图像质量评价（IQA）的传统方法归纳总结
shepherd077
已于 2024-04-10 10:33:54 修改
阅读量6k
收藏
76
点赞数
36
文章标签：
人工智能
python
计算机视觉
图像处理
算法
深度学习
机器学习
于 2024-04-09 21:40:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shepherd077/article/details/137568154
版权
本文详细介绍了图像质量客观评价的三种类型：全参考、部分参考和无参考。全参考方法依赖理想图像，常用PSNR、MSE、SSIM等；部分参考方法参考部分图像特征，如PIQE和BRISQUE；无参考方法如NIQE仅依据图像统计特性，无需理想图像。各种方法各有优势，适用于不同应用场景。
摘要生成于
C知道
，由 DeepSeek-R1 满血版支持，
前往体验 >
图像质量客观评价（IQA）可分为全参考（Full-Reference,FR），部分参考（Reduced-Reference,RR）和无参考（No-Reference,NR）三种类型。
一、全参考（Full-Reference,FR）
全参考图像质量评价是指在选择理想图像作为参考图像的情况下，比较待评图像与参考图像之间的差异，分析待评图像的失真程度，从而得到待评图像的质量评估。常用的全参考图像质量客观评价主要以像素统计、信息论、结构信息三方面为基础。
1. 基于图像像素统计基础
基于图像像素统计基础，峰值信噪比（Peak-Signal to Noise Ratio,PSNR）和均方误差（Mean Square Error,MSE），还有MAE（Mean Absolute Error,MAE）和信噪比SNR（Signal to Noise Ratio），是比较常见的几种质量评价方法。它们通过计算待评测图像和参考图像对应像素点灰度值之间的差异，从统计角度来衡量待评图像的质量优劣。
（1）均方误差（Mean-Square Error, MSE）
MSE简写为以下，就是两幅图像的所有的像素值的差的平方和，再求平均值，最终得到的是一个数值。