中国电波传播研究所, 山东青岛 266071中国人民解放军 31007部队, 北京 100000
通信语音干扰效果评估, 是指对语音通信系统接收的受扰语音信号进行分析, 确定语音信号被干扰程度的技术。准确地评估干扰效果是研制通信对抗设备、评估电子对抗态势以及了解通信质量等活动的重要依据。针对超短波通信干扰系统, 提出了基于梅尔频率倒谱系数 (MFCC)特征、小波统计特征和感知特征的统计测度, 结合最小二乘、反向传播(BP)神经网络以及支持向量回归 (SVR)拟合回归模型的评估系统, 其预测值和主观评估值的相关系数达到 0.9以上, 保障了该干扰评估系统的实用性。研究了基于深度学习的无参考评估方法, 并利用实测数据验证了其有效性, 准确率达到了 87%, 高于多测度融合评估方法。
机器学习 深度神经网络 语音质量评估 干扰效果评估 machine learning Deep Neural Network(DNN) speech quality assessment jamming effect evaluation 太赫兹科学与电子信息学报
2023, 21(10): 1217
1 安徽工程大学 人工智能学院, 安徽 芜湖 241000
2 安徽工程大学 机械工程学院, 安徽 芜湖 241000
图像质量评价方法是为了符合主观视觉图像质量评分结果, 设计出的客观计算方法。在本研究中, 提出了一种基于CIELAB颜色空间局部色貌指标(clarity)的无参考彩色模糊图像评价(NR-IQA)方法。在所提方法中, 结合最大局部clarity和变异局部clarity评价图像模糊等级。最大局部clarity表征提取模糊图像最锐度信息, 即局部模糊特征; 变异局部clarity表示图像内部色貌整体变化情况, 即全局模糊特征。为了验证该方法的性能, 使用五个常用图像质量数据库中的失真图像进行对比测试, 从预测精度、计算复杂度和泛化性进行分析。结果表明, SROCC和PLCC加权平均值分别是0.9345和0.9379, SROCC和PLCC直接平均值分别是0.9331和0.9357, 综合性能优于其他典型和最新提出的NR-IQA方法。研究结果表明, 所提方法是有效的、可行的, 是一个综合性能优异的NR-IQA方法。
图像质量评价 无参考 局部色貌 彩色模糊图像 image quality assessment no reference local color appearance color blurred image
光学 精密工程
2023, 31(10): 1509
1 上海海洋大学 信息学院, 上海 201306
2 国家海洋局东海勘察中心, 上海 200137
基于深度学习的无参考图像质量评价方法目前存在语义关联性不足或模型训练要求高的问题，为此，本文提出了一种基于语义特征符号化和Transformer的无参考图像质量评价方法。首先使用深层卷积神经网络提取图像的高层语义特征；然后将语义特征映射成视觉特征符号，并基于Transformer自注意力机制对视觉特征符号之间的关系进行建模，提取图像的全局特征，同时使用浅层神经网络提取底层局部图像特征，捕捉图像低级失真信息；最后结合全局图像信息与局部图像信息，对图像质量进行预测。为了验证模型的精度和鲁棒性，以相关系数PLCC和SROCC作为评价指标，在5个主流的图像质量评价数据集和1个水下图像质量评价数据集上进行了实验，并将本文提出的方法与15种传统和基于深度学习的无参考图像质量评价方法进行了对比。实验结果表明，本文方法以较少的参数量（大约1.56 MB）在各类数据集上均取得了优越的性能，尤其在多重失真数据集LIVE-MD上将SROCC提升到了0.958，证明在复杂的失真情况下仍能准确评估图像质量，本文网络结构能满足实际应用场景。
图像质量 无参考图像质量评价 Transformer 自注意力 特征符号 image quality no-reference quality assessment Transformer self-attention feature tokens 邱小霞 1,2,3鲍华 1,2高国庆 1,2,3,4张莹 1,2,3[ ... ]李淑琪 1,2,3
1 中国科学院自适应光学重点实验室, 成都 610000
2 中国科学院光电技术研究所, 成都 610000
3 中国科学院大学, 北京 100000
4 电子科技大学, 成都 611000
自适应光学(AO)成像系统受残余大气湍流、闭环跟踪误差和光电探测噪声等因素的影响, 成像结果参差不齐, 不利于后期图像筛选和事后处理, 故需要对图像质量进行评价。传统图像质量评价方法对自适应光学图像质量的评价不可靠, 甚至会出现评价结果与实际背离的情况。针对上述问题, 根据自适应光学系统的成像过程, 生成具有图像质量标签的自适应光学退化图像数据集, 在此基础上采用以ResNet作为主干的深度神经网络, 训练得到了用于评价自适应光学图像质量的神经网络模型, 在测试集上的Spearman相关系数(SROCC)最佳为0.994。实验结果表明, 该方法综合考虑了自适应光学图像成像过程中的多种退化因素, 通过训练深度神经网络得到无参考自适应光学图像质量评价模型, 评价精度优于其他传统图像质量评价算法。
图像质量评价 自适应光学图像 深度神经网络 image quality assessment adaptive optical image deep neural network
北京理工大学 宇航学院 精密测试实验室, 北京 100081
稀疏角度下图像重建算法的研究是发射光谱层析技术在场分布测量方面应用的关键问题。代数重建算法、同时迭代重建算法以及联合代数重建算法是其中应用较为广泛的迭代类图像重建算法。以蜡烛火焰为重建对象, 利用均方差、峰值信噪比、结构相似性和图像平均梯度等图像质量评价指标来分析评价不同算法的图像重建效果, 并发展了一种多指标优化算法融合的技术, 充分利用三种算法的恢复重建优势, 实现了火焰三维温度场的分区重建, 重建温度误差在5%以内。实验结果证明, 所发展的算法融合技术适用于火焰三维温度场的高质量重建。
光学测量 图像重建算法 多指标优化 算法融合 三维温度场 图像质量评价 optical measurement image reconstruction algorithm multi-index optimization algorithm fusion three-dimensional temperature field image quality assessment
1 南京工程学院 计算机工程学院江苏南京267
2 西安交通大学 信息与通信工程学院陕西西安710049
通过分析和研究视频内容特征、编解码失真特征和传输时延特征对视频质量评价的影响，结合人眼视觉特性及其数学模型，提出了一种综合考虑传输和编解码失真的基于内容感知的无参考视频质量评价方法，并构建其数学模型。在该方法中，首先采用视频帧图像纹理复杂性特征、图像的局部对比度、时域信息及其视觉感知来描述视频内容，构建其内容感知模型，并以此探讨视频内容及其视觉感知对视频质量的影响；然后，探讨比特率与视频质量之间的关系，构建其模型，研究视频比特率对其质量的影响；接着，结合视频传输时延特征，构建了由于传输时延失真而产生的视频质量下降的质量评价模型；最后，采用凸优化方法综合3个方面的模型，提出了一种综合考虑视频内容、编解码失真、传输时延失真和视觉特性的无参考视频质量评价模型。并采用多个建立的视频数据库和开源数据库中的数据和视频进行了测试验证，并与17种现有视频质量评价模型进行了性能对比；结果表明，所提模型的精度Pearson相关系数和Spearman秩序相关系数值最小分别能够达到0.877 3和0.833 6，最大可以实现0.938 3和0.943 8，表现出了较好的泛化性能，且复杂度比较低。综合模型精度、泛化性能、复杂性3个方面的性能参数表明，所提模型是一个性能比较优异的视频质量评价模型。
视频质量评价 人类视觉特性 视频内容 亮度和色度 传输时延 Video Quality Assessment（VQA） human visual system characteristics video contents luminance and chrominance transmission delay 光学 精密工程
2022, 30(22): 2923
1 上海海洋大学信息学院，上海 201306
2 上海电力大学，上海 201306
3 中国科学院深海科学与工程研究所，海南 三亚 572000
目前光学成像技术已经在深海探测中发挥重要的作用，但仍缺少深海视频质量主观评价研究，尤其是缺少公开的深海视频质量评价数据集。为此，构建了一个公开的、带有主观质量标签的深海视频质量评价数据集，该数据集包括5类代表性的真实深海场景视频。为了实现数据增广，使用基于深度学习和基于融合的水下图像增强方法进行视频质量增强，使用高斯模糊和高斯噪声进行视频质量退化；采用单激励绝对等级主观质量评价方法对深海视频进行视频质量评价，主观评价实验人数为20，得到总数量为142的深海视频质量评价数据集。在该数据集上验证了8种图像/视频质量客观评价模型的性能，结果显示当前视频质量客观评价模型用于深海视频质量评价还需提升性能。数据集公开在http：//ieee-dataport.org/documents/deep-sea-video-quality-dataset，有助于深海视频质量客观评价和增强技术的优化和改进。
视觉 深海视频数据集 视频质量主观评价 数据增广 视频质量客观评价模型 激光与光电子学进展
2022, 59(17): 1733001
1 中国科学院 长春光学精密机械与物理研究所，吉林长春30033
2 中国科学院大学，北京100049
针对近年来去雾算法质量的评价方法普遍依赖主观评价结果，但缺乏定量描述；现有的客观质量评价方法与主观评价方法之间的一致性不稳定，使两者有时会出现分歧的问题。为提升针对去雾方法的客观质量评价性能，本文提出了一种基于人工合成图像的全参考去雾方法质量评价。首先，建立合成图像数据集，数据集包括参考无雾图像，合成有雾图像，对这些合成有雾图像使用8种主流去雾算法得到的去雾图像。然后，将去雾后图像可能引入的一些质量问题进行分类。最后，通过结合清晰度相关特征和现有的客观质量评价，针对性地提出了一种由图像可视性、结构相似性和颜色恢复度相互融合的去雾方法质量评价。在合成图像数据集中，将本文方法与现有典型的图像质量评价方法进行对比实验，实验结果表明：对于合成图像数据集，本文提出的方法在SRCC、PLCC和RMSE指标上表现最优。本文方法与主观评价的一致性更高，更有利于支持去雾算法的研究。
图像去雾 客观质量评价 合成有雾图像 图像数据集 image dehazing objective quality assessment synthetic hazy images image dataset
