基于人眼视觉特性的图像质量评价方法研究

基于视觉信息保真度的融合图像质量评价方法张勇＊,1，2，余宏生,金伟其11(1 北京理工大学光电学院，北京 100081）(2 军械技术研究所，河北石家庄 050000)摘要：在假设图像源符合高斯尺度混合模型前提下，将图像融合算法视为图像信号增强通道，考虑人眼视觉内部神经元噪声特性，建立了一种基于视觉信息保真度的融合图像质量客观评价模型。

采用该方法对不同融合算法获得的融合图像进行了性能验证，实验结果表明该算法能对融合图像质量进行正确评价,相比于传统方法其客观评价结果与主观评价结果更具有一致性.关键词：图像融合；评价；高斯尺度混合模型；视觉信息保真度中图分类号TP391.4 文献标识码 AFusion Image Quality Assessment Method Based on Visual Information Fiedity ZHANG Yong＊，1,2， YU Hong-sheng1, JIN Wei—qi1（1 School of Optoelectronics， Beijing Institute of Technology， Beijing 100081）(2 Mechanical Engineering Institute, Heibei, Shijiazhuang, Hebei 050000）Abstract: Based on the assumption that the image sources meet GSM model is correct and image fusion algorithm is regarded as image signal enhancement channel. And considering human visual noise characteristics within neurons, FVIF objective quality assessment model is established。

图像质量评价的研究现状及其展望[摘要] 符合人眼视觉系统特性的图像质量评价方法,不仅可以更好地评价图像处理算法的优劣,而且能够指导图像处理的思路和方法。

近年来,图像质量评价的研究发展迅速。

本文重点阐述模拟人眼视觉系统的两类客观评价方法,并介绍以这两类方法为基本框架的各种改进方法。

然后针对图像融合、复原、压缩三个主要的处理领域的质量评价的特殊性进行分析。

总结认为该领域的发展方向是对视觉感知生理心理学及HVS模型进一步研究,建立计算更简便、评价更准确的通用评价方法,并发展无参考的质量评价方法。

[关键词]图像质量评价HVS CSF SSIM1 引言图像质量评价一直是图像处理领域研究的基础和重点。

图像质量评价方法包括:主观评价(MOS: Mean Opinion Score)方法和客观评价方法。

因为人眼是图像处理系统的终端,所以主观评价方法是最合理的图像质量评价方法。

但是该方法需要组织观察者对失真图像进行评分,难以用数学模型表达加以应用[1]。

所以MOS 方法一般用来验证客观评价方法的有效性。

目前应用最广泛的客观质量评价方法包括:均方差(Mean Squared Error,MSE)、峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)方法。

试验证明MSE/PSNR对于单纯的噪声图像质量评价比较准确,但是对失真降质图像的评价是不可靠的,所以需要研究符合人眼视觉的评价方法。

自从60年代大量的视觉感知生理心理学试验[2]得到了人类视觉系统(Human Visual System,HVS)模型,图像质量评价的研究得到迅速发展。

不但建立了各种模拟人眼视觉系统特性的数学模型,而且在此基础上提出了各种适用于特定图像处理领域的评价方法。

但是,至今没有形成一些公认的、通用的评价方法,以至于目前图像各研究领域仍然停留在利用MSE/PSNR评价算法优劣的阶段。

本文讨论模拟人眼视觉系统特性的图像质量评价方法,分析各种方法的思路及应用特点,总结其发展脉络及研究趋势。

面向人眼视觉感知特性的图像质量评价面向人眼视觉感知特性的图像质量评价在如今信息时代，图像已经成为人们不可或缺的一部分。

无论是在社交媒体上分享生活照片，还是在科学研究中使用高精度图像，图像的质量对于我们的生活和工作都至关重要。

因此，为了能够准确评估图像的质量，我们需要了解人眼视觉感知特性的基本原理，并将其应用于图像质量评价。

人的视觉系统是非常复杂和精密的，它包括了眼球、视网膜、视神经和大脑的多个部分。

在视觉感知中，我们通常关注的是明暗、颜色和纹理等方面。

然而，我们对不同特性的感知能力是不同的，这也决定了图像质量评价中的不同权重。

明暗对比度是人们对图像质量的一个重要指标。

较高的对比度可以使图像更加清晰和生动，而较低的对比度则可能导致图像变得模糊或失真。

在图像质量评价中，我们可以通过计算图像的平均灰度值和最大对比度来衡量图像的明暗对比度。

颜色对于人类视觉感知同样至关重要。

不同的颜色在视觉上也产生不同的效果。

例如，红色和蓝色是较为显眼的颜色，而灰色和黑色则使图像看起来更加柔和。

在图像质量评价中，我们可以使用色彩空间模型（例如RGB或Lab颜色空间）来将图像转换为颜色信息，然后计算颜色的平均值、颜色分布的均匀性等指标。

此外，纹理也是人眼感知图像质量的一个重要因素。

纹理可以提供更多的图像细节和特征，使图像看起来更加真实和自然。

在图像质量评价中，我们可以使用纹理特征提取方法，如局部二值模式或方向梯度直方图等，来量化图像中的纹理信息，并进一步评估图像的质量。

需要强调的是，人眼视觉感知特性的图像质量评价需要结合机器学习和人类主观评价的方法。

机器学习可以通过训练大量的图像样本来建立一个模型，来预测人类主观评价图像质量的结果。

这样，在进行图像质量评价时，我们可以利用机器学习模型来代替传统的客观评价指标。

综上所述，面向人眼视觉感知特性的图像质量评价是一个复杂而又重要的研究方向。

通过了解人眼视觉感知的基本原理，我们可以设计出更加准确和可靠的图像质量评价指标。

视觉模拟评分视觉模拟评分是一种通过计算机图形技术对不同场景进行模拟，并根据人眼感知的视觉特性来评估模拟结果的质量的方法。

它可以用于评估图像、视频、虚拟现实等多种视觉应用的效果。

一、背景介绍视觉模拟评分在计算机图形学和图像处理领域有着广泛的应用。

它可以帮助开发者优化图像和视频处理算法，提高用户体验，同时也可以用于科学研究，比如研究人眼对不同场景的感知能力。

二、视觉模拟评分的原理视觉模拟评分基于人眼对图像和视频的感知特性进行评估。

人眼对亮度、颜色、纹理等因素有着不同的感知敏感度，视觉模拟评分通过计算这些因素在原始图像和模拟结果之间的差异来评估其质量。

三、视觉模拟评分的指标1. 亮度误差：衡量原始图像和模拟结果之间亮度值差异的指标。

常用的亮度误差指标包括均方误差（MSE）、结构相似性指数（SSIM）等。

2. 颜色误差：衡量原始图像和模拟结果之间颜色值差异的指标。

常用的颜色误差指标包括均方根误差（RMSE）、峰值信噪比（PSNR）等。

3. 纹理失真：衡量原始图像和模拟结果之间纹理特征的差异。

常用的纹理失真度量方法包括结构相似性指数（SSIM）、小波变换等。

4. 对比度失真：衡量原始图像和模拟结果之间对比度变化的程度。

常用的对比度失真指标包括动态范围（DR）、对比度增益等。

5. 锐化效果：衡量模拟结果中细节锐化程度的指标。

常用的锐化效果评估方法包括边缘增强、高频信号增强等。

四、视觉模拟评分的应用视觉模拟评分在多个领域有着广泛应用：1. 图像和视频处理算法优化：通过视觉模拟评分可以帮助开发者优化图像和视频处理算法，提高图像和视频质量，减少失真。

2. 视觉应用效果评估：视觉模拟评分可以用于评估虚拟现实、增强现实等视觉应用的效果，帮助开发者改进用户体验。

3. 视觉研究：视觉模拟评分可以用于科学研究，比如研究人眼对不同场景的感知能力，探索人眼对图像和视频的感知机制。

五、视觉模拟评分的局限性视觉模拟评分虽然在很多领域有着广泛应用，但也存在一些局限性： 1. 主观性：由于每个人的视觉感知能力不同，对图像和视频的评价也会有所差异。

由于图像质量直接反映了用户使用互联网视讯业务时的主观感受,图像质量的优劣对于互联网视讯应用的推广和运营商提高服务质量都有重要意义,因此有必要研究评估图像质量的标准。

目前,国际上尚无针对互联网视讯应用的图像质量评估标准,本文从相对评估和绝对评估两个方面,分析了互联网视讯应用在信源端和接收端造成图像质量损伤的原因,并对评估的标准与方法做了探讨。

一、图像质量评估方法与标准当前对图像质量的评估方法主要分成两类：主观评价和客观测量。

主观评价的方法与标准已相对完善,而客观测量则处于热点研究中。

1.主观评价主观评价的方法是将待评价的图像序列播放给评论者观看,并记录他们的打分,然后对所有评论者的打分进行统计,得出平均分作为评价结果。

ITU-RBT.500-7标准定义了两种标准的主观评价方法。

1 双刺激连续质量分级法 DSCQS：DoubleStimulusContinuousQuality Scale ,将待评估的图像序列和相应的基准序列交替播放给评估者看,每个图像持续时间为10s,按此播放顺序在处理图像的前后都有一个直接的质量比较。

每个图像之后有2s的灰画面间隔,评估者可在此期间打分。

最后以所有分数的平均值作为该序列的测试值。

这样做的好处是能够最大程度地降低图像场景、情节等对主观评测的影响。

2 单刺激连续质量评价方法 SSCQE：SingleStimulusContinuous Quality Evaluation ：这种方法只把被评价的图像序列播放给评估者看。

评价时间长达30s,评估者在观看的同时通过调节一个滑板的位置指向相应的评价分值给出评分。

很显然,主观评价有几个显着的不足之处：1 观察者一般需要是一个群体,并且经过培训以准确判定主观评测分,人力和物力投入大,为时较长；2 图像内容与情节千变万化,观察者个体差异大,容易发生主观上的偏差；3 主观评价无法进行实时监测；4 仅仅只有平均分,如果评测分数低,无法确切定位问题出在哪里。

图像质量评价综述[摘要]图像质量评价是图像处理领域的研究热点。

本文综合论述了图像质量的主观和客观评价方法，就各自具体的实现方法做了简要的介绍，并分析了各自适用性和存在的问题。

最后进而根据发展趋势和应用需求，对图像质量评价方法的进一步发展提出了若干技术与研究方向的展望。

[关键字]图像质量评价人类视觉系统结构相似度全参考评价部分参考评价无参考评价[abstract]Image quality assessment (IQA) is a hot research area in the field of image processing. In this paper, we discuss the subjective and objective assessment methods of image quality, respectively give a brief introduction of their specific implementation method, and analyses the respective applicability and problems. Finally, the further development of the technology and research directions of the future are proposed based on the trends and application requirements.[keywords]Image Quality Assessment(IQA) Human Visual System(HVS) Structural similarity Full Reference(FR) Reduced Reference(RR) No Reference(NR)，一.引言图像是人类获取信息的重要途径，其所承载的信息远比其它形式的信息更贴切、更丰富。

ssim方法SSIM（结构相似性指标）是一种用于衡量图像质量的方法，它可以评估两幅图像的相似程度。

在数字图像处理和计算机视觉领域，SSIM被广泛应用于图像压缩、图像复原、图像质量评估等方面。

SSIM方法源于人类视觉系统（HVS）的特性，它模拟了人眼对图像的感知。

人眼对于结构信息的敏感度高于亮度和颜色信息，因此SSIM主要关注图像的结构相似性。

SSIM通过计算亮度、对比度和结构三个方面的相似性来给出最终的相似性指标。

SSIM通过计算亮度相似性来衡量两幅图像的亮度差异。

亮度相似性的计算基于亮度的均值和方差，如果两幅图像的亮度差异较小，则亮度相似性较高。

SSIM通过计算对比度相似性来衡量两幅图像的对比度差异。

对比度相似性的计算基于亮度的标准差和对比度的协方差，如果两幅图像的对比度差异较小，则对比度相似性较高。

SSIM通过计算结构相似性来衡量两幅图像的结构差异。

结构相似性的计算基于亮度的协方差和结构的协方差，如果两幅图像的结构差异较小，则结构相似性较高。

综合考虑亮度、对比度和结构三个方面的相似性，SSIM可以给出一个在0到1之间的相似性指标，数值越接近1表示两幅图像的相似程度越高。

SSIM方法的优点在于它考虑了人眼对图像的感知特性，能够更好地评估图像的质量。

相比于传统的均方误差（MSE）方法，SSIM能够更准确地反映图像的结构信息。

因此，在图像压缩和图像复原等应用中，SSIM方法往往能够得到更好的效果。

然而，SSIM方法也存在一些局限性。

首先，SSIM方法对图像的亮度、对比度和结构的变化较为敏感，对于颜色信息的变化相对不敏感。

其次，SSIM方法对于图像的失真类型有一定的限制，对于一些特定的失真类型可能无法准确评估图像的质量。

此外，SSIM方法的计算复杂度较高，需要耗费较多的计算资源。

为了克服SSIM方法的局限性，研究者们提出了许多改进的方法。

例如，MS-SSIM方法通过对图像进行多尺度分解来提高评估的准确性；CW-SSIM方法通过引入颜色权重来增强对颜色信息的敏感性。