交通目标特定区域的图像质量评估

卢朝晖; 齐国栋; 于慧敏; 闫禹铭

doi:10.13203/j.whugis20230192

您当前的位置：

首页 >

文章列表页 >

交通目标特定区域的图像质量评估

摄影测量与遥感 | 更新时间：2026-11-05

- 交通目标特定区域的图像质量评估
- Image Quality Assessment for Specific Areas of Traffic Targets
- 武汉大学学报（信息科学版） 2025年50卷第10期页码：2064-2071
- 作者机构：
  
  浙江大学信息与电子工程学院，浙江杭州，310013
- 作者简介：
  
  卢朝晖，博士生，主要研究方向为计算机视觉。12131107@zju.edu.cn
  齐国栋，博士，腾讯集团高级研究员。guodong_qi@zju.edu.cn
- 基金信息：
  
  浙大‑力嘉研发中心研究项目(2021-KYY-536010-0023)
- DOI：10.13203/j.whugis20230192
  中图分类号： P237
- 收稿：2024-05-18，
  
  纸质出版：2025-10-05
- 稿件说明：
移动端阅览
卢朝晖,齐国栋,于慧敏，等.交通目标特定区域的图像质量评估[J].武汉大学学报（信息科学版）,2025,50(10):2064-2071.

LU Zhaohui,QI Guodong,YU Huimin,et al.Image Quality Assessment for Specific Areas of Traffic Targets[J].Geomatics and Information Science of Wuhan University,2025,50(10):2064-2071.
卢朝晖,齐国栋,于慧敏，等.交通目标特定区域的图像质量评估[J].武汉大学学报（信息科学版）,2025,50(10):2064-2071. DOI：10.13203/j.whugis20230192

LU Zhaohui,QI Guodong,YU Huimin,et al.Image Quality Assessment for Specific Areas of Traffic Targets[J].Geomatics and Information Science of Wuhan University,2025,50(10):2064-2071. DOI：10.13203/j.whugis20230192

摘要

针对交通监控场景下复杂道路环境干扰和真实参考图像缺失等因素导致的图像质量评估不佳问题，提出了一种两阶段图像质量评估方法，用于感兴趣交通目标中特定区域的图像质量评估。首先，为了减少背景等图像上下文的影响，提出使用目标检测算法提取图像中的交通目标，并根据轮廓、几何特征和车牌识别算法识别感兴趣交通目标中的特定区域；其次，为了弥补特定区域中缺失真实参考图像的问题，提出使用生成对抗网络生成伪参考图，设计一种新的损失函数，对生成对抗网络和图像质量评估器进行协同训练。在交通监控场景下的图像质量评估数据集上，对所提方法进行了评估实验。与其他图像质量评估方法相比较，所提方法模型小，并在斯皮尔曼秩相关系数和皮尔逊线性相关系数上均处于最优水平。因此，所提出的两阶段图像质量评估方法可以应用于复杂交通场景下的图像质量评估。

Abstract

Objectives

The study of image quality evaluation is aimed at the problems of poor image quality evaluation caused by the interference of complex road environment and the absence of real reference images in traffic monitoring scenarios.

Methods

We propose a two-stage image quality assessment method for a specific area of the traffic target of interest. First

in order to reduce the influence of image context such as background

an object detection algorithm is proposed to extract the traffic target in the image

and the specific area of the interested traffic target is identified according to the contour

geometric features and license plate recognition algorithm. Second

in order to make up for the lack of real reference images in a specific region

a novel loss function is proposed to generate pseudo-reference images using generative adversarial networks

and to train the generative adversarial networks and image quality evaluators together.

Results

The proposed algorithm is evaluated on the dataset of image quality evaluation in traffic monitoring scenario. Compared with other image quality assessment methods

the model of this method is small

and it is at the optimal level in Spearman rank correlation coefficient index and Pearson linear correlation coefficient index.

Conclusions

The two-stage image quality assessment method can provide an effective method for the practical application of image quality assessment in complex traffic scenarios.

关键词

Keywords

references

郭从洲，李可，李贺，等 . 遥感图像质量等级分类的深度卷积神经网络方法［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 8 ）： 1279 - 1286 .

GUO Congzhou ， LI Ke ， LI He ， et al . Deep Convolution Neural Network Method for Remote Sensing Image Quality Level Classification ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 8 ）： 1279 - 1286 .

许俊伟，刘永胜，吴达，等 . 隧道与地下工程监控量测技术的发展与展望［J］. 测绘地理信息， 2023 ， 48 （ 3 ）： 7 - 13 .

XU　Junwei ， LIU　Yongsheng ， WU　Da ， et al . Development and Outlook of Monitoring and Measuring Technologies of Tunnel and Underground Engineering ［J］. Journal of Geomatics ， 2023 ， 48 （ 3 ）： 7 - 13 .

张雪，郭佳昕 . 监控视频下的人脸图像质量分析技术［J］. 计算机系统应用， 2022 ， 31 （ 9 ）： 313 - 318 .

ZHANG Xue ， GUO Jiaxin . Quality Analysis Technology for Face Images in Surveillance Videos ［J］. Computer Systems and Applications ， 2022 ， 31 （ 9 ）： 313 - 318 .

WANG Z ， BOVIK A C . Reduced- and No-Reference Image Quality Assessment ［J］. IEEE Signal Processing Magazine ， 2011 ， 28 （ 6 ）： 29 - 40 .

TAO S ， HE R Z ， DAI L S ， et al . MD-IQA： Learning Multi-scale Distributed Image Quality Assessment with Semi Supervised Learning for Low Dose CT ［EB/OL］. （ 2023-11-14 ）［ 2024-01-05 ］. https：//arxiv.org/abs/2311.08024 https://arxiv.org/abs/2311.08024 .

MOHAMMADI S ， ASCENSO J . Predictive Sampling for Efficient Pairwise Subjective Image Quality Assessment ［C］// The 31st ACM International Conference on Multimedia ， Ottawa ， Canada ， 2023 .

MITTAL A ， MOORTHY A K ， BOVIK A C . No-Reference Image Quality Assessment in the Spatial Domain ［J］. IEEE Transactions on Image Processing ， 2012 ， 21 （ 12 ）： 4695 - 4708 .

MITTAL A ， SOUNDARARAJAN R ， BOVIK A C . Making a “Completely Blind” Image Quality Analyzer ［J］. IEEE Signal Processing Letters ， 2013 ， 20 （ 3 ）： 209 - 212 .

ZHANG W X ， MA K D ， YAN J ， et al . Blind Image Quality Assessment Using a Deep Bilinear Convolutional Neural Network ［J］. IEEE Transactions on Circuits and Systems for Video Technology ， 2020 ， 30 （ 1 ）： 36 - 47 .

KE J J ， WANG Q F ， WANG Y L ， et al . MUSIQ： Multi-scale Image Quality Transformer ［C］// IEEE/CVF International Conference on Computer Vision ， Montreal， QC， Canada， 2021 .

YING Z Q ， NIU H R ， GUPTA P ， et al . From Patches to Pictures （PaQ-2-PiQ）： Mapping the Perceptual Space of Picture Quality ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Seattle， WA， USA， 2020 .

SUN S M ， YU T ， XU J H ， et al . GraphIQA： Learning Distortion Graph Representations for Blind Image Quality Assessment ［J］. IEEE Transactions on Multimedia ， 2022 ， 25 ： 2912 - 2925 .

JIA S ， CHEN B L ， LI D Q ， et al . No-Reference Image Quality Assessment via Non-Local Dependency Modeling ［C］// The 24th International Workshop on Multimedia Signal Processing ， Shanghai， China ， 2022 .

GOODFELLOW I ， POUGET-ABADIE J ， MIRZA M ， et al . Generative Adversarial Nets ［C］// The 28th International Conference on Neural Information Processing Systems ， Montreal， Quebec， Canada， 2014 .

LI X L ， LI G ， ZHANG E Q ， et al . Determinant Point Process Sampling Method for Text-to-Image Generation ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 2 ）： 246 - 255 .

SIMONYAN K ， ZISSERMAN A . Very Deep Convolutional Networks for Large-Scale Image Recognition ［C］// The 3rd International Conference on Lear‑ning Representations，San Diego，CA，USA，2015 .

GHADIYARAM D ， BOVIK A C . Massive Online Crowdsourced Study of Subjective and Objective Picture Quality ［J］. IEEE Transactions on Image Processing ， 2016 ， 25 （ 1 ）： 372 - 387 .

VIRTANEN T ， NUUTINEN M ， VAAHTERANOKSA M ， et al . CID2013： A Database for Evaluating No-Reference Image Quality Assessment Algorithms ［J］. IEEE Transactions on Image Processing ， 2015 ， 24 （ 1 ）： 390 - 402 .

BOCHKOVSKIY A ， WANG C Y ， LIAO H Y M . YOLOv4： Optimal Speed and Accuracy of Object Detection ［M］. （ 2020-04-23 ）［ 2024-01-05 ］. https：//arxiv.org/abs/2004.10934 https://arxiv.org/abs/2004.10934 .

XU Z ， YANG W ， MENG A ， et al . Towards End-to-End License Plate Detection and Recognition： A Large Dataset and Baseline ［C］// The European Conference on Computer Vision ， Munich， Germany ， 2018 .

NAVARRO G . A Guided Tour to Approximate String Matching ［J］. ACM Computing Surveys ， 2001 ， 33 （ 1 ）： 31 - 88 .

SPRENT P . Applied Nonparametric Statistics ［M］. New York ： Springer Science Business Media ， 2012 .

KINGMA D P ， BA J . Adam： A Method for Stochastic Optimization ［C］// The 3rd International Conference for Learning Representations ， San Diego， CA，USA， 2015 .

HE K ， ZHANG X ， REN S ， et al . Deep Residual Learning for Image Recognition ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Las Vegas， NV， USA， 2016 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

变分模态分解与自适应图卷积门控循环网络的交通流量组合预测模型

行列式点过程采样的文本生成图像方法

几何与频域双约束的单步扩散海底地形超分辨率重建方法

秦岭生态地质环境监测研究进展与智能化监测体系构建

基于武汉一号卫星影像的智能变化检测方法与应用