ПАРАМЕТРЫ КРИВОЙ РАСПРЕДЕЛЕНИЯ ЛОКАЛЬНЫХ ОЦЕНОК КАК МЕРЫ КАЧЕСТВА ИЗОБРАЖЕНИЙ


https://doi.org/10.21122/2309-4923-2018-3-26-41

Полный текст:


Аннотация

В статье исследуется задача выбора наиболее качественного изображения из серии в отсутствие эталона. Описываются результаты исследований нового подхода к формированию оценки качества цифровых изображений, основанного на построении кривой распределения локальных оценок качества. Один из параметров такой кривой предлагается использовать как меру качества изображений. Отобраны 16 мер качества изображений, описанных в научной литературе. Показано, что параметр масштаба распределения Вейбулла является более точной интегральной мерой качества для множества локальных оценок, чем среднее арифметическое. Выполнен ряд экспериментов, подтверждающих корректность такой оценки и ее корреляцию с визуальными оценками качества изображений. Наличие подобных мер очень актуально для а) оценки качества автоматически формируемых фотографий, б) выбора параметров преобразований, ориентированных на улучшение изображений, таких как яркостные изменения, сжатие динамического диапазона яркости, преобразование в полутоновое представление и других.


Об авторах

Ф. B. Старовойтов
Белорусский национальный технический университет
Беларусь
Старовойтов Фёдор Валерьевич, магистр технических наук, Международный институт дистанционного образования


В. В. Старовойтов
Объединенный институт проблем информатики НАН Беларуси
Беларусь
Старовойтов Валерий Васильевич, доктор технических наук, профессор, главный научный сотрудник


Список литературы

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. – V. 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. – V. 21. – №. 12. – P. 4695–4708.

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

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

7. Старовойтов В. В., Старовойтов Ф. В. Сравнительный анализ безэталонных мер оценки качества цифровых изображений // Системный анализ и прикладная информатика, 2017. – № 1. – С. 24–32.

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

9. Старовойтов В. В. Сингулярное разложение матриц в анализе цифровых изображений // Информатика. 2017. № 2. C. 77–90.

10. Geusebroek J. M. The stochastic structure of images // Int. Conference on Scale-Space Theories in Computer Vision. – Springer Berlin Heidelberg, 2005. – С. 327–338.

11. Geusebroek J. M., Smeulders A. W. M. A six-stimulus theory for stochastic texture // International Journal of Computer Vision. – 2005. – Т. 62. – №. 1–2. – С. 7–16.

12. Scholte S. H., et al. Brain responses strongly correlate with Weibull image statistics when processing natural images // Journal of Vision, 2009. – V. 9. – № 4. – P. 29–44.

13. Xue W., Mou X. Reduced reference image quality assessment based on Weibull statistics // 2010 Second International Workshop on Quality of Multimedia Experience (QoMEX), Trondheim, 2010, pp. 1–6.

14. Статистические методы. Распределение Вейбулла. Анализ данных: ГОСТ Р 50779.27–2017. – Введ. 10.08.17. – Москва: Госстандарт России: Изд-во стандартов, 2017. – 62 с.

15. Lyon A. Why are Normal Distributions Normal? // The British Journal for the Philosophy of Science, 2014 – Т. 65. – Вып. 3. – С. 621–649.

16. База стандартных тестовых изображений: Signal and Image Processing Institute,

17. University of Southern California, CA. Режим доступа: http://sipi.usc.edu/database/database.php? volumemisc, 44 images, tiff. Дата доступа: 10.02.2017.

18. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Издание 3-е, исправленное и дополненное. – Москва: Техносфера, 2012. – 1104 с.


Дополнительные файлы

Для цитирования: Старовойтов Ф.B., Старовойтов В.В. ПАРАМЕТРЫ КРИВОЙ РАСПРЕДЕЛЕНИЯ ЛОКАЛЬНЫХ ОЦЕНОК КАК МЕРЫ КАЧЕСТВА ИЗОБРАЖЕНИЙ. «Системный анализ и прикладная информатика». 2018;(3):26-41. https://doi.org/10.21122/2309-4923-2018-3-26-41

For citation: Starovoitov F.V., Starovoitov V.V. PARAMETERS OF THE CURVE OF LOCAL ESTIMATE DISTRIBUTION AS IMAGE QUALITY MEASURES. «System analysis and applied information science». 2018;(3):26-41. (In Russ.) https://doi.org/10.21122/2309-4923-2018-3-26-41

Просмотров: 206

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2309-4923 (Print)
ISSN 2414-0481 (Online)