МІНІСТЕРСТВО ОСВІТИ
"Білоруський державний університет
ІНФОРМАТИКИ І РАДІОЕЛЕКТРОНІКИ "
кафедра Мереж і пристроїв телекомунікацій
РЕФЕРАТ
На тему:
«Критерії оцінювання якості відтворення зображень»
МІНСЬК, 2008
1 Алгоритми, що враховують систему візуального сприйняття людини
Результати об'єктивних вимірювань повинні добре узгоджуватися з результатами суб'єктивних вимірів для однієї і тієї ж відеопослідовності. Ця вимога зумовлює головну складність розробки об'єктивних методів.
На практиці, на жаль, досить часто зустрічаються ситуації, коли поточна й оброблене зображення здаються спостерігачеві ідентичними, у той час як об'єктивні методи для тих же самих зображень дають дуже велику помилку. Враховуючи те, що оцінка якості людиною є вирішальною, подібна похибка при об'єктивних вимірах буває просто не припустима. З цієї причини був розроблений ряд алгоритмів, що враховують систему візуального сприйняття людини.
Мультіразмерная помилка
Одним з недоліків стандартних алгоритмів є той факт, що обчислення помилок виробляються з урахуванням всього вихідного зображення. Альтернативними є вимірювання, що мають деяку схожість з системою візуального сприйняття людини шляхом приписування більшої ваги фрагментами з низьким дозволом, і меншої ваги детальним зображенням.
Розглянемо різні рівні дозволу, які позначимо через r ≥ 1. Для кожного рівня r зображення розбивається на блоки c b 1 по b n, де n залежить від шкали r. Наприклад, при r = 1 (найнижче дозвіл), тільки один блок покриває всі зображення, якому відповідає середній рівень яскравості g. При r = 2 ми маємо вже чотири блоки розміром
де 2 r-1 - кількість блоків по i або за j індексами. Якщо розглядати всю сукупність з R рівнів дозволу, тоді оцінка спотворення буде виражена через суму всіх рівнів дозволу r = 1 ... R, тобто
Величина R (кількість рівнів дозволу) визначається початковим дозволом вихідного цифрового зображення. Наприклад, для зображення розміром 512 * 512 R прийме значення рівне 9. Загальна оцінка спотворень в видеосигнале виглядає наступним чином:
Індекс якості зображення (Image Quality Index)
Даний алгоритм виглядає наступним чином. Нехай
де
Індекс Q приймає всілякі значення на проміжку [-1, 1]. Найкраще значення індексу якості досягається тоді і тільки тоді, якщо x i = y i для всіх i = 1,2, ... N і приймає значення рівне одиниці. Найгірший варіант (-1) відбувається коли y i = 2x - x i. Для всіх i = 1,2, ... N. Даний індекс якості розглядає будь-які спотворення як сукупність трьох різних факторів: втрата кореляції, спотворення яскравості та спотворення контрастності. Перша компонента - це коефіцієнт кореляції між x і y, що належить проміжку [-1, 1]. Найкраще значення досягається коли y i = ax i + b для всіх i = 1,2, ... N, де a і b - константи і a> 0. Навіть якщо x і y знаходяться в лінійній залежності можуть мати місце інші спотворення, що встановлюються в другій і третій компонентах. Другий компонент, що приймає значення на проміжку [0,1] визначає ступінь схожості яскравості складових двох зображень x і y. Вона приймає значення рівне 1 тоді і тільки тоді, якщо
Міра якості відео на основі дискретного косинусного перетворення (Video Quality Measurement (VQM))
Алгоритм VQM грунтується на ідеї про те, що в більшості випадків спостерігач при оцінці якості зображення менш уважний до дрібних деталей, в той час як його основна увага концентрується на великих об'єктах. Отже, можливо уявити високочастотну тимчасову і просторову інформацію з меншою точністю, а втратою якості у такому випадку можна знехтувати, оскільки людське око малочутливий до спотворень на подібному рівні. З цієї причини, замість попіксельно яркостного порівняння двох зображень (оригінального та спотвореного) в алгоритмі здійснюється порівняння зважених частот на рівні людського сприйняття.
Крім того, на думку автора, найбільшим пріоритетом при оцінці якості, володіють ті частини зображення, яскравість яких найбільша. Він грунтується на припущенні про те, що якщо частина зображення більш яскрава, то і спотворення на ній повинні виявитися більш помітні для людського ока.
Етапи алгоритму:
1. Читання блоків розміром 8x8 з вихідного і спотвореного зображень.
2. Кожен блок піддається дискретному косинусному перетворенню, в результаті чого ми отримуємо 2 матриці частотних DCT-коефіцієнтів розміром 8x8.
3. Для кожного блоку проводиться масштабування частот в залежності від його загальної яскравості. Результатом даного етапу є дві матриці Local Contrast для блоків з вихідного і спотвореного зображень відповідно:
де DCT (i, j) - матриця розміром 8x8, що являє результатом дискретного косинусного перетворення початкового блоку, DC - це середня яскравість даного блоку перед перетворенням, що має нульову несучу частоту, тобто DC = DCT (0, 0).
4. Кожен блок піддається поділу на стандартну матрицю квантування, в результаті отримуємо дві матриці, що містять зважені частоти з урахуванням людського сприйняття.
5. Обчислюємо функцію просторової контрастної чутливості (Spatial Contrast Sensitivity Function, SCSF). Для цього беремо абсолютне відхилення відповідних елементів отриманих матриць, обчислюємо їх суму, додаємо її до суми вже переглянутих блоків, обчислюємо максимальне відхилення відповідних елементів матриць.
6. На останньому етапі проводиться обчислення якості відеосигналу:
де sum - це сума всіх абсолютних відхилень, max - максимальне з усіх відхилень по всьому кадру. Таким чином, обчислюється середня помилка по всьому кадру. Крім того, оцінка якості зображення проводиться з урахуванням максимального відхилення по всьому кадру, оскільки в алгоритмі робиться припущення про те, що одне велике спотворення в одній частині зображення, відверне нашу увагу від більш дрібних спотворень в інших частинах кадру.
2 Модифікація алгоритмів оцінки якості зображення з застосуванням попередньої обробки Графічні лінійні фільтри.
Над будь-яким зображенням можна робити різні перетворення, що дозволяють змінювати вихідну картинку. Основною метою такого перетворення є посилення або зменшення будь-яких властивостей вихідного зображення. Найбільш простими перетвореннями є локальні трансформацію, яка охоплює разом з певним пікселем лише його безпосередню околиця (це значить, змінити колір пікселя відповідно до кольору його найближчих сусідів) з метою досягнення деякого ефекту. Такі перетворення називаються фільтрами. З вихідним зображенням можна працювати, як зі звичайною матрицею, виконуючи над ним різні чисельні перетворення. Інтенсивність кожного пікселя зображення - результат дії фільтра обчислюється за допомогою впливу фільтра на відповідний піксель вихідного зображення та його околиці.
Кожен лінійний фільтр F можна представити у вигляді матриці розміром
Розглянемо найпростіший приклад графічного фільтра (таблиця 2). Це фільтр 3x3, тобто область дії фільтра захоплює сам піксель і його найближчих сусідів.
Таблиця 2. Найпростіший фільтр - розм итіе вих про дного про зображення (blur)
Таким чином, щоб перетворити один піксель в зображенні, необхідно помножити значення його кольору на число в центрі матриці, яку містить фільтр. Потім множимо вісім значень кольорів пікселів, що оточують центральний піксель, на відповідні їм коефіцієнти фільтра, підсумовуємо всі дев'ять значень, і отримуємо в результаті нове значення кольору центрального пікселя. Цей процес повторюється для кожного пікселя у зображенні, тим самим зображення, як прийнято говорити, фільтрується. Коефіцієнти фільтра визначають результат процесу фільтрації. У даному прикладі результатом дії фільтра буде просте усереднення інтенсивності пікселів в області 3x3. Це найпростіший фільтр, що призводить до розмивання зображення (blur). Зауважимо, що сума всіх елементів матриці дорівнює 1, тобто загальна інтенсивність зображення зберігається. Така властивість фільтра є дуже важливим при послідовному багаторазовому його застосуванні. Це означає, що кожен піксель поглине щось з квітів сусідів, але повна яскравість зображення залишиться незмінною.
Якщо ж сума коефіцієнтів більше ніж 1, яскравість збільшиться; менше 1 - яскравість зменшиться.
Ще однією ідеєю є введення у фільтр негативних чисел, що, взагалі кажучи, приводить до дії, зворотному розмивання (sharpening), тобто, два спочатку близьких кольору віддаляються один від одного.
Спектр застосування графічних фільтрів дуже великий, починаючи з корекції цифрових фотографій і закінчуючи створенням спеціальних ефектів на вихідних зображеннях.
Попередня обробка вихідного і спотвореного зображень.
Ефективний підхід до отримання оцінки якості цифрового відеосигналу полягає в попередній обробці вихідного і закодованого зображення, після якої застосовується один з вже відомих алгоритмів оцінки якості.
Даний алгоритм заснований на припущенні про те, що система візуального сприйняття людини спрямована на вилучення структурної інформації з спостережуваного зображення. Отже, вимірювання змін структурної інформації може виявитися непоганий оцінкою візуально сприймаються спотворень в обробленому зображенні.
З метою вилучення структурної інформації до вихідного та отриманим зображенням застосувати чотири лінійні графічних фільтра визначення меж розміром 5x5. Перший фільтр (таблиця 1) покликаний визначати вертикальні кордону двох зображень, а другий (таблиця 2) горизонтальні, два інших фільтра (таблиця 3 і таблиця 4) покликані визначати діагональні межі різної орієнтації.
Таблиця 1. Фільтр, що визначає вертикальні кордону
Таблиця 2. Фільтр, що визначає горизонтальні кордону
Таблиця 3. Фільтр, що визначає діагональні межі 1-го типу
Таблиця 4. Фільтр, що визначає діагональні межі 2-го типу
Щоб перетворити один піксель в зображенні, необхідно помножити значення його кольору на число в центрі фільтра. Потім необхідно помножити 24 значення кольорів пікселів, що оточують центральний піксель, на відповідні їм коефіцієнти фільтра, підсумувати всі 25 значень. У результаті ми отримуємо нове значення кольору центрального пікселя. Цей процес повторюється для кожного пікселя у зображенні.
Наступним етапом є застосування одного з алгоритмів оцінки якості цифрового відеосигналу для чотирьох карт кордонів окремо, вертикальної, горизонтальної, і двох діагональних. Обчислення метрик для карт кордонів необхідно з метою визначення масштабу спотворень меж об'єктів на зображенні, оскільки межі об'єктів є головною складовою структурної інформації.
На третьому, заключному етапі, з метою врахування кордонів, орієнтованих за чотирма напрямками, результат усереднюється по вертикальній, горизонтальній, і діагональним складовим.
3 Критерії якості відновлення зображення
Для порівняння різних алгоритмів стиснення використовуються наступні об'єктивні критерії якості.
1. Среднеквадратическая помилка (mean square error) або середній квадрат помилок
2. Середня абсолютна помилка (mean absolute error)
3. Нормована среднеквадратическая помилка (normalized MSE)
4. Нормована абсолютна помилка (normalized absolute error)
5. Відношення сигнал / шум (signal to noise ratio)
Використання логарифмів згладжує MSE і робить її менш чутливою до малих змін відбудуєш зображення.
6. Пікове відношення сигнал / шум (peak signal to noise ratio)
На практиці використовується модифікація заходи MSE і називається PSNR (peak of signal-to-noise ratio). PSNR частіше за інших параметрів застосовується для оцінки подібності між вихідним і відновленим зображеннями.
У порівнянні з MSE дана міра хороша тим, що обчислюється в логарифмічній шкалі по амплітуді (в децибелах). Це важливо, тому що око сприймає сигнал також у логарифмічній шкалі по амплітуді і тому посилення амплітуди сигналу в два рази не означає для людини поліпшення якості зображення у стільки ж разів.
де b - число біт на значення пікселя зображення.
Одним з недоліків даного заходу є висока чутливість до середнього відмінності сигналів за амплітудою, що може привести до помилкового результату, у випадку, коли сигнали трохи відрізняються в середньому по амплітуді. Фізіологія зору і психологія сприйняття зображення людини настільки складні, що до цих пір не існує способу математичного розрахунку ступеня візуальної схожості двох зображень.
7. Середня різниця (average difference)
8. Максимальна різниця (maximum difference)
9. Структурний вміст (structural content)
ЛІТЕРАТУРА
1. Шелухін О.І., Лукьянцев Н.Ф. Цифрова обробка і передача мови .- М.: Радіо і зв'язок, 2000.
2. Рабинер Л.Р., Шафер Р.В. Цифрова обробка мовних сігналов.-М.: Радіо і зв'язок, 2001.
3. Секунь Н.Ю. Обробка звуку на PC .- СПб.: БХВ-Петербург, 2001.
5. Дж.Міано «Формати й алгоритми стиску зображень в дії» .- М.: 2003.
6. Нейрокомп'ютери в системах обробки зображень. - М.: Радіотехніка, 2003.
"Білоруський державний університет
ІНФОРМАТИКИ І РАДІОЕЛЕКТРОНІКИ "
кафедра Мереж і пристроїв телекомунікацій
РЕФЕРАТ
На тему:
«Критерії оцінювання якості відтворення зображень»
МІНСЬК, 2008
1 Алгоритми, що враховують систему візуального сприйняття людини
Результати об'єктивних вимірювань повинні добре узгоджуватися з результатами суб'єктивних вимірів для однієї і тієї ж відеопослідовності. Ця вимога зумовлює головну складність розробки об'єктивних методів.
На практиці, на жаль, досить часто зустрічаються ситуації, коли поточна й оброблене зображення здаються спостерігачеві ідентичними, у той час як об'єктивні методи для тих же самих зображень дають дуже велику помилку. Враховуючи те, що оцінка якості людиною є вирішальною, подібна похибка при об'єктивних вимірах буває просто не припустима. З цієї причини був розроблений ряд алгоритмів, що враховують систему візуального сприйняття людини.
Мультіразмерная помилка
Одним з недоліків стандартних алгоритмів є той факт, що обчислення помилок виробляються з урахуванням всього вихідного зображення. Альтернативними є вимірювання, що мають деяку схожість з системою візуального сприйняття людини шляхом приписування більшої ваги фрагментами з низьким дозволом, і меншої ваги детальним зображенням.
Розглянемо різні рівні дозволу, які позначимо через r ≥ 1. Для кожного рівня r зображення розбивається на блоки c b 1 по b n, де n залежить від шкали r. Наприклад, при r = 1 (найнижче дозвіл), тільки один блок покриває всі зображення, якому відповідає середній рівень яскравості g. При r = 2 ми маємо вже чотири блоки розміром
де 2 r-1 - кількість блоків по i або за j індексами. Якщо розглядати всю сукупність з R рівнів дозволу, тоді оцінка спотворення буде виражена через суму всіх рівнів дозволу r = 1 ... R, тобто
Величина R (кількість рівнів дозволу) визначається початковим дозволом вихідного цифрового зображення. Наприклад, для зображення розміром 512 * 512 R прийме значення рівне 9. Загальна оцінка спотворень в видеосигнале виглядає наступним чином:
Індекс якості зображення (Image Quality Index)
Даний алгоритм виглядає наступним чином. Нехай
де
Індекс Q приймає всілякі значення на проміжку [-1, 1]. Найкраще значення індексу якості досягається тоді і тільки тоді, якщо x i = y i для всіх i = 1,2, ... N і приймає значення рівне одиниці. Найгірший варіант (-1) відбувається коли y i = 2x - x i. Для всіх i = 1,2, ... N. Даний індекс якості розглядає будь-які спотворення як сукупність трьох різних факторів: втрата кореляції, спотворення яскравості та спотворення контрастності. Перша компонента - це коефіцієнт кореляції між x і y, що належить проміжку [-1, 1]. Найкраще значення досягається коли y i = ax i + b для всіх i = 1,2, ... N, де a і b - константи і a> 0. Навіть якщо x і y знаходяться в лінійній залежності можуть мати місце інші спотворення, що встановлюються в другій і третій компонентах. Другий компонент, що приймає значення на проміжку [0,1] визначає ступінь схожості яскравості складових двох зображень x і y. Вона приймає значення рівне 1 тоді і тільки тоді, якщо
Міра якості відео на основі дискретного косинусного перетворення (Video Quality Measurement (VQM))
Алгоритм VQM грунтується на ідеї про те, що в більшості випадків спостерігач при оцінці якості зображення менш уважний до дрібних деталей, в той час як його основна увага концентрується на великих об'єктах. Отже, можливо уявити високочастотну тимчасову і просторову інформацію з меншою точністю, а втратою якості у такому випадку можна знехтувати, оскільки людське око малочутливий до спотворень на подібному рівні. З цієї причини, замість попіксельно яркостного порівняння двох зображень (оригінального та спотвореного) в алгоритмі здійснюється порівняння зважених частот на рівні людського сприйняття.
Крім того, на думку автора, найбільшим пріоритетом при оцінці якості, володіють ті частини зображення, яскравість яких найбільша. Він грунтується на припущенні про те, що якщо частина зображення більш яскрава, то і спотворення на ній повинні виявитися більш помітні для людського ока.
Етапи алгоритму:
1. Читання блоків розміром 8x8 з вихідного і спотвореного зображень.
2. Кожен блок піддається дискретному косинусному перетворенню, в результаті чого ми отримуємо 2 матриці частотних DCT-коефіцієнтів розміром 8x8.
3. Для кожного блоку проводиться масштабування частот в залежності від його загальної яскравості. Результатом даного етапу є дві матриці Local Contrast для блоків з вихідного і спотвореного зображень відповідно:
де DCT (i, j) - матриця розміром 8x8, що являє результатом дискретного косинусного перетворення початкового блоку, DC - це середня яскравість даного блоку перед перетворенням, що має нульову несучу частоту, тобто DC = DCT (0, 0).
4. Кожен блок піддається поділу на стандартну матрицю квантування, в результаті отримуємо дві матриці, що містять зважені частоти з урахуванням людського сприйняття.
5. Обчислюємо функцію просторової контрастної чутливості (Spatial Contrast Sensitivity Function, SCSF). Для цього беремо абсолютне відхилення відповідних елементів отриманих матриць, обчислюємо їх суму, додаємо її до суми вже переглянутих блоків, обчислюємо максимальне відхилення відповідних елементів матриць.
6. На останньому етапі проводиться обчислення якості відеосигналу:
де sum - це сума всіх абсолютних відхилень, max - максимальне з усіх відхилень по всьому кадру. Таким чином, обчислюється середня помилка по всьому кадру. Крім того, оцінка якості зображення проводиться з урахуванням максимального відхилення по всьому кадру, оскільки в алгоритмі робиться припущення про те, що одне велике спотворення в одній частині зображення, відверне нашу увагу від більш дрібних спотворень в інших частинах кадру.
2 Модифікація алгоритмів оцінки якості зображення з застосуванням попередньої обробки Графічні лінійні фільтри.
Над будь-яким зображенням можна робити різні перетворення, що дозволяють змінювати вихідну картинку. Основною метою такого перетворення є посилення або зменшення будь-яких властивостей вихідного зображення. Найбільш простими перетвореннями є локальні трансформацію, яка охоплює разом з певним пікселем лише його безпосередню околиця (це значить, змінити колір пікселя відповідно до кольору його найближчих сусідів) з метою досягнення деякого ефекту. Такі перетворення називаються фільтрами. З вихідним зображенням можна працювати, як зі звичайною матрицею, виконуючи над ним різні чисельні перетворення. Інтенсивність кожного пікселя зображення - результат дії фільтра обчислюється за допомогою впливу фільтра на відповідний піксель вихідного зображення та його околиці.
Кожен лінійний фільтр F можна представити у вигляді матриці розміром
Розглянемо найпростіший приклад графічного фільтра (таблиця 2). Це фільтр 3x3, тобто область дії фільтра захоплює сам піксель і його найближчих сусідів.
Таблиця 2. Найпростіший фільтр - розм итіе вих про дного про зображення (blur)
Таким чином, щоб перетворити один піксель в зображенні, необхідно помножити значення його кольору на число в центрі матриці, яку містить фільтр. Потім множимо вісім значень кольорів пікселів, що оточують центральний піксель, на відповідні їм коефіцієнти фільтра, підсумовуємо всі дев'ять значень, і отримуємо в результаті нове значення кольору центрального пікселя. Цей процес повторюється для кожного пікселя у зображенні, тим самим зображення, як прийнято говорити, фільтрується. Коефіцієнти фільтра визначають результат процесу фільтрації. У даному прикладі результатом дії фільтра буде просте усереднення інтенсивності пікселів в області 3x3. Це найпростіший фільтр, що призводить до розмивання зображення (blur). Зауважимо, що сума всіх елементів матриці дорівнює 1, тобто загальна інтенсивність зображення зберігається. Така властивість фільтра є дуже важливим при послідовному багаторазовому його застосуванні. Це означає, що кожен піксель поглине щось з квітів сусідів, але повна яскравість зображення залишиться незмінною.
Якщо ж сума коефіцієнтів більше ніж 1, яскравість збільшиться; менше 1 - яскравість зменшиться.
Ще однією ідеєю є введення у фільтр негативних чисел, що, взагалі кажучи, приводить до дії, зворотному розмивання (sharpening), тобто, два спочатку близьких кольору віддаляються один від одного.
Спектр застосування графічних фільтрів дуже великий, починаючи з корекції цифрових фотографій і закінчуючи створенням спеціальних ефектів на вихідних зображеннях.
Попередня обробка вихідного і спотвореного зображень.
Ефективний підхід до отримання оцінки якості цифрового відеосигналу полягає в попередній обробці вихідного і закодованого зображення, після якої застосовується один з вже відомих алгоритмів оцінки якості.
Даний алгоритм заснований на припущенні про те, що система візуального сприйняття людини спрямована на вилучення структурної інформації з спостережуваного зображення. Отже, вимірювання змін структурної інформації може виявитися непоганий оцінкою візуально сприймаються спотворень в обробленому зображенні.
З метою вилучення структурної інформації до вихідного та отриманим зображенням застосувати чотири лінійні графічних фільтра визначення меж розміром 5x5. Перший фільтр (таблиця 1) покликаний визначати вертикальні кордону двох зображень, а другий (таблиця 2) горизонтальні, два інших фільтра (таблиця 3 і таблиця 4) покликані визначати діагональні межі різної орієнтації.
Таблиця 1. Фільтр, що визначає вертикальні кордону
| 0 | 0 | 0 | 0 | 0 |
| 1 | 0 | 0 | 0 | -1 |
| 2 | 1 | 0 | -1 | -2 |
| 1 | 0 | 0 | 0 | -1 |
| 0 | 0 | 0 | 0 | 0 |
| 0 | 1 | 2 | 1 | 0 |
| 0 | 0 | 1 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | -1 | 0 | 0 |
| 0 | -1 | -2 | -1 | 0 |
| 2 | 1 | 0 | 0 | 0 |
| 1 | 1 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | -1 | -1 |
| 0 | 0 | 0 | -1 | -2 |
Таблиця 4. Фільтр, що визначає діагональні межі 2-го типу
| 0 | 0 | 0 | -1 | -2 |
| 0 | 0 | 0 | -1 | -1 |
| 0 | 0 | 0 | 0 | 0 |
| 1 | 1 | 0 | 0 | 0 |
| 2 | 1 | 0 | 0 | 0 |
Наступним етапом є застосування одного з алгоритмів оцінки якості цифрового відеосигналу для чотирьох карт кордонів окремо, вертикальної, горизонтальної, і двох діагональних. Обчислення метрик для карт кордонів необхідно з метою визначення масштабу спотворень меж об'єктів на зображенні, оскільки межі об'єктів є головною складовою структурної інформації.
На третьому, заключному етапі, з метою врахування кордонів, орієнтованих за чотирма напрямками, результат усереднюється по вертикальній, горизонтальній, і діагональним складовим.
3 Критерії якості відновлення зображення
Для порівняння різних алгоритмів стиснення використовуються наступні об'єктивні критерії якості.
1. Среднеквадратическая помилка (mean square error) або середній квадрат помилок
2. Середня абсолютна помилка (mean absolute error)
3. Нормована среднеквадратическая помилка (normalized MSE)
4. Нормована абсолютна помилка (normalized absolute error)
5. Відношення сигнал / шум (signal to noise ratio)
Використання логарифмів згладжує MSE і робить її менш чутливою до малих змін відбудуєш зображення.
6. Пікове відношення сигнал / шум (peak signal to noise ratio)
На практиці використовується модифікація заходи MSE і називається PSNR (peak of signal-to-noise ratio). PSNR частіше за інших параметрів застосовується для оцінки подібності між вихідним і відновленим зображеннями.
У порівнянні з MSE дана міра хороша тим, що обчислюється в логарифмічній шкалі по амплітуді (в децибелах). Це важливо, тому що око сприймає сигнал також у логарифмічній шкалі по амплітуді і тому посилення амплітуди сигналу в два рази не означає для людини поліпшення якості зображення у стільки ж разів.
де b - число біт на значення пікселя зображення.
Одним з недоліків даного заходу є висока чутливість до середнього відмінності сигналів за амплітудою, що може привести до помилкового результату, у випадку, коли сигнали трохи відрізняються в середньому по амплітуді. Фізіологія зору і психологія сприйняття зображення людини настільки складні, що до цих пір не існує способу математичного розрахунку ступеня візуальної схожості двох зображень.
7. Середня різниця (average difference)
8. Максимальна різниця (maximum difference)
9. Структурний вміст (structural content)
ЛІТЕРАТУРА
1. Шелухін О.І., Лукьянцев Н.Ф. Цифрова обробка і передача мови .- М.: Радіо і зв'язок, 2000.
2. Рабинер Л.Р., Шафер Р.В. Цифрова обробка мовних сігналов.-М.: Радіо і зв'язок, 2001.
3. Секунь Н.Ю. Обробка звуку на PC .- СПб.: БХВ-Петербург, 2001.
5. Дж.Міано «Формати й алгоритми стиску зображень в дії» .- М.: 2003.
6. Нейрокомп'ютери в системах обробки зображень. - М.: Радіотехніка, 2003.