(46-1) 15 * << * >> * Русский * English * Содержание * Все выпуски

Cпособ оценки четкости фотореалистичных изображений с высоким разрешением
С.В. Сай 1

Тихоокеанский государственный университет, Хабаровск, Россия

 PDF, 1197 kB

DOI: 10.18287/2412-6179-CO-899

Страницы: 121-129.

Аннотация:
В статье предлагается способ оценки четкости фотореалистичных изображений, основанный на сравнении коэффициента детальности оригинального и искаженного изображений. В алгоритме идентификации мелких структур оригинального изображения используются операции сегментации активных пикселей, к которым относятся точечные объекты, тонкие линии и фрагменты текстуры. Количество активных пикселей оценивается значением коэффициента детальности, которое определяется отношением активных пикселей к общему количеству пикселей изображения. Этот же алгоритм используется для вычисления значения коэффициента детальности искаженного изображения, и далее оценивается снижение четкости с помощью сравнения полученных значений. К особенностям способа относится то, что идентификация мелких структур и сегментация активных пикселей выполняется в нормированной системе N-CIELAB.Также в алгоритме учитывается влияние ложных микроструктур на результаты оценки реставрированного изображения. Рассматриваются особенности построения нейронных сетей SRCNN в задачах качественного повышения разрешения изображения с восстановлением мелких структур. Приводятся результаты анализа качества увеличенных изображений по традиционным метрикам PSNR и SSIM, а также по предлагаемому способу.

Ключевые слова:
анализ изображений, суперразрешение, мелкие структуры, метрика искажений.

Цитирование:
Сай, С.В. Способ оценки четкости фотореалистичных изображений с высоким разрешением / С.В. Сай // Компьютерная оптика. – 2022. – Т. 46, № 1. – С. 121-129. – DOI: 10.18287/2412-6179-CO-899.

Citation:
Sai SV. A method for assessing photorealistic image quality with high resolution. Computer Optics 2022; 46(1): 121-129. DOI: 10.18287/2412-6179-CO-899.

References:

  1. Sai SV, Kamensky AV, Kuryachy MI. Modern methods of analyzing and improving the digital images quality. Khabarovsk: Publishing house of the Pacific State University; 2020.
  2. Wang Z, Chen J, Hoi Steven CH. Deep learning for image super-resolution: A survey. IEEE Trans Pattern Anal Mach Intell 2021; 43: 3365-3387.
  3. Lin W, Jay Kuo C-C. Perceptual visual quality metrics: A survey. J Vis Commun Image Represent 2011; 22(4): 297-312.
  4. Wang Z, Bovik AC, Sheikh HR, Simoncelli EP. Image quality assessment: From error visibility to structural similarity. IEEE Trans Image Process 2004; 13(4): 600-612.
  5. Top 15 Best Image Enlarger Review 2021. Source: <https://topten.ai/image-enlargers-review/>.
  6. Barten PGJ. Contrast sensitivity of the human eye and its effects on image quality. Knegsel: HV Press; 1999.
  7. Dvorkovich VP, Dvorkovich AV. Measurements in video information systems (theory and practice). Moscow: "Technosphere" Publisher; 2015.
  8. ISO 12233:2017. Photography – Electronic still picture imaging – Resolution and spatial frequency responses. Source: <https://www.iso.org/standard/71696.html>.
  9. Born M, Wolf E. Principles of optics: Electromagnetic theory of propagation, interference and diffraction of light. 7th ed. Cambridge: Cambridge University Press; 2019.
  10. Burns PD, Williams D. Sampling efficiency in digital camera performance standards. Proc SPIE 2008; 6808: 680805.
  11. Williams D, et al. A pilot study of digital camera resolution metrology protocols proposed under ISO 12233, edition 2. Proc SPIE 2008; 6808: 680804.
  12. Gonzalez RC, Woods RE. Digital image processing. 3rd ed. Prentice Hall; 2008.
  13. High resolution test patterns. Source: <http://www.bealecorner.org/red/test-patterns/>.
  14. Imatest. Source: <https://www.imatest.com/>.
  15. Sai SV. Metric of fine structures distortions of compressed images. Computer Optics 2018; 42(5): 829-837. DOI: 10.18287/2412-6179-2018-42-5-829-837.
  16. Pennebaker WB, Mitchel JL. JPEG still image data compression standard. New York, USA: Springer; 1992.
  17. Bovik A, Mittal A. No-reference image quality assessment in the spatial domain. IEEE Trans Image Process 2012; 21(12): 4695-4708.
  18. Dong C, Loy CC, He K, Tang X. Image super-resolution using deep convolutional networks. IEEE Trans Pattern Anal Mach Intell 2016; 38(2): 295-307.
  19. Ledig C, Theis L, Huszar F, et al. Photo-realistic single image super-resolution using a generative adversarial network. arXiv Preprint 2017. Source: <https://arxiv.org/abs/1609.04802>.
  20. Yang C, Lu X, Lin Z, et al. High-resolution imageinpainting using multi-scale neural patch. Proc IEEE Conf on Computer Vision and Pattern Recognition 2017: 6721-6729.
  21. Sheikh HR, Wang Z, Cormack L and Bovik AC. LIVE image quality assessment database. Source: <http://live.ece.utexas.edu/research/quality>.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20