Метрики качества изображения

Качество изображения может ухудшиться из-за искажений во время получения изображений и обработки. Примеры искажения включают шум, размывание, вызов и артефакты сжатия.

Усилия были приложены, чтобы создать объективные меры качества. Для многих приложений ценная метрика качества коррелирует хорошо с субъективным восприятием качества наблюдателем - человеком. Метрики качества могут также отследить неосознанные ошибки, когда они распространяют через конвейер обработки изображений и могут использоваться, чтобы сравнить алгоритмы обработки изображений.

Если изображение без искажения доступно, можно использовать его в качестве ссылки, чтобы измерить качество других изображений. Например, при оценке качества сжатых изображений, несжатая версия изображения обеспечивает полезную ссылку. В этих случаях можно использовать метрики качества полной ссылки, чтобы непосредственно сравнить целевое изображение и ссылочное изображение.

Если ссылочное изображение без искажения не доступно. можно использовать метрику качества изображения без ссылок вместо этого. Эти метрики вычисляют качественные баллы на основе ожидаемой статистики изображений.

Полно-ссылочные метрики качества

Полно-ссылочные алгоритмы сравнивают входное изображение с нетронутым ссылочным изображением без искажения.

МетрикаОписание
immseСреднеквадратическая ошибка (MSE). MSE измеряет среднее различие в квадрате между фактическими и идеальными пиксельными значениями. Эта метрика проста вычислить, но не может выровняться хорошо с человеческим восприятием качества.
psnr Пиковое отношение сигнал-шум (pSNR). pSNR выведен из среднеквадратичной погрешности и указывает на отношение максимальной интенсивности пикселей к степени искажения. Как MSE, pSNR метрика проста вычислить, но не может выровняться хорошо с воспринятым качеством.
ssim

Структурное подобие (SSIM) индекс. Метрика SSIM комбинирует локальную структуру изображений, яркость и контраст в один локальный качественный счет. В этой метрике structures является шаблонами интенсивностей пикселей, особенно среди соседних пикселей, после нормализации для яркости и контраста. Поскольку зрительная система человека способна чувствовать структуру, метрика качества SSIM соглашается более тесно с субъективным качественным счетом.

multissim

multissim3

Многошкальное структурное подобие (MS-SSIM) индекс. Метрика MS-SSIM подробно останавливается на индексе SSIM путем объединения информации о яркости на уровне с самым высоким разрешением со структурой и контрастной информации в нескольких прореженных разрешениях или шкал. Несколько шкал составляют изменчивость в восприятии деталей изображений, вызванных факторами, такими как просмотр расстояния от изображения, расстояния со сцены на датчик и разрешения датчика получения изображений.

Поскольку структурное подобие вычисляется локально, ssim, multissim, и multissim3 может сгенерировать карту качества по изображению.

Метрики качества без ссылок

Алгоритмы без ссылок используют статистические функции входного изображения, чтобы оценить качество изображения.

МетрикаОписание
brisqueИзображение Blind/Referenceless Пространственное Качественное Средство анализа (BRISQUE). Модель BRISQUE обучена на базе данных изображений с известными искажениями, и BRISQUE ограничивается оценкой качества изображений с тем же типом искажения. BRISQUE осведомлен о мнении, что означает, что субъективные качественные баллы сопровождают учебные изображения.
niqeЕстественное средство анализа качества изображения (NIQE). Несмотря на то, что модель NIQE обучена на базе данных нетронутых изображений, NIQE может измерить качество изображений с произвольным искажением. NIQE не зная мнения, и не использует субъективные качественные баллы. Компромисс - то, что счет NIQE изображения не может коррелировать, а также счет BRISQUE с человеческим восприятием качества.
piqeОснованное на восприятии Средство анализа Качества изображения (PIQE). Алгоритм PIQE является не зная мнения и безнадзорным, что означает, что он не требует обученной модели. PIQE может измерить качество изображений с произвольным искажением и в большинстве случаев выполняет похожий на NIQE. PIQE оценивает мудрое блоком искажение и измеряет локальное отклонение ощутимо искаженных блоков, чтобы вычислить качественный счет.

BRISQUE и алгоритмы NIQE вычисляют качественный счет изображения с вычислительным КПД после того, как модель будет обучена. PIQE менее в вычислительном отношении эффективен, но он обеспечивает локальные меры качества в дополнение к глобальному качественному счету. Все метрики качества без ссылок обычно превосходят метрики полной ссылки по характеристикам в терминах соглашения с субъективным человеческим качественным счетом.

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте