不同的图像质量评价指标(IQA)

一、NR-IQA

这是一种方法不是指标
“Non-Reference Image Quality Assessment”（NR-IQA）是一种图像质量评价（Image Quality Assessment, IQA）方法，通常用于评估图像的质量，而无需使用参考图像（即没有原始或参考图像进行比较）。

在图像处理和计算机视觉领域，有两种常见的图像质量评价方法：全参考（Full-Reference）和非参考（No-Reference）。全参考方法需要一个参考图像，它与待评估图像进行比较以确定图像质量。而非参考方法则不依赖于参考图像，它根据图像自身的特征和内容来评估图像的质量。

NR-IQA 方法的主要目标是开发能够自动评估图像质量的算法，而无需使用参考图像。这对于实际应用中的图像质量评估非常有用，因为在许多情况下，没有可用的参考图像或参考图像可能不适用。

NR-IQA 方法通常基于图像的各种特征，如对比度、清晰度、颜色分布、纹理等，以及人类视觉系统的感知特性。这些方法可以是基于统计模型、机器学习模型或深度学习模型的。

NR-IQA 方法在图像处理、图像压缩、视频传输、医学图像等领域都有广泛的应用，因为它们可以帮助自动化地评估和改进图像和视频的质量。

二、MUSIQ

它代表 “Multi-Scale Image Quality”（多尺度图像质量）。

MUSIQ 是一种用于评估图像质量的指标，通常用于计算生成的图像与原始图像之间的相似性或质量。与其他IQA指标不同，MUSIQ 在多个尺度上对图像进行评估，以更全面地考虑图像的质量。

MUSIQ 可能会考虑以下因素：

局部特征：评估图像的局部细节和特征，以检测失真或伪影。
全局特征：考虑整体图像的特征，如对比度、亮度和颜色平衡。
多尺度信息：在不同的图像尺度上进行评估，以检测不同尺度下的质量问题。
感知模型：可能考虑人类视觉系统的感知特性，以更准确地模拟人眼对图像质量的感知。

具体的 MUSIQ 实现和计算方式可能会因不同的研究或应用而异。

三、LPIPS

LPIPS（Learned Perceptual Image Patch Similarity）是一种图像质量评价指标，它用于测量两个图像之间的感知相似性。LPIPS旨在模拟人类视觉系统的感知，以更准确地衡量图像之间的相似性或质量差异。

LPIPS 的主要思想是将图像分为不同的块或块，并在这些块上计算感知相似性，然后将这些分数进行汇总以获得最终的相似性度量。这种方法考虑了图像中局部特征的重要性，因此能够更好地捕获图像之间的结构和内容相似性。

LPIPS 使用深度学习模型来学习感知相似性度量。通常，这个模型在大规模图像数据集上进行预训练，然后可以用于计算两个图像之间的相似性分数。与传统的结构相似性指标（如PSNR和SSIM）不同，LPIPS 更具有表现力，可以更好地捕获图像的感知差异，特别是在存在复杂纹理、结构和颜色变化的情况下。

LPIPS 在计算机视觉和图像处理领域中被广泛应用，特别是在图像生成、超分辨率、图像风格迁移等任务中，用于评估生成的图像与原始图像之间的相似性和质量。这种指标有助于自动化评估和改进生成图像的质量。

四、FID

FID（Fréchet Inception Distance）是一种用于评估生成模型生成的图像与真实图像分布之间的相似性的指标。它是一种常用于评估生成对抗网络（GANs）和其他生成模型性能的图像质量评价指标。

FID 的计算方式基于两个关键元素：

生成图像样本的特征表示：首先，通过一个预训练的卷积神经网络（通常是Inception网络）提取生成图像样本的特征表示。这个特征表示捕捉了生成图像的内容和统计信息。
真实图像样本的特征表示：同样地，提取真实图像样本的特征表示，以捕捉真实图像的内容和统计信息。

然后，FID 通过比较生成图像样本和真实图像样本的特征表示来计算它们之间的相似性。这个相似性度量考虑了两个分布之间的 Fréchet 距离，通常在高维特征空间中计算。FID 的值越低，表示生成图像与真实图像分布越相似，质量越高。

FID 的主要优点是它不需要参考图像或人工标签，而是根据图像的统计特征进行评估，因此对于无监督生成任务非常有用。它已被广泛用于衡量生成模型的性能，特别是在图像生成、图像转换和图像风格迁移等任务中。越低的 FID 值通常表示生成的图像更接近真实图像分布，质量更高。

五、NIQE

NIQE（Naturalness Image Quality Evaluator）是一种用于图像质量评价的指标，旨在度量图像的自然度或真实感。NIQE 通常用于评估图像的质量，特别是在图像处理和图像增强应用中，以确定处理后的图像是否看起来自然。

NIQE 的计算方式基于以下思想：

自然图像的统计属性：NIQE 基于大量自然图像的统计属性和特征，这些属性包括像素的亮度、颜色分布、梯度信息等。自然图像通常具有特定的统计特征，这些特征在视觉上会产生自然感。
图像失真的影响：NIQE 通过比较待评估图像的统计属性和自然图像的统计属性来测量图像质量。如果待评估图像与自然图像的统计属性差异较大，则可能表明图像存在失真或不自然的特征。
质量分数计算：NIQE 将上述比较转化为一个质量分数，该分数用于表示图像的自然度。较低的 NIQE 分数通常表示图像更自然或更接近自然图像的统计属性，而较高的分数则表示图像可能存在失真或不自然的特征。

NIQE 通常用于与人类主观评估结合，以确定图像处理算法的性能。虽然它可以自动化地评估图像质量，但它仍然具有一定的主观性，因为图像的自然度在一定程度上是主观的概念。

六、NRQM(Ma)

NRQM（Non-Reference Quality Metric）是一种非参考图像质量评价指标，用于自动评估图像的质量，而不需要参考图像（即原始或真实图像）。NRQM 帮助衡量图像失真、压缩、噪声等因素对图像质量的影响，通常用于图像处理、图像增强和图像压缩等领域。

“NRQM(Ma)” 可能是指特定的 NRQM 指标，其中 “Ma” 可能代表该指标的开发者或提出者。NRQM 指标的具体定义和计算方式通常取决于其作者的研究工作，因此不同的 NRQM 可能会有不同的名称和计算方法。

NRQM 通常通过分析图像的统计特征、结构信息、颜色分布、对比度等来评估图像的质量。这些指标旨在模拟人类视觉系统的感知，并尽量与人类主观评估的结果相一致。

要了解 “NRQM(Ma)” 具体的计算方式和用法，你需要查阅相关文献或参考该指标的提出者的研究论文。不同的 NRQM 可能会有不同的特点和适用范围，因此理解其原理和用法对于正确应用和解释评估结果非常重要。

七、 NIMA

NIMA（Neural Image Assessment）是一种基于深度学习的图像质量评价模型。与传统的图像质量评价指标不同，NIMA 利用深度卷积神经网络（CNN）从图像中学习特征，以自动化地评估图像的质量。

以下是 NIMA 的一些关键特点和工作原理：

深度卷积神经网络：NIMA 使用深度CNN模型来提取图像的特征表示。通常，这个CNN模型在大规模的图像质量评价数据集上进行训练，以学习不同质量图像之间的特征差异。
多个质量层级：NIMA 被设计为能够评估图像的多个质量层级，而不仅仅是一个二进制的“好”或“坏”。它可以输出一个分数，表示图像的整体质量，而不仅仅是一个二进制分类。
主观和客观损失函数：NIMA 的训练通常结合了主观和客观的损失函数。主观损失函数是根据人类主观评估的数据来定义的，而客观损失函数则基于模型的输出和人类评估之间的误差来定义。
应用领域：NIMA 在图像处理、图像压缩、图像增强、图像生成等领域中都有应用潜力。它可以帮助自动化地评估图像质量，从而加速图像处理和改进图像生成任务。

总的来说，NIMA 是一种基于深度学习的图像质量评价方法，它利用深度CNN模型从图像中提取特征，并能够输出图像的质量分数，使其成为自动化图像质量评估的有力工具。这种方法对于需要大规模图像质量评估的应用非常有用。

八、WaDIQaM

WaDIQaM（Wavelet Domain Image Quality Assessment Model）是一种用于图像质量评估的指标或模型，它基于小波变换领域的方法。WaDIQaM 旨在测量数字图像的质量，特别是在压缩和传输等应用中，以确定图像是否受到了失真或损坏。

WaDIQaM 的核心思想是利用小波变换来分析图像的频域特征和空域特征。小波变换是一种在图像处理中常用的技术，可以将图像分解成不同尺度的频带，从而更好地捕捉图像的细节和结构。

WaDIQaM 的主要步骤可能包括以下内容：

小波变换：首先，对待评估的图像应用小波变换，将其分解成不同的频带。这些频带表示图像在不同尺度和方向上的特征。
特征提取：从每个小波频带中提取特征，这些特征可以包括能量、对比度、频谱特性等。这些特征有助于描述图像的频域特性。
质量评分：使用提取的特征计算图像的质量评分。评分通常是一个单一的值，表示图像的质量，较高的分数表示较高的质量，较低的分数表示较低的质量。

WaDIQaM 可以用于各种图像处理和传输任务中，特别是在压缩图像、视频传输、图像增强和图像复原等领域。通过分析图像的频域特征，WaDIQaM 可以帮助自动化地检测图像失真和损坏，从而提高图像传输和处理的质量。

九、 BRISQUE

BRISQUE（Blind/Referenceless Image Spatial Quality Evaluator）是一种用于图像质量评估的盲评价（不需要参考图像）模型。它旨在自动化地评估数字图像的质量，而不依赖于原始高质量图像（参考图像）。

BRISQUE 是一种基于统计特征的图像质量评估方法，它使用了图像的局部和全局统计特征，通过分析这些特征来估计图像的失真程度。以下是 BRISQUE 的一些关键特点和工作原理：

特征提取：BRISQUE 首先对待评估的图像应用局部和全局的统计特征提取算法。这些特征可能包括图像的均值、方差、梯度信息、对比度、颜色分布等。
失真建模：BRISQUE 使用了一个模型来建模原始图像和失真图像之间的差异。这个模型考虑了不同特征之间的关联性，并计算出图像的失真度。
质量评分：BRISQUE 输出一个质量评分，表示图像的失真程度。较低的分数通常表示图像质量较高，而较高的分数表示图像可能存在较大的失真。
训练和测试：BRISQUE 模型通常在一个大规模的图像数据库上进行训练，以学习特征与图像质量之间的关系。然后，该模型可以用于对新的图像进行质量评估，而不需要参考图像。

BRISQUE 在图像处理、图像传输和图像增强等领域中有广泛的应用。它是一种无参考图像质量评估方法，可以自动化地检测和评估图像的失真，从而帮助改进图像处理和传输任务的质量控制。