基于统计特征的盲图像质量评估

为什么图像质量在日常生活中很重要

从视频通话到医疗扫描，我们的世界依赖数字图像。然而，这些图像常常在压缩、传输和过滤过程中悄然损伤可见信息。在流媒体服务、相机应用或医院系统决定如何存储或修复图像之前，需要一种快速的方法来判断图像对人类观察者的视觉质量，即便没有完美的“原始”可用。该研究提出了一种新的图像质量评分方法，既高效又与我们眼睛对光与对比度的响应紧密相关。

在没有完美参考时检验质量

工程师通常通过将失真图像与无瑕原始图像进行比较来衡量图像质量，计算平均平方误差或峰值信噪比等简单差异度量。这些数值易于计算，但常常与人类主观评判不一致：细微变化可能不可见，图像的某些区域比其他区域更重要，并非所有变化都看起来像损伤。在许多实际系统中（如照片库或直播视频流），原始版本不可得，任务就成为“盲”质量评估：在没有参考图像的情况下决定单幅独立图像的视觉优劣。

让自然场景来设定标准

新方法 BIQABSF 建立在这样一个想法之上：自然世界的普通照片具有稳定的统计模式。模糊、噪声或过度压缩等失真会以特征化的方式扰乱这些模式。早期工具（例如广泛使用的 BRISQUE）试图通过分析局部区域的亮度值来捕捉这些变化，先对其进行归一化以使其大致服从钟形分布。然而，BRISQUE 假定这些归一化值恰好以零为中心，这一理想在真实图像中并不总是成立，从而可能降低其估计的准确性。

通过对比度而非原始亮度来看图像

BIQABSF 引入了两项关键改进，以更好地匹配人类视觉。首先，它不是直接处理亮度，而是将每个像素转换为对数对比度值，反映该像素相对于整体图像的明暗差异。人眼对光的大致响应是对数关系，因此该变换使数学处理更符合感知，并消除了对场景绝对亮度的依赖。然后，在每个小邻域内，该方法减去局部平均值并除以局部变化量，产生一张局部归一化的对比度图，该图像素间的相关性显著降低，更易于用统计模型描述。

捕捉细微的统计指纹

一旦构建了该归一化对比度图，作者便研究其数值在图像中的分布。与强制分布在零点完美对称不同，他们拟合了一族更灵活的曲线，可以偏移和倾斜，以捕捉真实图像常常存在的轻微偏向。他们还考察了相邻对比度值在不同方向（如水平方向、垂直方向和对角线方向）上的相互作用。通过这些拟合，提取出一组紧凑的数值特征，概括数据在两种尺度下的形状、离散程度和不对称性。这些特征随后输入到已用人工主观评分训练的支持向量回归模型中，以预测典型观察者对图像质量的评分。

将该方法付诸检验

研究团队在几个大型且广为人知的图像数据库上评估了 BIQABSF，这些数据库中志愿者已经为数千张因模糊、噪声、压缩伪影和其他失真而退化的图片打过分。在四个数据集上，新的方法在“无参考”算法中始终位列前茅，常常与现代深度学习系统相匹配或超越，同时使用的计算资源要少得多。当在一个数据库上训练、在另一个包含不同失真组合的数据库上测试时，它也表现出良好的泛化能力，表明其基于对比度的统计特征捕捉到了真实世界图像在干净或受损时的某些基本属性。

这对日常技术意味着什么

简而言之，该研究表明，通过观察图像中对比度的行为并对其相对于理想钟形曲线的细微偏离建模，计算机可以在从未见过原始图像的情况下估计图像对人的视觉观感。由于 BIQABSF 紧凑、快速且可解释，它非常适合于实际应用场景，例如监测流媒体视频质量、指导手机相机设置或在诊断前标记低质量医疗影像。该工作表明，基于人眼工作方式精心设计的统计特征，仍然能够在真实世界的图像质量判断中与大型神经网络竞争。

引用: Ji, W., Chen, X. Blind image quality assessment based on statistical features. Sci Rep 16, 14756 (2026). https://doi.org/10.1038/s41598-026-42799-z

关键词: 图像质量, 盲评估, 自然场景统计, 对比度特征, 计算机视觉