Качество изображения может ухудшиться из-за искажений во время получения и обработки изображения. Примеры искажений включают шум, размытие, звон и программные продукты сжатия.
Предпринимаются усилия по созданию объективных показателей качества. Для многих приложений ценная метрика качества хорошо коррелирует с субъективным восприятием качества человеческим наблюдателем. Метрики качества могут также отслеживать непредвиденные ошибки, когда они распространяются через конвейер обработки изображений, и могут использоваться, чтобы сравнить алгоритмы обработки изображений.
Если изображение без искажений доступно, можно использовать его как ссылку для измерения качества других изображений. Для примера при оценке качества сжатых изображений несжатая версия изображения предоставляет полезную ссылку. В этих случаях можно использовать метрики качества с полной ссылкой, чтобы непосредственно сравнить целевое изображение и эталонное изображение.
Если ссылка изображение без искажений недоступна. вместо этого можно использовать метрику качества изображений без ссылок. Эти метрики вычисляют счета качества на основе ожидаемой статистики изображений.
Алгоритмы с полной ссылкой сравнивают вход изображение с первозданным эталонным изображением без искажений.
| Метрика | Описание |
|---|---|
immse | Средняя квадратичная ошибка (MSE). MSE измеряет среднее квадратное различие между фактическими и идеальными значениями пикселя. Эта метрика проста в вычислении, но может плохо соответствовать человеческому восприятию качества. |
psnr | Отношение пикового сигнала к шуму (pSNR). pSNR получают из средней квадратной ошибки и указывает отношение максимальной интенсивности пикселя к степени искажения. Как и MSE, метрика pSNR проста в вычислении, но может плохо совпадать с воспринимаемым качеством. |
ssim
| Индекс структурного подобия (SSIM). Метрика SSIM объединяет локальную структуру изображения, яркость и контраст в один локальный счет качества. В этой метрике structures шаблоны интенсивности пикселей, особенно среди соседних пикселей, после нормализации для яркости и контрастности. Поскольку визуальная система человека хорошо воспринимает структуру, метрика качества SSIM более тесно согласуется с субъективным счетом качества. |
| Многомасштабный индекс структурного подобия (MS-SSIM). Метрика MS-SSIM расширяется по индексу SSIM путем объединения информации яркости на самом высоком уровне разрешения со структурой и контрастной информацией при нескольких пониженных разрешениях или шкалах. Множественные шкалы учитывают изменчивость в восприятии деталей изображения, вызванную такими факторами, как расстояние просмотра от изображения, расстояние от сцены до датчика и разрешение датчика захвата изображения. |
Поскольку структурное сходство 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 | Слепой/бесфазный оценщик пространственного качества изображений (BRISQUE). Модель BRISQUE обучается на базе данных изображений с известными искажениями, и BRISQUE ограничивается оценкой качества изображений с таким же типом искажений. BRISQUE осведомлен о мнении, что означает, что субъективные счета качества сопровождают обучающие изображения. |
niqe | Natural Image Quality Evaluator (NIQE). Несмотря на то, что модель NIQE обучается на базе данных первозданных изображений, NIQE может измерять качество изображений с произвольными искажениями. NIQE не знает мнения и не использует субъективные счета качества. Компромисс заключается в том, что счет NIQE изображения может не коррелировать, а также счет BRISQUE с человеческим восприятием качества. |
piqe | Оценщик качества изображений на основе восприятия (PIQE). Алгоритм PIQE не осведомлен и не проверен, что означает, что он не требует обученной модели. PIQE может измерять качество изображений с произвольными искажениями и в большинстве случаев выполняет аналогично NIQE. PIQE оценивает блочное искажение и измеряет локальное отклонение заметно искаженных блоков, чтобы вычислить счет качества. |
Алгоритмы BRISQUE и NIQE вычисляют счет качества изображения с вычислительной эффективностью после обучения модели. PIQE менее эффективен в вычислительном отношении, но обеспечивает локальные показатели качества в дополнение к глобальному счету качества. Все метрики качества без ссылок обычно превосходят метрики с полными ссылками с точки зрения согласия с субъективным счетом качества человека.
