第三章 图像质量评价指标：从信息熵到无参考评价

做图像融合也好，做场景自适应算法也好，最终都得回答一个问题：这张图到底好不好？

我刚开始接触这个领域时，总觉得“好”是个主观感受。后来被项目逼着做量化评估，才发现——没有指标，你连算法好坏都说不清。这一章，我就把常用的几个评价指标掰开揉碎了讲清楚。

3.1 信息熵：图像的信息量有多大？

信息熵这个概念，说白了就是衡量图像里“信息丰富程度”的。熵越大，说明图像细节越多，纹理越丰富。

计算公式很简单：

H = - Σ p(i) * log₂(p(i))

其中 p(i) 是灰度值 i 出现的概率。对于 RGB 图像，我一般分别计算三个通道的熵，然后取平均。

我在项目中遇到过一个坑：两张图熵值一样，但一张是清晰的风景，另一张是随机噪声。为什么？因为噪声的灰度分布也很均匀，熵值自然高。所以，信息熵不能单独用，必须配合其他指标。

图像类型	典型熵值范围	说明
纯色图像	0 ~ 1	几乎没有信息
自然风景	6 ~ 8	纹理丰富
高噪声图像	7 ~ 8	熵值虚高
过曝/欠曝	2 ~ 4	信息丢失严重

3.2 对比度：图像“通透”吗？

对比度衡量的是图像中明暗差异的程度。高对比度的图像看起来“通透”，低对比度的图像则“发灰”。

常用的 RMS 对比度公式：

C = sqrt( (1/N) * Σ (I(i) - μ)² )

其中 μ 是平均灰度，N 是像素总数。

你想想看，一张雾霾天的照片和一张晴天的照片，对比度能差多少？我实测过，雾霾图对比度通常在 30~50，晴天风景能到 80~120。

我曾经在做一个去雾算法时，只盯着对比度调参。结果对比度上去了，图像也出现了严重的过曝区域。后来才明白：对比度提升要有限度，否则会损失高光和阴影的细节。

3.3 饱和度：颜色够“鲜艳”吗？

饱和度描述的是颜色的纯度。在 HSV 色彩空间中，饱和度 S 的取值范围是 [0, 1]。0 表示灰色，1 表示纯色。

计算方式：

S = (max(R,G,B) - min(R,G,B)) / max(R,G,B)

整图的饱和度指标，我通常取所有像素饱和度的平均值。

嗯，这里要注意：饱和度不是越高越好。我在做 HDR 融合时，曾经把饱和度拉得很高，结果天空变成了诡异的紫色。后来我给自己定了个规矩：饱和度提升幅度不超过原始图像的 30%。

应用场景	建议饱和度范围	备注
监控图像	0.3 ~ 0.5	优先保证细节
摄影后期	0.5 ~ 0.7	自然为主
广告设计	0.7 ~ 0.9	可以适当夸张

3.4 结构相似性 (SSIM)：像不像原图？

SSIM 是我个人最常用的全参考指标。它从亮度、对比度、结构三个维度比较两张图像的相似度。

公式长这样：

SSIM(x,y) = [l(x,y)]^α * [c(x,y)]^β * [s(x,y)]^γ

其中 l 是亮度比较，c 是对比度比较，s 是结构比较。默认 α=β=γ=1。

为什么 SSIM 比 PSNR 好用？ 我举个例子：一张图稍微调亮了一点，PSNR 可能掉很多，但 SSIM 变化不大，因为结构没变。这才是符合人眼感知的。

我在项目中遇到过一个情况：融合后的图像 SSIM 很高，但人眼看着就是不舒服。后来发现，SSIM 对局部过曝不敏感。所以，我现在的做法是：先看 SSIM，再配合局部区域的对比度检查。

3.5 无参考图像质量评价：没有原图怎么办？

实际项目中，很多时候你拿不到“完美”的原图做对比。这时候就需要无参考评价指标。

常用的方法有：

• BRISQUE：基于自然场景统计，提取空间域特征，用 SVR 回归预测质量分数。
• NIQE：不依赖失真类型，只从图像本身提取特征，与“自然模型”对比。
• PIQE：基于块级处理，对局部失真敏感。

我个人习惯用 BRISQUE，因为它速度快，而且对常见的模糊、噪声、压缩失真都比较敏感。但要注意：BRISQUE 的分数越低越好，这点和 SSIM 相反。

指标	分数含义	适用场景
BRISQUE	越低越好（0~100）	通用失真检测
NIQE	越低越好（0~100）	无参考对比
PIQE	越低越好（0~100）	局部失真敏感

3.6 知识体系总览

下面这张图，我把本章的核心知识点串起来了。你可以把它当作一个“评价指标选择指南”。

3.7 实战建议：如何组合使用这些指标？

说了这么多，到底怎么用？我分享一个自己在项目中验证过的流程：

1. 第一步：用无参考指标做初筛。BRISQUE 跑一遍，分数高于 50 的直接淘汰。
2. 第二步：有原图时，用 SSIM 做精细评估。SSIM > 0.85 才算合格。
3. 第三步：用信息熵和对比度做辅助判断。确保融合后的图像没有信息丢失。
4. 第四步：人工抽检。选 10% 的样本，肉眼过一遍。这一步不能省。