bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2019-125-7-113-120bsuir-2178Research ArticleСЕКЦИЯ 5. МЕТРОЛОГИЯ И СТАНДАРТЫСРАВНИТЕЛЬНЫЙ АНАЛИЗ БЕЗЭТАЛОННЫХ ОЦЕНОК РЕЗКОСТИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙCOMPARATIVE ANALYSIS OF NO-REFERENCE MEASURES FOR DIGITAL IMAGE SHARPNESS ASSESSMENTГолубЮ. И.GolubY. I.

Голуб Юлия Игоревна, к.т.н., старший научный сотрудник

220012, Республика Беларусь, г. Минск, ул. Сурганова, 6

тел. +375-17-284-21-61

Golub Yuliya Igorevna, PhD, Senior Researcher

220012, Republic of Belarus, Minsk, Surganova str., 6

tel. +375-17-284-21-61

6423506@gmail.comСтаровойтовФ. В.StarovoitovF. V.

Аспирант

PG student

СтаровойтовВ. В.StarovoitovV. V.

Д.т.н., профессор, лауреат Государственной премии Республики Беларусь, главный научный сотрудник

220012, Республика Беларусь, г. Минск, ул. Сурганова, 6

тел. +375-17-284-21-61

D.Sci, Professor, laureate of State Prize of the Republic of Belarus, Chief Researcher

220012, Republic of Belarus, Minsk, Surganova str., 6

tel. +375-17-284-21-61

Государственное научное учреждение «Объединенный институт проблем информатики Национальной академии наук Беларуси»State Scientific Institution “The United Institute of Informatics Problems of the National Academy of Sciences of Belarus”Белорусский национальный технический университетThe Belarusian National Technical University20190612201907 (125)Спецвыпуск113120Copyright © Голуб Ю.И., Старовойтов Ф.В., Старовойтов В.В., 20192019Голуб Ю.И., Старовойтов Ф.В., Старовойтов В.В.Golub Y.I., Starovoitov F.V., Starovoitov V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/2178

В последнее время вопросы определения резкости цифровых изображений становятся все более актуальными и значимыми. Растет количество цифровых фотографий, используемых в разных областях науки и техники. Получаемые разными способами изображения могут иметь неудовлетворительное качество, поэтому важным этапом в алгоритмах обработки и анализа изображений является этап проверки качества получаемых данных. Некачественные изображения можно автоматически удалять. В статье исследуется задача автоматической оценки резкости цифровых изображений. В результате анализа научно-технической литературы были отобраны 28 функций, которые используются для анализа резкости цифровых изображений посредством вычисления множества локальных оценок. Все функции сначала вычисляют локальные оценки в окрестности каждого пиксела, затем в качестве обобщенной оценки качества всего изображения использовались средние арифметические значения локальных оценок. Тестирование показало, что множество локальных оценок резкости одного изображения чаще всего не соответствуют нормальному распределению данных. Поэтому дополнительно оценивались модифицированные варианты исследуемых функций, в которых вместо средних значений локальных оценок использовался один из параметров распределения Вейбулла (FORM, SCALE, MEAN weib, MEDIAN weib). В статье оценивались три варианта корреляции количественных оценок резкости с субъективными оценками человека-эксперта. Так как распределение локальных признаков отличается от нормального, применялись два ранговых коэффициента корреляции – Спирмена и Кендалла. Корреляция выше 0,7 означала хорошее совпадение количественных и визуальных оценок. Эксперименты выполнялись на цифровых изображениях различного качества и резкости – на искусственно размытых изображениях и на размытых в процессе съемки. Обобщая результаты выполненных экспериментов, для автоматического анализа резкости цифровых изображений предлагается использовать семь функций, которые быстро вычисляются и лучше других коррелируют с субъективными оценками резкости, выставленными человеком-экспертом.

Recently, problems of digital image sharpness determination are becoming more relevant and significant. The number of digital images used in many fields of science and technology is growing. Images obtained in various ways may have unsatisfactory quality; therefore, an important step in image processing and analysis algorithms is a quality control stage of the received data. Poor quality images can be automatically deleted. In this article we study the problem of the automatic sharpness evaluation of digital images. As a result of the scientific literature analysis, 28 functions were selected that are used to analyze the clarity of digital images by calculation local estimates. All the functions first calculate local estimates in the neighborhood of every pixel, and then use the arithmetic mean as a generalized quality index. Testing have demonstrated that many estimates of local sharpness of the image often have abnormal distribution of the data. Therefore, some modified versions of the studied functions were additionally evaluated, instead of the average of local estimates, we studied the Weibull distribution parameters (FORM, SCALE, MEAN weib, MEDIAN weib). We evaluated three variants of the correlation of quantitative sharpness assessments with the subjective assessments of human experts. Since distribution of local features is abnormal, Spearman and Kendall rank correlation coefficients were used. Correlation above 0.7 means good agreement between quantitative and visual estimates. The experiments were carried out on digital images of various quality and clarity: artificially blurred images and blurred during shooting. Summing up results of the experiments, we propose to use seven functions for automatic analysis of the digital image sharpness, which are fast calculated and better correlated with the subjective sharpness evaluation.

оценка качества цифрового изображениярезкость изображенияразмытиенормальное распределениераспределение Вейбуллаimage quality assessmentimage sharpnessblurnormal distributionWeibull distributionReferencesLarson E.C., Chandler D.M. Most apparent distortion: full-reference image quality assessment and the role of strategy. Journal of Electronic Imaging. 2010;19(1):011006. DOI:10.1117/1.3267105.Larson E.C., Chandler D.M. Most apparent distortion: full-reference image quality assessment and the role of strategy. Journal of Electronic Imaging. 2010;19(1):011006. DOI:10.1117/1.3267105.Pertuz S., Puig D., Garcia M.A. Analysis of focus measure operators for shape-from-focus. Pattern Recognition. 2013;46(5):1415-1432. DOI: 10.1016/j.patcog.2012.11.011.Pertuz S., Puig D., Garcia M.A. Analysis of focus measure operators for shape-from-focus. Pattern Recognition. 2013;46(5):1415-1432. DOI: 10.1016/j.patcog.2012.11.011.Beghdadi A., Le Negrate A. Contrast enhancement technique based on local detection of edges. Computer Vision, Graphics, and Image Processing. 1989;46(2):162-174. DOI: 10.1016/0734-189X (89)90166-7.Beghdadi A., Le Negrate A. Contrast enhancement technique based on local detection of edges. Computer Vision, Graphics, and Image Processing. 1989;46(2):162-174. DOI: 10.1016/0734-189X (89)90166-7.Narvekar N.D., Karam L.J. A no-reference perceptual image sharpness metric based on a cumulative probability of blur detection. 2009 International Workshop on Quality of Multimedia Experience. 2009; 87-91. DOI: 10.1109/QOMEX.2009.5246972.Narvekar N.D., Karam L.J. A no-reference perceptual image sharpness metric based on a cumulative probability of blur detection. 2009 International Workshop on Quality of Multimedia Experience. 2009; 87-91. DOI: 10.1109/QOMEX.2009.5246972.Sang Q., Qi H., Wu X., Li C., Bovik A. C. No-reference image blur index based on singular value curve. Journal of Visual Communication and Image Representation. 2014;25(7):1625-1630. DOI: 10.1016/j.jvcir.2014.08.002.Sang Q., Qi H., Wu X., Li C., Bovik A. C. No-reference image blur index based on singular value curve. Journal of Visual Communication and Image Representation. 2014;25(7):1625-1630. DOI: 10.1016/j.jvcir.2014.08.002.Vu P.V., Chandler D.M. A fast wavelet-based algorithm for global and local image sharpness estimation. IEEE Signal Processing Letters. 2012;19(7):423-426. DOI: 10.1109/LSP.2012.2199980.Vu P.V., Chandler D.M. A fast wavelet-based algorithm for global and local image sharpness estimation. IEEE Signal Processing Letters. 2012;19(7):423-426. DOI: 10.1109/LSP.2012.2199980.Gvozden G., Grgic S., Grgic M. Blind image sharpness assessment based on local contrast map statistics. Journal of Visual Communication and Image Representation. 2018;50: 145-158. DOI: 10.1016/j.jvcir.2017.11.017.Gvozden G., Grgic S., Grgic M. Blind image sharpness assessment based on local contrast map statistics. Journal of Visual Communication and Image Representation. 2018; 50:145-158. DOI: 10.1016/j.jvcir.2017.11.017.Guan J., Zhang W., Gu J., Ren H. No-reference blur assessment based on edge modeling. Journal of Visual Communication and Image Representation. 2015; 29:1-7. DOI: 10.1016/j.jvcir.2015.01.007.Guan J., Zhang W., Gu J., Ren H. No-reference blur assessment based on edge modeling. Journal of Visual Communication and Image Representation. 2015; 29:1-7. DOI: 10.1016/j.jvcir.2015.01.007.Zhuo S., Sim T. Defocus map estimation from a single image. Pattern Recognition. 2011;44(9):1852-1858. DOI: 10.1109/TIP.2016.2617460.Zhuo S., Sim T. Defocus map estimation from a single image. Pattern Recognition. 2011;44(9):1852-1858. DOI: 10.1109/TIP.2016.2617460.Tian J., Chen L., Ma L., Yu W. Multi-focus image fusion using a bilateral gradient-based sharpness criterion. Optics communications. 2011;284(1):80-87. DOI: doi.org/10.1016/j.optcom.2010.08.085.Tian J., Chen L., Ma L., Yu W. Multi-focus image fusion using a bilateral gradient-based sharpness criterion. Optics communications. 2011;284(1):80-87. DOI: doi.org/10.1016/j.optcom.2010.08.085.Ferzli R., Karam L.J. A no-reference objective image sharpness metric based on the notion of just noticeable blur (JNB). IEEE Transactions on Image Processing. 2009;18(4):717-728. DOI: 10.1109/TIP.2008.2011760.Ferzli R., Karam L.J. A no-reference objective image sharpness metric based on the notion of just noticeable blur (JNB). IEEE Transactions on Image Processing. 2009;18(4):717-728. DOI: 10.1109/TIP.2008.2011760.Feichtenhofer C., Fassold H., Schallauer P. A perceptual image sharpness metric based on local edge gradient analysis. IEEE Signal Processing Letters. 2013;20(4):379-382. DOI: 10.1109/LSP.2013.2248711.Feichtenhofer C., Fassold H., Schallauer P. A perceptual image sharpness metric based on local edge gradient analysis. IEEE Signal Processing Letters. 2013;20(4):379-382. DOI: 10.1109/LSP.2013.2248711.Bahrami K., Kot A.C. A fast approach for no-reference image sharpness assessment based on maximum local variation. IEEE Signal Processing Letters. 2014;21(6):751-755. DOI: 10.1109/LSP.2014.2314487.Bahrami K., Kot A.C. A fast approach for no-reference image sharpness assessment based on maximum local variation. IEEE Signal Processing Letters. 2014;21(6):751-755. DOI: 10.1109/LSP.2014.2314487.Старовойтов В.В., Старовойтов Ф.В. Сравнительный анализ безэталонных мер оценки качества цифровых изображений. Системный анализ и прикладная информатика. 2017; 1:24-31. DOI: 10.21122/2309-4923-2017-1-24-32.Starovoitov V.V., Starovoitov F.V. Comparative analysis of no-reference quality measures for digital images. System analysis and applied information science. 2017; 1:24-31. (In Russ.). DOI: 10.21122/2309-4923-2017-1-24-32.Старовойтов Ф.В., Старовойтов В.В. Параметры кривой распределения локальных оценок как меры качества изображений. Системный анализ и прикладная информатика. 2018; 3:26-41. DOI: 10.21122/2309-4923-2018-3-26-41.Starovoitov F.V., Starovoitov V.V. Parameters of the curve of local estimate distribution as image quality measures. System analysis and applied information science. 2018; 3:26-41. (In Russ.). DOI: 10.21122/2309-4923-2018-3-26-41.

The authors declare that there are no conflicts of interest present.