HyperAIHyperAI

Command Palette

Search for a command to run...

Évaluation de la qualité d’image : de la visibilité des erreurs à la similarité structurelle

H.R. Sheikh; E.P. Simoncelli A.C. Bovik Zhou Wang

Résumé

Les méthodes objectives d’évaluation de la qualité perceptuelle des images ont traditionnellement cherché à quantifier la visibilité des erreurs (différences) entre une image déformée et une image de référence, en s’appuyant sur diverses propriétés connues du système visuel humain. En supposant que la perception visuelle humaine est fortement adaptée à l’extraction d’informations structurelles à partir d’une scène, nous proposons un cadre alternatif et complémentaire d’évaluation de la qualité fondé sur la dégradation de ces informations structurelles. À titre d’exemple concret de ce concept, nous développons un indice de similarité structurelle et en démontrons le potentiel à travers une série d’exemples intuitifs, ainsi que par une comparaison avec les évaluations subjectives et les méthodes objectives les plus avancées sur une base d’images compressées selon les standards JPEG et JPEG2000. Une implémentation MATLAB de l’algorithme proposé est disponible en ligne à l’adresse http://www.cns.nyu.edu/~lcv/ssim/.


Créer de l'IA avec l'IA

De l'idée au lancement — accélérez votre développement IA avec le co-codage IA gratuit, un environnement prêt à l'emploi et le meilleur prix pour les GPU.

Codage assisté par IA
GPU prêts à l’emploi
Tarifs les plus avantageux

HyperAI Newsletters

Abonnez-vous à nos dernières mises à jour
Nous vous enverrons les dernières mises à jour de la semaine dans votre boîte de réception à neuf heures chaque lundi matin
Propulsé par MailChimp
Évaluation de la qualité d’image : de la visibilité des erreurs à la similarité structurelle | Articles | HyperAI