无参考型自然图像质量评价算法研究的综述报告.docx

无参考型自然图像质量评价算法研究的综述报告
随着数码相机、手机摄像头等摄影设备的普及，自然图像在我们的日常生活中扮演着越来越重要的角色。为了以定量的方式评估自然图像的质量，图像质量评价技术应运而生。在图像质量评价技术中，无参考型自然图像质量评价算法是一种常用的技术，本文将对其进行综述。
无参考型自然图像质量评价算法是指在不知道原始图像质量的情况下，对图像进行质量评价的算法。该算法通常使用图像的一些基本属性，如亮度、对比度、清晰度等来评价图像的质量。在评价过程中，不需要与参考图像进行比较，因此被称为无参考。
下面将介绍一些常用的无参考型自然图像质量评价算法。
1.NIQE算法
NIQE算法（NaturalImageQualityEvaluator）是由Mittal等人于2012年提出的算法。它使用了局部高斯化的统计特征来评价自然图像的质量。其中，图像被分成若干个局部块，每个局部块的统计特征通过卷积高斯滤波器得到。然后，统计特征通过一个线性回归模型进行综合，得出图像的质量评价值。该算法在公开数据库中的表现比较优秀。
2.BRISQUE算法
BRISQUE算法（Blind/ReferencelessImageSpatialQualityEvaluator）是由Mittal等人于2011年提出的算法。该算法使用了、局部对比度和亮度差异等特征来评价图像的质量。同样地，图像被分为若干个局部块，每个局部块的特征度量通过高斯滤波器得到。然后，利用训练好的支持向量回归模型对局部特征进行综合，得到图像整体的质量评分。该算法相比于NIQE算法，在评价效果上取得了更好的表现。
3.IL-NIQE算法
IL-NIQE算法（IncrementalLearningNaturalImageQualityEvaluator）是由Zhang等人于2015年提出的算法。该算法使用了局部梯度的特征来评价图像的质量。不同于前两种算法，IL-NIQE通过增量式学习来更好地适应不同的图像类型。同时，该算法还使用了人类视觉系统的特征，如对比敏锐度等来进行模拟评价。相比于前两种算法，IL-NIQE在对生动型图像的评价上效果更好。
以上介绍的三种无参考型自然图像质量评价算法在不同场景下的表现稍有不同，但它们都是基于图像局部性质来进行评价的。虽然这些算法能够对于自然图像进行良好的质量评价，但由于自然图像的多样性和复杂性，目前还没有完美的无参考型自然图像质量评价算法。随着相关技术的不断发展和完善，相信未来的自然图像质量评价算法一定会更加出色。