FSIM: A Feature Similarity Index for Image Quality Assessment
传统的全参考图像质量评价标准FSIM（Feature similarity，特征相似度）；ssim一经提出引来了很多人的研究，并在其上进行了一些列的变种，其中一种比较成功的算法就是FSIM，该算法认为一张图片中的所有像素并非具有相同的重要性，比如物体物体边缘的像素点对于界定物体的结构肯定比其他背景区域的像素点更为重要；另外一种重要的评价指标VIF尽管在不同的子带上具有不同的权重，但是在具体的某一子带上参与计算的像素点均具有 相同的权重；根据图像本身的特点，这样不加区分并不合适；因此改进的方向实际上重在如何区分这些重要点并给予合适的权重。
### FSIM：一种基于特征相似度的图像质量评估指标
#### 概述
FSIM（Feature Similarity Index），即特征相似度指数，是一种用于全参考图像质量评估的新颖方法。它由Lin Zhang、Lei Zhang、Xuanqin Mou和David Zhang等人提出，主要目的是为了更准确地模拟人眼对图像质量的感知。FSIM考虑了人类视觉系统（HVS）在理解图像时主要依赖于其低级特征这一事实，通过分析图像中的局部结构显著性和对比度信息来评估图像质量。
#### 关键概念与技术
**1. 相位一致性（Phase Congruency, PC）**
相位一致性是一种用于描述局部结构显著性的无量纲指标。在图像处理领域，PC能够有效地识别图像中的边缘、角点等重要特征，这些特征对于界定图像中的物体结构至关重要。FSIM利用PC作为主要特征来捕捉图像中的关键信息点，并认为这些点对于图像的整体质量感知有着更大的贡献。相比其他方法中将所有像素同等对待的做法，PC的引入更好地体现了视觉注意力的分布特性。
**2. 图像梯度幅度（Gradient Magnitude, GM）**
虽然PC能够有效检测图像中的结构特征，但它对于对比度的变化相对不敏感。为了弥补这一不足，FSIM还引入了图像梯度幅度（GM）作为辅助特征。GM可以提供关于图像局部区域对比度的信息，这对于评估图像质量来说是非常重要的。GM和PC两种特征相结合，能够更全面地反映图像的结构信息及其对比度变化，从而更准确地评估图像的质量。
**3. 局部质量图与综合评分**
获得PC和GM之后，FSIM进一步计算得到一个局部质量图，反映了图像各部分的质量情况。接着，再次利用PC作为权重函数来综合各个局部区域的质量得分，最终得出单一的图像质量评分。这种方法能够有效地突出图像中关键特征的重要性，同时考虑到整个图像的对比度变化情况，从而提高评估结果与主观感知的一致性。
#### 实验验证与应用
研究人员通过对六个标准图像质量评估数据库进行了广泛的实验验证，证明了FSIM相较于现有的图像质量评估方法具有更高的主观一致性。这意味着FSIM能够在众多实际应用场景中发挥重要作用，如图像采集、传输、压缩、恢复和增强等领域。
### 总结
FSIM是一种创新的图像质量评估指标，它结合了相位一致性和图像梯度幅度两种特征，旨在更贴近人类视觉系统的感知方式来评估图像质量。通过合理分配不同特征的重要程度，并综合考虑图像中的局部结构显著性和对比度变化，FSIM能够更加客观准确地评估图像的质量水平，为各种图像处理任务提供了有力的支持。
