图像质量评价综述.pptVIP

1.什么是图像质量评价 图像质量的含义主要包括两个方面：图像的逼真度和图像的可懂度。图像质量直接取决于成像装备的光学性能、图像对比度、仪器噪声等多种因素的影响。通过质量评价可以对影像的获取、处理等各环节提供监控手段。为了对图像处理的各个环节进行合理评估，图像质量评价的研究已经成为图像信息工程的基础技术之一。 2.图像质量评价的应用 监控图像质量，以获取最佳图像； 根据图像质量评价结果，选择合适的算法； 嵌入到图像处理系统中，优化算法和设定参数等。 分类 3.全参考型方法 全参考型方法就是利用原始图像的全部信息，通过计算原始图像与失真图像之间的感知误差，并综合这些误差得到失真图像质量的评价值。 可分为以下几类：基于像素误差统计的算法；基于结构相度的算法；基于人类视觉系统与其他算法结合。 3.1基于像素误差统计的算法 采用的全参考方法均方误差和峰值信噪比, 通过计算对应像素点灰度值之间的误差来衡量图像的质量。 均方误差法MSE的表达式如下: 峰值信噪比pSNR的表达式如下 ： 3.2基于结构相似度的算法 先利用聚类分析法根据PSNR 值和 SSIM 输出值对样本图像进行规整聚类，然后对不同类别的图像运用不同的质量评价规则，评价规则由二元回归分析确定。 该类方法在某种程度上绕开了自然图像内容的复杂性及多通道去相关问题，直接评价图像信号的结构相似性。其计算简单,与主观质量评价关联性较强。 基于结构相似度的算法流程 3.3基于人类视觉系统以及与其他算法结合 图像的信宿是人，最终接收图像的是具有对光刺激产生感觉的人眼视觉系统HVS，因此合理评价图像质量的方法应充分遵循人眼的视觉特性 4.部分参考图像评价方法 部分参考评价方法仅利用原始图像的部分信息来估计失真图像的视觉感知质量。部分参考评价方法的优点是在减小传输数据量的基础上，获得了较好的评价效果。缺点是算法对提取的特征非常敏感。 分为基于原始图像特征方法、基于数字水印方法和基于 Wavelet域统计模型的方法等。 1) 基于原始图像特征方法利用Contourlet 分解实现对图像内视觉敏感系数的提取, 通过统计比较失真图像与原始图像视觉敏感系数的关系, 得到对失真图像的质量评价测度。该方法与主观评价方法有很好的一致性。此类方法针对不同失真，选取特征是关键。 2) 基于 Wavelet 域统计模型的方法不仅具有很好的通用性，也广泛地适用于多种失真类型。 3) 基于数字水印方法是由基于小波数字水印的图像质量评价方法。 5.无参考评价方法 无参考评价方法不需要原始图像的任何信息，直接对失真图像进行质量评价。无参考评价方法难点在于：图像特征难以定义和提取，人眼感知难以模型化表示。其优点是不需要传输原始图像，就能对失真图像进行质量评价。极大地减少了信息传输量。无参考评价方法一般都是基于图像统计特性，本质上更侧重于反映用户群的主观质量偏好。 6.几种新的图像质量评价方法 基于视觉感知的度量方法 以Hosaka分块法为例，Hosaka分块法主要用于在有损图象压缩时,对恢复图象和原图象进行比较,以判别压缩算法使图象退化的程度。该方法先将标准图象分块,在依据分块的情况进行比较和评价。 基于视觉兴趣区域的图象质量评价方法 该方法认为引起视觉兴趣的别为:对比度、尺寸、形状、位置和前/背景等五个要素。它首先对图象进行分块以一致的灰度特性为标准进行分块, 然后对每个块进行评估感兴趣度, 则形成兼顾感知和感兴趣区域的两种特性的质量评价方法。 基于小波的图象质量评价方法 该方法通常首先采用小波多分辨分析和 Mallat 快速算法，将原始图像分解成近似图像和细节图像，它们分别代表了图像的不同结构。然后通过在各层的特征域上进行有针对性的融合。由于这样比较容易提取原始图像的结构信息和细节信息，所以融合效果较好。此外，由于小波变换具有完善重建能力，故保证了信号在分解重建过程中没有信息损失和信息冗余产生。 基于小波的图象质量评价方法 图像质量评价方法展望 （1）图像主客观评价相关性分析； （2）基于数学理论的应用评价研究，集中在PDE、 MGA、模糊理论、SVM、NN 等方面； （3）图像评价模型的研究，重点在 HVS 特性、视觉心理模型、彩色图像模型； （4）单指标往往只能较好地反映模型某些方面的性能,分层次、多指标组合将是质量评价建模的一个方向； （5）矢量图像的质量评价研究； （6）面向机器视觉图像质量评价自动化技术研究。 （7）评价3D 图像质量。 * * 图像质量评价综述 图像质量评价 客观评价 主观评价 全参考型(FR) 部分参考型(RR) 无参考型(NR) HVS模型