Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

разделяют в зависимости от используемых исходных данных на три больших 
класса: 

Full-reference, в которых показатель качества рассчитывается по 
полным наборам оригинального и декодированного изображения; 

Reduced-reference 
- 
из 
изображений 
выделяются 
наиболее 
существенные для вычислений характеристики, в результате чего 
размерность и объем данных существенно уменьшается и становится 
возможным обмен этими характеристиками в реальном времени по линиям 
связи с ограниченной пропускной способностью. Этот метод наиболее 
распространен в задачах контроля клиент-серверных реализаций, где 
оригинальный и оцениваемый видеоматериалы разделены как во времени, 
так и в пространстве; 

No-reference - оценивается видео-материал в отсутствие оригинала.
В настоящее время существует ряд метрик количественной оценки 
качества 
изображений, 
отличающихся 
точностью 
измерения, 
вычислительной сложностью и адекватностью нашему зрительному 
восприятию. 
Поэтому 
рассмотрим 
более 
подробно 
наиболее 
распространенные метрики оценки качества изображений.
Наибольшее распространение при оценке качества получили 
следующие метрики: MSE, PSNR, SSIM, VQM.
MSE (
Mean Scuared Erroу) - метрика оценки среднеквадратической 
ошибки (СКО) используется для сравнения кадров исходного и 
декодированного изображений, размерами M*N
: 


,
)
,
(
)
,
(
1
1
0
1
0
2







M
m
N
n
n
m
Y
n
m
X
MN
MSE
(1) 
где X(i, j) - значение пикселя исходного изображения X с координатами (i, j), 
Y(i, j) значение пикселя отображаемого изображения. Если изображения 

---

164 
совпадают, то значение MSE равно 0. При этом значение метрики возрастает 
с количеством искажений в изображении. Значение MSE для видеофрагмента 
обычно принимается равным среднему значению MSE по всем кадрам или их 
сумме. Данная метрика проста в реализации, имеет высокое быстродействие, 
но не адекватна зрительному восприятию. Так, изображение с хорошим 
визуальным качеством может интерпретироваться, как плохое, а сильно 
искаженное изображение, оценивается, как, хорошее.
PSNR (peak-to-peak signal-to-noise ratio) – метрика, часто используемая 
на практике, называется мерой пикового отношения сигнала к шуму. Она 
является инженерным термином, означающим соотношение между 
максимумом возможного значения сигнала и мощностью шума, 
искажающего значения сигнала. Поскольку многие сигналы имеют широкий 
динамический диапазон, PSNR обычно измеряется в логарифмической шкале 
и отображаются в децибелах. PSNR наиболее часто используется для 
измерения уровня искажений при сжатии видеоданных в различных кодеках. 
Проще всего его определить через среднеквадратическое отклонение (
MSE
), 
двух монохромных изображений I и K размера m×n, где одно из которых 
считается зашумленным приближением другого и вычисляется так: 
 
 
2
1
0
1
0
,
,
1







m
i
n
j
j
i
K
j
i
I
mn
MSE
(2) 
PSNR определяется так: 














MSE
MAX
MSE
MAX
PSNR
I
I
10
2
10
log
20
log
10
(3) 
Где MAX
I
2
— это максимальное значение, принимаемое пикселем 
изображения. Когда пиксели имеют разрядность 8 бит, MAX
I
=255.
Для цветных изображений с тремя RGB компонентами применяется 
такое же определение PSNR, но MSE считается по всем трем компонентам и 
делится на утроенный размер изображения. 
Основным недостатком данного метода является то, что значение 
показателя плохо коррелируется с субъективной оценкой. Однако простота 
реализации вычисления делает его наиболее распространенным, особенно в 
научных публикациях при сравнении различных методов обработки 
изображений. 
Метрика структурного сходства SSIM (Structural SIMilarity). Она вычис-
ляются по более сложным алгоритмам, но считается, что более точно 
учитывает особенности восприятия человека. 
SSIM является альтернативой PSNR, которая может лучше 
коррелировать с ощущаемым качеством сжатого изображения. Высчиты-
вается она следующим образом. Рассматривается i-ый кадр размером K×L и 
значениями яркостных компонент Y
(i)
k,l
, k=1÷K и l=1÷L. Выбирается окно W и 
веса W
j
для каждой j-ой точки окна, j=1÷J, где J – количество пикселей в 
окне. Веса W
j
нормируются на единицу.
На практике, обычно выбирают квадратное окно с весами, распределен-
ными симметрично относительно некоторого центра по Гауссовскому 

---

165 
распределению. Для каждой точки данного кадра центр окна размещается в 
этой точке. Вычисляются средневзвешенные значения яркостной компо-
ненты исходного и закодированного окна, средневзвешенные дисперсии 
яркостной компоненты исходного и закодированного окна и средневзве-
шенная ковариация между яркостными компонентами исходного и 
закодированного окон по следующим формулам: 
)
(
)
(
,
1
)
(
,
*
i
j
l
k
J
j
j
i
l
k
Y
w
YAVG



(4)


2
)
(
,
)
(
)
(
,
1
)
(
,
*
2
i
l
k
i
j
l
k
J
j
j
i
l
k
YAVG
Y
w
YVAR




(5) 




.
*
*
/
)
(
,
/
)
(
)
(
,
)
(
,
)
(
)
(
,
1
)
(
,
i
l
k
i
j
l
k
i
l
k
i
j
l
k
J
j
j
i
l
k
YAVG
Y
YAVG
Y
w
YCOV





(6) 
где Y
(i)
k,l
– значение яркостной компоненты j-ой точки окна, центр которого 
расположен в точке с координатами (k,l) i-ого кадра. 


 


*
)
1
))]
((
)
,
(
]
[[
*
))
((
)
,
(
*
2
((
))
((
,










c
i
l
k
YAVG
i
l
k
YAVG
i
l
k
YSSIM
].
/(([[
))
2
))
((
)
,
(
]
[
*
2
(
YAVG
c
i
l
k
YGOV




(7) 
где 
2
1
1
)
*
(
Y
MAX
k
c

и
.
)
*
(
2
2
2
Y
MAX
k
c

Y
MAX
– максимально возможное 
значение Y-компоненты. Например, если для задания одного значения 
Y-компоненты используется 8 бит, то максимальное значение равно 255. По 
умолчанию коэффициенты 
01
,
0
1

k
и 
03
,
0
2

k
. Далее вычисленные значения 
SSLM усредняются по всем компонентам каждого кадра в отдельности.