基于混合输入卷积神经网络的水下图像质量评估.

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 图像处理 图像处理

背景情况:

• 水下操作需要精确的环境传感,推动了人们对水下图像处理的兴趣.
• 遥控车辆 (ROV) 产生冗余的水下图像,压力设备和操作人员.
• 需要基于降解的选择性图像传输来减轻这种压力.

研究的目的:

• 提出一个端到端的混合输入卷积神经网络 (HI-CNN),用于预测水下图像退化.
• 开发一个模型,使选择性图像传输,减少数据负载.
• 为实际的水下环境建立一个现实世界的数据集.

主要方法:

• 一个特征提取模块同时处理原始水下图像和突出地图,使用两个相同的共享参数分支.
• 一个端到端模型将特征提取模块与预测模块集成在一起,以估计图像质量得分.
• 创建了一个现实世界的数据集,以在实际的水下场景中验证模型.

主要成果:

• 拟议的HI-CNN模型有效地预测了水下图像的退化.
• 实验结果表明,与现有方法相比,该模型的性能优越.
• 该模型促进基于预测质量的选择性图像传输.

结论:

• 开发的HI-CNN为评估水下图像质量提供了强大的解决方案.
• 这种方法可以显著提高水下操作的效率和可靠性.
• 建立的数据集支持进一步的研究和水下图像处理技术的实际应用.