图像的阻挡效应因子(Blocking Effect Factor,BEF)和PSNR-B指标原理及实现

本文主要是介绍图像的阻挡效应因子(Blocking Effect Factor,BEF)和PSNR-B指标原理及实现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

 参考博文:Paper | Quality assessment of deblocked images - RyanXing - 博客园 (cnblogs.com)

像的阻挡效应因子(Blocking Effect Factor,BEF)。阻挡效应是指当图像被分割成块时,相邻块之间的边界会引入人眼可见的伪影。阻挡效应因子用于评估图像中阻挡效应的程度。

PSNR-B指标,旨在衡量 压缩图像的块效应强度 或 去块效应后的残留块效应强度(比较去块效应算法的优劣)。

我们首先假设图像由整数个块(tiling)组成。例如:

 图中每一个块都是8×8的块,一共有64个。定义以下块类别:

分别代表:纵向接壤块边缘的像素对、纵向非接壤块边缘的像素对、横向接壤块边缘的像素对 和 横向非接壤块边缘的像素对。

定义两个指标:

前者代表块边缘变化强度,后者代表非块边缘(块内)变化强度。随着量化逐渐粗糙,前者的增大会明显快于后者。

还考虑一个因素:随着块增大,块效应也会逐渐明显。【反过来,如果块很小,那么远看是看不出块效应的】因此我们定义一个块效应因数(blocking effect factor, BEF):

 

 其中的η随着块尺寸的增大而增大:

 例如在H264压缩标准下,一张图像内可以有多种不同尺寸的块。此时就有:

 

 

 定义PSNR-B如下:

 

 阻挡效应因子(Blocking Effect Factor,BEF)代码实现

def _blocking_effect_factor(im):  # 计算了图像的阻挡效应因子(Blocking Effect Factor,BEF)'''阻挡效应是指当图像被分割成块时,相邻块之间的边界会引入人眼可见的伪影。阻挡效应因子用于评估图像中阻挡效应的程度。Args:im:输入的图片Returns:计算了图像的阻挡效应因子'''block_size = 8# im是一个四维的数组,代表输入的图像。通常,它的形状是(height, width, channels, frames),表示图像的高度、宽度、通道数和帧数block_horizontal_positions = torch.arange(7, im.shape[3] - 1, 8)  # 定义了一个块的大小为8个像素block_vertical_positions = torch.arange(7, im.shape[2] - 1, 8)horizontal_block_difference = ((im[:, :, :, block_horizontal_positions] - im[:, :, :, block_horizontal_positions + 1]) ** 2).sum(3).sum(2).sum(1)  # 计算图像中水平方向上相邻像素之差的平方vertical_block_difference = ((im[:, :, block_vertical_positions, :] - im[:, :, block_vertical_positions + 1, :]) ** 2).sum(3).sum(2).sum(1)  # 计算图像中竖直方向上相邻像素之差的平方nonblock_horizontal_positions = np.setdiff1d(torch.arange(0, im.shape[3] - 1), block_horizontal_positions)nonblock_vertical_positions = np.setdiff1d(torch.arange(0, im.shape[2] - 1), block_vertical_positions)horizontal_nonblock_difference = ((im[:, :, :, nonblock_horizontal_positions] - im[:, :, :, nonblock_horizontal_positions + 1]) ** 2).sum(3).sum(2).sum(1)vertical_nonblock_difference = ((im[:, :, nonblock_vertical_positions, :] - im[:, :, nonblock_vertical_positions + 1, :]) ** 2).sum(3).sum(2).sum(1)# np.setdiff1d()函数来找到两个数组之间的差异,然后计算了图像中水平和垂直方向上非块(non-block)位置的像素差值的平方和n_boundary_horiz = im.shape[2] * (im.shape[3] // block_size - 1)n_boundary_vert = im.shape[3] * (im.shape[2] // block_size - 1)boundary_difference = (horizontal_block_difference + vertical_block_difference) / (n_boundary_horiz + n_boundary_vert)n_nonboundary_horiz = im.shape[2] * (im.shape[3] - 1) - n_boundary_horizn_nonboundary_vert = im.shape[3] * (im.shape[2] - 1) - n_boundary_vertnonboundary_difference = (horizontal_nonblock_difference + vertical_nonblock_difference) / (n_nonboundary_horiz + n_nonboundary_vert)scaler = np.log2(block_size) / np.log2(min([im.shape[2], im.shape[3]]))bef = scaler * (boundary_difference - nonboundary_difference)bef[boundary_difference <= nonboundary_difference] = 0return bef

PSNR-B代码实现

def calculate_psnrb(img1, img2, crop_border, input_order='HWC', test_y_channel=False):"""Calculate PSNR-B (Peak Signal-to-Noise Ratio).Ref: Quality assessment of deblocked images, for JPEG image deblocking evaluation# https://gitlab.com/Queuecumber/quantization-guided-ac/-/blob/master/metrics/psnrb.pyArgs:img1 (ndarray): Images with range [0, 255].img2 (ndarray): Images with range [0, 255].crop_border (int): Cropped pixels in each edge of an image. Thesepixels are not involved in the PSNR calculation.input_order (str): Whether the input order is 'HWC' or 'CHW'.Default: 'HWC'.test_y_channel (bool): Test on Y channel of YCbCr. Default: False.Returns:float: psnr result."""assert img1.shape == img2.shape, (f'Image shapes are differnet: {img1.shape}, {img2.shape}.')if input_order not in ['HWC', 'CHW']:raise ValueError(f'Wrong input_order {input_order}. Supported input_orders are ' '"HWC" and "CHW"')img1 = reorder_image(img1, input_order=input_order)  # 调整图片维度顺序为HWCimg2 = reorder_image(img2, input_order=input_order)img1 = img1.astype(np.float64)  # 图片类型转换img2 = img2.astype(np.float64)if crop_border != 0:img1 = img1[crop_border:-crop_border, crop_border:-crop_border, ...]  # 去除图片的边缘像素img2 = img2[crop_border:-crop_border, crop_border:-crop_border, ...]if test_y_channel:img1 = to_y_channel(img1)  # Y通道颜色空间转换img2 = to_y_channel(img2)# follow https://gitlab.com/Queuecumber/quantization-guided-ac/-/blob/master/metrics/psnrb.pyimg1 = torch.from_numpy(img1).permute(2, 0, 1).unsqueeze(0) / 255.img2 = torch.from_numpy(img2).permute(2, 0, 1).unsqueeze(0) / 255.# torch.from_numpy(img1)将NumPy数组img1转换为PyTorch张量,unsqueeze(0)将张量的维度扩展一个单位,以添加一个虚拟的批次维度# permute(2, 0, 1)用于对张量进行维度重排,将原始图像的通道维度从最后一维移动到第一维,# 行维度移动到第二维,列维度移动到第三维。这是为了与PyTorch默认的通道维度顺序(即[batch_size, channel, height, width])保持一致# img1和img2被转换为形状为[1, channel, height, width]的PyTorch张量,并且它们的值被归一化到0到1之间total = 0for c in range(img1.shape[1]):  # img1.shape[1]是通道的数量mse = torch.nn.functional.mse_loss(img1[:, c:c + 1, :, :], img2[:, c:c + 1, :, :], reduction='none')# 计算均方误差(Mean Square Error,简称MSE)损失。它用于衡量模型的预测结果与目标值之间的差异bef = _blocking_effect_factor(img1[:, c:c + 1, :, :])  # 计算阻塞效应因子的临时结果befmse = mse.view(mse.shape[0], -1).mean(1)# 调整mse的形状,将其转换为二维张量,其中每一行表示一个样本(这里只有一个样本),每一列表示样本的一个特征total += 10 * torch.log10(1 / (mse + bef))return float(total) / img1.shape[1]

 

这篇关于图像的阻挡效应因子(Blocking Effect Factor,BEF)和PSNR-B指标原理及实现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/744818

相关文章

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Java编译生成多个.class文件的原理和作用

《Java编译生成多个.class文件的原理和作用》作为一名经验丰富的开发者,在Java项目中执行编译后,可能会发现一个.java源文件有时会产生多个.class文件,从技术实现层面详细剖析这一现象... 目录一、内部类机制与.class文件生成成员内部类(常规内部类)局部内部类(方法内部类)匿名内部类二、

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制,确认复制是否成功4.同

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

使用Sentinel自定义返回和实现区分来源方式

《使用Sentinel自定义返回和实现区分来源方式》:本文主要介绍使用Sentinel自定义返回和实现区分来源方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Sentinel自定义返回和实现区分来源1. 自定义错误返回2. 实现区分来源总结Sentinel自定

Java实现时间与字符串互相转换详解

《Java实现时间与字符串互相转换详解》这篇文章主要为大家详细介绍了Java中实现时间与字符串互相转换的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、日期格式化为字符串(一)使用预定义格式(二)自定义格式二、字符串解析为日期(一)解析ISO格式字符串(二)解析自定义