版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_20965753/article/details/89215030
1. 新思路: 结合目标检测, 做IQA.
详细代码见/home/ly/git/Mask_RCNN/demo/Detect_and_IQA.py.
- 还是先将一整张图像中的目标都检测出来, 然后对每个目标评估其清晰度. 1) 先利用传统方法评估图像清晰度, 得到的是每个目标的清晰度, 最后求平均值, 作为整张图像的清晰度.
- 图像噪声检测: 1) Departed! 按照先检测整张图像的edge, 然后求和作为评价标准来做. 这样的标准只适合于简单场景的图像; 如果场景复杂, 那么此方法不可取. 2) 转换为图像噪声估计问题, 即估计图像噪声方差. 目标检测 + 图像噪声方差估计.
利用图像目标检测 + GPU, 可以减少估计图像质量的时间.
通过实验, 发现对于街景数据集: 采用上述1-1)方案, 清晰度阈值可以设置为22, 如果图像估计分数<22, 那么就可以认为图像是模糊的. 采用上述1-2)方案, 噪声阈值可选择为0.1, 如果估计出分数>0.1, 那么就可以认为图像包含噪声. 当然, 这中间可能有一些交叉值, 这些交叉值放到"待质检"中.