[发明专利]一种水下图像数据集的构建方法及系统

说明书

本发明属于图像处理领域，公开了一种水下图像数据集的构建方法及系统,构建包含各种类型的水下模糊图像数据集，并基于人工标记方法建立其背景光数据集；同时，提出基于图像色彩度、对比度、梯度、锐度的四维面积评价指标对水下图像质量进行评价，从而构建水下高清图像数据集。本发明基于人类主观判别，能够保证输出水下背景光的准确性；本发明所构建的水下模糊图像数据集及其背景光数据集，可以作为水下图像复原研究中数据源和背景光估计基准；本发明的水下高清图像数据集构建方法简单、快速，所构建的水下图像数据集能够为基于深度学习的水下图像质量增强算法提供训练样本，所提出的水下图像质量评价方法可以用于水下图像质量评价。

技术领域

本发明属于图像处理领域，尤其涉及一种水下图像数据集的构建方法及系统。

背景技术

目前，业内常用的现有技术是这样的：

通过众包(Crowdsourcing)方法构建图像数据集。例如，ImageNet数据集(http://image-net.org/index)是目前深度学习图像领域应用最广泛的数据集之一，包括1400多万幅图片，涵盖2万多个类别。类似的数据集还包括加拿大先进技术研究院的CIFAR(http://www.cs.toronto.edu/～kriz/cifar.html)，Google的Open Images(https://storage.googleapis.com/openimages/web/index.html)，以及用于人脸识别的LFW(http://vis-www.cs.umass.edu/lfw/)等。众包方法能够构建非常庞大的数据集，但可能需要庞大的资金支持和维护人员，且可控性差。虽然此类数据集的数据量多、类别广，但数据集中的图像主要是自然光下的景物，且主要面向图像分类、定位、检测等研究，不适合开展水下图像质量优化研究。

通过主观方法构建质量评价数据集。广泛使用的图像质量评价数据集，例如LIVE和CSIQ，均采用标准化的主观质量评价方法，由一定数量的观察者对不同类型质量损伤的一组图像进行评分，记录MOS或DMOS(平均主观得分)和对应的图像。这种图像数据集主要针对图像编码、传输和显示带来的质量损失图像，且图像均为大气环境中的图像，同样不适用于水下图像的增强和复原。

目前，用于图像处理的大气环境下的图像数据集有很多，对于大气环境下图像清晰化方法和图像质量评价已有一个相对完善的体系。然而，由于水下图像特殊的成像原理，处理大气图像的方法和评价体系并不能直接用于水下图像。因此，构建一个公开的水下图像数据集是非常有必要的。可以通过Bing等图像搜索API获取大量的水下图像，这时构建一种快速、有效的水下图像质量评价模型就成了构建高质量水下图像数据集的关键。在评价水下彩色图像的质量时，通常从如下几个方面考虑：(a)与人的知觉有关；(b)适用于混浊水中拍摄的图像的典型失真类型；(c)水下图像增强方法的可靠性；(d)可以测量的相似图像内容中的失真程度；(e)计算复杂度低，可实时实现。对于RGB颜色空间各分量间的绝对变化，HVS对相对变化更为敏感。HVS对与相对性对比度的敏感程度随背景光照的变化而变化。在不同的区域内，得到了不同的对比度灵敏度的斜率。因此，相对亮度的显著差异为背景照明水平相关。因此，水下图像对比度测量是作为一个函数的相对对比度变化。边缘锐度可以看作是边缘像素上的对比度，因此在锐度评价中也采用了相对变化的度量。参数化对数图像处理(Parameterized Logarithmic Image Processing,PLIP)提供了与许多HVS属性，一致的非线性表示和处理操作，如亮度范围反演、韦伯定律、饱和度特征和上下文相关的心理物理符号。在水下对比度测量的公式中也考虑了PLIP操作。