估计模糊强度

此示例展示了在 measure.blur_effect 中实现的指标的行为，既作为模糊强度的函数，也作为重新模糊滤波器大小的函数。这种无参考感知模糊指标在 [1] 中进行了描述。

[1]

Frederique Crete、Thierry Dolmiere、Patricia Ladret 和 Marina Nicolas“模糊效果：使用新的无参考感知模糊指标进行感知和估计”Proc. SPIE 6492，人类视觉和电子成像 XII，64920I (2007) https://hal.archives-ouvertes.fr/hal-00232709 DOI:10.1117/12.702790

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import scipy.ndimage as ndi

import plotly
import plotly.express as px
from skimage import color, data, measure

生成一系列越来越模糊的图像

让我们加载通过 scikit-image 的数据注册表可用的图像。模糊指标适用于单通道图像。

image = data.astronaut()
image = color.rgb2gray(image)

让我们使用一系列大小不断增加的均匀滤波器对该图像进行模糊处理。

blurred_images = [ndi.uniform_filter(image, size=k) for k in range(2, 32, 2)]
img_stack = np.stack(blurred_images)

fig = px.imshow(
    img_stack,
    animation_frame=0,
    binary_string=True,
    labels={'animation_frame': 'blur strength ~'},
)
plotly.io.show(fig)

绘制模糊指标

让我们计算所有模糊图像的模糊指标：我们预计它会随着模糊强度的增加而增加到 1。我们为重新模糊滤波器的三个不同值计算它：3、11（默认）和 30。

B = pd.DataFrame(
    data=np.zeros((len(blurred_images), 3)),
    columns=['h_size = 3', 'h_size = 11', 'h_size = 30'],
)
for ind, im in enumerate(blurred_images):
    B.loc[ind, 'h_size = 3'] = measure.blur_effect(im, h_size=3)
    B.loc[ind, 'h_size = 11'] = measure.blur_effect(im, h_size=11)
    B.loc[ind, 'h_size = 30'] = measure.blur_effect(im, h_size=30)

B.plot().set(
    xlabel='blur strength (half the size of uniform filter)', ylabel='blur metric'
)

plt.show()

我们可以看到，一旦模糊比（达到）均匀滤波器的大小更强，指标就会接近 1，因此随着模糊强度的增加而趋向于 1。11 像素的值给出了与人类感知最相关的模糊指标。这就是为什么它是在感知模糊指标 measure.blur_effect 的实现中的默认值。