Оценка контраста цифрового изображения на базе параметров распределения Вейбулла

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.

1. ГОСТ Р 58295–2018 (ИСО/МЭК 19794–6:2011) Информационные технологии (ИТ). Биометрия. Форматы обмена биометрическими данными. Часть 6. Данные изображения радужной оболочки глаза.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. Kodak Lossless True Color Image Suite. [Online]. Available: http://r0k.us/graphics/kodak/.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.