傳統全參考圖像質量衡量標準FSIM（feature similarity）

ssim一經提出引來了很多人的研究，并在其上進行一系列的變種，其中一種比較成功的變種是FSIM，該算法認為一張圖片中的所有像素并非具有相同的重要性，比如物體邊緣的像素點對于界定物體的結構肯定比其他背景區域的像素點更為重要；另外一種重要的評價指標VIF盡管在不同的子帶上具有不同的權重，但是在具體的某一子帶上參與計算的像素點均具有相同的權重；根據圖像本身的特性，這樣不加區分并不合適。因此改進的方向實際上重在如何區分這些重要點并給與合適的權重

關鍵問題：什么樣的特征足以描述圖像，并且用于評估

基于心理學和腦科學的一些研究，發現不同頻率的傅里葉波具有相同的相位時，往往會對應著視覺上可辨認的重要特征。這就意味著從某些一致性的相位上能夠提取出特征信息來。
另外圖像梯度幅值也是一個用于衡量對比度的標準

計算PC（phase congruency） 相位一致

這里計算PC采用的是前人的研究結果，引用論文是[P. Kovesi, “Image features from phase congruency”, Videre: J. Comp. Vis. Res., vol. 1, no. 3, pp. 1-26, 1999.],計算公式如下：
$$P{C}_{2D}(x)=\frac{\sum {}_j{E}_{{\theta }_j}(x)}{\epsilon +\sum {}_n\sum {}_{j}A{}_n,{}_{\theta }{}_j(x)}$$
具體的計算過程可以參考FSIM的matlab源代碼中的相關部分

計算GM

對于GM的計算可以采用一些常規的算法，比如sobel和prewitt等
文中采用的是Scharr算子，如下所示：
$$G_x(x)=?\begin{array}{ccc}3& 0& ?3\\ 10& 0& ?10\\ 3& 0& ?3\end{array}??\frac{1}{16}?f(x)$$
$$G_y(x)=?\begin{array}{ccc}3& 10& ?3\\ 0& 0& 0\\ ?3& ?10& ?3\end{array}??\frac{1}{16}?f(x)$$
最終的GM為
$$GM=\sqrt{G_x^2+G_y^2}$$
至此FSIM所需的重要指標可以依據上述計算得到

FSIM的計算

這里實際上也是仿效SSIM的計算構成，同樣由兩部分耦合的冪指數
FSIM由PC項和GM項耦合
$$S_{pc}(x)=\frac{2P{C}_1(x)P{C}_2(x)+T_1}{P{C}_1^2+P{C}_2^2+T_1}$$
$$S_G(x)=\frac{2G_1(x)G_2(x)+T_2}{G_1(x{)}^2+G_2(x{)}^2+T_2}$$
$$S_L(x)=[S_{PC}(x){]}^{\alpha }[S_G(x){]}^{\beta }$$
按照慣例alpha和beta取1
這樣計算出來的值是將整張圖像的像素權重看成是一樣的情況，基于前人的結果，認為PC可以用來做權重衡量因子，并且圖像中某一位置是否具有超過其他位置的重要性跟它的PC值成正相關。所以真正的FSIM是如下定義
$$FSIM=\frac{\sum {}_{x\in \Omega }{S}_L(x)P{C}_m(x)}{\sum {}_{x\in \Omega }P{C}_m(x)}$$
其中的$P{C}_m(x)=max(P{C}_1(x),P{C}_2(x))$
至此可以使用FSIM在灰度圖像中進行IQA,關于FSIM在彩色圖像中的應用，可以對應進行遷移。
關于SSIM和FSIM的最終計算都是采用$\frac{2xy}{x^2+y^2}這種計算方式，經過同專業人士的討論，可能認為這種構型簡單并且能有效反映相對變化對視覺信號的影響，當然具體的情況我依然存疑$

FSIM計算源代碼地址：源代碼地址
FSIM論文地址：論文地址

總結

以上是生活随笔為你收集整理的图像质量评估指标（3） 特征相似度FSIM的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。