ВведениеСодержание и исследования, проведенные в работе, относятся к теории и практике цифровой обработки изображений, которую применяют в различных научных направлениях, включая работы учебного и научно-исследовательского характера [1–14]. Существуют различные подходы и алгоритмы оценки качества изображений, которые подразделяют на референсные и нереференсные. Оценке качества растровых изображений посвящено достаточно много научных работ [6–14], которые отличаются методами и алгоритмами, позволяющими давать заключение о качестве изображений на основе числовых показателей или метрик. В данной работе за основу принято сравнение различных цветовых моделей – RGB (Red, Green, Blue), HSV (Hue – цветовой тон, Saturation – насыщенность, Brightness – яркость), Lab (CIE L*a*b, Lightness – светлота в диапазоне от 0 до 100, координаты a, b означают позицию между зеленым-пурпурным и синим-желтым цветами), NTSC (National Television System Committee – стандарт системы цветного телевидения, использовавшийся в США, Канаде, Мексике, Японии, Южной Корее, Тайване, на Филиппинах и в ряде стран Южной Америки), XYZ (CIE XYZ, X – мнимый красный цвет, Y – мнимый зеленый цвет, Z – мнимый синий цвет), YCbCr (Y – яркость/интенсивность, Cb – цветность синего, Cr – цветность красного). Возможность перехода от цветовой модели RGB к перечисленным может быть выполнена в ряде сред программирования. Данный подход в некоторой степени является продолжением исследований, представленных в [14]. Задачей данного исследования является ранжирование группы изображений с целью определения наиболее качественного среди них. При этом можно сказать, что оценка качества осуществляется условно эталонным способом, когда за эталон принимается не отдельно взятое изображение, а цветовая модель RGB. Относительно нее сравниваются предлагаемые статистические характеристики других цветовых моделей. Следует, конечно, отметить существующие референсные и нереференсные методы оценки качества изображений [9, 12, 14–23]. В то же время также следует отметить, что нет универсальных методов или алгоритмов, реализованных на компьютере в виде универсальной программы, в связи с чем авторы считают обоснованным выбор темы своей научной статьи, чтобы внести определенный вклад в решение задачи компьютерной оценки качества растровых изображений.Материалы и методыВ проведенных исследованиях были использованы группы изображений, представленные на рис. 1–4 с учетом форматного размера расположения на странице. img1.bmpimg89.bmpimg107.bmp img138.bmpimg154.bmpimg168.bmpРис. 1. Первая группа тестовых изображенийКак видно на рис. 1, в первой тестовой группе имеются очевидные искажения блокинга.Вторая тестовая группа изображений визуально не имеет очевидных искажений (рис. 2). А. Делон.jpegДевушка 1.bmpДевушка 2.bmpРис. 2. Вторая группа тестовых изображенийВ третьей группе изображений (рис. 3) имеются искажения типа соли и перца (salt & pepper) с указанием доли внесенных искажений. lena.jpeglena_0.05.jpeglena_0.1.jpeg lena_0.15.jpeglena_0.2.jpeglena_0.25.jpegРис. 3. Третья группа тестовых изображенийИ в четвертой группе изображений (рис. 4) присутствуют артефакты строб-эффектов, описание которых можно найти в [12]. Strobe4.jpgStrobe2.jpgStrobe3.jpgStrobe1.jpgРис. 4. Четвертая группа тестовых изображенийНачальный анализ каждой из групп изображений базируется на анализе каждого отдельного изображения. Этот анализ связан с загрузкой растрового изображения (Image), представления его в цветовом пространстве RGB с последующим преобразованием и переходом к другим цветовым пространствам – HSV, Lab, XYZ, NTSC, YCbCr. Схема преобразований цветовых пространств представлена на рис. 5. Рис. 5. Концептуальная схема преобразования цветовой модели RGBНа рис. 5 обозначение 1D-array есть результат преобразования трехмерного массива в одномерный массив пикселей в соответствии с рассматриваемыми цветовыми пространствами. Оценка качества загруженного изображения Image выполняется в блоке Evaluator, который определяет качество изображения Quality в числовой форме в виде вещественного числа. Схему рис. 5 можно рассматривать как модуль, который будет использоваться при циклической обработке группы изображений. В блоке Evaluator выполняются расчеты статистических показателей между каждой цветовой моделью и базовой моделью RGB. Это, в первую очередь, следующие показатели:– максимальная ошибка Emax: (1)– средняя ошибка Eaver: (2)– среднеквадратическая ошибка Ease: (3)где Yrk, Yck – одномерные массивы цветовой модели RGB и преобразованной цветовой модели (HSV, Lab, XYZ, NTSC, YCbCr); n – размер одномерных массивов, число пикселей исследуемого изображения.Кроме ошибок (1)–(3) предлагается использовать коэффициент вариации Cv абсолютной разницы массивов Yrk, Yck в соответствии с определением [24, 25] в виде отношения стандартного отклонения к среднему арифметическому пикселей разницы массивов, а также коэффициент детерминации R2. Оценку связи Prs между Yrk и Yck находим с помощью коэффициента ранговой корреляции Пирсона [24, 25]. Поскольку значения R2 и Prs принадлежат отрезку [–1; 1], то в расчетах выполнено приведение к отрезку [0; 1] по формулам (4)В результате циклической обработки цветовых моделей значения статистических показателей сохранялись в контейнеры, например, с именами V1 (максимальные ошибки), V2 (средние ошибки), V3 (среднеквадратические ошибки), V4 (коэффициенты вариации), V5 (коэффициенты детерминации), V6 (коэффициенты ранговой корреляции). Для дальнейших расчетов принимались следующие значения каждого из контейнеров: где k – индексация размерности контейнеров Vi, i = 1,6.Итоговую величину оценки качества Quality определяем по следующему выражению: (5)где eps – малая положительная величина порядка 10–16.Расчетные формулы (4) и (5) получены в результате экспериментальных исследований и эвристических предпосылок. Все приведенные формулы позволяют использовать их практически в любой системе программирования, где предусматривается чтение графических файлов распространенных форматов – .bmp, .png, .jpeg (.jpg), .jpf (Jpeg 2000), .tiff (.tif).Очевидно, что усреднение величины Quality (метрики качества) приводит к выравниванию получаемых значений, когда значения меняются без резких перепадов. Но это не является серьезным препятствием для современных вычислительных средств в процессе последующего ранжирования группы изображений, т. е. их сортировки по возрастанию значений Quality. При этом меньшие значения метрики изображения соответствуют его более качественному восприятию. Таким образом, нами был описан функционал блока Evaluator, представленного на рис. 5. Результаты экспериментального исследованияВ соответствии с описанным алгоритмом расчета метрик (Quality) изображений была разработана программа, в соответствии с которой здесь предлагаются результаты обработки тестовых изображений, представленных на рис. 1–4. Эти результаты сведены в табл. 1–4, где они проранжированы по величине Quality.Таблица 1Результаты оценки качества первой группы тестовых изображенийИмя графического файлаРазмер изображения, W  H пикселейQuality (оценка качества)img168.bmp480  7202,537941665img107.bmp480  7202,538593912img89.bmp480  7202,539512781img1.bmp480  7202,539996022img154.bmp480  7202,557317004img138.bmp480  7202,557495761По данным табл. 1 наиболее качественное изображение относится к img168.bmp, менее качественное, соответственно, – img138.bmp. Для этой группы изображений, как видно из рис. 1, результат вполне соответствует визуальному восприятию.Таблица 2Результаты оценки качества второй группы тестовых изображенийИмя графического файлаРазмер изображения, W  H пикселейQuality (оценка качества)А. Делон.jpeg454  3382,517179412Девушка 1.bmp444  3382,559873106Девушка 2.bmp444  3362,560627690Несмотря на некоторые различия в размерах изображений, можно считать, что изображение А. Делон.jpeg является более качественным по сравнению с остальными изображениями второй группы. Визуально такое решение не совсем очевидно.Таблица 3Результаты оценки качества третьей группы тестовых изображенийИмя графического файлаРазмер изображения, W  H пикселейQuality (оценка качества)lena.jpg512  5122,485204422lena_ 0.05.jpg512  5122,489409720lena_ 0.1.jpg512  5122,496873669lena_ 0.15.jpg512  5122,502811663lena_ 0.2.jpg512  5122,506858274lena_ 0.25.jpg512  5122,512953788Результаты из табл. 3, возможно, соответствуют визуальным восприятиям изображений, одно из которых (lena.jpg) является стандартным, а остальные с шумами типа salt & pepper. При этом величина, например 0,05, это 5 % от числа всех пикселей, подверженных шуму, величина 0,25 соответствует 25 %. Следует также отметить, что горизонтальное и вертикальное разрешение изображений из табл. 3 составляет 96 точек на дюйм. Таблица 4Результаты оценки качества четвертой группы тестовых изображенийИмя графического файлаРазмер изображения, W  H пикселейQuality (оценка качества)Strobe_1.jpg420  4502.724683722Strobe_3.jpg450  3002.741842024Strobe_2.jpg281  3002.765243917Strobe_4.jpg300  2172.814810280Для четвертой группы достаточно сложно определить наиболее качественное изображение визуально, поэтому в этом случае актуальным способом определения следует признать компьютерную обработку подобных изображений. ЗаключениеВ статье рассмотрены методы и приемы оценки качества группы растровых изображений и показана их состоятельность на ряде примеров. Преимуществом разработанной методики оценки качества изображений является ее надежная программная реализация. Предложенный подход в некоторых случаях может быть альтернативой существующим алгоритмам нереференсной оценки качества изображений [15–17] в плане оперативности программной реализации и доступности вычислительных операций. Тем не менее, авторы отдают себе отчет в том, что рассмотренный в определенной степени эвристический подход не может быть включен в ранг нереференсных методов оценки качества растровых изображений.