图像质量评价（一）：IQA介绍

简介

图像质量评价(Image quality assessment,IQA)目的在于使用计算模型来衡量图像质量使结果与主观质量保持一致（即主观质量好的图像其IQA评分也应该越高）。随着数字图像和传输技术的快速增长，IQA在图像获取、传输、压缩、恢复、增强等领域也变得更加重要。由于主观IQA技术在很多场景（例如实时场景等）无法使用，所以需要发展客观IQA技术来自动的、稳健的衡量图像质量。同时需要评价结果与人类观察员是统计一致的。在过去几十年间已经出现了多种IQA方法。

IQA分类

根据是否有参考图像，IQA分为全参考(full reference,FR)，半参考( reduced-reference,RR)，无参考(no-reference)。

全参考FR：在FR问题中除了给出失真图像，还给出了无失真的参考图像。

半参考RR：在RR问题中给出了失真图像，没有参考图像，但是给了参考图像的部分信息。至于是哪种信息取决于你的算法。RR算法在实时系统中很有用，RR的工作原理如下图所示。

无参考NR：在NR问题中仅给出了失真图像。NR是最难的图像质量评价方法。

如何检验IQA评价是否准确？

如果你想评价现有IQA算法的性能，或将你的IQA算法与现存的IQA算法做比较，你需要在公开的IQA数据集上做大量实验。通常，这样的数据集有大量参考图像，每个参考图像对应多个失真图像（失真类型不同）。每个失真图像都有一个人类观察员的主观评分。为了评价一个IQA算法，你需要对数据集的每个失真图像计算其IQA，然后计算IQA评分与主观评分的相关性。

Database	Source Images	Distorted Images	Distortion Types	Image Type	Observers
TID2013	25	3000	24	color	971
TID2008	25	1700	17	color	838
CSIQ	30	866	6	color	35
LIVE	29	779	5	color	161
IVC	10	185	4	color	15
Toyama-MICT	14	168	2	color	16
A57	3	54	6	gray	7
WIQ	7	80	5	gray	60

目前主流的IQA数据集如上表所示。其中TID2008、CSIQ、LIVE是综合性最好使用最多的。

假如你已经使用一种IQA算法计算出数据集中所有失真图像的IQA值，那如何衡量这个IQA值是否准确（即与主观结果是否接近）？通常有四种方法评价IQA算法的性能。

1、Spearman rank order correlation coefficient(SROCC)斯皮尔曼等级相关系数

n是数据集中失真图像数量，di是第i幅图像的主观和客观等级差值。

2、Kendall rank order correlation coefficient（KROCC）肯德尔相关系数

nc是数据集中一致性元素对数，nd是数据集中不一致性元素对数。

matlab计算上面两种相关系数的方法如下：

SROCC_Corr_Coef = corr(subjetiveScores, objectiveScores, 'type', 'spearman');

KROCC_Corr_Coef = corr(subjetiveScores, objectiveScores, 'type', 'kendall');

3、Pearson linear correlation coefficient (PLCC)