निम्नलिखित का उत्तर देने का इरादा नहीं है, लेकिन एक आंकड़ा है जो हमें उन छवियों की विशेषताओं के आधार पर एक उपयुक्त छवि तुलना तकनीक चुनने में मदद करेगा जो आप विश्लेषण कर रहे हैं।
पहला कदम "डेल्टा हिस्टोग्राम" की साजिश है:
for (x,y) in [0, width] x [0, height] begin
delta = abs( SecondImage(x, y) - FirstImage(x, y) )
hist[delta] += 1
end
इस हिस्टोग्राम के एक कथानक को देखते हुए, हम उन परिवर्तनों के "परिमाण" के बारे में थोड़ा और जानेंगे जो आप खोज रहे हैं और बेहतर सिफारिशें करेंगे।
(वैकल्पिक रूप से, कुछ नमूना चित्रों को पोस्ट करें। याद रखें कि यदि नमूना छवियां आपके द्वारा रुचि की गई छवि अंतर के प्रतिनिधि नहीं हैं, तो हम अनुमान लगा सकते हैं।)
आप अपनी छवि सेट पर संरचनात्मक समानता (SSIM) का परीक्षण भी कर सकते हैं और अपने परिणाम यहां पोस्ट कर सकते हैं। याद रखें कि एसएसआईएम छवि की गिरावट की रुकावट को पहचानने के लिए मानव की क्षमता की नकल करने के लिए डिज़ाइन किया गया है, इसलिए यह पिक्सेलकरण का पता लगाएगा लेकिन शायद धुंधला नहीं होगा।
यदि आपकी छवियां फोटोग्राफिक छवियां नहीं हैं (या, वैज्ञानिक छवियां हैं जो फोटोग्राफी के सामान्य विषय नहीं हैं ), तो कृपया उनके 2 डी ऑटोकैरेलेशन, उपयुक्त रूप से फसली और स्केल किए गए उदाहरणों को भी पोस्ट करें।
फेस रिकग्निशन बहुत बड़ा विषय है जिस पर एक ही प्रश्न में चर्चा की जा सकती है। चेहरा पहचानने में कई संदर्भों में धुंधलापन पैदा होता है - यह डेटा गुणवत्ता का मुद्दा हो सकता है, या यह डेटा प्रोसेसिंग में एक मध्यवर्ती कदम के रूप में जानबूझकर किया जा सकता है।
चेहरे की पहचान में हम चेहरों की पहचान का पता लगाना चाहते हैं, इसलिए हमें उन छवि भिन्नताओं को नजरअंदाज करना होगा जो पहचान के अंतर के कारण नहीं हैं । चेहरे की पहचान में जिन अंतरों की अनदेखी की जानी चाहिए, वे हैं: मुद्रा, रोशनी और चेहरे की अभिव्यक्ति।
अप्रासंगिक अंतरों को अनदेखा करने के लिए एक सामान्य दृष्टिकोण को सामान्यीकरण कहा जाता है , जो "कैनोनिकल" या "प्रीप्रोसेस्ड" छवि प्राप्त करने के लिए इनपुट छवि पर विभिन्न संचालन और परिवर्तनों को लागू करने का प्रयास करता है, जिसका उपयोग पहचान के लिए किया जा सकता है।
एक दूसरा तरीका छवियों से सुविधाओं को निकालना है जो अप्रासंगिक कारकों से अत्यधिक- अपरिवर्तनीय हैं।
एक चेहरे की छवि की गुणवत्ता कैप्चरिंग डिवाइस और पर्यावरण के अधीन है जहां इसे कैप्चर किया गया था। जब किसी चेहरे की छवि विषय के सहयोग के बिना कैप्चर की जाती है (जैसे कि एक सुरक्षा कैमरे से), तो खराब छवि गुणवत्ता एक अपरिहार्य परिणाम है और इसे सॉफ्टवेयर द्वारा हटा दिया जाना चाहिए ताकि पहचान में बाधा न आए।
सहकारी कैप्चर में, छवि गुणवत्ता का कम्प्यूटरीकृत माप अच्छा है: ऑपरेटर को गुणवत्ता की समस्याओं के बारे में सूचित किया जा सकता है और छवि को फिर से लिया जा सकता है।
धुंधलापन बायोमेट्रिक्स के दुर्भावनापूर्ण छेड़छाड़ का एक उदाहरण हो सकता है ताकि पता लगाने से बचने के लिए (रोड़ा और भेस के साथ)। यदि छवि डिजिटल रूप से एन्कोडेड है, तो समस्या को पूरी तरह से हल करने के लिए एक डिजिटल चेकसम और क्रिप्टोग्राफ़िक हस्ताक्षर पर्याप्त हैं। यदि धुंधली छवि को अव्यवसायी द्वारा भौतिक प्रिंट में प्रस्तुत किया जाता है, तो इस तरह के सबमिशन को अस्वीकार करने के लिए चेहरे की छवि की गुणवत्ता का कम्प्यूटरीकृत उपयोग किया जा सकता है।
चेहरे की छवि के एक निश्चित हिस्से में 2 डी-स्थानीय विशेषताओं या रुचि बिंदुओं की कमी जानबूझकर धुंधला होने का संकेत हो सकती है।
हालांकि, डिजिटल छवि छेड़छाड़ (छवि-संपादन सॉफ़्टवेयर के कुशल उपयोगकर्ता द्वारा) की व्यापक श्रेणी को केवल डिजिटल छवि फोरेंसिक से निपटा जा सकता है जो ज्ञात कैमरा मॉडल के खिलाफ पिक्सेल आंकड़ों की तुलना करता है।