无参考图像的清晰度评价方法
一种场景无关的图像清晰度评价方法
（ Ｂ ｅ Ｕ ｉ ｎ ｇ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｓ ｐ ａ ｃ ｅ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ｓ ＆Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ９ ４ ． Ｃ ｈ ｉ ｎ ａ ）
一
种 场景无关 的图像 清晰度评价方法
谭 伟 齐文 雯 何 红艳
（ 北 京 空 间机 电 研 究 所 ，北 京 １ ０ ０ ０ ９ ４）
摘 要 图像 清晰度是遥感相机调焦技术 中度量 离焦状况的关键参量，调焦系统根据对比不同焦面 的图像清晰度来获取最佳 焦面的位置 。高分辨率线阵 Ｃ Ｃ Ｄ 遥感相机成像 时地面场景不断变化 ，而常用
的图像清晰度评价方法由于依赖景物不变性 而失效，因此，文章提 出了一种 空域和频域相结合 的清晰度 评价方法。该方法在 空域 中提取 图像 内的有 效边缘并计 算得到图像有效边缘宽度；在频域 中，仅抽取 图 像频域特定高频成分并得到 高频成分的频谱强度均值 ， 计算得到基于边缘宽度和 高频强度 的图像 清晰度 。 经试验验证 ，该方法适用于场景不断变化的线阵 Ｃ Ｃ Ｄ 遥感相机 图像清晰度 的评价，相较传统方法更加 准 确有 效 。
ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｃ ａ ｍｅ ｒ ａ ． Ｔｈ ｅ ｆ ｏ ｃ ｕ ｓ ｉ ｎ ｇ ｓ ｙ ｓ ｔ ｅ ｍ ｃ ａ ｎ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ｅ ｔ ｈ ｅ ｍｉ ｎ ｉ ｍｕ ｍ ｄ ｅ ｆ ｏ ｃ ｕ ｓ ｂ ｙ ｃ ｏ ｍｐ ａ ｒ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ｄ ｅ ｉ ｆ ｎ ｉ ｔ ｉ ｏ ｎ ｏ ｆ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｆ ｏ ｃ ａ ｌ ｐ ｌ ａ ｎ ｅ ． Ｔｈ ｅ ｉ ｍａ ｇ ｉ ｎ ｇ ｓ ｃ ｅ ｎ ｅ ｓ ｏ ｆ ｈ ｉ ｇ ｈ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｌ ｉ ｎ ｅ － ａ ｒ ｒ ａ ｙ ＣＣＤ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｃ ａ ｍｅ ｒ ａ ｓ ｃ ｈ ａ ｎ ｇ ｅ Ｓ Ｏ ｏ ｆ ｔ ｅ ｎ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｃ ｏ ｍｍｏ ｎ ｌ ｙ ｕ ｓ ｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ｆ ｏ ｒ ｃ ｏ ｍｐ ｕ ｔ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ｄ ｅ ｉ ｆ ｎ ｉ ｔ ｉ ｏ ｎ ｂ ｅ ｃ ｏ ｍｅ ｉ ｎ ｅ ｉｅ ｆ ｃ ｔ ｉ ｖ ｅ ．Ｓ ｏ ａ ｎ ｉ ｍａ ｇ ｅ ｄ ｅ ｉ ｆ ｎ ｉ ｔ ｉ ｏ ｎ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｃ ｏ ｍｂ ｉ ｎ ｉ ｎ ｇ ｓ ｐ ａ ｃ ｅ ｄ ｏ ｍａ ｉ ｎ ｗｉ ｔ ｈ ｒｅ ｆ ｑ ｕ ｅ ｎ ｃ ｙ ｄ ｏ ｍａ ｉ ｎ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．Ｆ ｉ ｒ ｓ ｔ ｌ ｙ ，ｉ ｎ ｓ ｐ ａ ｃ ｅ ｄ ｏ ｍａ ｉ ｎ ， ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｅ ｄ ｇ ｅ ｓ ａ ｒ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｅ ｄ ａ ｎ ｄ ｔ ｈ ｅ ｉ ｒ ａ ｖ ｅ ｒ ａ ｇ ｅ ｗｉ ｄ ｔ ｈ ｉ ｓ ｃ ｏ ｍｐ ｕ ｔ ｅ ｄ ． Ｔ ｈ ｅ ｎ ， ｉ ｎ ｒｅ ｆ ｑ ｕ ｅ ｎ ｃ ｙ ｄ ｏ ｍａ ｉ ｎ ， ｔ ｈ ｅ ａ ｖ ｅ ｒ ａ ｇ ｅ ｍａ ｇ ｎ ｉ ｔ ｕ ｄ ｅ ｏ ｆ ｈ ｉ ｇ ｈ ｒｅ ｆ ｑ ｕ ｅ ｎ ｃ ｙ ｏ ｆ ｉ ｍａ ｇ ｅ ｉ ｓ ａ ｃ ｑ ｕ ｉ ｒ ｅ ｄ ｂ ｙ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｉ ｎ ｇ ｓ ｐ ｅ ｃ ｉ ｆ ｉ ｅ ｄ ｒｅ ｆ ｑ ｕ ｅ ｎ ｃ ｙ ． Ｌａ ｓ ｔ ｌ ｙ ， ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ｄ ｅ ｉｎ ｆ ｉ ｔ ｉ ｏ ｎ ｃ ａ ｎ ｂ ｅ ｇ ｏ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｅ ｄ ｇ ｅ ｗｉ ｄ ｔ ｈ ａ ｎ ｄ ｈ ｉ ｇ ｈ ｒｅ ｆ ｑ ｕ ｅ ｎ ｃ ｙ ｍａ ｇ ｎ ｉ ｔ ｕ ｄ ｅ ． Ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ｓ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｅ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｎ ｅ ｗ ｄ ｅ ｉｎ ｆ ｉ ｔ ｉ ｏ ｎ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｐ ｅ ｒ ｆ ｏ ｒ ｍｓ ｍｕ ｃ ｈ ｂ ｅ ｔ ｔ ｅ ｒ ｔ ｈ ａ ｎ ｔ ｈ ｅ ｃ ｏ ｍｍｏ ｎ ｌ ｙ ｕ ｓ ｅ ｄ ｍｅ ｔ ｈ ｏ ｄ ｓ ｉ ｎ
立体图像的视觉感知质量无参考评价方法
立体图像的视觉感知质量无参考评价方法章节一：绪论1.1 立体图像的视觉感知质量评价在计算机视觉中的作用1.2 国内外现有立体图像评价方法的研究现状1.3 本文的研究意义和目标章节二：立体图像无参考质量评价指标研究2.1 基于深度特征的指标研究2.2 基于图像质量特征的指标研究2.3 基于机器学习的无参考评价指标研究章节三：立体图像无参考质量评价算法研究3.1 基于深度学习的算法研究3.2 基于图像质量特征的算法研究3.3 基于机器学习的算法研究章节四：立体图像无参考质量评价实验设计与结果分析4.1 实验设计4.2 实验结果分析章节五：立体图像无参考质量评价方法的应用5.1 基于立体图像无参考评价方法的图像修复5.2 基于立体图像无参考评价方法的图像增强5.3 基于立体图像无参考评价方法的质量自适应评价系统设计结论参考文献立体图像的视觉感知质量评价在计算机视觉中扮演着重要的角色，因为它对于人类视觉系统（HVS）的模拟是至关重要的。
随着3D技术的不断发展，越来越多的人们开始关注立体图像的感知质量评价。
立体图像评价方法是计算机视觉领域中一个非常复杂并且需要深入研究的问题。
一般来说，人们会利用某些质量评价指标和算法来评估立体图像的质量，这些指标和算法包含了很多关于图像颜色、纹理和亮度等方面的信息。
用于评估立体图像感知质量的方法可以分为有参考和无参考两种。
有参考方法需要一张参考图像来进行比较，而无参考方法不需要。
对于有参考方法来说，我们可以依据参考图像与待评估图像的相似性来计算其视觉感知质量。
但是，现实情况中，获取到完全一致的原始图像是不可能的。
因此，无参考方法只通过输入待评估图像，就可以快速、准确地计算出其视觉感知质量。
目前，国内外已经有许多研究者针对立体图像的评价方法进行了探究。
其中，基于深度特征的无参考评价指标研究逐渐受到了研究者们的关注。
这种方法主要是利用深度学习模型来提取潜在的感知特征，然后通过训练和测试数据集的准确性来估计立体图像的质量。
通用型无参考图像质量评价算法综述-计算机工程与应用
无参考质量评价算法专用型评价算法通用型评价算法jpeg编码失真的评价算法jp2k编码失真的评价算法针对模糊的评价算法针对快衰落的评价算法小波域特征的评价算法dct域特征的评价算法空域特征的评价算法图像熵的评价算法biqidiivinebliindsbliindsiibrisqueniqegrnn图1无参考图像质量评价算法分类当前通用型无参考图像质量评价算法是本领域的研究热点moorthy等人于2010年提出了一种基于两级框架的无参考图像质量评价模型blindimagequalityindexbiqi171在失真图像的小波域提取统计特征和利用支持向量机supportvectormachinesvm进行图像失真类型分类的基础上融合专用型无参考质量评价方法计算图像客观质量分数
无参考图像质量评价算法（BRISQUE）：No-ReferenceImageQuality。。。
⽆参考图像质量评价算法（BRISQUE）：No-ReferenceImageQuality。
paper:No-Reference Image Quality Assessment in the Spatial Domainauthor:Anish Mittal etcdate:2012code:1.Introduction作者提出的⽅法 Blind/Referenceless Image Spatial QUality Evaluator (BRISQUE)是基于⾃然图像的统计特征(NSS,natural scene statistics)，对于失真图像，这些特征可能会改变，据此得到了⽆参考图像评价的算法。
这种⽅法是在空间域上做的(transform free)，不像之前⼀些算法要转换到⼩波域或者 DCT 域。
2.BRISQUEA.Natural Scene Statistics in the Spatial Domain对于图像I(i,j),经正则化得到mean subtracted contrast normalized(MSCN)系数\hat{I}(i,j)=\frac{I(i,j)-\mu(i,j)}{\sigma(i,j)+C}其中,i \in 1,2,\dots,M,j\in 1,2,\dots,N,M,N是图像的⾼和宽，C=1是为了数值稳定的常数。
\mu(i,j)=\sum_{k=-K}^{K}\sum_{l=-L}^{L} \omega_{k,l}I_{k,l}(i,j)\\ \sigma(i,j)=\sqrt{\sum_{k=-K}^{K}\sum_{l=-L}^{L}\omega_{k,l}(I_{k,l}(i,j)-\mu(i,j))^2}其中\omega=\{ \omega_{k,l}\vert k=-K,\dots,K,l=-L,\dots,L\}是⾼斯核。
Our hypothesis is that the MSCN coefficients have characteristic statistical properties that are changed by the presence of distortion, and that quantifying these changes will make it possible to predict the type of distortion affecting an image as well as its perceptual quality.使⽤generalized Gaussian distribution(GGD)建模MSCN系数直⽅图,f(x;\alpha,\sigma^2)=\frac{\alpha}{2\beta \Gamma(1/\alpha)}exp(-(\frac{\vert{x}\vert}{\beta})^{\alpha})其中\beta=\sigma\sqrt{\frac{\Gamma(1/\alpha)}{\Gamma(3/\alpha)}}\\ \Gamma(a)=\int_0^{\infty}t^{a-1}e^{-t}dt \quad a>0GGD(\alpha,\sigma^2)的两个参数可以使⽤moment-matching based approach计算出来(详见原论⽂)。
无参考图像质量评价方法
基于模型的方法通常利用图像处 理和计算机视觉的技术，分析图 像的某些特征，如边缘检测、频 域分析、小波变换等，以评估图 像的质量。
基于深度学习的方法则是利用深 度神经网络对图像进行训练和预 测，以实现对图像质量的评估。
评价流程与步骤
NR-IQA的深度学习框架如 TensorFlow、PyTorch等；
无参考图像质量评价方法
汇报人： 日期:
目录
• 引言 • 无参考图像质量评价方法概述 • 基于结构相似度的无参考图像质量评价方
法 • 基于感知质量的无参考图像质量评价方法 • 无参考图像质量评价方法的应用场景与展
望 • 结论与参考文献
01
引言
研究背景与意义
随着数字图像的广泛应用，图像质量评价成为重要需求，然而参考图像缺失时，质量评价面临挑战。
该方法在评估不同压缩比下的图像质量时，与主观评价结 果具有较好的一致性。
结果分析
实验结果表明，基于结构相似度的无参考图像质量评价方 法可以有效地衡量图像的结构信息保真度，从而反映图像 的质量。
该方法在评估图像处理和传输算法的性能时具有广泛的应 用价值，可以为相关领域的研究提供有益的参考。
方法优劣与适用范围讨论
03
在某些情况下，结构相似度可 能受到图像内容的影响，例如 ，对于具有重复结构的图像， 该方法可能产生不准确的结果 。
方法优劣与适用范围讨论
适用范围
基于结构相似度的无参考图像质量评价方法 适用于评估图像处理和传输算法的性能，以 及衡量不同压缩比下的图像质量。
该方法适用于具有相似结构和纹理 的图像之间的质量比较，而对于具 有显著差异的图像内容可能不太适 用。
方法优劣与适用范围讨论
• 基于感知质量的无参考图像质量评价方法的优点在于其能够更准确地反映人类视觉系统对图像质量的感知，尤 其适用于评估图像在经过不同处理后的质量变化。然而，该方法的缺点在于其对图像类型的适应性较差，对于 某些类型的图像，如人脸图像，其准确性可能不如基于结构的无参考图像质量评价方法。此外，该方法需要大 量的训练数据和计算资源，因此在实时应用中可能存在一定的挑战。
基于对比度敏感度的无参考图像清晰度评价
Ｎｏ ｒ ｆ ｒ ｎ ｅ ｉ ａ ｅ ｓ ａ ｐ ｓ ｓ ｅ ｓ ｅ ａ ｅ ｎ ｃ ｎｔ ａ ｔｓ ｎ ｉｉ ｉｙ ｅ ｅ ｅ ｃ ｍ ｇ ｈ ｒ ｎｅ ｓ ａ ｓ ｓ ｍ ｎｔｂ ｓ ｄ ｏ ｏ ｒ ｓ ｅ ｓ ｔｖ ｔ
构 相 似 度 加 权 求 和 得 到 图像 的 清 晰 度 ； 体 现 对 比度 敏 感 度 函 数 （ Ｓ ） 性 ， 值 设 为 该 频 带 内所 有 频 率 系 数 绝 对 值 的 为 Ｃ Ｆ特 权 均值 。对 １ ５幅 高 斯 模 糊 图像 的评 价 结 果 显示 ， 关 系数 （ Ｃ 为 ０ ９ ５２ Ｓ ｅｒ ｎ 级 相 关 系数 （ Ｒ Ｃ ） ０ ９ ７９ ４ 相 Ｃ ） ． １ ，ｐ ａｍａ 等 Ｓ Ｏ Ｃ 为 ． ０ ， 离 出 率 （ ） ０ ０ ４５ 准 确 性 、 调 性 、 致 性 较 高 ， 以 在 序 列 离 焦 电 视 图像 中 快 速 准 确 地 找 出 离 焦 量 最 小 图 像 ， ＯＲ 为 ． ３ ， 单 一 可 且 效 果 优 于 运 用 较 广 泛 的调 焦 评 价 函数 梯 度 能 量 函数 等 ４种 传 统 梯 度 评 价 函 数 ； 于 不 同类 型 的 电视 模 糊 图 像 的 评 价 结 对 果 更 加 符 合 人 眼 的 视 觉 特 性 ， 以 满 足 对 光 测 设 备 无 参 考 电视 图 像 清 晰 度 评 价 的 要 求 。 可 关 键 词： 图像 质 量 评 价 ； 参 考 ； 比度 敏 感 度 ； 眼 视 觉 系统 ； 晰 度 ； 无 对 人 清 结构 相 似 度
半参考和无参考图像质量评价新方法
本文提出了一种基于深度学习的半参考图像质量评价方法，通过改进现有的卷积神经网络结构，实现了言，第2章介绍相关研究背景和现状，第3章详细描述所提出的方法，第4章为实验验 证和结果分析，第5章为结论和展望。
02
半参考图像质量评价方法
基于深度学习的半参考图像质量评价方法
03
在无参考图像质量评价方面，虽然已经取得了一定的进展 ，但仍存在许多挑战。例如，如何准确地评估图像的某些 特定属性（如色彩、纹理等）以及如何处理不同类型和不 同光照条件下的图像等。未来可以针对这些问题进行深入 研究。
THANKS
感谢观看
03
无参考图像质量评价方法
基于机器学习的无参考图像质量评价方法
1 2
深度学习模型
利用深度学习技术，构建卷积神经网络（CNN ）模型，通过大量训练数据学习图像特征和品质 评分之间的关系。
迁移学习
将预训练的深度学习模型应用于不同场景和任务 ，通过微调的方式适应新的数据集。
3
自监督学习
利用无标签数据，通过自监督学习的方式，让模 型从无标签数据中学习到图像特征和品质评分之 间的关系。
结构相似性指数（Structural Similarity Index, SSIM）： 通过比较两幅图像的结构信息来评估它们的相似度。
基于自相似性的无参考图像质量评价方法
自相似性
图像中的像素之间存在一定的相关性，这种相关性可以用于评估图像的质量。
非局部均值（Non-local Means,…
通过计算像素之间的非局部相似性来平滑图像，从而降低噪声和失真。
方法分析和讨论
方法分析
在分析实验结果时，我们发现半参考图 像质量评价方法能够利用参考图像的信 息，更好地评估图像的整体质量和清晰 度。而无参考图像质量评价方法则更注 重局部细节和结构信息，因此在一些场 景下具有优势。此外，我们还发现一些 新兴方法如深度学习等在图像质量评价 方面具有巨大潜力。
无参考指标nr
无参考指标nr
无参考指标NR（No Reference）是一种评估图像质量的方法，通常用于评估图像的失真程度或降质情况。
NR方法不依赖于参考图像，而是通过分析图像本身的特征和统计信息来评估其质量。
具体来说，NR方法通过对图像的边缘、纹理、对比度等特征进行提取和分析，评估图像的清晰度、细节保留程度、噪声水平等方面的质量。
NR方法通常采用一些客观的指标，如结构相似性（SSIM）、均方误差（MSE）等，来量化图像的质量。
无参考指标NR在图像处理和计算机视觉领域有着广泛的应用，尤其在图像压缩、图像增强、图像恢复等任务中。
通过NR方法，可以对图像处理算法的性能进行客观的评价，从而优化和改进算法的性能。
基于EMD的无参考图像清晰度评价方法
基于EMD的无参考图像清晰度评价方法基于EMD的无参考图像清晰度评价方法摘要：无参考图像清晰度评价是一个重要的问题，因为大多数的情况下我们无法获取到图像的原始信息，对于图像清晰度的评价，我们不可能仅仅凭借主观的感觉。
本文提出了一种基于EMD （Earth Mover’s Distance）的无参考图像清晰度评价方法，通过计算图像的EMD值，从而实现对图像的清晰度评价。
实验结果表明，该方法能够有效地评价图像的清晰度，与现有的评价方法相比具有更好的鲁棒性和精确性。
关键词：无参考评价；图像清晰度；EMD1.引言图像清晰度评价一直是计算机视觉领域中一个重要的课题。
在许多应用领域中，如医学图像、遥感图像、安防监控等，图像清晰度评价是必不可少的一步。
传统的图像清晰度评价方法大多基于参考图像，但在实际应用中，我们往往无法获得到参考图像，因此需要无参考图像清晰度评价方法。
目前，已经有许多无参考图像清晰度评价方法被提出，其中包括基于边缘信息的方法、基于统计分析的方法、基于二阶导数信息的方法等。
但以上方法均存在一些缺点，如鲁棒性、适用范围限制等。
本文提出了一种基于EMD的无参考图像清晰度评价方法。
EMD是一种用于计算两个直方图之间的距离度量方法。
在本文中，我们将把图像视为一个灰度值直方图，通过计算图像的EMD值，从而衡量图像的清晰度。
2.EMDEMD的计算过程是将一个直方图获得一个目标直方图，需要多次移动每个直方图中的所有质点，并计算这些质点移动的代价（或距离）。
它所获得的距离度量非常有效，因为它允许质点的重量尽可能少的进行相应移动，以达到两个直方图之间距离的最小化。
具体来说，假设有两个直方图：$H_1={\{h_{11},h_{12},...,h_{1n}}\}$和$H_2={\{h_{21},h_{22},...,h_{2n}}\}$，其中每个$h_{1i}$和$h_{2i}$表示直方图中灰度值为$i$的像素数量，$n$是灰度级的个数。
无参考图像质量评价（PIQE）算法：BlindImageQualityEvaluation。。。
⽆参考图像质量评价（PIQE）算法：BlindImageQualityEvaluation。
paper:Blind Image Quality Evaluation Using Perception Based Featuresdate:2015authors:Venkatanath N* etc...code:1.IntroductionFirstly, humans visual attention is highly directed towards salient points in an image or spatially active regions. Secondly, local quality at block/patch level adds up to the overall quality of an image as perceived by humans. In our approach, the first principle is addressed by estimating distortion only on regions of spatial prominence and the second, by computing distortion levels at the local block level of size n × n, where n = 16. Working at the block level would enable us to exploit the localcharacteristics that account for overall perceptual quality of an image.1.主观质量评价对图像中某些显著重要的部分更为关注。
2.由局部块的质量分数得到整体质量分数。
作者提出了⽅法Perception-based Image Quality Evaluator(PIQE)2.PIQEA.Divisive Normalization类似BRISQUE，先计算MSCN系数ˆI(i,j)。
一种针对图像模糊的无参考质量评价指标-文档资料
一种针对图像模糊的无参考质量评价指标No-reference quality index for image blurXIE Xiao-fu1,2,ZHOU Jin1,WU Qin-zhang1(1. Institute of Optics and Electronics, Chinese Academy of Sciences, Chengdu Sichuan 610209, China;2. Graduate University of Chinese Academy of Sciences, Beijing 100049, China):With the analysis of image blur based on the imaging model, a method was proposed for constructing reference images, and at the same time the Structural Similarity (SSIM) index was introduced into no-reference image quality assessment. A novel no-refernce image quality assessment index called No-Reference Structural Sharpness (NRSS) was then proposed for quality evaluation of blurred images. This method constructed a reference image by a low-pass filter, and assessed the image quality by computing the SSIM between the original image and the reference one, thus considering the mathematical model ofimaging system as well as the advantages of SSIM. The experimental results show that the new index is well in accordance with quality assessment results of both subjective evaluation and full-reference methods.With the analysis of image blur based on the imaging model, a method was proposed for constructing reference images, and at the same time the Structural Similarity (SSIM) index was introduced into no-reference image quality assessment. A novel no-reference image quality assessment index called No-Reference Structural Sharpness (NRSS) was then proposed for quality evaluation of blurred images. This method constructed a reference image by a low-pass filter, and assessed the image quality by computing the SSIM between the original image and the reference one, thus considering the mathematical model of imaging system as well as the advantages of SSIM. The experimental results show that the new index is well in accordance with quality assessment results of both subjective evaluation and full-reference methods.Image Quality Assessment (IQA); imaging model; Structural Similarity (SSIM); No-Reference Structural Sharpness (NRSS); energy function of gradient0 引言由于人是图像的最终宿主,主观图像质量评价能够给出最正确的质量评价结果。
无参考的模糊图像清晰度评价方法
无参考的模糊图像清晰度评价方法随着图像处理技术的快速发展，越来越多的图像清晰度评价方法被提出和应用。
而其中一个重要的问题是如何对于没有参考的模糊图像进行清晰度的评价。
针对这个问题，科学家们提出了许多方法来解决这个难题，其中最为流行和广泛使用的方法是基于基础上的复原质量度量方法。
基于信息熵的方法是一个被广泛使用的基于无参考模糊图像清晰度评价的技术。
信息熵是用于测量任何随机变量的分散性的一种方法。
如果高度不确定，我们可以通过增加信息熵来解决这个问题。
同样，如果图像清晰度低，则图像像素中的信息量也是低的，从而信息熵也较低。
因此，可以使用信息熵来度量模糊图像的清晰度。
该方法先计算图像的信息熵，然后通过归一化的方法将信息熵映射到0-1的范围内，以获得模糊度评分。
另一个常用的技术是基于边缘的方法。
在这种方法中，边缘是指图像中明显的图像边界。
直观地说，图像清晰度越高，边缘就会越清晰。
因此，根据边缘的细节，可以进行无参考清晰度的估计。
这个方法在图像边缘检测任务中已经被证明是有效的，并且在没有参考图像的情况下，也能够正确地评估模糊图像的清晰度。
最后，一个新兴的清晰度评价方法是基于波谷走形的方法。
当一个图像清晰度较高时，图像中的波峰和波谷之间的距离就会更加明显，因为高清晰度图像的边缘和文字等细节可以很容易地观察出来。
这个方法利用了波谷轮廓的形状，通过将波谷轮廓的几何信息取出来来进行无参考图像的清晰度评估。
总之，这些方法都是基于不同的图像特征来评估模糊图像的清晰度。
虽然基于信息熵、边缘和波谷走形的方法都是有效的方法，但是仍然存在一些局限性。
这是因为图像的清晰度是一个非常复杂的问题，在没有参考的情况下无法准确地评估图像的质量。
因此，我们需要不断探索新的方法，以便更好地评价无参考模糊图像的清晰度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
无参考图像的清晰度评价方法在无参考图像的质量评价中，图像的清晰度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应，图像的清晰度不高表现出图像的模糊。
本文针对无参考图像质量评价应用，对目前几种较为常用的、具有代表性清晰度算法进行讨论分析，为实际应用中选择清晰度算法提供依据。
（1）Brenner梯度函数Brenner梯度函数是最简单的梯度评价函数，它只是简单的计算相邻两个像素灰度差的平方，该函数定义如下：其中：f(x,y)表示图像f对应像素点(x,y)的灰度值，D(f)为图像清晰度计算结果(下同)。
（2）Tenengrad梯度函数Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，基与Tenengrad梯度函数的图像清晰度定义如下：G(x,y)的形式如下：其中：T是给定的边缘检测阈值，Gx和Gy分别是像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积，建议使用以下的Sobel算子模板来检测边缘：（3）Laplacian梯度函数Laplacian梯度函数与Tenengrad梯度函数基本一致，用Laplacian算子替代Sobel算子即可，该算子定义如下：因此基于Laplacian梯度函数的图像星清晰度的定义如下：其中G(x,y)是像素点(x,y)处Laplacian算子的卷积。
（4）SMD（灰度方差）函数当完全聚焦时，图像最清晰，图像中的高频分量也最多，故可将灰度变化作为聚焦评价的依据，灰度方差法的公式如下：（5）SMD2（灰度方差乘积）函数灰度差分评价函数具有较好的计算性能，但其缺点也很明显，即在焦点附近灵敏度不高，即该函数在极值点附近过于平坦，从而导致聚焦精度难以提高。
在文章《一种快速高灵敏度聚焦评价函数》中提出了一种新的评价函数，称之为灰度方差乘积法，即对每一个像素领域两个灰度差相乘后再逐个像素累加，该函数定义如下：（6）方差函数因为清晰聚焦的图像有着比模糊图像更大的灰度差异，可以将方差函数作为评价函数：其中：为整幅图像的平均灰度值，函数对噪声比较敏感，图像画面越纯净，函数值越小。
（7）能量梯度函数能量梯度函数更适合实时评价图像清晰度，该函数定义如下：（8）Vollath函数Vollath函数定义如下：其中：为整幅图像的平均灰度值，M和N分别为图像宽和高。
（9）熵函数基于统计特征的熵函数是衡量图像信息丰富程度的一个重要指标，有信息论可知，一幅图像f的信息量是由该图像的信息熵D(f)来度量：其中：Pi是图像中灰度值为i的像素出现的概率，L为灰度级总数（通常取值256）。
根据Shannon信息论，熵最大时信息量最多。
将此原理应用到对焦过程，D(f)越大则图像越清晰。
熵函数灵敏度不高，依据图像内容不同容易出现与真实情况相反的结果。
（10）EAV点锐度算法函数徐贵力、张霞等提出了一种基于边缘锐度的算法用于评价图像的清晰度。
通过统计图像某一边缘方向的灰度变化情况来评价。
计算公式如下：其中：df/dx为边缘法向的灰度变化率，f(b)-f(a)为该方向的总体灰度变化。
该算法只对图像的特定边缘区域做统计，能否代表整幅图像的清晰度仍有疑问，此外计算前需人工选定边缘区域，不便实现程序运算的自动化，因为王鸿南等在论文图像清晰度评价方法研究中对上述算法进行了改进，改进如下：a)将针对边缘的梯度计算改为逐个像素领域梯度的计算，以便算法能对图像的整体进行评价，并使算法实现自动化。
b)对方格像素8领域的灰度变化进行距离加权，水平和垂直方向的权重为1，而45度和135度方向的权重为。
c)对计算结果按图像的大小进行规格化，以便于图像的对比。
经过以上三步改进后的点锐度算法为：其中：M和N为图像的行数和列数。
（11）Reblur二次模糊如果一幅图像已经模糊了，那么再对它进行一次模糊处理，高频分量变化不大；但如果原图是清楚的，对它进行一次模糊处理，则高频分量变化会非常大。
因此可以通过对待评测图像进行一次高斯模糊处理，得到该图像的退化图像，然后再比较原图像和退化图像相邻像素值的变化情况，根据变化的大小确定清晰度值的高低，计算结果越小表明图像越清晰，反之越模糊。
这种思路可称作基于二次模糊的清晰度算法，其算法简化流程如下图：（12）NRSS梯度结构相似度Wang等利用人类视觉系统（HVS）非常适于提取目标的结构信息的特点，提出了图像结构相似度概念（SSIM），认为只要能计算目标结构信息的变化，就能够得到感知图像失真值。
杨春玲等基于此思路，将该方法引入到计算全参考图像的清晰度评价中，认为图像的清晰度可以使用目标图像与参考图像间的结构相似度来表示，而图像间的结构相似度包含以下三个部分的比较：而C1、C2和C3是为了避免分母为0而设的常数。
图像的结构相似度由下式计算可得：为简单起见可以令谢小甫等进一步改进了杨春玲等的方法，根据结构相似度的相关思想结合人烟视觉系统的相关特点，设计了无参考图像清晰度的评价指标（NRSS），计算方法如下：（a）为待评价图像构造参考图像。
定义待评价图像为I，而参考图像，即对待评价图像I进行低通滤波得到参考图像。
实验表明，基于圆盘模型的均值滤波器和高斯模型的平滑滤波器都可以取得较好的效果，为了更好的与成像系统匹配，建议采用7x7大小且的高斯平滑滤波器。
在需要实时处理的工程应用中7x7均值滤波器并不会是评价效果下降很大。
（b）提取图像I和的梯度信息。
利用人眼对水平和垂直方向的边缘信息最为敏感的特性，使用Sobel算子分别提取水平和垂直方向的边缘信息，定义I和的梯度图像是G和。
（c）找出梯度图像G中梯度信息最丰富的N个图像块。
将图像G划分为8x8的小块，块间的步长为4，即相邻块有50%重叠，这是为了避免丢失重要的边缘。
计算每块的方差，方差越大说明梯度信息越丰富，找出其中方差最大的N块，记为，对应的中的对应块定义为。
N的值大小直接影响评价结果，同时也影响算法运行时间。
在后面的实验中设N=64。
（d）计算结构清晰度NRSS。
先计算每个xi和yi的结构相似度SSIM(xi,yi)，其中SSIM 计算方法参见前面的定义，则图像的无参考结构清晰度定义为：（13）FFT图像变换域待写！（14）No-Reference Perceptual Quality Assessment of JPEG Compressed Images在这篇文章中，作者【Zhou Wang】等针对JPEG压缩图片提出了一种新的无参图像质量评价方法。
JPEG图片是基于8x8块的DCT变换的编码技巧，它是有损的因为对DCT变换系数做量化的时候会产生量化误差。
量化就会导致模糊和块效应。
模糊主要是因为丢失了高频的DCT系数。
块效应是由于块边界的不连续性，因为每个分块的量化是独立的。
我们用f(x,y)表示一幅图片，图片尺寸为MxN，计算跨越每个水平线的信号差：首先计算块效应，块效应的定义就是左右跨越边界的信号差的平均值：然后计算块内信号差的平均值：再计算zero-crossing（ZC）率，ZC是边界跨零的意思，也就是说相邻两个点的值的乘积为负数，也就是一正一负，因此对于[1,N-2]范围内的y，定义如下变量：于是水平方向的ZC率定义如下：同理，我们可以计算垂直方向的几个指标值。
最后得到这几个指标的水平和垂直方向的平均值：有很多方式把这几个指标联系起来组成一个质量评价模型。
我们采用如下图像质量定义：其中是从大量实验中提炼出来的模型参数。
本文中所采用的参数值如下：（15）No-Reference Image Quality Assessment forJPEG/JPEG2000Coding这篇文章的作者在前面那篇文章的基础上，重新定义了新的质量指标：其实S就是在（14）中已经得到的质量评价值。
（16）No-Reference Image Quality Assessment using Blur and Noise图像质量受很多因素影响，例如：亮度、对比度、色调、边界、噪声、模糊等。
在本文中，我们假定噪声和模糊是影响图像质量最重要的两个因素。
简单起见，只对彩色图像的亮度分量做模糊和噪声监测。
本文的图像质量评价算法框架图如下：A）模糊检测模糊估计分为两个步骤：首先是边缘检测，然后是模糊确定。
此处模糊估计是通过计算当前像素点与领域内像素点均值之差来确定。
我们用f(x,y)表示图片，其中。
定义水平绝对差如下：整个图片的水平绝对差的均值为:如果当前像素点的则该像素点就是一个候选的边缘点.如果比它水平方向两个相邻的点都大，则该像素点就被确认为一个边缘点。
边缘点的判断总结如下：接下来我们检测边缘点是否模糊。
定义：同理，按照以上的步骤我们可以计算垂直方向的值。
两者之大者称作Inverse Blurriness，用于最终的模糊判定依据。
低于阈值ThB的Inverse Blurriness被认为是模糊的。
实验测试表明此处的阈值ThB取值0.1。
最后，边缘模糊的均值和比率为：B）噪点检测因为沿边缘的噪点视觉上不明显，因此我们只检测边缘之外的噪点。
边缘检测会被噪点影响，因此在检测边缘之前做一个噪点滤波的预处理。
在本文中，我们应用均值滤波来消除噪点。
均值滤波之后的图像g(x,y)为：候选的噪点估计如下：同理可以在垂直方向计算对应的值。
然后得到候选的噪点是：其中N_cand(x,y)表示候选噪点，它在边缘区域为0。
噪点均值和比率为：其中Sum_Noise是N(x,y)之和，Noise_cnt是噪点总数目。
C）噪点和模糊的组合此处我们的图像质量评价指标定义如下：其中w1、w2、w3、w4是权值。
通过线性回归分析获取这些权值。
本文中这些权值为：实验为了测试以上评价方法的准确性，我们才用C语言编程实现以上算法，由于以上算法都是针对灰度图，因此在处理彩色图像的时候，首先将彩色图像转化为灰度图（简单起见，转化算法采用了grey=(R+G+B)/3）。
测试图片采用了美国德州大学图像与视频工程实验室提供的图像质量评价数据库。
该图像数据库包含了29幅原始图像，并利用原始图像生成了包括JPEG压缩、JPEG2000压缩、高斯模糊、Fastfsding（在Fastading通道中传输传输错误）、WhiteNoise（白噪声）五类失真在内的失真图像共779幅。
此处我们选用JPEG目录下的部分图片做测试。
首先来看看第一组测试图片：DatabaseRelease2\jpeg\img29.bmpDatabaseRelease2\jpeg\img42.bmp（原始图片）DatabaseRelease2\jpeg\img77.bmpDatabaseRelease2\jpeg\img81.bmpDatabaseRelease2\jpeg\img183.bmp测试数据（阈值T=50）算法img29img42img77img81img183Brenner791.451050.36844.41898.57754.88Tenengrad10.8812.7211.5111.9210.59Laplacian8.50714.479.059.869.08SMD18.5724.7120.9422.5714.32SMD2168.19293.15196.84217.17128.57Variance2107.862134.982083.192100.052110.90Energy677.48941.98713.81754.95668.54Vollath1940.971897.701910.281912.101940.81Entropy7.007.387.267.38 5.24EAV75.8893.7183.7089.1660.85JPEG 2.089.25 3.95 5.16-1.53JPEG2 2.12 4.99 3.90 4.60 1.04Remark：1）肉眼可以分辨以上五幅图像的质量排名为：img42>img81>img77>img29>img1832）与主观感知一致的算法有：Brenner、Tenengrad、SMD、SMD2、Energy、Entropy、EAV、JPEG、JPEG23）Variance、Vollath算法所得数据非常接近，无法分辨出图像质量。