邓杰航，袁仲鸣，林好润，顾国生

（广东工业大学 计算机学院，广东 广州 510006）

图像作为人类和机器获取信息的重要来源，图像的质量将直接决定信息来源的准确性和有效性。然而，图像的获取、压缩、处理、传输、显示的过程中无可避免地会出现一定的失真，因此图像质量评价(Image Quality Assessment， IQA)被广泛地应用于许多图像任务处理当中。

目前，图像质量评价从方法上可以分为主观评价方法和客观评价方法[1]。主观评价是根据观察员对图像的主观感知来评价图像质量的，而客观评价则是模拟人类视觉系统的感知特性建立数学模型以评价图像的质量。相比主观评价，客观评价具有处理速度快，可批量处理，结果可重现的特点。当前客观评价算法根据其对参考图像的依赖程度分成3类[2]，分别是全参考[3]、无参考[4-5]和半参考[6-7]。由于全参考的评价方法被广泛应用于评估图像处理算法，因此本文专注于全参考图像质量评价算法。

传统的全参考图像质量评价方法在默认参考图像为无失真图像的基础上，通过分析失真图像和参考图像之间的误差信号从而进行图像质量评价，如均方误差(Mean Square Error， MSE)和峰值信噪比(Peak Signal to Noise Ratio， PSNR)。MSE和PSNR由于其简单性而得到广泛应用，然而这两个数学模型和人类视觉系统(Human Visual System， HVS)的观察特性相关性较低，因此在涉及不同的失真类型时，这两种IQA方法难以获得令人满意的结果[3]。根据HVS的感知特性，Wang等[8]提出了结构相似性指数(Structural Similarity， SSIM)，该方法采用图像亮度、对比度和结构特征的比较来感知图像的质量。……