信息保真度准则(IFC)
这个评价值比较复杂,使用小波域的 GSM( Gaussianscale mixture) 模型对 NSS 建模,NSS指自然场景。
小波转换把图像分解成很多系数,自然场景的小波分解子代系数既不是独立的,也不是同分布的,一个系数的邻域如果有较大的方差,它也可能有较大的方差。也就是假设一个“好的图像”在GSM模型中的系数有一定的特征,只需要比较退化图像在GSM模型中的系数,就可以看出该图像的质量。
具体就是衡量失真图像(输出) 和源图像(输入) 的共同信息的多少来评价图像质量,即为 IFC。IFC 和其他基于 HVS 的方法相比,最大的特点是它不需要配置 HVS 的任何参数,计算上也比较简洁,得到了较满意的结果。感觉可以拓展到无参考图像评价。感觉很多指标就是很多个小的评价参数凑出来了,那么我自己也可以用几个线性无关的小评价参数组成一个新的评价参数,比如根据具体的使用场景设计。
特征相似性(FSIM)
引用:https://www.cnblogs.com/jian-hello/p/3552108.html
根据心理学和生理学的证据,可察觉的特征一般位于这样的一些点上,在这些点上傅里叶变换在不同频率上有相同的相位,例如在高度相位一致性的点上的特征能更吸引人的注意。
(1)相位一致性(Phase Congruency)
PC能够被认为是一个局部特征重要性的评估量。有不同的方式来计算一副给定图像的PC map,在这篇文章中使用Kovesi的方法。
二维情况比较复杂,具体参考:FSIM: A Feature Similarity Index for Image Quality Assessment。
问题:是否说明横纵分量关系性越大,表明引起人类的关注越多?
(2)梯度幅值
梯度可以通过卷积掩模来表示,Sobel 算子、Prewitt 算子和Scharr 算子是最常用到的计算梯度的三种方法。图像的梯度信息幅度GM 就可以定义为 ,其中Gx和Gy分别为在水平和垂直方向上计算得到的梯度值。
分为两个阶段,第一阶段针对PC的局部相似度和梯度的局部相似度计算相似度map;第二阶段结合两个相似度map到一个相似度分数。
第一阶段:
第二阶段:
由于在一个位置的PC值反应着在这个点上的结构信息能够被人识别的程度。因为可以利用这个进行加权,其中)。
这个值越大说明,当前所测试的图像越接近参考图像。
FSIM 相对于其他图像质量评价方法还有一个优点是其可以对彩色图像进行计算。这涉及色彩空间的转换,以后再写。