光電系統圖像質量評價方法綜述

矯英祺，任國全，李冬偉

(軍械工程學院，河北石家莊050003)

1 引言

隨著現代軍事科學技術的快速發展，在現代化高新技術戰爭條件下，光電成像系統作為情報收集、火控等設備在世界國防領域得到了高度重視，在武器裝備偵察系統中的地位日趨重要。光電成像系統主要用于對戰區進行偵查、監視、捕獲目標并進行跟蹤、識別、測距，控制精確制導武器的投放及目標指示等，因此光電成像系統成像性能的好壞直接影響著武器裝備的戰斗力。通過對所成圖像質量進行評價已經成為評估光電成像系統成像性能的一個重要手段。因此，對光電成像系統圖像質量評價方法的研究是一個重要的研究方向。

圖像質量通常是指人們對一幅圖像視覺感受及評價，一般采用圖像的逼真度和圖像的可懂度來對其進行評判［1］。圖像質量評價的工作原理為:首先用物理方法對圖像的物理特性進行度量，然后將度量值與規定標準進行比較，最后利用數字模型來度量圖像質量。

很多年前，人們就渴望找到一種可以定量評價圖像的真實性和可懂性，作為評估和設計成像系統的一個準則。但是目前對人眼視覺感知的理解還不夠。特別地，科學家們還沒有找到一個可以有效地定量描述人眼視覺特性的方法，所以對于圖像質量評價系統需要進行更進一步研究。

目前，圖像質量評價方法主要分為主觀評價方法和客觀評價方法兩大類［2－3］。

2 圖像質量主觀評價法

主觀評價方法通過人主觀感受對圖像質量進行評價，直接反映給人眼的感覺相對較為準確。主觀評價法要依賴評價人員的評估結果，評價人員主要由專業人員和非專業人員組成。評價人員的選擇應該具有廣泛的代表性，并由一定的判斷分析能力，能夠較快地接受和掌握評價方法［4］。主觀評價法中的每個過程都應該遵循既定的程序。

首先，由一組評價人員根據一些事先規定的評價標準和自身的經驗對待評價圖像進行評估;然后，根據所有評價人員的評估結果進行分析、處理，計算出平均分;最后，根據分析計算的結果得出待評價圖像的主觀評價結果。主觀評價有兩種標準，即絕對標準和相對標準，主觀質量指標如表1所示。

表1 主觀質量指標

主觀評價來自評價人員對圖像質量的主觀評定，如MOS(Mean Opinion Score)。但主觀評價費時費力，易受觀察者的知識背景、經驗、測試環境等多種因素的影響，實時性、穩定性、可移植性較差。盡管這種方法應用廣泛和可靠，但是評價結果總是限于一些特定條件。此外，主觀評價方法無法提供建設性的意見來改善圖像質量，所以MOS幾乎很少應用在成像系統中。

3 圖像質量客觀評價法

因為人類是所有圖像、視頻信息的最終感知者，最明顯的質量評價方法就是主觀評價法。然而，在實際應用中，主觀評價往往不方便，耗時、成本高，而且很難嵌入到成像系統中，因此目前主要研究以客觀評價方法為主。客觀圖像質量評價是設計一個計算模型，可以自動且精確地對圖像的質量進行評價或者預測，“準確”的意思是評價或者預測的結果要和人的主觀視覺一致。

客觀評價法按照是否需要原始圖像分為三種［5－7］:全參考質量評價(Full－ Reference QA)，需要將“失真”圖像與參考圖像進行比較得出評價結果;所參考質量評價(Reduced－Reference QA)，可以從參考圖像得到部分特征信息，并利用這些信息完成對“失真”圖像質量的評價;無參考質量評價(No－Reference QA)，不借助任何參考圖像的信息，獨立完成對圖像質量的評價。

3．1 傳統的圖像質量評價方法

3．1．1 均方誤差法(MSE)

設參考圖像和被測圖像均由M×N個像素組成，并且 x=1，2，…，M，y=1，2，…，N 。則兩個圖像之間的均方誤差為:

在酒店對于人才管理的過程中，國內酒店的管理人員由于傳統思想總是寄希望設法用各種手段來控制酒店的員工，甚至把一些激勵的措施也當成了控制知識型員工的手段。許多酒店在解決知識型員工“跳槽”問題上走進了誤區，他們把“跳槽”看成是員工的背叛或者認為員工跳槽體現出的是自己管理的失敗，為了遮蓋住這種失敗，有的甚至采取扣押金、扣檔案，扣工資等偏執的做法。最后，人非但沒留住，還嚴重影響到企業聲譽和形象。酒店的管理者即使知道采用這種管制性措施把人才被迫留住，所留人才會因此變得消極怠工，令酒店和員工個人雙方兩敗俱傷，也依然這樣做。

式中，a(i，j)表示被測圖像中對應的灰度值;a^(i，j)表示被測圖像中對應的灰度值。

均方誤差法是被測圖像與參考圖像間的簡單數學統計差別，計算公式直觀、嚴格，計算簡單，這些優點使得該方法一直得到廣泛的應用;但是，該方法需要逐像素進行比較，所有像素點同樣對待，在有些情況下，通過該方法所求得的結果與人主觀視覺感受不一致。

3．1．2 峰值信噪比法(PNSR)

峰值信噪比法(PNSR)本質上與MSE相同，其表達式為:

峰值信噪比的方法與均方誤差法類似，該方法需要逐像素進行比較，所有像素點同樣對待在有些情況下，通過該方法所求得的結果與人主觀視覺感覺不一致。

PSNR與MSE同樣都需要逐像素進行比較運算，但是這種基于對圖像隨機誤差進行統計運算的方法只能從數學角度上總體反映被測圖像和原始圖像的差別，而沒有考慮到人的視覺感知特性，其結果常與人們主觀視覺效果不一致，并不能完全反映圖像失真對圖像內容、邊緣和結構等構成的影響，不能完全反映圖像的質量，因而不能良好地表達人眼的對比度敏感特性。

3．1．3 奇異值分解法(SVD)

矩陣A為m×n階實矩陣，它的奇異值分解表示為:A=USV'，其中U，V為正交矩陣，即UU'=1，VV'=1 。S 為對角矩陣，即 S=diag(S1，S2，…，Sk，0，…，0)，k=rank(A)，S1≥S2≥…≥Sk。通過奇異值分解來提取圖像特征，然后進行圖像特征差異性比較。可以求得參考圖與測試圖的奇異值向量差D=S1－ S2;Ds={di};i=1，2，…，k。S的元素從大到小排列，在數值上成指數遞減的變化趨勢，而且S特征向量中的前面幾個分量包含了圖像代數屬性的主要信息。所以通過公式:

求得奇異值權值向量。

定義基于權重奇異值分解的質量評價測度B_SVD如下:

式中，d越小，得出的B_SVD值越小，表示兩幅圖像差別越小，即所測試圖像質量越好。

3．2 基于結構信息的圖像質量評價方法

自然圖像是由像素高度結構化的，尤其是空間領域的像素，具有很強的相關性，而且像素間的關系包含了大量的視覺信息。盡管大部分失真圖像都被線性傳輸所分解，但是這種相關性并沒有被消除。Wang等［8］研究人員在多年對圖像處理、圖像壓縮及圖像的視覺質量評價的工作基礎上，通過圖像像素之間的相關性，提出了基于結構相似度(SSIM)的圖像質量評價方法。SSIM算法將圖像分成亮度、對比度和結構三部分，計算三部分的失真獲得圖像分塊的整體失真度。算法的理論依據是人眼視覺系統(Human Visual System，HVS)高度適合于提取視覺場景中的結構信息，使測量獲得結構信息的改變與感知圖像質量的變化非常接近。因此，如果結構信息相似則可認為前后圖像質量變化不大，即質量損失不大。

SSIM定義為:

式中，X為原始圖像塊;Y為失真圖像塊;σx，σy為方差;σxy為協方差;μx，μy表示X、Y的局部亮度均值;c(X，Y)為對比度相關函數;s(X，Y)為結構相關函數;l(X，Y)為 X、Y 亮度相關函數。C1，C2，C3和 α，β，γ 都是常數。

SSIM從均值、方差、結構三個層次比較圖像信號，一般取α=β=γ=1時，可以得到:

對所有N個子圖像的SSIM值求平均，可得到整幅圖像的質量值，即平均結構相似度MSSIM:

根據SSIM的定義，MSSIM的值越大，說明圖像X和Y方向越相似。SSIM模型是一種比對應像素點間絕對誤差更好的，在局部上考慮了像素間相關性的誤差度量方式。SSIM方法因其與人主觀評價的良好一致性而被廣泛應用和研究。MSSIM(Mean Structural Similarity)在過去些年間展現出了它的穩定性、魯棒性和精確性，它也被廣泛的研究推廣，例如，MGSSIM和MDESSIM。

針對SSIM不能較好地評價嚴重模糊降質圖像的問題，Chen等［9］提出了一種基于灰度結構相似度的方法(GSSIM)。

式中，X'，Y'為圖像塊的灰度坐標。實踐表明GSSIM方法比SSIM方法的評價效果更佳優異，尤其是高斯模糊圖像。

戚尚菊等［10］在SSIM的基礎上，提出了一種新穎的、基于邊緣的圖像質量評價方法(ESSIM)，該方法充分考慮了圖像的邊緣信息和HVS的關系，能較好地估計圖像紋理結構遭到破壞的模糊圖像的質量。王德心等［11］設計了一種改進的結構相似度評價方法。該方法考慮到小波分解能夠模擬對比敏感度特性，利用不同空間頻帶的小波系數進行CSF特性加權，分別對待測試圖像和參考圖像提取出人眼感興趣的中高頻信息，然后進行結構相似度對比，有效克服了SSIM方法不能對失真圖像進行有效評價的缺陷。Zhu等［12］根據圖像結構信息和人類視覺特性，基于對圖像內容的人類視覺感知力，提出了一種新的圖像質量評價方法。通過算術建模評估人類對圖像質量的主觀視覺感知，這就保證了結構相似模型能夠滿足圖像處理的應用需要。Liu等［13］考慮到人眼視覺對于邊緣信息的敏感性，介紹了一種包含邊緣相似度和結構相似度的綜合評價方法(TESSIM)。Xie等［14］通過分析光電成像系統的數學模型和圖像模糊的機理，提出了一種構建參考圖像并運用SSIM進行圖像質量評價的無參考圖像質量評價方法NRSS(No－Reference Structural Sharpness)。該方法通過一個低通濾波器構建參考圖像，然后通過計算測試圖像與參考圖像之間的結構相似性來評價圖像質量，充分利用了成像系統的數學模型以及結構相似指數的優勢。實驗結果顯示這種新方法的質量評價效果與主觀評價、全參考評價具有相同的評價效果。

3．3 其他圖像質量評價方法

為了提高圖像質量評價準確率，李凌等［15］提出了一種采用最小二乘支持向量機(Least Square support vectormachines，LSSVM)的圖像質量評價方法。該方法首先采用PSNR、SSIM分別對圖像質量進行評價，得到的評價值作為描述圖像質量的參數，然后輸入到LSSVM進行分析，建立新的圖像質量分類器，采用建立的分類器對圖像質量進行仿真評價。黃君等［16］在現有的圖像視覺理論基礎上，建立基于視覺特性的數學模型，并結合奇異值分解提出了一種新的圖像質量評價方法。

Mou等［17］認為比較參考圖像與測試圖像的邊緣位置也可以測量圖像結構的失真程度，成為一種有效的圖像質量評價指標，而且邊緣可以通過卷積LOG濾波器從圖像的最基本結構信息中檢測出來。基于一個簡單的邏輯，提出了一種全新的評價方法NSER(Non － Shift Edge based Ratio)。Pina Marziliano［18］提出了一種基于邊緣檢測和寬度測量的模糊圖像的全參考評價，該方法主要依賴于對退化圖像的特征和參考圖的比較，有效地對模糊圖形進行評價。左博新等［19］提出了一種基于邊緣檢測的無參考模糊圖像評價模型，通過測量梯度圖像的梯度邊緣信息，對模糊退化圖像進行無參考評價。實驗表明該模型準確地反映了人對模糊圖像質量的主觀感受。Liu等［20］認為圖像梯度能夠傳達重要的視覺信息，而且對于場景理解至關重要。基于此，圖像結構上的相對改變就能夠有效地獲取出來。提出了一種將亮度和相對結構改變相結合的方法來有效地評價圖像質量。亮度和相對結構的改變對圖像質量的影響會通過一個適當的方法進行綜合協調從而獲得圖像質量的總體評分。針對灰度圖像，林瑩等［21］提出了一種采用圖像的梯度來衡量圖像清晰度的評價方法MGDM(Morphological Gradient Definition Metric)。該方法通過多種形態學結構元素在圖像上分別計算出對應的梯度信息，將梯度信息疊加后得到圖像的形態學梯度邊緣，利用該圖像梯度邊緣信息作為圖像質量清晰度評價的測度，得到圖像清晰度評價結果。文獻［22］提出了一種新的質量評價方法VGS(Visual Gradient Similarity)，并且將一些人類對圖像梯度的視覺特性融入到其中。何中翔等［23］從圖像構像質量和幾何質量兩個方面探討了圖像客觀質量評價方法。最近10年里，專家學者們提出了許多著名的方法，例如 PSNR －HVS －M［24］，visual information fidelity(VIF)［25］，visual signal－ to － noise ratio(VSNR)［26］和 most apparent distortion(MAD)［27］。

4 總結與展望

準確評價圖像質量對光電成像系統性能優劣的評估起到了很大的作用。本文從主觀評價和客觀評價兩個方面對圖像質量評價的方法進行了論述，并著重介紹了客觀評價方法。近些年，針對當前研究最多的全參考圖像質量評價方法，國內外的研究學者均不同程度地在評價算法中采用HVS特性，這可以有效克服客觀評價與主觀評價評判結果不一致的問題。因此，將主客觀評價方法相結合將成為圖像質量評價算法的一個發展趨勢。

盡管如此，目前評價效果較好的一些評價方法要么是全參考評價就是弱參考評價，因為在許多實際應用場合無法獲得參考圖像，因此發展對無參考(NR)圖像質量評價方法的研究更具價值。無參考圖像質量評價又稱“盲評價”，是一個比較新的研究領域。近些年，大量的NR方法被研究出來，然而，它們的大部分都或多或少有缺點，限制了它們在實際工程中的應用。例如，一些需要變換，一些模型需要訓練過程，一些的計算結果沒有約束。由此可見，無參考圖像質量評價方法是圖像質量評價領域中的難點，同時它也將成為人們研究的熱點，能夠準確評價圖像質量并與HVS具有良好一致性的NR方法將具有重要的使用價值。

［1］ LIU Hui，YUAN Hao，LIHong － xia．Research on Quality Assessment Methods of Remote Sensing Image［J］．Modern Electronics Technique，2011，34(10):24 － 26．(in Chinese)劉慧，袁昊，李洪霞．遙感圖像質量評估方法研究［J］．現代電子技術，2011，34(10):24 －26．

［2］ WANG Yue－hua，TAO Zhong－xiang．Overview of Quality Evaluation Methods of Fused Infrared and Visible Images［J］．Infrared，2012，33(6):7 －11．(in Chinese)王躍華，陶忠祥．紅外與可見光圖像融合質量評價方法綜述［J］．紅外，2012，33(6):7 －11．

［3］ ZHU Li－ juan．TimeOptimization Algorithm of Full Reference Image Quality Assessment［J］．Laser ＆ Infrared，2013，43(8):947 －950．(in Chinese)朱麗娟．一種時間優化的全參考圖像質量評價算法［J］．激光與紅外，2013，43(8):947 －950．

［4］ WANG Rong，LIZhi，LI Li － hua．Overview of Quality Evalution of Video Image［J］．Journal of Chinese People’s Public Security Unviersity:Science and Technology，2012，1(1):59 －62．(in Chinese)王蓉，李志，李麗華．視頻圖像質量評價綜述［J］．中國人民公安大學學報:自然科學版，2012，1(1):59－62．

［5］ LIZuo－ lin，LIXiao－hui，MA Ling － ling，et al．Research of Definition Assessment Based on No－Reference Digital Image Quality［J］．Remote Sensing Technology and Application，2011，26(2):239 －246．(in Chinese)李祚林，李曉輝，馬靈玲，等．面向無參考圖像的清晰度評價方法研究［J］．遙感技術與應用，2011，26(2):239－246．

［6］ LU Fangfang，ZHAO Qunfei，YANG Genke．Color Image Quality Assessment Based on Structural Similarity［J］．Journal of Donghua University:Eng．Ed．，2010，27(4):443－450．

［7］ YIN Ying．Non － Reference Blur Image Quality Assessment Based on General Regression Neural Network［J］．Laser＆ Infrared，2013，43(4):466 －470．(in Chinese)殷瑩．基于廣義回歸神經網絡無參考模糊圖像質量評價［J］．激光與紅外，2013，43(4):466 －470．

［8］ Zhou Wang，Alan C B．A Universal Image Quality Index［J］．IEEE Signal Processing，2002，9(3):81 －84．

［9］ G Chen，C Yang，SXie．Gradient－ based structural similarity for image quality assessment［J］．IEEE Trans．Image Process，2006:2929 －2932．

［10］ QIShang－ju，Ji Xiu－hua．Blurred Image Quality Assessment Based on Edge Structural Similarity［J］．COMPUTER ENGINEERING ＆ SCIENCE，2011，33(2):133－136．(in Chinese)戚尚菊，紀秀花．基于邊緣的結構相似度模糊圖像質量評價［J］．計算機工程與科學，2011，33(2):133－136．

［11］ WANG Dexin，ZHANG Yu －ye，LIKai－duan．A Kind of Distored Image Quality Assessment Method［J］．Science Technology and Engineering，2010，10(23):5759 －5762．(in Chinese)王德心，張玉葉，李開端．一種失真模糊圖像的質量評價方法［J］．科學技術與工程，2010，10(23):5759－5762．

［12］ Zhu Li，Wang Guoyou，Liu Ying．Image quality evaluation method based on structural similarity［J］．Proc．of SPIE，2007，6790:67905L．

［13］ Liu Junyao，Wang Huijing．Image Quality Assessment Based on Structure and Edge Similarity［J］．IEEE Trans．Intelligent Computation Technology and Automation，2011:1105－1108．

［14］ Xie Xiaofu，Zhou Jin，Wu Qinzhang．Assess Image Blur in Photoelectric Imaging System［J］．Proc．of SPIE，2010，7658:765803．

［15］ LILing，LIU Zhi－wu，LI Yong － chang．Modeling and Simulation of Image Quality Evaluation［J］．COMPUTER SIMULATION，2012，29(3):284 －287．(in Chinese)李凌，劉志武，李永昌．圖像質量評價的建模與仿真研究［J］．計算機仿真，2012，29(3):284 －287．

［16］ HUANG Jun，BAO Xiao－min，DU Jing － jing．Image Quality Assessment Based on HVS and Singular Value Decomposi－ tion［J］．Industrial Control Computer，2012，25(3):39 －40．(in Chinese)黃君，包曉敏，杜晶晶．基于HVS和奇異值分解的圖像質量評價［J］．工業控制計算機，2012，25(3):39 －40．

［17］ MOU Xuanqin，ZHANG Min，XUE Wufeng，et al．Image Quality Assessment Based on Edge［J］．Proc．of SPIE，2011，7876:78760N．

［18］ Pina Marziliano，Frederic Dufaux．Perceptual blur and ring－ ing metrics:application to JPEG2000［J］．Signal Processing:Image communication，2004，19(2):163 －172．

［19］ ZUO Bo －xin，MING De － lie，AO Zheng － guang，et al．No－Reference Blurred Image Based on Image Structure and the Quality AssessmentMethod of Its Restorarion Image［J］．GEOMATICSWORLD，2008(1):13 － 20．(in Chinese)左博新，明德烈，敖爭光，等．基于圖像結構的無參考模糊圖像及其復原圖像質量評價方法［J］．地理信息世界，2008(1):13－20．

［20］ Anmin Liu，Weisi Lin，Manish Narwaria．Image Quality Assessment Based on Gradient Similarity［J］．IEEE Trans．Image Process，2012，21(4):1500 －1512．

［21］ LIN Ying，ZHANG Zhao－dong，LIU Jing － xia，et al．Gray Image Quality Blind Assessment Based on Morphological Gradient［J］．Computer Applications and Software，2012，29(1):264 －266．(in Chinese)林瑩，張兆東，劉景夏，等．基于形態學梯度的灰度圖像質量盲評價［J］．計算機應用于軟件，2012，29(1):264－266．

［22］ Zhu Jieying，Wang Nengchao．Image Quality Assessment by Visual Gradient Similarity［J］．IEEE Trans．Image Process．，2012，21(3):919 －933．

［23］ HE Zhong－xiang，WANG Ming－ fu，YANG Shi－ hong，et al．Research on Objective Quality Assessment of Remote Sensing Image［J］．JOURNAL OF ENGINEERING GRAPHICS，2011，6:47 －52．(in Chinese)何中翔，王明富，楊世洪，等．遙感圖像客觀質量評價方法研究［J］．工程圖學學報，2011，6:47 －52．

［24］ N Ponomarenko，F Silvestri，K Egiazarian，et al．On between－coefficient contrastmasking of DCT basis function［C］//Proc．3 rd Int．Workshop Video Process．Qual．Metrics Consum．Electron．，Scottsdale，AZ，2007．

［25］ H R Sheikh，A C Bovik．Image information and visual quality［J］．IEEE Trans．Image Process．，2006，15(2):430－444．

［26］ D M Chandler，S S Hemami．VSNR:A Wavelet － based visual signal－ to－ noise－ ratio for natural images［J］．IEEE Trans．Image Process．，2007，16(9):2284 －2298．

［27］ E C Larson，D M Chandler．Most apparent distortion:Full－reference image quality assessmentand the role of strategy［J］．J．Electron．Imaging，2010，19(1):011006．