IQA

图像质量评价

图像质量评价（Image Quality Assessment,IQA）是图像处理中的基本技术之一，主要通过对图像进行特性分析研究，然后评估出图像优劣（图像失真程度）。图像质量评价在图像处理系统中，对于算法分析比较、系统性能评估等方面有着重要的作用。近年来，随着对数字图像领域的广泛研究，图像质量评价的研究也越来越受到研究者的关注，提出并完善了许多图像质量评价的指标和方法。

两个分支

从有没有人参与的角度区分，图像质量评价方法有主观评价和客观评价两个分支。主观评价以人作为观测者，对图像进行主观评价，力求能够真实地反映人的视觉感知；客观评价方法借助于某种数学模型，反映人眼的主观感知，给出基于数字计算的结果。

图像质量的主观评价

主观评价只涉及人作出的定性评价，它以人为观察者，对图像的优劣作出主观的定性评价。对于观察者的选择一般考虑未受训练的“外行”或者训练有素的“内行”。该方法是建立在统计意义上的，为保证图像主观评价在统计上有意义，参加评价的观察者应该足够多。主观评价方法主要可分为两种：绝对评价和相对评价。

绝对评价

所谓绝对评价，是由观察者根据自己的知识和理解，按照某些特定评价性能对图像的绝对好坏进行评价。通常，图像质量的绝对评价都是观察者参照原始图像对待定图像采用双刺激连续质量分级法（Double Stimulus Continuous Scale,DSCQS），给出一个直接的质量评价值。具体做法是将待评价图像和原始图像按一定规则交替播放持续一定时间给观察者，然后在播放后留出一定的时间间隔供观察者打分，最后将所有给出的分数取平均作为该序列的评价值，即该待评图像的评价值。国际上也对评价尺度做出了规定，对图像质量进行等级划分并用数字表示，也称为图像评价的5分制“全优度尺度”（见表1-1）。

表1-1 主观绝对评价全优度尺度

相对评价

相对评价中没有原始图像作为参考，是由观察者对一批待评价图像进行相互比较，从而判断出每个图像的优劣顺序，并给出相应的评价值。通常，相对评价采用单刺激连续质量评价方法（Single Stimulus Continuous Quality Evaluation,SSCQE）。具体做法是，将一批待评价图像按照一定的序列播放，此时观察者在观看图像的同时给出待评图像相应的评价分值。相对于主观绝对评价，主观相对评价也规定了相应的评分制度，称为“群优度尺度”（见表1-2）。

表1-2 主观相对评价群优度尺度

图像质量客观评价

图像质量客观评价可分为全参考（Full-Reference,FR），部分参考（Reduced-Reference,RR）和无参考（No-Reference,NR）三种类型。

全参考

全参考图像质量评价是指在选择理想图像作为参考图像的情况下，比较待评图像与参考图像之间的差异，分析待评图像的失真程度，从而得到待评图像的质量评估。常用的全参考图像质量客观评价主要以像素统计、信息论、结构信息三方面为基础。

1、基于图像像素统计基础

基于图像像素统计基础，峰值信噪比（Peak-Signal to Noise Ratio,PSNR）和均方误差（Mean Square Error,MSE）是比较常见的两种质量评价方法。它们通过计算待评测图像和参考图像对应像素点灰度值之间的差异，从统计角度来衡量待评图像的质量优劣。设待评价图像为F，参考图像为R，它们大小为M N,则利用PSNR表征图像质量的计算方法为：

PSNR = 10lg

利用MSE表征图像质量的计算方法为：

MSE =

PSNR与MSE都是通过计算待评图像与参考图像之间像素误差的全局大小来衡量图像质量好坏的。PSNR值越大，表明待评图像与参考图像之间的失真较小，图像质量较好。而MSE的值越小，表明图像质量越好。这两种方法比较简单，且容易实现，在图像去噪等方面受到广泛应用。但这类算法是从图像像素值的全局统计出发，未考虑人眼的局部视觉因素，所以对于图像局部质量无从把握。

2、基于信息论基础

基于信息论中信息熵基础，互信息被广泛用来评价图像质量。近些年，Sheikh和Bovik等人提出来了信息保真度准则（Information Fidelity Criterion,IFC）和视觉信息保真度（Visual Information Fidelity,VIF）两种算法。它们通过计算待评图像与参考图像之间的互信息来衡量待评图像的质量优劣。这两种方法具有一定的理论支撑，在信息保真度上拓展了图像与人眼之间的联系，但是这类方法对于图像的结构信息没有反应。

3、基于结构信息基础

2002年，Wang Zhou和Bovik等人在多年对图像处理、图像压缩及图像视觉质量评价的研究工作基础上，首次提出了结构信息的概念。他们认为：人眼视觉的主要功能是提取背景中的结构信息，而且人眼视觉系统能高度自适应地实现这一目标，因此对图像的结构失真的度量应是图像感知质量的最好近似。在此基础上给出了一种符合人眼视觉系统特性的图像质量客观评判标准-结构相似度（Structural Similarity,SSIM）。

SSIM根据图像像素间的相关性构造出结构相似性。假设给定两幅大小为MN的图像X,Y,其中X的均值、标准差及X和Y的协方差分别用ux,,表示。定义亮度、对比度、结构的比较函数分别为：

l(X,Y) =

c(X,Y) =

s(X,Y) =

其中的正常数从c1,c2和c3用来调节分母接近于零时的不稳定性。这三个成分因素综合起来就是SSIM指标。

SSIM(X,Y) =

SSIM根据图像像素间的相关性构造出参考图像与待评图像之间的结构相似性，SSIM值越大，图像质量越好。该指标算法实现简单，质量评估性比较可靠，同时很多研究者结合人眼视觉系统对其又进行了许多改进，目前在图像处理各个方面都受到广泛应用。

部分参考

部分参考也成为半参考，它是以理想图像的部分特征信息作为参考，对待评图像进行比较分析，从而得到图像质量评价结果。由于所参考的信息是从图像中提取出来的特征，所以它必须要先提取待评图像和理想图像的部分特征信息，通过比较提取出的部分信息对待评图像进行质量评估。部分参考方法可分为基于原始图像特征方法、基于数字水印方法和基于Wavelet域统计模型的方法等。因为部分参考质量评价依赖于图像的部分特征，与图像整体相比而言，数据量下降了很多，目前应用比较集中在图像传输系统中。

无参考

无参考方法也称为首评价方法，因为一般的理想图像很难获得，所以这种完全脱离了对理想参考图像依赖的质量评价方法应用较为广泛。无参考方法一般都是基于图像统计特性。

1、均值

均值是指图像像素的平均值，它反映了图像的平均亮度，平均亮度越大，图像质量越好，设待评价图像为F，大小为MN，其均值计算公式为：

u =

2、标准差

标准差是指图像像素灰度值相对于均值的离散程度。如果标准差越大，表明图像中灰度级分别越分散，图像质量也就越好，其计算公式为：

std =

3、平均梯度

平均梯度能反映图像中细节反差和纹理变换，它在一定程度上反映了图像的清晰程度。其计算公式为：

G =

式中，，分别表示像素点（i,j）在x或者y方向上的一阶差分。