图像质量评价综述：美学+客观（原创）

目录

一、背景介绍

1.1 分类以及各自的局限

1.2 图像库

1.3 评价图像质量的指标

二、客观质量评估

2.1 传统算法评估FR、RR、BR/NR

2.1.1 FR-IQA

2.1.2 RR-IQA

2.1.3 NR-IQA

2.2 深度学习算法

2.3 实验结果

2.4 RankIQA介绍

2.4.1 算法流程

2.4.2 资源汇总

三、美学质量评估

3.1 目前现状

3.2 算法1：NIMA，2017，google

3.3 算法2：ILGNet，2016，北京电子科技学院

---

 

一、背景介绍

1.1 分类以及各自的局限

根据评价的内容分为：客观质量评价，美学评价

根据评价训练时用到的参考图像信息多少分为：全参考、半参考、无参考

（高质量--低质量）

全参考的限制在于图像库，高质量和低质量图像库，以及打分。

无参考不需要参考图像，是目前主要的研究方向。

 

美学评价，不存在参考的问题，目前主要是看成分类或者分类的问题。

 

1.2 图像库

（1）客观评价图像库

 

（2）美学评价图像库

AVA（2012）：255530幅，1-10分。每幅图被评分的人数范围为78-539，平均210。

                         200多篇论文引用

AADB（2016）：8种美学因素（平衡、颜色和谐型、趣味、景深、光照、主体、三分、颜色丰富性）的二值分类评价（在单个美学因素上的“好”与“不好”）。因素评价太多简单。

PCCD（2017）：评分+分布+多人语言评论，但太少4307幅

AROD（2018）：38万幅，图像查看和点赞次数计算得到美学评分

 

1.3 评价图像质量的指标

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）。

（1）LCC

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

 

（2）SROCC

 

（3）KROCC，RMSE

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。