SROCC(Spearman rank-order correlation coefficient)
当SROCC取1表示算法性能很好,-1表示很差。值越接近1,IQA算法性能越好。
KROCC(Kendall rank-order correlation coefficient)
KROCC的数值越大, 说明两个数据之间的相关性越好,IQA算法性能越好;值越小说明相关性越差,IQA算法性能一般。
相比之下,SROCC侧重于计算两个向量之间的关联度,而KROCC倾向于评估两个向量的依赖强度
PLCC(Pearson’s linear correlation coefficient)
PLCC 描述两组数据之间的线性相关性,其取值范围为 -1~1。当 PLCC 的值为零时,表示两组数据完全不相关(图像的客观质量分数和主观质量分数相差很大);当 PLCC 值为 1 或 -1 时,表明两组数据完全相关(图像的客观质量分数和主观质量分数一样)。PLCC 描述算法的客观评价分与人眼主观打分之间的相关性,衡量了IQA算法预测的准确性。
参考一
参考二
MOS(mean opinion score)
RMSE(root mean square error)
均方根误差越接近于 0,IQA算法性能越好。
相比之下,SROCC侧重于计算两个向量之间的关联度,而KROCC倾向于评估两个向量的依赖强度。此外,KROCC有更严格的要求,如向量应为序数。第三个标准是pearson-lin-ear相关系数(PLCC)或通常称为线性相关系数,该系数根据预测精度衡量两个向量之间的相关性。此外,最后一个是均方根误差(RMSE),用于预测两个向量的预测一致性
参考内容:
图像质量评价(IQA)综述
图像质量评价学习笔记02:IQA模型性能评价指标(PLCC、SROCC、KROCC、RMSE)
评估图像质量评价算法性能的几个常用的标准