14、图像质量评估：特征相似性与局部模式统计的应用

图像质量评估：特征相似性与局部模式统计的应用

1. 特征相似性在图像质量评估中的应用

在图像质量评估（IQA）领域，结构相似性指数（SSIM）取得了显著成功，它将特征提取方法从基于像素的方式转变为基于结构的方式，这表明人类视觉系统（HVS）感知的信息具有结构性。早期研究显示，图像信息虽复杂，但存在大量冗余特征，低层次特征在感知信息中具有重要意义。因此，一种有效的 IQA 方法可以通过提取参考图像和失真图像的低层次特征，并利用这些特征之间的差异进行定量测量。

1.1 低层次特征相似性度量（FSIM）

Zhang 等人提出了用于图像质量评估的低层次特征相似性（FSIM）度量。相位一致性（PC）被证明是一种信息丰富的低层次特征，它基于特征在傅里叶分量相位最大的特定点被感知的假设。由于 PC 具有对比度不变性，图像梯度幅度（GM）被用作补充特征。FSIM 主要由这两个特征构成，并取得了良好的性能。

• PC 的定义与计算

  • 对于一维信号 $g(x)$，在尺度 $j$ 上有偶对称和奇对称滤波器 $E_j$ 和 $O_j$ 构成正交对。在位置 $x$ 处的响应向量为：
    [
    (e_j(x), o_j(x)) = (g(x) \star E_j, g(x) \star O_j)
    ]
  • 尺度 $j$ 上的局部幅度 $A_j$ 计算如下：
    [
    A_j = \sqrt{e_j(x)^2 + o_j(x)^2}
    ]
  • 定义 $M(x)$ 为：
    [
    M(x)