25、纹理感知验证与分析：计算方法与心理物理途径

纹理感知验证与分析：计算方法与心理物理途径

在图像处理和计算机视觉领域，纹理模型与人类视觉感知的契合度评估至关重要。它不仅有助于评估模型输出与原始纹理的相似性，还能为模型参数的优化设置以及不同模型的公平比较提供依据。下面将详细介绍纹理相似度的计算方法以及视觉心理物理学在其中的应用。

纹理相似度计算方法

纹理建模质量的验证是一个具有挑战性且尚未完全解决的问题，主要原因在于缺乏能够近似人类对纹理感知的心理物理数学标准。理想的纹理相似度度量应该是一种能够快速评估相似度，并且与人类视觉感知一致，同时还能评估不同颜色纹理感知相似度的指标。由于颜色感知本身是一个具有挑战性的研究领域，因此本节讨论的大多数度量方法仅设计用于计算灰度图像的相似度。若要将其直接扩展到彩色图像相似度评估并保持度量的特性，则需要将图像转换为感知均匀的颜色空间，例如 CIE LAB，并在欧几里得空间中组合各个通道的响应。

局部相似度度量

纹理处理方法若直接近似其原始空间位置的值，可以使用与图像恢复应用中类似的标准，或者使用人类视觉的统计、低级模型进行验证。局部相似度度量的优势在于它们可以生成差异图或显著性图，显示空间变化的预测差异。

以下是一些常见的局部相似度度量方法：
1. 基本局部相似度度量 ：基于目标图像 (Y_r) 和源图像 (\hat{Y} r)（大小为 (M \times N)）的逐像素差异。通常使用 (l) - 范数，例如 (l_1) - 范数，即平均绝对误差（MAE）的误差准则：
[MAE = \frac{1}{MN} \sum {i=0}^{M - 1} \sum_{j=0}^{N