信息论与编码篇---PSNR-HVS
果说PSNR是图像质量评价领域的"老前辈"，那PSNR-HVS就是这位老前辈的"进化版"——它保留了PSNR的简单计算方式，但加入了人眼视觉系统（HVS）的"智慧"。
可以这样理解：PSNR-HVS是懂点人眼知识的PSNR。
一、什么是PSNR-HVS？
PSNR-HVS的全称是峰值信噪比-人眼视觉系统。它由Egiazarian等人在2006年提出，是对传统PSNR的改进版本。
PSNR-HVS要回答的核心问题是：如何在保留PSNR计算简单性的同时，让评价结果更符合人眼感受？
答案很直接：在计算误差之前，先对图像做一些"预处理"，模拟人眼的视觉特性。
二、为什么要改进PSNR？
传统PSNR有一个"硬伤"：它把所有像素误差一视同仁。
举个例子：
| 场景 | 原始图像 | 失真图像A | 失真图像B |
|---|---|---|---|
| 描述 | 标准图像 | 在平滑区域加了噪点 | 在纹理区域加了相同程度的噪点 |
| PSNR | 参考 | 30dB | 30dB |
| 人眼感受 | 参考 | 很明显，很难受 | 不太明显，可以接受 |
看到问题了吗？PSNR说"两幅图质量一样"，但人眼说"差别大了"。
为什么？因为人眼对不同区域的误差敏感度不同：
平滑区域：对误差极其敏感（蓝天上的噪点）
纹理区域：对误差不太敏感（草地里的噪点）
边缘附近：对某些误差敏感（轮廓旁边的振铃）
PSNR-HVS正是为了解决这个问题而生的。
三、PSNR-HVS的核心原理（通俗版）
PSNR-HVS的工作流程可以分为三个关键步骤：
第一步：CSF滤波——模拟人眼的"频率偏好"
人眼看图像时，对不同频率的信息敏感度不同。这就像听音乐：
人耳对中频声音最敏感（人声区域）
对极低频和极高频不太敏感
人眼也一样，对中频信息最敏感，对极高频（细微纹理）和极低频（整体亮度）相对不敏感。这种特性用对比度敏感函数（CSF）来描述。
PSNR-HVS的第一步就是：对原始图像和失真图像都应用CSF滤波。
这个滤波器的作用是：
增强中频成分（人眼敏感的区域）
衰减高频和低频成分（人眼不敏感的区域）
相当于在计算误差之前，先问一句："人眼会重点关注哪里？"然后把重点区域放大，非重点区域缩小。
第二步：计算MSE——在"人眼域"算误差
经过CSF滤波后，图像被转换到了"人眼感知域"。在这个新空间里，每个像素的数值已经反映了人眼对它的敏感程度。
然后，PSNR-HVS像传统PSNR一样计算均方误差（MSE）：
MSE_HVS = 平均( (滤波后原始图像 - 滤波后失真图像)^2 )
但这里的MSE已经不再是简单的像素差异，而是感知加权后的像素差异。
第三步：转换成分贝——得到PSNR-HVS分数
最后，和传统PSNR一样，将MSE转换成分贝形式：
PSNR-HVS = 10 * log10( (255^2) / MSE_HVS )
其中255是8位图像的最大像素值。
PSNR-HVS分数范围：
越高越好：分数越高，表示图像质量越好
∞ dB：两图完全相同
30-40 dB：通常认为是较好的质量
20-30 dB：质量一般，可能有可见失真
<20 dB：质量差，失真明显
四、PSNR-HVS的数学本质
从数学角度看，PSNR-HVS可以理解为：
PSNR-HVS = 10 * log10( L^2 / MSE( CSF(原图) - CSF(失真图) ) )
其中：
L：像素动态范围（通常255）
CSF()：对比度敏感函数滤波
MSE()：均方误差计算
这个公式的精髓在于：在误差计算之前，先进行感知加权。
五、PSNR-HVS vs 传统PSNR
| 维度 | 传统PSNR | PSNR-HVS |
|---|---|---|
| 核心逻辑 | 直接算像素误差 | 先模拟人眼，再算误差 |
| 预处理 | 无 | CSF滤波（模拟人眼频率敏感度） |
| 区域差异 | 一视同仁 | 中频区域权重大 |
| 计算复杂度 | 极低 | 中等（加了一个滤波器） |
| 与人眼相关性 | 较低 | 较高 |
| 应用场景 | 快速粗略评估 | 需要更好感知相关性的场景 |
六、PSNR-HVS的变体：PSNR-HVS-M
PSNR-HVS还有一个重要的改进版本：PSNR-HVS-M，其中的"M"代表掩蔽效应。
PSNR-HVS-M在PSNR-HVS的基础上，进一步加入了对比度掩蔽模型。它考虑了：
纹理区域：对误差的容忍度更高（掩蔽效应强）
平坦区域：对误差的容忍度低（掩蔽效应弱）
计算过程变成：
CSF滤波（频率加权）
掩蔽阈值计算（根据局部纹理复杂度）
只计入超过掩蔽阈值的误差
计算MSE并转换成分贝
PSNR-HVS-M与主观评分的相关性比PSNR-HVS更高，但计算也更复杂一些。
七、PSNR-HVS在实际应用中的价值
图像压缩评估：
比PSNR更能反映压缩对人眼的影响
评估JPEG、JPEG2000等压缩算法的感知质量
图像增强验证：
评估锐化、去噪等算法的效果
避免"数值好看、人眼难看"的情况
编码器调优：
在保证压缩率的同时，优化PSNR-HVS分数
让压缩后的图像看起来更舒服
快速质量筛选：
计算速度比SSIM、VMAF快，比PSNR准
适合大规模图像质量的快速筛选
八、PSNR-HVS总结框图 (Mermaid)
下面这张流程图可以帮助你理解PSNR-HVS的工作逻辑：
框图解读：
输入与CSF滤波：输入原始图像和失真图像，应用对比度敏感函数滤波，模拟人眼对不同频率信息的敏感度差异。
CSF滤波细节：
将图像转换到频域
增强中频成分（人眼敏感区）
衰减高频/低频成分（人眼不敏感区）
逆变换回空间域，得到感知加权图像
误差计算：
计算滤波后图像的差值
计算均方误差MSE_HVS
分贝转换：将MSE_HVS转换成分贝形式，得到PSNR-HVS分数。
进阶版本：PSNR-HVS-M额外加入掩蔽效应建模，只计入超过掩蔽阈值的误差。
九、PSNR-HVS与其他指标的对比
| 指标 | 核心思想 | 预处理 | 掩蔽效应 | 计算复杂度 | 与人眼相关性 |
|---|---|---|---|---|---|
| PSNR | 像素误差 | 无 | 无 | 极低 | 低 |
| SSIM | 结构相似 | 亮度/对比度归一化 | 有（简单） | 中 | 中 |
| PSNR-HVS | 感知加权误差 | CSF滤波 | 无 | 中 | 中高 |
| PSNR-HVS-M | 感知加权+掩蔽 | CSF滤波+掩蔽阈值 | 有（精细） | 中高 | 高 |
| VMAF | 多方法融合 | 多特征提取 | 有（精细） | 高 | 很高 |
十、什么时候用PSNR-HVS？
当你需要比PSNR更准，但比SSIM/VMAF更快时：PSNR-HVS是个很好的折中选择。
当你关注的是频率相关的失真时：比如评估模糊、锐化等操作，PSNR-HVS特别有效。
当你需要大规模快速评估时：计算速度比VMAF快得多，比PSNR稍慢但更准。
当你需要最高精度时：还是选择VMAF或主观实验更合适。
总结
简单来说，PSNR-HVS是一个"懂点人眼的PSNR"。它保留了PSNR的简单计算框架，但在计算误差之前，先做了一件事：用CSF滤波器模拟人眼的频率敏感度。
从PSNR到PSNR-HVS再到PSNR-HVS-M，我们看到了一条清晰的进化路径：
PSNR：只管算误差，不管人怎么看（简单粗暴）
PSNR-HVS：知道人眼对频率有偏好，先加权再算（更懂人眼）
PSNR-HVS-M：还知道人眼有掩蔽效应，只算能察觉的误差（更懂人脑）
这条路径的核心思想是：在不增加太多计算量的前提下，尽可能让评价结果接近人眼感受。