Как обслуживать GIF, JPEG и PNG от AWS Lambda

Один из способов, который я использую в настоящее время, измеряет распространение ребер в изображении. Посмотрите на эту статью:

@ARTICLE{Marziliano04perceptualblur,
    author = {Pina Marziliano and Frederic Dufaux and Stefan Winkler and Touradj Ebrahimi},
    title = {Perceptual blur and ringing metrics: Application to JPEG2000,” Signal Process},
    journal = {Image Commun},
    year = {2004},
    pages = {163--172} }

Обычно это за платой, но я видел несколько бесплатных копий. В основном, они определяют вертикальные края изображения, а затем измеряют ширину этих краев. Усреднение ширины дает окончательный результат оценки размытия для изображения. Более широкие края соответствуют размытым изображениям и наоборот.

Эта проблема относится к области оценки качества безреференсного изображения . Если вы посмотрите на Google Scholar, вы получите много полезных ссылок.

EDIT

Вот график оценок размытости, полученных для 5 изображений в сообщении nikie. Более высокие значения соответствуют большему размытию. Я использовал гауссовский фильтр с фиксированным размером 11x11 и менял стандартное отклонение (используя команду femfmememagick для получения размытых изображений).

[/g1]

Если вы сравниваете изображения разных размеров, не забудьте нормализовать ширину изображения, так как большие изображения будут иметь более широкие края.

Наконец, значительная проблема заключается в различии между художественным размытием и нежелательным размытием (вызванным фокусным промахом, сжатием, относительным движением объекта к камере), но это выходит за рамки простых подходов, подобных этому. Для примера художественного размытия взгляните на изображение Ленны: отражение Ленны в зеркале размыто, но ее лицо полностью сосредоточено. Это способствует более высокой оценке размытия для изображения Lenna.