61、基于手工特征与深度特征结合的图像质量评估

基于手工特征与深度特征结合的图像质量评估

1. 图像质量评估概述

在图像质量评估领域，面临着诸多挑战。对于深度卷积神经网络（CNN）的训练，由于其可学习参数众多，需要大量的训练图像。在多轮次对图像质量进行评分时，会带来额外的复杂性，有时会采用主观质量评估的会话对齐协议，以确保实验的可信度。

2. 相关工作

2.1 全参考图像质量评估

全参考图像质量评估（FR - IQA）有多种方法：
- 均方误差（MSE） ：是全参考IQA方法中最简单直观的图像质量评估指标。它通过计算原始图像和失真图像的绝对像素值之差的平方平均值来衡量。但它与人类感知的图像质量相关性不佳。
- 峰值信噪比（PSNR） ：相对MSE是更好的衡量指标，它将最大像素值（如8位图像为255）除以MSE并取信号的对数。不过，它与人类感知的视觉质量相关性也不是很好。
- 结构相似性指数度量（SSIM） ：基于视觉质量感知主要与图像的结构、对比度和亮度变化有关的理念提出。它计算结构相似性、对比度相似性和亮度相似性三个项，比PSNR性能更好，并且有多个变体。
- MS - SSIM ：是SSIM的变体，将其概念扩展到多尺度以获得更好的性能。
- DeepSim ：基于预训练的CNN进行图像识别，认为从图像识别中获得的特征对确定图像的感知质量也非常有价值。
- Difference of Gaussian（DOG） - SSIM