图片质量评估算法

最近在研究如何评估图片的质量问题，可以想到的从两个角度来看：

首先用基本的图像处理手段，是可以计算出一张图片像素的均值，以及这张图片像素间的方差，通过这两个指标可以评价这张图片的亮度，和局部对比度。

其次，可以采用模型来进行训练，一方面，要想清楚，是什么因素决定图片质量下降：1、可能图片经过了高强度的压缩（那么压缩就涉及到多种压缩方式，要明确都有哪些图片压缩手段，以及如何对这些图片进行压缩，实现代码可以实现对图像的压缩）2、对图片加入了噪声，要研究都有哪些噪声可以加入到图片中。

通过分析改变图片质量的方法，来对正常的图片做上述操作，然后得到相应的图片，将这些图片作为负样本，然后训练深度神经网络，来识别图片的质量。

除此之外，还有另一种方式，可以评估图片的质量。例如，可以针对特定领域，例如如果想要商品购物类型的网站，如果针对手机来判断图片的质量，可以通过检测和识别手机的模型，来对图片进行检测，当给出的分类概率很低，说明这张图片中没有手机，或者这张图片不清晰，找不到手机。

另外图像质量评估的专业术语是：image quality assessment，有很多相关的工作来研究如何评价一个图片的质量。

百度百科有一些介绍，可以大概了解一下：

图像质量客观评价

图像质量客观评价可分为全参考（Full-Reference,FR），部分参考（Reduced-Reference,RR）和无参考（No-Reference,NR）三种类型。

全参考

全参考图像质量评价是指在选择理想图像作为参考图像的情况下，比较待评图像与参考图像之间的差异，分析待评图像的失真程度，从而得到待评图像的质量评估。常用的全参考图像质量客观评价主要以像素统计、信息论、结构信息三方面为基础。

1、基于图像像素统计基础

基于图像像素统计基础，峰值 信噪比（Peak-Signal to Noise Ratio,PSNR）和 均方误差（Mean Square Error,MSE）是比较常见的两种质量评价方法。它们通过计算待评测图像和参考图像对应像素点灰度值之间的差异，从统计角度来衡量待评图像的质量优劣。设待评价图像为F，参考图像为R，它们大小为M

   

N,则利用PSNR表征图像质量的计算方法为：

PSNR = 10lg

 

利用MSE表征图像质量的计算方法为：

MSE =

 

PSNR与MSE都是通过计算待评图像与参考图像之间像素误差的全局大小来衡量图像质量好坏的。PSNR值越大，表明待评图像与参考图像之间的失真较小，图像质量较好。而MSE的值越小，表明图像质量越好。这两种方法比较简单，且容易实现，在图像去噪等方面受到广泛应用。但这类算法是从图像像素值的全局统计出发，未考虑人眼的局部视觉因素，所以对于图像局部质量无从把握。

2、基于信息论基础

基于信息论中信息熵基础，互信息被广泛用来评价图像质量。近些年，Sheikh和Bovik等人提出来了信息保真度准则（Information Fidelity Criterion,IFC）和视觉信息保真度（Visual Information Fidelity,VIF）两种算法。它们通过计算待评图像与参考图像之间的互信息来衡量待评图像的质量优劣。这两种方法具有一定的理论支撑，在信息保真度上拓展了图像与人眼之间的联系，但是这类方法对于图像的结构信息没有反应。

3、基于结构信息基础

2002年，Wang Zhou和Bovik等人在多年对 图像处理、 图像压缩及图像视觉质量评价的研究工作基础上，首次提出了结构信息的概念。他们认为：人眼视觉的主要功能是提取背景中的结构信息，而且人眼视觉系统能高度自适应地实现这一目标，因此对图像的结构失真的度量应是图像感知质量的最好近似。在此基础上给出了一种符合人眼视觉系统特性的图像质量客观评判标准-结构相似度（Structure Similaruty,SSIM）。

SSIM根据图像像素间的相关性构造出结构相似性。假设给定两幅大小为MN的图像X,Y,其中X的均值、标准差及X和Y的协方差分别用ux,,表示。定义 亮度、 对比度、结构的比较函数分别为：

l(X,Y) =

 

c(X,Y) =

 

s(X,Y) =

 

其中的正常数从c1,c2和c3用来调节分母接近于零时的不稳定性。这三个成分因素综合起来就是SSIM指标。

SSIM(X,Y) =

 

SSIM根据图像像素间的相关性构造出参考图像与待评图像之间的结构相似性，SSIM值越大，图像质量越好。该指标算法实现简单，质量评估性比较可靠，同时很多研究者结合人眼视觉系统对其又进行了许多改进，目前在图像处理各个方面都受到广泛应用。

部分参考

部分参考也成为半参考，它是以理想图像的部分特征信息作为参考，对待评图像进行比较分析，从而得到图像质量评价结果。由于所参考的信息是从图像中提取出来的特征，所以它必须要先提取待评图像和理想图像的部分特征信息，通过比较提取出的部分信息对待评图像进行质量评估。部分参考方法可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。因为部分参考质量评价依赖于图像的部分特征，与图像整体相比而言，数据量下降了很多，目前应用比较集中在图像传输系统中。 [1]  

无参考

无参考方法也称为首评价方法，因为一般的理想图像很难获得，所以这种完全脱离了对理想参考图像依赖的质量评价方法应用较为广泛。无参考方法一般都是基于图像统计特性。

1、均值

均值是指图像像素的平均值，它反映了图像的平均亮度，平均亮度越大，图像质量越好，设待评价图像为F，大小为M

   

N，其均值计算公式为：

u =

 

2、标准差

标准差是指图像像素 灰度值相对于均值的离散程度。如果 标准差越大，表明图像中灰度级分别越分散，图像质量也就越好，其计算公式为：

std =

 

3、平均梯度

平均梯度能反映图像中细节反差和 纹理变换，它在一定程度上反映了图像的清晰程度。其计算公式为：

 

G =

 

式中，

   

，

   

分别表示像素点（i,j）在x或者y方向上的一阶差分。

1）熵

熵是指图像的平均信息量，它从信息论的角度衡量图像中信息的多少，图像中的信息熵越大，说明图像包含的信息越多。假设图像中各个像素点的灰度值之间是相互独立的，图像的灰度分布为p={p 1,p 2,…,p i,…,p n},其中p i表示灰度值为i的像素个数与图像总像素个数之比，而n为灰度级总数，其计算公式为：

E = -

 

其中，P(l)为灰度值l在图像中出现的概率，L为图像的 灰度级，对于256灰度等级的图像而言，L=255。

一般而言，无参考图像质量评价方法首先对理想图像的特征作出某种假设，再为该假设建立相应的数学分析模型，最后通过计算待评图像在该模型下的表现特征，从而得到图像的质量评价结果。