基于多特征融合的水下图像盲质量评估方法研究

针对水下图像质量评估(IQA)中现有无参考(NR)方法仅关注色彩、锐度等单一特征导致预测性能不足的问题，研究人员提出多特征评估指标(MFEM)，通过融合颜色、锐度、亮度、结构和纹理五类特征，结合高斯过程回归(GPR)模型，显著提升了水下图像质量预测的准确性与泛化能力。该研究为水下视觉系统开发提供了可靠的质量评估工具。

　　

水下世界蕴藏着丰富的资源，但光线在水中的吸收和散射效应导致拍摄的图像普遍存在色彩失真、模糊和结构退化等问题，严重影响了水下目标识别、生物追踪等应用的准确性。传统的图像质量评估方法（如全参考FR-IQA和半参考RR-IQA）需要清晰参考图像，而水下环境难以获取此类图像；现有的无参考评估方法（如NIQE、NPQI）虽能直接评估图像质量，但仅依赖色彩或锐度等单一特征，预测结果常与人类主观评分（MOS）不符。更棘手的是，水下图像特有的纹理退化特征长期被忽视。为此，青岛大学的研究团队在《Signal Processing: Image Communication》发表论文，提出多特征评估指标MFEM，通过系统性融合五类视觉特征，显著提升了水下图像质量评估的客观性与可靠性。

研究采用高斯过程回归(GPR)模型构建预测框架，关键技术包括：1）基于色彩饱和度、色差和色彩丰富度的复合颜色特征；2）融合视觉显著性的锐度加权指数；3）从亮度图中提取自然场景统计(NSS)特征；4）基于梯度局部二值模式(LBP)的结构特征；5）通过灰度共生矩阵量化纹理特征。实验数据来自公开数据集UWIQA、UIED及团队自建的200幅真实水下图像库。

研究结果
颜色特征设计：结合CIE-Lab色差、色彩饱和度和M₃色彩丰富度指标，有效量化了水下图像特有的色偏现象。实验显示该组合比单一色彩指标（如UCIQE）的Spearman秩相关系数(SRCC)提升23%。

锐度评估优化：将视觉显著性图与局部锐度测量结合，使锐度指标对图像关键区域的退化更敏感。在模糊程度不同的图像组中，该方法的Pearson线性相关系数(PLCC)达到0.891，优于传统梯度能量法。

亮度与结构分析：利用亮度图的NSS特征捕捉光照不均现象，而改进的LBP算子能准确反映结构失真。交叉验证表明，这两类特征对高浑浊水域图像的评估贡献率达34%。

纹理特征补充：首次将灰度共生矩阵的对比度、熵值引入水下IQA，解决了现有方法（如UIQM）忽略纹理退化的问题。在珊瑚礁图像集中，纹理特征使预测误差降低18.6%。

结论与意义
通过系统性融合五类特征，MFEM在三个数据集上的SRCC均值达0.862，显著超越UCIQE、UIQM等现有方法。研究还发现：1）颜色与锐度特征的协同作用对浅水图像评估最关键；2）纹理特征在复杂底栖环境中具有不可替代性；3）GPR模型能有效处理特征间的非线性关系。该成果不仅为水下机器人导航、生态监测等应用提供了可靠的质控工具，其多特征融合思路对雾霾图像、医学影像等特殊场景的IQA研究也具有借鉴价值。团队公开的标注数据集将进一步推动水下视觉研究的标准化进程。