图像质量检测与控制技术研究

22/25图像质量检测与控制技术研究第一部分图像质量指标体系的建立 2第二部分参考图像数据集的构建与管理 4第三部分基于机器学习的质量检测算法 6第四部分质量控制策略与反馈机制 9第五部分视觉质量感知模型的研究 12第六部分人机交互式质量评估方法 14第七部分质量检测与控制技术在实际应用 17第八部分图像质量相关标准与规范探讨 22

第一部分图像质量指标体系的建立关键词关键要点【图像清晰度指标】：

1.空间分辨率：图像单位面积内可分辨的最小细节数，反映图像的精细程度。

2.对比度：图像中亮暗区域之间的差异，影响图像的可辨识性。

3.边缘清晰度：图像中不同区域之间的过渡清晰程度，影响图像细节的锐利度。

【图像失真度指标】：

图像质量指标体系的建立

图像质量评价是一个复杂且多方面的过程，需要考虑各种因素。为了全面评估图像质量，需要建立一个全面的图像质量指标体系。该体系应包括以下要素：

1.客观指标

客观指标可以量化图像的特定属性，不受主观判断的影响。常用的客观指标包括：

*空间分辨率：图像中可分辨的最小细节程度。

*亮度分辨率：图像中可分辨的不同亮度级别的数量。

*对比度：图像中最亮和最暗区域之间的差异。

*色度：图像中颜色的真实性和饱和度。

*锐度：图像边缘和轮廓的清晰度。

*噪声：图像中不需要的随机像素波动。

*伪影：图像处理或传输过程中引入的失真或瑕疵。

2.主观指标

主观指标反映了人类视觉对图像质量的感知。它们通常通过用户研究或专家评估获得，包括：

*整体质量：图像整体上的感知质量。

*自然度：图像是否看起来自然和逼真。

*清晰度：图像是否清晰易于理解。

*色彩准确性：图像中颜色的准确性和真实性。

*无伪影：图像是否无可见的失真或瑕疵。

3.可感知质量指标

可感知质量指标结合了客观和主观因素，以反映图像质量对人眼的影响。这些指标包括：

*感知清晰度：图像中可被人眼感知的锐度。

*感知噪声：图像中可见的噪声量。

*感知对比度：图像中人眼感知到的对比度。

*感知颜色：图像中人眼感知到的色彩真实性和饱和度。

4.特定应用指标

针对特定应用，需要考虑额外的图像质量指标。例如，对于医学图像，需要考虑以下指标：

*解剖细节：图像中解剖结构的可视程度。

*病理特征：图像中病理特征的可检测性。

*剂量：用于生成图像的辐射剂量。

5.指标权重

在建立指标体系时，需要根据每个指标在特定应用中的重要性对指标进行加权。通过赋予不同指标不同的权重，可以定制指标体系以满足特定的质量要求。

6.指标规范

为了评估图像质量是否满足要求，需要为每个指标制定规范。规范可以根据行业标准、用户要求或特定应用的需求制定。

通过建立全面的图像质量指标体系，可以全面客观地评估图像质量。该指标体系为图像处理、传输和显示系统的设计和优化提供了指导，确保图像质量满足特定应用的要求。第二部分参考图像数据集的构建与管理关键词关键要点参考图像数据集的构建与管理

主题名称：参考图像的获取与标注

1.明确图像质量评估标准和需求，针对特定应用场景和目标人群收集和标注图像。

2.采用各种图像获取方式，包括相机采集、网络爬取和3D渲染，确保图像多样性和代表性。

3.运用先进的标注技术，如弱监督学习和半监督学习，提高标注效率和准确度。

主题名称：特征工程与数据增强

参考图像数据集的构建与管理

图像质量检测与控制技术的有效性很大程度上取决于参考图像数据集的质量和管理。构建和管理一个可靠的参考图像数据集至关重要，因为它提供了客观评估图像质量的基准。

参考图像数据集的构建

参考图像数据集的构建涉及以下关键步骤：

*确定数据集目标：明确数据集的预期用途和目标，例如评估压缩算法、图像增强技术或图像分类模型。

*选择图像源：收集高质量、多样化的图像，涵盖不同的内容、场景和图像质量水平。

*定义质量度量：选择与数据集目标相关的图像质量度量，例如无参考（NR）或全参考（FR）度量。

*创建质量标签：根据图像质量度量对图像进行主观或客观评估，以生成质量标签或评分。

*建立多样性：确保数据集包含广泛的图像类型和失真类型，以提高其通用性。

*确保一致性：使用标准化协议和工具进行评估，以确保图像质量标签的一致性和可靠性。

参考图像数据集的管理

维护一个可靠的参考图像数据集需要持续的管理：

*版本控制：跟踪数据集的不同版本，以记录更新和更改。

*数据验证：定期验证数据集的质量，确保图像标签准确且没有异常值。

*扩充和更新：随着图像处理技术和内容类型的不断演变，更新和扩充数据集以保持其相关性。

*数据记录：维护详细的数据记录，包括图像来源、质量标签、评估方法和数据集更新历史记录。

*访问控制：管理对数据集的访问权限，确保其安全性和完整性。

*数据共享：促进数据集的共享和协作，以推动图像质量研究和应用的进步。

数据集的类型

图像质量参考数据集根据图像的可用性可分为以下类型：

*内部数据集：由特定组织或研究人员创建和维护，仅供内部使用。

*公共数据集：由研究机构、行业协会或社区维护，可公开获取。

*商业数据集：由商业实体维护，需要付费访问。

数据集的评估

参考图像数据集的质量可以通过以下方面进行评估：

*多样性：数据集应包含广泛的内容、场景和图像质量等级。

*一致性：图像质量标签应准确且可靠，评估结果应具有可重复性。

*通用性：数据集应适用于各种图像处理应用和算法。

*相关性：数据集应反映实际图像场景和图像失真的影响。

*可访问性：数据集应易于访问，且在使用时遵守相关授权和许可。

精心构建和管理的参考图像数据集对于图像质量检测与控制技术至关重要。通过遵循这些原则和最佳实践，可以建立可靠和有用的数据集，为图像质量评估提供稳固的基础。第三部分基于机器学习的质量检测算法关键词关键要点【基于机器学习的质量检测算法】：

1.利用卷积神经网络（CNN）等深度学习技术自动从图像中提取特征，识别图像中的缺陷和瑕疵。

2.采用监督式学习训练模型，以标记的缺陷图像和大批量无缺陷图像为数据基础。

3.算法具有鲁棒性，能够处理图像中不同的照明条件、噪声和背景干扰。

【用于图像质量检测的生成模型】：

基于机器学习的图像质量检测算法

随着数字图像技术的飞速发展，图像质量检测的需求日益迫切。基于机器学习的质量检测算法凭借其强大的学习和泛化能力，在图像质量检测领域取得了显著的进展。

1.基于深度学习的算法

*卷积神经网络(CNN)：CNN通过卷积核逐层提取图像特征，具有强大的图像特征学习能力。应用于图像质量检测时，CNN可以通过训练学习高质量图像的分布，并识别出低质量图像中不符合特征分布的异常情况。

*生成对抗网络(GAN)：GAN由生成器和判别器组成，生成器生成高质量图像，判别器区分生成图像和真实图像。应用于图像质量检测时，GAN可以通过生成与真实图像非常相似的图像作为高质量图像的参照，并判别输入图像与参照图像的相似度，从而判断图像质量。

2.基于传统机器学习的算法

*支持向量机(SVM)：SVM通过寻找最大间隔超平面将数据分类，具有较强的泛化能力。应用于图像质量检测时，SVM可以通过训练从高质量图像和低质量图像中学习特征，并在新图像中识别出异常特征，判断图像质量。

*决策树：决策树通过层层分割数据，构建决策模型。应用于图像质量检测时，决策树可以根据图像特征构建决策树，并通过遍历决策树判断图像质量。

3.机器学习算法的应用

*图像去噪：基于机器学习的算法可以学习图像噪声的分布，并通过生成与噪声图像相似的图像作为参照，去除图像中的噪声。

*图像增强：基于机器学习的算法可以学习图像质量与增强参数之间的关系，并通过优化增强参数，提高图像质量。

*图像分类：基于机器学习的算法可以学习高质量图像和低质量图像之间的特征差异，并通过分类模型识别图像质量。

4.机器学习算法评估

基于机器学习的图像质量检测算法的评估指标主要有：

*准确率：算法正确识别的图像质量数量与所有图像数量的比值。

*召回率：算法识别出的低质量图像数量与所有低质量图像数量的比值。

*F1分数：准确率和召回率的加权调和平均值。

5.影响因素

基于机器学习的图像质量检测算法的性能受多种因素影响，包括：

*训练数据集：数据集的大小、质量和多样性会影响算法的学习能力和泛化能力。

*特征提取：算法提取的图像特征的有效性对于检测图像质量至关重要。

*模型选择：算法选择合适的机器学习模型，如CNN、GAN或SVM，以及模型参数的优化会影响算法性能。

6.应用前景

基于机器学习的图像质量检测算法具有广阔的应用前景，包括：

*图像处理：图像去噪、图像增强、图像修复。

*智能监控：视频监控中的人员检测、车辆识别。

*医疗影像：医学图像分析、辅助诊断。

*工业检测：产品质量检测、故障识别。第四部分质量控制策略与反馈机制关键词关键要点基于统计过程控制的图像质量控制

1.利用统计过程控制方法建立图像质量模型，实时监测生产过程中的图像质量指标，如清晰度、色差和对比度。

2.通过对图像质量数据的统计分析，识别异常图像并进行主动干预，防止次品图像流入市场。

3.采用反馈机制，将质量检测结果反馈到生产线上，及时调整工艺参数，保证图像质量稳定性。

基于深度学习的图像质量评级

1.使用深度学习模型训练图像质量评级系统，建立图像质量与评分之间的映射关系。

2.利用转移学习和微调技术，根据特定图像域定制评级模型，提高评级精度。

3.采用多尺度特征融合和注意力机制，捕获图像中不同尺度的纹理和语义信息，提升评级鲁棒性。

图像失真分类与修复

1.训练失真分类模型，识别图像中存在的常见失真类型，如模糊、噪声和光照偏差。

2.开发基于生成对抗网络（GAN）的图像修复算法，根据图像失真类型进行有针对性的修复。

3.探索图像生成模型在图像修复中的应用，通过对抗学习生成逼真且高质量的修复图像。

图像增强与优化

1.利用图像增强技术提升图像质量，改善对比度、亮度和锐度等指标。

2.采用色彩校正和色调映射算法，优化图像色彩和色调，增强图像表现力。

3.研究图像超分辨率技术，将低分辨率图像提升至高分辨率，弥补图像细节不足的问题。

图像质量数据集与评测标准

1.构建高质量的图像质量数据集，包含不同质量水平和失真类型的图像。

2.制定图像质量评测标准，建立图像质量评估的统一方法。

3.探索基于众包和视觉感知模型的图像质量主观评价方法，提升评价结果的准确性和一致性。

图像质量控制与智能制造

1.将图像质量检测与控制技术融入智能制造系统，实现自动化和实时质量监控。

2.探索边缘计算和云计算技术在图像质量控制中的应用，提升图像处理效率和可靠性。

3.利用人工智能算法优化生产工艺，基于图像质量数据进行预测性维护和故障诊断。质量控制策略与反馈机制

图像质量检测与控制技术旨在确保图像符合预期的质量标准。有效的质量控制策略和反馈机制对于实现这一目标至关重要。

质量控制策略

质量控制策略是制定的一组准则和程序，用于指导图像质量检测和纠正过程。这些策略可能因具体应用程序和图像类型而异，但通常包括以下要素：

*质量指标定义：确定用于评估图像质量的量化指标，例如清晰度、噪声和色彩保真度。

*质量阈值设置：设定图像质量的可接受阈值水平，超过该阈值则认为图像不合格。

*检测算法选择：选择用于检测图像缺陷或不良质量的算法，这些算法可以基于统计模型、机器学习或图像处理技术。

*纠正措施实施：制定措施来纠正不合格图像，例如重新采集、降噪或色彩校正。

反馈机制

反馈机制在图像质量控制中起着至关重要的作用，因为它允许在整个流程中持续监控和调整。有效的反馈机制可以实现以下功能：

*检测结果验证：向系统提供有关检测算法有效性的反馈，以改进其准确性和鲁棒性。

*质量趋势分析：通过跟踪图像质量指标随时间推移的变化来识别趋势和异常情况。

*工艺参数优化：根据检测结果和质量指标调整图像采集或处理参数，以提高整体质量。

*异常情况处理：识别和处理超出正常质量范围的不合格图像，以防止它们进入下游流程。

反馈机制的类型

不同的反馈机制可用于图像质量控制，包括：

*人工反馈：由人工检查员手动评估图像质量并提供反馈。

*半自动反馈：结合人工和自动检测方法，为人工检查提供支持和优先级排序。

*全自动反馈：使用机器学习或人工智能算法自动检测和纠正图像缺陷，无需人工干预。

质量控制和反馈机制的实施

质量控制策略和反馈机制的有效实施对于确保图像质量至关重要。这通常涉及以下步骤：

*收集参考图像：建立高质量图像库作为比较和评估的基础。

*建立检测算法：根据质量指标定义和检测需求，开发或选择合适的检测算法。

*实施反馈机制：根据反馈机制的类型实现验证、分析和调整过程。

*定期监控和评估：定期审查检测结果、质量趋势和工艺参数，以确保系统持续符合要求。

通过有效实施质量控制策略和反馈机制，可以显著提高图像质量，确保其满足预期标准，并支持下游图像处理和分析应用程序的可靠性。第五部分视觉质量感知模型的研究视觉质量感知模型的研究

视觉质量感知模型（VQM）是一种数学模型，用于量化图像的感知质量。它旨在模拟人眼对图像质量的感知，提供一个客观且量化的质量度量。

分类

VQM可分为两大类：

*全参考模型（FR-VQM）：需要原始图像作为参考，以计算感知质量。

*无参考模型（NR-VQM）：无需原始图像，仅基于失真图像计算感知质量。

FR-VQM

FR-VQM广泛用于图像压缩和处理应用中。常见的FR-VQM包括：

*峰值信噪比（PSNR）：衡量原始图像和失真图像之间像素强度的平均差异。

*结构相似性（SSIM）：比较原始图像和失真图像的结构相似性，包括亮度、对比度和结构。

*视频质量测度（VQM）：考虑了人类视觉系统的特性，结合了PSNR和SSIM等指标。

NR-VQM

NR-VQM用于评估图像质量的应用程序，例如图像去噪和超分辨率。常见的NR-VQM包括：

*感知品质指数（PQI）：基于人类视觉系统的感知特征，如对比敏感度和空间频率响应。

*盲参考质量评估（BRISE）：利用机器学习技术，从失真图像中提取感知特征。

*无参考图像质量评估（NIQE）：采用自然图像统计模型，模拟人眼对图像质量的感知。

模型评估

VQM的性能通常通过以下指标进行评估：

*相关性：预测的人为感知质量与实际感知质量之间的相关性。

*鲁棒性：对不同失真类型和图像内容的鲁棒性。

*计算复杂性：计算所需的时间和资源。

应用

VQM在图像和视频处理领域有着广泛的应用，包括：

*图像和视频压缩：优化压缩算法以提高感知质量。

*图像增强：评估去噪、锐化和超分辨率等增强技术的性能。

*视频传输：监控视频流的质量，并根据网络条件调整比特率。

*视觉信息检索：基于感知质量对图像和视频进行排序和检索。

发展趋势

VQM的研究领域正在不断发展，重点关注：

*基于深度学习的VQM：利用深度神经网络学习人类视觉系统的复杂特性。

*动态感知模型：考虑观看环境和个人偏好的影响。

*多模态VQM：整合来自不同感觉通道（例如视觉和听觉）的信息。

结论

VQM是图像质量评估中必不可少的工具，提供了一种客观且量化的感知质量度量。随着视觉感知模型的研究不断发展，VQM在图像和视频处理领域将发挥越来越重要的作用。第六部分人机交互式质量评估方法关键词关键要点主观质量评估

1.采用人工视觉感知评估图像质量，模拟人眼视觉特性。

2.建立标准图像库，提供不同质量等级的参考图像。

3.通过视觉感知测试，收集主观评分数据，建立评分模型。

客观质量评估

1.基于图像特征提取算法，量化图像失真程度。

2.运用机器学习或深度学习模型，预测图像质量得分。

3.提出无参考图像质量评估指标，解决缺乏参考图像的挑战。

混合质量评估

1.结合主观和客观评估方法，综合考虑人眼视觉和图像特征。

2.利用人类反馈优化客观评估模型，提高预测精度。

3.探索多模态融合技术，整合不同传感器数据进行质量评估。

交互式质量控制

1.人机协作，实时监控图像质量并进行决策。

2.提供交互界面，允许用户参与图像质量评估和改善过程。

3.采用主动学习或强化学习算法，优化交互策略，提升效率。

自动化质控

1.基于人工智能技术，实现图像质量检测和控制的全自动化。

2.利用先进的检测算法和自适应阈值技术，提高检测准确性。

3.融合图像处理和机器视觉技术，实现图像质量的实时监测和调整。

趋势与前沿

1.生成对抗网络（GAN）在图像质量生成和增强方面的应用。

2.深度神经网络在图像质量评估和无参考质量评估领域的进展。

3.人工智能（AI）驱动的人机交互式质量控制系统的探索。人机交互式质量评估方法

人机交互式质量评估方法是一种由人类参与者和计算机系统共同完成图像质量评估的方法。该方法结合了人类主观评价的准确性和计算机算法的效率，以实现客观可靠的图像质量评估。

基本原理

人机交互式质量评估方法基于这样的假设：人类参与者可以对图像质量提供可靠的主观评价，而计算机算法可以分析和处理图像数据，提取图像质量的客观特征。通过交互式地结合这两方面，可以获得比单纯使用主观评价或客观算法更准确和全面的图像质量评估。

实施方法

人机交互式质量评估方法通常采用以下步骤：

1.建立主观图像质量数据库：收集一组具有不同质量水平的图像，并对其进行人类主观评级。这些评级将用作训练和评估计算机算法。

2.设计计算机算法：开发一种或多种计算机算法，这些算法可以从图像数据中提取与质量相关的特征。这些特征可能包括锐度、对比度、噪声和伪影。

3.训练和评估算法：使用主观图像质量数据库来训练和评估计算机算法。训练算法以预测人类的主观评级。

4.人机交互：设计一个交互界面，允许人类参与者与计算机算法交互。参与者可以查看图像，提供反馈并调整算法的参数。

5.融合主观和客观评估：结合人类反馈和计算机算法预测，生成最终的图像质量评估。

优势和局限性

优势：

*准确性高：结合了人类主观评价和计算机算法的优点，提高了评估准确性。

*客观性强：计算机算法分析图像数据，消除了主观偏见。

*效率高：自动化过程减少了人为参与的需要，提高了效率。

*鲁棒性：处理各种图像类型和失真。

局限性：

*成本高昂：收集主观评级和开发算法需要大量时间和资源。

*受人类主观性影响：主观评价仍然是该方法的一个组成部分，可能受到偏见的影响。

*复杂性：实施和使用该方法可能需要专业知识。

应用

人机交互式质量评估方法已广泛应用于图像质量评估的各个领域，包括：

*数字图像处理

*图像压缩

*图像增强

*图像显示

*医学图像分析第七部分质量检测与控制技术在实际应用关键词关键要点基于视觉的图像质量检测

1.利用计算机视觉技术，分析图像中的纹理、边缘、色彩等特征，自动识别图像模糊、噪声、失真等缺陷。

2.采用深度学习算法，训练卷积神经网络模型，提高图像质量检测准确率和效率。

3.集成图像增强技术，对检测出的缺陷图像进行修复或优化，提升图像整体质量。

基于内容的图像质量检测

1.分析图像中包含的信息量，识别图像模糊、过于饱和、对比度不足等质量问题。

2.利用自然语言处理技术，提取图像中的关键元素（例如：物体、场景），评估这些元素的清晰度和完整性。

3.结合人工视觉经验，设计图像质量评分标准，对图像质量进行量化评价。

图像质量评价

1.建立客观图像质量评价模型，使用数学公式和算法评估图像质量。

2.采用主观评价方法，通过人工视觉评分或问卷调查获取图像感知质量。

3.融合客观和主观评价，综合得出图像质量评定结果，为后续控制措施提供依据。

图像质量控制

1.基于图像质量检测结果，采取相应措施控制图像质量，例如：锐化、降噪、色彩校正。

2.在图像采集、处理、传输等环节，应用图像质量控制技术，避免或减轻图像质量损失。

3.采用闭环控制机制，实时监测图像质量，并根据反馈信息调整控制策略，确保图像质量稳定可靠。

图像质量标准

1.制定图像质量标准，明确不同应用场景下的图像质量要求。

2.采用标准化组织颁布的图像质量标准，保证图像质量的一致性和互操作性。

3.推广图像质量标准的应用，提升图像产业链整体质量水平。

图像质量优化

1.利用图像处理技术，对图像进行优化，提升图像质量，例如：对比度增强、锐化、色彩校正。

2.探索图像增强算法，提高图像清晰度、色彩饱和度、细节表现力。

3.结合计算机图形学技术，实现图像超分辨率、图像修复等高级质量优化功能。图像质量检测与控制技术在实际应用

一、图像质量检测技术

1.像素级检测

*RGB颜色值判断：逐像素比较RGB值，判断是否满足预定义的质量标准。

*灰度值判断：将图像转换为灰度图像，逐像素比较灰度值，判断是否满足质量标准。

*图像直方图分析：分析图像的灰度分布，判断是否存在过曝、欠曝或色彩失真。

2.边缘检测

*Sobel算子：用于检测图像中水平和垂直边缘，判断图像清晰度和细节表现。

*Canny算子：结合Sobel算子和其他算子，更准确地检测图像中边缘，用于评估图像轮廓和物体边界。

3.频域分析

*傅里叶变换：将图像转换为频域，分析图像中不同频率分量的分布，判断图像纹理、噪声和模糊程度。

*小波变换：利用不同尺度的滤波器对图像进行分析，检测图像中不同层次的细节和纹理。

二、图像质量控制技术

1.图像预处理

*去噪：去除图像中的噪声，提高图像清晰度。

*图像增强：调整图像的对比度、亮度和色彩饱和度，改善图像质量。

*图像尺寸调整：将图像调整到所需的尺寸，满足显示或存储需求。

2.图像压缩

*JPEG：有损压缩算法，通过去除图像冗余信息，减少文件大小。

*PNG：无损压缩算法，不损失图像质量，文件大小大于JPEG。

*HEIF：新一代图像压缩格式，既能保证无损质量，又能大幅缩减文件大小。

3.图像水印

*可见水印：将信息直接添加到图像中，用于防伪和版权保护。

*不可见水印：将信息隐藏在图像中，不影响图像质量，用于图像认证和追踪。

三、图像质量检测与控制技术在实际应用

图像质量检测与控制技术在各行各业有着广泛的应用，包括：

1.医疗影像

*图像质量检测：评估X射线、CT和MRI图像的清晰度、诊断价值和准确性。

*图像质量控制：优化成像设备、参数和处理算法，确保图像质量满足医疗诊断需求。

2.工业检测

*图像质量检测：评估工业自动化视觉系统中图像的清晰度、特征提取准确性和缺陷检测能力。

*图像质量控制：校准相机、照明和处理算法，确保图像质量满足缺陷检测的精度和可靠性。

3.安防监控

*图像质量检测：评估监控摄像头的图像清晰度、照明、色彩准确性和运动捕捉能力。

*图像质量控制：优化相机设置、环境照明和处理算法，确保图像质量满足安全监控和证据收集的需求。

4.遥感遥测

*图像质量检测：评估卫星和无人机图像的地理空间精度、分辨率、辐射校正和大气校正。

*图像质量控制：校准传感器、优化处理算法，确保图像质量满足遥感制图和环境监测的需求。

5.数字媒体

*图像质量检测：评估摄影图像、视频图像和游戏图像的清晰度、色彩饱和度、纹理表现和噪声水平。

*图像质量控制：优化相机、传感器和处理算法，确保图像质量满足内容创作、传播和存档的需求。

结语

图像质量检测与控制技术是保证图像信息准确、可靠和可用的关键技术。这些技术在实际应用中发挥着至关重要的作用，确保了图像在医疗影像、工业检测、安防监控、遥感遥测和数字媒体等领域的价值和可靠性。随着技术的不断发展和应用场景的不断拓展，图像质量检测与控制技术将继续推动图像信息处理和应用的进步。第八部分图像质量相关标准与规范探讨图像质量相关标准与规范探讨

概述

图像质量是一种主观概念，衡量图像视觉上是否令人满意。为了量化和评估图像质量，制定了多种标准和规范。这些标准和规范涵盖了图像质量的不同方面，包括客观和主观因素。

客观标准

峰值信噪比(PSNR)：PSNR是一种客观质量指标，测量图像失真与原始图像之间的比率。它以分贝(dB)为单位，数值越大表示质量越好。

结构相似性指数(SSIM)：SSIM是一种客观质量指标，评估图像的结构相似性。它考虑了亮度、对比度和结构信息，