视觉信息应用技术 课程总结（实验分析过程，单双刺激法，T、F检验法）

一、视觉主观实验——假设提出、结论构成

1. 设计实验：先假想——想证实什么问题，问题假设是否可以存在
2. 有没有其他因素影响
3. 因素对人具体产生什么影响
4. 影响的共性
5. 进行数据分析
6. 分析结论是什么
7. 结论带来的现实意义是什么（应用推广，实用价值），要具体
8. PS：图表要描述得清晰、易懂，尽量美观。可以使用matlab等绘图。

二、视觉主观实验——常见评价方法：单、双刺激法

• 实验是与失真有关的质量评价，建议使用双刺激评价法。
• 图像、视频等不确定具体方法时，用单刺激法。
• 从时间的性价比上考虑，我们还是推荐大家使用单刺激法。

（一）单刺激法

1、MOS值

Mean opinion score——取同一个对象的所有被试的打分结果的平均值。

2、剔除异常值（两种方法）

1. 根据所有人的评分结果，得到MOS（平均）值1和标准差，当某人的数值与平均值1的差值的绝对值超过2倍标准差的时候，去掉这个值，用剔除异常值后剩余数值的平均值2代替。

• 此处处理excel数据时应用到的函数有：
  稍后更新

  • 平均值1：=AVERAGE($E$2:$E$31)
  • 2倍标准差（标准差不是方差，是方差的开方）：=STDEV.P($E$2:$E$31)*2
  • 用0替换异常值：=IF(ABS(E2-E32)>E62, ,E2)
  • 求剔除后平均值2：=SUM(Y2:Y31)/COUNT(IF(Y2:Y31=0," ",Y2:Y31))

  更新

2. 保证每个素材在整个评价过程中重复出现2次，当某人对同一张图像的打分结果超过2个数量级的时候，对这个素材进行一次标记，如果整个标记次数超过了这个人整个打分素材数量的15%，说明这个人不靠谱，把这个人的数据都去除。这种方式得到的数据更稳定，但是花费时间更长。
   PS：实验人数少用第二种，人多用第一种

（二）改进的单刺激法（截至目前最精确的处理数据方法）

将所有素材给每个被试呈现两遍（随机顺序），并且两遍都要打分，然后通过看两遍的结果判定这个被试给出的分数是否稳定。

此处如何判断是否稳定？
答：根据打分表设计的具体情况判断。（如下）

由图可知：

• 比如1分和2分，只是空间感不太明确和没有的关系，但是如果1分和3分，就是明显的有和没有的差别了。
• 也就是说，当被试看同一对象两次的时候，可能会因为每次的感知情况不同而出现给出了相邻分值的情况，例如3分和4分，2分和3分，1分和2分。
• 但是，如果你对同一张图像，第一次给出1分，第二次给出3分；或者第一次给出3分，第二次给出5分，这就说明这个被试在观察的时候，太不稳定。就要把这个被试当前的这个分值去掉，用其他人的平均值代替。
• 注意，这时只是把这个人针对当前“不稳定分值”的素材的打分去掉。
• 但是我们还要继续分析，他打分的整体情况，出现这种“不稳定”给分的数量占整个打分数量的百分比。
• 比如这个人一共评价了20组图像，其中有2组“不稳定”，被去除了，去除率是10%，那这个人的其他分值还可以保留，继续和其他人一起做平均。
• 但是，如果这个人平均了20组图像，其中出现了4组“不稳定”，被去除了，去除率超过了15%，说明这个人有点不靠谱啊，那么他的全部打分数据，都要被去除。

PS：
此方法最大的缺点是：当素材数量较多时，两遍打分会相应的消耗大量的时间。
这需要我们设计好具有一定区分度的变量，并且设计合适的量表，否则无法区分。并且观察人数不宜过少。

（三）成对比较法

除了单刺激法外，还可以用一种准确度更高，区分更明显，但是相应更复杂的，成对比较法。

• 进行成对比较时，两个刺激可以同时呈现，也可以先后呈现。如果是同时呈现需要消除空间误差，如果是先后呈现要消除时间误差。
• 消除空间误差，就是做完一遍实验之后，更换两个素材的位置顺序，然后再让被试选择。
• 消除时间误差，就是做完一遍实验后，设计和第一次相反的两个素材的呈现顺序。
• 成对比较法本来就比较复杂，有多少个样品，就要比较n（n-1）/2遍，再加上消除误差的结果，等于这个2就没除
• 虽然能“非常有效”地区分被试的判断，但是非常非常耗时间，适用于实验素材的数量不多的时候。

ITU-R 20BT.500-13 20建议书电视图像质量的主观评价方法

三、视觉主观实验——实验数据高阶处理方法

前面我们都熟悉了如何用“描述统计”的方式表示数据，并且绘制成图表进行分析。
但是我们始终无法回答一个问题，就是我们设计的这些变量，到底是不是“显著影响”被试给出的评价结果。
比如我们分析的颜色数据，我们只能从趋势图或者均值变化判断，有没有差异，立体感最高的是哪个颜色，立体感最低的是哪个颜色。但是颜色这个变量（自变量），我们如何通过数据统计分析的方法回答“它到底有没有显著影响立体感变化”这个问题？
就是我们接下来要学习的——解释显著性的两种最常见的方法，T检验和F检验。

1、T检验

t检验又分成3种情况：单总体的t检验，独立样本的t检验和配对样本的t检验。

1. 单总体的t检验：
   例如：以我们实验室的同学为例，我们可以先测算一下实验室里同学的男女比例，然后再跑到隔壁媒介音视频实验室去测算一下那边的男女比例。你选择的这些你认识的，可以直接测算出来的同学就是样本。而我们布置的“信通学院所有研究生的性别”就是总体。如果你已经知道了总体的结果，又知道了某次抽取的样本的结果，那么就可以根据单总体t检验，判断样本均值和总体均值相比是否显著差异。

这里的单总体 统计量计算公式t值是这样的：

X是样本平均值，μ0是整体平均值，S是总体的标准差。

当n＞30时，公式可以写成：

举个例子：某校二年级学生期中考试英语成绩平均分73分，标准差17分。期末考试后，随机抽取20人的英语成绩，平均分79.2分，该成绩是否有显著进步？

这里20-1少了根号。

计算出t值后就是假设检验的一般步骤：

• 首先：建立原假设H0：成绩没有显著进步
• 然后，我们根据样本的自由度，查表得到当前自由度下的t值：
  
  
• 接下来，因为我们计算的t值小于自由度为19时的t值，证明成绩没有显著进步的概率大于0.05，因此我们接受原假设，拒绝显著性假设，20人的成绩平均值与总体平均值差异不显著。
• 关于这里面的统计学原因，我们这里只要会用就可以，不花时间去理解。

2. 独立样本的t检验（常见）：
   用于判断两个独立的样本是否来自相同均值的总体。
   应用举例：对同一次考试的结果，男生和女生的结果比较是否显著。
   男生的结果和女生的结果而言，就是独立的样本。
   这时的独立样本 统计量检验公式t值的计算方法为：
   
   其中这个看似复杂的分母给出的是均值之差的标准误差，反应了样本平均数的离散程度。
   检验时依然要根据df的值确定临界值t0.05的大小，做出统计推断。
   
   同样需要查t分布的表，然后判断t值和t0.05的大小，如果小于这个值，则接受原假设，拒绝显著性假设；如果大于这个值，证明两组样本均值差异显著。
   能够实现这种检验的要求是，两个样本相互独立，且要求他们的总体分布都为正态的。

3. 配对样本的t检验
   用于检验两个相关的样本是否来自具有相同均值的总体。

应用举例：同一实验对象，在两个不同时间上分别接受前后两次处理。
我们开学时候学过的莫扎特实验，听音乐前和听音乐后，就属于这种情况。
配对样本的t检验计算方法：

其中分子的d为：
di是前后两次的处理差值：

此为分母的计算方法：

依然是均方误差，我们还是要根据自由度进行查表判断：

如果t值大于临界值，显著性成立，如果t值小于临界值，则两组均值不显著。

PS：
t检验是最简单的显著性检验方法，但是通过我们的分析，发现貌似仅针对的都是两组对象的比较情况。

如果我们要增加因素，那么t检验就没法直接使用了。
这时候我们就要用到另一种检验形式，F检验。

2、F检验

• F检验又叫：方差分析，是检验不同组或不同条件下分数的差异是否显著的方法。
• t检验和f检验中，我们要求大家都能掌握方差分析的一般处理方法，方差分析的基本逻辑如下：
  
  关于组间和组内的概念，理解如下：
• 组间：对于单因素来说，如果你设计了1个变量，这个变量有5个水平，那么组间就是这5个水平之间的差异。（k个水平）
  比如你想研究5个年龄段的人对某种东西的喜好情况，这个喜好的结果就是因变量，而年龄是自变量，5个年龄段就是自变量的5个水平，也就是方差分析的时候要分析的“组间”。
• 组内：某个水平测试了 n次

其中F值的基本求解方法如下：

SSt和SSe是我们根据组内（处理内）和组间（处理间）的情况求得的方差。

举个例子：针对有n个样本，K个处理（简单起见，可看做1个因素，这个因素有k个水平的情况，而nk为总体的测试处理个数，即k个处理中，每个都接受了n个样本的测试，共有nk个观察值），我们的计算方法如下：

首先列举数列：

接下来，我们先求解各处理的平均值和所有样本的平均值：（PS：处理平均值 公式 求和之后少了一个平均，要除一个n）

在这个基础上，我们就可以求解处理间和处理内的方差了：（每个处理都有n个被试进行操作，所以计算完单一处理的平均值以后，先乘以n，再进行所有处理间的累加）

dft和dfe是处理间与处理内的自由度，只要记住公式即可。

PS：
如果大家比较纠结自由度的问题的话，有一种比较容易理解的解释方法：
1）在计算处理间平方和的时候，每个处理的平均值会受到处理的总平均值的约束，所以dft=k-1，就是说每个处理都会受到这个平均值的约束：

2）而对于处理内的每个值，因为一共有n×K个观察值，而每个处理又有一个均值，共有K个处理就有K个处理间均值，所以处理内的数值的自由度dfe=n×k-k=k×（n-1）

针对dfe的另一种解释是，因为总体的自由度是n×k-1，这个1是受到总体平均值的影响，而已知处理间的自由度是k-1，所以处理内的自由度就是总体自由度-处理间自由度，也就是我们之前给大家展示过的公式：

判断是否显著的重点来了：

和t值的判断方法类似，到底显著不显著，我们要比较给定置信度区间内的F值和我们计算出的F值的大小。
如果我们计算的F值大于这个查表得到的值，那就显著。
如果我们计算的F值小于这个查表的值，那就不显著。

底下的部分是具体的数值，如果你不是想重温一下概率论与数理统计的话可以不理会。

下面这部分中，第一个α值，对应着我们假设检验的概率：
m=k-1 表示处理间的自由度，n=nk-k（不是同一个n） 表示处理内的自由度。
如果我们是准备验证p是否小于0.05（比较显著），那就在α的位置填0.05；
如果我们是准备验证p是否小于0.01（更加显著的取值），那就在α的位置填0.01：

这些都填好之后，后面那个大格子会直接给出F值的查表结果。

举例说明：
方差分析举例说明.

3、SPSS的操作流程及注意事项

有空更新

• 被试内设计：每个被试接受所有的实验
• 被试间设计：不同的被试接受不同的实验

四、3D图像和视频

• 由于调节（聚焦）和会聚不在同一个平面上，导致人眼在频繁切换的过程中会非常疲累——调节（聚焦）在屏幕上，但是会聚却在屏幕前面（出屏）或后面（入屏）。
• 正负视差：
  正视差（+）：入屏（屏幕后）
  负视差 （-）：出屏（屏幕前）
• 立体效果比较糟糕的失真情况有三种：

1. 纸板效应（摄像机间距过小）：对象不立体，没有厚度
2. 小人国效应（摄像机间距过大）：画面中对象显得很小，比例出现问题。
3. 窗口效应（出屏，产生负视差了）：通过构图可以解决