一、 超分辨率中的无参考客观指标
无参考图像质量评估指标不依赖于参考图像，而是直接对重建图像进行质量评估。以下是几种常见的无参考客观指标：
NIQE（Natural Image Quality Evaluator）
- 原理：基于自然场景统计特征，使用高斯混合模型（GMM）建立自然图像特征的概率分布，通过该分布评估输入图像的质量。
- 特点：分数越低表示图像质量越高，不需要训练过程，计算效率高。
- 应用场景：适用于评估图像的自然性，尤其在超分辨率重建任务中，NIQE能够更好地反映人眼对图像质量的感知。
BRISQUE（Blind/Referenceless Image Spatial Quality Evaluator）
- 原理：基于自然场景统计特征，使用支持向量机（SVM）学习图像质量与图像特征之间的映射关系。
- 特点：分数越低表示图像质量越高，计算效率高，泛化能力强。
PIQE（Perception based Image Quality Evaluator）
- 原理：基于感知特征，利用图像的块状结构和噪声特征来计算图像质量分数。
- 特点：分数越低表示图像质量越高，能够有效评估图像的块效应和噪声水平。
二、评价指标NIQE（Natural Image Quality Evaluator）
2.1 核心原理
NIQE 的核心思想基于一个关键假设：自然图像的统计特征服从特定的规律，而失真会破坏这种规律。算法的核心流程分为两个阶段：
- 训练阶段：构建一个由大量无失真自然图像组成的数据集，提取这些图像的统计特征，拟合得到一个多元高斯模型（Multivariate Gaussian Model），作为「自然图像特征分布」的基准。
- 测试阶段：对待评价图像提取相同的统计特征，计算其特征向量与基准高斯模型之间的马氏距离（Mahalanobis Distance）。马氏距离越小，图像越接近自然无失真状态，质量越高；反之则质量越差。
2.2 关键统计特征提取
NIQE 提取的是图像在多尺度、多方向的高斯差分（DoG）滤波后的统计特征，具体步骤：
- 对图像进行多尺度下采样（通常取 5 个尺度）。
- 对每个尺度的图像，用不同方向的 DoG 滤波器滤波，得到多方向的响应图。
- 在响应图上划分不重叠的图像块，计算每个块的均值、方差、偏度、峰度这 4 个统计量。
- 将所有块的统计量组合，形成一个高维特征向量，用于后续的马氏距离计算。
评价指标测试路径
三、NIQE优缺点
优点：
- 无需参考图像，实用性强
- 计算速度快
- 与人类感知相关性较好
缺点：
- 对训练数据集敏感
- 在某些特定失真类型上可能不如专用指标
- 对合成图像或特殊场景可能评估不准确
与其他指标的关系:
NIQE属于无参考质量评估指标家族，后续发展出了：
- BRISQUE：基于空间域NSS特征
- ILNIQE：改进的局部NIQE
- QAC：基于代码本的快速评估
这些指标共同构成了现代无参考图像质量评估的基础框架。
