Алгоритмы Natural Image Quality Evaluator (NIQE) и Blind/Referencless Image Spatial Quality Evaluator (BRISQUE) используют обученную модель для вычисления счета качества.
Оба алгоритма обучают модель, используя одинаковые предсказуемые статистические функции, называемые статистикой естественных сцен (NSS). NSS основаны на нормированных коэффициентах яркости в пространственной области и моделируются как многомерное Гауссово распределение. Искажения появляются как возмущения Гауссова распределения.
Алгоритмы различаются тем, как они используют функции NSS для обучения модели и вычисления счета качества.
NIQE измеряет качество изображений с произвольным искажением. Модель NIQE не обучается с использованием субъективных счетов качества, но компромисс заключается в том, что счет NIQE не коррелирует так же надежно, как счет BRISQUE с восприятием качества человеком.
Примечание
Если модель NIQE по умолчанию обеспечивает достаточный счет качества для вашего приложения, вам не нужно обучать новую модель. Вы можете пропустить, чтобы предсказать качество изображения с помощью модели NIQE.
Чтобы обучить модель NIQE, передайте datastore первозданного изображения в fitniqe
функция. Функция разделяет каждое изображение на блоки и вычисляет NSS для каждого блока. Процесс обучения включает только блоки со статистически значимыми функциями.
Возвращенная модель, niqeModel
, сохраняет многомерное среднее Гауссово и стандартное отклонение, выведенные из функций NSS.
Используйте niqe
функция для вычисления счета качества изображения с произвольными искажениями. The niqe
функция извлекает функции NSS из статистически значимых блоков в искаженном изображении. Функция соответствует многомерному Гауссову распределению для изображений NSS функций. Счет качества является расстоянием между распределениями Гауссова.
Схема показывает полный рабочий процесс NIQE.
BRISQUE ограничивается измерением качества изображений с таким же типом искажений, как и модель. Модель BRISQUE обучается с использованием субъективных счетов мнений с тем преимуществом, что счет BRISQUE хорошо коррелирует с восприятием качества человеком.
Примечание
Если модель BRISQUE по умолчанию обеспечивает достаточный счет качества для вашего приложения, вам не нужно обучать новую модель. Вы можете пропустить, чтобы предсказать качество изображения с помощью модели BRISQUE.
Чтобы обучить модель BRISQUE, перейдите к fitbrisque
функция:
Datastore, содержащий изображения с известными искажениями и первозданными копиями этих изображений
Субъективный счет мнения для каждого искаженного изображения в базе данных
Функция вычисляет функции NSS для каждого изображения, не разделяя изображение на блоки. Функция использует функции NSS и соответствующие счета мнений, чтобы обучить машине опорных векторов регрессионую модель. Возвращенная модель, brisqueModel
, сохраняет параметры регрессора вектора поддержки.
Используйте brisque
функция для вычисления счета качества изображения с тем же типом искажений, что и модель. The brisque
функция извлекает функции NSS из искаженного изображения и предсказывает счет качества с помощью регрессии вектора поддержки.
Схема показывает полный рабочий процесс BRISQUE.
brisque
| brisqueModel
| fitbrisque
| fitniqe
| niqe
| niqeModel