多主题学习式水下图像质量评价及图像增强

Underwater image enhancement is a necessary pre-processing for various underwater image analyses. Existed underwater image enhancement methods were all limited of experienced parameters. Nevertheless, common and practical underwater image quality metric is the key point to realize adaptive enhancement and objective evaluation of results. The specificity and miscibility of underwater image degradation is different with natural image. In our previous study, we found that the related subjective vision perceptive factors are different between underwater image data. This project we proposed here will develop multi topic underwater image degradation synthetical description, supposes to use image pair preference label to conduce underwater image quality data, apply probabilistic latent semantic analysis (pLSA) to classify the artifacts in image blocks introduced by different kinds of distortion autonomously. Combining machine learning, this project supposes to construct an underwater image quality evaluation model. This project we proposed applies series scheme on underwater image data, image quality evaluation model and adaptive underwater enhancement to solve the key issue of underwater video development, illustrate the relationship between underwater image degradation topics and underwater image enhancement methods and realize adaptive real-time underwater image enhancement with multi-scale image processing.

图像增强是各种水下图像处理和分析中必要的预处理。现有的水下图像增强方法被限制于使用经验参数，而通用和实用的水下图像质量评价方法是实现自适应增强和对结果有效评价的关键因素。水下图像退化的特殊性和混合性与自然图像不同，通过对水下图像处理的相关研究我们发现对不同的水下环境和任务，与图像质量主观感知相关的视觉因素是不同的。因此，本申请项目拟采用水下图像退化多主题综合描述法，以图像偏好对判断标签的方式建立水下图像质量评价数据库，将概率潜在语义分析（pLSA）用于自主发现图像块中的具有不同退化特征组合的失真假象主题，联合机器学习机制建立水下图像质量评价模型。通过水下图像数据库——图像质量评价模型——自适应水下图像增强的系列方案解决水下视觉发展中的关键问题，揭示典型海洋环境与水下图像增强方法选择的关系，并联合多尺度图像处理实现自适应实时水下图像增强。

项目以图像对偏好判断标签的方式建立水下图像质量评价数据库为基本出发点，对人工智能海洋科学研究中所急需解决的水下图像质量主观评价，海洋图像分类，潜在视觉注意因素主题学习机制，不同退化主题的水下图像增强进行了系列研究。项目组提出了一种基于预筛选的偏好标签水下图像主观质量评价方法，成为水下图像主观评价和实现水下视觉基准数据库的第一个解决方案，并已建立在线开放平台。通过构建与失真图像相关的潜在视觉质量注意因素集合，项目组证实了视觉对水下图像的质量感知与退化主题密切相关。在总结近年来100多个水下图像复原、增强方法所取得的最新进展的基础上，项目组进一步提出了结合近海衰减系数统计先验的基于反射光分解传输图估计和局部后向散射光照估计的水下图像增强方法、基于色彩补偿的组合水下图像/视频增强算法和首个用于水下图像增强的CGAN模型等系列增强方案，实现了包括水下图像清晰度、对比度和色彩复原的全面质量提高，使高级视觉分析任务中的水下图像目标检测模型的检测率和准确率大幅度提升。基于视觉水下图像理解过程中的特点，提出了首个用于水下图像分类的卷积神经网络，本项目的一系列工作为推进应用人工智能深度学习技术获取水下目标信息提供了重要依据。