图像质量评估指标(5) 梯度幅相似性偏差 GMSD

梯度幅相似性偏差 GMSD（以下使用GMSD作为简称）的提出主要是受到图像梯度场对于图像退化比较敏感这一事实的启发提出的。GMSD出现比较晚（2013年），在此之前有很多比较流行的评估指标比如VIF和FSIM等等，但是在当时条件下这些算法的计算耗时相对来讲比较长，因此GMSD的设计主要围绕着下面两个指标进行:

1. 提供可信的评价能力

2. 使用尽可能小的计算时间开销

用论文作者的话说就是:In practice, an IQA model should be not noly effective but also efficient

为了达到上面两个要求，就应该对于图像的特征进行选择，选择最能契合人感知能力并且计算简单的特征，选择用这样的特征作为评估依据来设计模型；作者基于前人的研究成果，认为梯度信息是重要的底层特征，对于人的感知极为重要，因此选择这一特征入手。

算法设计：

要获得梯度信息有很多种方法，比如使用sobel算子、Roberts算子等，为了简化期间，作者使用prewitt算子，标准的3 x 3 prewitt算子如下所示:

使用上述算子同图像进行卷积操作，即可获得图像在水平方向和垂直方向的梯度幅值，记为r和d，同时记i为pixel的位置，可以进行如下计算

到这里，可以计算每一个小patch的局域梯度场，如果直接用这样一个局域梯度场进行平均处理，也能够反映出图像的质量变化情况，这种方法称之为GMSM。但是论文作者认为这样直接取平均可能会使得某些区域的退化所带来的影响被过于平均化。作者认为自然图像通常具有多种局部结构场景。当图像失真时，不同的局部结构会受到不同程度的降解，这是自然意象的内在属性。作者举例说明此事：比如在图像压缩领域里就有阻塞效应、振铃效应、模糊情况等等，这三者对于图像的影响是有差别的，比如模糊效应对于图像平坦区域造成的影响要小于图像纹理丰富的区域，阻塞效应在平坦区域造成影响却要大于图像纹理丰富区域，因此简单的取平均是不合适的。作者认为梯度场GMS的偏差可能更适合做评估指标

这就是GMSD的原理

算法效果：

GMSD在LIVE、TID2008等数据集上进行测试的结果同以往的一些算法进行比较，有的比较优秀，有的比较平庸

作者认为GMSD可以补充SSIM在某些问题上的表现不足，并有潜力在更广泛的图像处理应用中得到更广泛的应用。主要有以下两点：

1. SSIM在某些细分领域的调参比较困难

2. SSIM计算开销比较大

GMSD相比于GMSM的优势

从这张图来看GMSD能够给出更为正确的判断。

GMSD在三个重要的算法评估数据库中的结果如下所示，可以看出GMSD都是排在前三。

我的感受：

进行IQA算法的设计目前已经非常灌水，每隔一阵子就有一些新算法冒出来，但是到目前为止尚无有效的普适性的算法，GMSD在我的测试过程中很难说对于其他算法有什么优势，如果说真有什么优势也就是计算比较快了。然后我感觉这个问题最终还是要靠模拟人类感知的深度学习去做可能比较合适，因为这些人工设计的特征很难以适合普适情况。