图像质量评价：从误差的能见性到结构相似性

1、图像质量评估：从误差的可见性到结构相似性Zhou Wang, Member, IEEE Alan Conrad Bovik, Fellow, IEEE Hamid Rahim Sheikh,Student Member, IEEEand Eero P. Simoncelli, Senior Member, IEEE摘要我们评估视觉图像质量的传统方法是去量化可见的误差，这个误差评估是在失真图 像和采用了人类视觉系统特性的参考图像之间进行的。在我们的假设中，人类视觉视觉 系统非常容易从一个场景中提取结构信息，因此我们引入了一种替代互补架构，用来对 结构信息的退化进行质量评估。作为此概念的一个实例，

2、我们引入结构相似度指数（Structural Similarity Index），然后用一组直观的例子证明它，同时把SSI与主观评级和图像数据库先进客观算法作了比较，该数据库是基于JPEG和JPEG2000压缩技 术的。索引词一误差灵敏度，人类视觉系统（HVS），图像编码，图像质量评估，JPEG，JPEG2000，视觉质量，结构信息，结构相似度（SSIM）。1、介绍数字图像在采集、处理、压缩、存储、传输和再现过程中会产生各种各样的失真， 其中任何一个都可能导致视觉质量的退化。为了使图像最终能够被人类看懂，唯一正确 的视觉图像质量量化方法就是主观评估。然而在实践中，主观评估通常不太方便，不但 耗

3、时，而且昂贵。我们对客观图像质量评估进行研究的目的，是想开发一种能自动预测 图像质量的量化指标。客观图像质量指标可以在图像处理应用中扮演各种角色。首先，它可以用于动态监 测和评估图像质量。例如，一个网络数字视频服务器可以检测传输视频的质量，来控制 和分配媒体流资源。其次，它可以用来优化图像处理系统参数和算法。例如，在视觉传 输系统中，质量指标可以在预滤波器的优化设计，编码器中的比特分配算法，误差隐藏 解码器中的后滤波算法几个方面提供帮助。第三，客观图像质量指标可用于基准图像处 理系统和算法中。我们可以用原始图像与失真图像做比较，然后用比较之后图像的可用性来对客观图 像质量指标来进行分类。现有的

4、大多数方法都可以称为全参考评估方法，这意味我们把一个完整的参考图像认为是已知的。然而在许多实际应用中，参考图像是不可用的，我 们迫切需要一个不需参考或“盲目”的质量评估方法。在一部分方法中，参考图像仅是部 分可用的，以提取特征作为边缘信息，来协助评估失真的图像的质量。这种方法被称为 部分参考评估方法，本文重点研究的是全参考图像质量评估。最简单和最广泛使用的全参考质量指标是均方误差（MSE），均方误差可以通过对 图像失真程度的不同和参考图像的像素取均方来得到，还随着峰值信噪比（PSNR）的 相关量而改变的。它们计算很简单，有明确的物理意义，并且可以在数学上进行优化， 但是不能很好和视觉视觉质量相

5、匹配。在过去的三年中，人们在利用人类视觉系统（HVS）的特性改进质量评估算法方面花了很大的经历。人们提出的大多数视觉质量评 估模型都遵循校正MSE算法，这样可以将误差的能见度作为判定标准。第二部分总结 了这种误差灵敏度的类型，并讨论了其难点和局限性。在第三节中，我们描述了一个新 的质量评估范式，该范式是基于人类视觉系统高度适合提取结构信息这一假设的。作为 一个实例，我们定义了一种测量结构相似度（SSIM）方法，该方法通过比较局部像素 的强度来进行测量，并且像素已经在亮度和对比度进行了标准化。在第四节中，我们比 较不同质量评估模型的试验结果和一组主观评级由344个图像构成的数据库，该数据库 是基

6、于JPEG和JPEG2000图像压缩的。II、基于误差灵敏度的图像质量评估算法一个图像信号可以看作是未失真的基准信号和误差信号之和。我们大量采用的假设 是，视觉质量的损耗与误差信号的可见性是直接相关的。均方误差MSE）是实现这个 概念的最简单方法，MSE能够客观量化信号强度的差值。但是两个具有相同MSE的失 真图像也可能有不同类型的误差，其中一些比另一些的误差明显的多。在文献中有一种 最贴合视觉性的图像质量评估方法，该方法尝试根据误差信号的可见度来衡量误差信号 的不同方面，并且通过人类的心理测量或者动物生理学来确定。这种方法是Mannos和 Sakrison首创，并且已经被其他研究人员发展。R

7、eference signal +Distorted .signalPreprocessing CSF FilteringA*ChannelDecompositionEro NormalizationErro PoolingQuality/ a DistorticinMeasureFig. L A protolypica quality assessment system based on error sensitivity. Noie thaL the CSF feature can be implemented either as a separate stage (as shown) o

8、r within tlError Normalzation.A.总体架构图1说明了一个通用的图像质量评估框架，该框架是基于误差灵敏度的。大多数视觉质量评估模型可以用一个类似的图来描述，虽然它们的细节不同。预处理：这个阶段通常执行各种基本的操作，将图片消除已知的失真。首先，失真 信号和基准信号应该正确的压缩和匹配。第二，信号可能被转化为成色彩空间，这 样对视觉更为适合。第三，质量评估指数可能需要改变数字像素的值，将数字像素 的值通过非线性变换变成可以在显示器上的显示的亮度值。第四，我们可以使用一 个滤波器，该滤波器能够模拟眼视光学的差分函数。最后，我们可以通过非线性点 运算来模拟眼睛的光适应，来

9、修改基准图像和失真图像。CSF滤波：对比敏感度函数（CSF）描述了在不同的空间频率和时间频率上，人眼 在视觉激励中的敏感性。有些图像质量指数包含了一个部分，该部分根据这个函数 定义信号的权重（通常使用接近的CSF的频率响应的线性滤波器）。许多最近提出的指数都选择CSF作为信道分解后判定灵敏度基准的标准化因子。信道分解：图像信号通常被分离到次频带，在次频带中可以有选择性的识别时间频 率，空间频率和空间方向。其他质量评估算法，实现复杂信道分解，他们认为信道 分解和视觉皮层的神经反应密切相关，许多指数使用简单的变换，如离散余弦变换（DCT），可分离小波变换，时间频率的信道分解也被用来进行视频质量评估

10、。 误差标准化：在每个信道中，基准信号和失真信号之间的误差，根据一定的掩蔽模 型进行计算和标准化。考虑到这样的事实，在临近的空间位置，时间位置，空间频 率和空间方向上，一个图像分量的存在会降低另一个图像分量的可见性。标准化机 制用空间自适应的视觉阈来衡量信道中的误差信号。每个点的视觉阈是基于一个邻 域内基准信号和失真信号的强度，以及该信道的基础灵敏度来计算的。标准化过程 的目的是将误差转换成最小可觉差JND）单元。误差合并：所有图像质量指指数的最后一步，在图像的空间幅度上合并标准化误差 信号，并且通过不同的信道转换成单一的值。对于大多数质量评估算法，误差合并 通常采取闵可夫斯基规范如下：1E（

11、e, k）=（注e P）P i k et,k是第l信道中第k个系数的标准误差，0是一个1和4之间常数。闵可夫斯 基合并可以表现在空间上（指数k），然后在频率上（指数l），或反之亦然，具 有一定的非线性，或可能与不同的指数0。空间图表明不同区域的相对重要性也 可用于提供空间移变加权。B.局限性误差灵敏度算法的基本原理是，估计视觉质量最好的方法，就是量化误差的可见性。这是早期模拟人类视觉系统（HVS）时完成的功能特性。虽然这种自底向上的方法的问 题已经被普遍接受了，重要的是要认识到它的局限性。特别是，人类视觉系统（HVS） 是一个复杂的、高度非线性的系统，但大多数早期视觉模型是基于线性和拟线性算子

12、， 通过简单和有限的激励。因此，误差灵敏度算法需要一系列的强假设和强概化。质量定义问题：传统方法的最基本的问题是图像质量的定义。特别是，它是不明确 的，误差的可见性应该等同于图像质量的损耗，因为一些失真虽然清晰可见，但并 不是那么有异议。一个明显的例子是一个基于全局比例因子的图像强度乘法。在29 的研究还表明，图像保真度和图像质量之间的相关性是只能是一定的。超阈值问题：许多基于误差灵敏度模型的基础上的心理物理学实验，专门来估计阈 值，看看那种激励几乎无法看见。这些测得的阈值然后被用于确定视觉误差灵敏度 的方法，例如在CSF和掩蔽效应中。然而，很少有心理物理学研究表明，近阈模型是否可以推广到视觉

13、表现失真显著超过阈值的情况。在超阈值范围，不同信道间 的相关视觉失真可以通过可见性阈值标准化吗？最近有研究写出，结合超阈值心理 物理学分析图像失真。自然图像复杂度问题：大多数心理物理实验是用相对简单的方式进行的，例如斑点， 正弦光栅。例如，CSF通常由使用全局正弦图像的阈值实验获得。掩蔽效应通常特 征在于使用两个（或者几个）不同的图案的叠加。但是所有这样的图案是比真实世 界图像简单的多的，真实世界可以看作是简单图案的超大量叠加。几个简单模式之 间的相互作用的模型是否能够评估几十或几百个模式之间的相互作用？这个简单 激励实验是否有效去建立一个模型来预测复杂结构的自然图像的视觉质量？ 去相关问题：

14、当一个人选择使用一个闵可夫斯基度量空间集中的误差，一个是隐含 的假设，在不同的位置的误差是统计独立。这将是真实的，如果处理之前，池消除 依赖于输入信号。然而，这是不是线性信道分解方法，如小波变换的情况下。它已 被证明是一个强大的依赖关系之间存在的自然图像的帧内和帧间的小波系数36 ，37 。事实上，国家的最先进的小波图像压缩技术，实现他们的成功，利用这种强 烈的依赖38 - 41 。心理学上，各种视觉掩蔽模型已被用来解释之间的相互作用 系数2 ， 42 。据统计，它已被证明，一个精心设计的非线性增益控制模型，在 该模型中，参数进行了优化，以减少依赖关系，而不是从掩蔽实验拟合数据，可以 大大减少

15、的依赖关系的变换系数43 ， 44 。在45 ， 46 ，它表明，优化设计 的转换和屏蔽模型可以减少统计和感性的依赖。它仍然可以看到多少这些模型可以 提高性能的电流质量评估算法。 认知互动问题。认知理解和互动视觉处理（如眼睛运动）对图像的视觉质量有广泛 的影响，这一认识是众所周知的。例如，一个人类的观察者会给不同的质量分数相 同的图像，如果他/他/他提供不同的说明4 ， 30 。以前的有关图像内容，或关 注和固定的信息，也可能会影响到图像质量的评估4 ， 47 。但大多数图像质量 指标不考虑这些影响，因为它们很难量化，而不是很好理解。III、基于结构相似度的图像质量评估自然图像信号是高度结构化

16、的：它们的像素表现出强烈的依赖关系，特别是当它们 是空间上接近的时候，这些依赖关系携带在视觉场景中目标结构的重要信息。闵可夫斯 基误差指数是各个点信号的差异为基础的，这是独立于底层的信号结构。虽然大多数质 量测量是基于误差灵敏度，使用线性变换分解图像信号，但这些不会清除强烈的依赖关 系，如讨论的前一节。我们的新方法的动机是找到一个更直接的方式来比较基准信号的 结构和失真信号。A、新理论在6 和9 中，作者提出了一个图像质量测量的新框架，基于这种假设，人类视觉系统（HVS）是非常适合从视觉领域中提取结构信息。它遵循，测量结构信息变化，可以提供很好的视觉图像失真近似值。我们可以通过与误差灵敏度算法

17、的比较进行理 解。第一，误差灵敏度算法通过估计视觉误差来量化视觉图像失真，而新理论中图像退化是因为结构信息变化中的视觉变化引起的。图2中列举了一个例子，原本的船图像有着不同程度的失真，每次校准都期望产生和原来图像相同的MSE （均方误差）。尽管这样，这鞋图像仍然可以看出显著不同的视觉质量。通过误差灵敏度算法，很难解释为 什么对比度拉伸图像有非常高的图像质量，考虑到他们和基准图像的视觉差异是如此的 明显。但这个现象在新理论中可以很好的解读，因为参考图像所有的结构信息都是存储 着的，在这个意义上，原始信息几乎通过一个简单的逐点逆线性亮度变换算法完全恢复（除非是非常亮或非常暗的饱和区域）。另一方面，

18、原始图像中的一些结构信息永久丢失在JPEG压缩和图像模糊中，因此他们应该得到比对比度拉伸图像和均值漂移图像更 低的品质分数。第二，误差灵敏度范式是一种自下而上的方法，模拟相关HVS （人类视觉系统）中的 早期组件的功能。这种新范式是一种自上而下的方法，可以虚拟所有HVS （人类视觉系 统）的功能。一方面，避免了在上一节中提到的超阈值的问题，因为它不依赖心理物理学阈限 去量化视觉失真。另一方面，在一定程度上也减少了认知的交互问题，因为测量观察对 象的结构，被认为是整个视觉观察过程的目的，包括高层和交互过程。第三，自然图像的复杂性及其相关的问题也在一定程度上得到避免，因为新理论并 不试图预测图像质

19、量，通过对心理物理简模式相关误差的累积。相反，新理论，提出了 一个从两种复杂结构信号中直接提取结果信息变化的方法。B、SSIM （结构相似度）指标我们做了一个从图像形成的角度测量SSIM (结构相似度)质量的一个具体例子。以前的实例，这种方法是在6 - 8 和可喜的成果，实现了简单的测试。在本文中，我 们推广了该算法，并提供了更广泛的验证结果。观察物体表面的亮度是光照和反射的产物，但在现实场景中的物体的结构信息是独 立于亮度的。因此，想要得到图像中的结构信息，我们希望分离光照的影响。我们定义 的图像中的结构信息，是提供场景中图像的机构信息的属性，独立的平均亮度和对比度。 由于亮度和对比度可以在

20、一个场景中变化，我们使用我们的定义的本地亮度和对比度。我们所提出的质量评估系统如图3所示。假设x和丁是2个非负的图像信号，并 且是彼此一致的。如果我们认为其中一个信号具有完美的质量，那么测量相似度可以作 为测量第二个信号的一个定量测量方法。将相似性度量的任务分为三个比较：亮度、对 比度和结构信息。首先，比较每个信号的亮度值。假设一个离散信号，下式是该信号平 均强度估计值：i yn 乙x (2)x N ii=1亮度比较函数l(x, y)是一个n x，n y的函数。其次，我们从信号中去除平均强度。在离散形式中，产生的信号x n x对应向量 x的投影在超平面上，该超平面定义：x = 0(3)ii=1

21、我们使用标准差(方差的平方根)作为信号对比度的估计值，无偏估计的离散表达 式为：N1O =(-工(x N )2)2(4)x N 1 i xi=1对比度表达式c(X, y)则是 x和 y的比较。第三，信号由本身的标准差标准化，这样相比的两个信号有单位标准差。结构比较 式 S (x, y )由(x N)/ 和(y N)/ 定义最后，三个部分组合在一起形成了相似度测量公式:S (%, y) = f (l (x, y), c (x, y), s (x, y)这三个部分是相互独立的。例如，亮度或对比度的变化不会影响图像的结构。为了完成（5）中对相似度测量的定义，我们需要定义三个函数l（x，y），c（x，

22、y）， 和s（x, y），以及组合函数fG），相似度测量满足以下条件：1)对称性：s (x, y) =s (y, x)2)有界性：s (x, y) -13）唯一最大值：s（x,y） =1，当且仅当x二y成立。（离散表达式x.二y.，对所 有的i = 1,2,，N成立）对于亮度表达式，我们定义:(6)2从从+ C(xx，y)从 2 + j 2 + Cx y 1在这里常数C 1是不能被忽略的，因为避免当NJ + N:趋近于0时分母无意义。实 xx y际上，我们选择C1 = (K1L )2在这里L是像素值的动态范围（8位灰度图像的话是255），K 1 口 1是一个非常小的常数。类似的考虑也适用于后面

23、的对比度表达式和结构表达式中。方程（6）很容易 可以看出遵守以上三个属性。方程（6）由韦伯定律一致定性，该定律已被广泛应用到HVS （人类视觉系统）的 光适应模型中（也叫亮度掩蔽）。根据韦伯定律，恰可察觉亮度变化的幅度”与背景 亮度I是成正比的。换句话说，HVS （人类视觉系统）对相对亮度变化是敏感的，而 不是对绝对亮度变化。让尺表示背景亮度的亮度变化大小，我们重写失真信号的亮度 表达式为Ny = （1+ R）Nx。将这个式子代入（6）中：(8)2(1 + R)C1 + (1 + R )2 + 二R 2如果我们假定C 1足够小(相对来说)，就可以被忽略不计，那么l(x, y)仅仅是R x的函数

24、，与韦伯定律定性一致。对比度表达式采取类似的形式：c (x, y)= 2 x y + C声C 2 + 2 +Cx y 2其中C2=(K2L)2，并且K21，此表达式也满足上面的三个性质。此表达式的一个重要特点是，有相同数值的对比度变化“ 二y x，这种措施对 于高基准对比度 x是不敏感的，相较于低级准对比度来说。这和HVS (人类视觉系统) 的对比度掩蔽特性一致。结构表达式在亮度差和方差标准化后给出。具体来说，我们吧两个单位向量(x R x)/ x和(y R y)/ y和两个图像的结构联系在一起，单位向量都是 中定义在超平面上的。两者之间的相关性(内积)是一种简单而有效的措施去量化结构相似 度

25、。注意到(x Rx)/x和(y Ry)/y之间的相关性等效于x和y的相关系 数。因此，我们定义的结构表达式如下： xy+C3 + C(10)在亮度和对比度表达式中，我们已经推出了分母和分子是一个很小的常数。用离散形式 表达， xy可以写为：1 N /一 = z (x R )(y R )(11)xy N 1 i x i yi=1几何学上，相关系数对应向量xR x和y R y之间的角度的余弦。还要注意的是， s(x, y)可以取到负的i。最后，我们合并(6)(9)(10)三个式子，给出信号x和丁之间的SSIM指数 定义：SSIM (x, y) = l(x, y)a c(x, y)B s(x, y)

26、y(12)其中a 0，P 0和Y 0，用于调整三个部分的相对重要性的参数。很容易验 证，该定义满足上面提到的三个性质。为了简化表达，我们设置a = P =丫 = 1和 C3=C2 / 2。最后得到SSIM指数的具体形式：SSIM (x,y)=Q N,:,+ C产，+ C J(13)(日 2 + 日 2 + C )(0 2 +O 2 + C ) x y 1 x y 2C 二 C 二 0 一在6 和7 中定义的的通用质量指标(UQI)，是特殊情况C1 C2 0时得 到的结果，无论是x2 +日y之)还是(Ox2 +Oy2)趋近于0时，该指标都会得到不 确定的结果。SSIM指数和传统质量指数之间的关系

27、，可以在图像部件的向量空间中进行几何解释。这些图像部件可以是像素亮度，也可以是其他特征，例如线性转换系数。图4展示 了三个参考向量例子的等失真度曲线，其中每条曲线表达了参考图像的局部成分。为了 说明的方便，我们只用了二维空间，但一般情况下，空间的维数应该和被比较的图像部 件相匹配。每条曲线都提供了相对于基准图像的一组等失真图像。图4(a)显示了一 个简单的闵可夫斯基测量的结果。每条曲线都具有相同的大小和形状(在这里，我们假 设指数为2)。也就是说视觉距离对应欧氏距离。图4 (b)显示了一个闵可夫斯基度量， 不同图像部件的权重不同。这可能是，根据对比敏感度方程计算权重，在许多模型中是 常见的。这

28、里的曲线为椭圆形，但还是大小都一样。这些曲线都是于坐标轴对齐的，一 般来说也可以倾斜到任何固定的方向上。许多最近的模型结合对比度掩蔽的方法，具有根据信号的大小缩放等失真度曲线的效 果，如图4(c)所示。这可能被看作是一种具有自适应性的失真度量：它不仅取决于 信号之间的差异，而且还取决于信号本身。图4(d)显示了一种组合的对比度掩蔽(幅 度加权)，然后由分量加权。我们所提出的方法，另一方面，分别计算两个独立的数量：分别是矢量长度和角度。因此，曲线将与一个极坐标系对齐。图片4 (e)和4 (f)展示了用不同的指数计算2个例子。再次，这可能被视为一种自适应性失真度量，但不像 以前的模型，无论曲线的大

29、小还是形状都适应于基础信号。一些最近的模型，使用分裂 的标准化来形容的掩蔽效应也表现出信号相关的曲线(例如，46 ， 45 ， 48 )， C、使用SSIM评估图像质量对于图像质量评估来说，局部用SSIM指数比全局使用更加有效。首先，图像的统 计特征通常是高度空间不稳定的。第二，图像失真，可能依赖，也可能不依赖于局部图 像统计，也可能是空间可变的。第三，从观看距离来看，只有图像中局部区域可以被人 类高分辨率的观察到。最后，本地化的质量测量可以提供一个空间可变的图像质量图， 该图可以提供更多图像质量退化的信息，并且可以应用于某些领域。在6 和7 ，局部统计量N %，0 %和盯是在8义8窗口内计算

30、的。在每一步中，局部统计量和SSIM都是在局部窗口内计算的。这种方法的一个问题是，由此产生的SSIM图会显示不可取的“阻塞”像素。在本文中，我们在11x11圆形对称高斯加权函数w - w , i -1,2,1.5的标准偏差，单位和dw尸1)。这些本地统计量i -1%y的估计值可以修改为: 人y -N w %(14)i -1/ N - 0%i -11 w (% N )2)2 i i %(15)N ，、，、，一、 -Z w (% N )(y N )(16)%yi i % i yi-1用这样加窗的方法，质量图显示了局部各向同性性质。在本文中，SSIM测量使用下面的参数设置：K 1 - 0.01； K

31、2 - 0.03。这些价值观是有些武断，但我们发现,在我们目前的实验，对SSIM算法的性能对这些值的变化相当敏感。在实践中，通常需要整幅图像的一个整体质量指数。我们用平均SSIM (MSSIM) 来评估图像的整体质量指数：MSSIM (X, Y)= _1 十 SSIM (x , y )(17)Mj jj=1其中X和Y是分别是基准图像和失真图像，x j和y j是第j个窗口的图像内容，而 M 是图像的局部窗口的数目。根据不同的应用，也可以计算在SSIM图不同样本平均 权重。例如，图像感兴趣区域的图像处理系统可以给不同的图像分割区域不同的权重。 另一个例子，我们观察到的不同的图像纹理吸引不同程度的人

32、注视(例如，51 ， 52 )。 一个平滑变化的漏斗权重模型(例如，50 )可以用来定义权重。然而，在本文中，我 们使用均匀权重。IV、实验结果许多图像质量评估算法已被证明具有相似的表现，在应用于来自同一原始图像而产 生失真时，该失真是同类型失真(例如，JPEG压缩)。然而，当一组图像来源于不同 的原始图像的时候，或者其中包括各种不同类型的失真，这些模型的有效性会显著退化。 因此，跨图像测试和交叉失真测试在评估图像质量度量的有效性上是至关重要的。应该 可以给出这样一个例子，但在图2中，图像提供一个关于交叉失真性能测试的质量评估 算法的起点。MSE和MSSIM测量结果的数字说明了。显然，在这种情

33、况下均表现很差。 MSSIM值具有很好的一致性与定性的视觉外观。A、最佳案例/最坏案例验证我们还制定了一种更有效的方法来检验我们的客观测量和视觉质量之间的关系。从 一个失真的图像开始，我们提高/降低MSSIM的梯度来约束乂$，目的是与原始图像 失真保持一致。具体来说，我们重申以下两个线性代数步骤：(1)Y f Y 士九 P(X, Y)VYMSSIM (X, Y)(2) Y - X +。E (X, Y)八其中是MSE约束的平方根，控制间隔大小，E（X, Y）是一个单位向量由下式给出定义:八E( X, Y )=Y XII Y - X II同时P(X, Y)是一个投影算子八八P (X, Y) = I

34、 - E (X, Y) E T (X, Y)1是一个恒等运算符。MSSIM是可微的，此过程收敛于该可观测量的局部最大值/最小值。这些最佳和最坏情况下图像的视觉检查，随着初始失真图像，提供了一个失真类型 的直观指示，被目标测量判定是最重要/不重要的。因此，它是一个方便和直接的方法， 揭示了质量测量的视觉影像。如图5所示，初始图像被高斯白噪声污染。我们可以看出，原始图像的局部结构，非常好的保存在最优MSSIM图像中。另一方面，图像结构产生了剧烈的改变在最差MSSIM图像中，但是在某些情况下对比发生了扭转。B、基于JPEG和JPEG2000图像数据库的测试我们比较了交叉失真和交叉图像表现，对于不同的

35、质量评估模型，基于JPEG和JPEG2000压缩技术的图像数据库。二十九个24比特/像素的高分辨率RGB彩色图像 （通常为768义512或类似大小的）使用JPEG、JPEG2000技术压缩图像在一个质量水平范围内，共生产175JPEG图像和169JPEG2000图像。比特率分别在0.150到3.336比特/像素，和0.028到3.150比特/像素，这些比特率是非均匀选择的，这样会 导致主观质量的恰好在整个域内均匀分布。观看者从舒适的座位距离观看这些图像（止匕 距离仅适度控制，以允许的数据反映自然的观看条件），观看者被要求提供他们的观感 质量，被分为五个相等的区域标记的形容词“坏”，“较坏o”，

36、“中等”，“好”，“优秀”。每个由JPEG和JPEG2000压缩的图像分别由1320名和25名受试者观看。受试者大多 为男性大学生。每个图像的原始分数通过取均方值来标准化（原始分数转化为Z积分），那么整个数据集重新调整从1到100的范围。然后计算每个图像的平均意见得分，在删除异常值 之后（大多数受试者没有异常值）。对于JPEG，JPEG2000主观评分的平均标准差（每 个图像），所有图像分别为6.00，7.33,和6.65。这种图像数据库，连同每个图像的 主观评分和标准偏差已经可以在互联网上找到。每个JPEG和JPEG2000压缩图像的亮度分量，都是在2 2的局部窗口下降低取样通过系数为2的M

37、SSIM （平均结构相似度）。我们的实验与当前的数据集表明， 使用其他颜色成分并没有显着改变模型的表现，尽管这在颜色图像质量评估中一般认为 是不正确的。与许多其他的视觉图像质量评估方法，在应用该算法到数据库中时，没有 特别的培训过程，因为该方法是用于通用的图像质量评估（相对于图像压缩）。图6和7显示了一些在不同的质量水平图像数据库示例，连同他们的SSIM图和绝对误差图。值得注意的是，在低比特率下的PEG和JPEG2000算法通常在图像的细节 区域有着光滑的表征。与其他类型区相比，这些区域可能不会是最糟的，在点式差测量 方面，例如绝对误差。然而由于图像细节的结构信息几乎完全失去，所以他们表现出较 差的视觉质量。比较图6（g）与图6（j）和图7（g），7（j），我们观察到SSIM指 数在质量差的区域更容易捕捉到。另外注意到图像密集的边缘结构例如7（c），我们 很难降低压缩图像的点式误差，即使在相对高的比特率下例如7（1）。然而，压缩图像 提供可接受的视觉质量如图7（f）所示。事实上，尽管图7（F）的视觉质量优于图7（E），它的绝对误差图7（L）比7（K）要差，因句对误差是由PSNR值确定的。SSIM指数图7（h）和7（i）提供更好的视觉质量测量一致性。用于比较的质量评估模型（包括信噪比），众所周知的萨诺夫模型，UQI7和MSSIM。每个模型