基于SSA优化SVM的水下图像质量多特征评价与分类方法

《Information》：Soft Sensor Model of f-CaO Content in Cement Clinker Based on Self-Attention and Time Convolutional Network Siyuan Zhou and Le Yang

　　

研究人员提出一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化支持向量机(Support Vector Machine, SVM)参数的水下图像质量评价与分类方法。针对水下图像存在颜色失真、低对比度及噪声干扰导致传统评价模型泛化能力差的问题，研究人员提取水下图像的纹理、亮度和色彩等多维特征构建特征空间，采用SVM建立质量分类模型，并利用SSA全局寻优能力自动优化SVM的惩罚因子C和核参数γ(RBF核函数K(xi,xj)=exp(-γ‖xi-xj‖2))，克服人工调参的局限性。实验结果表明，该方法相比网格搜索与遗传算法优化SVM，具有更高的分类准确率和鲁ustness，能有效区分优质与劣质水下图像，为水下机器人视觉系统的自适应图像处理提供决策依据。

论文解读：基于SSA优化SVM的水下图像质量多特征评价与分类方法

一、研究背景与意义

水下光学成像受水体吸收与散射影响，普遍存在蓝绿色调偏移、对比度下降、非均匀光照及斑点噪声等问题，导致采集的图像质量参差不齐。传统图像质量评价(Image Quality Assessment, IQA)方法多针对陆地图像设计，难以适应水下特殊的光学退化特征；且主观评价耗时费力，传统客观全参考方法在无参考场景下无法应用。现有无参考水下图像质量评价(NR-IQA)模型特征提取不充分或分类器参数依赖经验设定，泛化能力不足。因此，开展水下图像无参考质量自动评价与二分类（可用/不可用）研究具有重要工程价值。本文发表于《Information》。

二、主要关键技术方法

研究人员采用公开水下图像数据集构建样本队列，对每幅图像提取颜色特征（色调、饱和度分量均值与分布）、亮度特征（均值、信息熵）及纹理特征（灰度共生矩阵对比度、能量、相关性）。将特征向量输入SVM(Support Vector Machine)分类器，以RBF(Radial Basis Function)为核函数K(x_i,x_j)=exp(-γ‖x_i-x_j‖²)。为避免惩罚因子C与核参数γ手工选取导致过拟合或欠拟合，引入SSA(Sparrow Search Algorithm, Xue et al. 2020)进行双参数寻优：将C和γ编码为麻雀个体位置，以SVM五折交叉验证准确率为适应度函数，种群按生产者—跟随者—警戒者角色更新位置（式11、式12），迭代获得最优(C, γ)。对比方法包括未优化SVM、Grid Search-SVM及GA-SVM。

三、研究结果

2.1 支持向量机(SVM)与RBF核

研究人员阐述标准C-SVC二分类优化问题（式7）：目标函数为min 1/2‖w‖²+CΣα_i，约束y_i(w·Φ(x_i)+b)≥1-ξ_i，α_i∈[0,C]。分类决策函数f(x)=sign(Σα_iy_iK(x_i,x)+b)。选用RBF核K(x_i,x_j)=exp(-γ‖x_i-x_j‖²)处理水下特征空间的非线性可分性（式9）。

2.3 麻雀搜索算法(Sparrow Search Algorithm, SSA)

SSA模拟麻雀种群觅食行为，个体分生产者（全局探索，位置更新依R₂N/2与i≤N/2分情况更新，式12）及警戒者（比例PD随机预警）。算法初始化种群位置X=[x_i,j]_N×D（式10），通过迭代收敛至全局最优解，用于搜索SVM最优(C, γ)。

四、实验结果与讨论（结论部分翻译总结）

研究人员通过对比实验表明：(1)所提取的多维颜色—亮度—纹理特征能有效表征水下图像退化程度；(2)SSA优化后的SVM模型在测试集上的准确率、Precision、Recall及F-measure均优于未优化SVM、Grid Search-SVM和GA-SVM，且收敛速度较快、不易陷入局部最优；(3)该方法对不同水域、不同退化类型的 underwater images 具有良好的泛化能力与鲁棒性，可实现水下图像质量的自动分级筛选。研究表明，结合多域特征提取与群智能算法优化SVM参数能显著提升无参考水下图像质量评价的可靠性，为水下视觉系统的后续增强处理提供质量预判依据，具有较高的实用价值。

综上，本文构建了一种基于多特征融合与SSA优化SVM的无参考水下图像质量评价分类模型，有效解决了传统方法参数敏感与评价不准的问题。