특정 이미지에 두 가지 다른 이미지 향상 알고리즘을 적용하여 두 개의 결과 이미지를 얻었습니다. 이제 두 이미지의 품질을 비교하여 두 알고리즘의 효율성을 확인하고 그 두 이미지의 특징 벡터 비교.이 경우 적합한 특징 벡터를 비교해야합니까?두 이미지의 품질을 비교하는 방법은 무엇입니까?
Iam은 이미지의 텍스처 피처를 비교하고 어떤 피쳐 벡터가 더 적합한 지 묻는 문맥에서 묻습니다.
이미지의 평가를 기반으로 한 알고리즘의 효과를 검증하기위한 수학적 지원이 필요합니다. 예를 들어, 대비 및 분산을 사용합니다. 더 많은 방법이 있습니까?
Slayton이 맞습니다. 측정 도구와 측정 방법이 필요합니다. 이는 자체적 인 학술 프로젝트가 될 수 있습니다. 그러나 나는 그것을 손에 특정 작업에 의미가 아닌 경우 반드시 하나 개의 접근 직선 생각할 수 :
미터 : 모든 픽셀에서 복근 (colour difference)의 합계. 낮을수록 이미지가 더 유사합니다.
방법 : 각 픽셀에 대해 원본 이미지와 처리 된 이미지 사이의 LAB 공간에서 절대 색상 차이 (또는 정확한 거리)를 가져와 합산합니다. 당신의 하루를 망치지 말고 위키피디아의 전체 기사와 코딩을 이해하십시오. getDistanceLabFrom(Color color) 또는 getDistanceRgbFrom(Color color)을 this PHP implementation에서 다시 사용해보십시오.
jpg 그림에서 픽셀의 색상과 일치하는 방법이 필요한 경우, 그것은 기본적으로 같은 원리입니다.
뒤에 이론은 (지금까지 내 제한된 이해가 간다) : 그것은 세 가지 차원 공간으로 RGB의 수학적 추상화 또는 (더 나은) 실험실 색 공간을하고, 다음의 거리를 계산하는 것, 그 이유는 그것 뿐이다 잘 작동하고 한 차원의 관점에서 컬러 코드를 볼 때 거의 저에게 도움이되지 않았습니다.
더 나은 방법은 이미지 스펙트럼을 비교하여 일부 Noise/Signal 비율을 수행하는 것입니다.
일반적인 방법은 참조 이미지 (좋은 이미지)로 시작한 다음 제어 이미지에 약간의 노이즈를 추가하는 것입니다.
그런 다음 추가 된 노이즈에서 가능한 한 알고리즘을 제거해야합니다. 결과는 신호 대 잡음 비율 (wikipedia 참조)과 비교하기 쉽습니다.
이제 간단한 노이즈 모델에 적용하기가 쉽지만보다 복잡한 모양 문제를 개선하려는 경우 잡음을 적용하는 방법을 고안해야합니다. 쉽지 않습니다.
또 다른 꽤 일반적인 방법은 slayton에서 권장하는 방법입니다. 동료의 의견을 받아 알고리즘의 출력을 평가 한 다음 노출 수를 평균화하십시오.
매우 광범위한 질문입니다. 대답하는 것은 거의 불가능합니다. –
그림을 사람들에게 보여주고 어느 것이 더 돋보인지 물어보십시오. – slayton
더 심각하게 문제는 이미지 품질 메트릭을 정의해야하며 이미지에서 이미지를 계산하는 방법을 찾아야한다는 것입니다. 둘 다 사소한 일이 아닙니다. – slayton