无参考图像质量评估方法：BRISQUE、RankIQA、DIQA

       常用的图像质量评估（IQA）分为无参考和有参考两种类型。常见的有参考图像质量评估方法有PSNR，SSIM以及VMAF。其中vmaf是针对视频来讲的，在它的评价方法里面添加了一些时域信息，如果应用于单张图片，需要做一些处理，如去除时域信息。有参考意味着图像质量是以参考图为基准。基于参考图像都是高清图像的假设，这些评价方法已经广泛应用于图像压缩以及图像传输、拼接之类的处理后图像的质量，假如这张参考图的质量本身就比较渣，那么该评价指标可信度就大大降低。另一方面，由于人眼感知信号的复杂性，两种不同类型的图像（纹理复杂度，或者图像归属种类），即使psnr或者ssim相同，人眼判断的结果可能差别很大。因此，拥有一套好的无参考的图像质量评价指标或模型可以帮助企业寻找最佳的压缩参数，并在不影响用户体验的情况下节省带宽。

      传统的无参考图像质量评价方法，如Brenner 梯度函数、Tenengrad 梯度函数、Laplacian 梯度函数以及图像信息熵函数等，在一定程度上可以判断出图像清晰度的层次，但是对于不同类型或者场景的图像可能会出现重大失误。但是对于同一张图片进行了不同级别的distortion，还是能够分辨出来的。因此在特定场景下，例如图像的对焦，还是有一定的应用场景。这些具体方法可以参考该博客

     自然场景统计NSS，作为视觉信号的一个微小子集，其在IQA上应用的越来越多。这是由于自然图像的像素强度分布不同于湿疹的图像像素强度分布，前者更加遵循高斯分布，而不自然或者失真的图像不遵循或者导致高斯分布变形。由此引出基于NSS的图像质量评估的算法BRISQUE。

BRISQUE（盲图像空间质量评估器）

       想象一下你有一张照片，但你没有这张照片的原版（也就是拍摄时完全没有失真的那张照片）。BRISQUE就像是一个聪明的观察者，它不看原版照片，只看你手上的这张。它怎么判断照片的质量呢？

1. 特征提取：首先，BRISQUE会仔细观察照片的每一个小区域，看看这些地方的颜色亮不亮、暗不暗，还有颜色变化的快慢（对比度）。它把这些信息整理成一种叫做“MSCN”的东西，这就像是给照片做了一个“健康检查”报告。

2. 特征向量：接着，BRISQUE会从这份“健康检查”报告中提取出36个关键点，就像是从报告里挑出了最重要的36条信息。这些信息帮助它了解照片哪里可能有“问题”。

3. 质量评估：最后，BRISQUE会用一种叫做“支持向量机”的机器学习方法，来根据这36条信息判断照片的质量是好是坏。就像是它拿着这36条信息去找专家打分一样。

        不过，BRISQUE也有它的局限性。比如，如果两张照片看起来很像，只是有一些微小的差别，它可能就不太容易分辨出哪个更好了。

RankIQA（基于排名的图像质量评估）

RankIQA则是另一种思路。它不看照片的绝对质量，而是比较两张照片的相对质量。

1. 排名训练：想象一下你有好多对照片，每对照片里都有一张比另一张质量差。RankIQA的任务就是学会判断哪张更差。它不断地看这些照片对，学习如何更准确地判断它们的质量排名。

       这种方法的好处是，它不需要知道照片的具体质量分数，只需要知道相对的好坏就可以了。

DIQA（基于深度学习的盲图像质量预测）

DIQA就像是图像质量评估界的“超级学霸”。它使用了非常强大的工具——深度学习，特别是卷积神经网络（CNN）。

1. 高频信息学习：首先，DIQA会特别关注照片中的高频信息（就像是照片中的细节和边缘）。因为失真往往会影响这些细节，所以DIQA会学习如何从这些高频信息中判断照片的质量。

2. 特征增强：然后，DIQA会不断地增加自己的“知识库”，通过添加更多的特征来提高评估的准确性。这就像是一个学生不断地学习新知识，让自己变得更聪明。

        DIQA的优势在于，它能够非常准确地评估各种复杂失真下的图像质量，这得益于深度学习强大的特征提取和学习能力。

       总的来说，这三种方法都是用来评估没有原版参考的照片质量的。它们各自有不同的方法和优势，但都在不断推动着图像质量评估技术的发展。