IQA[圖像質量評價]

圖像質量評價（Image Quality Assessment,IQA）是圖像處理中的基本技術之一，主要通過對圖像進行特性分析研究，然後評估出圖像優劣（圖像失真程度）。圖像質量評價在圖像處理系統中，對於算法分析比較、系統性能評估等方面有著重要的作用。近年來，隨著對數字圖像領域的廣泛研究，圖像質量評價的研究也越來越受到研究者的關注，提出並完善了許多圖像質量評價的指標和方法。

兩個分支

從有沒有人參與的角度區分，圖像質量評價方法有主觀評價和客觀評價兩個分支。主觀評價以人作為觀測者，對圖像進行主觀評價，力求能夠真實地反映人的視覺感知；客觀評價方法藉助於某種數學模型，反映人眼的主觀感知，給出基於數字計算的結果。

圖像質量的主觀評價

主觀評價只涉及人作出的定性評價，它以人為觀察者，對圖像的優劣作出主觀的定性評價。對於觀察者的選擇一般考慮未受訓練的“外行”或者訓練有素的“內行”。該方法是建立在統計意義上的，為保證圖像主觀評價在統計上有意義，參加評價的觀察者應該足夠多。主觀評價方法主要可分為兩種：絕對評價和相對評價。

絕對評價

所謂絕對評價，是由觀察者根據自己的知識和理解，按照某些特定評價性能對圖像的絕對好壞進行評價。通常，圖像質量的絕對評價都是觀察者參照原始圖像對待定圖像採用雙刺激連續質量分級法（Double Stimulus Continuous Scale,DSCQS），給出一個直接的質量評價值。具體做法是將待評價圖像和原始圖像按一定規則交替播放持續一定時間給觀察者，然後在播放後留出一定的時間間隔供觀察者打分，最後將所有給出的分數取平均作為該序列的評價值，即該待評圖像的評價值。國際上也對評價尺度做出了規定，對圖像質量進行等級劃分並用數字表示，也稱為圖像評價的5分制“全優度尺度”（見表1-1）。

表1-1 主觀絕對評價全優度尺度

分數	質量尺度	妨礙尺度
5分	優	絲毫看不出圖像質量變壞
4分	良	能看出圖像質量變壞，但並不妨礙觀看
3分	中	清楚的看出圖像質量變壞，對觀看稍有妨礙
2分	差	對觀看有妨礙
1分	劣	非常嚴重地妨礙觀看

相對評價

相對評價中沒有原始圖像作為參考，是由觀察者對一批待評價圖像進行相互比較，從而判斷出每個圖像的優劣順序，並給出相應的評價值。通常，相對評價採用單刺激連續質量評價方法（Single Stimulus Continuous Quality Evaluation,SSCQE）。具體做法是，將一批待評價圖像按照一定的序列播放，此時觀察者在觀看圖像的同時給出待評圖像相應的評價分值。相對於主觀絕對評價，主觀相對評價也規定了相應的評分制度，稱為“群優度尺度”（見表1-2）。

表1-2 主觀相對評價群優度尺度

分數	質量尺度	尺度描述
5分	優	群中最好的
4分	良	群中中上水平，比群中平均水平稍好
3分	中	群中平均，中等水平
2分	差	群中差水平，比群中平均水平差
1分	劣	群中最差的

圖像質量客觀評價

圖像質量客觀評價可分為全參考（Full-Reference,FR），部分參考（Reduced-Reference,RR）和無參考（No-Reference,NR）三種類型。

全參考

全參考圖像質量評價是指在選擇理想圖像作為參考圖像的情況下，比較待評圖像與參考圖像之間的差異，分析待評圖像的失真程度，從而得到待評圖像的質量評估。常用的全參考圖像質量客觀評價主要以像素統計、資訊理論、結構信息三方面為基礎。

1、基於圖像像素統計基礎

IQA[圖像質量評價]

基於圖像像素統計基礎，峰值信噪比（Peak-Signal to Noise Ratio,PSNR）和均方誤差（Mean Square Error,MSE）是比較常見的兩種質量評價方法。它們通過計算待評測圖像和參考圖像對應像素點灰度值之間的差異，從統計角度來衡量待評圖像的質量優劣。設待評價圖像為F，參考圖像為R，它們大小為M N,則利用PSNR表征圖像質量的計算方法為：

IQA[圖像質量評價]

PSNR = 10lg

利用MSE表征圖像質量的計算方法為：

IQA[圖像質量評價]

MSE =

PSNR與MSE都是通過計算待評圖像與參考圖像之間像素誤差的全局大小來衡量圖像質量好壞的。PSNR值越大，表明待評圖像與參考圖像之間的失真較小，圖像質量較好。而MSE的值越小，表明圖像質量越好。這兩種方法比較簡單，且容易實現，在圖像去噪等方面受到廣泛套用。但這類算法是從圖像像素值的全局統計出發，未考慮人眼的局部視覺因素，所以對於圖像局部質量無從把握。

2、基於資訊理論基礎

基於資訊理論中信息熵基礎，互信息被廣泛用來評價圖像質量。近些年，Sheikh和Bovik等人提出來了信息保真度準則（Information Fidelity Criterion,IFC）和視覺信息保真度（Visual Information Fidelity,VIF）兩種算法。它們通過計算待評圖像與參考圖像之間的互信息來衡量待評圖像的質量優劣。這兩種方法具有一定的理論支撐，在信息保真度上拓展了圖像與人眼之間的聯繫，但是這類方法對於圖像的結構信息沒有反應。

3、基於結構信息基礎

2002年，Wang Zhou和Bovik等人在多年對圖像處理、圖像壓縮及圖像視覺質量評價的研究工作基礎上，首次提出了結構信息的概念。他們認為：人眼視覺的主要功能是提取背景中的結構信息，而且人眼視覺系統能高度自適應地實現這一目標，因此對圖像的結構失真的度量應是圖像感知質量的最好近似。在此基礎上給出了一種符合人眼視覺系統特性的圖像質量客觀評判標準-結構相似度（Structure Similaruty,SSIM）。

SSIM根據圖像像素間的相關性構造出結構相似性。假設給定兩幅大小為MN的圖像X,Y,其中X的均值、標準差及X和Y的協方差分別用ux,,表示。定義亮度、對比度、結構的比較函式分別為：

IQA[圖像質量評價]

l(X,Y) =

IQA[圖像質量評價]

c(X,Y) =

IQA[圖像質量評價]

s(X,Y) =

其中的正常數從c1,c2和c3用來調節分母接近於零時的不穩定性。這三個成分因素綜合起來就是SSIM指標。

IQA[圖像質量評價]

SSIM(X,Y) =

SSIM根據圖像像素間的相關性構造出參考圖像與待評圖像之間的結構相似性，SSIM值越大，圖像質量越好。該指標算法實現簡單，質量評估性比較可靠，同時很多研究者結合人眼視覺系統對其又進行了許多改進，目前在圖像處理各個方面都受到廣泛套用。

部分參考

部分參考也成為半參考，它是以理想圖像的部分特徵信息作為參考，對待評圖像進行比較分析，從而得到圖像質量評價結果。由於所參考的信息是從圖像中提取出來的特徵，所以它必須要先提取待評圖像和理想圖像的部分特徵信息，通過比較提取出的部分信息對待評圖像進行質量評估。部分參考方法可分為基於原始圖像特徵方法、基於數字水印方法和基於Wavelet域統計模型的方法等。因為部分參考質量評價依賴於圖像的部分特徵，與圖像整體相比而言，數據量下降了很多，目前套用比較集中在圖像傳輸系統中。

無參考

無參考方法也稱為首評價方法，因為一般的理想圖像很難獲得，所以這種完全脫離了對理想參考圖像依賴的質量評價方法套用較為廣泛。無參考方法一般都是基於圖像統計特性。

1、均值

均值是指圖像像素的平均值，它反映了圖像的平均亮度，平均亮度越大，圖像質量越好，設待評價圖像為F，大小為MN，其均值計算公式為：

IQA[圖像質量評價]

u =

2、標準差

標準差是指圖像像素灰度值相對於均值的離散程度。如果標準差越大，表明圖像中灰度級分別越分散，圖像質量也就越好，其計算公式為：

std =

3、平均梯度

平均梯度能反映圖像中細節反差和紋理變換，它在一定程度上反映了圖像的清晰程度。其計算公式為：

IQA[圖像質量評價]

IQA[圖像質量評價]

G =

IQA[圖像質量評價]

IQA[圖像質量評價]

式中，，分別表示像素點（i,j）在x或者y方向上的一階差分。

1）熵

熵是指圖像的平均信息量，它從資訊理論的角度衡量圖像中信息的多少，圖像中的信息熵越大，說明圖像包含的信息越多。假設圖像中各個像素點的灰度值之間是相互獨立的，圖像的灰度分布為p={p,p,…,p,…,p},其中p表示灰度值為i的像素個數與圖像總像素個數之比，而n為灰度級總數，其計算公式為：

IQA[圖像質量評價]

E = -

其中，P(l)為灰度值l在圖像中出現的機率，L為圖像的灰度級，對於256灰度等級的圖像而言，L=255。

一般而言，無參考圖像質量評價方法首先對理想圖像的特徵作出某種假設，再為該假設建立相應的數學分析模型，最後通過計算待評圖像在該模型下的表現特徵，從而得到圖像的質量評價結果。