影象增強演算法效果評價指標及實現
前言：
對於一種影象處理方法，怎麼樣來判斷該演算法效果的好壞呢？除了人眼本身的觀察，還可以用某種指標來量化評判，本文將總結一下影象質量評判的方法及實現。
影象質量評價分類（IQA:image quality assessment）：
影象質量評價目前來看主要分為兩類：
（1）主觀評價。即用人眼觀察和評判影象，主觀評價和人的感覺相一致，但是容易受到環境、心境等影響，而且大量評價影象時也顯得不現實。
（2）客觀評價。即採用演算法進行評價，相比於主觀評價，客觀評價具有操作簡單、成本低、易於解析和實現等優點，是影象質量評價的研究重點。所以本篇重點總結一下客觀評價的幾種方法。
客觀評價演算法根據其對參考影象的依賴程度， 可分成三類：( 1) 全參考: 和參考影象的所有畫素點做對應比較; ( 2) 半參考: 只需要和參考影象上的部分統計特徵做比較;( 3) 無參考: 不需要具體的參考影象。其中全參考演算法是研究時間最長、發展最成熟的。
一、全參考評價：
全參考演算法根據演算法採用的技術路線， 可分為基於誤差統計量的演算法和基於 HVS 模型的演算法。
1.基於誤差統計量的演算法的思路： 通過設計特徵來比較失真影象和參考影象的區域性差異, 然後在整幅影象上求出一個總的平均統計量, 並把這個統計量與影象質量關聯起來。最簡單的質量評價演算法就是均方差(Mean Squared Error, MSE)和峰值信噪比(Peak Signal- Noise Ratio, PSNR)。MSE 和 PSNR 計算複雜度小，易於實現，在影象處理領域中廣泛應用。但缺點是它們給出的數值與影象的感知質量之間沒有必然聯絡。
2.基於 HVS 模型的演算法的思路：
2.1基於誤差靈敏度的質量評價演算法
該方法可用圖1描述，演算法不同之處在於側重點和處理方式上的區別。
圖1.基於誤差靈敏度的評價框架
該方法的缺點在於：
(a)基於 HVS 特徵的方法一般認為原始影象質量是完美的，Weber 定律和點擴散函式(Point Spread Function)模型始終成立。
(b)一般假定 HVS 的多通道響應可以通過線性離散集合來模擬。
(c)一般假定通道分解是無損或無損於視覺的，變換後仍保持了質量評價的絕大部分資訊。
(d)一般認為通道分解剔除了影象間的關聯，道變換的作用可以通過掩蔽模型來模擬。
(e)HVS 的評價值可以通過測試誤差的非線性組合來模擬，目前大多采用線性加權組合。
前 3 條假設從 HVS 的特點以及實際操作來說，相對比較合理。實驗表明自然影象經過通道分解後，相同位置上的特徵基本上相同或者相似，即各通道之間實際上存在較高的相關性，這與上述(d)點假設相矛盾。另外，誤差的統計量來表徵影象質量方法，論其如何加權組合，仍可能存在兩幅影象失真型別完全不一樣、但誤差相同的現象。故上述(e)點假設也不合適。
2.2基於結構相似度的影象質量評價演算法
自然影象具有特定的結構，素間有很強的從屬關係，這些從屬關係反映了視覺場景中的結構資訊。由此產生了基於結構失真的影象質量評價方法，稱為結構相似 (SSIM)方法，框架參見圖2。
圖2.結構相似度評價框架
小結：基於誤差靈敏度的方法通過人為模擬 HVS 對誤差敏感度進行量化，過程易於解析，但是其演算法過於繁雜；SSIM 評價方法通過測量影象結構資訊的改變來反映影象質量的失真情況，演算法上明顯簡化，但同時也遮蔽掉了 HVS的其它生理特徵，過程不易於解析。所以，將 SSIM 和基於誤差靈敏度的評價方法中採用的 HVS 特徵加權評價聯合起來，是影象質量評價今後的一個發展方向。
二、半參考評價：
半參考演算法可以分為兩種: 基於影象特徵統計量的演算法和基於數字水印的演算法。這類演算法的特點是其只需從參考影象中提取部分統計量用於比較, 無需原始的畫素級別的資訊。
三、無參考評價：
無參考演算法可以分為兩種: 針對失真型別的演算法和基於機器學習的演算法。這類方法的特點無需參考影象, 靈活性強。無參考演算法的難點在於如何使評價結果儘量不受影象內容的影響。衡量演算法效能的定量指標：
影象質量評價演算法應該具備以下特性:
( 1) 準確性：主觀與客觀評價值之間的差異較小;
( 2) 單調性: 客觀評價值應隨主觀評價值的增減而增減;
( 3) 一致性: 演算法在測試集上表現出的效能與其在訓練集上表現的效能相近似。
影象質量評價演算法實現：
這裡附上幾種影象質量評價指標的演算法實現。
（1）峰值信噪比-PSNR（Peak Signal to Noise Ratio）
峰值信噪比（PSNR）經常用作影象壓縮等領域訊號重建質量的評價，常簡單的方式是通過均方差（MSE）來定義：
MSE為當前影象 X 和參考影象 Y 的均方誤差（Mean Square Error）。H、W 分別表示影象的高和寬；n為每畫素的位元數，一般取8，即畫素灰階數為256。PSNR的單位是dB，數值越大表示失真越小。
function pnsr_result = psnr(img_ref,img_in)
% img_ref is a high reference quality image
% img_in is the denoise image
% pnsr_result is the PSNR of the denoise image
width = size(img_ref,2);
heigh = size(img_ref,1);
if( width ~= size(img_in,2) || heigh ~= size(img_in,1) )
disp('Please check whether the input image and reference image have same size');
return
end
[a,b]=size(img_ref);
XX=double(img_ref) - double(img_in);
mse_value = sum(sum( XX.^2 ))/(a*b);
pnsr_result = 10*log10( 255*255 / mse_value );
end（2）SSIM
兩張影象 X 和 Y 的結構相似性可按照以下方式求出:
其中 μ 是平均值，是的方差，σ是的方差，σxy是協方差。
，
是用來維持穩定的常數。L 是畫素值的動態範圍,k1=0.01,k2=0.03。結構相似性的範圍為-1到1,當兩張影象一模一樣時，SSIM的值等於1。結構相似度指數從影象組成的角度將結構資訊定義為獨立於亮度、對比度，反映場景中物體結構的屬性，並將失真建模為亮度、對比度和結構三個不同因素的組合。均值作為亮度的估計，標準差作為對比度的估計，協方差作為結構相似程度的度量。
其中，matlab實現裡附帶了詳細的步驟說明和測試函式，我這附下測試結果：
（3）信噪比（SNR）
顧名思義，信噪比就是有用訊號與噪聲訊號的比值，具體我直接附維基裡的定義：
matlab實現：
function snr=SNR2(I,In)
% 計算噪聲比
% I :original signal
% In:noisy signal
% snr=10*log10(sigma2(I2)/sigma2(I2-I1))
[~,~,nchannel]=size(I);
snr=0;
I=double(I);
In=double(In);
if nchannel==1
Ps=sum(sum((I-mean(mean(I))).^2));%signal power
Pn=sum(sum((I-In).^2));%noise power
snr=10*log10(Ps/Pn);
elseif nchannel==3
for i=1:3
Ps=sum(sum((I(:,:,i)-mean(mean(I(:,:,i)))).^2));%signal power
Pn=sum(sum((I(:,:,i)-In(:,:,i)).^2));%noise power
snr=snr+10*log10(Ps/Pn);
end
snr=snr/3;
end%% snr
clc,clear all,close all;
ref = imread('D:\fcq_proMatlab\test_image\15.jpg');
H = fspecial('Gaussian',[11 11],1.5);
A = imfilter(ref,H,'replicate');
subplot(1,2,1); imshow(ref); title('Reference Image');
subplot(1,2,2); imshow(A); title('Blurred Image');
snrValue=SNR2(ref,A )
snrValue =
25.6430參考：
- 《影象質量評價研究綜述》[J]. 電腦科學
- 《影象質量研究方法進展》[J]. 電子與資訊學報
- 《基於頻域的結構相似度的影象質量評價方法》[J]. 清華大學學報
- http://blog.csdn.net/purgle/article/details/73719101
- http://blog.csdn.net/ebowtang/article/details/43643037
- http://blog.csdn.net/xiaohaijiejie/article/details/48053595