Main Content

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

brisqueModel

Modelo del evaluador de calidad espacial de imagen ciega/sin referencias (BRISQUE)

Descripción

Un objeto encapsula un modelo utilizado para calcular la puntuación de calidad perceptiva del evaluador de calidad espacial de imagen ciega/sin referencia (BRISQUE) de una imagen.brisqueModel El objeto contiene un modelo de regresor de vector de soporte (SVR).

Creación

Puede crear un objeto utilizando los métodos siguientes:brisqueModel

  • — Entrenar un modelo BRISQUE que contenga un modelo de regresor vectorial de soporte entrenado a medida (SVR).fitbrisque Utilice esta función si no tiene un modelo entrenado previamente.

  • La función descrita aquí.brisqueModel Utilice esta función si tiene un modelo SVR entrenado previamente o si el modelo predeterminado es suficiente para la aplicación.

Descripción

ejemplo

m = brisqueModel crea un objeto de modelo BRISQUE con valores de propiedad predeterminados que se derivan de la base de datos de imágenes LIVE IQA.[1][2]

ejemplo

m = brisqueModel(alpha,bias,supportVectors,scale) crea un modelo BRISQUE personalizado y establece el Alpha, Bias, SupportVectorsY Scale Propiedades. Debe proporcionar los cuatro argumentos para crear un modelo personalizado.

Nota

Es difícil predecir buenos valores de propiedad sin ejecutar una rutina de optimización. Utilice esta sintaxis solo si está creando un objeto mediante un modelo SVR entrenado previamente con valores de propiedad conocidos.brisqueModel

Propiedades

expandir todo

Coeficientes obtenidos resolviendo el problema dual, especificado según un vector numérico -by-1.m La longitud de debe coincidir con el número de vectores de soporte (el número de filas deAlpha SupportVectors).

Ejemplo: rand(10,1)

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Término de sesgo en el modelo SVM, especificado como escalar numérico.

Ejemplo: 47.4

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Admite vectores, especificados como un vector numérico -by-36.m El número de filas, , coincide con la longitud dem Alpha.

Ejemplo: rand(10,36)

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Esta propiedad es de solo lectura.

Función Kernel, especificada como .'gaussian'

Factor de escala del núcleo, especificado como escalar numérico. El factor de escala divide los valores del predictor en el kernel SVR.

Ejemplo: 0.25

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Ejemplos

contraer todo

model = brisqueModel
model =    brisqueModel with properties:               Alpha: [593x1 double]               Bias: 43.4582     SupportVectors: [593x36 double]             Kernel: 'gaussian'              Scale: 0.3210  

Cree un objeto utilizando propiedades precalculadas , , y .brisqueModelAlphaBiasSupportVectorsScale Las inicializaciones aleatorias solo se muestran con fines ilustrativos.

model = brisqueModel(rand(10,1),47,rand(10,36),0.25)
model =    brisqueModel with properties:               Alpha: [10x1 double]               Bias: 47     SupportVectors: [10x36 double]             Kernel: 'gaussian'              Scale: 0.2500  

Puede utilizar el modelo personalizado para calcular la puntuación BRISQUE de una imagen.

I = imread('lighthouse.png'); score = brisque(I,model)
score = 47 

Algoritmos

El regresor vectorial de soporte (SVR) calcula las puntuaciones de regresión para la matriz predictora como:X

F = G(X,SupportVectors) × Alpha + Bias

, ) es una matriz -by- de productos de kernel para filas y filas en .GXSupportVectorsnmnXmSupportVectors El SVR tiene 36 predictores, que determinan el número de columnas en .SupportVectors

El SVR calcula un producto kernel entre vectores y el usoxz Kernel(x/Scale,z/Scale).

Referencias

[1] Mittal, A., A. K. Moorthy, and A. C. Bovik. "No-Reference Image Quality Assessment in the Spatial Domain." IEEE Transactions on Image Processing. Vol. 21, Number 12, December 2012, pp. 4695–4708.

[2] Mittal, A., A. K. Moorthy, and A. C. Bovik. "Referenceless Image Spatial Quality Evaluation Engine." Presentation at the 45th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, November 2011.

Introducido en R2017b