估计模糊强度

此示例展示了在 measure.blur_effect 中实现的指标如何表现，既作为模糊强度的函数，也作为再模糊滤波器大小的函数。这个无参考的感知模糊指标在 [1] 中描述。

[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度量进行感知和估计” Proc. SPIE 6492, 人类视觉与电子成像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

生成一系列逐渐模糊的图像

让我们加载一个可通过 scikit-image 的数据注册表获得的图像。模糊度量适用于单通道图像。

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

让我们用一系列尺寸逐渐增大的均匀滤波器来模糊这张图像。

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)

绘制模糊度指标

让我们计算所有模糊图像的模糊度量：我们预计随着模糊强度的增加，它将趋向于1。我们为三种不同的重模糊滤波器值计算它：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，一旦模糊强度大于（达到）均匀滤波器的大小，该指标就会接近1，因此随着模糊强度的增加，它渐近地趋向于1。11像素的值给出了一个与人类感知最相关的模糊度量。这就是为什么它是感知模糊度量 measure.blur_effect 实现中的默认值。