1.介绍
2.相位一致性
3. 梯度幅度的计算（GM）
4. FSIM 方法
1.介绍
提出SSIM，MS-SSIM等文章的不足：当对局部特征图进行池化时，所有位置被认为具有同样的重要性。在VIF中，图像被分解为不同的子带，这些子带在池化时具有不同的权重，然而在每个子带中，每一个位置都被认为同样重要。这样的池化策略与我们关于人类视觉系统的一些直观结论不符，即图像中的不同位置在人眼观察时做出的贡献是不同的。
提出SSIM的重要贡献是应用了人眼视觉系统对图像结构信息的敏感。低级特征（如边缘，零交叉点）在人观察图像时传递着至关重要的信息。
根据以上两点信息：提出了本文的方法FSIM
特征选择： 选择了相位一致性（phase congruency PC）和梯度幅度（GM）
原因： PC 可以提取高度的图像信息特征，但是无法响应图像对比度的变化，可是图像局部的对比度有影响人眼视觉感受，所以又引入了GM特征来提取对比度信息。
整体流程 ：①使用两个特征计算局部相似度图②再次使用PC作为权重函数计算出一个相似度得分
改进 ：只考虑灰度图的FSIM，考虑色彩信息的为FSIMc
2.相位一致性
PC可以被视为对于局部结构的重要性的无量纲度量。相位一致性包含了丰富的纹理，边缘和结构信息，对于图像亮度和对比度的变化无关。
计算PC map的方法：
1. 滤波器的选择：Gabor filters and log-Gabor filters
选择log-Gabor理由：(没太懂)
one cannot construct Gabor filters of arbitrarily bandwidth and still maintain a reasonably small DC component in the even-symmetric filter, while log-Gabor filters, by definition, have no DC component, and 、2) the transfer function of the log-Gabor filter has an extended tail at the high-frequency end, which makes it more capable to encode natural images than ordinary Gabor filters
3. 梯度幅度的计算（GM）
使用Sobel ，Prewitt, Scharr算子计算梯度并比较性能。
4. FSIM 方法
分两步进行：
计算局部相似度图
池化相似度图为一个相似度得分
首先我们计算两幅图片的相位一致性PC1,PC2，梯度GM1,GM2，然后计算相似性
然后合并得到：
在这篇论文中设置α=β=1
在计算出整张图像的SL(x)后，作者根据
different locations have different contributions to HVS’ perception of the image. For example, edge locations convey more crucial visual information than the locations within a smooth area. Since human visual cortex is sensitive to phase congruent structures, the PC value at a location can reflect how likely it is a perceptibly significant structure point
的观点，作者认为任一像素点x，如果f1(x)或f2(x)其中有显著的PC值，那么这意味着这一点x对HVS评估两幅图像的相似度上有很大的影响。所以作者使用
去评估某一x位置的SL(x)对全局相似性的影响，所以我们可以以下的公式：
其中Ω代表着整张图片的像素域。
扩展到彩色空间的IQA
作者提出从RGB空间变换到YIQ空间
作者提出：因为I，Q具有范围相同的取值空间，所以我们让T3 = T4，
可以将SI和SQ合并来得到色度相似性度量
---------------------
作者：NODIECANFLY
来源：CSDN
原文：https://blog.csdn.net/nodiecanfly/article/details/82987695
版权声明：本文为博主原创文章，转载请附上博文链接！