无参考评价图像质量（主观评价客观化）

影像测评

0. 前言

关于无参考评价图像质量的方法，学术上有很多论文，但是真正能用到产品却比较少。本文所提及的方法，均为目前本人在探索的方法，这里只是提供一个思路，具体的实现过程还有较多细节，例如去除噪声等。如果有人在做这个方面，可以跟我探讨。

此外，还有一种思路是利用深度学习来评价图像，但是目前比较缺少数据集，做出来的模型效果不好，就不放在这里了。

1. 综述

目前常用的图像客观评价方法分为3 类：1. 全参考质量评价(

Full-Reference QA)。该方法需要将失真图像与参考图像进行比较得到评价结果；2. 弱参考质量评价( Reduced-Reference QA)。该方法从参考图像中得到部分特征信息, 并利用这些信息完成对失真图像质量的评价；3. 无参考质量评价( No-Reference QA)。该方法不借助任何参考图像的信息, 独立完成对图像质量的评价。

前两类方法都必须借助原始的非失真图像作为参考进行质量评价, 而在很多实际应用中, 特别对于sensor成像的Camera产品, 原始参考图像很难或无法获得, 因此如果要对此类产品的图像质量进行客观的评价，则必须使用无参考的评价方法。

如下表格为评价算法思路：

2. 清晰度相关

2.1. 清晰度

可以使用边缘检测算子（Tenengrad或Laplacian）来评价清晰度。具体算法如下：

1.获取一张图片（jpg或bmp格式）

2.将图片转换成YUV格式，提取Y分量矩阵

3.使用边缘检测算子卷积Y分量矩阵，得到边缘特征矩阵

4.求取边缘特征矩阵中所有元素的平均值，以该平均值作为一幅图像的清晰度指标

3. 噪声相关

3.1. 动态噪声

可以使用亮度分量的方差来评价动态噪声。具体算法如下：

1.保证camera的拍摄场景中没有运动物体，获取一段时间的视频（假设有n秒）

2.提取视频中的每一帧图像，将图片转换成YUV格式，提取Y分量矩阵，这样我们就得到了n个Y分量矩阵

3.计算这n个Y分量矩阵中每一个元素的方差，得到Y分量方差矩阵

4.求取Y分量方差矩阵中所有元素的平均值，以该平均值作为一幅图像的动态噪声指标

将上述中的Y分量改为UV分量，则可以计算色度动态噪声。

3.2. 静态噪声

可以使用图像中18度灰墙面部分的方差作为静态噪声的评价方法。该方法与Imatest中评价静态噪声的方法一致。具体算法如下：

1.获取一张图片（jpg或bmp格式），选取图片中18度灰平坦的墙面区域或者24色卡最底下一排的中间色块或者灰阶卡的M色块作为ROI区域

2.将ROI区域转换成YUV格式，提取Y分量矩阵

3.求取Y分量矩阵中所有元素的均值和方差，求其比值得到信噪比，该数值表征亮度静态噪声

将上述中的Y分量改为UV分量，则可以计算色度静态噪声。

4. 亮度相关

4.1. 亮度

可以使用整幅画面的平均亮度来表征。

4.2. AE收敛

画出一段视频中每一帧的亮度变化即可。

4.3. 局部过曝和欠曝

统计一幅图片中所有像素中亮度高于160或者低于70的像素个数即可。

部分AE算法会考虑到做这个统计来防止画面过曝。

4.4. 对比度

采用整幅图像Y值的方差即可。

5. 色彩相关

5.1. 白平衡

可以采用整幅画面的s值。具体算法如下：

1.获取一张图片（jpg或bmp格式）

2.将图片转换成HSV格式，提取S分量矩阵

3.求取S分量矩阵中所有元素的平均值，以该平均值作为一幅图像的白平衡指标

上述这种算法的本质是灰色世界理论，因此具有灰色世界法的缺陷，但优点是能够分析整个图像，不需要人工参与。此外还可以手动框选画面中的18度灰区域，这种方法更准确一些。

5.2. 饱和度

饱和度的计算只能采用相对值，因为我们无法获取拍摄物体的色彩信息，故饱和度的指标只有跟竞品比较才有意义。具体算法如下：

1.获取一张图片（jpg或bmp格式）

2.将图片转换成Lab格式，提取a、b分量矩阵

3.将a、b分量矩阵平方后相加再开根号，得到饱和度矩阵

4.求取饱和度矩阵中所有元素的平均值，以该平均值作为一幅图像的饱和度指标