Aşağıdakilerin bir cevap olması amaçlanmamıştır, ancak analiz ettiğiniz görüntülerin özelliklerine göre uygun bir görüntü karşılaştırma tekniği seçmemize yardımcı olacak bir istatistiktir.
İlk adım aşağıdaki gibi bir "delta histogramı" çizmektir:
for (x,y) in [0, width] x [0, height] begin
delta = abs( SecondImage(x, y) - FirstImage(x, y) )
hist[delta] += 1
end
Bu histogramın bir grafiği göz önüne alındığında, aradığınız değişikliklerin "büyüklüğü" hakkında biraz daha bilgi sahibi olacağız ve daha iyi önerilerde bulunacağız.
(Alternatif olarak bazı örnek resimler gönderin. Örnek resimler ilgilendiğiniz resim farklılıklarını temsil etmiyorsa, daha düşük önerilerde bulunabileceğimizi unutmayın.)
Ayrıca , görüntü kümenizde Yapısal Benzerliği (SSIM) test edebilir ve sonuçlarınızı buraya gönderebilirsiniz. SSIM'in, insanın görüntü bozulmasının engelini tanıma yeteneğini taklit etmek için tasarlandığını unutmayın, bu nedenle pikselleşmeyi algılar, ancak belki bulanıklaştırmaz.
Görüntüleriniz fotoğrafik görüntüler değilse (veya fotoğrafın sıradan öznesi olmayan bilimsel görüntülerse ), lütfen uygun şekilde kırpılmış ve ölçeklendirilmiş 2D otokorelasyon örneklerini de gönderin.
Yüz tanıma , tek bir soruda ele alınamayacak kadar büyük bir konudur. Bulanıklaştırma yüz tanımada çoklu bağlamda ortaya çıkar - bir veri kalitesi sorunu olabilir veya veri işlemede ara bir adım olarak kasıtlı olarak yapılabilir.
Yüz tanımada yüzlerin kimliğini tespit etmek istiyoruz , bu nedenle kimlik farklılıklarının neden olmadığı görüntü farklılıklarını görmezden gelmeliyiz . Yüz tanımada göz ardı edilmesi gereken temel fark kategorileri şunlardır: poz, aydınlatma ve yüz ifadesi.
Alakasız farklılıkları görmezden gelmeye genel bir yaklaşım , çeşitli işlemleri uygulamaya çalışan ve giriş resmi üzerinde "kanonik" veya "önceden işlenmiş" bir görüntü elde etmek için dönüşüm sağlayan normalleştirme olarak adlandırılır ve tanımlama için kullanılabilir.
İkinci bir yaklaşım, ilgisiz faktörlerden oldukça değişmeyen görüntülerden özellikler elde etmektir.
Bir yüz görüntüsünün kalitesi yakalama aygıtına ve çekildiği ortama tabidir. Bir yüz görüntüsü öznenin işbirliği olmadan (güvenlik kamerası gibi) yakalandığında, düşük görüntü kalitesi kaçınılmaz bir sonuçtur ve tanımlamayı engellememek için yazılım tarafından düzeltilmesi gerekiyordu.
Kooperatif yakalamada, bilgisayarlı bir görüntü kalitesi ölçüsü iyidir: operatör kalite sorunlarından haberdar edilebilir ve görüntü yeniden alınabilir.
Bulanıklaştırma, tespitten kaçınmak için (oklüzyon ve kılık değiştirmeyle birlikte) biyometriklerin kötü niyetli müdahalelerine bir örnek olabilir. Görüntü dijital olarak kodlanırsa, sorunu tamamen çözmek için dijital bir sağlama toplamı ve kriptografik imza yeterlidir. Bulanık görüntü bir taklitçi tarafından fiziksel baskı olarak gönderilirse, bu tür gönderimleri reddetmek için bilgisayarlı bir yüz görüntü kalitesi ölçüsü kullanılabilir.
Yüz görüntüsünün belirli bir bölümünde 2B yerelleştirilebilir özelliklerin veya ilgi noktalarının olmaması , kasıtlı bulanıklığın bir işareti olabilir.
Bununla birlikte, geniş dijital görüntü kurcalama kategorisi (görüntü düzenleme yazılımının yetenekli bir kullanıcısı tarafından), yalnızca piksel istatistiklerini bilinen kamera modellerine göre karşılaştıran Dijital görüntü adli tıp ile ilgilenilebilir .