Main Content

Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Métricas de calidad de imagen

La calidad de imagen puede degradarse debido a distorsiones durante la adquisición y el procesamiento de la imagen. Algunos ejemplos de distorsión son el ruido, el desenfoque, el timbre y los artefactos de compresión.

Se han hecho esfuerzos para crear medidas objetivas de calidad. Para muchas aplicaciones, una valiosa métrica de calidad se correlaciona bien con la percepción subjetiva de la calidad por parte de un observador humano. Las métricas de calidad también pueden realizar un seguimiento de los errores no percibidos a medida que se propagan a través de una canalización de procesamiento de imágenes y se pueden usar para comparar algoritmos de procesamiento de imágenes.

Si una imagen sin distorsión está disponible, puede utilizarla como referencia para medir la calidad de otras imágenes. Por ejemplo, al evaluar la calidad de las imágenes comprimidas, una versión sin comprimir de la imagen proporciona una referencia útil. En estos casos, puede utilizar métricas de calidad de referencia completa para comparar directamente la imagen de destino y la imagen de referencia.

Si una imagen de referencia sin distorsión no está disponible. puede utilizar una métrica de calidad de imagen sin referencia en su lugar. Estas métricas calculan las puntuaciones de calidad en función de las estadísticas de imagen esperadas.

Métricas de calidad de referencia completa

Los algoritmos de referencia completa comparan la imagen de entrada con una imagen de referencia prístina sin distorsión. Estos algoritmos incluyen:

  • — Error medio cuadrado (MSE).immse MSE mide la diferencia cuadrada promedio entre los valores de píxel reales e ideales. Esta métrica es fácil de calcular, pero podría no alinearse bien con la percepción humana de la calidad.

  • — Relación señal-ruido pico (pSNR). pSNR se deriva del error cuadrado medio, e indica la relación de la intensidad máxima de píxeles a la potencia de la distorsión.psnr Al igual que el MSE, la métrica pSNR es fácil de calcular pero no pudo alinearse bien con la calidad percibida.

  • — Índice de similitud estructural (SSIM).ssim La métrica SSIM combina la estructura de imagen local, la luminancia y el contraste en una única puntuación de calidad local. En esta métrica, son patrones de intensidades de píxeles, especialmente entre píxeles vecinos, después de normalizar la luminancia y el contraste.Estructuras Debido a que el sistema visual humano es bueno para percibir la estructura, la métrica de calidad SSIM está más de acuerdo con la puntuación de calidad subjetiva.

    Dado que la similitud estructural se calcula localmente, puede generar un mapa de calidad sobre la imagen.ssim

Métricas de calidad sin referencia

Los algoritmos sin referencia utilizan características estadísticas de la imagen de entrada para evaluar la calidad de la imagen. Estos algoritmos sin referencia incluyen:

  • — Evaluador de Calidad Espacial de Imagen Ciego/Sin Referencia (BRISQUE).brisque Un modelo BRISQUE está formado en una base de datos de imágenes con distorsiones conocidas, y BRISQUE se limita a evaluar la calidad de las imágenes con el mismo tipo de distorsión. BRISQUE es , lo que significa que las puntuaciones de calidad subjetivas acompañan las imágenes de entrenamiento.opinion-aware

  • — Evaluador de Calidad de Imagen Natural (NIQE).niqe Aunque un modelo NIQE está entrenado en una base de datos de imágenes prístinas, NIQE puede medir la calidad de las imágenes con distorsión arbitraria. NIQE es , y no utiliza puntuaciones de calidad subjetivas.opinion-unaware La contrapartida es que la puntuación NIQE de una imagen podría no correlacionarse, así como la puntuación BRISQUE con la percepción humana de la calidad.

  • — Evaluador de calidad de imagen basado en la percepción (PIQE).piqe El algoritmo PIQE no reconoce la opinión y , lo que significa que no requiere un modelo entrenado.Unsupervised PIQE puede medir la calidad de las imágenes con distorsión arbitraria y en la mayoría de los casos realiza un rendimiento similar al NIQE. PIQE estima la distorsión en bloque y mide la varianza local de bloques distorsionados perceptiblemente para calcular la puntuación de calidad.

Los algoritmos BRISQUE y NIQE calculan la puntuación de calidad de una imagen con eficiencia computacional después de entrenar el modelo. PIQE es menos eficiente desde el punto de vista computacional, pero proporciona medidas locales de calidad además de una puntuación de calidad global. Todas las métricas de calidad sin referencia suelen superar a las métricas de referencia completa en términos de acuerdo con una puntuación de calidad humana subjetiva.

Temas relacionados