图像质量评估算法

图像质量评估算法

MAD(Mean Absolute Difference)：平均绝对差值
SAD(Sum of Absolute Difference)：绝对误差和
SATD(Sum of Absolute Transformed Difference)：哈达玛变换算法
SSD(Sum of Squared Difference)：差值平方和
MSD(Mean Squared Difference)：平均平方误差
SSIM(Structural Similarity Index)：结构相似性
MS-SSIM(Multi-Scale-Structural Similarity Index)：多层级结构相似性

MAD

$$D=\frac{1}{W\ast H}\sum _{x=1}^W\sum _{y=1}^H|S(x,y)-T(x,y)|$$
S(x,y)S(x,y) 表示原始图像在坐标(x,y)(x,y)的像素值，T(x,y)T(x,y)为待评价图像在坐标(x,y)(x,y)的像素值。WW代表图像宽度，HH代表图像高度。DD代表待评估图像与原始图像质量区别（或称失真度），越小越好。

SAD

$$D=\sum _{x=1}^W\sum _{y=1}^H|S(x,y)-T(x,y)|$$
变量意义同MAD.

SATD

SAD是两幅图像差值的绝对值的和，SATD为两幅图像差值进行哈达玛变化后系数的绝对值的和。

SSD

$$D=\sum _{x=1}^W\sum _{y=1}^H|S(x,y)-T(x,y){|}^2$$
变量意义同MAD.

MSD

$$D=\frac{1}{W\ast H}\sum _{x=1}^W\sum _{y=1}^H|S(x,y)-T(x,y){|}^2$$
变量意义同MAD。

SSIM结构相似性

首先计算图像均指
$$u_X=\frac{1}{R\ast C}\sum _{i=1}^R\sum _{j=1}^{C}X(i,j)$$
$$u_Y=\frac{1}{R\ast C}\sum _{i=1}^R\sum _{j=1}^{C}Y(i,j)$$

计算图像的方差
$${\sigma }_X^2=\frac{1}{R\ast C-1}\sum _{i=1}^R\sum _{j=1}^C(X(i,j)-u_X)$$
$${\sigma }_Y^2=\frac{1}{R\ast C-1}\sum _{i=1}^R\sum _{j=1}^C(Y(i,j)-u_Y)$$
$${\sigma }_X=\sqrt{{\sigma }_X^2}$$
$${\sigma }_Y=\sqrt{{\sigma }_Y^2}$$

计算图像的协方差
$${\sigma }_{XY}=\frac{1}{R\ast C-1}\sum _{i=1}^R\sum _{j=1}^C(X(i,j)-u_X)$$
计算中间方程组
$$L(X,Y)=\frac{2u_X{u}_Y+C_1}{u_X^2+u_Y^2+C_1}$$
$$C(X,Y)=\frac{2{\sigma }_X{\sigma }_Y+C_2}{{\sigma }_X^2+{\sigma }_Y^2+C_2}$$
$$S(X,Y)=\frac{{\sigma }_{XY}+C_3}{{\sigma }_X{\sigma }_Y+C_3}$$

其中L(X,Y)是亮度对比因子，C(X,Y)是对比度因子，S(X,Y)是结构对比因子。
计算SSIM：
$$SSIM(X,Y)=L(X,Y)\times C(X,Y)\times S(X,Y)$$
当设定C3=C2∖2公式可以简写为如下形式：
$$SSIM(X,Y)=\frac{(2u_X{u}_Y+C_1)(2{\sigma }_{XY}+C_2)}{(u_X^2+u_Y^2+C_1)({\sigma }_X^2+{\sigma }_Y^2+C_2)}$$

MS-SSIM多层级结构相似性

宽高以\(2_{M-1}\)为因子进行缩小。当M=1时，表示原始图像大小；当M=2时，表示原始图像缩小一半，以此类推。
$$SSIM(X,Y)=[L_M(X,Y){]}^{\alpha M}\sum _{J=1}M[C_J(X,Y){]}^{{\beta }_j}[S_J(X,Y){]}^{{\gamma }_j}$$