圖像質量評估函數的分類曾是一個比較有爭議的話題，在2l世紀以前曾經有過 比較多的討論。但是隨着研究的深入和技術的廣泛應用，研究人員對於圖像質量 評估函數的分類有了統一的認識，即從實際應用中參考信息供給的角度，將圖像質量 評估函數分為以下三種方式：
·全信息評估(full reference)
·盲信息評估(no reference)
· 部分信息評估(reduced reference)
其中全信息評估是指參考圖像完全清楚時候，即參考目標信息完全清楚的情況 下，對被測圖像進行評估方式；盲信息評估是指在沒有可以參考圖像信息的時候，對 被測圖像進行評估的方式；介於全信息和盲信息之間的評估方式為部分信息評估，是 指假定參考圖像只有部分信息(如邊緣信息或者某些統計量)知道的時候，對被測圖 像進行評估的方式。
應該說這三種圖像質量評估方式在現實應用中都有比較明顯的背景，全信息評估 可以用在如壓縮圖像的質量判斷的場合，而盲信息和部分信息的評估方式可以在光學 器件的自動調焦環境下充當反饋信息而作用於系統。盲信息評估方法需要的信息量最 少，而全信息評估方法需要的信息量最多，從未來圖像質量評估函數發展方向來看盲 信息評估方法將是主要的研究方向，而從可靠性的角度來講，全信息圖像質量評估函數由於占有最多的信息，往往能夠達到較高的可靠性。部分信息評估作為一種研究中 的中間體，相信隨着研究的深入將越來越向盲信息評估的研究靠近。本文工作也是基 於這種分類之上對全信息質量評估函數和盲信息質量評估函數進行了研究。
1997年，來自多 個國家的圖像研究人員組成了圖像質量專家工作組(Video Quality Expert Group， VQEG)[2l，221，為圖像質量評估函數的測評研究提供了系統支持。他們總結了從1970 年到1995年出現的不同的圖像質量評估函數，並對其做出了系統的比較。他們采用 了客觀圖像質量評估的結果相關於主觀評估結果這一理念，並建立了已知主觀評價的 圖像數據庫。基於此，對常用的圖像評估方法進行測量和主觀預測，然后比較客觀圖 像質量評估結果的預測准確性。但有趣的是，根據VQEG的結果，當時很多所謂先 進的圖像質量評估方法在統計角度上並沒有和PSNR存在明顯差異。雖然VQEG的 工作並沒有直接研究出最優秀的圖像質量評估方法，但是他們的工作第一次系統地總 結出了圖像質量函數間進行客觀的比較方法，並且明確了比較方法的四個要素：具有 主觀評估結果的圖像數據庫、客觀評估函數計算值、主觀圖像質量的客觀預測方法、 客觀預測的准確性性能指標。VQEG的工作對圖像質量評估的研究產生了巨大的影 響，可以認為后續的圖像質量評估工作大都是在VQEG的測評標准下進行的，因此 VQEG的工作可以認為是圖像質量評估研究中的里程碑。
由於VQEG的傑出工作，圖像質量評估函數的優劣有了准確一致的客觀標准。 進入2000年以后，圖像質量評估研究進入到了較快發展階段，其中以美國Texas大 學的Bovik研究工作組的工作尤為出色。他們針對VQEG圖像數據庫數據量少，模 糊種類單一的缺點，構建了Laboratory for Image&Video Engineering(LIVE)圖像評估 數據庫【23】。在LIVE數據庫中，他們全部采用彩色圖像作為評估對象，並引入了JPEG2000圖像，離焦圖像等5種類型。可以認為LIVE數據庫是在VQEG之后第一 個專業用於圖像質量評估的數據庫。同時，他們從信息需求的角度，第一次系統地將 圖像質量評估函數分為：全信息評估(full reference)，盲信息評估(no reference)，部 分信息評估(reduced reference)=種方式。並構造了全局質量指標(universal image quality index，UQI)【24]，結構相似度指標(structural similarity image metric，SSIM) 【8,25】，信息逼真度(information fidelity criterion，IFC)[26]和視覺信息逼真度(visual information fidelity,VIF)【27]等一系列全信息圖像質量評估方法，以及【29】【30】等盲信 息圖像質量評估方法，並在LIVE數據庫上進行比較。根據他們的結果[28】，這些方 法在LIVE數據庫．卜都有較好的性能，其中全信息方法以視覺信息逼真度最為優異， 盲信息方法以工作【30】較為優秀，成為了Bovik工作組最具有代表性的工作。
除了Bovik工作組之外，美國Oklahoma大學的Damon M．Chandler研究組對圖 像質量評估也有較多的貢獻。他們在精心研究視覺響應地基礎上提出了視覺信噪比 (visual signal noise rate，VSNR)【3l】方法，並對經典的主觀視覺響應做出了一定修正。 為了適應實際中人眼對不同質量圖像的響應，他們采用雙重策略的方法構造出了優勢 策略融合(most apparent distortion，MAD)【32]評估方法。同時，在數據庫構建上， 他們通過采用不同的參考圖像，並加入對比度和有色噪聲的評估實驗環節，構造出了 Categorical Subjective Image Quality(CSlQ)圖像評估數據庫[331。根據他們的研究結 果，由於加入了更多主觀試驗的類型，CSIQ數據庫比LIVE數據庫更能反映出評估 函數的優劣。更為難能可貴的是，相對於VIF只能在LIVE數據庫上具有較好的性能， 他們構造的優勢策略融合方法在CSIQ和LIVE數據庫．均有較好的性能。
1經典的全信息圖像質量評估方法介紹
1空間距離模型
空間距離模型是最早的圖像質量評估函數設計模型【2】。這種模型認為圖像的質 量是弓參考圖像和被測圖像之間的直接差異相關的。這類模型通過對參考圖像和被測 圖像間的對應像素位置差異為基礎，通過各種窄間變換或者區域選擇，反映出被測圖 像和參考圖像間的差距。 經典的基於空間距離模型的評估方法有均方根誤差評估方法(PuMSE)，信噪比 方法(SNR)和峰值信噪比方法(PSNR)。這些方法都是建立在全局范圍內(整個圖 像)的對應像素差異(直接求差值)基礎上的。如果將方法的作用范圍限定到圖像的 一個個局部區域，並用其它的距離模型替代直接求差的方法，也可以得到用於圖像質 量評估的函數，如2006年提出的奇異值圖譜法(singular value decomposition graphic metric，SVDGM[4l】)，其計算過程就是在局部范圍內，對圖像矩陣的奇異值距離的 進行計算比較來得到圖像質量。
2統計模型
統計方法着重於全局，對信號的描述反映出信號的整體特征，因此應用統計模型 構造新的圖像質量評估函數受到了很大關注。常用的作為模型的特征量有：均值 (mean)、相關系數(correlation coefficients)、標准差(standard deviation)、熵(entropy)、斜度(skewness)和峭度(kurtosis)等
而近年來，隨着對圖像質量的深入理 解，對於統計模型的使用更加注重了時空特性，比如：結構相似度指標(SSIM)【8,24]， 小波系數統計量(DWTS)【42】。其中結構相似度指標是建立在空間局部領域內的相 似度的統計方法，小波系數統計量是建立在多尺度(小波)范圍內的標准差統計方法。 應該說近年來的圖像質量評估函數有一大部分是基於統計模型而建立的。
3視覺信息模型 由於圖像質量評估的目的是描述圖像中的主觀有效信息，而單純的理論模型是很 難反映出圖像中人的主觀興趣區域，因而很自然地想到利用視覺信息對圖像質量進行 建模進而進行圖像質量評價。而在實際中，研究人員也發現可以有效地利用圖像的視 覺信息來構建圖像質量評價函數的確能夠較為准確的反映出圖像的主觀質量。實際中 的視覺信息一般分為兩類：一種根據圖像內容相關的，即來自圖像本身，如輪廓(邊 緣)，顏色等；另一種與圖像內容無關，來自生理學和心理學的統計研究，如人的主 觀興趣區頻率，視皮層的紋理響應，視神經對彩色圖像的信息分離作用，視神經響應 的分段性，視神經響應的方向性等。
常用框架：MDSI RankIQA