Обработка и передача изображений icon

Обработка и передача изображений



НазваниеОбработка и передача изображений
Дата17.10.2016
Размер
ТипУроки, сочинения

Обработка и передача изображений




ОЦЕНКА УРОВНЯ РАЗМЫТИЯ И ЗВОНА В ИЗОБРАЖЕНИЯХ СТАНДАРТА JPEG2000

Зараменский Д.А., Бекренев В.А., Соловьев В.Е.

Ярославский государственный университет им. П.Г. Демидова

Введение

Цель кодирования изображений состоит в минимизации искажения сжатого изображения для данного отношения бит/пиксель (или, минимизации отношения бит/пиксель при данном уровне искажения). Эта задача требует наличия методов для точного измерения искажений или качества кодированного изображения. Искажение обычно оценивается с помощью таких метрик, как пиковое отношение сигнал\шум (ПОСШ) или универсальный индекс качества (УИК). К сожалению, данные метрики не всегда позволяют оценить степень конкретных искажений и служить основанием для выбора параметров кодера [1]. Поэтому, требуются метрики количественной оценки искажений для более точной оценки качества изображений. Конечная цель подобных исследований – создание кодера оптимального с учетом современных метрик.

Алгоритм JPEG2000 [1] сжимает изображение с потерями, используя разложение по биортогональному 9/7 вейвлет-базису [2, 3]. Коэффициенты дискретного вейвлет-преобразования (ДВП) квантуются с помощью скалярного квантователя с возможностью адаптивной настройки размера шага для каждого поддиапазона. Операция квантования зануляет большое количество небольших по величине ДВП-коэффициентов. В результате восстановленное из квантованных ДВП-коэффициентов изображение содержит такие типы искажений, как размытые границы и звон. Размытие возникает по причине затухания высоких частот в изображении и характеризуется расплыванием границ и общей потерей детальности. Явление звона вызвано квантованием высокочастотных коэффициентов и проявляется в виде ряби около резких границ на изображении.

В данной работе описаны новые алгоритмы оценивания уровня размытия и звона в изображениях, сжатых при помощи ДВП. Предложенные метрики определены в пространственной области и основаны на анализе границ в изображении.


^ Алгоритм оценки уровня размытия

Вследствие процедуры сжатия границы изображения размываются. Поэтому, предлагаемый алгоритм измерения размытия основан на измерении ширины границ. Его схема представлена на рис.1. Первый шаг заключается в применении детектора границ к яркостной компоненте изображения. В качестве детектора границ используется фильтр Собеля. Шум и незначительные границы удаляются путем гибкой настройки порога. На следующем шаге сканируется каждая строка искаженного (сжатого) изображения. Начальная и конечная точки границы, определяются как точки ближайших к границе локальных экстремумов яркости. В процессе определения локальных экстремумов отфильтровываются ошибочно детектированные границы. Ширину границы w определим как расстояние между начальной и конечной точками границы и назовем локальным уровнем размытия. Метрика размытия (МР) определяется путем усреднения всех локальных уровней размытия всех границ, найденных в изображении.

В алгоритме, описанном выше, учитываются только вертикальные границы, что обусловлено ускорением работы алгоритма. Таким образом, учитывается только горизонтально направленное размытие границ. Алгоритм легко может быть расширен для учета горизонтальных границ, путем фильтрации горизонтальным фильтром Собеля и сканированием каждой колонки. Тестирование алгоритма показало, что указанный прием не делает общую оценку размытия границ более точной.



Рис. 1. Схема эталонной метрики размытия

Данный алгоритм, имеет как эталонную, так и неэталонную реализацию. В эталонной реализации положение границ определяется в оригинальном изображении. При неэталонной реализации метрики размытия, положение границ следует определять в сжатом изображении. Это в некоторой степени влияет на точность определения границ (в зависимости от степени сжатия или искажения).

^ Алгоритм оценки уровня звона

Схема алгоритма представлена на рис.2. Так же, как и в случае метрики размытия границ, метрика звона определяется для каждой выделенной границы P. Алгоритм осуществляет поиск вертикальных границ в оригинальном изображении (слабые границы и шум удаляются гибкой настройкой порога) и подсчитывает w для каждой границы в сжатом изображении. Затем сканируется каждая строка в сжатом изображении, и измеряется звон в окрестности границ. Мы определяем левый и правый звон по отношению к границе. Для этого, определяется ширина звона wr (левая и правая) как , где wf – фиксированная ширина звона, которая определялась опытным путем, w – левая или правая ширина границы P. Локальный уровень левого звона для данной границы определяется по формуле: , где I1 и I2 – значения яркости оригинального и искаженного изображений­­ на отрезке [P-wf, P-w]. Локальный уровень правого звона определяется аналогично. Затем усредняем все локальные уровни звона (левые и правые уровни суммируются) по числу границ в изображении и получаем окончательную метрику звона (МЗ) для данного изображения.

^ Результаты тестирования алгоритмов

Для тестирования использовались 10 полутоновых изображения с разрешением пикселей с разной степенью детализации, сжатые алгоритмом JPEG2000 с 6 коэффициентами сжатия – K. Пример изображения из тестового набора и соответствующие оценки качества и значения искажений приведены на рис.3. Данные изображения были предварительно оценены экспертами в ходе проведения визуального эксперимента. Задачей эксперимента было определить фиксированную ширину звона и степень согласованности предложенных метрик с субъективной визуальной оценкой DMOS (difference mean opinion score), которая вычислялась как разность между средней оценкой оригинала и средней оценкой текущего изображения (MOS – mean opinion score). Кроме этого, определялась согласованность метрик размытия и звона с разработанным ранее алгоритмом неэталонной оценки качества изображений, сжатых по стандарту JPEG2000.

Для определения степени согласованности метрик с DMOS использовались следующие критерии корреляции:

  1. Коэффициент линейной корреляции Пирсона.

  2. Коэффициент ранговой корреляции Спирмена.

  3. Квадратный корень из среднеквадратичной ошибки.

Полученные результаты приведены в табл. 1.



Рис. 2. Схема эталонной метрики звона






а) сжатое изображение К = 17
(ПОСШ= 38,25 дБ, УИК=0,66,
МЗ= 0,49, МР= 7,57)



б) сжатое изображение К = 100
(ПОСШ= 32,43 дБ, УИК=0,43,
МЗ=0,86, МР=12,76)

Рис. 3. Результаты тестирования метрик на изображении «Скарлетт»

с различными коэффициентами сжатия


Таблица 1. Коэффициенты корреляции между значениями DMOS и объективными критериями

^ Критерии оценки качества

Коэффициенты корреляции

Пирсона

Спирмена



ПОСШ

0.8005

0.8072

11.4629

УИК

0.7896

0.8170

11.7365

НИК2000

0.6541

0.6196

14.4668

Эталонная МР

0.7026

0.7035

13.6098

Эталонная МЗ

0.6713

0.6990

14.1750

Анализ данных показывает, что предложенные метрики показывают хорошую согласованность с визуальной оценкой DMOS. Меньшая корреляция метрик с DMOS по сравнению с ПОСШ и УИК объясняется их направленностью на измерение одного конкретного типа искажения (звона или размытия), в то время как задачей экспертной оценки является комплексная оценка качества изображения. В конечной реализации в задачах определения качества изображения или пост-обработки необходимо учитывать комбинацию предложенных метрик.

Предложенные метрики можно использовать для измерения степени вносимых искажений в процессе сжатия. Для цветного изображения, измерение звона и размытия границ производится для яркостной компоненты. Кроме того, низкая вычислительная сложность данных методов позволяет адаптировать их для оценки искажений в видеопоследовательностях, сжатых по стандарту Motion JPEG2000.


Литература

  1. Taubman D.S., Marcellin M.W. JPEG2000: Image Compression Fundamentals, Standards, and Practice // Norwell, MA: Kluwer, 2001.

  2. Добеши И. Десять лекций по вейвлетам. – Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001.

  3. Малла С. Вейвлеты в обработке сигналов: Пер. с англ. – М.: Мир, 2005.



^ DISTORTION MEASURE IN JPEG2000 IMAGES

Zaramensky D., Bekrenev V., Soloviev V.

Yaroslavl State University
14 Sovetskaya st., Yaroslavl, Russia 150000. Phone: (4852) 797775. connect@piclab.ru

The goal of image encoding is to minimize distortions in compressed image for given bit/pixel ratio. This process requires for methods of precision distortion or quality measure. Widespread quality measures such as PSNR, RMSE, IQ cant’ distinguish the degrees of several different distortions if they present in compressed image. Therefore particular distortion quantity measures are needed to calibrate parameters of the encoder, because the final result is the creation of the encoder based on precision distortion measures.

The JPEG2000 algorithm compresses image using bi-orthogonal 9/7 wavelet decomposition. Coefficients of discrete wavelet transform are quantized, so that many of low magnitude coefficients become equal to zero. This results in two types of distortions in decompressed image: blur and ringing. Blur is characterized by a smearing of edges and a general loss of detail, whereas ringing introduces ripples around sharp edges.

In this paper new algorithms of blur and ringing measure are described. Proposed metrics are calculated in spatial domain using the analysis of borders in image.

The blur metric uses the Sobel filter to detect borders in the original image. The implementation with detecting borders in the compressed image also can be done. Then we scan every row in the compressed image and locate the start and end points for each border, so we can obtain the border width. The general blur measure is defined by averaging all borders widths.

The ringing metric uses the same technique for obtaining borders. After that we measure local ringing width near the border (from the left side and from the right side). The local ringing width (left and right) is multiplied by the distance between original and compressed images so we can obtain the local ringing measure. The general ringing measure is defined by averaging sums of left and right local ringing measures.

These algorithms where tested during the experiment for calculating MOS for more than 60 images. They showed good correlation with MOS and low computer resource consumption. The combination of these two algorithms can be successfully used for calibration JPEG2000 and Motion JPEG2000 encoders.

References

Taubman D.S., Marcellin M.W. JPEG2000: Image Compression Fundamentals, Standards, and Practice. Norwell, MA: Kluwer, 2001.

Mallat S. A Wavelet Tour of Signal Processing. Academic Press, 1998.








Цифровая обработка сигналов и ее применение

Digital signal processing and its applications




Похожие:

Обработка и передача изображений iconИ в жизни людей. Язык как способ представления информации: естественные и формальные языки. Основные информационные процессы: хранение, передача и обработка информации. Задача
Понятие информации. Виды информации. Роль информации в живой природе и в жизни людей. Язык как способ представления информации: естественные...
Обработка и передача изображений iconИсторический обзор
Что такое электроника? – Это передача, приём, обработка и хранение информации с помощью электрических зарядов. Это наука, технические...
Обработка и передача изображений iconУрок №22 6 цепные передачи. Устройство, достоинства и недостатки. Классификация. Основные геометрические соотношения цепная передача — передача зацеплением гибкой связью.
Цепная передача — передача зацеплением гибкой связью. Гибкую связь образует шарнирная цепь, охватывающая зубчатые звёздочки (рис....
Обработка и передача изображений iconУрок №23 ременные передачи ременная передача — фрикционная передача (нагрузка передаётся силами трения) с помощью гибкой связи (упругого ремня).
Ременная передача применяется для соединения валов, располо­женных на значительном расстоянии друг от друга (рис. 1)
Обработка и передача изображений iconУрок информатики в 8 классе По содержательно-методической линии «Информация и информационные процессы»
Цель: ввести понятия информационных процессов: передача, хранение, обработка; познакомить учащихся с понятиями: источник и приемник...
Обработка и передача изображений iconГоловко В. А. "Компьютерная обработка и анализ космических многоспектральных изображений"
Спектры электромагнитного излучения: спектры поглощения и отражения, атмосферные спектры поглощения, отражательные свойства подстилающих...
Обработка и передача изображений iconО. А. Щербина University of Vienna,\\
Ии позволяет решать многие прикладные задачи, такие, как задачи теории расписаний [9], задачи проектирования экспертных систем и...
Обработка и передача изображений iconЗадача на разработку алгоритма. Билет №2
Понятие информации. Виды информации. Роль информации в живой природе и в жизни людей. Язык как способ представления информации: естественные...
Обработка и передача изображений iconУчебный курс «Цифровая обработка изображений в редакторе Photoshop»
Например, часто требуется повысить контрастность, изменить освещенность, убрать эффект «красных глаз». Кроме того, современная технология...
Обработка и передача изображений iconСовременные информационные технологии на уроках биологии. (Слайд1)
Одним из главных видов деятельности в современной школе является обработка и передача информации. А стандарты второго поколения предполагают...
Разместите ссылку на наш сайт:
Уроки, сочинения


База данных защищена авторским правом ©izlov.ru 2000-2014
При копировании материала обязательно указание активной ссылки открытой для индексации.
связаться с нами