Аннотация и ключевые слова
Аннотация (русский):
Предлагаются алгоритм и методика ранжирования группы растровых изображений по критерию их предполагаемого качества. Под ранжированием в статье понимается оценка выборки растровых изображений в порядке убывания их качества. При этом оценка качества изображений выполняется на основе ряда статистических показателей, таких как коэффициенты вариации, детерминации, показатель ранговой корреляции, а также ошибки: абсолютной максимальной, средней, средней квадратической. Различия между изображениями базируются на преобразовании полноцветного изображения RGB в цветовые пространства HSV, Lab, NTSC, XYZ, YCbCr, которые можно представить в виде одномерных матриц пикселей. В качестве эталона принимается не отдельно взятое изображение, а цветовая модель RGB. Относительно нее сравниваются предлагаемые статистические характеристики других цветовых моделей, при этом любой объект каждой цветовой модели сравнивается с базовой моделью – изображением RGB. На основе такого сравнения все изображения заданной группы анализируются независимо друг от друга. Оценка качества изображения выполняется в модуле, который может использоваться для циклической обработки нескольких изображений и представляется в числовой форме в виде вещественного числа. Один из блоков модуля выполняет расчеты статистических показателей между каждой цветовой моделью и базовой моделью RGB. После получения значений оценок качества они ранжируются по их значениям. В итоге может быть определено изображение с более высоким или низким качеством сцены. В качестве тестовых изображений были рассмотрены изображения с артефактами блокинга, зашумленные изображения типа соль и перец (salt & pepper), изображения с артефактами строб-эффектов.

Ключевые слова:
цветовые пространства, цветовые модели, растровые изображения, коэффициенты вариации, детерминации, ранговой корреляции, максимальная, средняя, среднеквадратическая ошибки
Текст
Текст произведения (PDF): Читать Скачать

Введение Содержание и исследования, проведенные в работе, относятся к теории и практике цифровой обработки изображений, которую применяют в различных научных направлениях, включая работы учебного и научно-исследовательского характера [1–14]. Существуют различные подходы и алгоритмы оценки качества изображений, которые подразделяют на референсные и нереференсные. Оценке качества растровых изображений посвящено достаточно много научных работ [6–14], которые отличаются методами и алгоритмами, позволяющими давать заключение о качестве изображений на основе числовых показателей или метрик. В данной работе за основу принято сравнение различных цветовых моделей – RGB (Red, Green, Blue), HSV (Hue – цветовой тон, Saturation – насыщенность, Brightness – яркость), Lab (CIE L*a*b, Lightness – светлота в диапазоне от 0 до 100, координаты a, b означают позицию между зеленым-пурпурным и синим-желтым цветами), NTSC (National Television System Committee – стандарт системы цветного телевидения, использовавшийся в США, Канаде, Мексике, Японии, Южной Корее, Тайване, на Филиппинах и в ряде стран Южной Америки), XYZ (CIE XYZ, X – мнимый красный цвет, Y – мнимый зеленый цвет, Z – мнимый синий цвет), YCbCr (Y – яркость/интенсивность, Cb – цветность синего, Cr – цветность красного). Возможность перехода от цветовой модели RGB к перечисленным может быть выполнена в ряде сред программирования. Данный подход в некоторой степени является продолжением исследований, представленных в [14]. Задачей данного исследования является ранжирование группы изображений с целью определения наиболее качественного среди них. При этом можно сказать, что оценка качества осуществляется условно эталонным способом, когда за эталон принимается не отдельно взятое изображение, а цветовая модель RGB. Относительно нее сравниваются предлагаемые статистические характеристики других цветовых моделей. Следует, конечно, отметить существующие референсные и нереференсные методы оценки качества изображений [9, 12, 14–23]. В то же время также следует отметить, что нет универсальных методов или алгоритмов, реализованных на компьютере в виде универсальной программы, в связи с чем авторы считают обоснованным выбор темы своей научной статьи, чтобы внести определенный вклад в решение задачи компьютерной оценки качества растровых изображений. Материалы и методы В проведенных исследованиях были использованы группы изображений, представленные на рис. 1–4 с учетом форматного размера расположения на странице. img1.bmp img89.bmp img107.bmp img138.bmp img154.bmp img168.bmp Рис. 1. Первая группа тестовых изображений Как видно на рис. 1, в первой тестовой группе имеются очевидные искажения блокинга. Вторая тестовая группа изображений визуально не имеет очевидных искажений (рис. 2). А. Делон.jpeg Девушка 1.bmp Девушка 2.bmp Рис. 2. Вторая группа тестовых изображений В третьей группе изображений (рис. 3) имеются искажения типа соли и перца (salt & pepper) с указанием доли внесенных искажений. lena.jpeg lena_0.05.jpeg lena_0.1.jpeg lena_0.15.jpeg lena_0.2.jpeg lena_0.25.jpeg Рис. 3. Третья группа тестовых изображений И в четвертой группе изображений (рис. 4) присутствуют артефакты строб-эффектов, описание которых можно найти в [12]. Strobe4.jpg Strobe2.jpg Strobe3.jpg Strobe1.jpg Рис. 4. Четвертая группа тестовых изображений Начальный анализ каждой из групп изображений базируется на анализе каждого отдельного изображения. Этот анализ связан с загрузкой растрового изображения (Image), представления его в цветовом пространстве RGB с последующим преобразованием и переходом к другим цветовым пространствам – HSV, Lab, XYZ, NTSC, YCbCr. Схема преобразований цветовых пространств представлена на рис. 5. Рис. 5. Концептуальная схема преобразования цветовой модели RGB На рис. 5 обозначение 1D-array есть результат преобразования трехмерного массива в одномерный массив пикселей в соответствии с рассматриваемыми цветовыми пространствами. Оценка качества загруженного изображения Image выполняется в блоке Evaluator, который определяет качество изображения Quality в числовой форме в виде вещественного числа. Схему рис. 5 можно рассматривать как модуль, который будет использоваться при циклической обработке группы изображений. В блоке Evaluator выполняются расчеты статистических показателей между каждой цветовой моделью и базовой моделью RGB. Это, в первую очередь, следующие показатели: – максимальная ошибка Emax: (1) – средняя ошибка Eaver: (2) – среднеквадратическая ошибка Ease: (3) где Yrk, Yck – одномерные массивы цветовой модели RGB и преобразованной цветовой модели (HSV, Lab, XYZ, NTSC, YCbCr); n – размер одномерных массивов, число пикселей исследуемого изображения. Кроме ошибок (1)–(3) предлагается использовать коэффициент вариации Cv абсолютной разницы массивов Yrk, Yck в соответствии с определением [24, 25] в виде отношения стандартного отклонения к среднему арифметическому пикселей разницы массивов, а также коэффициент детерминации R2. Оценку связи Prs между Yrk и Yck находим с помощью коэффициента ранговой корреляции Пирсона [24, 25]. Поскольку значения R2 и Prs принадлежат отрезку [–1; 1], то в расчетах выполнено приведение к отрезку [0; 1] по формулам (4) В результате циклической обработки цветовых моделей значения статистических показателей сохранялись в контейнеры, например, с именами V1 (максимальные ошибки), V2 (средние ошибки), V3 (среднеквадратические ошибки), V4 (коэффициенты вариации), V5 (коэффициенты детерминации), V6 (коэффициенты ранговой корреляции). Для дальнейших расчетов принимались следующие значения каждого из контейнеров: где k – индексация размерности контейнеров Vi, i = 1,6. Итоговую величину оценки качества Quality определяем по следующему выражению: (5) где eps – малая положительная величина порядка 10–16. Расчетные формулы (4) и (5) получены в результате экспериментальных исследований и эвристических предпосылок. Все приведенные формулы позволяют использовать их практически в любой системе программирования, где предусматривается чтение графических файлов распространенных форматов – .bmp, .png, .jpeg (.jpg), .jpf (Jpeg 2000), .tiff (.tif). Очевидно, что усреднение величины Quality (метрики качества) приводит к выравниванию получаемых значений, когда значения меняются без резких перепадов. Но это не является серьезным препятствием для современных вычислительных средств в процессе последующего ранжирования группы изображений, т. е. их сортировки по возрастанию значений Quality. При этом меньшие значения метрики изображения соответствуют его более качественному восприятию. Таким образом, нами был описан функционал блока Evaluator, представленного на рис. 5. Результаты экспериментального исследования В соответствии с описанным алгоритмом расчета метрик (Quality) изображений была разработана программа, в соответствии с которой здесь предлагаются результаты обработки тестовых изображений, представленных на рис. 1–4. Эти результаты сведены в табл. 1–4, где они проранжированы по величине Quality. Таблица 1 Результаты оценки качества первой группы тестовых изображений Имя графического файла Размер изображения, W  H пикселей Quality (оценка качества) img168.bmp 480  720 2,537941665 img107.bmp 480  720 2,538593912 img89.bmp 480  720 2,539512781 img1.bmp 480  720 2,539996022 img154.bmp 480  720 2,557317004 img138.bmp 480  720 2,557495761 По данным табл. 1 наиболее качественное изображение относится к img168.bmp, менее качественное, соответственно, – img138.bmp. Для этой группы изображений, как видно из рис. 1, результат вполне соответствует визуальному восприятию. Таблица 2 Результаты оценки качества второй группы тестовых изображений Имя графического файла Размер изображения, W  H пикселей Quality (оценка качества) А. Делон.jpeg 454  338 2,517179412 Девушка 1.bmp 444  338 2,559873106 Девушка 2.bmp 444  336 2,560627690 Несмотря на некоторые различия в размерах изображений, можно считать, что изображение А. Делон.jpeg является более качественным по сравнению с остальными изображениями второй группы. Визуально такое решение не совсем очевидно. Таблица 3 Результаты оценки качества третьей группы тестовых изображений Имя графического файла Размер изображения, W  H пикселей Quality (оценка качества) lena.jpg 512  512 2,485204422 lena_ 0.05.jpg 512  512 2,489409720 lena_ 0.1.jpg 512  512 2,496873669 lena_ 0.15.jpg 512  512 2,502811663 lena_ 0.2.jpg 512  512 2,506858274 lena_ 0.25.jpg 512  512 2,512953788 Результаты из табл. 3, возможно, соответствуют визуальным восприятиям изображений, одно из которых (lena.jpg) является стандартным, а остальные с шумами типа salt & pepper. При этом величина, например 0,05, это 5 % от числа всех пикселей, подверженных шуму, величина 0,25 соответствует 25 %. Следует также отметить, что горизонтальное и вертикальное разрешение изображений из табл. 3 составляет 96 точек на дюйм. Таблица 4 Результаты оценки качества четвертой группы тестовых изображений Имя графического файла Размер изображения, W  H пикселей Quality (оценка качества) Strobe_1.jpg 420  450 2.724683722 Strobe_3.jpg 450  300 2.741842024 Strobe_2.jpg 281  300 2.765243917 Strobe_4.jpg 300  217 2.814810280 Для четвертой группы достаточно сложно определить наиболее качественное изображение визуально, поэтому в этом случае актуальным способом определения следует признать компьютерную обработку подобных изображений. Заключение В статье рассмотрены методы и приемы оценки качества группы растровых изображений и показана их состоятельность на ряде примеров. Преимуществом разработанной методики оценки качества изображений является ее надежная программная реализация. Предложенный подход в некоторых случаях может быть альтернативой существующим алгоритмам нереференсной оценки качества изображений [15–17] в плане оперативности программной реализации и доступности вычислительных операций. Тем не менее, авторы отдают себе отчет в том, что рассмотренный в определенной степени эвристический подход не может быть включен в ранг нереференсных методов оценки качества растровых изображений.
Список литературы

1. Александров Э. Э., Савкина А. В. Компьютерная графика: учеб. пособие. Саранск: Изд-во Мордов. ун-та, 2005. 88 с.

2. Дёмин А. Ю. Основы компьютерной графики: учеб. пособие. Томск: Изд-во Том. политехн. ун-та, 2011. 191 с.

3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с.

4. Нуштаева А. В., Савкина А. В. Лабораторный практикум по компьютерной графике: учеб. пособие. Саранск: Изд-во Мордов. ун-та, 2018. 132 с.

5. Никулин Е. А. Компьютерная графика. Модели и алгоритмы: учеб. пособие. СПб.: Лань, 2018. 708 c.

6. Матвеев Д. В., Седов А. Г. и др. Оценка качества цифровых изображений и видеоданных: учеб.-метод. пособие. Ярославль: Изд-во ЯрГУ, 2018. 76 с.

7. Ерофеев В. Т., Афонин В. В., Касимкина М. М. Влияние пластификаторов на изменение цветности ЛКМ под воздействием агрессивных сред // Лакокрасочные материалы и их применение. 2011. № 6. С. 38–41.

8. Черушова Н. В., Митина Е. А., Касимкина М. М., Афонин В. В., Ерофеев В. Т. Оценка изменения декоративных свойств лакокрасочных материалов под воздействием эксплуатационных факторов // Вестн. Мордов. ун-та. 2008. № 4. С. 124–127.

9. Зоткина М. М., Зоткин В. Б., Емельянов Д. В., Захарова Е. А., Черушова Н. В., Ерофеева И. В., Афонин В. В. Изменение декоративных свойств пигментированных цементных композитов в результате воздействия биологических агрессивных сред // Актуальные вопросы архитектуры и строительства: материалы XIV Междунар. науч.-техн. конф. (Саранск, 23–25 декабря 2015 г.). Отв. ред. В. Т. Ерофеев. Саранск: Изд-во Мордов. ун-та, 2015. С. 221–224.

10. Афонин В. В., Ерофеева И. В., Зоткина М. М., Емельянов Д. В., Подживотов Н. Ю. Эталонная оценка качества изображений композиционных материалов, подверженных воздействию положительных и отрицательных температур // Вестн. Моск. гос. строит. ун-та. 2019. Т. 14. Вып. 1. С. 83–93. DOI: 10.22227/1997-0935.2019.1.83-93.

11. Бабкин П. С., Павлов Ю. Н. Анализ и сравнение объективных методов оценки качества изображе-ний // Наука и образование: науч. изд. МГТУ им. Н. Э. Баумана. 2014. № 9. С. 203–215.

12. Аль-Аскари М. А., Федосин С. А. Нереференсная оценка строб-эффектов на растровых изображе-ниях с двойной оптимизацией параметра алгоритма Кэнни // Естественные и технические науки. 2018. № 11 (125). С. 424–428.

13. Афонин В. В., Савкина А. В., Никулин В. В. Оценка устойчивости структурно-яркостных свойств при цифровой обработке изображений // Вестн. Астрахан. гос. техн. ун-та. Сер.: Управление, вычисли-тельная техника и информатика. 2021. № 2. С. 39–46. DOI: 10.24143/2072-9502-2021-2-39-46.

14. Yeganeh H., Wang Z. Objective quality assessment of tone-mapped images // IEEE Transactions on Im-age Processing. 2013. V. 22. Iss. 2. P. 657–667. DOI: 10.1109/tip.2012.2221725.

15. Mittal A., Soundararajan R., Bovik A. C. Making a Completely Blind Image Quality Analyzer // IEEE Signal processing Letters. March 2013. V. 22. N. 3. P. 209–212.

16. Mittal A., Moorthy A. K., Bovik A. C. No-reference Image Quality Assessment in the Spatial Domain // IEEE Transactions on Image Processing. 2012. N. 21 (12). P. 4695–4708.

17. Mittal A., Moorthy A. K., Bovik A. C. Referenceless image spatial quality evaluation engine // Proc. 45th Asilomar Conf. Signals Syst. Comput. Nov. 2011. P. 1–5.

18. Gu K., Zhou J., Zhai G., Lin W., Bovik A. C. No-reference quality assessment of screen content pictures // IEEE Transactions on Image Processing. August 2017. V. 26. N. 8. P. 4005–4017.

19. Pambrun J. F., Noumeir R. Limitations of the SSIM quality metric in the context of diagnostic imaging // Proc. of the IEEE International Conference on Image Processing. 2015. P. 2960–2963.

20. Старовойтов В. В. Уточнение индекса SSIM структурного сходства изображений // Информати-ка. 2018. Т. 15. № 3. С. 41–55.

21. Ma J., Fan X., Yang S. X., Zhang X., Zhu X. Contrast Limited Adaptive Histogram Equalization Based Fusion for Underwater Image Enhancement. 2017. URL: https://www.preprints.org/manuscript/201703.0086/v1 (дата обращения: 12.04.2021).

22. Wang Z., Bovik A. C. Modern image quality assessment // Synthesis Lectures on Image, Video, and Mul-timedia Processing. 2006. V. 2. N. 1. P. 1–156.

23. Zhou W., Bovik A. C., Sheikh H. R., Simoncelli E. P. Image Qualifty Assessment: From Error Visibility to Structural Similarity // IEEE Transactions on Image Processing. April 2004. V. 13. Iss. 4. P. 600–612.

24. Кобзарь А. И. Прикладная математическая статистика. М.: Физматлит, 2006. 816 с.

25. Горяинов В. Б., Павлов И. В., Цветкова Г. М. и др. Математическая статистика: учеб. для вузов / под ред. B. C. Зарубина, А. П. Крищенко. М.: Изд-во МГТУ им. Н. Э. Баумана, 2008. Вып. XVII. 424 с.