Оценка тоновой девиации граничных пикселей статического растрового изображения с использованием алгоритма сбалансированного «доопределения»

Использование алгоритмов предварительной обработки растровых изображений предполагает улучшение набора характеристик изображения для использования полученного качественного эффекта преобразований на последующих этапах процесса обработки. Оценка эффекта воздействия на растровое изображение является нетривиальной задачей, от качества ее решения зависит выбор дальнейших шагов обработки и алгоритмического инструментария. Примером может быть алгоритм сбалансированного «доопределения» граничных пикселей изображения, разработанный для улучшения результатов работы алгоритмов выделения контуров объектов и основанный на операции двумерной свертки, где улучшение заключается в сокращении числа резко контрастирующих пикселей на границах растровых изображений относительно смежных. Существующие численные оценки PSNR и SSIM растровых изображений, полученных после применения алгоритма сбалансированного «доопределения», показали свою малую эффективность из-за малого числа пикселей, затрагиваемых преобразованиями. Альтернативным критерием является оценка тоновой девиации пикселей на границах растрового изображения. Объект исследования – пиксельная матрица цветного трехканального статического растрового изображения. Предмет изучения – оценка тоновой девиации граничных пикселей статического растрового изображения, полученных с использованием алгоритма сбалансированного «доопределения». Основная цель – вычисление оценки тоновой девиации граничных пикселей статического растрового изображения после применения алгоритма сбалансировано «доопределения», анализ и ранжирование альтернативных методов «доопределения» граничных пикселей по критерию тоновой девиации. В статье приводится определение понятия и обоснование использования оценки тоновой девиации. Представлен пример вычисления тоновой девиации пикселей после применения алгоритма сбалансированного «доопределения» и метода копирования для 1 тыс. цветных трехканальных растровых изображений из датасета SpaceNet Satellite Images от ImageNet. Проведен краткий анализ полученных результатов оценок, даны рекомендации к выбору лучшего метода «доопределения».

1. Оценка качества цифровых изображений и видеоданных / Д. В. Матвеев, А. Г. Седов, В. В. Хрящев, А. Л. Приоров. Ярославль : ЯрГУ, 2018. 76 с.

2. Старовойтов, В. В. Уточнение индекса SSIM структурного сходства изображений / В. В. Старовойтов // Информатика. 2018. Т. 15, № 3. С. 41–55. URL: https://inf.grid.by/jour/article/view/438/429 (дата обращения: 10.06.2026).

3. Старовойтов, В. В. Индекс SSIM не является метрикой и плохо оценивает сходство изображений / В. В. Старовойтов // Системный анализ и прикладная информатика. 2019. № 2. С. 12–17. DOI: 10.21122/2309-4923-2019-2-12-17.

4. Определение контуров объектов методами не линейной фильтрации для граничных пикселей / Д. B. Заерко, В. А. Липницикий, Н. Л. Боброва, Дм. В. Заерко. Системный анализ и прикладная информатика. 2022. № 3. C. 4–11. DOI: 10.21122/2309-4923-2022-3-4-11.

5. Заерко, Д. В. Алгоритм сбалансированной интерполяции пикселей при выделении контуров объектов на границах изображения / Д. В. Заерко, Н. Л. Боброва // Вестник СибГУТИ. 2022. № 2. С. 79–93. https://doi.org/10.55648/1998-6920-2022-16-2-79-93.

6. Bailey, D. G. Image border management for FPGA based filters / D. G. Bailey // 2011 Sixth IEEE International symposium on electronic design, test and application, DELTA 2011, 17–19 January 2011, Queenstown, New Zealand / ed.: G.S. Gupta [et al.]. Los Alamitos ; Washington ; Tokyo, 2011. P. 144–149. DOI: 10.1109/DELTA.2011.34.