论文部分内容阅读
图像质量评价对图像处理技术发展十分重要,作为图像处理领域的研究热点,图像质量评价一直备受研究者关注。近年来,图像处理领域中的去雾算法发展迅速,众多优秀算法相继提出,但对于算法去雾效果的科学量化评价方法仍有待研究。因此,研究图像去雾算法有效性客观评价对去雾算法的发展有着重要意义。现有的去雾图像评价方法以主观评价法为主,需要大量的参评人员,评分流程繁琐不具时效性,因此适用度并不高。客观评价方法方面,无参考质量评价是去雾图像客观评价方法现阶段的研究热点。无参考型图像质量评价方法通过提取的图像特征进行评价,特征选择与提取过程的先验知识、特征与视觉的拟合程度皆决定了去雾图像评价算法效果的优劣。为解决去雾图像客观评价方法中特征提取困难、图像特征与视觉感知拟合程度不高等问题,本文提出基于卷积神经网络的图像去雾效果评价模型,通过对AlexNet网络进行改进,使之由一个用于图像分类的网络转变成图像质量评价的网络模型。本文提出去雾图像卷积神经网络、差分图像卷积神经网络、特征融合卷积神经网络三种网络模型进行图像去雾效果评价。本文分别采用直方图均衡去雾算法、Retinex去雾算法、暗通道先验去雾算法、中值去雾算法、Fattal去雾算法对180幅雾天图像进行去雾处理,并对去雾后图像的去雾效果进行主观评价,从而获得了900幅带有去雾效果评分的复原图像,并将这900幅图像作为本文算法训练和测试的数据集。为了验证本文算法的有效性,进行了三种网络模型的图像去雾效果评价仿真实验。在训练集上,通过设计不同数量的卷积层和不同数量的卷积核进行实验对比,根据训练过程中损失函数的大小分别确定了去雾图像卷积神经网络、差分图像卷积神经网络的最优网络结构,并以此确定特征融合卷积神经网络的最终网络结构。进一步,采用最终确定结构的评价模型在测试集上对数据进行对比分析,分析发现,模型的评价结果与主观评分间的相关系数和斯皮尔曼系数均大于0.8,评分结果与主观评分间的均方误差均小于0.5,说明模型的评价结果和主观评分的相关程度较高,模型的评分结果和主观评分的差距较小。其中特征融合卷积神经网络的相关系数和斯皮尔曼系数较高且均高于0.95,均方误差小于0.2,说明特征融合卷积神经网络的性能最优,从而证明了本文算法对图像去雾效果评价的有效性。