---

前言

  由于很多图像的数据集都没有完善的参考图像，不利于实验数据的完整分析。为此，采用具备较强理论基础的无参考图像质量客观评价指标具有更高的现实意义。其，包括：基于感知的图像质量评估器（Perception based Image Quality Evaluator，PIQE）[1]，盲/无参考图像空间质量评估器（Blind/Referenceless Image Spatial Quality Evaluator，BRISQUE）[2]和自然图像质量评估器（Natural Image Quality Evaluator，NIQE）[3]。

---

一、基于感知的图像质量评估器（Perception based Image Quality Evaluator，PIQE）

  PIQE（Perception based Image Quality Evaluator）是一种基于感知特征的无参考图像质量评估指标，其利用了图像的块状结构和噪声特征来计算图像的质量分数。PIQE的数学表达式为：

分数越低表示其图像质量越高。其中BM是块效应指标（Blockiness Measure，BM）衡量图像中的块状结构，主要受到图像压缩引起的伪影影响。而NM是噪声指标（Noise Measure，NM）衡量图像中的噪声水平，主要受到图像损失和传输错误引起的噪声影响。

二、盲/无参考图像空间质量评估器（Blind/Referenceless Image Spatial Quality Evaluator，BRISQUE）

  BRISQUE（Blind/Referenceless Image Spatial Quality Evaluator）是一种基于自然场景统计特征的无参考图像质量评估指标。其使用支持向量机（SVM）来学习图像质量与图像特征之间的映射关系，并预测图像的质量分数。分数越低表示图像质量越高。其计算过程主要包括图像预处理、特征提取、特征归一化和使用支持向量机（SVM）进行图像质量预测。BRISQUE具有计算效率高和泛化能力强的优点。

三、自然图像质量评估器（Natural Image Quality Evaluator，NIQE）

  NIQE（Natural Image Quality Evaluator）是一种基于自然场景统计特征的无参考图像质量评估指标。其使用高斯混合模型（GMM）来建立自然图像特征的概率分布，并用该分布来评估输入图像的质量分数。分数越低表示图像质量越高。其计算过程主要包括图像预处理、特征提取、高斯混合模型（GMM）和计算输入图像的质量分数。NIQE的数学表达式为：

其中v1，v2和∑1，∑2分别为自然图像的多元高斯模型和失真图像的多元高斯模型的均值向量和协方差矩阵。NIQE主要用于评估图像的自然性，其值越小，则说明图像越自然。同时由于NIQE不需要训练过程，因此还具有计算效率高和实现简单的优点。

参考文献

[1] Venkatanath N, Praneeth D, Bh M C, et al. Blind image quality evaluation using perception based features[C]//2015 twenty first national conference on communications (NCC). IEEE, 2015: 1-6.
[2] Mittal A, Moorthy A K, Bovik A C. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on image processing, 2012, 21(12): 4695-4708.
[3] Mittal A, Soundararajan R, Bovik A C. Making a “completely blind” image quality analyzer[J]. IEEE Signal processing letters, 2012, 20(3): 209-212.