41. Критерии оценивания качества воспроизведения изображений. Мера качества видео на основе дискретного косинусного преобразования.
Алгоритм VQM основывается на идее о том, что в большинстве случаев наблюдатель при оценке качества изображения менее внимателен к мелким деталям, в то время как его основное внимание концентрируется на крупных объектах. Следовательно, возможно представить высокочастотную временную и пространственную информацию с меньшей точностью, а потерей качества в таком случае можно пренебречь, поскольку человеческий глаз малочувствителен к искажениям на подобном уровне. По этой причине, вместо попиксельного яркостного сравнения двух изображений (оригинального и искаженного) в алгоритме осуществляется сравнение взвешенных частот на уровне человеческого восприятия.
Кроме того, по мнению автора, наибольшим приоритетом при оценке качества, обладают те части изображения, яркость которых наибольшая. Он основывается на предположении о том, что если часть изображения более яркая, то и искажения на ней должны оказаться более заметны человеческому глазу.
Этапы алгоритма:
1. Чтение блоков размером 8x8 из исходного и искаженного изображений.
2. Каждый блок подвергается дискретному косинусному преобразованию, в результате чего мы получаем 2 матрицы частотныхDCT-коэффициентов размером 8x8.
3. Для каждого блока производится масштабирование частот в зависимости от его общей яркости. Результатом данного этапа являются две матрицы LocalContrast для блоков из исходного и искаженного изображений соответственно:
(14.9)
где DCT(i,j) – матрица размером 8x8, являющая результатом дискретного косинусного преобразования исходного блока, DC– это средняя яркость данного блока перед преобразованием, имеющая нулевую несущую частоту, т.е. DC= DCT(0,0).
4. Каждый блок подвергается делению на стандартную матрицу квантования, в результате получаем две матрицы, содержащие взвешенные частоты с учетом человеческого восприятия.
5. Вычисляем функцию пространственной контрастной чувствительности (SpatialContrastSensitivityFunction, SCSF). Для этого берем абсолютное отклонение соответствующих элементов полученных матриц, вычисляем их сумму, добавляем ее к сумме уже просмотренных блоков, вычисляем максимальное отклонение соответствующих элементов матриц.
6. На последнем этапе производится вычисление качества видеосигнала:
(14.10)
где sum – это сумма всех абсолютных отклонений, max– максимальное из всех отклонений по всему кадру. Таким образом, вычисляется средняя ошибка по всему кадру. Кроме того, оценка качества изображения производится с учетом максимального отклонения по всему кадру, поскольку в алгоритме делается предположение о том, что одно крупное искажение в одной части изображения, отвлечет наше внимание от более мелких искажений в других частях кадра.
42. Критерии качества восстановления изображений
Для сравнения различных алгоритмов сжатия используются следующие объективные критерии качества.
1. Среднеквадратическая ошибка (meansquareerror) или средний квадрат ошибок
,
(14.12)
2. Средняя абсолютная ошибка (meanabsoluteerror)
(14.13)
3. Нормированная среднеквадратическая ошибка (normalizedMSE)
(14.14)
4. Нормированная абсолютная ошибка (normalizedabsoluteerror)
(14.15)
5. Отношение сигнал/шум (signaltonoiseratio)
(14.16)
Использование логарифмов сглаживает MSE и делает ее менее чувствительной к малым изменениям восстановляемого изображения.
6. Пиковоеотношениесигнал/шум (peak signal to noise ratio)
На практике используется модификация меры MSE и называется PSNR (peakofsignal-to-noiseratio). PSNR чаще других параметров применяется для оценки сходства между исходным и восстановленным изображениями.
7. Средняя разность (averagedifference)
(14.18)
8. Максимальная разность (maximumdifference)
(14.19)
9. Структурное содержимое (structuralcontent)
(14.20)