brisqueModel

Модель Blind/Referenceless Image Spatial Quality Evaluator (BRISQUE)

Описание

brisqueModel объект инкапсулирует модель, используемую, чтобы вычислить Изображение Blind/Referenceless Пространственное Качественное Средство анализа (BRISQUE) перцепционный качественный счет изображения. Объект содержит модель регрессора вектора поддержки (SVR).

Создание

Можно создать brisqueModel объект с помощью следующих методов:

  • fitbrisque — Обучите модель BRISQUE, содержащую пользовательскую обученную модель регрессора вектора поддержки (SVR). Используйте эту функцию, если у вас нет предварительно обученной модели.

  • brisqueModel функция описана здесь. Используйте эту функцию, если у вас есть предварительно обученная модель SVR, или если модель по умолчанию достаточна для вашего приложения.

Описание

пример

m = brisqueModel создает объект модели BRISQUE со значениями свойств по умолчанию, которые выведены из [1]базы данных [2] LIVE IQA изображений.

пример

m = brisqueModel(alpha,bias,supportVectors,scale) создает пользовательскую модель BRISQUE и устанавливает Alpha, Bias, SupportVectors, и Scale свойства. Необходимо обеспечить все четыре аргумента, чтобы создать пользовательскую модель.

Примечание

Это затрудняет, чтобы предсказать хорошие значения свойств, не запуская стандартную программу оптимизации. Используйте этот синтаксис, только если вы создаете brisqueModel объект с помощью предварительно обученной модели SVR с известными значениями свойств.

Свойства

развернуть все

Коэффициенты, полученные путем решения двойной задачи в виде m-by-1 числовой вектор. Длина Alpha должен совпадать с количеством векторов поддержки (количество строк SupportVectors).

Пример: rand(10,1)

Типы данных: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Сместите термин в модели SVM в виде числового скаляра.

Пример: 47.4

Типы данных: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Поддержите векторы в виде m-by-36 числовой вектор. Количество строк, m, совпадает с длиной Alpha.

Пример: rand(10,36)

Типы данных: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Это свойство доступно только для чтения.

Функция ядра в виде 'gaussian'.

Масштабный коэффициент ядра в виде числового скаляра. Масштабный коэффициент делит значения предиктора на ядро SVR.

Пример: 0.25

Типы данных: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Примеры

свернуть все

model = brisqueModel
model = 
  brisqueModel with properties:

             Alpha: [593x1 double]
              Bias: 43.4582
    SupportVectors: [593x36 double]
            Kernel: 'gaussian'
             Scale: 0.3210

Создайте brisqueModel объект с помощью предварительно вычислил Alpha, Bias, SupportVectors, и Scale свойства. Случайные инициализации показывают в иллюстративных целях только.

model = brisqueModel(rand(10,1),47,rand(10,36),0.25)
model = 
  brisqueModel with properties:

             Alpha: [10x1 double]
              Bias: 47
    SupportVectors: [10x36 double]
            Kernel: 'gaussian'
             Scale: 0.2500

Можно использовать пользовательскую модель, чтобы вычислить счет BRISQUE к изображению.

I = imread('lighthouse.png');
score = brisque(I,model)
score = 47

Алгоритмы

Регрессор вектора поддержки (SVR) вычисляет музыку регрессии к матрице предиктора X как:

F = GX, SupportVectors) × Alpha + Bias

GX, SupportVectors) n-by-m матрица продуктов ядра для строк n в X и строки m в SupportVectors. SVR имеет 36 предикторов, которые определяют количество столбцов в SupportVectors.

SVR вычисляет продукт ядра между векторами x и z использование KernelXшкалаZшкала).

Ссылки

[1] Миттал, A., А. К. Мурти и А. К. Бовик. "Оценка Качества изображения без ссылок в Пространственной Области". Транзакции IEEE на Обработке изображений. Издание 21, Номер 12, декабрь 2012, стр 4695–4708.

[2] Миттал, A., А. К. Мурти и А. К. Бовик. "Изображение Referenceless пространственный качественный Engine оценки". Представление на 45-й конференции Asilomar по сигналам, системам и компьютерам, Пасифик-Гроуву, CA, ноябрь 2011.

Введенный в R2017b

Для просмотра документации необходимо авторизоваться на сайте