图像质量评估

评估算法

信息熵

图像信息熵：从信息论的角度反映图像信息丰富程度。图像信息熵越大，信息量越丰富，质量越好。
计算：图像的pixs[256]像素的count累计和sum，图像的像素size=row*col，像素概率p_i=pixs[i]*size,信息熵result += pixs[i]*log2(pixs[i]);

平均梯度(mean gradient)

指图像的边界或影线两侧附近灰度有明显差异，即灰度变化率大，这种变化率的大小可用来表示图像清晰度。它反映了图像微小细节反差变化的速率，即图像多维方向上密度变化的速率，表征图像的相对清晰程度。评价梯度越大，图像层次越多，也就越清晰。
计算： sqrt( (dx^2 + dy^2) /2 ) 离散的dx与dy分别为col与row方向的相邻的离散点的差值。

视觉信息保真度(Visual Information Fidelity, VIF)

VIF是Sheikh等结合自然图像统计模型、图像失真模型和人眼视觉系统模型提出的图像质量评价指标.与峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)、结构相似性(Structural Similarity, SSIM)等指标相比，VIF与主观视觉有更高的一致性。其值越大，表明图像质量越好。

峰值信噪比（PSNR）

峰值信噪比，是一种评价图像的客观标准，它具有局限性，一般是用于最大值信号和背景噪音之间的一个工程项目。PSNR是最普遍，最广泛使用的评鉴画质的客观量测法，不过许多实验结果都显示，PSNR的分数无法和人眼看到的视觉品质完全一致，有可能PSNR较高者看起来反而比PSNR较低者差。这是因为人眼的视觉对于误差的敏感度并不是绝对的，其感知结果会受到许多因素的影响而产生变化（例如：人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个区域的感知结果会受到其周围邻近区域的影响）

code实现

结构相似性（SSIM）

SSIM(structural similarity index)，结构相似性，是一种衡量两幅图像相似度的指标。该指标首先由德州大学奥斯丁分校的图像和视频工程实验室(Laboratory for Image and Video Engineering)提出。SSIM使用的两张图像中，一张为未经压缩的无失真图像，另一张为失真后的图像.其中值的范围在0～1之间，1为完全一致，0为完全不一至。SSIM值越大，图像质量越好，该指标算法实现简单，质量评估效果比较可靠。

code实现

均方误差（mean-square error, MSE）

是反映估计量与被估计量之间差异程度的一种度量。

code实现

图像质量客观分类

全参考，Full-Reference，FR：

A）基于图像像素统计基础：计算待评图像和和参考图像对应像素点灰度值之间的差异，从统计角度衡量图像质量优劣。

PSNR，峰值信噪比
MSE，均方误差
缺点：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，因此对图像局部质量无法把握。

B）基于信息论基础：基于信息论中的信息熵基础。

IFC，信息保真度准则，Information Fidelity Criterion
VIF，视觉信息保真度，Visual Information Fidelity
缺点：对图像的结构信息没有反应。

C）基于结构信息基础：提出者认为图像的结构失真的度量应是图像感知质量的最好近似。在此基础上提出了结构相似性度量。

SSIM，结构相似度，Structure Similarity

半参考，也叫部分参考，Reduced-Reference，RR

无参考，也叫盲评价，blind quality，No-Reference，NR
由于理想图像很难获取，所以这种完全脱离了对理想参考图像依赖的质量评估方法应用较为广泛，无参考方法一般都是基于图像统计特征。

A）均值：图像像素的平均值，反应图像的平均亮度，平均亮度越大，图像质量越好。

B）标准差：图像像素灰度值相对于均值的离散程度，标准差越大，表明图像中灰度级分布越散，图像质量越好。

C）平均梯度：反应图像中细节反差和纹理变化，他在一定程度上反应图像的清晰度。越大越好。

D）熵：指图像的平均信息量，从信息论的角度衡量图像中信息的多少，信息熵越大，说明图像包含的信息越多。

清晰度评估算法

Tenengrad梯度方法

Tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度，同一场景下梯度值越高，图像越清晰。
实现：经过Sobel算子处理后的图像的平均灰度值，值越大，代表图像越清晰。

Laplacian梯度方法

Laplacian梯度方法利用Laplacian算子分别计算水平和垂直方向的梯度，通道是CV_16U 的。

方差方法

方差是概率论中用来考察一组离散数据和其期望（即数据的均值）之间的离散（偏离）成都的度量方法。方差较大，表示这一组数据之间的偏差就较大，组内的数据有的较大，有的较小，分布不均衡；方差较小，表示这一组数据之间的偏差较小，组内的数据之间分布平均，大小相近。
对焦清晰的图像相比对焦模糊的图像，它的数据之间的灰度差异应该更大，即它的方差应该较大，可以通过图像灰度数据的方差来衡量图像的清晰度，方差越大，表示清晰度越好。

参考
https://blog.csdn.net/zqx951102/article/details/82790000
https://blog.csdn.net/f290131665/article/details/79514410