СРАВНИТЕЛЬНЫЙ АНАЛИЗ БЕЗЭТАЛОННЫХ МЕР ОЦЕНКИ КАЧЕСТВА ЦИФРОВЫХ ИЗОБРАЖЕНИЙ

В статье описываются результаты сравнительного анализа 34 функций, опубликованных в научной литературе и использующихся для оценки качества изображений при отсутствии эталона. В англоязычной литературе они называются no-reference (NR) measure или мерами NR-типа. Первая статья, использующая термин no-reference, была опубликована в 2000 году и ежегодно растет число публикаций о новых мерах NR-типа. Тем не менее, сравнительных исследований таких мер практически не проводилось. Наличие NR-мер очень актуально для, а) оценки качества сделанных фотографий, б) оценки результатов преобразований, ориентированных на улучшение изображений, и выбор параметров этих преобразований (яркостные изменения, сжатие динамического диапазона яркости, преобразование цветного в полутон и другие). Базы тестовых изображений, используемые для исследования без эталонных мер качества (TID2013 и другие), содержат по 4, 5 вариантов изображений определенного типа искажений параметры которых не описаны. Поэтому разработано шесть типов экспериментов с целью анализа корреляции вычисляемых количественных оценок с визуальными оценками качества тестируемых изображений. Четыре из них являются принципиально новыми: сравнение изображений после гамма-коррекции и изменения контраста с разными параметрами, а также сравнение отретушированных изображений и фотографий, сделанных с разным фокусным расстоянием. Экспериментально показано, что ни одна из исследуемых мер оценки качества изображения не является универсальной, а вычисленная оценка не может быть преобразована в качественную шкалу без учета факторов, влияющих на искажение качества изображения. Большинство исследованных мер вычисляет локальные оценки в малых окрестностях, а их среднее арифметическое является оценкой качества всего изображения. Если на изображении доминируют большие области однородной яркости, меры такого типа могут дать неверные оценки качества, не совпадающие с визуальными оценками.

1. Старовойтов, В. В. Локальные геометрические методы цифровой обработки и анализа изображений. – Минск: Ин-т техн. кибернетики НАН Беларуси, 1997. Starovoitov, V. V. Lokal’nye geometricheskie metody cifrovoj obrabotki i analiza izobrazhenij. – Minsk: In-t tehn. kibernetiki NAN Belarusi, 1997.

2. Caviedes, J. et al. Impairment metrics for digital video and their role in objective quality assessment // Visual Communications and Image Processing, Perth, Australia, 30 May 2000. – P. 791–800.

3. Lin, W., Kuo, C. C. J. Perceptual visual quality metrics: A survey //Journal of Visual Communication and Image Representation, 2011. – Vol. 22. – №. 4. – P. 297–312.

4. Mittal, A., Moorthy, A. K., Bovik, A. C. No-reference image quality assessment in the spatial domain // IEEE Transactions on Image Processing. – 2012. – Vol. 21. – №. 12. – P. 4695–4708.

5. Chandler, D. M. Seven challenges in image quality assessment: past, present, and future research // ISRN Signal Processing. – 2013. – Vol. 2013, 53 p.

6. Manap, R. A. Shao L. Non-distortion-specific no-reference image quality assessment: A survey // Information Sciences, 2015. – Vol. 301. – P. 141–160.

7. Pertuz, S., Puig, D., Garcia, M. A. Analysis of focus measure operators for shape-from-focus // Pattern Recognition, 2013. – Vol. 46. – № 5. – P. 1415–1432.

8. Crete, F. et al. The blur effect: perception and estimation with a new no-reference perceptual blur metric // Proc. on Human Vision and Electronic Imaging XII, San Jose, CA, USA, January 28, 2007, Vol. 6492. – P. 64920I-1-64920I-11.

9. Zhu, X., Milanfar, P. Automatic parameter selection for denoising algorithms using a no-reference measure of image content // IEEE transactions on image processing, 2010. – Т. 19. – № 12. – С. 3116–3132.

10. Vu, C. T., Phan, T. D., Chandler, D. M. A spectral and spatial measure of local perceived sharpness in natural images // IEEE transactions on image processing, 2012.– Vol. 21.– №3.– P. 934–945.

11. Gabarda, S., Cristуbal, B. Blind Image quality assessment through anisotropy // Journal of the Optical Society of America, 2007. – Vol. 24. – № 12. – P. 42–51.

12. Zhang, C. J. et al. Approach to enhance contrast of infrared image based on wavelet transform // Hongwai yu Haomibo Xuebao / Journal of Infrared and Millimeter Waves (China). – 2004. – Vol. 23. – №. 2. – P. 119–124.

13. Wang, Z. et al. Image quality assessment: from error visibility to structural similarity // IEEE transactions on image processing, 2004. – Vol. 13. – № 4. – P. 600–612.

14. База стандартных тестовых изображений: Signal and Image Processing Institute, University of Southern California, CA. – Режим доступа: http://sipi.usc.edu/database/database.php?volume=misc,44images.tiff. – Дата доступа: 10.02.2017.

15. Интернет-редактор изображений «Ретушь лица». – Режим доступа: http://makeup.pho.to/ru/. – Дата доступа: 10.02.2017.