[发明专利]一种基于退化测量的无参考声纳图像质量测评方法

说明书

本发明涉及一种基于退化测量的无参考声纳图像质量测评方法，包括以下步骤：S1：对待测图像分别进行离散余弦变换,小波变换，奇异值分解，获得DCT变换系数矩阵D，小波变换系数矩阵C以及对角阵S；S2：分别求图像D、C以及S的Gini系数以及Hoyer测量，获得变换系数稀疏度值；S3：对待测图像进行模糊退化；S4：对退化后的图像重复步骤S1和S2；S5：分别将步骤S4获得的变换系数稀疏度值除以步骤S2获得的变换系数稀疏度值，并分配权重，获得待测图像的六个质量特征；S6：将六个质量特征输入无参考声纳图像质量评测模型获得评测质量；该测评方法弥补了声纳图像无参考质量测评方法的不足，适用于水声通信场景下的图像传输监控，测评结果更加准确、精细。

技术领域

本发明涉及图像质量测评领域，具体涉及一种基于退化测量的无参考声纳图像质量测评方法。

背景技术

由于声纳具有在浑浊昏暗的水下环境拍摄图像的能力，近年来，声纳的应用越来越广泛。声纳图像往往需要经过一段较远距离的传输以便由专家进行进一步的分析，也就是说，声纳往往需要经过水声信道的传输才可以被用户接收。水声信道的恶劣环境和现有的水声通信技术只能提供有限的带宽和不稳定的链路，相较于无线信道而言，水下传输的声纳图像相比在无线信道中传输的图像，更容易受到损伤，因此构建声纳图像质量模型对水声图像传输控制具有很大的意义，可以用于监控水声信道的变迁，水声通信参数的设置合理性等。

图像质量评价按照是否由人作为评价主体分类，分为主观质量评价以及客观质量评价两种。图像的主观质量评价方法通过组织符合一定要求的志愿者进行图像评分，并将采集到的评分进行统计来获取图像的主观质量，更接近人的主观感受，但其具有费时、费力、条件复杂等特点，无法作为评价图像质量的常用手段。而图像客观质量，按是否需要参考图像考虑，分为全参考、半参考以及无参考客观质量测评。全参考和部分参考质量评价方法由于允许参考信息的存在，性能相比于无参考的质量评价方法更优，目前全参考质量测评主要分为基于相似度的图像质量测评以及基于失真度的图像质量测评；部分参考质量评价方法中常用的做法是提取参考图像大的某个或某组特征参数，将改特征参数通过较为可靠的链路和通信方式传送到接收端，接收端通过对比参考特征和待测图像中提取的同样的特征，给出评价结果。由于水声信道带宽资源有限，链路不稳定，若是需要传输参考信息将会给通信系统带来巨大的压力，且图像都是实时采集的，接收端在接收到图像之前，无法获得所采集的图像内容等信息，因此无参考的质量评价方法更适合水下传输失真的声纳图像的质量评价。

在图像质量测评领域，越来越多的关注集中在不区分类别的无参考图像质量测评上，在这个方面也取得了一定的成果，其中，德州大学奥斯汀分校的图像与视频工程实验室(LIVE,Laboratory for Image and Video Engineering)团队提出了一系列基于特征统计模型的图像客观质量评价方法，这类方法提取图像的自然场景统计特征(NSS,naturalscene statistics)，并用一个数学模型，如高斯混合模型，多元高斯模型等，对这些特征进行拟合，提取该模型的主要参数，并利用机器学习的方法构建这些特征和图像质量之间的关系。这类方法存在的问题是拟合的效果往往不好，且声纳图像包含的场景不一定具有自然场景一样的特性，故这类方法中所提取的特征不一定适用于声纳图像。而随着近年来深度学习的崛起，深度学习也被应用到了图像质量测评中，基于深度学习的图像质量测评方法包括两种主要处理方法，一种是利用卷积神经网络(CNN,convolutional NeuralNetwork)直接构建图像与图像质量之间的评价模型，一种是利用深信度网络(DBN,deepbelief net)构建图像特征的深度描述，再用机器学习的方法构建特征的深度描述与图像质量之间的关系，基于深度学习的图像质量测评一个缺陷在于，深度网络具有数量众多的参数，而现有的数据库的规模往往不够大，基于深度学习的图像质量测评算法，往往都存在严重的过拟合问题。综上，现有的无参考图像质量评价方法大多针对自然图像进行设计，不适用于水下传输的声纳图像的质量评价。

发明内容

本发明提供一种基于退化测量的无参考声呐图像质量测评方法，以解决现有技术中存在的问题。