图像质量评价（5）图像质量评价综述

综述：https://zhuanlan.zhihu.com/p/32553977

1、衡量图像质量评估结果的指标：
通常比较模型客观值与观测的主观值之间的差异和相关性。

常见的2种评估指标是线性相关系数（Linear Correlation Coefficient, LCC）和Spearman秩相关系数（Spearman's Rank Order Correlation Coefficient, SROCC）。

 

LCC也叫Pearson相关系数（PLCC），描述了主、客观评估之间的线性相关

 

除此之外，还有Kendall秩相关系数（Kendall Rank Order Correlation Coefficient，KROCC）、均方根误差（Root Mean Square Error， RMSE）等评估指标。KROCC的性质和SROCC一样，也衡量了算法预测的单调性。RMSE计算MOS与算法预测值之间的绝对误差，衡量算法预测的准确性。

 

二、传统算法评估FR、RR、BR/NR
1、FR-IQA

PSNR、SSIM等等类似于特征

PSNR

SSIM

VIF

FSIM

GMSD

 

2、RR-IQA

一般不用，不介绍了

 

3、NR-IQA

有针对具体失真类型的：比如模糊、块效应、jpeg压缩、噪声等

基于通用类型的：转化为分类或者回归问题，使用特定的特征进行训练。特征要么统计提取，要么通过机器学习或深度学习发现。

（1）有基于SVM的方法，提取图像空间域/变换域特征，再基于SVM等模型。

代表算法：BIQI，DIIVINE，BRISQUE

（2）概率模型

代表算法：BLIINDS，NIQE

（3）基于码本的方法

代表算法：CORNIA

 

三、深度学习算法

主要介绍用于NR-IQA的深度学习训练

 

1、2014：5层神经网络：输入32*32图像，SVR损失函数

L. Kang, P. Ye, Y. Li, and D. Doermann. Convolutional neural networks for no-reference image quality assessment. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 1733–1740, 2014.

 

2、2014：提取3000个特征训练自动编码器，用编码器初始化3层DNN

介绍了一种新的基于深度学习的图像质量指数（Deep learning based Image Quality Index， DIQI）来评估无参考图像质量

K. Gu, G. Zhai, X. Yang, and W. Zhang. Deep learning network for blind image quality assessment. In Image Processing (ICIP), 2014 IEEE International Conference on, pages 511–515. IEEE, 2014.

 

3、2018：VGG修改网络

S. Bosse, D. Maniry, K.-R. Müller, T. Wiegand, and W. Samek. Deep neural networks for no-reference and full-reference image quality assessment. IEEE Transactions on Image Processing, 27(1):206–219, 2018.

 

4、2016：DeepBIQ

[3] S. Bianco, L. Celona, P. Napoletano, and R. Schettini. On the use of deep learning for blind image quality assessment. arXiv preprint arXiv:1602.05531, 2016.

 

5、RankIQA，能解决图像集少的问题

[2] RankIQA: Learning from Rankings for No-reference Image Quality Assessment. https://xialeiliu.github.io/RankIQA.

 

四、实验结果

统计了一些FR和BR的算法在LIVE数据集上的结果