基于色度-纹理特征融合的水下光学图像质量评估方法研究

为解决水下图像因光吸收、散射和色偏导致的评估难题，研究人员提出一种融合亮度空间、色度空间和显著性特征的多维度UIQA（水下图像质量评估）方法。通过YCbCr色彩空间与灰度共生矩阵（GLCM）分离纹理与色彩，并引入红色色偏校正策略，显著提升了复杂场景下的评估准确性。实验表明，该方法在SAUD和UID数据集上超越现有模型，为海洋探测提供了更可靠的图像质量评估工具。

　　

在深邃的海洋中，光线的传播如同穿越迷雾，水下相机捕捉的图像常因光线吸收、散射和颜色失真变得模糊不清。这种“水下视觉困境”严重阻碍了海洋资源勘探、环境监测等关键任务。尽管科学家们开发了多种水下图像增强算法，但如何客观评价这些处理后的图像质量，却成了悬而未决的难题。现有的水下图像质量评估（UIQA）方法大多只关注颜色或对比度等单一特征，面对复杂的水下场景——尤其是那些泛着诡异红色的图像时，评估结果往往与人类主观感受大相径庭。

为突破这一瓶颈，来自中国的研究团队提出了一种革命性的解决方案。他们发现，水下图像的质量退化实际上是一个多维度的“综合症”，需要从亮度、颜色、纹理等多个角度联合诊断。通过巧妙融合YCbCr色彩空间与灰度共生矩阵（GLCM），团队首次实现了对图像颜色和纹理特征的精准分离测量。更令人称道的是，针对困扰学界多年的红色色偏问题，他们设计出基于色度校正的特征提取策略，让评估模型真正“看透”了水下世界的本色。这项发表在《Optics》上的研究，不仅为海洋科研提供了“火眼金睛”，更开辟了多特征融合评估的新范式。

研究团队采用三大关键技术：首先将RGB图像转换为YCbCr空间以分离亮度与色度信息；其次利用GLCM量化纹理特征；最后通过支持向量机（SVM^rank
）融合来自亮度、色度和显著性图的特征向量。实验数据来自SAUD和UID两大标准水下图像数据集。

相关工作中，论文系统梳理了现有NR-IQA（无参考图像质量评估）方法的局限，指出传统方法对水下特异性退化特征的忽视。提出的方法部分详细展示了如何通过YCbCr-GLCM组合提取五类感知特征，其中红色偏移特征的建模尤为创新。实验设置显示，该方法在PLCC（皮尔逊线性相关系数）和SRCC（斯皮尔曼等级相关系数）等指标上全面超越UCIQE、UIQM等经典模型，尤其在红色色偏场景中优势显著。结论部分强调，这种多维度特征融合框架显著提升了评估的准确性与鲁棒性，其创新性特征提取策略为后续研究提供了重要借鉴。

这项研究的突破性在于，它首次将人类视觉系统的多维感知机制转化为可量化的计算模型。就像为水下机器人装上了“艺术鉴赏家”的大脑，不仅能判断图像是否清晰，还能辨别哪些增强处理是“过犹不及”。当其他方法还在纠结于单一指标时，该模型已能综合考量纹理细节保留、色偏校正效果等复杂因素。这对于依赖视觉的深海探测装备研发具有里程碑意义——毕竟，在黑暗的深海，每一帧清晰的图像都可能关乎重大科学发现。