Blind image quality assessment (BIQA) aims to predict perceptual image quality scores without access to reference images. State-of-the-art BIQA methods typically require subjects to score a large number of images to train a robust model. However, the acquisition of image quality scores has several limitations: 1) scores are not precise, because subjects are usually uncertain about which score most precisely represents the perceptual quality of a given image; 2) subjective judgments of quality may be biased by image content; 3) the quality scales between different distortion categories are inconsistent, because images corrupted by different types of distortion are evaluated independently in subjective experiments; and 4) it is challenging to obtain a large scale database, or to extend existing databases, because of the inconvenience of collecting sufficient images associated with different kinds of distortion that have diverse levels of degradation, training the subjects, conducting subjective experiments, and realigning human quality evaluations. To combat these limitations, this paper explores and exploits preference image pairs (PIPs) such as “the quality of image Ia is better than that of image Ib” for training a robust BIQA model. The preference label, representing the relative quality of two images, is generally precise and consistent, and is not sensitive to image content, distortion type, or subject identity; such PIPs can be generated at very low cost. The proposed BIQA method is one of learning to rank. We first formulate the problem of learning the mapping from the image features to the preference label as one of classification. In particular, we investigate the utilization of a multiple kernel learning algorithm based on group lasso (MKLGL) to provide a solution. A simple but effective strategy to estimate perceptual image quality scores is then presented. Experiments show that the proposed BIQA method is highly effective and achieves comparable performance

matlab开发-基于图像质量的指纹活度检测.zip

DBCNN：使用深双线性卷积神经网络进行盲图像质量评估

空间频率 (SF) 是一种图像质量指标，用于测量图像中的整体活动水平 [1]。 空间频率定义为 SF= sqrt (RF^2 + CF^2) 其中 RF 是行频率，CF 是列频率。 可以在此处找到 CF、RF 和 SF 的公式 [1,2]。 Li等。 SF 的当前值，介于 5 和 30 之间。此处给出的空间频率函数生成介于 0 和 1 之间的值。这可能是由于灰度。 Li等。 不介绍它们的灰度化方法。 这里，Matlab 函数 rgb2gray [3] 用于通过形成 R、G 和 B 分量的加权总和将 RGB 值转换为灰度值： 0.2989 * R + 0.5870 * G + 0.1140 * B 这些权重与 rgb2ntsc 函数用于计算 Y 分量的权重相同。 rgb2gray 中用于计算灰度值的系数与 ITU-R BT.601-7 建议书中用于计算亮度 (E'y) 的系数相同，四

matlab终止以下代码PWRC源代码发布。 作者：吴庆波版本：Beta1.0 作者在中国电子科技大学信息与通信工程学院就读。 这项研究旨在开发更合理，更可靠的秩相关指标（RCI）来评估不同的IQA模型。 当两个不同的排名结果共享相同的Spearman或Kendall的排名相关系数时，我们直观地说明它们可以推荐完全不同的增强结果。 客观测试和主观测试都证实，用户友好的RCI倾向于奖励对高质量图像进行正确排名的能力，并抑制了对不敏感排名错误的关注。 ================================================== ========================= - - - - - - - - - - - - -版权声明 - - - - - - - - - - - - -----------版权所有（c）中国电子科技大学2018年保留所有权利。 对于希望将代码用于非商业研究和/或教育目的的研究人员和教育工作者，我们可以提供以下条款： 研究人员仅可将代码用于非商业研究和教育目的。 研究人员对其使用该代码承担全部责任，并应就其因使用该代码而引起的任何和所

图像质量评估的信息保真度（Information Fidelity Critterion, IFC）. 论文： H. R. Sheikh, A. C. Bovik, and G. de Veciana, "An Information Fidelity Criterion for Image Quality Assessment Using Natural Scene Statistics," IEEE Transactios on Image Processing, in publication, May 2005.

这是海思比较新的图像质量调试工具使用指南,好不容易找到的,和大家分享一下;

图像质量评价可有效评估图像采集和传输过程引起的失真或退化，在数字多媒体领域具有广阔的应用前景，无参考图像质量评价算法由于不需要参考图像先验知识，近年来成为图像质量评价领域研究的热点。在对国内外文献进行广泛调研的基础上，从评价算法原理和性能比较两个方面，系统综述了BIQI、DIIVINE、BLIINDS、BLIINDS-II、BRISQUE、NIQE和GRNN等当前性能较优的几种无参考图像质量评价算法。介绍了各种算法的特征提取和质量评价原理，在LIVE数据库上对上述评价方法进行仿真评估，并分析和比较了各种算法的评价性能和执行速度，提出了无参考评价方法的进一步研究方向。综述的几种无参考图像质量评价算法虽然已具有很好的效果，但在评价时严重依赖数据库中的主观评价数据，并且在评价精度和算法复杂度方面还存在一些不足，需要进行深入研究。

计算灰度图像信息熵的方法，输入图像可以使灰度图或RGB图像。计算出来的信息熵，可以用来作为图像质量的判断依据之一。

英文版