN111798469A (zh) | 基于深度卷积神经网络的数字图像小数据集语义分割方法 | |
CN111046893A (zh) | 图像相似性确定方法和装置、图像处理方法和装置 | |
CN111179238B (zh) | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 | |
CN113205495B (zh) | 图像质量评价及模型训练方法、装置、设备和存储介质 | |
CN111461302A (zh) | 一种基于卷积神经网络的数据处理方法、设备及存储介质 | |
CN107292275B (zh) | 一种频域划分的人脸特征识别方法及*** | |
CN108022241B (zh) | 一种面向水下图像集的一致性增强质量评价方法 | |
CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
CN115797726A (zh) | 模型获得方法、装置、电子设备及存储介质 | |
CN115690100A (zh) | 半监督信号点检测模型训练方法、信号点检测方法和装置 | |
CN115294424A (zh) | 一种基于生成对抗网络的样本数据增强方法 | |
CN114596287A (zh) | 图像质量确定方法、装置、设备和存储介质 | |
CN114677535A (zh) | 域适应图像分类网络的训练方法、图像分类方法及装置 | |
CN114764942A (zh) | 一种难正负样本在线挖掘方法和人脸识别方法 | |
CN114444654A (zh) | 一种面向nas的免训练神经网络性能评估方法、装置和设备 | |
CN115222945B (zh) | 基于多尺度自适应课程学习的深度语义分割网络训练方法 | |
CN108829659A (zh) | 一种引用识别方法、设备和计算机可存储介质 | |
CN111899161A (zh) | 一种超分辨率重建方法 | |
CN116051482B (zh) | 一种基于多任务渐进学习的无参考图像质量评价方法 | |
CN114387331B (zh) | 车图像分割质量的评估方法、装置、设备及存储介质 | |
CN110930304B (zh) | 基于全尺度质量总和的图像集超分辨率自适应阈值选取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |