图像质量评估指标（3） 特征相似度FSIM
传统全参考图像质量衡量标准FSIM（feature similarity）
ssim一经提出引来了很多人的研究，并在其上进行一系列的变种，其中一种比较成功的变种是FSIM，该算法认为一张图片中的所有像素并非具有相同的重要性，比如物体边缘的像素点对于界定物体的结构肯定比其他背景区域的像素点更为重要；另外一种重要的评价指标VIF尽管在不同的子带上具有不同的权重，但是在具体的某一子带上参与计算的像素点均具有相同的权重；根据图像本身的特性，这样不加区分并不合适。因此改进的方向实际上重在如何区分这些重要点并给与合适的权重
关键问题：什么样的特征足以描述图像，并且用于评估
基于心理学和脑科学的一些研究，发现不同频率的傅里叶波具有相同的相位时，往往会对应着视觉上可辨认的重要特征。这就意味着从某些一致性的相位上能够提取出特征信息来。
另外图像梯度幅值也是一个用于衡量对比度的标准
计算PC（phase congruency） 相位一致
这里计算PC采用的是前人的研究结果，引用论文是[P. Kovesi, “Image features from phase congruency”, Videre: J. Comp. Vis. Res., vol. 1, no. 3, pp. 1-26, 1999.],计算公式如下：
P C 2 D ( x ) = ∑ j E θ j ( x ) ε + ∑ n ∑ j A n , θ j ( x ) PC_{2D}(x) = \frac{\sum{_j}{E_{\theta_{j}}(x)}}{\varepsilon + \sum{_n}{\sum{_j}A{_n,}{_\theta{_j}}(x)}} PC2D(x)=ε+∑n∑jAn,θj(x)∑jEθj(x)
具体的计算过程可以参考FSIM的matlab源代码中的相关部分
计算GM
对于GM的计算可以采用一些常规的算法，比如sobel和prewitt等
文中采用的是Scharr算子，如下所示：
G x ( x ) = [ 3 0 − 3 10 0 − 10 3 0 − 3 ] ∗ 1 16 ∗ f ( x ) G_x(x)=\left[ \begin{matrix} 3& 0& -3 \\ 10&0&-10 \\ 3&0&-3 \end{matrix} \right]*\frac{1}{16}*f(x) Gx(x)=⎣⎡3103000−3−10−3⎦⎤∗161∗f(x)
G y ( x ) = [ 3 10 − 3 0 0 0 − 3 − 10 − 3 ] ∗ 1 16 ∗ f ( x ) G_y(x)=\left[ \begin{matrix} 3& 10& -3 \\ 0&0&0 \\ -3&-10&-3 \end{matrix} \right]*\frac{1}{16}*f(x) Gy(x)=⎣⎡30−3100−10−30−3⎦⎤∗161∗f(x)
最终的GM为
G M = G x 2 + G y 2 GM = \sqrt{G_x^2 + G_y^2} GM=Gx2+Gy2
至此FSIM所需的重要指标可以依据上述计算得到
FSIM的计算
这里实际上也是仿效SSIM的计算构成，同样由两部分耦合的幂指数
FSIM由PC项和GM项耦合
S p c ( x ) = 2 P C 1 ( x ) P C 2 ( x ) + T 1 P C 1 2 + P C 2 2 + T 1 S_{pc}(x)=\frac{2PC_1(x)PC_2(x)+T_1}{PC_1^2+PC_2^2+T_1} Spc(x)=PC12+PC22+T12PC1(x)PC2(x)+T1
S G ( x ) = 2 G 1 ( x ) G 2 ( x ) + T 2 G 1 ( x ) 2 + G 2 ( x ) 2 + T 2 S_G(x)=\frac{2G_1(x)G_2(x)+T_2}{G_1(x)^2+G_2(x)^2+T_2} SG(x)=G1(x)2+G2(x)2+T22G1(x)G2(x)+T2
S L ( x ) = [ S P C ( x ) ] α [ S G ( x ) ] β S_L(x)=[S_{PC}(x)]^\alpha[S_G(x)]^\beta SL(x)=[SPC(x)]α[SG(x)]β
按照惯例alpha和beta取1
这样计算出来的值是将整张图像的像素权重看成是一样的情况，基于前人的结果，认为PC可以用来做权重衡量因子，并且图像中某一位置是否具有超过其他位置的重要性跟它的PC值成正相关。所以真正的FSIM是如下定义
F S I M = ∑ x ∈ Ω S L ( x ) P C m ( x ) ∑ x ∈ Ω P C m ( x ) FSIM=\frac{\sum{_{x\in{\Omega}}}S_L(x)PC_m(x)}{\sum{_{x\in\Omega}}{PC_m(x)}} FSIM=∑x∈ΩPCm(x)∑x∈ΩSL(x)PCm(x)
其中的 P C m ( x ) = m a x ( P C 1 ( x ) , P C 2 ( x ) ) PC_m(x) = max(PC_1(x),PC_2(x)) PCm(x)=max(PC1(x),PC2(x))
至此可以使用FSIM在灰度图像中进行IQA,关于FSIM在彩色图像中的应用，可以对应进行迁移。
关于SSIM和FSIM的最终计算都是采用 2 x y x 2 + y 2 这 种 计 算 方 式 ， 经 过 同 专 业 人 士 的 讨 论 ， 可 能 认 为 这 种 构 型 简 单 并 且 能 有 效 反 映 相 对 变 化 对 视 觉 信 号 的 影 响 ， 当 然 具 体 的 情 况 我 依 然 存 疑 \frac{2xy}{x^2+y^2}这种计算方式，经过同专业人士的讨论，可能认为这种构型简单并且能有效反映相对变化对视觉信号的影响，当然具体的情况我依然存疑 x2+y22xy这种计算方式，经过同专业人士的讨论，可能认为这种构型简单并且能有效反映相对变化对视觉信号的影响，当然具体的情况我依然存疑
FSIM计算源代码地址：源代码地址
FSIM论文地址：论文地址
图像质量评估指标（3） 特征相似度FSIM相关推荐
- ML之ME/LF：机器学习之风控业务中常用模型评估指标PSI(人群偏移度指标)的的简介、使用方法、案例应用之详细攻略
ML之ME/LF:机器学习之风控业务中常用模型评估指标PSI(人群偏移度指标)的的简介.使用方法.案例应用之详细攻略 目录 PSI(稳定度指标)的简介 1.如何计算PSI? (1).PSI计算过程
- 图像质量评估指标：MSE，PSNR，SSIM
文章目录 MSE与PSNR的计算方法 MSE与PSNR的问题 SSIM的理念与计算方法 理念 概念准备 公式理解 基本元素 三原则 亮度.对比度.结构的相似度指标设计 最终公式 程序计算方法 计算公式 ...
- 怎么去除图像亮度对图像质量评价的影响_图像质量评估指标 SSIM / PSNR / MSE
Visibility of Errors 计算图像degrade后的质量,最 direct 的思路即比较degrade后的图像与真实图像(distortion-free)之间的差剖面,即可视误差,通过 ...
- 图像质量评估指标：PSNR / SSIM 原理及Python代码
1. PSNR PSNR(峰值信噪比,Peak Signal-to-Noise Ratio),用于衡量两张图像之间差异,例如压缩图像与原始图像,评估压缩图像质量:复原图像与ground truth ...
- 图像质量的客观评估指标PSNR与SSIM
PSNR SSIM 代码 参考文献 1:PSNR PSNR是最为常用的图像质量评估指标: 其中K为图像对应二进制位数,一般为8.MSE为均方误差,计算公式为: 2:SSIM SSIM[1]主要用来衡量 ...
- 语言模型的评估指标-Perplexity
前言 语言模型是什么呢? 标准定义:对于语言序列w1,w2,...,wnw_1,w_2,...,w_nw1,w2,...,wn,语言模型就是计算该序列的概率,即 P(w1,w2,...,wn)P ...
- 图像质量评价概述（评估指标、传统检测方法）
一.概述 在图像信息技术被广泛应用的情况下,对图像质量的评估变成一个广泛而基本的问题.由于图像信息相对于其它信息有着无可比拟的优点,因此对图像信息进行合理处理成为各领域中不可或缺的手段.在图像的获取. ...
- IQA+不懂︱图像清洗：图像质量评估（评估指标、传统检测方法）
深度学习技术如火如荼,但是训练的图像集都是标注好.质量高的,那么笔者对如何进行图像清洗表示好奇.难道只有让工人肉眼看吗?一些传统的IQA都是基于图像本身质量去评价,那么我想知道,之外的图像信息质量该如 ...
- 图像质量评价方法PSNR+SSIM评估指标SROCC,PLCC
图像质量评价方法PSNR+SSIM&&评估指标SROCC,PLCC ssim的计算里面有高斯模糊,为了快速计算,先对每个小块进行计算,然后计算所有块的平均值.可以参考源代码实现,而且代 ...
最新文章
- 4月11日云栖精选夜读 | 阿里云异构计算发布：轻量级GPU云服务器实例VGN5i
- WCF系列（三） -- WCF配置文件注释 【转】
- explain 之key || explain 之 rows || explain 之 extra
- 裁员纪实——联想不是我的家(转帖)
- Jquery 获取select，radio 和 checkbox的值
- 数组输出黑科技----fwrite()
- jsr303 spring_使用Spring和JSR 303进行方法参数验证
- ubuntu 查看日历，日期
- 下面不是mysql特性_下面( )不是MySQL的特性。_学小易找答案
- 深入理解Tomcat和Jetty源码之第一篇前奏知识
- 7-4 sdut-运输计费问题 (10 分)python
- linux下mysql常用命令_linux 下 mysql 常用命令
- JAVA Number与Math类
- Python Django 初试手记
- cad中lisp文件给恶作剧_AutoCAD小秘密062：紧急插播，关于LISP的病毒防治
- N个例子让你彻底理解java接口回调
- Signature Pad 使用
- 问题：you-get能下载百度网盘的资源吗？
- 第3课：中移物联网蜂窝通信模组OpenCPU探秘
- 周易六十四卦——火水未济卦