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何评估？
.
一、IQA评估指标
1、MOS、DMOS
2、均方根误差(Root mean squared error, RMSE)
3、线性相关系数(Linear correlation coe±- cient, LCC), 也称为皮尔逊(Pearson) 线性相关 系数
4、Spearman 秩相关系数(Spearman0s rank ordered correlation coe±cient, SROCC)
5、Kendall 秩相关系数(Kendall rank order correlation coe±cient, KROCC)
6、离出率(Outlier ratio, OR)
二、图像质量检测方式
1、全、半参考方法
2、盲图像质量(Blind image quality, BIQ)
3、机器学习的图像质量评价
（1）SVM ＋ SVR
算法则采用两步方案, 先用SVM 进行失真类型识别, 进而对特定失真类型建立SVR 回归分析模型,我们称之为SVM ＋ SVR 模型.
（2）GGD
Moorthy 和Bovik的盲图像质量指数(Blind image quality index, BIQI) 分两步对图像进行评价, 先采用小波分解系数经广义高斯分布(Generalized Gaussian distribution, GGD) 模型拟合得到的参数作为特征, 由SVM 分类得到当前图像属于每个类的概率, 再采用SVR 对各个退化类型计算图像质量指标值, 最后根据概率加权得到总的质量评价指标; 在后续的基于失真辨识的图像真
实性和完整性评价。
.
4、基于概率模型的方法
这类方法首先建立图像特征与图像质量之间的统计概率模型, 大多采用多变量高斯分布描述概率分布. 对待评价图像, 提取特征后根据概率模型计算最大后验概率的图像质量, 或根据与概率模型的匹配程度(如特征间的距离) 估计图像质量.
在德克萨斯大学奥斯汀分校的Mittal 等 提出的自然图像质量评价(Natural image quality evaluator, NIQE) 算法中, 无需利用人眼评分的失真图像进行训练, 在计算其局部MSCN 归一化图像后, 根据局部活性选择部分图像块作为训练数据, 以广义高斯模型拟合得到模型参数作为特征, 采用多变量高斯模型描述这些特征, 评价过程中利用待评价图像特征模型参数与预先建立的模型参数之间的距离来确定图像质量
Abdalmajeed 和Jiao在对图像进行局部MSCN 归一化后, 基于韦伯分布提取自然图像统计特征, 并以多变量高斯分布描述它的概率分布, 评时计算待评价图像特征与无失真图像统计模型的距离作为图像质量评价度量. 根据概率建模是一种基于大量样本的统计方法, 概率数学模型的选择和样本量的大小是影响性能的关键, 现有方法大都基于多变量高斯模型进行概率建模, 主要是为了方便建模. 考虑到表征图像质量的特征维度很高, 复杂的模型将需要更多的数据量, 这类方法只有当数据量较大时才可能取得较好的效果。
.
5、神经网络的方法
Hou 等也采用具有5 层网络结构的深度学习算法进行图像质量评价,综合特征提取、分类、后验概率计算等功能为一体,由3 级小波变换细节特征为输入, 训练过程先采用受限波尔兹曼机(Restricted Boltzmann machine,RBM) 进行层间学习, 再采用反向传递算法进行精细调整. 这两种算法的实验结果均明显优于其他无参考算法, 甚至在某些情况下优于全参考算法中较好的VIF
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/231218.html原文链接：https://javaforall.net
![明天准备离职了，面对照顾自己的领导，要这样说[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
