本文共 1610 字，大约阅读时间需要 5 分钟。
(feature similarity index for image quality assessment)。这是一种用于图像质量评估的特征相似性指数。人眼感知图像时依赖于低层次的特征，而相位一致性特征（Phase Congruency, PC）能够很好地描述局部结构。由于PC对图像变化具有较为稳定无关特性，在某些情况下，会对图像的感知产生影响，因此采用梯度特征（Gradient Magnitude, GM）作为补充，因此FSIM模型通过PC和GM两个特征相互补充实现评估。
PC模型假设在傅里叶变量最大的点能够被感知到。Kovesi提出的一维信号g(x)的PC计算方法如下：
[PC(x) = \frac{1}{2} \text{erf}\left(\frac{g'(x)}{\sqrt{2 \pi \sigma^2}}\right)]
其中g'(x)是信号的导数，在不同方向的滤波器对中采用log-Gabor滤波器。
对于二维灰度图像，PC计算主要包括以下步骤：在多个方向上分别计算一维PC，然后通过特定规则将结果合并。具体操作是通过传播函数将一维结果扩展为二维。传播函数通常采用高斯函数完成。
梯度特征通过多种算子计算。常见方法包括：[\text{水平梯度} = \frac{\partial g}{\partial x}][\text{垂直梯度} = \frac{\partial g}{\partial y}]最终梯度特征通过一定规则（如平方和、最大值或最小值）合并得到。
对于两幅图像f1和f2，FSIM计算包括以下步骤：
PC相似度计算：[SIM_PC(f1, f2) = \frac{\sum PD(f1, f2)_x \cdot PD(f1, f2)_y}{\sum PD(f1, f2)_x}]
GM相似度计算：[SIM_GM(f1, f2) = \frac{\sum PG(f1, f2)_x \cdot PG(f1, f2)_y}{\sum PG(f1, f2)_x}]
PC和GM相似度融合：FSIM(f1, f2) = λ SIM_PC(f1, f2) + (1 - λ) SIM_GM(f1, f2)
FSIM计算：最终FSIM综合考虑PC和GM的相似度，数值在0~1之间。
###彩色图像FSIM计算对于彩色图像，首先进行颜色空间转换，推荐使用余弦相似度指数（CIEDE200）进行色度相似度计算。具体步骤如下：
为了验证模型的有效性，进行了多组实验。实验包括：
实验结果显示，在TID2013和TID2008等尖峰测试集上，FSIM表现出较强的鲁棒性，均值RMSE小于0.84。CSIQ测试集结果显示FSIM的 اخت 满度与其他方法相比表现优异。
FSIM: A Feature SIMilarity Index for Image Quality Assessment。如需了解更多详情，请关注视频编码微信公众号。
转载地址：http://pgaiz.baihongyu.com/