На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


Реферат Алгоритмы, учитывающие систему визуального восприятия человека. Мультиразмерная ошибка. Мера качества видео на основе дискретного косинусного преобразования. Модификация алгоритмов оценки качества изображения с применением предварительной обработки.

Информация:

Тип работы: Реферат. Предмет: Схемотехника. Добавлен: 19.11.2008. Сдан: 2008. Уникальность по antiplagiat.ru: --.

Описание (план):


5
УЧРЕЖДЕНИЕ ОБРАЗОВАНИЯ
“БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ИНФОРМАТИКИ И РАДИОЭЛЕКТРОНИКИ”

кафедра Сетей и устройств телекоммуникаций
РЕФЕРАТ
На тему:
«Критерии оценивания качества воспроизведения изображений»

МИНСК, 2008
1 Алгоритмы, учитывающие систему визуального восприятия человека

Результаты объективных измерений должны хорошо согласовываться с результатами субъективных измерений для одной и той же видеопоследовательности. Это требование обуславливает главную сложность разработки объективных методов.
На практике, к сожалению, достаточно часто встречаются ситуации, когда исходное и обработанное изображение кажутся наблюдателю идентичными, в то время как объективные методы для тех же самых изображений дают очень большую ошибку. Учитывая то, что оценка качества человеком является решающей, подобная погрешность при объективных измерениях бывает просто не допустима. По этой причине был разработан ряд алгоритмов, учитывающих систему визуального восприятия человека.
Мультиразмерная ошибка

Одним из недостатков стандартных алгоритмов является тот факт, что вычисления ошибок производятся с учетом всего исходного изображения. Альтернативными являются измерения, имеющие некоторое сходство с системой визуального восприятия человека путем приписывания большего веса фрагментам с низким разрешением, и меньшего веса детальным изображениям.
Рассмотрим различные уровни разрешения, которые обозначим через r ? 1. Для каждого уровня r изображение разбивается на блоки c b 1 по bn, где n зависит от шкалы r. Например, при r = 1 (самое низкое разрешение), только один блок покрывает все изображение, которому соответствует средний уровень яркости g. При r = 2 мы имеем уже четыре блока размером со средними уровнями яркости g11, g12, g21, g22. На r-м уровне разрешения мы будем работать с блоками размером , которым соответствуют уровни яркости gij, ij=1…. Таким образом, к каждому блоку bij, принадлежащему изображению , приписывается уровень яркости gij, а соответствует изображению . Среднее искажение уровня яркости при разрешении r имеет вес 2r . Следовательно, ошибка на этом уровне имеет вид:
(1)
где 2r-1 - количество блоков по i или по j индексам. Если рассматривать всю совокупность из R уровней разрешения, тогда оценка искажения будет выражена через сумму всех уровней разрешения r = 1… R , т.е.
(2)
Величина R (количество уровней разрешения) определяется начальным разрешением исходного цифрового изображения. К примеру, для изображения размером 512*512 R примет значение равное 9. Общая оценка искажений в видеосигнале выглядит следующим образом:
(2)
Индекс качества изображения (Image Quality Index)
Данный алгоритм выглядит следующим образом. Пусть и есть исходное и обработанное изображения соответственно. Тогда индекс качества изображения вычисляется следующим образом:
(3)
где
(4)
(5)
(6)
(7)
(8)
Индекс Q принимает всевозможные значение на промежутке [-1, 1]. Наилучшее значение индекса качества достигается тогда и только тогда, если xi = yi для всех i = 1,2,…N и принимает значение равное единице. Наихудший вариант (-1) происходит когда yi =2x - xi. для всех i = 1,2,…N . Данный индекс качества рассматривает любые искажения как совокупность трех различных факторов: потеря корреляции, искажение яркости и искажение контрастности. Первая компонента - это коэффициент корреляции между x и y, принадлежащая промежутку [-1, 1]. Наилучшее значение достигается когда yi=axi + b для всех i = 1,2,…N, где a и b - константы и a >0. Даже если x и y находятся в линейной зависимости могут иметь место другие искажения, устанавливаемые во второй и третьей компонентах. Вторая компонента, принимающая значения на промежутке [0,1] определяет степень схожести яркостных составляющих двух изображений x и y. Она принимает значение равное 1 тогда и только тогда, если . А и рассматриваются как оценка разности контраста между x и y, та же принимающая значения на промежутке [0,1] и имеющая наилучший результат при .
Мера качества видео на основе дискретного косинусного преобразования (Video Quality Measurement (VQM))

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 частотных DCT-коэффициентов размером 8x8.
3. Для каждого блока производится масштабирование частот в зависимости от его общей яркости. Результатом данного этапа являются две матрицы Local Contrast для блоков из исходного и искаженного изображений соответственно:
(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 (Spatial Contrast Sensitivity Function, 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:
(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.
2 Модификация алгоритмов оценки качества изображения с применением предварительной обработки Графические линейные фильтры.
Над любым изображением можно производить различные преобразования, позволяющие изменять исходную картинку. Основной целью такого преобразования является усиление или уменьшение каких либо свойств исходного изображения. Наиболее простыми преобразованиями являются локальные преобразования, затрагивающие вместе с определенным пикселем лишь его непосредственную окрестность (это значит, изменить цвет пикселя в соответствии с цветом его ближайших соседей) с целью достижения некоторого эффекта. Такие преобразования называются фильтрами. С исходным изображением можно работать, как с обычной матрицей, выполняя над ним различные численные преобразования. Интенсивность каждого пикселя изображения - результат действия фильтра вычисляется с помощью воздействия фильтра на соответствующий пиксель исходного изображения и его окрестность.
Каждый линейный фильтр F можно представить в виде матрицы размером , где N и и т.д.................


Перейти к полному тексту работы



Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.