Анализ структурного сходства в оценке качества изображений

Цель. Цель работы состоит в исследовании недостатков распространенных в настоящее время объективных математических критериев, основанных на принципе измерения вносимой ошибки, а также демонстрации преимуществ критериев, учитывающих особенности зрительной системы человека.

Метод. Исследование основано на моделировании внесения искажений импульсным шумом. Полученное качество изображения оценивается с применением вышеуказанных метрик. Метрики оценки качества должны хорошо согласовываться с результатами субъективных оценок для широкого класса изображений, не требуя при этом чересчур сложных вычислений; имели простую аналитическую форму и их можно было бы применять в качестве критериев оптимальности при оптимизации или выборе параметров систем обработки изображений, в том числе, систем машинного обучения.

Результат. Результаты экспериментов показывают слабую сторону традиционных подходов к оценке качества изображения, основанных на использовании математических мер, оценивающих вносимую алгоритмом обработки ошибки.

Вывод. Метрики представляют собой распространенные в настоящее время объективные критерии, с помощью которых можно измерить отклонения, но они плохо коррелируют с субъективными показателями качества. Метрики, учитывающие особенности зрительной системы человека, позволяют оценивать качество изображения как измерение структурных искажений, а не вносимых ошибок. Проведенные нами эксперименты позволили показать, что улучшенная метрика имеет не линейную, а показательную зависимость от вероятности искажения значения пикселя, значительно лучше коррелирует с субъективным визуальным восприятием качества изображения, подвергшегося обработке, чем среднеквадратическое отклонение.

1. Marias K. The Constantly Evolving Role of Medical Image Processing in Oncology: From Traditional Medical Image Processing to Imaging Biomarkers and Radiomics // Journal of Imaging, 2021. 7(8). 124.

2. Zhang J., Chen Z., Liu S. Remote Sensing Image Coding for Machines on Semantic Segmentation via Contrastive Learning // IEEE Transactions on Geoscience and Remote Sensing, 2024. vol. 62. pp. 1-13. 5645013.

3. Коржик В.И., Красов А.В. Цифровая стеганография: учебник. М.: ООО «КноРус». 2023. 324 с.

4. Земцов А.Н. Методы цифровой стеганографии для защиты авторских прав: монография. Saarbrucken: LAP Lambert, 2012. 148 с.

5. Бахрушина Г. И. Скремблирование цифровых изображений / Г.И. Бахрушина, Д.С. Синьков, А.П. Бахрушин // Ученые заметки ТОГУ, 2018. Т. 9, № 1. С. 636-645.

6. Земцов А.Н., Цыбанов В.Ю. Скремблирование цифровых изображений // Инженерный вестник Дона, 2020. № 6 URL: ivdon.ru/ru/magazine/archive/N6y2020/6503.

7. Иванов А.В. Методы, алгоритмы и устройства кодирования и декодирования изображений. Санкт-Петербург: Издательско-полиграфическая ассоциация высших учебных заведений, 2019. 260 с.

8. Земцов А.Н. Представление изображений с помощью преобразования Ле Галла // Вестник Томского государственного университета. Управление, вычислительная техника и информатика, 2018. № 43. С. 42-48.

9. Park K., Chae M., Cho J.H. Image Pre-Processing Method of Machine Learning for Edge Detection with Image Signal Processor Enhancement // Micromachines, 2021. 12(1), 73.

10. Сычев А.С. Безэталонный интегрально-мультипликативный показатель качества цифровых полутоновых изображений/А.С. Сычев, И.С. Холопов // Цифровая обработка сигналов, 2018. № 3. С. 49-55.

11. Сай С.В. Метрика искажений мелких структур компрессированных изображений // Компьютерная оптика, 2018. Т. 42. № 5. С. 829-837.

12. Непараметрический алгоритм автоматической классификации многомерных статистических данных большого объёма и его применение / И.В. Зеньков, А.В. Лапко, В.А. Лапко [и др.] // Компьютерная оптика, 2021. Т. 45. № 2. С. 253-260.

13. Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image Quality Assessment: From Error Visibility to Structural Similarity // IEEE Transactions on Image Processing, 2004. 13(4). pp. 600-612.

14. Антоненко А.С. Оценка параметров QoS для бесперебойной работы IPTV // T-Comm: Телекоммуникации и транспорт, 2020. Т. 14. № 10. С. 33-38.

15. Земцов А.Н. Сравнительный анализ эффективности методов сжатия изображений на основе дискретного косинусного преобразования и фрактального кодирования//Прикладная информатика, 2011. № 4(34). С. 90-104.

16. Земцов А.Н. Защита от неправомерного использования графической информации в социальных сетях // Современные наукоемкие технологии, 2020. № 7. С. 51-56.

17. Jierula A., Wang S. Study on Accuracy Metrics for Evaluating the Predictions of Damage Locations in Deep Piles Using Artificial Neural Networks with Acoustic Emission Data // Applied Sciences, 2021. 11(5). 2314.

18. Schmid L., Roidl M., Kirchheim A. Comparing Statistical and Machine Learning Methods for Time Series Forecasting in Data-Driven Logistics – A Simulation Study //Entropy, 2025. 27(1). 25.

19. Гаврилов Д.А. Аппаратная реализация сжатия динамического диапазона цифровых изображений на ПЛИС Xilinx / Д.А. Гаврилов, А.В. Павлов, Д.Н. Щелкунов//Журнал радиоэлектроники, 2018. № 10. С. 16.

20. Старобинец Д.Ю. Автоматический выбор параметров сжатия изображений с потерями на основе инвариантных моментов при дистанционном зондировании Земли//Современные проблемы дистанционного зондирования Земли из космоса, 2017. Т. 14. № 5. С. 26-36.

21. Земцов А.Н. Сравнительный анализ эффективности методов сжатия изображений на основе дискретного косинусного преобразования и фрактального кодирования//Прикладная информатика, 2011. № 5(35). С. 77-84.

22. ISO/IEC 15444-1 ITU-T Rec. T. 800, Information Technology – JPEG 2000 Image Coding System: Core Coding System, 2019. 196 p.