Алгоритмы оценки качества естественного изображения (NIQE) и оценки пространственного качества слепого/бесцельного изображения (BRISQUE) используют обученную модель для вычисления показателя качества.
Оба алгоритма обучают модель, используя идентичные предсказуемые статистические особенности, называемые статистикой естественных сцен (NSS). NSS основаны на нормированных коэффициентах яркости в пространственной области и моделируются как многомерное гауссово распределение. Искажения появляются как возмущения для гауссова распределения.
Алгоритмы отличаются тем, как они используют функции NSS для обучения модели и вычисления показателя качества.
NIQE измеряет качество изображений с произвольным искажением. Модель NIQE не обучена с использованием субъективных показателей качества, но компромисс заключается в том, что показатель NIQE не коррелирует так надежно, как показатель BRISQUE, с человеческим восприятием качества.
Примечание
Если модель NIQE по умолчанию обеспечивает достаточный уровень качества для приложения, не требуется обучать новую модель. Можно пропустить прогнозирование качества изображения с помощью модели NIQE.
Чтобы обучить модель NIQE, передайте хранилище данных нетронутого изображения в fitniqe функция. Функция делит каждое изображение на блоки и вычисляет NSS для каждого блока. Тренировочный процесс включает в себя только блоки со статистически значимыми особенностями.
Возвращенная модель, niqeModel, сохраняет многомерное гауссово среднее и стандартное отклонение, полученные из функций NSS.
Используйте niqe функция для вычисления показателя качества изображения с произвольным искажением. niqe функция извлекает элементы NSS из статистически значимых блоков в искаженном изображении. Функция соответствует многомерному гауссову распределению функций NSS изображения. Оценка качества - это расстояние между гауссовыми распределениями.
На схеме показан полный рабочий процесс NIQE.
BRISQUE ограничивается измерением качества изображений с тем же типом искажения, что и модель. Модель BRISQUE обучается с использованием субъективных оценок мнения, с тем преимуществом, что оценка BRISQUE хорошо коррелирует с человеческим восприятием качества.
Примечание
Если модель BRISQUE по умолчанию обеспечивает достаточный уровень качества для приложения, не требуется обучать новую модель. Можно пропустить окно «Прогнозирование качества изображения с помощью модели BRISQUE».
Чтобы обучить модель BRISQUE, перейдите к fitbrisque функция:
Хранилище данных, содержащее изображения с известными искажениями и неточные копии этих изображений
Субъективная оценка мнения для каждого искаженного изображения в базе данных
Функция вычисляет функции NSS для каждого изображения без разделения изображения на блоки. Функция использует функции NSS и соответствующие оценки мнений для обучения модели опорной векторной машинной регрессии. Возвращенная модель, brisqueModel, сохраняет параметры регрессора вектора поддержки.
Используйте brisque функция для вычисления показателя качества изображения с тем же типом искажений, что и модель. brisque функция извлекает элементы NSS из искаженного изображения и прогнозирует оценку качества с использованием регрессии вектора поддержки.
На схеме показан полный рабочий процесс BRISQUE.
brisque | brisqueModel | fitbrisque | fitniqe | niqe | niqeModel