sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2021-2-4-13sapi-509Research ArticleСистемный анализSystem analysisОценка контраста цифрового изображения на базе параметров распределения ВейбуллаDigital image contrast assessment based on the Weibull distribution parametersГолубЮ. И.GolubY. I.

Голуб Юлия Игоревна – кандидат технических наук, доцент, старший научный сотрудник

Минск

Yuliya I. Golub – PhD, Associate Professor, Senior Research Fellow

Minsk

СтаровойтовФ. В.StarovoitovF. V.

Старовойтов Федор Валерьевич – аспирант

Минск

Объединенный институт проблем информатики Национальной академии наук БеларусиБеларусьUnited Institute of Informatics Problems of the NAS of BelarusBelarusБелорусский национальный технический университетБеларусьBelarusian National Technical UniversityBelarus20211808202102413Copyright © Голуб Ю.И., Старовойтов Ф.В., 20212021Голуб Ю.И., Старовойтов Ф.В.Golub Y.I., Starovoitov F.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/509

Цель исследований, описанных в статье, найти количественную оценку максимально коррелирующую с субъективной оценкой качества контрастных изображений в отсутствие эталонов. В результате анализа литературы было отобрано 16 функций применяемых для оценок качества контрастных изображений: BEGH, BISH, BREN, CMO, CURV, FUS, HELM, EBCM, KURT, LAPD, LAPL, LAPM, LOCC, LOEN, SHAR, WAVS. Все они используют сред-

нее значение локальных оценок контраста. В качестве альтернативы усреднению локальных оценок (т. к. среднее – один из параметров нормального распределения) предложено использовать один из параметров распределения Вейбулла – масштаб (scale) или форму (shape).

Для экспериментов использованы цифровые изображения с нелинейным искажением контраста из доступной базы CCID2014. В ней содержатся 15 оригинальных изображений размером 768х512 пикселей и 655 версий с измененным контрастом. Эта база содержит усредненные визуальные оценки качества (Mean Opinion Score, кратко MOS) каждого изображения. Для определения соответствия визуальных оценок MOS и исследуемых количественных мер был использован ранговый коэффициент корреляции Спирмена.

В результате исследований представлена новая оценка качества контрастного изображения при отсутствии эталона. Для получения этой оценки вычисляются локальные значения качества мерой BREN, их множество описывается распределением Вейбулла, и параметр масштаба этого распределения служит наилучшей обобщенной оценкой качества контрастных изображений. Этот вывод подтвержден экспериментально, а предложенная оценка лучше других коррелирует с субъективными оценками экспертов.

The goal of the studies described in the paper is to find a quantitative assessment that maximally correlates with the subjective assessment of the contrast image quality in the absence of reference image. As a result of the literature analysis, 16 functions were selected that are used for no-refernce image quality assessment: BEGH, BISH, BREN, CMO, CURV, FUS, HELM, EBCM, KURT, LAPD, LAPL, LAPM, LOCC, LOEN, SHAR, WAVS. They all use the arithmetical mean of the local contrast quality. As an alternative to averaging local estimates (since the mean is one of two parameters of the normal distribution), it is proposed to use one of two parameters of the Weibull distribution of the same data – scale or shape.

For the experiments, digital images with nonlinear contrast distortion from the available CCID2014 database were used. It contains 15 original images with a size of 768x512 pixels and 655 versions with modified contrast. This database of images contains the average visual quality assessment (Mean Opinion Score, briefly MOS) of each image. Spearman’s rank correlation coefficient was used to determine the correspondence between the visual MOS scores and the studied quantitative measures.

As a result of the research, a new quality assessment measure of contrast images in the absence of references is presented. To obtain the estimate, local quality values are calculated by the BREN measure, their set is described by the Weibull distribution, and the scale parameter of the distribution serves as the best numerical estimate of the quality of contrast images. This conclusion is confirmed experimentally, and the proposed measure correlates better than other variants with the subjective assessments of experts.

цифровое изображениеконтраст изображениямера качествазрительная система человекараспределение Вейбуллаконтраст изображениясреднее арифметическоесреднее геометрическоесреднее гармоническоеdigital imageimage contrastmeasure of qualityhuman visual systemWeibull distributionarithmetic meangeometric meanharmonic meanReferencesГОСТ Р 58295–2018 (ИСО/МЭК 19794–6:2011) Информационные технологии (ИТ). Биометрия. Форматы обмена биометрическими данными. Часть 6. Данные изображения радужной оболочки глаза.ISO 19794–6:2011 Information technology. Biometrics. Biometric data interchange formats. Part 6. Iris image data.Голуб, Ю. И. Исследование локальных оценок контраста цифровых изображений при отсутствии эталона / Ю. И. Голуб, Ф. В. Старовойтов // Системный анализ и прикладная информатика. – 2019. – № 2 (22). – C. 4–11.Golub, Y. I. Study of Local Assessments of Contrast for Digital Images / Y. I. Golub, F. V. Starovoitov // System analysis and applied information science. – 2019. – № 2 (22). – P. 4–11.Голуб, Ю. И. Сравнительный анализ безэталонных оценок резкости цифровых изображений / Ю. И. Голуб, Ф. В. Старовойтов, В. В. Старовойтов // Доклады Белорусского государственного университета информатики и радиоэлектроники. – 2019. – № 7 (125). – С. 113–120.Golub, Y. I. Comparative analysis of no-reference measures for digital image sharpness assessment / Y. I. Golub, F. V. Starovoitov // Doklady BGUIR. – 2019. – № 7 (125). – P. 113–120.Ponomarenko, N. Image database TID2013: Peculiarities, results and perspectives / N. Ponomarenko, L. Jin, O. Ieremeiev, V. Lukin, K. Egiazarian, J. Astola, B. Vozel, K. Chehdi, M. Carli, F. Battisti, C.-C. Jay Kuo // Signal Processing: Image Communication. – 2015. – V. 30. – P. 57–77.Ponomarenko, N. Image database TID2013: Peculiarities, results and perspectives / N. Ponomarenko, L. Jin, O. Ieremeiev, V. Lukin, K. Egiazarian, J. Astola, B. Vozel, K. Chehdi, M. Carli, F. Battisti, C.-C. Jay Kuo // Signal Processing: Image Communication. – 2015. – V. 30. – P. 57–77.Larson, E. C. Most Apparent Distortion: Full-Reference Image Quality Assessment and the Role of Strategy / E. C. Larson and D. M. Chandler // Journal of Electronic Imaging. – March 2010. – 19 (1). – P. 21.Larson, E. C. Most Apparent Distortion: Full-Reference Image Quality Assessment and the Role of Strategy / E. C. Larson and D. M. Chandler // Journal of Electronic Imaging. – March 2010. – 19 (1). – P. 21.Pertuz S., Puig D., Garcia M.A. Analysis of focus measure operators for shape-from-focus. Pattern Recognition. – 2013. – 46(5). – P. 1415–1432. DOI: 10.1016/j.patcog.2012.11.011.Pertuz S., Puig D., Garcia M.A. Analysis of focus measure operators for shape-from-focus. Pattern Recognition. – 2013. – 46(5). – P. 1415–1432. DOI: 10.1016/j.patcog.2012.11.011.Kodak Lossless True Color Image Suite. [Online]. Available: http://r0k.us/graphics/kodak/.Kodak Lossless True Color Image Suite. [Online]. Available: http://r0k.us/graphics/kodak/.Gu, K. Subjective and objective quality assessment for images with contrast change / K. Gu, G. Zhai, X. Yang, W. Zhang, M. Liu // Proc. IEEE Int. Conf. on Image Processing. – Melbourne, VIC, Australia. – Sep. 2013. – P. 383–387.Gu, K. Subjective and objective quality assessment for images with contrast change / K. Gu, G. Zhai, X. Yang, W. Zhang, M. Liu // Proc. IEEE Int. Conf. on Image Processing. – Melbourne, VIC, Australia. – Sep. 2013. – P. 383–387.Beghdadi, A. Contrast enhancement technique based on local detection of edges / A. Beghdadi, A. Le Negrate // Computer Vision, Graphics, and Image Processing. 1989. – 46(2). – P. 162–174. DOI: 10.1016/0734-189X(89)90166-7.Beghdadi, A. Contrast enhancement technique based on local detection of edges / A. Beghdadi, A. Le Negrate // Computer Vision, Graphics, and Image Processing. 1989. – 46(2). – P. 162–174. DOI: 10.1016/0734-189X(89)90166-7.Gvozden, G. Blind image sharpness assessment based on local contrast map statistics / G. Gvozden, S. Grgic, M. Grgic // Journal of Visual Communication and Image Representation. – 2018. – 50. – P. 145–158. DOI: 10.1016/j.jvcir.2017.11.017.Gvozden, G. Blind image sharpness assessment based on local contrast map statistics / G. Gvozden, S. Grgic, M. Grgic // Journal of Visual Communication and Image Representation. – 2018. – 50. – P. 145–158. DOI: 10.1016/j.jvcir.2017.11.017.Tian, J. Multi-focus image fusion using a bilateral gradient-base sharpness criterion / J. Tian, L. Chen, L. Ma, W. Yu // Optics communications. – 2011. – 284(1). – P. 80–87. DOI: doi.org/10.1016/j.optcom.2010.08.085.Tian, J. Multi-focus image fusion using a bilateral gradient-base sharpness criterion / J. Tian, L. Chen, L. Ma, W. Yu // Optics communications. – 2011. – 284(1). – P. 80–87. DOI: doi.org/10.1016/j.optcom.2010.08.085.Narvekar N. D., Karam L. J. A no-reference perceptual image sharpness metric based on a cumulative probability of blur detection. 2009 International Workshop on Quality of Multimedia Experience. – 2009. – P. 87–91. DOI: 10.1109/QOMEX.2009.5246972.Narvekar N. D., Karam L. J. A no-reference perceptual image sharpness metric based on a cumulative probability of blur detection. 2009 International Workshop on Quality of Multimedia Experience. – 2009. – P. 87–91. DOI: 10.1109/QOMEX.2009.5246972.

The authors declare that there are no conflicts of interest present.