python图像质量评价_图像质量评估：BRISQUE | 附 C++和Python代码

我们都知道拍摄相片容易，但是想拍摄高质量的图片却很难，它需要良好的构图和照明。此外，选择正确的镜头和优质的设备也会提高图像的质量。但是，最重要的是，拍摄高质量的图片需要良好的品味和判断力，也就是我们需要专家级的眼光。

但是，能否有一种对图像质量人为判定标准的数学度量呢？

答案既是肯定的，也是否定的！

有一些质量度量很容易被算法捕获。例如，我们可以通过对图像的像素的判断来判定某张图像是否嘈杂或者模糊

另一方面，也有一些图像质量评判标准无法通过算法来计算。例如，算法很难评估图像背景的文化信息，进而难以评判图片质量。

在本文中，我们将学习预测图像质量得分的算法

注意：本教程已在Ubuntu 18.04、16.04，Python 3.6.5，Python 2.7和OpenCV 3.4.1和4.0.0-pre版本上进行了测试。

什么是图像质量评估（IGA）？

图像质量评估算法是对任意的图像进行质量评分，将图像整体作为输入，将图像的质量得分作为输出，图像质量评估分为三种：全参考图像质量评估：在这种方法中，我们拥有一个非失真的图像，以测量失真图像的质量。在我们可以拥有原始图像及其压缩图像的情况下，此方法可用于评估图像压缩算法的质量。

降低参考的图像质量评估：在这种方法中没有可以用来参考的图像，但是具有参考信息的图像（例如，带有水印的图像）可以比较和测量失真图像的质量。

无参考图像质量评估：算法获得的唯一输入是要测量其质量的图像，完全没有可以用来参考的图像，因此被称为无参考“No-Reference”

无参考IQA

本文中我们将讨论一种称为无参考图像空间质量评估器（BRISQUE）的无参考IQA度量标准。在深入研究该理论之前，让我们首先了解两个基本术语：

1.失真图像（Distorted Image）：顾名思义，失真图像是原始图像的一个演变，该图像因模糊，噪点，水印，颜色变换，几何变换等而使数据失去了原始的磨样。图1 TID 2008数据库中使用的失真

2.自然图像（Natural Image）：在本文中，我们是指未经后期处理直接由相机捕获的图像。下面是自然图像和失真图像的示例。图2 自然图像（左）和噪声图像（失真，右）

图像质量评估（IQA）数据集

质量是一个主观问题。要悬链一种有关质量好坏的算法，我们需要许多图像示例及其质量得分。

谁为这些训练图像指定质量得分？人类，当然。但是我们不能仅仅依靠一个人的意见。因此，我们需要几个人的意见，并将图像的平均得分分配为0（最佳）到100（最差）之间。该分数在学术文献中被称为平均质量分数。

我们可以直接使用名为“TID2008”的数据集来训练和测试我们的算法。

无参考图像空间质量评估器（BRISQUE）

在本节中，我们将介绍用于无参考IQA的BRISQUE算法所需的步骤。整体流程入图3所示。图3 使用BRISQUE模型计算图像质量得分的步骤

步骤1：提取自然场景统计信息（NSS）

自然图像的像素强度分布与失真图像的像素强度分布不同。当我们对像素强度进行归一化并在这些归一化强度上计算分布时，