图像质量评估

图像质量评估（英语：Image Quality Assessment IQA）是一个量化图像品质的方法，用来判定图像准确性的高低。一般使用两种方法评估图像质量：主观评估和客观评估。主观评估方法是基于观看者对图像的感知评估，能真实反映观看者的视觉感知。而客观评估方法是基于数学计算模型来预测图像质量。

客观和主观方法彼此之间并非一定一致，观看者可能会察觉到一组图像中质量的明显差异，而数学模型算法可能观察不出。

另外，主观方法成本昂贵，需要大量人员，且不可能实时自动化。因此，图像质量评估研究的目标是设计基于数学模型的客观评估算法，该算法应与主观评估相一致。

主观图像质量评估

主观图像质量评估方法是从人的主观感知来评估图像质量，观察者会观察原始参考图像和失真图像，并给予失真图像评分。一般采用平均意见分数或平均主观得分差异（英语：Differential Mean Opinion Score，DMOS）表示。

客观图像质量评估

客观图像质量评估分为全参考图像质量评估、部分参考图像质量评估和无参考图像质量评估三种类型。

全参考图像质量评估（FR-IQA）是指拥有理想质量的参考图像（例如无失真图像）的情况下，和测试图像进行比较，分析测试图像的失真程度，从而获得测试图像的质量评估结果。常用的评估方法主要基于像素统计、信号、结构。例如：比较原始图像和经由JPEG压缩后图像的失真程度。
部分参考图像质量评估（RR-IQA）是指拥有理想质量参考图像的部分特征信息，和测试图像比较分析，从而获得测试图像的质量评估结果。由于部分参考质量评估依赖图像的部分特征，与图像整体相比，资料量下降许多，故目前主要应用于图像传输系统中。
无参考图像质量评估（NR-IQA）是指无参考图像的情况下，直接评估测试图像的质量。由于一般理想质量的参考图像很难获取，故这种完全不依赖参考图像的质量评估方法应用较广泛，但也属于IQA中最具挑战的问题。常用的评估方法主要基于像素统计特性。

图像质量评估指标

衡量客观图像质量评估的指标通常比较模型客观值与主观值之间的差异及相关性。常见的方法有两种，分别是皮尔逊线性相关系数(Pearson linear correlation coefficient，PLCC)和斯皮尔曼等级相关系数(Spearman rank-order correlation coefficient，SROCC)

皮尔逊线性相关系数（PLCC）定义：

PLCC={\frac {\sum _{i=1}^{n}{{(X}_{i}-{\bar {X}})({(Y}_{i}-{\bar {Y}})}}{\sqrt {\sum _{i=1}^{n}{{{(X}_{i}-{\bar {X}})}^{2}\sum _{i=1}^{n}{{(Y}_{i}-{\bar {Y}})}^{2}}}}}

其中

n

表示测试图像数，

X_{i}

、

Y_{i}

分别表示第

i

幅图像真实分数和测试分数，

{\bar {X}}

、

{\bar {Y}}

分别表示图像真实分数平均值和测试分数平均值。

皮尔逊线性相关系数的变化范围为-1到1。

系数的值为1意味着

X

和

Y

可以直接由直线方程式来描述，所有的数据点都落在同一条直线上，且

Y

随着

X

的增加而增加。系数的值为−1意味着所有的数据点都落在直线上，且

Y

随着

X

的增加而减少。系数的值为0意味着两个变数之间没有线性关系。

故若图像真实分数与测试分数愈相近，则皮尔逊线性相关系数的值会趋近于1

斯皮尔曼等级相关系数（SROCC）定义：

斯皮尔曼相关系数被定义成等级变量之间的皮尔逊线性相关系数。对于样本容量为

n

的样本，

n

个原始数据

X_{i}

、

Y_{i}

被转换成等级数据

x_{i}

、

y_{i}

，斯皮尔曼相关系数定义为

SROCC={\frac {\sum _{i=1}^{n}{{(x}_{i}-{\bar {x}})({(y}_{i}-{\bar {y}})}}{\sqrt {\sum _{i=1}^{n}{{{(x}_{i}-{\bar {x}})}^{2}\sum _{i=1}^{n}{{(y}_{i}-{\bar {y}})}^{2}}}}}

原始数据依据其在总体数据中平均的降序位置，被分配了一个相应的等级。如下表所示：

变量 $X_{i}$	$x_{i}$ 的排名
18	5
30	4
50	3
78	2
92	1

实际应用中，变量间的连结是无关紧要的，于是可以通过简单的步骤计算被观测的两个变量的等级的差值

d_{i}=x_{i}-y_{i}

则

SROCC=1-{\frac {6\sum _{i=1}^{n}{d_{i}}^{2}}{n(n^{2}-1)}}\

斯皮尔曼相关系数表明

X

和

Y

(依赖变量)的相关方向。如果当

X

增加时，

Y

趋向于增加，斯皮尔曼相关系数则为正。如果当

X

增加时，

Y

趋向于减少，斯皮尔曼相关系数则为负。斯皮尔曼相关系数为零表明当

X

增加时

Y

没有任何趋向性。当

X

和

Y

越来越接近完全的单调相关时，斯皮尔曼相关系数会在绝对值上增加。当

X

和

Y

完全单调相关时，斯皮尔曼相关系数的绝对值为 1。完全的单调递增关系意味着任意两对数据

X_{i}

,

X_{j}

和

Y_{i}

,

Y_{j}

, 其中

X_{i}-X_{j}

和

Y_{i}-Y_{j}

总是同号。完全的单调递减关系意味着任意两对数据

X_{i}

,

X_{j}

和

Y_{i}

,

Y_{j}

, 其中

X_{i}-X_{j}

和

Y_{i}-Y_{j}

总是异号。

参考资料

参见