全参考的图像质量评价总结
李红芳
摘要：数字图像在实际的应用中会引入各种各样的失真，识别接受图像的是人的眼，所以图像质量的评价结果必须要与人眼的视觉效果相吻合。随着对人眼视觉系统的研究的不断深入与提高，研究人员根据HVS的特性建立图像质量评价模型来，这种模型大大的提高了图像质量主观评价和客观评价的一致性。文章详细地介绍了PSNR、SSIM、MSSIM、IFC、VIF、FSlM等几种典型的全参考图像质量评价方法分析探讨图像质量评价研究的发展趋势。关键词：结构相似度（SSIM）；梯度加权；视觉掩盖效应
1引言
随着通信技术的飞速发展，“数字”逐渐成为时代“宠儿”，在今后的发展中，数字化必将成为一种常态化技术，其应用也将更加广泛。长期以来，人类依托图像获取有价值信息，图像信息技术得以广泛应用，然而，图像在一系列处理过程中，极易因方式方法的不完备，造成图像失真或降质，这些失真或降质影射在人类视观上就是图像质量的改变。列举一个简单的例子，比如公司的指纹识别系统，假如之前录入系统的指纹是清晰的，在下次打卡的时候假如手指上沾染了墨渍之类的模糊物品，那么指纹识别系统是否还能再与原录入指纹对比的情况下识别该指纹？类似于这样的问题在人们的生活中有很多，等待着全参考图像质量的评价方法去解决并将之应用于实践中。因此，图像质量的合理评估具有非常重要的应用价值。
图像质量评价应用极为广泛：（1）对图像质量的状况进行动态检测和调整。比如，图像视频时，利用评价模型获得图像质量，反映当前视频的质量效果，进而进行合理调节，获取最佳视频效果。（2）对图像处理技术性能进行快速评估，也可适用于不同方案的图像处理技术性能比较。
就图像系统来说，对图像失真程度的定量描述（即对图像质量的评价）至关重要，它可以直接管理、控制和提高图像质量。深入研究图像质量评价方法，能为图像后期处理提供更加准确的技术支持，对图像处理技术的发展和应用来说意义重大。
2全参考图像质量评价方法发展
现代应用中，利用原始图像的全部信息，计算失真图像与原始图像间的误差，并通过综合误差进而获取对失真图像质量综合评价的方法，称之为全参考型图像质量评价方法。全参考型评价方法是当前最值得信任的质量评价方法。
全参考图像质量评价需要原始图像，经过数十年的发展已经形成了较为完整的理论体系和成熟的评价框架。将待评价的图像信号的质量可以通过与原图像的信号做对比之后所获取的误差信号来分析，图像质量的下降与误差信号的强弱有关。
最原始的图像质量评价方法就是峰值信噪比（PSNR）和均方差（MSE）。MSE和PSNR这2种方法易于计算，容易实现，但是MSE没有利用图像像素之间的相关性，和人眼感知到的数值相差较大。因而，人们基于HVS提出了很多客观质量评价方法来提高和主观评价的一致性。其中典型代表有Sarnoff提出的JND（Just Noticeable Difference）模型以及Stefan Winkler提出的PDM（Perceptual DistortionMetric）模型，这些模型很好的将人眼视觉合并为一个简单的算法，由于当时的技术发展的局限性，HVS系统的一些理论尚未成熟。目前新的主流的全参考图像质量评价方法在2002年由Zhou Wang等人提出——结构相似度（SSIM），它有效模拟了人眼提取视觉场景中结构信息的能力，大量实验证明SSIM的评价性能优于PSNR及MSE，引领图像质量的评价走进了新的领域。SSIM现在已经成为了应用最广泛的评价方法，但是这个方法对于模糊图像的质量评价存在缺陷，这极大的限制了它的实际应用。近年来国内外很多研究人员对SSIM算法进行了改进，例如叶盛楠等人做出对结构信息的新解释，提出了基于结构信息提取（structural InformationExtraction）的评价方法；Santiago Aja-Fernandez等人在SSIM的基础上提出了基于局部对比度的质量评价方法（QILV），图1为SSIM结构相似度模型的系统框图。
2006年，Hamid Sheikh～IFC的基础上，提出了一种新的模型VIF（Visual Information Fidelity Fidelity），他从信息通信和共享的角度来解决图像质量评估问题。
对比所有算法，VIF算法无疑表现最好，它在评价快速蜕变、高斯模糊、高斯白噪声、JPEG失真、JPEG2000失真以及其他失真的表现上都要好于其他算法，但是，VIF算法也是目前的所有算法中复杂度最高的，因此，实用性就不如SSIM强。
3结语
全参考图像质量评价方法的优点是：准确性高、最可靠、最可行；缺点是：在实际应用中，对原始图像的依赖程度太高，而原始图像大多数情况下不容易获取，而且存储和传输过程中的数据量较大，这就限制了其在许多领域中的应用。
