Естественное средство анализа качества изображения (NIQE) и Изображение Blind/Referenceless Пространственное Качественное Средство анализа (BRISQUE) алгоритмы используют обученную модель, чтобы вычислить качественный счет.
Оба алгоритма обучают модель, использующую идентичные предсказуемые статистические функции, названные естественной статистикой сцены (NSS). NSS основаны на нормированных коэффициентах яркости в пространственной области и моделируются как многомерное Распределение Гаусса. Искажения появляются как возмущения к Распределению Гаусса.
Алгоритмы отличаются по тому, как они используют функции NSS, чтобы обучить модель и вычислить качественный счет.
NIQE измеряет качество изображений с произвольным искажением. Модель NIQE не обучена с помощью субъективных качественных баллов, но компромисс - то, что счет NIQE не коррелирует так же надежно как счет BRISQUE с человеческим восприятием качества.
Примечание
Если модель NIQE по умолчанию обеспечивает достаточный качественный счет к вашему приложению, вы не должны обучать новую модель. Можно пропустить, чтобы Предсказать Качество изображения Используя Модель NIQE.
Чтобы обучить модель NIQE, передайте datastore нетронутого изображения к fitniqe функция. Функция делит каждое изображение на блоки и вычисляет NSS для каждого блока. Учебный процесс включает только блоки со статистически значительными функциями.
Возвращенная модель, niqeModel, хранит многомерное Гауссово среднее и стандартное отклонение, выведенное из функций NSS.
Используйте niqe функция, чтобы вычислить качество изображения выигрывает за изображение с произвольным искажением. niqe функционируйте извлекает функции NSS из статистически значительных блоков в искаженном изображении. Функция соответствует многомерному Распределению Гаусса к изображению функции NSS. Качественный счет является расстоянием между Распределениями Гаусса.
Схема показывает полный рабочий процесс NIQE.
BRISQUE ограничивается измерением качества изображений с тем же типом искажения как модель. Модель BRISQUE обучена с помощью баллов субъективного мнения с преимуществом, что BRISQUE выигрывают корреляты хорошо с человеческим восприятием качества.
Примечание
Если модель BRISQUE по умолчанию обеспечивает достаточный качественный счет к вашему приложению, вы не должны обучать новую модель. Можно пропустить, чтобы Предсказать Качество изображения Используя Модель BRISQUE.
Чтобы обучить модель BRISQUE, передайте fitbrisque функция:
Datastore, содержащий изображения с известными искажениями и нетронутыми копиями тех изображений
Счет субъективного мнения к каждому искаженному изображению в базе данных
Функция вычисляет функции NSS каждого изображения, не деля изображение на блоки. Функция использует функции NSS и соответствующие баллы мнения, чтобы обучить модель регрессии машины опорных векторов. Возвращенная модель, brisqueModel, хранит параметры регрессора вектора поддержки.
Используйте brisque функция, чтобы вычислить качество изображения выигрывает за изображение с тем же типом искажений как модель. brisque функционируйте извлекает функции NSS из искаженного изображения и предсказывает качественный счет с помощью регрессии вектора поддержки.
Схема показывает полный рабочий процесс BRISQUE.
fitbrisque | brisqueModel | niqe | niqeModel | fitniqe | brisque
