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

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,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python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Android实现在线预览office文档的示例详解

《Android实现在线预览office文档的示例详解》在移动端展示在线Office文档(如Word、Excel、PPT)是一项常见需求,这篇文章为大家重点介绍了两种方案的实现方法,希望对大家有一定的... 目录一、项目概述二、相关技术知识三、实现思路3.1 方案一:WebView + Office Onl

C# foreach 循环中获取索引的实现方式

《C#foreach循环中获取索引的实现方式》:本文主要介绍C#foreach循环中获取索引的实现方式,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录一、手动维护索引变量二、LINQ Select + 元组解构三、扩展方法封装索引四、使用 for 循环替代

Spring Security+JWT如何实现前后端分离权限控制

《SpringSecurity+JWT如何实现前后端分离权限控制》本篇将手把手教你用SpringSecurity+JWT搭建一套完整的登录认证与权限控制体系,具有很好的参考价值,希望对大家... 目录Spring Security+JWT实现前后端分离权限控制实战一、为什么要用 JWT?二、JWT 基本结构

Java实现优雅日期处理的方案详解

《Java实现优雅日期处理的方案详解》在我们的日常工作中,需要经常处理各种格式,各种类似的的日期或者时间,下面我们就来看看如何使用java处理这样的日期问题吧,感兴趣的小伙伴可以跟随小编一起学习一下... 目录前言一、日期的坑1.1 日期格式化陷阱1.2 时区转换二、优雅方案的进阶之路2.1 线程安全重构2

Android实现两台手机屏幕共享和远程控制功能

《Android实现两台手机屏幕共享和远程控制功能》在远程协助、在线教学、技术支持等多种场景下,实时获得另一部移动设备的屏幕画面,并对其进行操作,具有极高的应用价值,本项目旨在实现两台Android手... 目录一、项目概述二、相关知识2.1 MediaProjection API2.2 Socket 网络