Main Content

Métricas de calidad de imagen

La calidad de la imagen puede degradarse debido a las distorsiones durante la adquisición y el procesamiento de la imagen. Los ejemplos de distorsión incluyen ruido, desenfoque y artefactos de anillo y de compresión.

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

Si se dispone de una imagen sin distorsión, se puede usar 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, se pueden usar métricas de calidad con referencia completa para comparar directamente la imagen de destino y la imagen de referencia.

Si no se dispone de una imagen de referencia sin distorsión, en su lugar se puede usar una métrica de calidad de imagen sin referencia. Estas métricas calculan puntuaciones de calidad en función de las estadísticas de imagen esperadas.

Métricas de calidad con referencia completa

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

MétricaDescripción
immseError cuadrático medio (ECM). El ECM mide la diferencia cuadrática promedio entre los valores de píxeles reales e ideales. Esta métrica es fácil de calcular, pero es posible que no se corresponda con la percepción humana de la calidad.
psnr Relación señal-ruido máxima (PSNR). La PSNR se deriva del error cuadrático medio e indica la relación entre la intensidad máxima de píxeles y la potencia de la distorsión. Al igual que el ECM, la métrica PSNR es fácil de calcular, pero es posible que no se corresponda con la calidad percibida.
ssim

Índice de similitud estructural (SSIM). La métrica SSIM combina la estructura de la imagen local, la luminancia y el contraste en una única puntuación de calidad local. En esta métrica, las estructuras son patrones de intensidades de píxeles, especialmente entre píxeles vecinos, después de normalizar la luminancia y el contraste. Como el sistema visual humano es bueno a la hora de percibir la estructura, la métrica de calidad SSIM concuerda más con la puntuación de calidad subjetiva.

multissim

multissim3

Índice de similitud estructural multiescala (MS-SSIM). La métrica MS-SSIM amplía el índice SSIM combinando información de luminancia en el nivel de resolución más alto con información de estructura y contraste en varias resoluciones con submuestreo, o escalas. Las múltiples escalas justifican la variabilidad en la percepción de los detalles de la imagen causada por factores como la distancia de visualización desde la imagen, la distancia desde la escena hasta el sensor y la resolución del sensor de adquisición de imágenes.

Como la similitud estructural se calcula localmente, ssim, multissim y multissim3 pueden generar un mapa de calidad sobre la imagen.

Métricas de calidad sin referencia

Los algoritmos sin referencia usan características estadísticas de la imagen de entrada para evaluar la calidad de la imagen.

MétricaDescripción
brisqueEvaluador de la calidad espacial de la imagen sin referencia/a ciegas (BRISQUE). Un modelo BRISQUE se entrena 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 tiene en cuenta la opinión, lo que significa que hay puntuaciones de calidad subjetivas que acompañan a las imágenes de entrenamiento.
niqeEvaluador de la calidad de imágenes naturales (NIQE). Aunque un modelo NIQE se entrena en una base de datos de imágenes nítidas, NIQE puede medir la calidad de las imágenes con distorsión arbitraria. NIQE no tiene en cuenta la opinión y no usa puntuaciones de calidad subjetivas. La contrapartida es que la puntuación NIQE de una imagen podría no correlacionarse tan bien como la puntuación BRISQUE con la percepción humana de la calidad.
piqeEvaluador de calidad de imagen basado en la percepción (PIQE). El algoritmo PIQE no tiene en cuenta la opinión y no está supervisado, lo que significa que no requiere un modelo entrenado. PIQE puede medir la calidad de las imágenes con distorsión arbitraria y, en la mayoría de los casos, con unos resultados similares a los de NIQE. PIQE estima la distorsión por bloques y mide la varianza local de los bloques perceptiblemente distorsionados 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 generalmente superan a las métricas con referencia completa en términos de concordancia con una puntuación de calidad humana subjetiva.

Temas relacionados