Berapa metrik jarak yang dapat saya gunakan untuk membandingkan gambar?

Saya biasanya menggunakan mean squared error (MSE) atau rasio signal-to-noise (PSNR) puncak untuk membandingkan dua gambar, tetapi ini tidak cukup baik. Saya perlu menemukan formula yang mengembalikan jarak yang sangat besar antara gambar A dan versi B (atau kabur) versi B yang dipantomasikan, tetapi saya tidak tahu bagaimana melanjutkan. Apa yang akan menjadi metrik yang baik untuk kebutuhan saya?

Berikut ini tidak dimaksudkan sebagai jawaban, tetapi statistik yang akan membantu kami memilih teknik perbandingan gambar yang sesuai berdasarkan karakteristik gambar yang Anda analisis.

Langkah pertama adalah merencanakan "delta histogram" sebagai berikut:

for (x,y) in [0, width] x [0, height] begin
    delta = abs( SecondImage(x, y) - FirstImage(x, y) )
    hist[delta] += 1
end

Diberikan plot histogram ini, kami akan tahu sedikit lebih banyak tentang "besarnya" perubahan yang Anda cari, dan akan membuat rekomendasi yang lebih baik.

(Atau, poskan beberapa gambar sampel. Ingat bahwa jika gambar sampel tidak mewakili perbedaan gambar yang Anda minati, kami mungkin membuat rekomendasi yang lebih rendah.)

Anda juga dapat menguji Kesamaan Struktural (SSIM) pada set gambar Anda dan memposting hasil Anda di sini. Ingat bahwa SSIM dirancang untuk meniru kemampuan manusia untuk mengenali obstruksi dari degradasi gambar, sehingga akan mendeteksi pikselasi tetapi mungkin tidak kabur.

Jika gambar Anda bukan gambar fotografi (atau, adalah gambar ilmiah yang bukan subjek fotografi biasa), maka silakan juga memposting contoh autokorelasi 2D mereka, yang dipotong dan diskalakan dengan tepat.

Pengenalan wajah adalah topik yang terlalu besar untuk dibicarakan dalam satu pertanyaan. Blurring muncul dalam berbagai konteks dalam pengenalan wajah - ini bisa menjadi masalah kualitas data, atau dapat dilakukan dengan sengaja sebagai langkah perantara dalam pemrosesan data.

Dalam pengenalan wajah kami ingin mendeteksi identitas wajah, oleh karena itu kami harus mengabaikan perbedaan gambar yang tidak disebabkan oleh perbedaan identitas. Kategori dasar perbedaan yang harus diabaikan dalam pengenalan wajah adalah: pose, iluminasi, dan ekspresi wajah.

Pendekatan umum untuk mengabaikan perbedaan yang tidak relevan disebut normalisasi , yang mencoba untuk menerapkan berbagai operasi dan mengubah gambar input untuk mendapatkan gambar "canonical" atau "preprocessed", yang pada gilirannya dapat digunakan untuk identifikasi.

Pendekatan kedua adalah mengekstraksi fitur dari gambar yang sangat invarian dari faktor yang tidak relevan.

Kualitas gambar wajah tunduk pada perangkat pengambilan dan lingkungan di mana ia ditangkap. Ketika gambar wajah ditangkap tanpa kerjasama subjek (seperti dari kamera keamanan), kualitas gambar yang buruk adalah konsekuensi yang tidak dapat dihindari dan harus diperbaiki oleh perangkat lunak agar tidak menghambat identifikasi.

Dalam penangkapan kooperatif, ukuran kualitas gambar yang terkomputerisasi baik: operator dapat diberitahu tentang masalah kualitas dan gambar dapat diambil kembali.

Kabur juga bisa menjadi contoh perusakan berbahaya biometrik untuk menghindari deteksi (bersama dengan penyumbatan dan penyamaran). Jika gambar dikodekan secara digital, tanda centang digital dan kriptografi digital sudah cukup untuk menyelesaikan masalah sepenuhnya. Jika gambar kabur dikirim dalam bentuk cetak fisik oleh peniru, ukuran kualitas gambar wajah yang terkomputerisasi dapat digunakan untuk menolak pengiriman tersebut.

Kurangnya fitur yang dapat dilokalisasi 2D atau titik minat pada bagian tertentu dari gambar wajah bisa menjadi tanda kabur yang disengaja.

Namun, kategori luas gangguan gambar digital (oleh pengguna yang terampil perangkat lunak pengedit gambar), hanya dapat ditangani dengan forensik gambar Digital yang membandingkan statistik piksel dengan model kamera yang dikenal.