自然图像质量评价方法综述
图像处理技术综述
图像处理技术综述图像处理是指对数字图像进行计算机处理的一系列技术。
其目的是识别、理解和改善图像的质量、更好地表示图像中的信息。
图像处理技术通过对图像进行数字处理，对图像进行增强、去燥、去模糊、变形、特征提取等操作，使得图像可以被更好地利用。
图像处理技术的应用广泛，包括医学、航空航天、军事、计算机视觉、娱乐等诸多领域。
下面将简要介绍图像处理技术的几个关键方面。
图像增强图像增强是一种通过对图像进行计算机处理来提高其质量的技术。
增强可以包括调整图像的亮度、对比度或色彩饱和度，或应用锐化技术。
增强可以明显提高图像的质量，以便于人类或计算机视觉系统更好地分析图像。
图像去燥图像去燥是通过对图像进行滤波以减少噪声的技术。
噪声可能是由于图像传感器、图像采集过程或图像处理造成的。
去噪可以提高图像质量，使得信息更加清晰。
图像去模糊是通过计算从模糊的图像中恢复尽可能多的信息的技术。
模糊可能是由于摄像机移动、光照不足、散焦模糊等造成的。
去模糊可以使得模糊的图像清晰化，以便于人类或计算机视觉系统更好地分析图像。
图像变形图像变形是一种改变图像形状、大小、方向等的技术。
变形技术可以用于图像增强、建模、图像贴合等应用中。
特征提取特征提取是从图像中提取关键信息的技术。
这些信息可以包括对象形状、边缘、纹理、颜色等。
经过特征提取处理的图像可以更好地用于对象检测、跟踪、分类等应用。
特征提取是计算机视觉领域中广泛应用的一项技术。
总之，图像处理技术在很多应用领域中都具有重要的作用。
随着计算机技术的发展，图像处理技术的应用将会越来越广泛，对于提高人们的生活质量、推动人类社会进步都将有着重要的意义。
自然图像质量评价方法综述
自然图像质量评价方法综述随着数字图像技术的不断发展和应用，自然图像的质量评价方法也逐渐成为了研究的热点。
自然图像质量评价旨在通过一系列的算法和方法对图像的质量进行客观评价，以便更好地实现图像的处理、传输和显示。
本文就自然图像质量评价方法进行综述，包括基于人感知的方法、基于机器学习的方法、基于深度学习的方法等，希望能够对该领域的研究和应用有所帮助。
基于人感知的自然图像质量评价方法是一种常用的评价方法，其主要思想是通过模拟人的视觉感知过程来评价图像的质量。
这种方法通常包括从感知上显著的特征入手，比如对比度、色彩鲜艳度、锐度等，然后通过一系列的算法和模型来量化这些特征。
在这一方法中，常用的评价指标包括均方误差（MSE）、结构相似性（SSIM）、感知质量评价（PQI）等。
这些指标可以有效地从人的视觉感知角度来评价图像的质量，但它们的缺点也很明显，即不能全面考虑人的主观感受。
二、基于机器学习的自然图像质量评价方法随着机器学习技术的不断发展，基于机器学习的自然图像质量评价方法也逐渐成为了研究的热点。
这种方法的主要思想是通过训练一个回归模型来学习图像的质量评价标准，然后使用这个模型对新的图像进行评价。
在这一方法中，通常使用的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）、神经网络等。
通过训练这些算法的模型，并通过大量的图像数据来训练和测试，可以得到一个相对客观的图像质量评价标准。
这种方法也存在着一些问题，比如对训练数据的依赖性较强，以及对特征的选取和提取需求较高。
近年来，随着深度学习技术的迅速发展，基于深度学习的自然图像质量评价方法也逐渐受到了关注。
这种方法的主要思想是通过构建一个深度卷积神经网络来学习图像的质量特征，然后使用这个网络来对新的图像进行质量评价。
相比于传统的机器学习方法，深度学习方法可以更好地学习到图像的高级特征，从而得到更为准确的评价结果。
目前，基于深度学习的自然图像质量评价方法已经取得了一些令人瞩目的成果，比如使用卷积神经网络（CNN）进行图像质量评价的方法。
自然图像质量评价方法综述
自然图像质量评价方法综述【摘要】自然图像质量评价方法是图像处理领域的重要研究课题。
本文将对自然图像质量评价方法进行综述，主要包括客观评价指标、人类主观评价、无参考图像质量评价方法、基于参考图像的图像质量评价方法以及深度学习在图像质量评价中的应用。
通过对这些方法的综合评估与比较，可以有效地提高图像处理的效率和质量。
在探讨了自然图像质量评价方法综述的重要性，提出了未来研究的方向，并对整个内容进行了总结。
本文旨在为图像处理领域的研究者提供一份全面的参考，促进该领域的发展与进步。
【关键词】自然图像，质量评价，客观评价指标，人类主观评价，无参考图像质量评价，基于参考图像的评价，深度学习，应用，重要性，未来研究方向，总结。
1. 引言1.1 自然图像质量评价方法综述自然图像质量评价方法综述是图像处理领域的一个重要研究方向，它旨在通过一系列客观指标和主观评价方法，对自然图像的质量进行准确评估。
在数字图像处理和计算机视觉领域，图像质量评价是一个关键问题，因为图像质量的好坏直接影响着后续的图像处理和分析结果。
随着科技的进步和应用领域的不断扩大，对图像质量的要求也越来越高。
研究人员提出了各种不同的评价方法，以满足不同场景下的需求。
客观评价指标是一种常用的评价方法，它通过计算图像的各种特征参数来评估图像的质量。
人类主观评价则是一种更贴近人类感知的评价方式，通过人类参与实验来主观评价图像的质量。
无参考图像质量评价方法和基于参考图像的图像质量评价方法也是当前研究的热点。
前者通过分析图像自身的特征来评价质量，而后者则是通过与参考图像进行比较来评估图像的质量。
近年来，深度学习技术的发展也为图像质量评价带来了新的机遇与挑战，许多研究将深度学习应用于图像质量评价中，取得了显著的进展。
自然图像质量评价方法综述对于提高图像处理技术的准确性和实用性具有重要意义。
未来的研究方向包括进一步完善客观评价指标、提高深度学习方法在图像质量评价中的应用效果，以及探索更多针对不同场景的图像质量评价方法。
全参考图像质量评价综述
的发展 趋势 。
关键 词 ：全参 考 图像 质量 评价 ； 结构相似 性 ；自然场景 分析 ； 特征 相似性 中图分类 号 ： Ｔ Ｐ ３ ９ １ 文献标 志码 ：Ａ 文章编 号 ：１ ０ ０ １ — ３ ６ ９ ５ （ ２ ０ １ ４ ） ０ ｔ 一 ０ ０ １ ３ ￣ １ ０
Ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｇ ａ ｖ ｅ ａ ｎ ｏ ｖ ｅ ｒ ｖ ｉ ｅ ｗ ｏ ｆ ｔ ｈ ｅ ｆ ｕ １ １ ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｅ ｅ ｉ ｍａ ｇ ｅ ｑ ｕ ａ ｌ ｉ ｔ ｙ ａ ｓ ｓ ｅ ｓ ｓ ｍｅ ｎ ｔ ．Ｆ ｉ ｒ ｓ ｔ ｌ ｙ ．ｉ ｔ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｔ ｈ ｅ ｓ ｅ ｍｅ ｔ ｈ ｏ ｄ ｓ ｂ ｉｅ ｒ ｌ ｆ ｙ ．Ｓ ｅ ｃ ． ｏ ｎ ｄ ｌ ｙ，ｉ ｔ ｄ ｅ ｓ ｃ ｒ ｉ ｂ ｅ ｄ ｓ ｅ ｖ ｅ ｒ ａ ｌ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ ｆ ｕ １ １ ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｉ ｍａ ｇ ｅ ｑ ｕ ａ ｌ ｉ ｔ ｙ ａ ｓ ｓ ｅ ｓ ｓ ｍｅ ｎ ｔ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ｉ ｎ ｄ ｅ ｔ ａ ｉ ｌ ，ｓ ｕ ｃ ｈ ａ ｓ Ｐ Ｓ ＮＲ，Ｓ Ｓ Ｉ Ｍ，
Ｃ ＨＵ Ｊ ｉ ａ ｎ ｇ ， Ｃ ＨＥ Ｎ Ｑ ｉ ａ ｎ ｇ ， Ｙ Ａ Ｎ Ｇ Ｘ ｉ — ｃ ｈ ｅ ｎ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＣ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ， Ｎ ａ ｎ ｊ ｉ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆＳ ｃ ｉ ｅ ｎ ｃ ｅ＆Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｎ ａ ｎ ｉ ｆ ｎ ｇ ２ １ ０ ０ ９ ４ ，Ｃ ｈ ｉ ｎ ａ ）
《2024年特殊天气条件下的目标检测方法综述》范文
《特殊天气条件下的目标检测方法综述》篇一一、引言随着科技的不断进步，目标检测技术在众多领域中得到了广泛应用，如自动驾驶、安防监控、无人机航拍等。
然而，在特殊天气条件下，如雨雪、雾霾、强光等，目标检测的准确性和稳定性往往面临巨大的挑战。
本文旨在综述特殊天气条件下的目标检测方法，分析其发展现状与未来趋势。
二、特殊天气条件下的目标检测技术概述特殊天气条件下的目标检测主要涉及到在恶劣环境因素影响下，通过图像处理和机器学习等技术手段，实现对目标的准确识别和定位。
这些技术主要包括基于传统图像处理的方法、基于深度学习的方法以及融合多种技术的混合方法。
（一）基于传统图像处理的方法传统图像处理方法主要依赖于图像的色彩、纹理、边缘等特征进行目标检测。
在特殊天气条件下，这些方法可能需要对图像进行预处理或增强，以改善图像质量，提高目标检测的准确性。
（二）基于深度学习的方法深度学习在目标检测领域取得了显著的成果。
基于深度学习的目标检测方法主要包括卷积神经网络（CNN）和循环神经网络（RNN）等。
这些方法能够自动提取图像中的特征，实现端到端的检测，具有较强的鲁棒性。
在特殊天气条件下，深度学习方法能够通过学习大量数据中的特征信息，提高目标检测的准确性。
（三）混合方法混合方法主要结合了传统图像处理和深度学习的优点，针对特定问题设计出具有针对性的解决方案。
这种方法能够充分利用各种技术的优势，提高目标检测的准确性和稳定性。
三、特殊天气条件下的目标检测技术分析（一）雨雪天气下的目标检测雨雪天气对目标检测的挑战主要在于图像的模糊和遮挡。
针对这一问题，可以采用去噪、增强等图像预处理方法改善图像质量。
同时，结合深度学习技术，可以自动提取出目标特征，实现准确的目标检测。
（二）雾霾天气下的目标检测雾霾天气下，能见度低、对比度差是主要的挑战。
可以通过优化图像滤波和色彩校正等方法提高图像质量。
此外，利用深度学习技术对特征进行自动提取和筛选，能够进一步提高目标检测的准确性。
自然图像质量评价方法综述
自然图像质量评价方法综述自然图像质量评价方法是用来衡量和评价图像质量的技术方法。
随着数字图像技术的发展，图像质量评价在图像处理、图像传输、图像压缩等领域中起着重要的作用。
本文对自然图像质量评价方法进行综述，以帮助读者了解不同的评价方法和其特点。
自然图像的质量评价一般可以分为主观评价和客观评价两类方法。
主观评价是通过人眼观察和主观感受来评价图像的质量，但这种方法需要大量的时间和人力资源，并且易受主观因素影响。
客观评价方法被广泛研究和应用。
客观评价方法根据评价对象和评价标准可以分为全参考方法、无参考方法和准参考方法。
全参考方法是根据原始图像和失真图像之间的差异来评价图像质量，包括PSNR、MSE等指标。
无参考方法是不需要原始图像的信息，只基于失真图像本身来评价图像质量，包括SSIM、VIF等指标。
准参考方法是利用一些局部特征或者图像特征来评价图像质量，包括NIQE、BRISQUE等指标。
PSNR（Peak Signal-to-Noise Ratio）是最常用的全参考方法，用来衡量失真图像和原始图像之间的峰值信噪比。
这个指标可以很好地评价压缩编码算法的图像质量，但是对于其他类型的失真比如模糊、噪声等，其评价效果并不理想。
SSIM（Structural Similarity Index）是评价图像失真的一种无参考方法，它综合考虑了亮度、对比度和结构信息之间的相似性。
SSIM可以很好地适应于各种不同类型的失真，但是它受到图像内容和尺度变化的影响较大。
VIF（Visual Information Fidelity）是一种评价图像质量的无参考指标，它主要关注图像的信息保真度。
VIF考虑了视觉感知的特征，对一些典型失真如噪声、压缩和模糊等有较好的鉴别能力。
BRISQUE（Blind/Referenceless Image Spatial Quality Evaluator）是一种无参考图像质量评价指标，它利用感知特征和统计特征来评价图像质量。
无参考图像质量评价综述
无参考图像质量评价综述作者：林海祥,张炘来源：《电脑知识与技术》2009年第28期(1.南昌大学信息工程学院,江西南昌 330029;2.南昌大学科学技术学院,江西南昌 330029)摘要:图像质量评价是图像处理领域的热门研究课题之一。
图像质量评价研究的目标是设计算法,给出和人的主观视觉感受相符合的评价结果。
在客观图像质量评价的几种方法中,由于无参考图像质量评价方法的灵活性,该方法正受到越来越多的关注。
文章首先概述了图像质量评价的相关知识,并从无参考图像质量度量方法和评价算法等角度对无参考图像质量评价进行分析,最后概括了无参考图像质量评价发展的现状及其发展趋势。
关键词:无参考;主观视觉;图像质量度量;图像质量评价;图像处理中图分类号:TP391文献标识码:A文章编号:1009-3044(2009)28-8043-04A Survey of No Reference Image Quality AssessmentLIN Hai-xiang1, ZHANG Xin2(rmation Engineering College of NanChang University, Nanchang 330029, China;2.Science and Technology College of NanChang University, Nanchang 330029, China)Abstract: Image quality assessment is one of the most popular research issues in the field of image processing. Its objective is to design algorithms which can give the objective evaluation results that in line with the human’s subject perception. With good flexibility, no reference image quality assessment is being given more and more attention. Firstly, the related knowledge about image quality assessment is summarized. Then, the measurement and the assessment of the no reference image quality are analyzed. At last, its status quo and the trends of future research is summarized.Key words: no reference; subject perception; image quality measurement; image quality assessment; image processing图像是人类获取信息的重要途径,其所承载的信息远比其它形式的信息更贴切、更丰富。
无参考图像质量评价
无参考图像质量评价朱文斌;陈强;杨曦晨【摘要】Image quality assessment is a hot research topic in the field of image processing in recent years. Many scholars have proposed a variety of non-reference image quality evaluation methods. Some non-reference image quality assessment algo-rithms are summarized in this paper,such as BIQI,BLIINDS-II,BRISQUE,DESIQUE,DIIVINE,NIQE and SSEQ. They were tested and analyzed on LIVE and TID2008 database. The development direction for image quality assessment is discussed in this paper according to the analysis results.%图像质量评价是近几年图像处理领域比较热门的研究课题.目前,许多学者已经提出了各种各样的无参考质量评价方法.对无参考方法进行综述,详细介绍BIQI,BLIINDS-Ⅱ,BRISQUE,DESIQUE,DIIVINE,NIQE,SSEQ等无参考质量评价方法,并在LIVE和TID2008数据库上进行实验分析,最后根据分析的结果探讨图像质量评价的发展方向.【期刊名称】《现代电子技术》【年(卷),期】2015(038)018【总页数】8页(P81-88)【关键词】图像质量评价;无参考;自然场景统计特征;变换域【作者】朱文斌;陈强;杨曦晨【作者单位】南京理工大学计算机科学与工程学院,江苏南京 210094;南京理工大学计算机科学与工程学院,江苏南京 210094;南京理工大学计算机科学与工程学院,江苏南京 210094【正文语种】中文【中图分类】TN911.73-34;TP3910 引言数字图像在获取、存储、传输、显示的过程中，都有可能会引入失真，导致图像质量的下降。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
自然图像质量评价方法综述作者：张丹丹赵迎会来源：《电脑知识与技术》2020年第09期摘要：5G时代的到来使得图像处理技术也得到了迅猛发展，自然图像质量评价方法成为图像处理领域的重要研究热点。
在自然图像获取、图像压缩、存储等处理时，图像质量不可避免的产生各种类型的失真，从而自然图像质量评价方法的应用越来越广泛。
首先阐述自然图像的失真类型和公开标准图像数据库的相关知识，然后分别从主观评价和客观评价两种方法分析自然图像质量评价，最后对未来自然图像质量评价方法的发展趋势进行了总结和展望。
关键词：图像质量评价;自然图像质量;主观评价;客观评价;图像处理中图分类号：TP391 文献标识码：A文章编号：1009-3044（2020）09-0203-031 引言自然图像以立体、丰富、生动直观和精彩的特点向我们传送大量信息，无论是人或动物都是通过眼睛通过光学信号来获取信息，从而人眼感知就作为自然图像质量评价的较为可靠的依据。
但是在图像获取、图像重建、图像传输及压缩等处理过程均会给图像质量带来各种失真（降质、下降）[1][2]，因此图像的失真是无法避免的。
自然图像质量的好坏直接影响到信息获取和主觀感受，自然图像质量评价（ natural image quality assess-ment，NIQA）方法的研究比较具有实际应用价值。
NIQA划分为主观和客观图像质量评价方法两大类。
主观质量评价主要是根据参与观测评价人员的视觉感知而计算出图像质量的主观评价值（mean option score，MOS）或差分平均主观分（Differen-tial mean opinion score，DMOS）（即人眼对无失真图像和有失真图像评价得分的差异）。
客观质量评价方法依据参考图像（原始图像）是否存在将其分为三大类：1）全参考（Full Reference.FR）评价方法、2）半参考（Reduced Reference， RR）评价方法，3）无参考（No Reference，NR）评价方法也称为盲图像质量评价方法。
有些质量评价方法是专门针对如噪声、压缩等特定的失真类型进行图像质量评价，有些评价方法是先进行失真原因分类，再进行质量评价。
所以本文在介绍图像不同种类的失真和已经公开的图像数据库后，将自然图像评价方法进行详细的分析研究。
2 自然图像不同类型失真在现实应用及生活中自然图像经常伴随着不同种类的失真而使得图像的质量受到不同程度的影响，因此只有在精准有效的判别出具体的图像失真类型后，才能有针对地选择较为匹配的图像质量评价方法。
2.1 图像噪声对于人类听觉感知而言，谈话过程中如果伴随有嘈杂的声音，直接影响到接收对方信息的清晰度。
同样的，相较于图像，如果在获取蕴含丰富有效信息的图像时出现一些影响接收图像数据信息的因素，就可以称之为图像的噪声。
概率统计学上不可预测的随机误差[3]的存在称之为理论上的噪声。
2.2 图像模糊高斯模糊（ Gaussian Blur）[4]是图像中较为常见的图像降质，也将其称之为高斯平滑效应，图像模糊的实现原理实际上就是对图像进行平滑操作以达到降低图像细节和噪声的目的，图像处理中的平滑操作也即是对图像做卷积操作，一般均采用行和列为奇数的卷积核进而形成图像的模糊。
模糊形成的原因多种多样，如运动拍摄、大气及光等因素，目前超分辨的图像重构、图像的复原和增强等均成为模糊图像技术处理方法。
2.3 图像压缩图像压缩根据对原始图像信息能否全部得到还原分为两大类：有损压缩和无损压缩。
有损压缩方式能够最大限度地减少压缩后所需要的存储空间而牺牲了压缩后图像的质量，JPEG[5]（Joint Photographic Experts Group）就是其中一种首个国际标准的有损压缩格式。
另外一种是JPEG 2000c6]压缩标准，它同时支持有损和无损两种压缩方式。
3 公开图像数据库图像质量评价方法的研究越来越深入，相对的较为标准的图像数据库也是迫切需要建立的，因为任何一种自然图像质量评价方法都需要去检测。
目前供人们研究使用的公开图像数据大约有二十个，它们是由大量的研究者和观测人员共同建立的。
本文接下来将会针对目前较为常用且具有代表性的公开图像数据库进行简介，包含CsIQ、TID2008，LIVE和IVC四个图像数据库，四个图像数据库之外的可参见文献[7]。
3.1 LIVE图像数据库LIVE[8]（Laboratory for image&video engineering图像数据库的实际应用也是比较广泛的。
它提供了BMP格式原始参考图像共29幅，五种不同类型失真图像共982幅，其中包含的五种失真类型分别是：JPEG、JPEG2000、高斯白噪声、快衰落和高斯模糊，每种失真类型又提供了约五种不同失真程度。
另外还提供了每一张失真图像的DMOS值，这些值是由约161名观测评价者给出的约20000多条数据综合统计后所得到的。
3.2 IVC图像数据库IVC[9]数据库是在2005年由法国中央理工大学建立的共享型图像数据库，图像数据库提供BMP格式原始参考图像共10幅，还提供了LAR（ Locally Adaptive Resolution）编码、JPEG、JPEG2000和高斯模糊共四种失真类型且包含不同程度失真的185幅图像。
IVC公开标准图像数据库一共提供了由15位测试者通过主观评价值统计得到的所有失真图像的MOS （MeanOpinion Scores）值。
3.3 CSIQ图像数据库在2010年美国俄克拉荷马州立大学建立了CSIQ[10]（ Cate-gorical subj ective image quality）公开共享的图像数据库，该图像数据库提供了PNG格式的原始参考图像共计30幅。
其中包含有：JPEG和JPEG2000压缩、对比度缩减、加性高斯粉红噪声等共六种不同失真类型的图像共计866幅，每种失真类型的图像是由约5种程度等级的失真所组成。
该数据库中所有失真图像的DMOS（ Difference Mean Opinion Scores）值是来自参与观测评价的35名人员给出的约5000条数据综合总计而所得。
3.4 TID2008图像数据库TID 2008[11]（ Tampere image database）是在2008年由乌克兰国家航空航天大学建立的，它提供了BMP格式的原始参考图像共计25幅，约十七种不同失真类型的图像，同时每种失真类型是由4个不同程度失真等级组成的一共1700幅图像。
库中包含了所有失真类型图像的标准差和MOS值，这些值是由838名不同国家的观测评价者根据人眼感知系统主观评价得到的约256428条数据综合统计得到的。
MOS的取值范围是[0，9】，图像质量的好坏程度随着MOS值的递增而递增，递减而递减。
4 自然图像质量评价方法主观评价方法主要依据人类的视觉感知神经，在特定的相同环境下，观测人员根据图像亮度、图像噪声以及图像清晰度等综合分析图像的质量好坏给出相应的观测值。
但是主观评测结果值最容易受所处环境和观测者本身等客观因素的限制。
它有着自身显著的劣势存在，其一：需要耗费时间组织观测人员，且结果易受个人主观意见的影响;其二：当需要处理的图像数量达到一定值时，该方法在时间上存在極大限制;其三：该方法不能嵌入到计算机或图像处理系统中达到自动化评价，耗时费力。
由此可看出主观评价方法在实际进行图像质量评价时并不适合，所以接下来主要分析研究几种不同的客观评价方法。
4.1 客观评价方法下面本文主要介绍目前较为常见使用的客观图像质量评价方法。
其中无参考（No Reference，NR）图像质量评价方法由于该方法不需要原始图像作为参考而受到更多的研究关注。
其中费歇尔信息量[12]（ Fisher Information）、点锐度[13]（Sharp-ness）、中值滤波梯度相似性[14]以及均方根对比度㈣等都是比较常用的无参考（No Reference，NR）图像质量评价方法。
4.1.1 费歇尔信息量（Fisher Information）Fisher信息（费歇尔信息量）也可以称为费歇尔信息矩阵。
费歇尔信息量主要是对数学中：对数似然函数对总体分布参数倒数的方差。
在实际应用中我们将该数学计算公式到图像质量评价中，可以得到费歇尔（Fisher）信息量公式：上述公式（1）中的F是表示被评价的自然图像，M代表图像的长，N表示的是图像的宽。
4.1.2 均方根对比度（root-mean-square contrast，RMS-con-trast）均方根对比度（ RMS-contrast）：真实值与预测值之间的偏差与被测量总数比值的平方根，应用在图像中表示的是图像的强度与平均强度之间的偏差与图像像素总数N比值的平方根。
该评价方法能够很容易的因图像内容的变化而变化，因此该方法被广泛领用到图像质量评价的研究领域内。
上述公式（3）中的F是表示被评价的自然图像，N就是上述图像像素总数。
4.1.3 点锐度（Sharpness）边缘锐度[16]是一种常用的图像处理方法，它可以用来增强视频或图像的边缘对比度来改善图像明显的清晰度（锐度）。
点锐度（Sharpness）就是由该图像处理方法改进后的一种图像质量评价方法。
该评价方法的计算函数定义：其中F是表示被评价的自然图像，M和N是图像的长和宽即图像的大小。
4.1.4 中值滤波梯度相似性（Median Filter-Gradient Similarity，MFGS）基于中值滤波的结构相似性（ MFGS）方法由邓辉[1]等人在2015年提出的一种新的无参考图像质量评价方法。
MFGS图像质量评价方法主要的计算函数：上述公式（5）中表示的是首先将待评价图像R通过一个3*3尺寸的滤波器进行中值滤波处理得到图像p，公式（6）中gr和gP分别表示的是待评价图像R和处理后图像p的每个像素梯度值。
本文选取CSIQ公开图像数据库中的噪声失真类型的图像为实验对象，表1和表2分别列出了高斯粉红噪声和白噪声失真类型图像的不同评价方法的实验结果。
表中线性相关（Lin-early correlation，LC）CC系数和斯皮尔曼（SROCC）系数分别表示主客观评价方法之间的线性相关性以及直线相关性和数据间单调性，另外平均cv系数能够体现出数据的变异程度，系数值越大体现出客观图像质量评价方法性能越好。
5 结论本文综合分析相关图像质量评价方法文献的基础上，将图像失真类型、公开标准图像数据库、主观和客观图像质量评价方法进行综合分析。
我们从实验统计结果总结：1）相同的客观图像质量评价方法在评价高斯粉红噪声和白噪声时结果不尽理想;2）同种失真类型的图像使用不同的评价方法的效果相差甚远。