Оценка качества изображения без эталона на основе статистических признаков

Почему качество изображений важно в повседневной жизни

От видеозвонков до медицинских сканов — наш мир опирается на цифровые изображения. При этом эти картинки часто сжимаются, передаются и фильтруются способами, которые незаметно ухудшают то, что мы видим. Прежде чем потоковый сервис, приложение камеры или медицинская система решат, как хранить или исправлять изображение, им нужен быстрый способ оценить, насколько хорошо оно выглядит для человеческого наблюдателя, даже когда идеального «оригинала» нет. В этом исследовании представлен новый метод присвоения оценки качества изображения, который одновременно эффективен и тесно связан с тем, как наши глаза реагируют на свет и контраст.

Проверка качества без идеального эталона

Инженеры обычно измеряют качество изображения, сравнивая искажённую картинку с безупречным оригиналом, вычисляя простые метрики вроде среднего квадратичного отклонения или отношения пиковой мощности сигнала к шуму. Эти величины легко считать, но они часто расходятся с человеческим мнением: небольшие изменения могут быть незаметны, некоторые области важнее других, и не каждое изменение выглядит как повреждение. Во многих реальных системах, например в фототеке или при потоковой трансляции, оригинал отсутствует, поэтому задача становится «слепой» оценкой качества: определить, насколько хороша отдельная, автономная картинка, без эталона для сравнения.

Пусть естественные сцены задают стандарт

Новый метод, названный BIQABSF, опирается на идею, что обычные фотографии природных сцен имеют устойчивые статистические закономерности. Искажения, такие как размытие, шум или сильная компрессия, нарушают эти закономерности характерными способами. Ранние инструменты, например широко используемый метод BRISQUE, пытались уловить это, анализируя значения яркости в локальных областях изображения после нормализации, чтобы они примерно следовали колоколообразному распределению. Однако BRISQUE предполагает, что эти нормализованные значения точно центрированы вокруг нуля — идеал, который не всегда соблюдается в реальных снимках, что может снижать точность оценок.

Смотреть на изображение через контраст, а не через сырую яркость

BIQABSF вводит два ключевых изменения, чтобы лучше соответствовать человеческому зрению. Во-первых, вместо работы с яркостью напрямую он переводит каждый пиксель в значение лог-контраста, отражающее, насколько он светлее или темнее по сравнению с общей сценой. Наши глаза реагируют на свет примерно логарифмически, поэтому это преобразование выравнивает математику с восприятием и устраняет зависимость от абсолютной освещённости сцены. Затем в каждом небольшом соседстве метода вычитается локальное среднее и делится на локальное отклонение, что даёт поле локально нормализованных значений контраста — менее скоррелированных по соседним пикселям и легче поддающихся статистическому моделированию.

Фиксация тонких статистических отпечатков

После построения этой нормализованной карты контраста авторы исследуют, как распределены её значения по изображению. Вместо того чтобы принудительно делать распределение идеально симметричным вокруг нуля, они подбирают более гибкое семейство кривых, способных сдвигаться и искажаться, учитывая, что реальные изображения часто слегка смещены в ту или иную сторону. Они также анализируют, как соседние значения контраста взаимодействуют по разным направлениям — горизонтальным, вертикальным и диагональным парам. Из этих подгонок извлекается компактный набор числовых признаков, суммирующих форму, разброс и асимметрию данных на двух разных масштабах. Эти признаки затем подаются в модель регрессии на опорных векторах, обученную на оценках качества, данных людьми, чтобы предсказывать, как типичный наблюдатель оценит качество изображения.

Проверка метода в деле

Авторы оценили BIQABSF на нескольких больших, хорошо известных базах изображений, в которых добровольцы уже оценили тысячи снимков, испорченных размытиями, шумом, артефактами компрессии и другими искажениями. На четырёх наборах данных новый метод стабильно занимал верхние строчки среди подходов «без эталона», часто сопоставляясь или превосходя современные системы на основе глубинного обучения при значительно меньших вычислительных затратах. Он также хорошо обобщал: обученный на одной базе, он корректно работал на другой с иным набором искажений, что указывает на то, что статистика на основе контраста захватывает нечто фундаментальное о внешнем виде чистых и испорченных реальных изображений.

Что это значит для повседневных технологий

Проще говоря, исследование показывает: глядя на то, как ведёт себя контраст в изображении, и моделируя небольшие отклонения от идеальной колоколообразной формы, компьютер может оценить, насколько изображение нравится людям, не видя оригинала. Поскольку BIQABSF компактен, быстр и интерпретируем, он подходит для практических задач — мониторинга качества потокового видео, настройки параметров камеры в смартфонах или предварительной отбраковки низкокачественных медицинских изображений перед диагностикой. Работа демонстрирует, что тщательно продуманные статистические признаки, основанные на принципах работы нашего зрения, по-прежнему могут конкурировать с тяжёлыми нейросетями в задаче оценки качества изображений в реальном мире.

Цитирование: Ji, W., Chen, X. Blind image quality assessment based on statistical features. Sci Rep 16, 14756 (2026). https://doi.org/10.1038/s41598-026-42799-z

Ключевые слова: качество изображения, слепая оценка, статистика природных сцен, признаки контраста, компьютерное зрение