一、图像质量评测概述

图像质量评测，说白了就是回答一个问题：这张图到底好不好？

我刚开始接触这个领域时，觉得这事儿挺主观的——你觉得清楚，我觉得模糊，怎么量化？后来做项目多了才发现，图像质量评测其实有一套非常成熟的体系。它既有人的主观感受，也有机器的客观指标，两者缺一不可。

1.1 图像质量的定义

图像质量不是单一维度的概念。它至少包含以下几个层面：

• 保真度：图像与原始场景的接近程度。说白了就是“像不像”。
• 可懂度：人眼能从图像中提取有用信息的容易程度。比如一张模糊的车牌，保真度可能不高，但人眼还是能认出数字，这就是可懂度还行。
• 视觉舒适度：图像看起来是否自然、舒服。噪点太多、亮度不均、色彩怪异，都会降低舒适度。

我在项目中遇到过这样的场景：客户要求“图像越清晰越好”，结果我们拼命提升锐度，反而引入了振铃效应，客户看了直摇头。嗯，这就是没搞清楚质量定义的教训。

1.2 主观评测与客观评测

评测方法分两大类：主观评测和客观评测。我习惯把它们比作“评委打分”和“仪器测量”。

维度	主观评测	客观评测
执行者	人（观察者）	算法/设备
核心指标	MOS（平均意见分）	PSNR、SSIM、MSE 等
优点	贴近真实感受	可重复、可量化、低成本
缺点	耗时、受个体差异影响大	有时与主观感受不一致
适用场景	最终效果验收、艺术类图像	批量测试、算法调优、自动化流水线

主观评测

主观评测的黄金标准是 ITU-R BT.500 标准。它规定了观察环境、显示设备、评分尺度等细节。你想想看，如果评测环境都不统一，结果怎么比？

常用的评分尺度有两种：

• 5 分制评分：5 分（非常好）到 1 分（非常差），观察者直接打分。
• 成对比较法：同时展示两张图，让观察者选哪个更好。这种方法更敏感，能发现细微差异。

客观评测

客观评测用数学公式计算图像质量。最常见的几个指标：

• MSE（均方误差）：逐像素计算差异的平方均值。值越小越好。
• PSNR（峰值信噪比）：基于 MSE 的对数变换，单位是 dB。一般 PSNR > 30dB 算不错，> 40dB 算很好。
• SSIM（结构相似性）：从亮度、对比度、结构三个维度比较。更贴近人眼感知。

# 一个简单的 PSNR 计算示例（Python）
import numpy as np

def psnr(img1, img2):
    mse = np.mean((img1 - img2) ** 2)
    if mse == 0:
        return float('inf')
    max_pixel = 255.0
    return 20 * np.log10(max_pixel / np.sqrt(mse))

1.3 应用场景与行业标准

图像质量评测不是实验室里的玩具，它在实际工程中无处不在。我简单列几个典型场景：

• 摄像头模组测试：手机、安防、车载摄像头出厂前都要过一遍质量评测。常用标准有 ISO 12233（分辨率测试）、ISO 15739（噪声测试）。
• 视频编解码：H.264/H.265 编码器的性能对比，通常用 PSNR 和 SSIM 做客观指标，再辅以主观评测。
• 医学影像：CT、MRI 图像的质量直接影响诊断。这里对保真度的要求极高，常用指标是 CNR（对比度噪声比）。
• 遥感与卫星图像：地面分辨率、辐射分辨率、光谱分辨率都是关键指标。

行业标准方面，有几个绕不开的：

标准编号	名称	适用范围
ITU-R BT.500	电视图像质量主观评测方法	广播、视频
ISO 12233	摄影——电子静态图像相机——分辨率测量	数码相机、手机摄像头
ISO 15739	摄影——电子静态图像相机——噪声测量	数码相机、手机摄像头
PICS	感知图像质量评估标准	图像压缩、传输

我曾经踩过一个坑：给客户交付摄像头模组时，只做了客观指标测试，结果客户反馈“图像看着不舒服”。后来才发现，我们用的测试图卡是旧版 ISO 12233，新版标准已经更新了测试图案和判读方法。从那以后，我每次做项目都会先确认：客户认可哪个版本的标准？

1.4 知识体系总览

下面这张图概括了本章的核心内容。你可以把它当作后续学习的路线图。

这张图把本章的三个核心模块串起来了。你从中心节点出发，往左看是质量定义，往右看是评测方法，往下看是应用场景和标准。每个模块之间都有联系——比如客观评测指标（PSNR/SSIM）最终要服务于应用场景，而应用场景又反过来决定了你该用哪种评测标准。