Средство анализа качества изображения естественности (NIQE) счет качества изображения без ссылок
Вычислите счет NIQE к естественному изображению и его искаженным версиям с помощью модели по умолчанию.
Считайте изображение в рабочую область. Создайте копии изображения с шумом и размывающимися искажениями.
I = imread('lighthouse.png'); Inoise = imnoise(I,'salt & pepper',0.02); Iblur = imgaussfilt(I,2);
Отобразите изображения.
figure
montage({I,Inoise,Iblur},'Size',[1 3])
title('Original Image | Noisy Image | Blurry Image')
Вычислите счет NIQE к каждому изображению с помощью модели по умолчанию. Отобразите счет.
niqeI = niqe(I);
fprintf('NIQE score for original image is %0.4f.\n',niqeI)NIQE score for original image is 2.5455.
niqeInoise = niqe(Inoise);
fprintf('NIQE score for noisy image is %0.4f.\n',niqeInoise)NIQE score for noisy image is 10.8770.
niqeIblur = niqe(Iblur);
fprintf('NIQE score for blurry image is %0.4f.\n',niqeIblur)NIQE score for blurry image is 5.2661.
Исходное неискаженное изображение имеет лучшее перцепционное качество и поэтому самый низкий счет NIQE.
Загрузите набор естественных изображений в datastore изображений. Эти изображения поставляются в Image Processing Toolbox™ в директории, названной 'imdata'.
setDir = fullfile(toolboxdir('images'),'imdata'); imds = imageDatastore(setDir,'FileExtensions',{'.jpg'});
Обучите пользовательскую модель NIQE с помощью datastore изображений.
model = fitniqe(imds);
Extracting features from 37 images. .... Completed 12 of 37 images. Time: Calculating... ...... Completed 37 of 37 images. Time: 00:21 of 00:21 Done.
Считайте изображение естественной сцены. Отобразите изображение.
I = imread('car1.jpg');
imshow(I)
Вычислите счет NIQE к изображению с помощью пользовательской модели. Отобразите счет.
niqeI = niqe(I,model);
fprintf('NIQE score for the image is %0.4f.\n',niqeI)NIQE score for the image is 1.8601.
NIQE измеряет расстояние между основанными на NSS функциями, вычисленными от изображения A к функциям, полученным из изображения, база данных раньше обучала модель. Функции моделируются как многомерные Распределения Гаусса.
[1]