Image Quality Assessment,IQA and Video Quality Assessment,VQA

本文介绍了图像质量评估(IQA)的主要方法,包括主观评估和客观评估,并详细划分了客观评估中的全参考、半参考及无参考三种类型。此外,还列举了常用的IQA数据集及评估指标。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

IQA主要两种方法:

(1)主观评估,评估标准平均主观得分(Mean Opinion Score,MOS);

(2)客观评估,评价标准数值模型,IQA的研究重点。

IQA按照原始参考图像提供信息的多少一般分成3类:

(1)全参考(Full Reference-IQA,FR-IQA)比较成熟;

(2)半参考(Reduced Reference-IQA, RR-IQA);

(3)无参考(No Reference-IQA,NR-IQA),可以分成两类,一类研究特定类型的图像质量,比如估计模糊,块效应,噪声的严重程度,另一类估计非特定类型的图像质量,也就是通用的失真评估。

数据集:

LIVE,TID2008,TID2013,CSIQ,IVC,Toyama

preview

评估指标:

(1)线性相关系数(Linear Correlation Coeffcient,LCC)描述了主、客观评估之间的线性相关性:

(2)Spearman秩相关系数(Spearman's Rank Order Correlation Coefficient,SROCC)

### 图像质量评估方法:从误差可见性到结构相似性指数(SSIM) 传统的图像质量评估方法主要依赖均方误差(Mean Squared Error, MSE)或其他基于像素差值的方法来衡量两幅图像之间的差异。然而,这些方法忽略了人类视觉系统的特性以及图像中的结构性信息[^1]。 #### 结构相似性指数(SSIM) 为了更贴近人类感知的质量评价标准,Wang等人提出了结构相似性指数(Structural Similarity Index, SSIM),这是一种考虑图像亮度、对比度和结构信息的综合指标。SSIM通过比较两个窗口区域内的局部特征来进行计算,其核心思想在于捕捉图像间的结构变化而非简单的像素级差异[^2]。 具体来说,SSIM定义如下: \[ \text{SSIM}(x,y) = l(x,y)^a \cdot c(x,y)^b \cdot s(x,y)^c \] 其中, - \(l(x,y)\): 表示亮度相似性; - \(c(x,y)\): 对应的是对比度匹配程度; - \(s(x,y)\): 反映了结构一致性; - 参数\(a\), \(b\), 和\(c\)用于调整各部分的重要性,默认情况下均为1[^3]。 以下是实现SSIM的一个简单Python代码片段: ```python import numpy as np def ssim(img1, img2, K=(0.01, 0.03), L=255): C1, C2 = (K[0]*L)**2, (K[1]*L)**2 mu_x = np.mean(img1) mu_y = np.mean(img2) sigma_x_sq = np.var(img1) sigma_y_sq = np.var(img2) sigma_xy = np.cov(img1.flatten(), img2.flatten())[0][1] luminance = (2*mu_x*mu_y + C1)/(mu_x**2 + mu_y**2 + C1) contrast = (2*np.sqrt(sigma_x_sq)*np.sqrt(sigma_y_sq)+C2)/ \ (sigma_x_sq+sigma_y_sq+C2) structure = (sigma_xy + C2/2) / (np.sqrt(sigma_x_sq)*np.sqrt(sigma_y_sq) + C2/2) return luminance * contrast * structure ``` 此函数接受两张图片作为输入参数,并返回它们之间的SSIM值。注意这里简化了一些细节处理以便清晰展示原理。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值