Кількісне оцінювання візуальної якості цифрових зображень на основі законів зорового сприйняття людини

dc.citation.epage25
dc.citation.issue1
dc.citation.journalTitleУкраїнський журнал інформаційних технологій
dc.citation.spage17
dc.citation.volume6
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorЖуравель, І. М.
dc.contributor.authorОнишко, В. Р.
dc.contributor.authorЖуравель, Ю. І.
dc.contributor.authorАмброзяк, Х. А.
dc.contributor.authorZhuravel, I. M.
dc.contributor.authorOnyshko, V. R.
dc.contributor.authorZhuravel, Yu. I.
dc.contributor.authorAmbroziak, K. A.
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2025-05-21T08:02:10Z
dc.date.created2024-02-28
dc.date.issued2024-02-28
dc.description.abstractДосліджено наявні методи кількісного оцінювання візуальної якості цифрових зображень. Серед основних недоліків досліджених методів варто виділити наступні. Більшість із них вимагають наявності еталонного зображення, не враховують усі складові, які впливають на візуальну якість, та не беруть до уваги закони зорового сприйняття людини. Це призвело до необхідності розроблення методу кількісного оцінювання візуальної якості зображень, який працюватиме без еталонного зображення і враховуватиме закони зорового сприйняття людини. Проведено аналіз основних законів зорового сприйняття людини, які використовуються під час розробки методу. Запропоновано класифікацію досліджуваних методів кількісного оцінювання якості зображень для структуризації їхнього аналізу. У роботі досліджено методи кількісного оцінювання якості на основі статистичного аналізу інтенсивностей пікселів зображення. Описано фактори, які впливають на якість зображень, та способи їх відслідковування за змінами на гістограмі розподілу інтенсивностей пікселів. Запропоновано узагальнений вираз кількісної оцінки якості на основі моментних функцій. Результатом дослідження є розроблення методу кількісної оцінки візуальної якості зображень, який не потребує еталонного зображення та базується на законах зорового сприйняття людини. Цей метод тестувався на зображеннях, які були оброблені методом підсилення локальних контрастів та методом низькочастотної фільтрації. Результати тестування показали, що візуальне сприйняття якості зображення збігається з його кількісною оцінкою якості. Закладено основи для використання запропонованого методу із певними модифікаціями для випадку кольорових зображень. Також одним із можливих шляхів розвитку запропонованого методу є його адаптація для оцінювання зображень, які містять спотворення, обумовленні наявністю шумів.
dc.description.abstractThe existing methods of quantitative assessment of the visual quality of digital images are studied. Among the main shortcomings of the studied methods, the following can be singled out. Most of them require a reference image, do not include all the components that affect visual quality and do not take into consideration the laws of human visual perception. It was decided to develop a method for quantitative assessment of the visual quality of images, which will work without a reference image and will take into account the regularities of human visual perception. There are characterized the main regularities of human visual perception, which are used in the development of the technique. A classification of the researched methods of quantitative assessment of image quality is proposed for structuring their analysis. It was decided to investigate methods of quantitative assessment of quality based on statistical analysis of image pixel intensities. There are described factors affecting the quality of images and methods of their control based on changes in the pixel intensity distribution histogram. A generalized expression of quantitative quality assessment based on moments is proposed. A methodology for quantitative assessment of the visual quality of images has been developed, which does not require a reference image and is based on the laws of human visual perception. This method was tested on an image processed by local contrast enhancement and low-pass filtering. The test results showed that the visual perception of image quality coincides with the quantitative assessment of its quality. It is possible to use the proposed method with some modifications to determine the quality of color images. Moreover, a potential avenue for advancing the proposed method involves adapting it for evaluating images afflicted by distortions induced by noise presence.
dc.format.extent17-25
dc.format.pages9
dc.identifier.citationКількісне оцінювання візуальної якості цифрових зображень на основі законів зорового сприйняття людини / І. М. Журавель, В. Р. Онишко, Ю. І. Журавель, Х. А. Амброзяк // Український журнал інформаційних технологій. — Львів : Видавництво Львівської політехніки, 2024. — Том 6. — № 1. — С. 17–25.
dc.identifier.citationenQuantitative assessment of the visual quality of digital images based on the laws of human visual perception / I. M. Zhuravel, V. R. Onyshko, Yu. I. Zhuravel, K. A. Ambroziak // Ukrainian Journal of Information Tecnology. — Lviv : Lviv Politechnic Publishing House, 2024. — Vol 6. — No 1. — P. 17–25.
dc.identifier.doidoi.org/10.23939/ujit2024.01.017
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/64853
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofУкраїнський журнал інформаційних технологій, 1 (6), 2024
dc.relation.ispartofUkrainian Journal of Information Tecnology, 1 (6), 2024
dc.relation.references1. Воробель, Р. А., & Журавель, І. М. (2001). Кількісна оцінка якості зображень. У: Праці. IV Середньоєвропейська конференція "Комп'ютерні методи та системи в автоматиці та електротехніці". Частина 1. Ченстохова, Польща, 17‑18 вересня, 2001.
dc.relation.references2. Mason, A., Rioux, J., Clarke, S. E., Costa, A., Schmidt, M., Keough, V., Huynh, T., & Beyea, S. (2020). Comparison of Objective Image Quality Metrics to Expert Radiologists' Scoring of Diagnostic Quality of MR Images. IEEE Transactions on Medical Imaging, 39(4) . https://doi.org/10.1109/tmi.2019.2930338
dc.relation.references3. Воробель, Р. А., Журавель, І. М., Опир, Н. В., Попов, Б. О., Дереча, В. Я., & Равлик, Я. М. (2000). Метод кількісної оцінки якості рентгенографічних зображень. У: Третя Українська науково-технічна конференція "Неруйнівний контроль та технічна діагностика – 2000", 233–236.
dc.relation.references4. Boutros, F., Fang, M., Klemt, M., Fu, B., & Damer, N. (2023). CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition 2023 (CVPR2023). https://doi.org/10.48550/arXiv.2112.06592
dc.relation.references5. Jinjin, G., Haoming, C., Haoyu, C., Xiaoxing, Y., Ren, J. S., Chao, D. (2020). PIPAL: A Large-Scale Image Quality Assessment Dataset for Perceptual Image Restoration. In: Vedaldi, A., Bischof, H., Brox, T., Frahm, JM. (eds) Computer Vision – ECCV 2020. ECCV 2020. Lecture Notes in Computer Science (), vol 12356. Springer, Cham. https://doi.org/10.1007/978-3-030-58621-8_37
dc.relation.references6. Madhusudana, P. C., Birkbeck, N., Wang, Y., Adsumilli, B., & Bovik, A. C. (2022). Image Quality Assessment Using Contrastive Learning. In: IEEE Transactions on Image Processing, 31, 4149–4161. https://doi.org/10.1109/TIP.2022.3181496
dc.relation.references7. Zhang, W., Ma, K., Zhai, G., & Yang, X. (2021). Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild. In: IEEE Transactions on Image Processing, 30, 3474-3486. https://doi.org/10.1109/TIP.2021.3061932
dc.relation.references8. Testolina, Michela, Lazzarotto, Davi, Rodrigues, Rafael, Mohammadi, Shima, Ascenso, João, Pinheiro, António M. G., & Ebrahimi, Touradj. (2023). On the Performance of Subjective Visual Quality Assessment Protocols for Nearly Visually Lossless Image Compression. Proceedings of the 31st ACM International Conference on Multimedia, October 2023, 6715-6723. https://doi.org/10.1145/3581783.3613835
dc.relation.references9. Коваленко, Б. В., & Лукін, В. В. (2021). Використання візуальних метрик для аналізу стиснення з втратами зашумлених зображень. Авіаційно-космічна техніка і технологія, 6, 83–91. https://doi.org/10.32620/aktt.2021.6.09
dc.relation.references10. Lukin, V., Bataeva, E., & Abramov, S. (2023). Saliency map in image visual quality assessment and processing. Radioelectronic and Computer Systems, 1(105), 112–121. https://doi.org/10.32620/reks.2023.1.09
dc.relation.references11. Журавель, І. М. (2001). Локально-адаптивні методи підвищення контрастності зображень: Автореф. дис. канд. техн. наук: 05.13.06. НАН України. Держ. НДІ інформ. інфраструктури. Л., 19 с.
dc.relation.referencesen1. Vorobel, R. A., & Zhuravel, I. M. (2001). Kilkisna otsinka yakosti zobrazhen. U: Pratsi. IV Serednoievropeiska konferentsiia "Kompiuterni metody ta systemy v avtomatytsi ta elektrotekhnitsi". Part 1. Chenstokhova, Polshcha, 17‑18 veresnia, 2001.
dc.relation.referencesen2. Mason, A., Rioux, J., Clarke, S. E., Costa, A., Schmidt, M., Keough, V., Huynh, T., & Beyea, S. (2020). Comparison of Objective Image Quality Metrics to Expert Radiologists' Scoring of Diagnostic Quality of MR Images. IEEE Transactions on Medical Imaging, 39(4) . https://doi.org/10.1109/tmi.2019.2930338
dc.relation.referencesen3. Vorobel, R. A., Zhuravel, I. M., Opyr, N. V., Popov, B. O., Derecha, V. Ya., & Ravlyk, Ya. M. (2000). Metod kilkisnoi otsinky yakosti renthenohrafichnykh zobrazhen. U: Tretia Ukrainska naukovo-tekhnichna konferentsiia "Neruinivnyi kontrol ta tekhnichna diahnostyka – 2000", 233–236.
dc.relation.referencesen4. Boutros, F., Fang, M., Klemt, M., Fu, B., & Damer, N. (2023). CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition 2023 (CVPR2023). https://doi.org/10.48550/arXiv.2112.06592
dc.relation.referencesen5. Jinjin, G., Haoming, C., Haoyu, C., Xiaoxing, Y., Ren, J. S., Chao, D. (2020). PIPAL: A Large-Scale Image Quality Assessment Dataset for Perceptual Image Restoration. In: Vedaldi, A., Bischof, H., Brox, T., Frahm, JM. (eds) Computer Vision – ECCV 2020. ECCV 2020. Lecture Notes in Computer Science (), vol 12356. Springer, Cham. https://doi.org/10.1007/978-3-030-58621-8_37
dc.relation.referencesen6. Madhusudana, P. C., Birkbeck, N., Wang, Y., Adsumilli, B., & Bovik, A. C. (2022). Image Quality Assessment Using Contrastive Learning. In: IEEE Transactions on Image Processing, 31, 4149–4161. https://doi.org/10.1109/TIP.2022.3181496
dc.relation.referencesen7. Zhang, W., Ma, K., Zhai, G., & Yang, X. (2021). Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild. In: IEEE Transactions on Image Processing, 30, 3474-3486. https://doi.org/10.1109/TIP.2021.3061932
dc.relation.referencesen8. Testolina, Michela, Lazzarotto, Davi, Rodrigues, Rafael, Mohammadi, Shima, Ascenso, João, Pinheiro, António M. G., & Ebrahimi, Touradj. (2023). On the Performance of Subjective Visual Quality Assessment Protocols for Nearly Visually Lossless Image Compression. Proceedings of the 31st ACM International Conference on Multimedia, October 2023, 6715-6723. https://doi.org/10.1145/3581783.3613835
dc.relation.referencesen9. Kovalenko, B. V., & Lukin, V. V. (2021). Vykorystannia vizualnykh metryk dlia analizu stysnennia z vtratamy zashumlenykh zobrazhen. Aviatsiino-kosmichna tekhnika i tekhnolohiia, 6, 83–91. https://doi.org/10.32620/aktt.2021.6.09
dc.relation.referencesen10. Lukin, V., Bataeva, E., & Abramov, S. (2023). Saliency map in image visual quality assessment and processing. Radioelectronic and Computer Systems, 1(105), 112–121. https://doi.org/10.32620/reks.2023.1.09
dc.relation.referencesen11. Zhuravel, I. M. (2001). Lokalno-adaptyvni metody pidvyshchennia kontrastnosti zobrazhen: Avtoref. dys. kand. tekhn. nauk: 05.13.06. NAN Ukrainy. Derzh. NDI inform. infrastruktury. L., 19 p.
dc.relation.urihttps://doi.org/10.1109/tmi.2019.2930338
dc.relation.urihttps://doi.org/10.48550/arXiv.2112.06592
dc.relation.urihttps://doi.org/10.1007/978-3-030-58621-8_37
dc.relation.urihttps://doi.org/10.1109/TIP.2022.3181496
dc.relation.urihttps://doi.org/10.1109/TIP.2021.3061932
dc.relation.urihttps://doi.org/10.1145/3581783.3613835
dc.relation.urihttps://doi.org/10.32620/aktt.2021.6.09
dc.relation.urihttps://doi.org/10.32620/reks.2023.1.09
dc.rights.holder© Національний університет “Львівська політехніка”, 2024
dc.subjectоброблення цифрових зображень
dc.subjectгістограма розподілу інтенсивностей пікселів
dc.subjectнормальний закон розподілу
dc.subjectмоментні функції
dc.subjectdigital image processing
dc.subjecthistogram of distribution of pixel intensities
dc.subjectnormal distribution law
dc.subjectmoment functions
dc.subject.udc004.02
dc.titleКількісне оцінювання візуальної якості цифрових зображень на основі законів зорового сприйняття людини
dc.title.alternativeQuantitative assessment of the visual quality of digital images based on the laws of human visual perception
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Loading...
Thumbnail Image
Name:
2024v6n1_Zhuravel_I_M-Quantitative_assessment_17-25.pdf
Size:
1.48 MB
Format:
Adobe Portable Document Format
Loading...
Thumbnail Image
Name:
2024v6n1_Zhuravel_I_M-Quantitative_assessment_17-25__COVER.png
Size:
1.54 MB
Format:
Portable Network Graphics

License bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.89 KB
Format:
Plain Text
Description: