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 алгоритмы сравнивают входное изображение с нетронутым ссылочным изображением без искажения.
Метрика | Описание |
---|---|
immse | Среднеквадратическая 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. |
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.
Алгоритмы без ссылок используют статистические функции входного изображения, чтобы оценить качество изображения.
Метрика | Описание |
---|---|
brisque | Изображение 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. |
niqe | Естественное 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. |
piqe | Основанное 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.