水下没有参照图像质量评估ROV的显示模块

文摘

收集的光学图像遥控车(ROV)含有大量的水下信息(比如水下生物和矿物的分布),在海洋勘探中发挥着重要作用。然而,由于水介质的吸收和散射特性,一些图像遭受严重的颜色失真。这些扭曲的彩色图像通常需要提高,这样我们才能进一步分析它们。然而,目前,没有在任何场景图像增强算法表现良好。因此,为了监控图像质量ROV的显示模块,没有参照图像质量预测(NIPQ)提出。独特的属性,区分该NIPQ度量从现有工作的观看行为的考虑人类视觉系统和水下图像的成像特征在不同水类型。实验结果基于水下光学成像质量数据库(UOQ)表明,该指标可以提供一个准确的预测对于提高图像的质量。

1。介绍

近年来,各类活动的有越来越多的确定,如水产养殖、水文勘探、水下考古。光学图像观察收集的遥控车(ROV)为这些活动提供便利条件,和高质量的水下图像在这些活动起着关键作用。然而,由于水的吸收和散射效应限制水下物体的可见性,捕捉到的图像的光学传感器ROV经常遭受减少颜色(颜色失真),影响我们对水下环境的理解,所以质量差的水下图像需要加强。值得注意的是,并不是所有的水下图像需要增强,如图1,因为水体表现出极端的光学性质的差异。一些湖泊就像蒸馏水一样清晰,有些一年多次改变颜色,白人,蓝色、绿色和棕色1]。在海洋,沿海港口往往含混不清,而近海水域是蓝色的和明确的。简而言之,图像是否需要增强取决于水下图像中对象的可见性是好的。然而,现有的观测ROV显示模块显示捕获的图像直接在终端或系统中集成了一个改进算法显示了增强后图像。然而,现有的观测ROV显示模块显示捕获的图像直接在终端或系统中集成了一个改进算法显示了增强后图像。没有人确定是否需要增强的图像。同时,目前,没有水下图像增强算法适合任何场景,所以我们需要可靠的水下图像质量度量来帮助我们preassess是否需要捕获的图像增强和监测增强图像的质量。

图像质量评估的最精确的方法是主观图像质量评估(IQA)。然而,主观IQA是昂贵的,耗时的,不切实际的实时实现和系统集成。为了自动估计图像质量和节省劳动力和资源,一个可靠的水下目标图像质量度量需要设计。在水下图像处理场景中,一个理想的参考图像通常是不可用的,所以没有参照(NR) IQA水下图像质量评价是最好的选择。

一些通用的图像质量的措施,如直方图分析(2),方差(3),图像熵(4),彩色图像质量测量(CIQI) [5),已经开发出来。流行BRISQUE [6]和LPSI [7也被提出,总结自然图像的统计规则和扭曲的图像计算偏差的程度。然而,这些客观的措施并不是专门为水下图像。他们未能考虑水的强烈的吸收和散射效应,和他们并不适用于水下图像。还有NR IQA基于深入学习,如DIQA [8],深IQA [9],RankIQA [10),在空气中表现良好的图像。深度学习方法有很强的学习能力和可以自动提取图像特征。然而,该方法需要大量的数据(通常超过5000图像)的训练,和收购主观评分(培训期间的地面真理)是昂贵和费时的。目前还没有相关的数据集用于水下图像领域的培训,所以暂时不可能设计NR-IQA基于深度学习的水下图像。

一些纸(11)指出,一个图像的总体质量可以有效地获得的图像属性的组合措施。目前,最常用的水下图像质量的措施,UCIQE [12],UIQM [11],和CCF [13),是基于这一原则设计的。UCIQE [12杨]提出的苗族是一个色度的标准偏差的线性组合,亮度的对比,饱和度的平均值。凯伦·帕内塔的UIQM11colorfulness的线性组合,清晰度和对比度。提出的CCF王燕et al。13]从水下成像分析的吸收和散射特性,计算了雾密度指数和评估相结合的水下图像质量颜色指数,指数和雾密度指数。他们都确定加权系数的多元线性回归训练图像集。然而,无论训练集的性能,这些方法的泛化能力在很大程度上是受限于训练样本图像。同时,注意机制的人类视觉系统(HVS) [14)没有足够的关注在水下图像评估。在水下场景,目标对象的图像质量具有较高的研究价值和现实意义的海洋背景,不属于感兴趣的区域(ROI)。此外,三个常用的水下指标衡量图像质量从图像的角度统计,和鲁棒性不高。这导致过分强调颜色丰富。本文认为,除了颜色富达在统计意义上,色彩保真度的对象从像素的角度来看也是非常重要的。值得注意的是,这里的色彩保真度指的是图像的颜色是否合理,不是说的区别图像中物体的颜色和实物颜色。大部分的水下自然图像蓝绿色是由于颜色选择性衰减,颜色单一,颜色丰富并不理想(如图2(一个)- - - - - -2 (c))。增强算法处理后,水下图像通常可以消除衰减从视觉上的颜色,颜色丰富大大提高,如图2 (d)- - - - - -2 (f),但增强的图像的色彩保真度是有问题的,和鱼的颜色数据2 (d)和2 (e)是不合理的,人工设施图吗2 (f)显然是不同于我们所知道的。也就是说,数据2(一个)- - - - - -2 (c)色彩保真度高(因为他们是真正的自然图像,虽然对象在它们的颜色不同于真正的对象,像素颜色是合理的),但颜色丰富很低;数据2 (d)- - - - - -2 (f)低色保真度和高颜色丰富。即水下吸收和散射特性导致图像颜色失真(类型的失真图像中的物体色的大的区别和实物的颜色),图像往往是蓝绿色,减少了图像的颜色丰富。过分强调颜色丰富也会导致颜色失真(在这种情况下,这种失真是指不合理的颜色在图像),影响观看效果的图像和后续使用的图像。

针对现有指标的缺点,提出了一种不NIPQ图像质量指标。NIPQ设计三级框架。第一阶段侧重于关注人类视觉系统(HVS)的机制,也可以解释为ROI。因为IQA领域我们的roi都不是固定不变的,有些是该主页;有些数据驱动;一些如鱼、珊瑚、潜水员,甚至不明的工件形状可能感兴趣的。更多的应用程序,我们前台区域(nonocean背景)解释为ROI。本文基于背景/前景提取ROI和关注ROI的图像质量。第二阶段考虑颜色丰富的图像质量的影响。随着摄像机和物体之间的距离增加(水平),在水下图像中物体的颜色将保持接近蓝色和绿色(1]。同时,随着光学传感器的位置更深,对象将远离阳光,和对象将黑暗的颜色,对比将会降低。可以理解,如果自然的ROI水下图像具有良好的颜色丰富,其图像质量将显著优于低颜色丰富的形象。第三阶段认为忠诚的颜色。正如前面提到的,如果NR IQA过分强调色彩丰富,它会导致增强的水下图像成为过饱和的,这也是一种颜色失真。灵感来自于水下成像模型,我们区分水类型(黄色的水,绿色的水,和蓝色的水)在海洋的图像背景区域的图像和估计像素强度的合理的范围内提高ROI的水下图像的像素。在这个阶段,不同像素强度的合理范围和实际的ROI像素强度增强的图像用于表示增强图像的合理性,也就是说,色彩保真度。最后,第四阶段,颜色丰富,色彩保真度是系统集成质量预测。

为了测量的性能NIPQ,水下光学图像质量(UOQ)建立数据库。数据库包含了一些典型的水下图像和他们的意思看来成绩(MOS)。基于实验结果的综合分析,NIPQ提出本文的贡献总结如下:(一)是一种NR IQA受水下成像的特点。通过考虑颜色衰减的图像在不同的水体,色彩保真度和颜色丰富指标提出了。(b)采用合适的水下IQA ROI提取方法领域,投资回报率和IQA有效结合由于块策略ROI提取方法。(c)它优于许多常用IQA指标和能有效地评价图像增强算法的性能,可以作为质量监督。(d)我们建议NR IQA-based水下智能图像显示模块,体现IQA在应用程序的作用。

我们安排的提醒摘要如下。部分2描述了NR IQA-based水下智能图像显示模块,NR IQA的应用背景。部分3显式描述的细节NIPQ度量。部分4描述了数据库的建立UOQ IQA评价性能,包括水下光学图像增强的图像。节5NIPQ度量的性能比较与选择现有NR IQA方法执行。我们在部分总结本文6。

2。NR IQA-Based水下智能图像显示模块

大部分的水下图像光学传感器捕捉到有实际应用。水下图像严重颜色失真,图像增强是常常需要在终端显示。然而,并非所有的水下图像需要加强。我们相信,无论是否需要增强图像依赖于水下物体的可见性。此外,因为没有图像增强算法可以实现好的结果在所有场景,NR IQA为图像增强可以作为指南,以便系统可以自动选择更合适的实时图像增强算法。从应用程序的角度来看,基于框架的NR IQA显示模块如图3。传统的图像显示模块只提供一个图像增强的方案或直接显示图像,不能灵活应对不同的水环境。显示模块提出了构建各种图像增强算法的图像增强算法的数据库。该系统可以选择一个更合适的增强算法根据NR IQA的结果。首先,输入preassessed水下图像和自然图像色彩失真较少直接显示出来。自然图像严重颜色失真,默认的增强算法的图像增强算法数据库用于增强图像。选择器会自动决定是否启用另一种图像增强方案和备用方案选择据NR IQA的结果。

根据上述分析,NR IQA-based水下智能图像显示模块和考虑水下图像的特点1,本文使用颜色丰富的ROI和颜色富达的ROI估计图像质量。显示模块在我们的论文提出,颜色丰富的ROI是用作度量pre-NR IQA在显示模块中,和NIPQ相结合的ROI,颜色丰富,色彩保真度,将被用作度量的NR IQA显示模块。

ROI提取方法是基于背景/前景。块策略提取方法有助于ROI和IQA更好的结合。介绍了ROI提取方法3.1在细节。颜色丰富代表了图像颜色的分布在统计意义上,由图像的空间特征描述在CIE XYZ空间和详细的节3.2。颜色的忠诚是基于水下成像模型的像素,这是用来描述像素强度是否在合理的范围内。它介绍了部分3.3在细节。

3所示。提出NIPQ规

3.1。ROI提取基于背景/前景

考虑到显示模块的最终接收者ROV往往是人类,特别重要的是,IQA能反映人眼的感觉。人类视觉注意力的机制是一个重要的HVS的特性。人类视觉注意力的机制使大脑能快速理解图像的整体信息和获取需要关注的地区。然后大脑开始关注目标信息和抑制其他背景信息。因此,人类的眼睛的伤害通常是敏感的问题。同时,与海洋背景相比,高质量的ROI具有较好的现实意义和价值。因此,有必要引入ROI图像质量评估。

研究人员通常被凸起ROI检测或对象检测(15,16]。不同的图像在空气中,大多数水下图像的对比很低,空气中检测方法和传统意义并不适用于水下。目前,没有健壮的凸起在水下图像领域检测算法。一些研究者把图像增强与凸起检测(17]。一些研究人员结合鱼本地化和卓越的检测(18]。IQA,指标的目的是评估增强算法,和水下的ROI图像并不总是一个或几个固定的类别的目标形状也就可想而知了。因此,上述方法是不适用的。与目标相比,考虑到水下的背景特征更容易被识别,本文基于背景/前景提取ROI,过程如图4。为了更好地结合ROI和IQA在接下来的步骤中,水下图像分为预处理米×n图像块(我们称之为块策略)。

然后,我们地图边界连接(定义在[19])块我地区由(1)和获得背景区域的概率 : 在哪里 。背景,目标,和不确定的块最初是除以使用 , ,和 。的颜色特征和空间位置特征块作为不确定的修正块来帮助判断背景的概率不确定的块,这是一个数学公式表达的见以下方程: 在哪里 块之间的相似性是颜色的和 ,所计算的平均颜色块之间的欧几里得距离和 。 块之间的欧几里得距离吗和 。 后得到映射根据(3),其中 。最后,我们使用类之间的最大方差的方法来获得最终的ROI。

3.2。颜色丰富

与颜色衰减现象的加剧,自然的水下图像的颜色会变得越来越少,和对象的可见性将变得更糟。因此,颜色丰富的ROI是一个简单和快速的指标来衡量是否自然水下图像的颜色失真严重,适合图像质量的评价。

在这篇文章中,丰富的颜色是测量在CIE颜色的空间特征XYZ颜色空间。颜色丰富不仅包括颜色的多样性,还应该考虑明度分布XYZ颜色空间是一个不错的选择。CIEXYZ色彩空间可以代表所有的颜色,Y参数是颜色明度的测量。根据XYZ两幅图像的颜色空间分布如图5图像颜色的广泛分布,分别在三个维度X,Y,Z并不意味着丰富的颜色很好。这是因为三个组成部分X,Y,Z,有一定的相关性。所以颜色的空间特征可以更好的代表颜色的分布。根据(4),图像颜色差异XYZ颜色空间的定义来确定图像的色彩丰富: 在哪里表示两点之间最短的距离或点和线之间,和mn属于X- - - - - -Y,Y- - - - - -Z,X- - - - - -Z部分。和从原点代表最近和最远的点,分别。

3.3。颜色的忠诚

就像前面提到的1增强的图像可能是过饱和的/ pseudobright(如图2)。如果过多关注颜色丰富,色彩的ROI图像偏离真实对象的颜色。因此,我们不仅要考虑增强水下图像的颜色丰富但也考虑ROI的色彩保真度,也就是说,像素的强度是否在合理的范围内。

有必要理解的形成和退化的水下图像如果我们想估计像素强度的合理范围。水下图像的形成是由以下因素(1,20.,21]: 在哪里 ,G B是颜色通道,捕获的水下图像的相机,然后呢是直接的信号,记录为 。 是一个背散射信号,记录为 。z是相机和拍摄对象之间的距离;是被遮挡的光。非衰减的场景,即RGB强度的表面被传感器光谱响应在距离z0 = 0(一般z被认为是0):

是相机的比例常数。和有一定的依赖的光谱距离z,反射率 ,环境光 ,相机的光谱响应 ,散射系数 ,和光束衰减系数 ,所示(7)和(8)。z0,(z0 +z)的起始和结束点沿着视线。

所以,我们可以计算出非衰减的场景作为

我们需要估算值范围的合理范围 每个像素的RGB强度在前台(ROI)。定义的色彩保真度指标(10)计算超出范围增强水下图像的一部分 。流程如图6。

首先,面纱水下图像估计。后向散射成指数增加,z最后是饱和的1]。换句话说,在无穷远处, 。指的是(22),我们假设一个区域图像中没有对象是可见的,像素的颜色是由光幕光。这些区域是光滑的,也没有纹理。这个假设通常持有IQA的应用场景。首先,生成图像的边缘图。然后,最大阈值设置,连接像素区域。光幕光平均在这些领域像素的颜色。

接下来,我们估计的水体类型的水下图像通过光幕光 。原因估计水的类型,常见的概念,水变弱红/绿颜色比蓝仅仅适用于海洋水类型(1]。我们简化Jerlov水类型(23到蓝色的水(Jerlov》)、绿色水(Jerlov 1 c-3c),和黄色的水(Jerlov 5 c-9c)和模拟RGB值平均完美的白色表面下这三种水类型(数据23),使用D65光源,佳能相机5 d Mark2, )。我们计算欧氏距离之间的面纱和平均RGB值和估计基于欧氏距离的水体类型。

然后,我们计算出合理的强度范围 增强后的每个像素的水下图像。最强烈的范围不同z(1]。所以,最重要的计算范围是估计的距离z除了水体类型。由于实际条件的限制,距离z无法获得对象的形象,所以有必要大致估算距离的可能范围z。前台的距离z从相机大约是相同的;背景的距离z从相机往往是无限的。我们假设距离z从相机在前台的每个部分都是一样的,而且可能有白色物体。因此,距离z,这使得三个RGB通道下的前景像素不大于255,不小于0,被认为是可能的距离。为了简化计算,衰减系数白色的三个颜色通道 ,采用G B(使用所有的颜色在麦克白ColorChecker)。

最后,定义的色彩保真度(10)计算:

代表了ROI的像素块,代表像素强度偏差的总数并不在一个合理的范围内。

我们做一些定性分析简化的影响和在计算。如图7 (b),(8)用于计算宽带(RGB)衰减系数(使用麦克白ColorChecker颜色块的深度d= 1米,距离z= 1米7个常见的颜色红色,橙色,黄色,绿色,绿色,蓝色,紫色(图7(一))所有Jerlov水类型。可以看出每种颜色差别不大相同的场景。图7 (c)显示不同的相机类型的影响三种类型的水体。相机参数对衰减系数的影响并不重要。实验结果(1也证明了这一观点。

3.4。NIPQ规

部分3.1,部分3.2,部分3.3以上,分别介绍了ROI提取方法,统计意义上的颜色丰富,色彩保真度像素。摘要ROI的颜色丰富,色彩保真度的ROI结合我们NIPQ乘法模型。常见的水下图像评价模型UIQM [11],UCIQE [12],和CCF [13)多参数使用线性加权测量图像的综合素质。我们认为,如果一个submetric指向一个非常低的值(显示低质量),整个图像的主观感受会非常可怜不管其他指标。因此,本文使用乘法模型生成整个水下图像质量评估,如下:

代表正常化,代表颜色的ROI质量块, ,值越大,图像质量越高。

NIPQ如图的整个过程8分为四个步骤。首先,原始图像的ROI(而不是增强)基于背景/前景提取。然后,增强水下图像的颜色丰富的ROI估计。然后海洋背景信息从原始图像中提取的水体类型估计和像素强度分布估计的合理范围。据估计范围,ROI的色彩保真度增强水下图像估计。最后,颜色丰富,色彩保真度两个指标,综合得到全面NIPQ指标对整个水下图像。

4所示。UOQ数据库

为了更好地评估NIPQ的性能指标,我们建立了一个数据库UOQ水下光学成像质量。

图片的选择。为了充分考虑各种水下场景,我们选择36典型水下光学图像大小为512×512。这些图像包括蓝色的水,绿色的水,黄色的水,暗黄的灯光,单一对象,多重天体,简单的纹理和复杂的纹理,颜色失真,严重和颜色失真。考虑到没有一般ROI领域的相关数据集水下图像,我们标签他们前景区域(ROI)逐像素证明ROI的可靠性。我们使用五个流行的图像增强算法(白平衡算法24[],傅的算法25],multifusion算法[26,直方图均衡化27],Retinex [28])来处理这些36自然图像。180年获得增强图像。一些图片和增强图像处理的白平衡算法(24)如图9。

评价方法和评价协议。在这个数据库中,使用单一的激励评价方法。志愿者每次只看一个图像被评估,并且每个图像只出现一次在一轮评估。在每个图像显示,志愿者给相应的图像主观质量分数。水下光学图像通常有实际应用,所以志愿者们将不会受到任何审美因素的影响过程中主观质量评估,以及评估协议如表所示1。

选择志愿者。为了避免先验知识造成的评价偏差,没有志愿者图像质量评估的经验。我们考虑水下图像的强大的应用背景,所以所有的志愿者选择有相关工作经验的研究生在水声通信中,水下探测,等等。

所有获得的主观分数是用来计算平均意见分数(MOS)。请注意图像的主观评分由 - - - - - -th志愿者和随着主观图像获得的分数 。金属氧化物半导体计算如下:

我们画出直方图MOS的图像数据库,如图10。可以看出我们的图像覆盖范围广泛的质量,这有利于IQA的设计。还有很多图片中间分数分数部分因为志愿者将尽量避免给极端分数得分时图像。也可以看出,低质量图像略高于更高质量的水下图像。这是因为大多数水下图像的特点,蓝绿色和贫穷之下,有时增强图像的质量仍不理想。在实际应用程序中,更健壮的增强算法将建的水下图像增强算法的数据库显示模块中提到的部分2。

5。实验

结合UOQ数据库,我们主要通过五个评估IQA的性能标准。IQA的预测单调性是由斯皮尔曼等级次序相关系数来衡量(SROCC)和肯德尔的等级次序相关系数(KROCC)。IQA的预测精度是衡量皮尔森的线性相关系数(PLCC)。均方根误差(RMSE)是用来衡量预测IQA的一致性。平均绝对误差(MAE)也用于评估IQA的性能。高值(接近1)SROCC, PLCC, KROCC和RMSE值(接近0)低和梅表明IQA有更好的相关性与主观分数。

所选IQA性能比较的指标包括以下几点:(1)流行不度量水下:UIQM (11],UCIQE [12],和CCF [13](2)流行的空气中没有参照指标:BRISQUE (6]和LPSI [7](3)常见的水下图像颜色指标:UICM (11和方差的色度(Var所对应)29日]

BRISQUE,低分数意味着高质量,和其他指标,分数越高,质量越好。

5.1。效果分析,引入IQA ROI

为了观察ROI的引入对水下图像的质量评价,我们需要将ROI与流行的水下不IQA。块策略中提到的部分3.1是必要的,因为它帮助我们把ROI与IQA更好。根据块融合策略由(13),我们将图像块与IQA并获得全面的质量分数。我们可以观察到的变化相关性客观指标和MOS前后结合ROI。

代表的重量我届图像块,代表度量下的客观质量评分。属于0或1。也就是说,之前和之后的区别IQA结合ROI是原始指标计算整幅图像的质量,而度量结合ROI计算ROI的图像质量。结果的前六行表所示2。结果表明,指标之间的相关性结合ROI和MOS高于原来的指标。这表明ROI和IQA有利于IQA。

5.2。提出NIPQ的性能分析

我们计算各个指标之间的相关性和MOS数据库,结果如表所示2。可以看出NIPQ指标之间的相关性和主观明显高于其他指标。

为了比较各种NR IQAs凭直觉,金属氧化物半导体和估计的目标分数之间的散点图,包括六个选定的NR IQA和NIPQ提出本文如图11。在此基础上,实验数据是由最小二乘法退化,直线也。散射点的拟合效果越好,更好的指标之间的相关性和金属氧化物半导体。回归线表明NIPQ之间的相关性和MOS显然比其他指标。验证的结果表2。可以看出LPSI和BRISQUE指标设计图片在空中,不适用于水下图像。作为一个整体,UIQM、UCIQE和CCF是专门为水下图像,及其性能优于图像在空中。UICM性能,UIQM submetric表示色度,略逊于UIQM。相比于其他NR IQA指标的散点图,可以看出我们的NIPQ显示的性能与金属氧化物半导体的最佳相关。虽然仍有一些异常数据点,一般来说,该NIPQ具有更好的鲁棒性不同的典型代表水下图像保存在数据库中。进一步分析表明,这些异常点是submetric造成的事实原始图像的(没有增强)直接作为1在我们的实验中。

如数据所示12和13,有两个自然水下图像及其增强图像UOQ数据库。表3显示这些图像的相应的金属氧化物半导体和客观的分数。图14显示的颜色分布的ROI。从这些图片,ROI的原始图像(1)是(2)的黑暗和是蓝色的。直方图的图像增强算法是红色的,和ROI的颜色分布广泛,但是投资回报率显然是过饱和的/ pseudobright的颜色。之间没有显著差异图像由Retinex处理算法和原始图像。傅的颜色图像处理的算法不是充满活力。对图12,白平衡和整体区别multifusion算法小。当地图(图15)表明,图像的亮度分布由multifusion处理算法是不均匀的,有些过饱和的,白平衡和图像增强的算法有更好的视觉效果。对图13,图像处理的白平衡算法太暗了,只有一个颜色。图像处理的multifusion算法有更好的视觉效果。

表3表现不佳的显示所选IQAs UOQ数据库中图像的质量评估。他们通常有更高的目标分数直方图均衡化的图像增强算法,因为图像的颜色分布广泛。这是基于统计数据质量评价的缺点:色彩保真度不考虑。可以看出,如果原始的性能指标不理想,度量结合ROI不一定会改善这种情况,因为这是原指标本身的限制。

6。结论

由于水介质的特点,色彩已经成为重要的水下图像质量评估问题。颜色包含重要的信息。严重的颜色选择性衰减/ pseudo-vividness可以很难识别前景内容和从图像中提取关键和有效的信息。在本文中,一个新的水下图像评价指标,NIPQ,提出基于水下环境特点和可信度。NIPQ设计在一个三级框架。第一阶段侧重于HVS的注意机制。第二阶段考虑颜色丰富在统计意义上的影响。第三阶段是受水下成像模型和从像素的角度考虑色彩保真度。最后,在第四阶段,颜色丰富,色彩保真度是实时质量监控系统的集成。与此同时,相关的水下图像数据库UOQ MOS是建立衡量IQA性能。 Experimental results show that, compared with other commonly used underwater metrics, NIPQ in this paper has better correlation with MOS, which shows better performance.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(61571377,61571377,61871336)和基础研究基金为中央大学(20720180068)。

引用

1. d . Akkaynak和t . Treibitz水下成像模型,修正”《IEEE计算机视觉与模式识别会议,页6723 - 6732,盐湖城犹他,美国,2018年3月。视图:谷歌学术搜索
2. s . Bazeille Quidu, l . Jaulin和j。Malkasse。”自动水下图像预处理”,、CMM 06年,布雷斯特,法国,2006年。视图:谷歌学术搜索
3. 即Avcibas、b . Sankur和k . Sayood“统计评价图像质量的措施,”电子杂志的成像,11卷,不。2、206 - 223年,2002页。视图:谷歌学术搜索
4. D.-Y。蔡、y . Lee和大肠松山”,信息熵衡量图像质量的评价,”数码影像杂志,21卷,不。3、338 - 347年,2008页。视图:出版商的网站|谷歌学术搜索
5. 傅y y。”彩色图像质量度量和检索”,却是新泽西州纽瓦克、新泽西理工学院,美国,2006年。视图:谷歌学术搜索
6. 米塔尔,a . k . Moorthy和a·c·Bovik”不空间域图像质量评估,”IEEE图像处理,21卷,不。12日,第4708 - 4695页,2012年。视图:出版商的网站|谷歌学术搜索
7. 问:吴、王z和h·李,“高度effificient盲图像质量评估方法,”《2015年IEEE国际会议上图像处理(ICIP)IEEE,页339 - 343年,魁北克,加拿大,2015年9月。视图:出版商的网站|谷歌学术搜索
8. j . Kim A.-D。阮,李,“深cnn-based盲图像质量预测,”IEEE神经网络和学习系统,30卷,不。1,11-24,2018页。视图:出版商的网站|谷歌学术搜索
9. 美国博斯,d . Maniry K.-R。穆勒、t . Wiegand和w . Samek”,不深层神经网络和全部参考图像质量评估,”IEEE图像处理,27卷,不。1,第219 - 206页,2017。视图:出版商的网站|谷歌学术搜索
10. j . Van De Weijer x Liu和公元Bagdanov”Rankiqa:学习不排名的图像质量评估,”《IEEE计算机视觉国际会议,第1049 - 1040页,威尼斯,意大利,2017年10月。视图:谷歌学术搜索
11. k·帕内塔,高c和s Agaian“Human-visual-system-inspired水下图像质量的措施,”IEEE海洋工程》杂志上第41卷。。3、541 - 551年,2016页。视图:出版商的网站|谷歌学术搜索
12. m·杨和a . Sowmya“水下彩色图像质量评价指标。”IEEE图像处理,24卷,不。12日,第6071 - 6062页,2015年。视图:出版商的网站|谷歌学术搜索
13. z n . y . Wang Li Li et al .,”一个imaging-inspired不水下彩色图像质量评估指标,”计算机与电气工程卷,70年,第913 - 904页,2018年。视图:出版商的网站|谷歌学术搜索
14. 美国Kastner和l . g . Ungerleider”,人类大脑皮层的视觉注意力机制。”年度回顾神经科学,23卷,不。1,第341 - 315页,2000。视图:出版商的网站|谷歌学术搜索
15. l . Zhang j·陈,b .秋”的编码基于卓越为遥感图像检测和方向小波,“IEEE地球科学和遥感信,14卷,不。1、汽车2016页。视图:出版商的网站|谷歌学术搜索
16. c·朱、黄k和g·李,”一个创新的卓越引导roi全景图像压缩,选择模型”诉讼的2018数据压缩会议IEEE p。436年,雪鸟,UT,美国,2018年3月。视图:谷歌学术搜索
17. y z崔,j .吴h . Yu周,和l .梁“水下图像特点检测基于改进的直方图均衡化方法”国际会议的程序开创性的计算机科学家,工程师和教育家、工程师和教育家施普林格,页157 - 165年,新加坡,2019年。视图:谷歌学术搜索
18. l .秀h, s Min, z,“卓越分割和前景提取水下图像基于本地化,”海洋学报》2016,上海,中国,2016。视图:出版商的网站|谷歌学术搜索
19. w·朱梁,y魏,j .太阳,“从健壮的背景检测显著优化,”《IEEE计算机视觉与模式识别会议哥伦布,页2814 - 2821年,哦,美国,2014年6月。视图:谷歌学术搜索
20. d . Akkaynak和t . Treibitz Sea-thru:把水从水下图像的方法,”《IEEE计算机视觉与模式识别会议长滩,页1682 - 1691年,CA,美国,2019年4月。视图:谷歌学术搜索
21. d . Akkaynak t . Treibitz t . Shlesinger y洛亚,r·塔米尔和d . Iluz”的空间衰减coeffificients在水下计算机视觉?“在《IEEE计算机视觉与模式识别会议火奴鲁鲁,页4931 - 4940年,嗨,美国,2017年。视图:谷歌学术搜索
22. d·伯曼、t . Treibitz和s . Avidan”深入haze-lines:水下图像,颜色恢复”英国机器视觉研讨会论文集(BMVC),1卷,伦敦,英国,2017年9月。视图:谷歌学术搜索
23. m·g . Solonenko和c d·莫布里“jerlov水类型的固有光学特性,”应用光学,54卷,不。17日,第5401 - 5392页,2015年。视图:出版商的网站|谷歌学术搜索
24. e . y .林”,结合灰色世界,retinex理论自动白平衡在数码摄影,”《第九次国际研讨会于2005年消费电子产品IEEE,页134 - 139年,墨尔本,澳大利亚,2005年7月。视图:谷歌学术搜索
25. 黄x赋,p .壮族,y, y辽、X.-P。张,x叮”retinex-based增强方法单一的水下图像,”学报2014年IEEE国际会议上图像处理(ICIP)IEEE,页4572 - 4576年,巴黎,法国,2014年10月。视图:出版商的网站|谷歌学术搜索
26. c . Ancuti c . o . Ancuti t·哈伯和p .贝卡尔特,“提高水下图像和视频的融合,”学报2012年IEEE计算机视觉与模式识别会议IEEE,页81 - 88年,普罗维登斯,RI,美国,2012年6月。视图:谷歌学术搜索
27. 张,“图像增强基于平等地区二元子图像直方图均衡化方法,”IEEE消费类电子产品,45卷,不。1,75页。视图:谷歌学术搜索
28. e·h·土地,“retinex色觉理论”,科学美国人,卷237,不。6,108 - 128年,1977页。视图:出版商的网站|谷歌学术搜索
29. d . Hasler和s e . Suesstrunk”在自然图像测量colorfulness,”人类的视觉和电子成像八世卷,5007年,页87 - 95,国际社会对于光学和光子学,贝灵汉,佤邦,美国,2003。视图:谷歌学术搜索

版权

版权©2020吴Di等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。