Качество изображения может ухудшаться из-за искажений во время получения и обработки изображения. Примеры искажения включают помехи, размытие, вызывные сигналы и артефакты сжатия.
Предпринимаются усилия по созданию объективных показателей качества. Для многих применений ценная метрика качества хорошо коррелирует с субъективным восприятием качества наблюдателем-человеком. Показатели качества могут также отслеживать непреднамеренные ошибки по мере их распространения через конвейер обработки изображений и могут использоваться для сравнения алгоритмов обработки изображений.
Если изображение доступно без искажения, его можно использовать в качестве ссылки для измерения качества других изображений. Например, при оценке качества сжатых изображений несжатая версия изображения предоставляет полезную ссылку. В этих случаях для непосредственного сравнения целевого изображения и ссылочного изображения можно использовать полные эталонные показатели качества.
Если опорное изображение без искажения недоступно. вместо него можно использовать метрику качества изображения без ссылки. Эти показатели вычисляют показатели качества на основе ожидаемой статистики изображения.
Полнореферентные алгоритмы сравнивают входное изображение с первозданным эталонным изображением без искажений.
| Метрика | Описание |
|---|---|
immse | Среднеквадратичная ошибка (MSE). MSE измеряет среднюю квадратичную разницу между фактическими и идеальными значениями пикселей. Эта метрика проста в вычислении, но может плохо соответствовать человеческому восприятию качества. |
psnr | Пиковое отношение сигнал/шум (pSNR). pSNR выводится из среднеквадратической ошибки и указывает отношение максимальной интенсивности пикселя к мощности искажения. Как и MSE, метрика pSNR проста в вычислении, но может плохо соответствовать воспринимаемому качеству. |
ssim
| Индекс структурного подобия (SSIM). Метрика SSIM объединяет локальную структуру изображения, яркость и контраст в единую локальную оценку качества. В этой метрике структуры представляют собой шаблоны интенсивностей пикселей, особенно среди соседних пикселей, после нормализации для яркости и контраста. Поскольку зрительная система человека хорошо воспринимает структуру, показатель качества SSIM более тесно согласуется с субъективным показателем качества. |
| Индекс многомасштабного структурного подобия (MS-SSIM). Метрика MS-SSIM расширяется по индексу SSIM, комбинируя информацию яркости на самом высоком уровне разрешения со структурой и контрастной информацией при нескольких пониженных разрешениях или масштабах. Множественные масштабы учитывают изменчивость восприятия деталей изображения, вызванную такими факторами, как расстояние от изображения, расстояние от сцены до датчика и разрешение датчика получения изображения. |
Поскольку структурное сходство вычисляется локально, ssim, multissim, и multissim3 может генерировать карту качества по изображению.
Безреферентные алгоритмы используют статистические особенности входного изображения для оценки качества изображения.
| Метрика | Описание |
|---|---|
brisque | Анализатор пространственного качества слепого/безрецензионного изображения (BRISQUE). Модель BRISQUE обучается на базе изображений с известными искажениями, и BRISQUE ограничивается оценкой качества изображений с тем же типом искажений. BRISQUE осведомлен о мнениях, что означает, что субъективные оценки качества сопровождают обучающие изображения. |
niqe | Анализатор качества естественного изображения (NIQE). Хотя модель NIQE обучается на базе нетронутых изображений, NIQE может измерять качество изображений с произвольным искажением. NIQE не знает мнения и не использует субъективные оценки качества. Компромисс заключается в том, что оценка NIQE изображения может не коррелировать так же, как оценка BRISQUE с человеческим восприятием качества. |
piqe | Оценщик качества изображения на основе восприятия (PIQE). Алгоритм PIQE не знает мнения и не контролируется, что означает, что он не требует обученной модели. PIQE может измерять качество изображений с произвольным искажением и в большинстве случаев выполняет аналогичные NIQE. PIQE оценивает блочное искажение и измеряет локальную дисперсию заметно искаженных блоков для вычисления показателя качества. |
Алгоритмы BRISQUE и NIQE вычисляют оценку качества изображения с вычислительной эффективностью после обучения модели. PIQE менее эффективен в вычислительном отношении, но обеспечивает локальные показатели качества в дополнение к глобальному показателю качества. Все безреферентные метрики качества обычно превосходят полнореферентные метрики с точки зрения согласия с субъективной оценкой качества человека.