-
Notifications
You must be signed in to change notification settings - Fork 0
/
brisque.py
151 lines (116 loc) · 4.39 KB
/
brisque.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
# file: brisque.py
# author: Artur Rodrigues Rocha Neto
# email: artur.rodrigues26@gmail.com
# created: 21/01/2021
# description: Implementação do algoritmo BRISQUE.
import cv2
import numpy as np
from itertools import chain
from scipy.special import gamma
def image_preproc_mscn(img):
"""
image_preproc_mscn(img)
Normalização de constraste por diferença de média e variância.
Parâmetros
----------
img: a imagem a ser normalizada.
Retorno
-------
mscn: imagem normalizada.
"""
kernel = (7, 7)
sval = 1.66666667
blurred = cv2.GaussianBlur(img, kernel, sval, borderType=cv2.BORDER_CONSTANT)
blurred_sq = blurred * blurred
sigma = cv2.GaussianBlur(img * img, kernel, sval, borderType=cv2.BORDER_CONSTANT)
sigma = np.sqrt(np.abs(sigma - blurred_sq)) + (1.0 / 255.0)
mscn = (img - blurred) / sigma
return mscn
def gdd_fit(img):
"""
gdd_fit(img)
Ajusta as intensidades de uma imagem a uma distribuição gaussiana geral simétrica.
Parâmetros
----------
img: a imagem a ser ajustada.
Retorno
-------
alpha: atributo de forma da distribuição.
std: variância.
"""
gam = np.arange(0.2, 10.001, 0.001)
r_gam = (gamma(1.0 / gam) * gamma(3.0 / gam) / (gamma(2.0 / gam)**2))
std_sq = np.mean(img**2)
std = np.sqrt(std_sq)
mu = np.mean(np.abs(img))
rho = std_sq / (mu**2)
diff = np.abs(rho - r_gam)
index = np.argmin(diff)
alpha = gam[index]
return alpha, std
def agdd_fit(img):
"""
agdd_fit(img)
Ajusta as intensidades de uma imagem a uma distribuição gaussiana geral assimétrica.
Parâmetros
----------
img: a imagem a ser ajustada.
Retorno
-------
upsilon: atributo de forma da distribuição.
left_std: variância à esquerda.
right_std: variância à direita.
"""
gam = np.arange(0.2, 10.001, 0.001)
r_gam = ((gamma(2.0 / gam)) ** 2) / (gamma(1.0 / gam) * gamma(3.0 / gam))
left_std = np.sqrt(np.mean((img[img < 0])**2))
right_std = np.sqrt(np.mean((img[img > 0])**2))
gamma_hat = left_std / right_std
rhat = (np.mean(np.abs(img)))**2 / np.mean(img**2)
rhat_norm = (rhat * ((gamma_hat**3) + 1) * (gamma_hat + 1)) / (((gamma_hat**2) + 1)**2)
diff = (r_gam - rhat_norm)**2
index = np.argmin(diff)
upsilon = gam[index]
return upsilon, left_std, right_std
def brisque_features(img):
"""
brisque_features(img)
Calcula os atributos BRISQUE de uma imagem (inspiração: https://github.com/bukalapak/pybrisque)
Parâmetros
----------
img: imagem de onde extrair os atributos.
Retorno
-------
features: atributos baseados em ajuste de gaussianas.
"""
scales = 2
features = []
img_src = np.copy(img)
for scale in range(scales):
mscn = image_preproc_mscn(img_src)
alpha, std = gdd_fit(mscn)
features.extend([alpha, std**2])
shifts = [[0, 1], [1, 0], [1, 1], [-1, 1]]
for shift in shifts:
shifted_mscn = np.roll(np.roll(mscn, shift[0], axis=0), shift[1], axis=1)
pair = np.ravel(mscn, order="F") * np.ravel(shifted_mscn, order="F")
upsilon, left_var, right_var = agdd_fit(pair)
const = np.sqrt(gamma(1.0 / upsilon)) / np.sqrt(gamma(3.0 / upsilon))
eta = (right_var - left_var) * (gamma(2.0 / upsilon) / gamma(1.0 / upsilon)) * const
features.extend([upsilon, eta, left_var**2, right_var**2])
img_src = cv2.resize(img_src, (0, 0), fx=0.5, fy=0.5, interpolation=cv2.INTER_CUBIC)
return features
def brisque_rgb_features(img):
"""
brisque_rgb_features(img)
Calcula os atributos BRISQUE de cada canal RGB de uma imagem.
Parâmetros
----------
img: imagem RBG completa de onde extrair os atributos.
Retorno
-------
features: concatenação de atributos baseados em ajuste de gaussianas de cada canal da imagem.
"""
features = [brisque_features(img[:,:,i] / 255.0) for i in range(3)]
features = list(chain.from_iterable(features))
return features