Page 135 - 《武汉大学学报（信息科学版）》2025年第10期

2070 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 10 月

表 4 各个组件的运行时间/ms
Table 4 Time Cost for Each Component/ms
特定区域识别 质量评估
车辆 区域 总耗时
伪参考图生成 图像质量评估
识别 识别
38.1 20.6 9.5 3.4 71.6
由表 4 可知，各个组件中，特定区域识别模块
的运行占了 81.9% 的总时间，这是因为道路交通
的平均输入图像的分辨率较大，例如本文中统一
输入分辨率为 640 × 640 像素，一方面，这意味着
卷积计算量较大，另一方面，模型将生成并筛选
更多的候选区域，因此运行速度较慢。另外，由
于前挡风玻璃区域识别使用的是传统方法，未使
用 GPU 加速， 速率较慢。对于图像质量评估模
块，由于交通监控输入图像经过特定区域识别模
块后输出的特定区域分辨率较低，例如本文中特 图 5 可视化结果示例
Fig. 5 Example of Visualization Results
定区域的分辨率为 80 × 80 像素，因此伪参考图的
生成和图像质量评估算法计算量小，运行速度快。 3 结 语
从总时间来看，模型的平均运行时间为 71.6 ms，
对道路监控图像能够较快地做出分析得到结果， 本文提出了一种两阶段的用于感兴趣车辆
中特定区域的图像质量评估方法。为了消除背
快于人的主观判断速率（人的平均速率为 2 张/s）。
景等干扰因素的影响，使用目标检测、轮廓检测
另外本节研究了本文方法和其他图像质量
和车牌识别提取感兴趣车辆的特定区域；为了弥
评估模型 MUSIQ、GraphIQA 的参数量大小。由
补参考图像的缺失，引入 GAN 用于生成伪参考
于模型的输入均为车辆特定区域图像，不计算特
图，并通过新的损失函数设计协同训练 GAN 和
定区域识别模块的参数量，结果如表 5 所示，本文
质量评估网络。为验证本文方法的有效性，在交
模型参数量仅为 19.8 MB， GPU 占用资源较小，
通场景下的图像质量评估数据集上进行了算法
能提高多路交通监控视频输入数量。
测 试 。 实 验 结 果 表 明 ，本 文 方 法 在 SRCC 和
表 5 模型参数量的比较/MB
PLCC 上均取得最佳的结果；对算法进行了消融
Table 5 Comparison of Model Parameters/MB
实 验 ，结 果 证 实 了 本 文 方 法 中 各 个 组 件 的 有 效
本文方法
MUSIQ GraphIQA 性；在图像质量评估模型的复杂度上，本文方法
生成网络 评估网络 总计
模型参数比其他算法少，GPU 占用资源较小。实
27 29.9 7.8 12.0 19.8
验结果验证了本文方法的有效性，可以更好地满
2.5 可视化实验结果
足交通场景下的图像质量评估的实际应用要求。
为了进一步验证本文针对监控场景下的质
量评估所提出的两阶段框架的可靠性，对每个阶 参 考 文 献
段的输出进行可视化验证，如图 5 所示。相较于 ［1］ 郭从洲， 李可， 李贺， 等 . 遥感图像质量等级分类
其他方法直接将整体图片作为图像质量评估的 的深度卷积神经网络方法［J］. 武汉大学学报（信息
输入，本文方法中特定区域识别模块能准确检测 科学版）， 2022， 47（8）： 1279-1286.
监控图像中的所有车辆，在给定感兴趣的车辆目 GUO Congzhou， LI Ke， LI He， et al. Deep Convo‑
标的车牌号后，其能输出所对应的感兴趣目标以 lution Neural Network Method for Remote Sensing
Image Quality Level Classification［J］. Geomatics
及其中的挡风玻璃处的特定区域。前挡风玻璃
and Information Science of Wuhan University，
区域图像输入到质量评估模块，回归得到图像质
2022， 47（8）： 1279-1286.
量分数，与主观图像质量评分接近。由此可见，
［2］ 许俊伟，刘永胜，吴达，等 . 隧道与地下工程监控量
本文的两阶段方法中，前一个阶段能为后一个阶 测技术的发展与展望［J］. 测绘地理信息，2023，48
段提供稳定可靠的输入。 （3）：7-13.