SSIM、PSNR、LPIPS、MUSIQ、NRQM、NIQE 六个图像质量评估指标

评价指标

1. SSIM（Structural Similarity Index）

📌 定义

结构相似性指数（Structural Similarality Index）是一种衡量两幅图像相似性的指标，考虑了亮度、对比度和结构信息的相似性，比传统的 PSNR 更接近人眼视觉感知。

🔧 计算方法

SSIM 的公式如下：
$$\text{SSIM}(x,y)=\frac{(2{\mu }_x{\mu }_y+C_1)(2{\sigma }_{xy}+C_2)}{({\mu }_x^2+{\mu }_y^2+C_1)({\sigma }_x^2+{\sigma }_y^2+C_2)}$$

• 参数说明：
  • ${\mu }_x,{\mu }_y$：图像 $x$ 和 $y$ 的局部均值（亮度）。
  • ${\sigma }_x,{\sigma }_y$：局部标准差（对比度）。
  • ${\sigma }_{xy}$：局部协方差（结构信息）。
  • $C_1,C_2$：稳定系数，防止分母为零（通常 $C_1=(0.01L{)}^2$，$C_2=(0.03L{)}^2$，$L$ 为像素最大值）。
• 计算步骤：
  1. 将图像划分为多个局部窗口（通常为 $11\times 11$）。
  2. 计算每个窗口的 ${\mu }_x,{\mu }_y,{\sigma }_x,{\sigma }_y,{\sigma }_{xy}$。
  3. 代入公式计算每个窗口的 SSIM 值。
  4. 对所有窗口的 SSIM 值取平均，得到整体 SSIM。

📌 数值范围：[0, 1]

• 1：两幅图像完全相同，质量最佳。
• 0.9-1：图像质量非常好，几乎无失真。
• 0.7-0.9：图像质量良好，结构相似性较高。
• 0.5-0.7：图像质量一般，存在明显结构差异。
• 0.3-0.5：图像质量较差，结构差异显著。
• 0-0.3：图像质量极差，可能完全失真。

📈 应用场景

• 图像压缩、去噪、超分辨率重建等任务。
• 需要关注图像结构性变化（如纹理、边缘）的场景。

✅ 优点

• 比 PSNR 更贴近人眼视觉感知。
• 能捕捉图像的局部结构信息。

❌ 缺点

• 计算复杂度较高。
• 对全局亮度差异敏感。

---

2. PSNR（Peak Signal-to-Noise Ratio）

📌 定义

峰值信噪比（Peak Signal-to-Noise Ratio）是一种基于 均方误差 MSE 的图像质量评估指标，衡量原始图像与失真图像之间的误差。

🔧 计算方法

$$\text{PSNR}=10\cdot {\log }_{10}\left(\frac{{\text{MAX}}_I^2}{\text{MSE}}\right)$$

• 参数说明：
  • ${\text{MAX}}_I$：图像的最大像素值（如 8 位图像为 255）。
  • $\text{MSE}$：均方误差，计算公式为：
    $$\text{MSE}=\frac{1}{mn}\sum _{i=0}^{m-1}\sum _{j=0}^{n-1}[I(i,j)-K(i,j){]}^2$$
    其中 $m,n$ 是图像尺寸，$I$ 是原始图像，$K$ 是失真图像。

📌 数值范围：[0, ∞) dB

• >40 dB：图像质量极好，接近无失真。
• 30-40 dB：图像质量良好，失真可接受。
• 20-30 dB：图像质量较差，失真明显。
• <20 dB：图像质量极差，失真严重。

📈 应用场景

• 图像压缩、视频编码等传统信号处理领域。
• 需要快速评估图像质量的工业场景。

✅ 优点

• 计算简单，实现高效。
• 适用于大规模数据处理。

❌ 缺点

• 与人眼感知存在偏差，尤其在高压缩率下。
• 无法捕捉结构信息（如纹理、边缘）的损失。

---

3. LPIPS（Learned Perceptual Image Patch Similarity）

📌 定义

LPIPS 是一种基于深度学习的图像质量评估指标，通过预训练的卷积神经网络（如 VGG、AlexNet）提取特征，并计算特征空间中的距离。

🔧 计算方法

1. 特征提取：使用预训练的 CNN 模型（如 VGG16）提取多层特征图。
2. 距离计算：计算两个图像特征图的加权欧氏距离：
   $$d_{\text{LPIPS}}(I_1,I_2)=\sum _k{w}_k\cdot \frac{\Vert f_k(I_1)-f_k(I_2)\Vert }{N_k}$$
   • $f_k$：第 $k$ 层的特征图。
   • $w_k$：各层的权重（通过训练调整）。
   • $N_k$：归一化项（特征图的空间维度乘以通道数）。
3. 输出：距离越小，图像越相似。

📌 数值范围：[0, ∞)

• 接近 0：图像高度相似，质量极佳。
• 0.1-0.3：图像质量良好，感知差异较小。
• 0.3-0.5：图像质量一般，存在明显差异。
• >0.5：图像质量差，差异显著。

📈 应用场景

• 图像生成（GAN）、超分辨率、图像修复等深度学习任务。
• 需要模拟人眼感知的复杂场景。

✅ 优点

• 与人眼主观评分高度相关。
• 能捕捉感知差异（如颜色、纹理、形状）。

❌ 缺点

• 依赖预训练模型，计算复杂度较高。
• 需要 GPU 加速推理。

---

4. MUSIQ（Multi-scale Image Quality Transformer）

📌 定义

MUSIQ 是一种基于视觉 Transformer VIT 的无参考图像质量评估模型，通过多尺度图像块学习感知质量特征。

🔧 计算方法

1. 多尺度特征提取：将图像划分为多尺度块，提取局部特征。
2. Transformer 编码：使用 Transformer 架构对特征进行全局建模。
3. 质量评分：输出一个标量质量分数，表示图像质量。

📌 数值范围：[0, ∞)（具体范围取决于模型输出）

• 低值（如 <10）：图像质量较高，接近自然图像。
• 中等值（如 10-20）：图像质量一般，存在轻微失真。
• 高值（如 >20）：图像质量较差，失真显著。

📈 应用场景

• 无参考图像质量评估（如图像增强、修复）。
• 需要高精度且无需参考图像的场景。

✅ 优点

• 多尺度建模能力，适应复杂图像结构。
• 无需参考图像，适合实际应用。

❌ 缺点

• 模型复杂度高，依赖 GPU 计算。
• 需要大规模训练数据。

---

5. NRQM（No-Reference Quality Metric）

📌 定义

NRQM 是一种基于 深度学习 的通用无参考图像质量评估模型，通过学习自然图像统计特征预测质量分数。

🔧 计算方法

1. 特征提取：使用 CNN 提取图像的深层特征。
2. 质量回归：通过全连接层将特征映射为质量评分。
3. 输出：输出一个标量质量分数（分数越高表示质量越好）。

📌 数值范围：[0, ∞)（具体范围取决于模型输出）

• 低值：图像质量较高，自然度良好。
• 高值：图像质量较低，可能存在模糊、噪声等问题。

📈 应用场景

• 无参考图像质量评估。
• 图像生成、修复等任务的自动评估。

✅ 优点

• 无需参考图像，适合实际应用。
• 适应多种失真类型（如模糊、噪声）。

❌ 缺点

• 模型依赖训练数据，泛化能力受限。
• 计算资源消耗较大。

---

6. NIQE（Natural Image Quality Evaluator）

📌 定义

NIQE 是一种基于 自然场景统计特征 的无参考图像质量评估指标，使用高斯混合模型（GMM）评估图像质量。

🔧 计算方法

1. 特征提取：计算图像的局部梯度直方图。
2. GMM 训练：使用高质量自然图像训练 GMM 模型。
3. KL 散度计算：计算测试图像与 GMM 的 KL 散度，作为质量评分。
   $$D(p||q)=\int p(x)\log \frac{p(x)}{q(x)}dx$$
   • $p(x)$：测试图像的特征分布。
   • $q(x)$：GMM 的标准分布。

📌 数值范围：[0, ∞)

• 接近 0：图像自然度极高，质量最佳。
• 5-8：图像质量良好，自然度较高。
• 8-12：图像质量一般，存在轻微失真。
• >12：图像质量差，自然度低，失真显著。

📈 应用场景

• 无参考图像质量评估。
• 图像增强、去噪等任务的自动评估。

✅ 优点

• 无需参考图像，适合实际应用。
• 计算效率较高。

❌ 缺点

• 依赖预训练的 GMM 模型。
• 对非自然失真（如人工压缩）适应性较弱。

---

总结对比表

指标	类型	是否需要参考图像	计算复杂度	与人眼感知相关性	适用场景
SSIM	传统指标	✅ 是（FR）	中等	高	图像压缩、结构分析
PSNR	传统指标	✅ 是（FR）	低	低	快速评估、工业检测
LPIPS	深度学习	✅ 是（FR）	高	高	图像生成、超分辨率
MUSIQ	深度学习	❌ 否（NR）	高	高	无参考质量评估
NRQM	深度学习	❌ 否（NR）	高	高	无参考质量评估
NIQE	传统指标	❌ 否（NR）	中等	中	无参考质量评估

指标	数值范围	优质范围	低质范围	是否需要参考图像	与人眼感知相关性
SSIM	[0, 1]	>0.9	<0.5	✅ 是	高
PSNR	[0, ∞) dB	>40 dB	<20 dB	✅ 是	低
LPIPS	[0, ∞)	<0.1	>0.5	✅ 是	高
MUSIQ	[0, ∞)	<10	>20	❌ 否	高
NRQM	[0, ∞)	低值	高值	❌ 否	高
NIQE	[0, ∞)	<5	>12	❌ 否	中

---

选择建议

• 需要参考图像：选择 PSNR、SSIM、LPIPS。
• 无参考图像：选择 MUSIQ、NRQM、NIQE。
• 追求人眼感知一致性：优先使用 LPIPS、MUSIQ。
• 计算效率优先：选择 PSNR、SSIM、NIQE。

---