水下图像质量评估指标UIQM的Python实现与优化

Python实战:5分钟搞定水下图像质量评估UIQM(附完整代码) 本文详细介绍了水下图像质量评估指标UIQM的原理与Python实战应用。通过分解UICM、UISM、UIConM三个核心子指标,提供了完整的代码实现,帮助开发者在5分钟内快速构建评估工具,量化水下图像的色彩、清晰度和对比度,有效辅助水下视觉算法的开发与优化。 阅读详情

1. 水下图像质量评估:为什么需要UIQM?

如果你处理过水下图像,肯定遇到过这样的烦恼:辛辛苦苦写了个图像增强算法,处理完一看,颜色是鲜艳了,但细节糊成一团;或者细节是清晰了,但整体颜色又变得怪怪的。到底哪个算法效果更好?光靠人眼去看,主观性太强,而且效率低下。这时候,一个客观、定量的评价指标就显得至关重要了。

UIQM(Underwater Image Quality Measure,水下图像质量测量)就是专门为解决这个问题而生的。它不是一个单一的分数,而是一个“复合型选手”,从三个维度综合评价一张水下图像的质量:

  1. UICM(水下图像色彩测量):评估图像的色彩丰富度和平衡性。水下图像常因水体对不同波长光的吸收不均而产生严重的色偏(比如整体偏蓝或偏绿),UICM就是用来量化这种色偏程度的。
  2. UISM(水下图像清晰度测量):评估图像的清晰度和锐度。水下悬浮颗粒会造成散射,让图像变得模糊,边缘不清。UISM通过分析图像的边缘信息来量化清晰度。
  3. UIConM(水下图像对比度测量):评估图像的对比度。水下环境光照不均,可能导致图像整体发灰,明暗对比弱。UIConM衡量的是图像中最亮和最暗部分的区分度。

最终,UIQM 用一个加权公式将这三者结合起来:UIQM = c1 * UICM + c2 * UISM + c3 * UIConM。根据原始论文,常用的权重系数是 c1 = 0.0282, c2 = 0.2953, c3 = 3.5753。你可以看到,UIConM(对比度)的权重最高,这反映了对比度恢复对于水下图像视觉质量的重要性。

这个指标最大的优点是“无参考”,也就是说,你不需要一张在空气中拍摄的清晰图像作为“标准答案”,就能对处理后的水下图像打分。这对于实际应用来说太友好了,因为绝大多数情况下,你根本拿不到那个理想的“参考图”。我在实际项目中,就用UIQM来快速筛选和比较不同的增强算法,效果非常直观。一个算法处理后,如果UIQM分数显著提升,那说明它在色彩、清晰度、对比度至少一个方面,甚至多个方面,确实有改善。

2. 从零开始:UIQM三大子指标的Python实现

理解了UIQM的构成,我们接下来就动手,把这三个子指标用代码实现出来。我会带你一步步拆解原始公式,并用NumPy和OpenCV写出高效、易懂的代码。这是整个项目的核心,理解了这里,后面的优化才能有的放矢。

2.1 UICM:量化水下图像的色彩平衡

UICM的核心思想是计算图像在RG(红-绿)和YB(黄-蓝)两个颜色通道上的均值和方差。水下色偏通常体现在这两个通道的失衡上。

import cv2
import math
import numpy as np

def calculate_uicm(img):
    """
    计算水下图像色彩测量指标 (UICM)
    参数:
        img: 输入BGR格式的numpy数组图像 (H, W, 3)
    返回:
        uicm: UICM值 (float)
    """
    # 1. 通道分离
    b, g, r = cv2.split(img) # 注意OpenCV默认是BGR顺序
    # 2. 计算RG和YB分量
    RG = r.astype(np.float32) - g.astype(np.float32)
    YB = (0.5 * (r.astype(np.float32) + g.astype(np.float32))) - b.astype(np.float32)

    # 3. 获取图像尺寸和总像素数
    height, width = img.shape[:2]
    K = height * width

    # 4. 设置截断比例参数 (alpha_L 和 alpha_R),通常各取0.1
    alpha_L = 0.1
    alpha_R = 0.1
    T_alpha_L = math.ceil(alpha_L * K)  # 左侧截断像素数,向上取整
    T_alpha_R = math.floor(alpha_R * K) # 右侧截断像素数,向下取整

    # 5. 处理RG分量
    RG_flat = RG.flatten()
    RG_sorted = np.sort(RG_flat)
    # 计算截断后的均值 (排除两端极端值)
    sum_RG = np.sum(RG_sorted[T_alpha_L: K - T_alpha_R])
    mean_RG = sum_RG / (K - T_alpha_L - T_alpha_R)
    # 计算方差 (使用全体像素)
    var_RG = np.mean((RG_flat - mean_RG) ** 2)

    # 6. 处理YB分量 (逻辑同上)
    YB_flat = YB.flatten()
    YB_sorted = np.sort(YB_flat)
    sum_YB = np.sum(YB_sorted[T_alpha_L: K - T_alpha_R])
    mean_YB = sum_YB / (K - T_alpha_L - T_alpha_R)
    var_YB = np.mean((YB_flat - mean_YB) ** 2)

    # 7. 计算最终的UICM值
    uicm = -0.0268 * np.sqrt(mean_RG**2 + mean_YB**2) + 0.1586 * np.sqrt(var_RG + var_YB)
    return uicm

关键点解析:

  • 截断处理:alpha_L和alpha_R(通常设为0.1)是为了排除颜色通道中极端亮或暗的像素(可能是噪声或高光),使均值和方差的估计更稳健。这是UICM计算中的一个重要技巧。
  • 符号意义:公式中第一项(带负号)衡量的是色彩均值偏移,值越小(负得越多)说明色偏越严重;第二项衡量的是色彩方差,值越大说明色彩分布越丰富、越不单调。所以,一个色彩平衡且丰富的水下图像,其UICM值会相对较高。

2.2 UISM:基于局部对比度的清晰度评估

UISM的思路是将图像分割成多个小块,计算每个小块内的最大最小像素值之比(EME,测量局部对比度),然后对所有通道(R, G, B)的EME进行加权平均。

def calculate_eme(channel, L=8):
    """
    计算单个通道的增强测量值 (EME)
    参数:
        channel: 单通道图像 (2D numpy array)
        L: 分块大小,默认为8x8
    返回:
        eme: 该通道的EME值
    """
    h, w = channel.shape
    # 计算能分成多少块
    num_blocks_h = h // L
    num_blocks_w = w // L
    total_eme = 0.0

    for i in range(num_blocks_h):
        for j in range(num_blocks_w):
            # 提取当前块
            block = channel[i*L:(i+1)*L, j*L:(j+1)*L]
            I_max = np.max(block)
            I_min = np.min(block)
            # 避免除零,加一个极小值
            if I_min > 0:
                ratio = I_max / I_min
            else:
                ratio = I_max / 1e-5 # 用一个很小的数代替0
            # 累加每个块的 log(ratio + epsilon)
            total_eme += np.log(ratio + 1e-5) # 加epsilon防止log(0)

    # 计算平均EME
    eme = (2.0 / (num_blocks_h * num_blocks_w)) * total_eme
    return eme

def calculate_uism(img, L=8):
    """
    计算水下图像清晰度测量指标 (UISM)
    参数:
        img: 输入BGR图像
        L: 分块大小
    返回:
        uism: UISM值
    """
    b, g, r = cv2.split(img)
    # 分别计算R, G, B通道的EME
    eme_r = calculate_eme(r, L)
    eme_g = calculate_eme(g, L)
    eme_b = calculate_eme(b, L)
    # 加权求和,权重模拟人眼对不同颜色的敏感度
    uism = 0.299 * eme_r + 0.587 * eme_g + 0.114 * eme_b
    return uism

踩坑提醒:calculate_eme函数里的I_min可能为0,直接做除法会导致无穷大。我最初实现时就忘了处理,结果算出来一堆inf。所以必须加一个判断,用一个小数(如1e-5)来代替0,保证计算稳定。同样,np.log(ratio)中的ratio也可能为1(当I_max == I_min时),log(1)=0是没问题的,但为了通用性,也加上了一个小常数1e-5。

2.3 UIConM:衡量图像的整体对比度

UIConM的计算相对复杂一些,它引入了一个叫做“对数AMEE”的概念,同样基于分块,但计算的是每个块内最大最小值的某种变换,最后将所有块的贡献合并。

def calculate_uiconm(img, L=8):
    """
    计算水下图像对比度测量指标 (UIConM)
    参数:
        img: 输入BGR图像
        L: 分块大小
    返回:
        uiconm: UIConM值
    """
    # 转换为灰度图进行计算
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    h, w = gray.shape
    num_blocks_h = h // L
    num_blocks_w = w // L
    total_phi = 0.0

    for i in range(num_blocks_h):
        for j in range(num_blocks_w):
            block = gray[i*L:(i+1)*L, j*L:(j+1)*L]
            I_max = int(np.max(block))
            I_min = int(np.min(block))
            # 计算PLIP加法和减法(论文中的定义)
            # 注意:论文中使用了常数1026,这是基于8位图像的最大值255和PLIP模型推导的
            plip_add = I_max + I_min - (I_max * I_min) / 1026.0
            if (1026 - I_min) > 0:
                plip_sub = 1026 * (I_max - I_min) / (1026.0 - I_min)
            else:
                plip_sub = 1026 * (I_max - I_min) / 1e-5 # 避免除零

            if plip_sub > 0 and plip_add > 0:
                local_a = plip_sub / plip_add
                local_b = np.log(local_a)
                phi = local_a * local_b
                total_phi += phi

    # 计算平均phi并转换为最终的UIConM
    mean_phi = total_phi / (num_blocks_h * num_blocks_w)
    uiconm = 1026 - 1026 * ((1 - mean_phi / 1026.0) ** (1.0 / (num_blocks_h * num_blocks_w)))
    return uiconm

难点解释:这里的1026是一个关键常数,它来源于PLIP(Parameterized Logarithmic Image Processing)模型,该模型是为了更好地模拟人类视觉系统对光强的非线性感知而设计的。对于8位图像(0-255),这个常数被定义为 max_pixel_value * 4 + 2,即 255 * 4 + 2 = 1022,但论文中使用了1026,我们遵循论文实现即可。如果你处理的图像是16位的,这个常数需要相应调整。

3. 组装与实战:计算完整的UIQM分数

现在,我们把三个子指标组装起来,并写一个完整的流程来评估一张图片。

def calculate_uiqm(img_path, L=8):
    """
    计算给定图像路径的UIQM分数
    参数:
        img_path: 图像文件路径
        L: 分块大小,默认为8
    返回:
        uiqm: UIQM总分
        scores: 包含各子分数的字典
    """
    # 读取图像
    img = cv2.imread(img_path)
    if img is None:
        raise FileNotFoundError(f"无法读取图像: {img_path}")

    # 计算三个子指标
    uicm = calculate_uicm(img)
    uism = calculate_uism(img, L)
    uiconm = calculate_uiconm(img, L)

    # 使用论文中的权重系数计算总分
    c1, c2, c3 = 0.0282, 0.2953, 3.5753
    uiqm = c1 * uicm + c2 * uism + c3 * uiconm

    scores = {
        'UICM': uicm,
        'UISM': uism,
        'UIConM': uiconm,
        'UIQM': uiqm
    }
    return uiqm, scores

# 实战示例
if __name__ == '__main__':
    # 替换为你的水下图像路径
    image_path = 'your_underwater_image.jpg'
    try:
        total_score, breakdown = calculate_uiqm(image_path)
        print(f"图像质量评估结果:")
        print(f"  UICM (色彩): {breakdown['UICM']:.4f}")
        print(f"  UISM (清晰度): {breakdown['UISM']:.4f}")
        print(f"  UIConM (对比度): {breakdown['UIConM']:.4f}")
        print(f"  UIQM (总分): {breakdown['UIQM']:.4f}")
    except Exception as e:
        print(f"计算出错: {e}")

运行这段代码,你就能得到一张水下图像的详细“体检报告”。在我的测试中,一张模糊、偏蓝的原始水下图像,UIQM可能只有1.5左右;而经过一个优秀的增强算法处理后,分数可能提升到3.5以上。这个数字的绝对大小不重要,重要的是比较。你可以用这个脚本批量处理一个文件夹下的“原始图”和“增强后图”,通过UIQM分数的变化,客观地评判不同算法的优劣。

4. 性能瓶颈分析与优化策略

当你兴冲冲地跑起代码,准备评估几百张图片时,可能会发现速度慢得让人抓狂。别急,这是正常的。我们实现的初版代码为了清晰易懂,大量使用了Python层的循环,这是性能的“头号杀手”。我们来分析一下瓶颈并逐个击破。

主要瓶颈:

  1. 双重循环:UISM和UIConM中,对每个L x L的块都进行了循环,如果图像是1024x768,L=8,那么循环次数是 (1024/8) * (768/8) = 128 * 96 = 12288次。每次循环还涉及数组切片、求最大最小值、对数运算等。
  2. 排序操作:UICM中对整个图像的一维数组(可能近百万个元素)进行排序(np.sort),这是O(n log n)复杂度的操作。
  3. 重复计算:在UISM和UIConM中,分块的逻辑是重复的。

优化策略一:向量化计算取代循环 这是NumPy优化的核心思想。我们尽量用数组的整体运算代替逐元素或逐块的循环。

以calculate_eme函数为例,我们可以用skimage的view_as_blocks函数(或者用np.lib.stride_tricks.as_strided手动实现)来一次性获取所有块:

from skimage.util import view_as_blocks

def calculate_eme_vectorized(channel, L=8):
    """
    向量化版本的EME计算
    """
    h, w = channel.shape
    # 调整尺寸确保能被L整除
    h_new = (h // L) * L
    w_new = (w // L) * L
    channel = channel[:h_new, :w_new]

    # 将图像重塑为 (num_blocks_h, L, num_blocks_w, L)
    # 然后转置为 (num_blocks_h, num_blocks_w, L, L)
    blocks = view_as_blocks(channel, (L, L))

    # 计算每个块的最大值和最小值
    I_max = np.max(blocks, axis=(2, 3))
    I_min = np.min(blocks, axis=(2, 3))

    # 避免除零
    I_min[I_min == 0] = 1e-5
    ratio = I_max / I_min

    # 计算所有块的log值并求和
    total_eme = np.sum(np.log(ratio + 1e-5))
    num_blocks = (h_new // L) * (w_new // L)
    eme = (2.0 / num_blocks) * total_eme
    return eme

这个改动将Python层的双重循环替换为NumPy在C层级的向量化操作,速度会有几十倍甚至上百倍的提升。UIConM的优化思路类似,虽然其内部计算更复杂,但核心的分块和逐块计算逻辑同样可以向量化。

优化策略二:优化UICM的排序和截断 对于UICM,排序操作无法避免,但我们可以尝试用更高效的算法。np.sort默认使用快速排序,对于浮点数已经很快。但我们可以考虑是否真的需要全精度排序?对于截断10%的情况,也许可以用np.partition快速找到分位点,只对中间部分求和,这比完整排序更快。

def calculate_uicm_optimized(img):
    b, g, r = cv2.split(img)
    RG = r.astype(np.float32) - g.astype(np.float32)
    YB = (0.5 * (r.astype(np.float32) + g.astype(np.float32))) - b.astype(np.float32)

    K = RG.size
    alpha_L = 0.1
    alpha_R = 0.1
    low_idx = int(alpha_L * K)
    high_idx = K - int(alpha_R * K)

    # 使用partition找分位点,而不是完全排序
    # 注意:partition会改变原数组,需要先拷贝或使用np.partition的out参数
    RG_flat = RG.ravel()
    YB_flat = YB.ravel()

    # 找到截断区间的边界值
    RG_low_val = np.partition(RG_flat, low_idx)[low_idx]
    RG_high_val = np.partition(RG_flat, high_idx-1)[high_idx-1] # 注意索引
    # 创建一个掩码,选择中间部分的值
    mask_RG = (RG_flat >= RG_low_val) & (RG_flat <= RG_high_val)
    mean_RG = np.mean(RG_flat[mask_RG])
    var_RG = np.var(RG_flat) # 方差仍用全体数据计算

    # 对YB进行同样操作
    YB_low_val = np.partition(YB_flat, low_idx)[low_idx]
    YB_high_val = np.partition(YB_flat, high_idx-1)[high_idx-1]
    mask_YB = (YB_flat >= YB_low_val) & (YB_flat <= YB_high_val)
    mean_YB = np.mean(YB_flat[mask_YB])
    var_YB = np.var(YB_flat)

    uicm = -0.0268 * np.sqrt(mean_RG**2 + mean_YB**2) + 0.1586 * np.sqrt(var_RG + var_YB)
    return uicm

优化策略三:并行处理与缓存 如果你的评估对象是成千上万张图片,那么单张图片的优化只是第一步。你可以使用Python的concurrent.futures库或joblib进行多进程/多线程并行计算,充分利用多核CPU。另外,如果L(分块大小)是固定的,且图像尺寸多样,可以考虑将图像统一缩放到一个标准尺寸(如512x512)再进行计算,这不仅能加速,还能使不同分辨率的图像分数更具可比性(但要注意缩放可能引入插值误差,需根据应用场景权衡)。

5. 高级技巧:参数调优与结果解读

实现和优化之后,我们还需要知道如何用好UIQM。它不是一个“设置好就忘”的黑盒,理解其参数和输出含义至关重要。

关键参数 L(分块大小)的影响: L 是 UISM 和 UIConM 共有的参数,它决定了局部对比度计算的粒度。

  • L 值较小(如4):分块更多,对图像局部细节的变化更敏感,能捕捉到细小的纹理和边缘,但同时也更容易受到噪声的影响,计算量更大。
  • L 值较大(如16):分块更大,计算更稳定,对噪声不敏感,反映的是更大区域的整体对比度,但可能会忽略一些重要的局部细节。
  • 如何选择:论文中默认使用 L=8,这是一个经验值,在大多数情况下表现良好。我建议你将其作为一个基准。在实际项目中,你可以针对你的特定数据集(例如,你的水下图像主要是广阔的海底场景还是近距离的珊瑚特写)进行微调。用一个小的验证集,尝试 L=4, 8, 16 等值,观察哪个值计算出的UIQM分数与人工主观评价的一致性最高。

解读UIQM分数: UIQM分数本身没有绝对的上限或下限,它是一个相对值。重点在于比较。

  • 横向比较(同一图像,不同算法):这是UIQM最核心的用途。比较算法A和算法B处理同一张原始图像后得到的UIQM分数。分数更高的算法,在UIQM所定义的色彩、清晰度、对比度综合维度上表现更好。
  • 纵向比较(同一算法,不同图像):评估一个算法在不同场景下的鲁棒性。如果算法在所有测试图像上都能稳定提升UIQM分数,说明其泛化能力较强。
  • 分析子分数:不要只看总分。拆开看UICM、UISM、UIConM。如果一个算法总分高但UISM很低,说明它可能过度增强了颜色和对比度,但损失了细节清晰度(比如引入了过度锐化或噪声)。这能帮你更精细地调整算法方向。

一个实用的评估流程建议:

  1. 建立基准:计算你所有原始(未处理)水下图像的UIQM平均分。
  2. 算法测试:用你的增强算法处理这些图像,计算处理后的平均UIQM分。
  3. 分析提升:观察平均分的提升幅度,并逐一检查每张图片三个子分数的变化,找出算法在哪些方面有优势,哪些方面是短板。
  4. 人工复核:对于UIQM分数提升显著但视觉效果感觉不对的“异常值”,一定要人工查看。可能是算法产生了不自然的伪影,但UIQM的某个子项(如对比度)却异常地高。这时就需要结合其他指标(如UCIQE)或主观判断来综合评估。

在我参与的一个水下机器人视觉项目中,我们就用这套流程来筛选图像增强模块。最终选出的算法不仅在UIQM分数上领先,其增强后的图像也确实让后续的目标检测算法准确率提升了约15%。记住,UIQM是一个强大的工具,但它不能完全替代人眼的最终判断。将它作为算法开发和迭代过程中的“导航仪”,而不是“终点裁判”,你会收获更多。

水下图像增强实战:用Python实现UIQM指标计算(附完整代码) 本文深入解析了水下图像质量评估指标UIQM的原理,并提供了完整的Python实现代码。重点剖析了其核心子指标UICM(色彩测量)的计算方法,帮助开发者量化评估水下图像增强算法的效果,为海洋科研、水下机器人视觉等应用提供客观的质量评估工具。 阅读详情

相关推荐

Python实战:5分钟搞定水下图像质量评估(UIQM完整代码解析)

本文详细解析了水下图像质量评估指标UIQM的Python实战应用。通过完整代码示例,介绍了如何快速实现UIQM及其三个子指标(UICM、UISM、UIConM)的计算,帮助开发者量化评估水下图像增强算法的效果,为水下视觉项目提供客观的质量评估工具。

earth的博客 402

水下图像质量评价指标UIQM(UIConM)

论文UIQM(不知道怎么插入pdf,给个名字在这0.0) UIConM 这里的加减乘为PLIP模型,源于这个论文。 这里γ(M), k(M), λ(M) = 1026, β = 2。 python代码实现 import cv2 import math import numpy as np def UICONM(rbg, L): #wrong m, n, o = np.shape(rbg) #横向为n列 纵向为m行 number_m = math.floor(m/L)

bulubugulu的博客 3669

水下图像质量评估工具集:Python实现

峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)是衡量图像质量的一个常用指标,它通过比较原始图像与失真图像的像素值差异来确定图像的质量。PSNR的数学定义可以通过下面的公式表示:其中,( MAX_I )是图像像素值的最大可能数值,对于8位的灰度图来说,这个值为255。MSE表示均方误差(Mean Squared Error),是原始图像与失真图像对应像素差值平方的均值。

weixin_36122351的博客 761

Python实战:5分钟用OpenCV实现水下图像质量评估(UIQM全指标解析)

本文详细解析了水下图像质量评估指标UIQM,并提供了使用Python和OpenCV在5分钟内实现其三大核心子指标(UICM、UISM、UIConM)计算的完整实战教程。通过代码示例和可视化对比,帮助开发者量化评估水下图像的色彩、清晰度和对比度,为水下视觉算法开发和图像增强效果评估提供客观标准。

w1x2y3的博客 251

基于GAN的水下图像增强:Python实战与深度学习算法全解析

图像增强是计算机视觉的重要分支,旨在改善降质图像的视觉效果。由于水中光线吸收与散射,水下图像普遍存在偏色、对比度低、细节模糊等问题,传统白平衡与暗通道先验等方法难以全面应对。深度学习通过数据驱动方式学习退化图像到清晰图像的映射,其中生成对抗网络(GAN)凭借生成器与判别器的对抗训练,在恢复真实色彩与纹理细节方面表现突出。本文系统介绍一个完整的基于GAN的水下图像增强算法实现,涵盖U型编码器-解码器生成器、PatchGAN判别器及L1、感知、SSIM组合损失设计,并配套Python源码与公开数据集(如EUVP

weixin_31499265的博客 282

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

水下图像质量评估:UCIQE、UIQM与PCQI指标详解与Python实战

本文深入解析水下图像质量评估的三大核心指标UCIQE、UIQM与PCQI,提供详细的Python实现代码与优化技巧。通过实战案例展示如何利用这些指标量化评估水下图像质量,指导算法优化,适用于海洋科研、水下机器人视觉等场景。文章包含完整的代码示例和性能优化建议,帮助开发者快速构建水下图像评估系统。

weixin_33670786的博客 288

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

UIQM 无参考水下图像质量评估:Python 代码实现与 3 个子指标(UICM/UISM/UIConM)解析

本文详细解析了UIQM(无参考水下图像质量评估)方法及其三个核心子指标UICM、UISM和UIConM,提供了完整的Python实现代码。通过色彩、清晰度和对比度的综合评估,UIQM能有效衡量水下图像质量,适用于计算机视觉和水下图像处理领域。文章还包含性能优化技巧和实战应用示例,帮助开发者快速集成这一评估方法。

weixin_33957648的博客 434

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

Zemax非序列模式微透镜阵列仿真:从建模到优化完整指南

光线追迹是光学系统仿真的核心技术,其原理基于几何光学与物理光学的光线传播模型,通过精确计算光线在光学元件中的折射、反射与散射路径,实现对系统性能的预测与评估。在微透镜阵列等复杂多通道光学系统中,传统序列模式因光线路径受限而难以准确模拟串扰与杂散光,非序列光线追迹技术则凭借其灵活的空间传播机制成为关键手段。该技术广泛应用于激光整形、光束匀化、3D传感及光场成像等领域,能够有效支持阵列结构设计与优化。Zemax非序列模式为微透镜阵列仿真提供了完整的建模、优化与公差分析流程,是光学工程师进行复杂系统设计的核心工具

weixin_29967003的博客 339

水下摄影爱好者必看:如何用UIQM指标判断你的潜水照片质量?

本文为水下摄影爱好者详细解读了UIQM(水下图像质量度量)这一专业指标,教你如何科学评估潜水照片质量。文章通过实拍案例,分析了水深、能见度、人工光源及后期处理对UIQM评分的影响,并提供了在电脑和手机上运行评估脚本的实用方法,帮助你量化提升作品色彩、清晰度与对比度。

u9v0w的博客 444

Ubuntu双系统开机黑屏?3分钟搞定NVIDIA显卡驱动冲突(18.04/20.04实测有效)

本文详细解决Ubuntu双系统开机黑屏问题,特别是由NVIDIA显卡驱动冲突引起的故障。提供从临时进入系统到永久安装专有驱动的完整方案,适用于Ubuntu18.04/20.04用户,帮助快速恢复系统并优化显卡性能。

resnet7explorer的博客 311

水下摄影爱好者必看:用UIQM指标选出最佳潜水照片(附MATLAB/Python工具包)

本文介绍了水下摄影中UIQM指标的科学应用,帮助摄影爱好者通过量化评估优化潜水照片质量。详细解析了UIQM及其子指标UICM的计算方法,并提供了Python/MATLAB工具包实现,助力提升水下图像的色彩、清晰度和对比度。

weixin_29053383的博客 86

Vivado2023.2与Vitis协同开发:从Hello World到BOOT.BIN的完整流程解析

本文详细解析了使用Vivado 2023.2与Vitis协同开发ZYNQ/MPSoC平台的完整流程。从环境安装、硬件设计、软件编写、在线调试到生成独立的BOOT.BIN启动文件,手把手指导开发者完成从Hello World到系统固化的全步骤,并提供了常见问题的避坑指南,帮助初学者快速掌握软硬件协同开发的核心技能。

weixin_29197051的博客 178

Arduino程序设计(十)8×8 共阴极LED点阵显示(MAX7219)

本文主要介绍8×8 LED点阵显示实验,分别是:1、介绍MAX7219点阵模块;2、点阵显示部分图形;3、点阵显示数字 0~9 及 26 个英文字母。1、通过上述两个点阵实验,了解了8*8点阵显示的基本原理;2、通过SPI通信控制点阵显示,学会了Arduino用SPI通信方式控制外设。

Alice的博客 1万+

Python实战:5分钟搞定水下图像色彩评估(UICM计算与可视化)

本文详细解析了水下图像色彩评估指标UICM的原理与Python实现。通过分析Lab颜色空间和RG/YB分量,提供了一套完整的计算与可视化方案,帮助开发者快速评估水下图像的色彩平衡与丰富度,并探讨了其与UIQM指标的关系及性能优化技巧。

weixin_29056781的博客 346

2022网安保研经验帖

2022网安保研经验

fumingxiaoshen的博客 4895

你的水下图像增强算法真的有效吗?用UCIQE和UIQM量化评估一下(附Python完整代码)

本文详细解析了水下图像增强算法的量化评估方法,重点介绍了UCIQE和UIQM两大指标的应用与Python实现。通过实战代码演示,帮助开发者客观验证算法效果,解决水下图像颜色失真、低对比度和模糊等问题,提升增强算法的科学性和可靠性。

weixin_42662605的博客 261

微生物组数据分析实战:从OTU/ASV过滤到相对丰度转换的标准化流程

本文详细介绍了微生物组数据分析中从原始OTU/ASV表格到标准化相对丰度表格的完整预处理流程。通过基于绝对丰度和出现频率的过滤步骤有效剔除测序噪音与污染,再通过相对丰度转换解决样本间测序深度差异问题,为后续的多样性分析和差异比较奠定可靠基础。文章提供了清晰的R语言实战代码与参数设置思路。

tree的博客 1260

在windows10/11中使用ipatool提取苹果app安装包ipa文件

本文介绍了在Windows10/11系统中使用ipatool工具下载苹果App安装包(.ipa)的详细步骤。首先需准备Windows电脑、AppleID账号并下载ipatool工具;具体操作包括:登录AppleID、搜索应用、获取购买授权、查看历史版本及下载指定版本。关键步骤强调获取授权的重要性,并提供了常用命令速查表,帮助用户完成从登录到下载的全过程。该教程适用于需要获取旧版本App或进行应用测试的场景。

zhengshaolin128的博客 2605

【免费下载】 FUnIE-GAN:快速水下图像增强开源项目介绍

FUnIE-GAN是一个开源项目,专注于水下图像增强技术。该项目基于TensorFlow和PyTorch两种主流深度学习框架进行实现,旨在通过生成对抗网络(GAN)技术改善水下图像的视觉感知。项目以Python为主要编程语言,利用深度学习的方法提升水下图像的质量和清晰度。 ## 2. 项目的核心功能 - **水下图像增强**:通过GAN技术,项目能够有效地提升水下图像的对比度和颜色,使其更接近...

gitblog_01126的博客 840

uniapp - 实现APP后台持续定位+手机息屏后能持续上传位置信息数据,详解后台保活持续运行+手机锁屏保证后台持续/实时定位的解决方案及示例源码(完美兼容安卓android与苹果ios系统手机)

使用uniapp开发app实现后台保活定位能力,uniapp实时定位保活 息屏定位后台运行,uniapp APP实时定位高德 后台运行 支持锁屏息屏运行,持续获取定位信息,uniapp App端后台间隔时间发送定位功能实现,UniApp实现手机应用常活,固定时间内上传手机位置信息,后台(或锁屏)持续/实时定位的实现方案,uni-app后台持续定位,锁屏后能持续上传位置信息,实现后台定位持续无限制定位高德定位,百度定位,UniApp后台持续定位保如何在APP退到后台时保持定位服务,uniapp 切换app仍能

🏆 前端领域优质创作者 1万+

AI水下光学系统:技术原理、算法实现与应用场景全解析

计算机视觉作为人工智能的重要分支,通过模拟人类视觉系统实现对图像和视频的理解与分析。其核心原理基于深度学习模型,能够从像素级数据中提取特征并进行智能决策。在工程实践中,计算机视觉技术展现出巨大价值,广泛应用于自动驾驶、工业检测、医疗影像等领域。特别是在水下环境这一特殊场景中,传统成像技术面临光线衰减、色彩失真等挑战。通过多光谱成像和偏振技术等硬件创新,结合U-Net、GAN等深度学习架构,AI水下光学系统能够实现实时图像增强与复原。这套系统在海洋科学研究、水下工程巡检等实际场景中发挥重要作用,为水下探测和作

weixin_34195142的博客 420

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

2024APMCM亚太杯数学建模竞赛选题建议及思路来啦!

​ 大家好呀,2024年第十四届APMCM亚太地区大学生数学建模竞赛今天早上开赛啦,在这里先带来初步的选题建议及思路。 目前团队正在写C题完整论文,后续还会持续更新哈,大家三连关注一下防止迷路。 精力有限,以下只是简略的图文版初步思路,更详细的视频版完整讲解请移步: 2024APMCM亚太杯数学建模竞赛选题建议及ABCD题思路!_哔哩哔哩_bilibili 本次亚太杯难度上D>A>B>C。推荐大家选择C题目。 B题目题面看似简单,实际上需要做cfd仿真,想要做好的话不容易,此外对于绘图能力要求较高,

smppbzyc的博客 2149

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

AI视觉任务算法全景详解(全部任务类型与对应算法列表)

本文档全面梳理了计算机视觉领域的46类核心任务及600+主流算法,涵盖图像理解、目标检测、3D视觉、图像增强、生成编辑、视频处理等方向。内容包含每类任务的算法原理、演进脉络和工业选型建议,并附6个实用附录(选型速查表、骨干网络对比、数据集汇总等)。适用于算法工程师、视觉AI研究员和技术决策者进行技术调研和项目落地参考,技术栈覆盖深度学习框架与CUDA加速方案。文档采用系统化分类体系,提供从理论到实践的完整指导。

weixin_45590420的博客 449

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: 【JavaWeb】Tomcat实战:从零开始部署你的第一个Web项目
下一篇: SEM: Leveraging 3D Diffusion Models for Enhanced Robotic Spatial Cognition
随身带U盘
博客等级 码龄4年 31粉丝 1526原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值