水下图像通常由于水中的光衰减和散射而表现出模糊、颜色偏移和低对比度。尽管已经开发了许多水下图像增强（UIE）算法来改善水下成像系统的可用性，但由于缺乏参考图像，评估这些算法的性能仍然具有挑战性。因此，无参考（NR）水下图像质量评估（UIQA）已成为一个关键的研究重点。尽管基于亮度和色度线索的现有NR-UIQA方法显示出了有效性，但单独建模这些属性会忽略由其联合行为产生的有价值信息，因为水下退化往往会同时导致亮度和色度的变化，这无法仅通过任何一个属性可靠表征。在本文中，我们提出了一种轻量且可解释的NR-UIQA方法，称为多特征色度-亮度融合（MF-CLF），其基于共同建模色度和亮度统计之间的属性内部和交叉依赖关系。具体而言，我们的方法构建了跨多个颜色空间的色度属性特征，使用多核感知描述符提取亮度属性特征，并通过显式捕捉亮度和色度属性之间的相互作用来建模色度-亮度特性。然后，将提取的特征映射到质量分数上，使用支持向量机（SVM），实现水下图像质量的客观和可靠预测。在四个公共基准数据集上进行的实验结果表明，MF-CLF在轻量级基于统计学习的方法中显著优于其他方法。具体而言，我们的方法在SAUD2.0数据集上达到了0.864的SROCC值，比现有方法高出20.3%，并在跨数据集评估中显示出强大的鲁棒性，SROCC值为0.737，超过传统方法的两倍。
Chen等人（Mon，）研究了这个问题。