通常都是由人眼来主观判断图像的质量高低，能否通过数学度量对判定图像的质量呢？比如通过图片的像素/亮度/边缘数量来判断图像是清晰还是模糊。
前言
通常都是由人眼来主观判断图像的质量高低，能否通过数学度量对判定图像的质量呢？比如通过图片的像素/亮度/边缘数量来判断图像是清晰还是模糊。
看似简单，但实际上很困难，图像是信息的载体，载体的质量高，并不意味着信息内容的质量高，比如拍摄者是为了突出物体虚化的背景，或者拍摄者是为了拍摄风景，虚化的人物。从数据上很难客观的评判图片中的内容是否高质量。
我们可以通过数学模型，给出原图与待评图之间的差异量，再辅以人眼筛选，综合判断图片的质量。
图像质量评估体系（IGA）
图像质量评估算法是对任意的图像进行质量评分，将图像整体作为输入，将图像的质量得分作为输出，图像质量评估分为三种：
- 全原图质量评估：在这种方法中，我们拥有一个非失真的图像，以测量待评图像的质量。在我们可以拥有原始图像及其压缩图像的情况下，此方法可用于待评图像压缩算法的质量。
- 降低参考的图像质量评估：在这种方法中没有可以用来参考的图像，但是具有参考信息的图像（例如，带有水印的图像）可以比较和测量待评图像的质量。
- 无原图质量评估：算法获得的唯一输入是要测量其质量的图像，完全没有可以用来参考的图像，因此被称为无参考“No-Reference”
草案
本方案的目的是判断原图片通过裁剪/渲染后的图片质量变化的程度。
环境变量上，我们可以获得原图和待评图，并且样图是可以固定的，所以可以使用全参考模式来制定方案。
我们需要找几种常见类型的样图，如人像，风景照等
使用不同的方式去编辑渲染，再计算评分。
比如：
- 使用【方式1】渲染的图A，与原图比较差异。计算获得评分X
- 使用【方式2】渲染的图B，与原图比较差异。计算获得评分Y
比较 X 与 Y 的评分，再辅以人眼筛选，确定差异值。我们将首次评分的结果作为基准值。
后续每次渲染方式的变更时，都将进行样图的重评。
如此我们便可知道当前渲染的图片质量是提升了还是在裂化。
主流评估方案
基于图像像素统计
计算待评图和原图对应像素点值的差异，从统计角度衡量图像质量优劣。
待评图为F，原图为R，大小都为M*N。
均方差 MSE（Mean Squared Error）
是反映原图与待评图之间差异程度的一种度量。思路是对两张尺寸完全相同的图片一个个像素进行对比，对比的数值就是图像的色值。
该方案不考虑人眼的局部视觉因素，因此无法用于判断图像的局部质量。
参考结论： 取值范围为[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；该值越大，差异越大。该值越小，差异性越小，图片质量越高
计算公式：
def mse(origin, target):
# the 'Mean Squared Error' between
# the two images is the sum of the squared difference between the two images
mse_error = np.sum((origin.astype("float") - target.astype("float"))**2)
mse_error /= float(origin.shape[0] * origin.shape[1])
# return the MSE. The lower the error, the more "similar" the two images are.
return mse_error
即峰值信噪比 PSNR（Peak Signal to Noise Ratio）
最为广泛使用的一种图像评价，通常用来比较待评图与原图的质量差异。
其原理是比较最大值信号与背景噪音之间的差异。
PSNR也具有局限性，人眼的视觉对误差的敏感度不是绝对的，其产值结果可能会受到亮度或对比度的影响。可能出现PSNR值较高的图像，但是肉眼判断为不清晰的情况。
OpenCV官方文档说这也是逐帧比较视频差异的最常用方式，毕竟它简单，运行速度快。但其呈现的差异有时候与人的主观感受不一致，所以OpenCV还提供了结构相似性算法SSIM做出改进。
参考结论：取值范围为（0，∞），值越高，表示是待评图与原图的差异越小，即质量越高
计算公式：也是在MSE基础上的进一步扩展，这里MAX表示图像颜色最大值，8bit图像取值为255
def PSNR(original, target):
mse = np.mean((original - target)**2)
if (mse == 0):
return 100
max_pixel = 255.0
psnr = 20 * log10(max_pixel / sqrt(mse))
return psnr
基于结构信息基础
提出者认为图像的结构失真的度量应是图像感知质量的最好近似。在此基础上提出了结构相似性度量。
结构相似度 SSIM（Structural Similarity Index）
结构相似性，是一种衡量两幅图像相似度的指标。该指标首先由德州大学奥斯丁分校的图像和视频工程实验室（Laboratory for Image and Video Engineering）提出。
自然图像具备高度结构性，临近的像素间存在强相关性，而这样的关系性承载了场景中物体的结构信息。人类视觉系统在观看图像时已经很习惯抽取这样的结构性信息。因此，在设计图像质量衡量指标用以衡量图像有损程度时，结构性有损的衡量是很重要的一环。
SSIM考虑了人眼的生物特征，是基于感知的计算模型，人类视觉系统就是从可视区域内获取结构信息，所以我们也可以检测结构信息的差异来对比图片，这和MSE或者PSNR通过线性变换来分解信号有本质上的不同。
参考结论：取值范围为(0, 1]，数值越大，表示差异性越小，1代表两幅图像完全相同。
计算公式：SSIM的测量体系由三个模块组成: 亮度，对比度和结构。其中 l(x, y)是亮度比较，c(x, y)是对比度比较，s(x, y)是结构比较。
from skimage.metrics import structural_similarity as ssim
ssim(origin, target)
基于信息论基础
基于信息论中的信息熵基础
视觉信息保真度 VIF（Visual Information Fidelity）
VIF是Sheikh等结合自然图像统计模型、图像失真模型和人眼视觉系统模型提出的图像质量评价指标. 与峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)、结构相似性(Structural Similarity, SSIM)等指标相比，VIF与主观视觉有更高的一致性。其值越大，表明图像质量越好。
信息保真度准则 IFC（Information Fidelity Criterion）
通过计算待评图像和原图之间的互信息来衡量图像的质量优劣。扩展了图像与人眼之间的联系。
缺点：对图像的结构信息没有反应。
演示案例
从样图可以得出结论，当MSE值小，PSNR大，SSIM值接近 1 时，图片的质量是最高的。
定量评分方案
技术指标
选用MSE、PSNR、SSIM综合分析原图与导出图的质量差异。
全图导出
比较原图与App导出后的图片以得出全图导出功能的评分。
样图原图尺寸： 3264 × 2448
| AAA | BBB | CCC | |
|---|---|---|---|
| File Size | 1.9 MB | 3.2 MB | 2.4 MB |
| Pixel | 3240 × 2430 | 3264 × 2448 | 3264 × 2448 |
| MSE | 24.580809200833205 | 22.164186650967576 | 2.5357344530949635 |
| PSNR | 42.30787129372325 | 49.05336805988961 | 44.094927024491255 |
| SSIM | 0.9837596127093489 | 0.9970888021806221 | 0.9892957811791622 |
数据上差异并不是很明显，AAA对像素进行了一定的裁剪，产出图片的体积更小，质量较高。
MSE的差异来自于CCC右下角没有水印，AAA 与 BBB都有水印
图片编辑
编辑功能会对原图内容进行修改，无法直接和原图进行比较，我们需要先对现有功能的导出图进行采样，确定基准值。
- 通过质量最大化的渲染方案A，获得一张肉眼判断为高质量的编辑后图片，作为原图。
- 选用兼顾性能与质量的渲染方案B，通过相同的编辑参数处理图片，作为待评图。
- 应用MSE、PSNR、SSIM对两张图进行差异化分析，获得评分X。
- 评分X即可作为基准值，后续有新的方案，则重复1-3的步骤，获得新的评分。与基准值X做比较，来判断新方案的优化幅度。
