9.4 图像质量评价指标¶
图像质量评价（Image Quality Assessment, IQA）是客观衡量系统输出好坏的量化手段。根据是否有参考图像，分为全参考（FR）、无参考（NR）和减参考（RR）三类；根据评价对象，又分为通用质量指标和特定任务指标。
一、全参考指标（Full-Reference IQA）¶
有标准参考图像，直接与之比较。
1.1 峰值信噪比（PSNR）¶
$$PSNR = 10 \log_{10} \frac{MAX^2}{MSE}, \quad MSE = \frac{1}{MN} \sum_{i,j} (I(i,j) - \hat{I}(i,j))^2$$
- $MAX$：最大像素值（uint8 时为 255，float 时为 1.0）
- 单位：dB，越高越好
- 优点：计算简单；缺点：与人眼感知相关性有限，30 dB 图像可能看起来差异明显
1.2 结构相似性（SSIM）¶
$$SSIM(x, y) = \frac{(2\mu_x \mu_y + C_1)(2\sigma_{xy} + C_2)}{(\mu_x^2 + \mu_y^2 + C_1)(\sigma_x^2 + \sigma_y^2 + C_2)}$$
- 同时考虑亮度（$\mu$）、对比度（$\sigma$）、结构（$\sigma_{xy}$）三个维度
- 取值 $[-1, 1]$，越接近 1 越好；实用中 $>0.9$ 通常可接受
- MS-SSIM（多尺度版本）与人眼相关性更高
1.3 LPIPS（感知相似度）¶
$$LPIPS = \sum_l \frac{1}{H_l W_l} \sum_{h,w} | w_l \odot (\hat{y}{hw}^l - y^l) |_2^2$$
使用 VGG/AlexNet 等预训练网络提取特征，在特征空间计算距离。相比 PSNR/SSIM，与人眼主观评价相关性更高（r > 0.9），是超分辨率、生成模型的标准评价指标。
1.4 各指标对比¶
| 指标 | 优势 | 局限 | 典型场景 |
|---|---|---|---|
| PSNR | 快速，无歧义 | 与感知相关性弱 | 去噪、压缩基准 |
| SSIM | 感知接近 | 局部敏感，对对比度饱和 | 图像恢复评估 |
| LPIPS | 感知最强 | 需预训练模型、较慢 | 生成模型、超分辨率 |
二、无参考指标（No-Reference IQA）¶
无干净参考图，直接从图像本身估计质量，适合在线检测和工程验收。
2.1 清晰度指标¶
| 指标 | 原理 | 公式/说明 |
|---|---|---|
| 拉普拉斯方差（Laplacian Variance） | 清晰图像梯度大 | $\text{Var}(\nabla^2 I)$，值越大越清晰 |
| Tenengrad | Sobel 算子响应总能量 | $\sum (G_x^2 + G_y^2)$ |
| BRISQUE | 统计自然场景特征偏离 | 用 SVR 回归映射感知分数 |
拉普拉斯方差是工程中最常用的快速焦点清晰度判断方式。
2.2 自然图像统计（NSS）¶
自然图像满足特定的统计分布（如归一化亮度系数的广义高斯分布）。质量下降时分布偏离，NIQE / BRISQUE 等指标正是利用这一规律建立无参考评价。
2.3 AI 质量评分¶
NIMA（Neural Image Assessment）用 CNN 直接预测 MOS（主观平均分）分布，比传统无参考方法更接近人眼感知，适合面向用户的质量评分场景。
三、任务相关评价指标¶
不同任务有专用指标，IQA 结果应与任务指标联合使用。
3.1 目标检测¶
| 指标 | 公式 | 说明 |
|---|---|---|
| IoU | $\frac{ | A \cap B |
| AP（平均精度） | PR 曲线下面积 | 指定类别性能 |
| mAP | 各类 AP 均值 | 多类别综合指标 |
| AR | 平均召回率 | 衡量漏检 |
3.2 分类¶
- Top-1 / Top-5 Accuracy：预测最高/前五概率是否包含真实类别
- 混淆矩阵：展示各类别的混淆情况，便于分析错误模式
- F1 Score：$F1 = \frac{2PR}{P+R}$，适合类别不均衡场景
3.3 超分辨率 / 图像复原¶
PSNR + SSIM + LPIPS 联合报告，三者之间存在权衡（感知好的模型 PSNR 不一定最高）。
四、主观评价（MOS）¶
客观指标无法完全替代人眼评价时，组织主观评测：
评测流程：
选取代表性测试图像集（含多类失真类型和程度）
↓
招募评测者（≥15 人，需排除色觉异常）
↓
ACR（绝对类别分级，1-5分）或 DSCQS（双激励连续质量评分）
↓
计算 MOS（均值）和 SOS（标准差）
↓
与对比方案做统计显著性检验（t-test / ANOVA）
五、工程选型建议¶
| 场景 | 推荐指标 |
|---|---|
| 相机/系统调试 | 拉普拉斯方差（实时清晰度） |
| 去噪 / 压缩算法对比 | PSNR + SSIM |
| 生成模型 / 超分辨率 | LPIPS + FID（生成质量） |
| 目标检测系统验收 | mAP@0.5:0.95 |
| 用户体验评价 | MOS 或 NIMA |
参考资料¶
- Wang et al., \"Image Quality Assessment: From Error Visibility to Structural Similarity\", IEEE TIP, 2004
- Mittal et al., \"No-Reference Image Quality Assessment in the Spatial Domain\", IEEE TIP, 2012
- Zhang et al., \"The Unreasonable Effectiveness of Deep Features as a Perceptual Metric\", CVPR, 2018
更新时间¶
2026-03-03