应用人类视觉特性的立体图像质量评价方法

基于频域的SSIM立体图像评价方法杨蕾;牛林林;宋晓炜;刘清丽【摘要】针对空域SSIM(Structural Similarity)在立体图像评价中存在的人类视觉系统感知敏感性问题,提出了基于频域的SSIM立体图像质量评价算法.实验结果表明,相比其他图像质量评价方法,该算法更符合人类视觉系统的特性.【期刊名称】《中原工学院学报》【年(卷),期】2015(026)001【总页数】5页(P5-8,43)【关键词】图像质量评价;立体图像;结构相似度【作者】杨蕾;牛林林;宋晓炜;刘清丽【作者单位】中原工学院,郑州450007;中原工学院,郑州450007;中原工学院,郑州450007;中原工学院,郑州450007【正文语种】中文【中图分类】TN911.73平面图像质量评价有客观评价方法与主观评价方法两种。

主观评价方法是最准确的方法，但是存在着评价步骤复杂、实时性不好等问题，不能在图像处理系统中直接应用。

与主观评价方法不同，客观评价方法通过建立一定的数学模型，计算相应的参数或量化指标来判断平面图像的质量。

目前使用最多的二维图像质量客观评价方法是均方误差(MSE)和峰值信噪比(PSNR)两种方法。

这两种方法虽然计算简单，但有时和人眼的视觉感知不一致，造成客观评价结果不符合主观评价。

近年来出现了许多结合人类视觉系统的二维图像评价模型。

其中，HVS对于图像的低频分量敏感度比较高，对比敏感度函数(Contrast Sensitivity Function,CSF)可以用来模拟HVS的评价行为[1-6]。

与二维图像不同，立体图像是由左右两个视点的图像组成的。

在对立体图像质量进行客观评价时，若使用MSE和PSNR方法不能进行正确的评价。

近些年，Wang Z等认为：人眼可以高度自适应地提取出图像场景中的结构信息，于是提出了基于结构相似度(SSIM)的评价模型。

他们的实验结果表明，这个方法的性能比PSNR好[7-8]。

此后，其他学者提出了很多对SSIM的改进算法，例如：基于梯度结构和边缘结构的相似度[9]、基于频域的结构相似度[10-11]、多尺度的结构相似度[12]及将SSIM和其他的图像质量评价方法加权结合[1]等。

计算机视觉的图像质量评价方法一、引言在当今数字时代，图像已经成为人们生活中不可或缺的一部分，无论是在社交媒体上分享生活瞬间，还是在医学影像诊断、安防监控等领域，图像都发挥着重要的作用。

然而，随着图像的广泛应用，如何评价图像的质量成为了一个亟待解决的问题。

对于计算机视觉领域来说，图像质量评价方法的研究具有重要意义，可以帮助人们更好地理解和应用图像信息。

二、图像质量评价方法的发展历程图像质量评价方法的发展经历了多个阶段，最早期的方法是基于人眼主观评价的，即通过人工观察图像来评价图像质量。

这种方法受制于个体主观因素，难以达到客观的评价标准。

随着计算机技术的发展，一些客观评价方法也相继出现，如基于图像特征的评价方法、基于机器学习的评价方法等。

这些方法在一定程度上提高了图像质量的评价准确性，但仍存在一定局限性。

三、图像质量评价方法的研究现状目前，图像质量评价方法的研究已经进入了一个全新的阶段，随着深度学习技术的不断发展，基于深度学习的图像质量评价方法逐渐成为研究的热点。

深度学习技术可以从大量的图像数据中学习到有效的特征表示，进而实现对图像质量的准确评价。

同时，一些基于人类视觉系统特性的图像质量评价方法也取得了一定的成果，通过模拟人眼的感知机制来评价图像的质量。

四、基于深度学习的图像质量评价方法基于深度学习的图像质量评价方法主要基于卷积神经网络（CNN）进行研究。

CNN可以有效地学习图像的局部特征和全局特征，对于图像质量评价具有很好的表现。

研究者们通过建立大量的图像数据集，训练深度神经网络模型，从而实现对图像质量的准确评价。

这种方法不仅提高了图像质量评价的准确性，还能够实现对不同场景下图像质量的自适应评价。

五、基于人类视觉系统特性的图像质量评价方法基于人类视觉系统特性的图像质量评价方法主要是通过模拟人眼的感知过程来评价图像的质量。

人眼对于图像的感知受到亮度、对比度、色彩等多个因素的影响，因此研究者们通过对这些因素进行建模，设计了一系列的图像质量评价算法。

基于视觉感知的最好质量图像评价方法
郭艳荣;鲜继清;吕霞付;谢正祥
【期刊名称】《重庆科技学院学报（自然科学版）》
【年(卷),期】2009(011)006
【摘要】基于人类视觉系统对图像感知功能的研究,提出影响图像质量的4个参数.综合这4个参数在图像质量评价领域的作用,建立最好质量图像评价的数学方法.分析CAF值与4个参数之间的函数关系,并通过大量实验,认为CAF最大值所对应的图像就是最好的图像,而此结论与视觉感知是一致的.该方法不依赖参考图像,同时适用于灰度图和彩色图.方法简单、直观.
【总页数】4页(P151-153,169)
【作者】郭艳荣;鲜继清;吕霞付;谢正祥
【作者单位】重庆邮电大学,重庆,400065;重庆邮电大学,重庆,400065;重庆邮电大学,重庆,400065;重庆医科大学,重庆,400016
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.基于视觉感知特性的红外图像质量评价方法 [J], 王明超;李盈;杨舒羽
2.基于视觉感知的镶嵌图像质量评价方法 [J], 武新;张焕龙;舒云星
3.基于视觉感知梯度SSIM的图像质量评价方法研究 [J], 袁莉;邹海
4.基于全变分模型的视觉感知图像质量评价方法 [J], 吴亚东;张红英
5.基于图像内容视觉感知的图像质量客观评价方法 [J], 姚军财;刘贵忠
因版权原因，仅展示原文概要，查看原文内容请购买。

基于视觉感知的图像质量评价研究概述：图像质量评价是计算机视觉和图像处理领域的热门研究方向之一。

在许多应用中，如图像压缩、图像增强和图像检索等，准确评估图像的质量至关重要。

视觉感知是一种常用的评价图像质量的方法，它着眼于人类视觉系统对图像的感知，尝试模拟人类的视觉认知来进行评价。

本文将探讨基于视觉感知的图像质量评价的相关研究，并介绍几种常见的视觉感知图像质量评价算法。

一、基于视觉感知的图像质量评价方法1. 参考图像方法参考图像方法是一种常见的基于视觉感知的图像质量评价方法。

它将原始图像与参考图像进行比较，通过计算它们之间的差异来评估图像质量。

常用的参考图像方法包括结构相似度指标（SSIM）、多尺度结构相似度指标（MS-SSIM）和感知清晰度指标（PSNR-HVS）等。

这些指标通过测量图像的亮度、对比度和结构等特征来评估图像质量。

2. 感知失真方法感知失真方法是另一种常见的基于视觉感知的图像质量评价方法。

它通过模拟人类视觉系统的感知特性，测量图像经过压缩、增强或其他处理后产生的感知失真程度。

常见的感知失真方法包括感知失真度量（PDM）和感知失真显著性测量（PDM-S）等。

这些方法通常基于对图像的感知主观评价数据，通过建立感知模型来评估图像质量。

3. 无参考图像方法无参考图像方法是一种更具挑战性的基于视觉感知的图像质量评价方法。

它不需要参考图像或主观评价数据，仅通过对图像的低级特征进行分析来评估图像质量。

常用的无参考图像方法包括模糊度估计方法、对比度失真方法和细节丢失估计方法等。

这些方法通过分析图像的模糊度、对比度和细节等信息，并结合图像质量数据库来评估图像质量。

二、视觉感知图像质量评价的应用1. 图像压缩图像压缩是图像处理中常见的应用之一。

视觉感知图像质量评价方法可以帮助优化图像压缩算法，提高压缩效率同时保持图像的可视质量。

2. 图像增强图像增强是改善图像质量的重要手段。

通过视觉感知图像质量评价方法，可以评估不同图像增强算法对图像质量的影响，从而选择最适合的增强方法。

图像处理中的图像质量评价算法图像处理是计算机视觉领域中的热门技术之一，其主要目的是对数字图像进行处理和分析，以提取有用的信息，改善图像的质量或实现特定的任务。

在实际应用中，我们经常需要对图像进行质量评价，以衡量处理结果的好坏。

本文将介绍图像质量评价算法中的一些常见方法和技术。

一、人眼主观评价法人眼是最常用的图像质量评价工具之一。

在这种方法中，根据受试者的主观感受，评估图像的质量。

通常，受试者会被要求将图像分为五个等级：极佳、好、一般、差、极差。

然后，将受试者的评分进行统计和分析，获得最终的质量评估结果。

人眼主观评价法的优点是易于理解和使用，可以得到比较准确的结果。

但是，它需要大量的人力和时间，并且只能得到一个相对的质量评估结果，缺乏客观性。

二、均方误差法均方误差法是一种经典的图像质量评价方法，早在上世纪50年代就被广泛应用于图像处理领域。

其核心思想是比较原始图像和处理后的图像之间的像素值之差。

均方误差可以通过以下公式计算：MSE = 1/N * ∑(i=1 to N) (xi-yi)^2其中，N代表像素数目，xi和yi分别表示原始图像和处理后图像中的像素值。

均方误差法的优点是计算简单，易于实现。

但是，它没有考虑视觉系统的感知差异，有时不能反映出人眼的真实感受。

三、结构相似性指数（SSIM）法结构相似性指数（SSIM）是一种模拟人眼感知过程的图像质量评价方法，可以更好地反映人类视觉的敏感性和感知机制。

其基本原理是通过比较两张图像之间的结构相似性来评估图像质量，其中结构相似性是指一组窗口像素之间的互相关系数。

SSIM指数可以通过以下公式计算：SSIM(x,y) = [l(x,y)*c(x,y)*s(x,y)] ^ α其中，l(x,y)、c(x,y)、s(x,y)分别表示亮度、对比度和结构相似性，α是一个权重参数。

SSIM法的优点是可以更好地反映人眼的感知结果，并且与其他评价方法相比，结果更具有客观性和可重复性。

图像处理技术的图像质量评估与评价方法在图像处理技术的发展过程中，图像质量评估与评价方法起着至关重要的作用。

图像质量评估是指对经过处理的图像进行质量判断和评估的过程，通过对图像质量的准确评估，可以帮助人们选择最佳的图像处理算法和优化图像处理的结果。

本文将介绍图像质量评估的相关概念、常用方法以及评价指标。

我们来了解一些图像质量评估的基本概念。

图像质量评估分为参考图像质量评估和无参考图像质量评估两种方法。

参考图像质量评估是通过将经处理的图像与原始图像进行比较，从而评估图像质量。

而无参考图像质量评估则是直接对图像进行评估，无需参考标准。

图像质量评估还可以分为主观评价和客观评价两种方法。

主观评价是通过人类视觉系统进行评价，通常需要一些受试者对图像进行评分。

客观评价则是通过计算机算法进行评价，使用各种图像质量评估指标衡量图像的质量。

接下来，我们将介绍一些常用的图像质量评估方法。

首先是主观评价方法，这些方法通常需要人类主观感受来评价图像质量。

其中，有意见分数法、比较评定法、排序方法等。

意见分数法是通过要求评价者给出一定的分数来评价图像质量。

比较评定法是让评价者选择哪个图像质量更好或更差。

排序方法是让评价者对一组图像进行排序，从而确定图像质量的优劣。

这些方法可以得到相对准确的图像质量评价结果，但需要耗费时间和人力资源。

除了主观评价方法，还有一些客观评价方法被广泛应用于图像质量评估。

其中，结构相似性指数（SSIM）是一种常用的客观评价指标。

SSIM通过比较图像的亮度、对比度和结构等特征来评估图像质量。

另一个常用的客观评价指标是峰值信噪比（PSNR），它是通过计算图像中的信号与噪声之比来评估图像质量。

还有一些其他的客观评价指标，如均方误差（MSE）、感知亮度误差（LPIPS）等。

这些客观评价指标可以通过计算机算法自动进行评价，具有快速、准确的特点。

除了上述方法，还有一些特殊场景下的图像质量评估方法。

例如，在图像压缩领域，可以使用压缩比、编码效率等指标来评估图像质量。

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。

fsim指标
FSIM（Feature Similarity Index Measure）是一种用于评估图像质量的指标。

它利用特征相似性进行质量评价，主要考虑了图像的结构和纹理信息。

FSIM指标基于人类视觉系统（HVS）的特性，认为图像中的特征对于感知图像质量非常重要。

这些特征包括边缘、角点、纹理等，它们在图像中起着关键作用。

FSIM通过比较两幅图像的特征相似性来评估它们的质量。

它采用了一种多尺度的策略，在不同的尺度上提取特征，并比较这些特征的相似性。

这样做的好处是能够同时考虑图像的细节和整体结构。

FSIM指标的计算过程包括以下几个步骤：
1.特征提取：在输入的两幅图像中，使用滤波器组提取特征。

这些特征可以
是边缘、角点、纹理等。

2.特征描述：对于提取的特征，使用描述子进行描述。

描述子可以是SIFT、
SURF、ORB等。

3.特征匹配：比较两幅图像的特征描述，找出匹配的特征点。

可以使用最近
邻距离或者其他算法进行匹配。

4.特征相似性度量：根据匹配的特征点，计算它们之间的相似性度量。

可以
使用SSIM、NCC等度量方法。

5.质量评估：将所有尺度上的相似性度量进行平均，得到最终的质量评估结
果。

总之，FSIM指标是一种综合考虑了图像结构和纹理信息的评估方法，具有较好的可靠性和准确性。

它能够有效地评估图像质量，并被广泛应用于图像处理和计算机视觉领域。

图像质量评价方法
图像质量评价方法是用于评估图像的视觉质量的一种方法。

一般来说，图像质量评价可以从主观质量评价和客观质量评价两个方面进行。

主观质量评价是指通过人类主观感知来评价图像质量。

常用的方法包括双比较法、有序对比较法和主观质量评价实验等。

这些方法通常需要大量的人员参与和花费较长的时间，但是可以提供较为准确的质量评价结果。

客观质量评价是指通过使用计算机算法来评价图像质量。

常用的方法包括结构相似性指标（SSIM）、峰值信噪比（PSNR）和均方根误差（MSE）等。

这些方法通常可以快速计算出图像的质量评价结果，但是与人类主观感知存在一定的差距。

除了上述方法外，还有一些更高级的图像质量评价方法，如基于机器学习的图像质量评价方法和基于深度学习的图像质量评价方法。

这些方法利用机器学习算法和深度学习模型来学习大量图像数据的特征，从而更加准确地评价图像的质量。

总而言之，图像质量评价是一个涉及到人类感知和计算机算法的综合问题，不同的评价方法可以在不同的场景下应用。

基于可控金字塔的立体图像质量评价方法作者：卫津津李素梅刘文娟臧艳军来源：《计算机应用》2012年第03期摘要:在分析和模拟人眼感知立体图像方式的基础上,提出了一种评价立体图像质量的方法。

该方法结合人眼视觉特征和结构相似度算法对立体图像质量进行评价,利用可控金字塔模拟人眼视觉特性中的多通道效应,同时采用立体图像左右视图的特征点的匹配算法对立体图像的立体感进行评价。

实验结果表明,该方法与主观评价结果基本一致,能够更好地反映立体图像质量及立体感。

关键词:人眼视觉系统;立体图像;可控金字塔;立体感;图像匹配中图分类号: TP317.4 文献标志码:AObjective quality evaluation method of stereo image based on steerable pyramidCollege of Electronic Information Engineering, Tianjin University, Tianjin 300072, ChinaAbstract:Through analyzing and simulating human visual perception of stereo image, an objective quality evaluation method of stereo image was proposed. The method combined the characteristics of Humaneffects. Meanwhile, the proposed method used stereo matching algorithm to assess the stereo sense. The experimental results show that the proposed objective method achieves consistent stereoscopic image quality evaluation result with subjective assessment and can better reflect the level of image quality and stereo sense.Human Visual System (HVS); stereo image; steerable pyramid; stereo sense; image matching0 引言与平面图像相比,立体图像能带给人更真实的视觉体验与临场感,近年来立体成像技术逐渐成为国内外学者的研究热点,它主要用于3DTV、自由视点TV(Free viewpoint TV, FTV)、3D照相机、3D电影、远程教育、医疗、模式识别、虚拟视点合成等诸多方面-。