📚 课程目录第3章主观图像质量评估

3. 主观图像质量评估：ITU-R BT.500标准、MOS评分、双刺激法

图像质量好不好，谁说了算？

客观指标能测出信噪比、解析力，但最终看监控画面的还是人眼。我见过不少项目，实验室数据漂漂亮亮，一到现场就被客户吐槽「这画面看着不舒服」。说白了，客观数据是骨架，主观评价才是血肉。

这一章，我们就聊聊怎么用标准化的方法，让「人眼说了算」这件事变得靠谱、可重复。

3.1 为什么需要主观评价？

客观指标有它的局限性。举个例子，一个算法把噪声抹得干干净净，PSNR 可能很高，但画面像塑料一样，细节全丢了。这种「塑料感」，客观指标很难量化。

主观评价的核心价值在于：

捕捉真实体验：人眼对纹理、肤色、运动拖尾的敏感度，是客观指标无法完全模拟的。
发现「隐藏」问题：比如闪烁、色彩跳变、边缘振铃，这些在单帧指标里看不出来。
验证调优方向：算法改了一版，客观指标涨了 0.5 dB，但人眼看是不是真的变好了？主观评价说了算。

我的经验： 有一次我们优化了一版降噪算法，PSNR 提升了 1.2 dB，团队都很兴奋。结果拿给客户看，对方说「人脸像磨皮了一样，不行」。从那以后，我坚持每个大版本都要过一遍主观评估。

3.2 ITU-R BT.500 标准：主观评价的「宪法」

ITU-R BT.500 是国际电信联盟制定的主观图像质量评估标准。它不是什么高深理论，而是一套操作手册——告诉你测试环境怎么搭、人员怎么选、流程怎么走、数据怎么处理。

这套标准的核心要素包括：

要素	要求	说明
观察环境	暗室或半暗室	背景亮度、显示器色温、观看距离都有明确规定
观察者	至少 15 人	包含专家和非专家，视力或矫正视力正常
测试序列	时长 10-30 秒	覆盖典型场景，包含参考序列和测试序列
评分尺度	5 级或 11 级	5 级最常用：5-优秀，4-良好，3-一般，2-较差，1-很差
数据处理	剔除异常值	用 95% 置信区间或标准差筛选无效评分

你可能会问：「为什么环境要求这么严格？」

我举个例子。你在办公室日光灯下看屏幕，和在家暖色台灯下看，对同一张图的色彩感受完全不同。如果不控制环境，不同实验室的结果就没法对比。标准的意义就在于此——让主观评价变得可重复、可比较。

3.3 MOS 评分：把感觉变成数字

MOS（Mean Opinion Score，平均意见分）是主观评价最常用的量化指标。简单说，就是让一群人打分，然后取平均。

但这里有个坑：直接平均是不行的。

注意： 不同人的打分习惯差异很大。有人觉得「还行」就给 4 分，有人觉得「还行」只给 3 分。如果不做归一化，结果会被「手松」或「手紧」的观察者带偏。

正确的做法是：

收集原始评分：每个观察者对每个测试序列给出 1-5 分。
计算每个观察者的均值与标准差：了解每个人的打分习惯。
剔除异常观察者：如果某人的评分与群体均值偏差过大（比如超过 2 个标准差），剔除他的数据。
计算 MOS 值：对剩余评分取平均。
计算置信区间：通常报告 95% 置信区间，表示结果的可靠性。

下面是一个典型的 MOS 数据处理流程：

# 伪代码示例：MOS 计算与异常值剔除
scores = load_all_scores()  # 形状: [观察者数, 测试序列数]

# 1. 计算每个观察者的均值
observer_means = mean(scores, axis=1)

# 2. 计算群体均值和标准差
global_mean = mean(observer_means)
global_std = std(observer_means)

# 3. 剔除异常观察者（偏差 > 2σ）
valid_observers = []
for i, m in enumerate(observer_means):
    if abs(m - global_mean) <= 2 * global_std:
        valid_observers.append(i)

# 4. 计算 MOS 和 95% 置信区间
valid_scores = scores[valid_observers, :]
MOS = mean(valid_scores, axis=0)
CI = 1.96 * std(valid_scores, axis=0) / sqrt(len(valid_observers))

  关键点： MOS 值不是越高越好，而是越「稳定」越好。如果同一个序列的 MOS 置信区间很宽，说明观察者之间分歧大，这个结果需要谨慎解读。

3.4 双刺激法：让对比更公平

双刺激法（Double Stimulus）是 ITU-R BT.500 中最常用的方法之一。它的核心思想是：让观察者同时或先后看到参考序列和测试序列，然后对比打分。

为什么需要双刺激？

因为人眼的「记忆」很不靠谱。你单独看一张图，觉得还行；但如果你先看一张原图，再看一张处理过的图，差距一下子就出来了。双刺激法就是利用这种对比，让评分更敏感、更准确。

常见的双刺激法有两种：

方法	流程	适用场景
DSIS（双刺激损伤尺度）	先看参考序列，再看测试序列，然后给测试序列打分	评估处理后的图像相对于原图的损伤程度
DSCQS（双刺激连续质量尺度）	参考和测试序列随机交替播放，观察者对两者分别打分	比较两种处理算法的优劣，或评估整体质量差异

我个人更常用 DSCQS。为什么？因为随机交替播放能有效消除「顺序效应」——观察者不会因为先看了哪个序列而产生偏见。

避坑指南： 我曾经做过一次双刺激测试，结果发现所有观察者都给第二个序列打了高分。后来才意识到，测试序列的播放顺序是固定的，观察者「习惯」了画面后，对后面的序列更宽容。从那以后，我坚持用随机顺序，并且每个序列至少播放两次。

3.5 主观评价的完整流程

把上面这些串起来，一个完整的主观评价实验应该这样走：

准备阶段：搭建标准环境（暗室、校准显示器）、准备测试序列（包含参考和测试）、招募观察者（至少 15 人）。
培训阶段：给观察者讲解评分尺度，播放几个示例序列让他们熟悉流程。注意，不要透露哪个是参考、哪个是测试。
正式测试：按双刺激法播放序列，观察者打分。每 20-30 分钟休息一次，避免视觉疲劳。
数据处理：剔除异常值，计算 MOS 和置信区间。
结果分析：对比不同算法的 MOS 值，结合置信区间判断差异是否显著。

下面这张图展示了整个流程的结构：

3.6 实战中的常见问题

理论说完了，聊聊我在项目中踩过的坑。

观察者疲劳：一次测试超过 30 分钟，评分质量就会明显下降。我现在的做法是：每 20 分钟强制休息 5 分钟，并且准备一些轻松的背景音乐。
「天花板效应」：如果所有测试序列质量都很高，观察者会倾向于打 4-5 分，导致区分度不够。解决办法是加入一些「锚点」序列——质量明显较差或较好的序列，拉宽评分范围。
序列长度选择：太短（< 5 秒）观察者来不及形成印象；太长（> 30 秒）容易疲劳。我一般用 10-15 秒的片段，刚好能覆盖一个完整的场景变化。
显示器校准：这个经常被忽略。不同显示器的亮度、色温、伽马值差异很大。我建议每次测试前用校色仪校准，至少保证白平衡和亮度一致。

特别提醒： 主观评价不是「一次定生死」。同一个算法，在不同场景、不同光照条件下，主观感受可能完全不同。我建议至少覆盖 3-5 个典型场景（白天、夜晚、逆光、室内、运动），每个场景单独计算 MOS。

3.7 小结

主观图像质量评估，说白了就是「让一群人用标准化的方法看画面，然后打分」。ITU-R BT.500 给了我们操作框架，MOS 把感觉变成数字，双刺激法让对比更公平。

但别忘了，工具只是手段。真正重要的是：你知不知道自己要评估什么？是噪声、色彩、清晰度，还是整体观感？目标不同，测试设计也不同。