brisque
盲/无参考图像空间质量评估方法 (BRISQUE) 无参考图像质量分数
说明
示例
使用默认模型计算自然图像及其畸变版本的 BRISQUE 分数。
将图像读入工作区。创建含噪和模糊畸变的图像副本。
I = imread("lighthouse.png"); Inoise = imnoise(I,"salt & pepper",0.02); Iblur = imgaussfilt(I,2);
显示图像。
montage({I,Inoise,Iblur},Size=[1 3],ThumbnailSize=[])
title("Original Image | Noisy Image | Blurry Image")
使用默认模型计算每个图像的 BRISQUE 分数，并显示分数。
brisqueI = brisque(I);
disp("BRISQUE score for the original image is: "+brisqueI)BRISQUE score for the original image is: 20.6586
brisqueInoise = brisque(Inoise);
disp("BRISQUE score for the noisy image is: "+brisqueInoise)BRISQUE score for the noisy image is: 52.6074
brisqueIblur = brisque(Iblur);
disp("BRISQUE score for the blurry image is: "+brisqueIblur)BRISQUE score for the blurry image is: 47.7553
原始未畸变图像的感知质量最好，因此 BRISQUE 分数最低。
基于一组质量感知特征和对应的人类意见分数训练自定义 BRISQUE 模型。使用自定义模型计算自然场景图像的 BRISQUE 分数。
保存来自一个图像数据存储的图像。这些图像都有 JPEG 压缩产生的压缩伪影。
setDir = fullfile(toolboxdir('images'),'imdata'); imds = imageDatastore(setDir,'FileExtensions',{'.jpg'});
指定每个图像的意见分数。以下差异均值意见分数 (DMOS) 值仅用于说明目的。它们不是通过试验获得的真实 DMOS 值。
opinionScores = 100*rand(1,size(imds.Files,1));
使用图像数据存储和意见分数创建质量感知特征的自定义模型。由于分数是随机分数，属性值会变化。
model = fitbrisque(imds,opinionScores')
Extracting features from 33 images. ......Training support vector regressor... Done.
model =
brisqueModel with properties:
Alpha: [31×1 double]
Bias: 58.0900
SupportVectors: [31×36 double]
Kernel: 'gaussian'
Scale: 0.3729
读取一个与训练图像具有相同类型畸变的自然场景图像。显示图像。
I = imread('car1.jpg');
imshow(I)
使用自定义模型计算图像的 BRISQUE 分数。显示分数。
brisqueI = brisque(I,model);
fprintf('BRISQUE score for the image is %0.4f.\n',brisqueI)BRISQUE score for the image is 79.8961.
输入参数
输出参量
算法
brisque 通过使用基于具有对应差异均值意见分数 (DMOS) 值的图像数据库训练的支持向量回归 (SVR) 模型来预测 BRISQUE 分数。该数据库包含具有已知畸变（如压缩伪影、模糊和噪声）的图像，并且包含畸变图像的原始版本。待评分的图像必须具有模型训练所针对的至少一种畸变。
参考
[1]
[2]
版本历史记录
在 R2017b 中推出
