基于视觉保真度的图像增强客观评价系统

资 源 简 介

本项目主要实现应用视觉保真度（Visual Information Fidelity, VIF）指标来对各类图像增强算法（如直方图均衡化、Retinex、伽马校正等）的处理效果进行客观定量的评价。系统基于自然场景统计（NSS）理论，认为自然图像具有特定的统计规律，而图像失真（或增强处理）会改变这些统计特性并影响人眼对图像信息的提取。功能实现上，代码首先对参考图像（原始图像）和失真图像（增强后的图像）进行多尺度小波分解或拉普拉斯金字塔分解；随后利用高斯尺度混合模型（GSM）对子带系数进行建模，模拟人类视觉系统（HVS）的信息处理通道；接着计算参考图像与增强图像在视觉通道中的互信息量比值，即VIF值。该系统不仅能计算单幅图像的质量得分，还支持批量处理，能够对比不同增强算法在同一组图像上的表现，输出VIF得分排名。通过这种方法，项目旨在克服传统评价指标（如PSNR、MSE）无法准确反映人眼主观感知的缺陷，为图像增强方法的优选和参数调优提供科学、客观的依据。

详 情 说 明

基于视觉保真度(VIF)的图像增强算法客观评价系统

项目介绍

本项目实现了一个基于自然场景统计（NSS）和高斯尺度混合模型（GSM）的图像质量评价系统。系统的核心目标是利用视觉保真度（Visual Information Fidelity, VIF）指标，对各类图像增强算法的处理效果进行客观、定量的评价与排名。

不同于传统的PSNR或MSE指标，VIF指标基于信息论，通过模拟人类视觉系统（HVS）对图像信息的提取过程，计算参考图像与失真（或增强）图像之间的互信息比值。该系统不仅实现了VIF算法的核心逻辑，还集成了一个完整的测试框架，能够自动生成多种增强效果并输出可视化对比结果。

功能特性

• 智能图像加载：尝试读取标准测试图像（peppers.png），若文件不存在，则自动生成棋盘格图像作为替代，确保程序在任何环境下均可运行。
• 多算法效果模拟：系统内部集成了5种图像处理方案，涵盖了经典的增强算法和作为对照组的模糊处理，用于构建待评价的图像集。
• 多尺度VIF计算：实现了基于像素域的多尺度VIF算法（VIF-P），通过高斯金字塔模拟人眼在不同视距和分辨率下的感知特性。
• 自动化评价与排名：自动对所有处理后的图像进行评分，按VIF得分从高到低排序，并输出详细的控制台报告。
• 全面的可视化界面：生成的图形窗口分为两部分，上半部分展示原始图像及增强后的直观效果，下半部分通过柱状图清晰对比各算法的客观得分。

算法实现细节

本项目的主要代码逻辑集中在main函数及其调用的两个关键子函数中，具体实现如下：

1. 图像预处理与数据集构建

程序首先将输入图像转换为灰度图（如果是彩色图）并归一化为双精度浮点数（double），这是因为VIF计算通常针对亮度分量进行。随后，系统生成以下5组待评价图像：

• 直方图均衡化 (HE)：使用MATLAB内置算法，通过拉伸像素强度分布增强全局对比度。
• 伽马校正：设置伽马值为0.6，并在低灰度区域进行提亮处理。
• Retinex增强 (SSR)：通过自定义函数模拟单尺度Retinex算法，在对数域分离光照和反射分量，以此增强图像细节。
• 自适应直方图均衡 (CLAHE)：限制对比度的自适应直方图均衡化，用于避免噪声过度放大。
• 高斯模糊：生成低质量图像作为对照组，验证VIF指标对画质下降的敏感度。

2. VIF 核心算法 (Function: calculate_vif)

这是评价系统的核心引擎，实现了Sheikh & Bovik提出的基于像素域的VIF算法逻辑：

• 多尺度分解：设定分解尺度为4层。在每一层循环中，对图像进行下采样（使用imresize）以构建高斯金字塔。
• NSS建模：使用高斯窗口构建局部统计量。计算参考图像和失真图像的局部均值（$mu$）、方差（$sigma^2$）和协方差。
• GSM模型估计：利用高斯尺度混合模型（GSM）对子带系数进行建模。计算回归参数 $g$（增益场）以及信号方差和噪声方差。
• 互信息计算：

* 参考通道容量：利用参考图像的信号方差和假设的神经噪声方差，根据香农公式计算参考图像包含的信息量。 * 测试通道容量：结合增益参数 $g$ 和失真通道的噪声方差，计算人眼从处理后图像中能提取的信息量。

• 最终得分：将所有尺度上累加的测试图像互信息量除以参考图像互信息量，得到最终的VIF值。VIF值越高，代表图像的视觉保真度越高或视觉质量越好。

3. Retinex 模拟 (Function: single_scale_retinex)

为了丰富测试集，代码内部手动实现了一个单尺度Retinex算法：

• 将图像转换到对数域。
• 使用大尺度的高斯滤波器（Sigma=15）对原图卷积，估算光照分量。
• 在对数域中将原图减去光照分量得到反射分量。
• 最后将结果线性映射回0-255的灰度范围。

使用方法

1. 确保MATLAB环境已安装Image Processing Toolbox。
2. 直接运行主程序函数 main()。
3. 程序将自动执行以下步骤：

* 加载或生成基准图像。 * 生成5种不同处理效果的图像。 * 在控制台逐行打印计算进度和各算法的VIF得分。 * 弹出结果窗口，显示图像对比和评分柱状图。

评价结果解读

运行结束后，控制台将输出一份评价报告。

• VIF Score：该数值表示图像质量。在图像增强任务中，VIF值通常在0到1之间，但也可能大于1（通过对比度增强提升了部分视觉信息量）。
• 排名逻辑：分数越高，表明基于VIF模型的客观评价认为该算法在当前图像上保留或提升了更多的视觉信息，排名越靠前。

系统将展示不同增强手段（如HE、CLAHE、Retinex）相对于原始图像的视觉保真度差异，同时通过高斯模糊组的低分验证了指标的有效性。