【ISP】图像质量评价指标-NIQE

2026 年 01 月 24 日

104 次浏览

1807字数

## 一、 超分辨率中的无参考客观指标

无参考图像质量评估指标不依赖于参考图像，而是直接对重建图像进行质量评估。以下是几种常见的无参考客观指标：

1. **NIQE（Natural Image Quality Evaluator）**
   
   - **原理**：基于自然场景统计特征，使用高斯混合模型（GMM）建立自然图像特征的概率分布，通过该分布评估输入图像的质量。
   - **特点**：分数越低表示图像质量越高，不需要训练过程，计算效率高。
   - **应用场景**：适用于评估图像的自然性，尤其在超分辨率重建任务中，NIQE能够更好地反映人眼对图像质量的感知。
2. **BRISQUE（Blind/Referenceless Image Spatial Quality Evaluator）**
   
   - **原理**：基于自然场景统计特征，使用支持向量机（SVM）学习图像质量与图像特征之间的映射关系。
   - **特点**：分数越低表示图像质量越高，计算效率高，泛化能力强。
3. **PIQE（Perception based Image Quality Evaluator）**
   
   - **原理**：基于感知特征，利用图像的块状结构和噪声特征来计算图像质量分数。
   - **特点**：分数越低表示图像质量越高，能够有效评估图像的块效应和噪声水平。

## 二、评价指标NIQE（Natural Image Quality Evaluator）

### 2.1 核心原理

NIQE 的核心思想基于一个关键假设：**自然图像的统计特征服从特定的规律，而失真会破坏这种规律**。算法的核心流程分为两个阶段：

1. **训练阶段**：构建一个由大量**无失真自然图像**组成的数据集，提取这些图像的统计特征，拟合得到一个**多元高斯模型（Multivariate Gaussian Model）**，作为「自然图像特征分布」的基准。
2. **测试阶段**：对待评价图像提取相同的统计特征，计算其特征向量与基准高斯模型之间的**马氏距离（Mahalanobis Distance）**。马氏距离越小，图像越接近自然无失真状态，质量越高；反之则质量越差。

### 2.2 关键统计特征提取

NIQE 提取的是图像在 **多尺度、多方向的高斯差分（DoG）滤波** 后的统计特征，具体步骤：

1. 对图像进行多尺度下采样（通常取 5 个尺度）。
2. 对每个尺度的图像，用不同方向的 DoG 滤波器滤波，得到多方向的响应图。
3. 在响应图上划分不重叠的图像块，计算每个块的 **均值、方差、偏度、峰度** 这 4 个统计量。
4. 将所有块的统计量组合，形成一个高维特征向量，用于后续的马氏距离计算。

[评价指标测试路径](https://github.com/AomanHao/Matlab-Image-Evaluate/tree/master)

## 三、NIQE优缺点

**优点：**

- 无需参考图像，实用性强
- 计算速度快
- 与人类感知相关性较好

**缺点：**

- 对训练数据集敏感
- 在某些特定失真类型上可能不如专用指标
- 对合成图像或特殊场景可能评估不准确

**与其他指标的关系:**

NIQE属于无参考质量评估指标家族，后续发展出了：

- **BRISQUE**：基于空间域NSS特征
- **ILNIQE**：改进的局部NIQE
- **QAC**：基于代码本的快速评估

这些指标共同构成了现代无参考图像质量评估的基础框架。

---

### [我的个人博客主页，欢迎访问](https://www.aomanhao.top/)

### [我的CSDN主页，欢迎访问](https://blog.csdn.net/Aoman_Hao)

### [我的GitHub主页，欢迎访问](https://github.com/AomanHao)

### [我的知乎主页，欢迎访问](https://www.zhihu.com/people/aomanhao-hao)

最后修改：2026 年 01 月 24 日

如果觉得我的文章对你有用，请随意赞赏

【ISP】图像质量评价指标-NIQE

AomanHao • 2026 年 01 月 24 日

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

【ISP】图像质量评价指标-NIQE

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款