图像质量评价2024

目录

pytorch piq

GitHub - photosynthesis-team/piq: Measures and metrics for image2image tasks. PyTorch.

import piq

# 计算 SSIM 分数

ssim_score = piq.ssim(image_tensor, reference_image_tensor, data_range=1.0)

print(f"SSIM score: {ssim_score.item()}")

CVPR2021：

作者 | Zhihua Wang, Haotao Wang, Tianlong Chen, Zhangyang Wang, Kede Ma

单位 | 香港城市大学；得克萨斯大学奥斯汀分校

论文 | https://arxiv.org/abs/2105.06747

代码 | https://github.com/wangzhihua520/troubleshooting_BIQA

2020的可以参考：

cnn图像质量评价_AI视觉网奇的博客-CSDN博客_cnn 评分

CVPR 2020 论文大盘点-图像质量评价篇_我爱计算机视觉的博客-CSDN博客

今天跟大家推荐一个工具，来自德国商品比价服务商idealo开源的图像质量评价工具，仅需要一行命令就可以实现。

开源地址：

https://github.com/idealo/image-quality-assessment

安装非常简答：

对一幅图像进行质量评价：

./predict  \--docker-image nima-cpu \--base-model-name MobileNet \--weights-file $(pwd)/models/MobileNet/weights_mobilenet_technical_0.11.hdf5 \--image-source $(pwd)/src/tests/test_images/42039.jpg

对一个文件夹下的所有图像进行质量评价：

./predict  \--docker-image nima-cpu \--base-model-name MobileNet \--weights-file $(pwd)/models/MobileNet/weights_mobilenet_technical_0.11.hdf5 \--image-source $(pwd)/src/tests/test_images

这个工具还是很靠谱的，其参考的是Google 2017年研究论文 NIMA: Neural Image Assessment" （https://arxiv.org/pdf/1709.05424.pdf），另外这家公司本身也在自己的互联网服务中使用该工具，用于用户上传的酒店图像的挑选和推荐。

实际上该工具有美学评价（侧重于图像好看不好看）和技术评价（侧重于图像质量好不好）两方面。

官方已经给出了这两个的预训练模型。

当然，并不是每个人都是做这两个方面，比如我刚才说的监控场景的图像质量评价，那你就需要自己训练了。

作者们也提供了简单易用的训练接口。

标注好样本，配置好环境后，训练也只需要一行命令：

./train-local \--config-file $(pwd)/models/MobileNet/config_technical_cpu.json \--samples-file $(pwd)/data/TID2013/tid_labels_train.json \--image-dir /path/to/image/dir/local