1.什么是图像质量评价IQA
2.常见IQA指标
3.IQA的应用领域
4.IQA的局限性和未来展望
1. 什么是图像质量评价IQA
图像质量评价IQA（Image Quality Assessment）是图像处理中的基本技术之一，主要通过对图像进行特性分析研究，评估出图像的优劣程度，量化图像的质量，反映图像的清晰度、对比度、失真程度等方面的特征。
通过图像质量评价指标，可以对图像进行客观地评价，从而判断其适用性和可用性。这对于图像处理、计算机视觉、医学影像分析等领域都具有重要意义。
常用的图像质量评价IQA方法有主观评价和客观评价两种：
主观评价：以人作为观测者，对图像进行主观评价，力求能够真实地反映人的视觉感知。这通常包括绝对评价和相对评价两种方式：
（a）绝对评价是观察者参照原始图像对待评价图像采用双刺激连续质量分级法（DSCQS）给出一个直接的质量评价值；
（b）相对评价则是由观察者对一批待评价图像进行相互比较，从而判断出每个图像的优劣顺序，并给出相应的评价值。
双刺激连续质量分级法DSCQS（Double Stimulus Continuous Quality Scale）是一种常用的图像质量评价方法，通过在实验中给予实验对象（通常是观看员）两种图像刺激，即基准图像和被测图像，并要求观看员对这两种图像进行质量评分，以此来评价被测图像的质量。
在DSCQS中，每个测试图像的两种状态（基准图像和被测图像）都需要进行评分。基准图像通常来自信号源，而被测图像可能是经过被测系统（如图像压缩、传输或处理系统）输出的图像。这两种图像会交替显示两次或多次给观看员，显示的先后次序以伪随机方式变动，观看员并不知道哪一个是基准图像。观看员需要简单地对每对图像的总体质量进行评分，并在评分表上作出标记。
客观评价：旨在使用计算模型来衡量图像质量，给出基于模型计算的结果。其结果与主观评价保持一致，即主观评价好的图像其客观评价的IQA评分也应该越高。
客观评价方法又可以分为全参考（FR）、部分参考（RR）和无参考（NR）三类。
（a）全参考方法需要提供一个无失真的原始图像作为参考，通过比较待评图像与参考图像之间的差异来评估图像质量；
（b）部分参考方法则仅利用原始图像的部分信息进行评价；
（c）无参考方法则完全不依赖于原始图像，仅根据待评图像本身的特征进行评估。
IQA在图像处理系统中扮演着重要角色，对于算法分析比较、系统性能评估等方面具有关键作用。它能够帮助人们更准确地理解图像质量，为图像处理、传输和压缩等领域提供有力支持。
2.常见IQA指标
图像质量评价IQA指标包括：
分辨率：体现图像对细节的描述程度，是评价图像质量的基础指标。分辨率越高，图像越精细，看起来越细腻清晰。
色彩深度：又称像素深度或图像深度，指用于表现、存储每个像素图像信息所用的码位数，决定了彩色图像中可出现的最多颜色数，或者灰度图像中的最大灰度等级数，是度量图像在彩色信息方面精细程度的指标。
均方误差（MSE）：衡量原始图像与处理后图像之间的平均像素值之差的平方，常用于评估图像处理的精度，是最常见的图像质量评价指标之一。
图像失真：是矢量图像表现原景物光像的仿真程度，包括几何失真（主要有桶形失真和枕形失真）、信噪比、动态范围、彩色还原等方面的指标。
峰值信噪比（PSNR）：用来衡量原始图像与处理后图像之间的信号与噪声之比，是评价图像质量的重要指标，通常用分贝（dB）表示。PSNR值越高，图像失真越少。
PSNR可以分别计算RGB三个通道的PSNR然后取平均值，或者将图片转化为YCbCr格式后只计算Y分量（亮度分量）的PSNR。
结构相似性指数（SSIM）：一种衡量两幅图像相似度的指标，从亮度、对比度和结构三个方面综合评价图像质量。SSIM值越大，图像越相似。
SSIM的计算通常涉及滑动窗口（sliding window）技术，以步长为1计算两幅图各个对应滑动窗口下的patch的SSIM，然后取平均值作为两幅图整体的SSIM，称为Mean SSIM（M-SSIM）。
学习感知图像块相似度（LPIPS）：也称为“感知损失”（perceptual loss），用于度量两张图像之间的差别，比传统方法（比如L2/PSNR，SSIM，FSIM）更符合人类的感知情况。
除了上述指标外，还有其他的图像质量评价指标，如信息保真度准则（IFC）、视觉信息保真度（VIF）、图像增强因子（IEF）和通用质量指数（UQI）等。这些指标根据不同的应用场景和需求，提供了不同的图像质量评价方法和标准。
3.IQA的应用领域
图像质量评价IQA在多媒体处理、通信与传输、监控与安全、计算机视觉、医疗科研等领域均有广泛的应用。
3.1 IQA在多媒体处理中的应用
在图像采集过程中，由于设备、环境等因素，可能导致图像质量下降。图像质量评价可用于监测图像质量，并自动调整采集参数，以获取高质量的图像数据。在图像处理阶段，如图像增强、去噪、复原等过程中，图像质量评价可用于评估处理效果，优化处理算法。
在图像压缩过程中，由于信息量的减少，可能导致图像质量损失。图像质量评价可用于评估不同压缩算法对图像质量的影响，选择最优的压缩参数和算法，以在保持图像质量的同时减少数据量。
3.2 IQA在通信与传输领域的应用
在远程会议、视频点播等系统中，由于传输差错、网络延迟等不利因素影响，可能导致图像质量下降。图像质量评价可用于实时监控图像质量，并动态调整信源定位策略，以满足服务质量要求。
在图像传输过程中，由于带宽限制、噪声干扰等因素，可能导致图像质量受损。图像质量评价可用于评估不同传输策略对图像质量的影响，选择最优的传输路径和编码方式，以提高图像传输效率和质量。
3.3 IQA在监控与安全领域的应用
在视频监控系统中，图像质量评价可用于评估监控摄像头的成像质量，确保监控画面清晰、准确。这有助于及时发现安全隐患，提高监控系统的可靠性和有效性。
在图像处理与识别过程中，如人脸识别、车牌识别等，图像质量评价可用于评估输入图像的质量是否符合识别算法的要求。这有助于优化识别算法，提高识别准确率和效率。
3.4 IQA在机器视觉领域的应用
在机器视觉系统中，通过图像质量评价可以优化图像预处理算法，如去噪、增强等，提高图像质量，从而提升后续处理步骤的准确性和效率。
更多图像处理信息详见前文：
自动驾驶从小白到小强49～摄像头的ISP
高质量的图像有助于更准确地提取图像特征，提高识别算法的准确率。图像质量评价可用于评估图像是否满足特征提取和识别的要求，尤其是同一识别模型搭配不同镜头模组的情况。
在目标检测和跟踪任务中，图像质量评价可用于判断图像是否清晰、是否包含足够的信息来支持检测和跟踪算法的运行。 图像质量评价还可作为评估机器视觉系统整体性能的一个重要指标，用于衡量算法的准确性和鲁棒性，帮助系统开发者优化系统设计和算法参数。
GB/T 44464-2024《汽车数据通用要求》；
T/CAAMTB 77-2022《汽车传输视频及图像脱敏技术要求与方法》中都有IQA的身影，对视频采样帧率、图像分辨率、测评集中人脸&车牌的大小、人脸&车牌的数量、匿名化区域的面积及遮盖率、匿名化率、误检率等都提出了要求。
3.5 IQA在医疗与科研领域的应用
在医学影像领域，如CT、MRI等成像技术中，图像质量评价可用于评估医学影像的清晰度和准确性。这有助于医生更好地诊断疾病，制定有效的治疗方案。 在科研领域，如天文学、生物学等研究中，图像质量评价可用于评估科研图像的可靠性和准确性。这有助于科研人员更好地分析数据，推动科研进展。同时，图像质量评价还可用于图像超分辨率重建、图像复原等任务中，帮助生成高精度、高质量的图像数据。
4.IQA的局限性和未来展望
IQA为图像处理、计算机视觉和医学影像分析等领域提供了重要的技术支持。它能够帮助人们更准确地评估图像质量，优化图像处理算法和参数，提高图像处理的效率和准确性。同时，IQA也为多媒体通信等领域提供了有力的质量监控工具，确保了通信的顺畅和稳定。 尽管IQA在图像质量评价方面取得了显著进展，但仍存在一些局限性。
例如，主观评价方法虽然能够反映人的视觉感知，但易受观察者个体差异、疲劳和情绪等因素的影响；而客观评价方法大多基于数学统计和物理模型，虽然具有稳定性和可重复性，但往往难以完全模拟人眼的视觉特性。因此，在某些情况下，这些指标可能无法准确反映人类的视觉感受。
此外，随着图像技术的不断发展，新的图像失真类型和复杂场景不断涌现，对IQA提出了更高的要求和挑战。
随着深度学习等人工智能技术的不断发展，未来的图像质量评价指标可能会更加符合人类的视觉特性。同时，新的评价指标也可能会被开发出来，以应对不同应用场景的需求。此外，跨学科的合作也将推动图像质量评价技术的发展和创新。
来源：智驾小强
