13、基于自然图像统计的图像质量评估方法解析

基于自然图像统计的图像质量评估方法解析

1. 引言

图像最终由人类观看，借助对人类视觉系统（HVS）有限的理解，以反映人类感知图像的方式捕捉图像特征具有重要意义。然而，由于对HVS了解有限，很难对复杂严谨的HVS进行良好建模，且高计算复杂度也限制了相关方法的应用。

目前，大多数先进的图像质量评估（IQA）方法试图提取与图像固有质量密切相关的统计特性（特征）。基于自然图像统计的IQA的基本原理是，HVS高度适应从视觉场景中提取统计信息。如果图像中引入了一些失真，必然会影响其统计特征。直观地说，失真图像的特征统计特性与参考图像有很大不同，因此测量这种统计特性的变化可以很好地近似感知图像质量。探索自然图像统计的主要动机是对生物视觉系统进行计算建模。

根据统计信息的建模方式，开发IQA算法可能有不同的方法，以下将介绍基于结构相似性、多重分形分析、局部纹理信息提取以及独立成分分析等方法。同时，在不同领域联合利用图像信息可以提供更丰富的线索，因此考虑两个或多个特征的联合出现进行多域特征提取是必要且有建设性的。

2. 基于结构相似性的IQA

2.1 理论基础

假设HVS适应于提取图像的结构信息。结构信息可以通过像素之间的依赖关系，特别是邻域像素之间的依赖关系来表示对象的结构。自然图像（即IQA中的参考图像）具有高度的结构性，高质量图像的结构与自然结构紧密匹配，而低质量图像则缺乏与自然图像相似的结构信息。因此，测量结构相似性是评估图像质量的一种可行方法，但定义与感知失真相关的有效结构信息是一个巨大的挑战。

早期有许多尝试用于结构相似性判断，如多维尺度分析用于多重受损电视图像的结构相似性判断；对包括“结构内容”