圖像質量評價（一）：IQA介紹

簡介

圖像質量評價(Image quality assessment,IQA)目的在於使用計算模型來衡量圖像質量使結果與主觀質量保持一致（即主觀質量好的圖像其IQA評分也應該越高）。隨着數字圖像和傳輸技術的快速增加，IQA在圖像獲取、傳輸、壓縮、恢復、加強等領域也變得更加劇要。因爲主觀IQA技術在不少場景（例如實時場景等）沒法使用，因此須要發展客觀IQA技術來自動的、穩健的衡量圖像質量。同時須要評價結果與人類觀察員是統計一致的。在過去幾十年間已經出現了多種IQA方法。

IQA分類

根據是否有參考圖像，IQA分爲全參考(full reference,FR)，半參考( reduced-reference,RR)，無參考(no-reference)。

全參考FR：在FR問題中除了給出失真圖像，還給出了無失真的參考圖像。

半參考RR：在RR問題中給出了失真圖像，沒有參考圖像，可是給了參考圖像的部分信息。至因而哪一種信息取決於你的算法。RR算法在實時系統中頗有用，RR的工做原理以下圖所示。

無參考NR：在NR問題中僅給出了失真圖像。NR是最難的圖像質量評價方法。

如何檢驗IQA評價是否準確？

若是你想評價現有IQA算法的性能，或將你的IQA算法與現存的IQA算法作比較，你須要在公開的IQA數據集上作大量實驗。一般，這樣的數據集有大量參考圖像，每一個參考圖像對應多個失真圖像（失真類型不一樣）。每一個失真圖像都有一我的類觀察員的主觀評分。爲了評價一個IQA算法，你須要對數據集的每一個失真圖像計算其IQA，而後計算IQA評分與主觀評分的相關性。

Database	Source Images	Distorted Images	Distortion Types	Image Type	Observers
TID2013	25	3000	24	color	971
TID2008	25	1700	17	color	838
CSIQ	30	866	6	color	35
LIVE	29	779	5	color	161
IVC	10	185	4	color	15
Toyama-MICT	14	168	2	color	16
A57	3	54	6	gray	7
WIQ	7	80	5	gray	60

目前主流的IQA數據集如上表所示。其中TID200八、CSIQ、LIVE是綜合性最好使用最多的。

假如你已經使用一種IQA算法計算出數據集中全部失真圖像的IQA值，那如何衡量這個IQA值是否準確（即與主觀結果是否接近）？一般有四種方法評價IQA算法的性能。

一、Spearman rank order correlation coefficient(SROCC)斯皮爾曼等級相關係數

n是數據集中失真圖像數量，di是第i幅圖像的主觀和客觀等級差值。

二、Kendall rank order correlation coefficient（KROCC）肯德爾相關係數

nc是數據集中一致性元素對數，nd是數據集中不一致性元素對數。

matlab計算上面兩種相關係數的方法以下：

SROCC_Corr_Coef = corr(subjetiveScores, objectiveScores, 'type', 'spearman');

KROCC_Corr_Coef = corr(subjetiveScores, objectiveScores, 'type', 'kendall');

三、Pearson linear correlation coefficient (PLCC)

四、root mean squared error (RMSE)

在PLCC和RMSE計算中si表明第i幅圖像的主觀質量，qi是映射後的客觀質量。在計算PLCC和RMSE前須要將第i幅圖像的客觀質量xi進行非線性映射爲qi，映射方式以下：

beta_i是須要擬合的參數。

除了上面四種評價方法，研究者也能夠畫出數據集內每幅失真圖像的主觀評分和對應客觀評分的散點圖及擬合的曲線。下圖是TID2008數據集分別使用FSIM客觀評價指標和VIF客觀評價指標的散點圖。

在接下來的文章中會陸續介紹一些主流FR IQA算法。

參考

https://sse.tongji.edu.cn/linzhang/IQA/IQA.htm

感興趣的請關注微信公衆號Video Coding

本文分享自微信公衆號 - Video Coding（gh_17eb8f3e0fe7）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。