81600

Создание метода сравнения изображений, обеспечиющего правильные результаты для любого монитора

Дипломная

Информатика, кибернетика и программирование

Изображения приходится сравнивать в системах распознавания образов. Это может потребоваться при обработке запросов к базам данных содержащим изображения при синтезе изображений по геометрической модели так называемый рендеринг для автоматического управления этим процессом.

Русский

2015-02-21

796.5 KB

3 чел.

Содержание

[1] Содержание

  1.  
    История вопроса

Сравнивать изображения начали в середине 60-х годов, то есть почти сразу, как появилась компьютерная графика. Изображения тогда были бинарные, в лучшем случае полутоновые. Поэтому к ним стали относиться как к дискретным двумерным сигналам, и перенесли на них стандартные в области обработки сигналов метрики, такие как среднеквадратичная ошибка (MSE), отношение сигнал-шум (SNR), пиковое отношение сигнал-шум (PSNR).

Попытки измерять цвет предпринимались еще в прошлом веке. Существенные результаты были достигнуты к 1931 году, когда Международная Комиссия по Освещению (CIE) приняла стандарт измерения цвета. Так появилось стандартное цветовое пространство CIE XYZ. Оно позволяло, задав всего 2 числа, однозначно определить оттенок цвета, а, добавив еще одно число, яркость, однозначно определить любой цвет. Однако оно не давало возможности определить, насколько похожи два заданных цвета, и работы по поиску цветовых пространств, удовлетворяющих этим условиям, были продолжены. Они завершились принятием той же комиссией в 1971 году пространств CIE Luv и CIE Lab, равномерных с точки зрения восприятия.

Работы по изучению и описанию физиологии человеческого зрения идут уже довольно долго. Среди прочих наиболее интересной является работа Mannos и Sakrison [1], которые в 1974 году изучили зависимость восприятия изменения яркости, от однородности фона, и предложили ее математическое описание – функцию чувствительности контраста. Спустя примерно 10 лет в распознавании изображений было применено двумерное Габоровское преобразование, которое, как оказалось, хорошо моделирует преобразование сигнала, происходящее в коре головного мозга. Его существенным недостатком является то, что для него отсутствует эффективная схема вычисления. Поэтому следующий шаг был сделан в 1987 году, когда Watson [2] предложил преобразование, у которого базисные функции были похожи на Габоровские, но допускали эффективную реализацию.

  1.  Современное состояние области

Современная область применения сравнения изображений очень велика. Изображения приходится сравнивать в системах распознавания образов. Это может потребоваться при обработке запросов к базам данных, содержащим изображения, при синтезе изображений по геометрической модели (так называемый рендеринг), для автоматического управления этим процессом. Также сравнивать изображения надо для автоматического управления сжатием изображений, когда алгоритм позволяет контролировать качество сжатого изображения.

Требования к алгоритмам сравнения сильно различаются, в зависимости от области применения. Так в базах данных, в системах Query by Example (запрос по примеру), сравнение может быть не очень точным, но должно проводиться за 10-3c. – 10-4c., кроме того алгоритм должен быть нечувствителен к сдвигам изображения. В системах управления синтезом изображений время не столь существенно, зато очень важна точность сравнения, при этом алгоритм может быть чувствителен к сдвигам и другим линейным преобразованиям изображений, так как они нехарактерны для этой задачи. В системах управления сжатием требования к алгоритму будут примерно такие же, как и в случае синтеза, только алгоритм должен быть нечувствителен к малым сдвигам изображения.

Запросы к базам данных

В случае запросов к базам данных, для сравнения изображений могут использоваться достаточно грубые алгоритмы. Их достоинство заключается в их простоте. Они позволяют делать порядка 10.000 сравнений в секунду. Так в системе QBIC фирмы IBM, представленной в работе [3], для поиска изображений используются критерии типа процентного содержания заданных цветов в изображении, близости гистограмм содержания цветов, и приблизительного расположения цветов на картинке. Иногда используются более сложные алгоритмы сравнения, использующие дискретное преобразование Фурье, или вейвлет-преобразование. В таком случае в базе данных вместе с изображением хранится его представление, а для поиска изображений создается представление-запрос, и ищутся представления наиболее похожие на него. Такая система описывается в статье Jacobs и др.[4]. В ней представление строится на основе 60 наибольших по модулю вейвлет-коэффициентов, которые затем квантуются до значений 0, 1 или -1. Эта система позволяет использовать в качестве запроса к базе данных сделанный в графическом редакторе набросок изображения, либо отсканированный уменьшенный вариант картинки.

Управление синтезом изображений

Методы сравнения изображений, используемые для управления синтезом, или сжатием изображений требуют более точного подхода. Существуют итерационные алгоритмы синтеза изображений по геометрической модели, основанные на методе излучательности. В этом методе рассчитывается распространение энергии от источников света к граням модели, отражение, преломление света. В этих алгоритмах на каждом этапе уточняется изображение, полученное на предыдущем шаге, при этом основной результат достигается уже после нескольких первых итераций, а далее полученное изображение уточняется лишь в отдельных областях. Лучшие современные реализации позволяют получать удовлетворительные результаты для реальных сцен за 15-20 минут, однако для получения точного результата им требуется до нескольких дней [5]. Для оптимизации подобных алгоритмов было бы полезно определять области, в которых изменения за последние 1-2 итерации были не заметны для человека, и исключать их из дальнейшего рассмотрения. Несмотря на простоту идеи, этот метод оказывается очень эффективным и позволяет сосредоточить усилия именно на тех участках, где это требуется. Единственным недостатком является то, что изменения могут складываться и после нескольких итераций, действие каждой из которых было практически незаметно, суммарный вклад может быть достаточно велик. Единственный способ борьбы с этим явлением – уменьшение порога, после которого участок больше не рассматривается.

Такой подход описывается в статье M.Ramasubramanian и др.[5], где строится модель восприятия изображения человеком, которая учитывает разную чувствительность глаза к перепадам яркости в зависимости от яркости фона и от однородности. Для этого авторы используют функцию чувствительности контраста. На основе некоторой модели для каждой точки изображения рассчитывается величина, на которую яркость данного пиксела может отличаться от правильной, чтобы человек не заметил отличия. Существенным недостатком этой системы является то, что в данный момент она учитывает все эти параметры только для одной из компонент цвета – яркости.

Другая подобная система описана в работе Gaddipatti и др. [6]. В ней для сравнения изображений сначала строится маска, выделяющая области перепада яркости, параллельно с вычислением маски производится вейвлет-преобразование изображения, и обнуляются те коэффициенты, которые соответствуют областям без перепадов. Затем с помощью функции чувствительности контраста определяется «важность» каждого из оставшихся коэффициентов и получившиеся наборы чисел сравниваются по метрике MSE. Кроме того в этой работе рассматривается вопрос, почему изображения некорректно считать просто сигналами и сравнивать их с помощью стандартных в области обработки сигналов метрик MSE и SNR.

Управление сжатием

Многие алгоритмы сжатия, в том числе такие популярные как JPEG, позволяют регулировать степень сжатия в зависимости от качества получаемого изображения. Сравнивая исходное изображение со сжатым, можно автоматически подбирать параметры алгоритма, чтобы получать изображения с качеством не хуже заданного, или, чтобы размер файла был не больше заданной величины.

При разработке таких алгоритмов часто возникает необходимость оценить искажения, внесенные при сжатии картинки. В этом случае желательно иметь интегральную характеристику, показывающую, насколько сильно отличаются эти изображения; также необходимо знать области, в которых изображение было искажено сильнее всего.

При сравнении изображений важно обеспечить правильную цветопередачу. Для этого хорошо подходит стандартизованное цветовое пространство CIE XYZ, а также пространства, производные от него, обладающие другими полезными свойствами. В частности пространства CIE Luv и CIE Lab позволяют определить, сможет ли человек отличить два предложенных цвета.

Система, работающая в этих цветовых пространствах, описана Neumann’ом в работе [8]. В ней предлагается разбросать по сравниваемым изображениям случайные прямоугольники, затем посчитать в каждом прямоугольнике средний, в смысле CIE XYZ, цвет, перевести полученные средние цвета в пространство Luv, и сравнивать их между собой по метрике пространства Luv. Поскольку известно, что человек воспринимает перепады яркости неодинаково в зависимости от пространственной частоты изображения в данной точке (эту зависимость описывает функция чувствительности контраста1), то стороны прямоугольников подбираются так, чтобы чаще всего выпадали те, размеры которых соответствуют оптимальной пространственной частоте.

  1.  Цель работы

Постановка задачи

Исходя из требований, предъявляемых к методам сравнения, при синтезе изображений по геометрической модели, а также при контроле качества сжатия, была поставлена следующая задача. Требовалось создать метод сравнения изображений, который обеспечивал бы правильные результаты для любого монитора, позволял указать области, в которых отличия будут заметны, а также выдавал обобщенную характеристику, показывающую насколько похожи сравниваемые изображения.

Поскольку при сжатии изображений, и синтезе изображений по геометрической модели результаты обычно рассматриваются на мониторе, в решении не рассматривался случай сравнения изображений на отражающих поверхностях.

Подходы к решению

В современных работах по сравнению изображений основной упор делается либо на учет ошибок цветопередачи [4, 8], либо на учет зависимости восприятия цвета от однородности окружающей области [7, 8]. В моей работе делается попытка объединить эти направления и применить функцию чувствительности контраста для вычисления порогов различимости цветов, использующихся в специальных цветовых пространствах.

Идея метода состоит в том, чтобы сначала с помощью двумерного дискретного преобразования Фурье и функции чувствительности контраста получить карту порогов различимости цветов, учитывающую неоднородность исходных изображений, затем поточечно сравнить исходные изображения в пространстве Luv, и на основе карты порогов и поточечного сравнения сделать вывод о том, заметит ли человек отличия.

  1.  Моделирование человеческого восприятия

Цветопередача

Для корректной работы с цветом прежде всего надо учесть зависимость измеряемых результатов от конкретного отображающего устройства. Для этого необходим способ задачи цвета, не зависящий от устройства. Стандартный случай, когда цвет задается как сочетание яркостей красного, зеленого и синего люминофоров, не подходит, потому что спектры излучения люминофоров в мониторе могут не совпадать даже у мониторов из одной партии; к тому же спектры могут меняться со временем. Единственно приемлемым подходом в такой ситуации является использование стандартных цветовых пространств, например таких как CIE XYZ. Это вызывает необходимость периодически производить калибровку монитора, но позволяет получать правильный результат на любом дисплее. В этом случае можно говорить об отображении пиксела с заданными цветовыми координатами.

После представления цвета стандартным образом необходимо научиться определять, сможет ли человек отличить два заданных цвета друг от друга. Для этого необходимо, чтобы в цветовом пространстве были заданы функция и пороговая модель, позволяющие определить расстояние между цветами, а также каково должно быть расстояние, чтобы человек отличил заданные цвета. Таким требованиям удовлетворяют пространства CIE Luv и CIE Lab. Они получаются из пространства XYZ с помощью несложных и, что важно, обратимых нелинейных преобразований. К тому же они являются равномерными по восприятию, то есть такими, что одинаковые изменения каждой из координат приводят к одинаково заметным изменениям цвета. Поэтому расстояние между цветами в них задается формулами

(1)


где– разность соответствующих компонент цвета.

Необходимость введения двух пространств связана с различными схемами цветопередачи. В случае излучающих поверхностей (мониторы) используется аддитивное цветовоспроизведение, когда нужный цвет создается с помощью нескольких источников света (триады люминофоров), имеющих разные спектры излучения. При использовании отражающих поверхностей (печать на бумаге) работает субтрактивная схема цветовоспроизведения, когда поверхность освещается белым светом, а нанесенные на нее слоями краски поглощают некоторые части спектра, и поверхность имеет цвет, соответствующий непоглощенной части.

Пространство Luv применяется для задания и сравнения цветов, которые будут рассматриваться на излучающих поверхностях, а Lab – на отражающих поверхностях. Поскольку при постановке задачи было решено ограничиться случаем излучающих поверхностей, то в дальнейшем в работе будет рассматриваться лишь пространство Luv.

Для перехода из пространства RGB в пространство Luv необходимо сначала посчитать координаты цвета в пространстве XYZ, а потом с их помощью получить координаты в пространстве Luv. Для этого надо один раз посчитать так называемую тройственную матрицу2, а затем умножать на нее вектор (R,G,B).

Методика вычисления тройственной матрицы, а также переход из пространства RGB в пространство Luv описан в приложениях 1 и 2.

Помимо расстояния между цветами в пространстве Luv заданы два порога. В случае если расстояние между двумя цветами меньше 1, то эти цвета невозможно отличить, если расстояние больше 3, то отличие хорошо заметно, если же расстояние больше 1, но меньше 3, то эти цвета можно отличить только при определенных условиях.

К сожалению, указанные значения порогов верны лишь для идеального случая, когда на фоне одного цвета рассматривается квадрат другого цвета. Практика показывает, что чувствительность человеческого глаза к ошибкам цветопередачи в точке зависит от многих факторов, и среди прочих от «однородности» окружающей точку области. В случае черно-белых изображений эту зависимость описывает функция чувствительности контраста.

Функция чувствительности контраста

В качестве определения контрастности будем использовать определение по Майкельсону (Michaelson), согласно которому контрастность периодического сигнала L (в простейшем случае – яркости изображения) равна .

Функция чувствительности контраста (ФЧК) позволяет определить воспринимаемую глазом контрастность изображения в зависимости от частоты рассматриваемого сигнала. Она показывает отношение воспринимаемой контрастности к реально присутствующей. Мы воспользуемся ФЧК, описанной Mannos и Sacrison в статье [1], как одной из наиболее часто используемых в современных работах. Она вычисляется по формуле:

,  (2)

где f – пространственная частота изображения.

Пространственная частота периодического сигнала равна числу периодов наблюдаемых под углом в 1˚. Поскольку изображение, как правило, не является периодическим сигналом, то для вычисления пространственной частоты в точке приходится рассматривать лишь некоторую окрестность точки, представлять ее в виде суммы периодических сигналов, и анализировать набор этих сигналов и их амплитуды.

График ФЧК приведен на рисунке 1.

Наилучшее восприятие контраста человеческим глазом соответствует частоте около 7,9 периодов/градус и соответствует чувствительности 0.98. Поскольку максимальное значение ФЧК не равно 1, то при использовании ее в качестве весовой функции, ее приходится нормировать. Нормированная ФЧК изображена на рисунке 1 пунктирной линией.

Рисунок . Функция чувствительности контраста.

Вычисление пространственной частоты

Поскольку при определении контрастности использовалась модель периодического сигнала, то для вычисления пространственной частоты было бы логично представить изображение в виде суммы простейших периодических сигналов. Для получения такого разложения надо использовать преобразование, для которого эти функции были бы базисными.

Таким образом, естественно использовать дискретное преобразование Фурье (ДПФ). Поскольку ДПФ не локально – нужно применять его не ко всему изображению, а на каждом шаге рассматривать лишь некоторую окрестность, и, на основании полученных результатов, вычислять пространственную частоту для 4-центральных точек (поскольку окрестность – квадрат со сторонами четной длины).

Исходя из определения функции чувствительности контраста, на вход преобразования Фурье (ПФ) должен подаваться массив яркостей изображения. Но чтобы можно было применить ФЧК для вычисления порогов различимости цветов, нужно чтобы пространственная частота отражала также неоднородности вызванные флуктуациями компонент u и v в пространстве Luv. Поэтому предлагается применить ПФ не к массиву яркостей точек, а к массиву величин .

Для того чтобы посчитать пространственную частоту, надо оценить вклад каждой из частот в неоднородность изображения. Вклад каждой частоты определяется ее амплитудой, а также чувствительностью глаза к этой частоте. Таким образом можно записать формулу для пространственной частоты Fsp изображения в точке:

, где (3)

  •  frij – радиальная частота, соответствующая коэффициенту Xij двумерного преобразования Фурье;
  •  Aij – действительная часть (т.е. амплитуда соответствующего сигнала) коэффициента Xij двумерного ДПФ;
  •  Wij – весовой коэффициент, учитывающий вклад каждой частоты в воспринимаемую неоднородность изображения;
  •  l – длина стороны квадрата, в котором рассматривается ДПФ;
  •  cpd [пиксел/градус] – коэффициент для перевода частот к размерности [период/градус];
  •  коэффициент N получается из условия

Радиальная частота, соответствующая коэффициенту двумерного преобразования Фурье, вычисляется по формуле:

, где

fv и fh – вертикальная и горизонтальная частоты, соответствующие этому же коэффициенту.

Весовой коэффициент Wij описывает чувствительность глаза к возмущению, создаваемому определенной частотой ДПФ, и имеет вид:

, (4)

где NormCSF – нормированная функция чувствительности контраста.

Вычисление порогов различимости цветов

После вычисления пространственной частоты в точке, можно посчитать порог различимости цветов в этой точке.

Поскольку ФЧК показывает отношение воспринимаемой контрастности к реальной, то для того, чтобы определить, отличит ли человек два цвета, нужно найти расстояние между этими цветами, умножить его на значение ФЧК и полученное число сравнить с порогами 1 и 3. Отсюда следует, что в точке (i,j) в качестве первого порога нужно использовать величину Tij, а в качестве второго порога – 3 Tij

, (5)

где Fsp ij – значение пространственной частоты;

Однако из-за отличий между изображениями, значения пространственной частоты в точке для каждого из изображений могут отличаться, и поэтому могут отличаться пороги различимости цветов. Чтобы избежать этого случая, при выборе порогового значения для данной точки, выбирается меньший из порогов, который соответствует большей чувствительности глаза

После получения порогов и поточечного сравнения цветов, можно сформировать карту видимых ошибок, в которой каждой точке изображения соответствует расстояние между цветами, если оно больше порога Tij, и 0 в противном случае.

Статистическая обработка и визуализация карты видимых ошибок.

После получения карты видимых ошибок нужно собрать представленные в ней данные, вычислить по ним некоторую обобщенную характеристику и с ее помощью определить, насколько отличаются предложенные изображения.

В качестве такой характеристики предлагается использовать среднее значение карты видимых ошибок:

, где

H, W – высота и ширина изображения соответственно;

– расстояние между цветами в точке (i,j); см. формулу 1

Ii,j вычисляется по формуле:

Tij – значение порога в точке (i,j), вычисляемое по формуле 5.

Эксперименты показали, что разница между изображениями становится хорошо заметна, когда характеристика LuvDiff превышает значение 0.8-0.9 для черно-белых изображений, и 1.2-1.4 для цветных.

Для того, чтобы определить области, в которых отличия между изображениями будут заметны, карту видимых ошибок надо визуализировать. Для этого предлагается следующая операция.

Исходя из свойств пространства Luv, карта разбивается на 3 области, каждая из которых закрашивается своим цветом. Первая область, где расстояние между цветами не позволяет отличить их, закрашивается черным цветом, вторая, где при определенных условиях можно заметить разницу – оттенками зеленого, и третья, где разница хорошо заметна – оттенками красного.

Помимо характеристики LuvDiff, степень отличия изображений неплохо характеризуют такие величины, как процент точек, закрашенных черным, красным или зеленым цветом.

  1.  Особенности программной реализации

Общие сведения

На основе предложенного алгоритма были написаны программа сравнения изображений, и программа тестирования алгоритмов сжатия изображений с потерями качества. Обе программы компилировались в среде Borland C++ Builder 4.0 Professional Edition. В обеих программах для вычисления дискретного преобразования Фурье, а также весовых коэффициентов в формулах 3, 4 использовались функции библиотеки Intel Signal Processing Library версии 4.1.

Кроме того, в целях оптимизации программы сравнения изображений алгоритм был модифицирован. За счет этого время работы программы было сокращено на 20%, а объем используемой памяти уменьшен на 10%. После этого, при тестировании на платформе Intel Pentium-III 500 128M Ram под управлением Windows NT 4.0, изображения размером 512x512 пикселов сравнивались за 19-20 секунд, при этом использовалось около 16Мб памяти.

Схема алгоритма

На основе решений, описанных в главе 4, был предложен алгоритм. Его схема изображена на рисунке 2. На вход алгоритма поступают 2 изображения. Для каждого изображения, используя преобразование Фурье и функцию чувствительности контраста, строится карта порогов различимости цветов (Индивидуальная карта порогов). Затем эти карты объединяются в совместную карту порогов, при этом из двух порогов выбирается тот порог, который обеспечивает большую чувствительность. Одновременно с этим оба изображения переводятся в пространство Luv, и поточечно сравниваются по формуле 1. Далее карта ошибок сравнивается с совместной картой порогов, и значения, превосходящие порог различимости цветов Tij, попадают в карту видимых ошибок. После этого производится визуализация и статистическая обработка карты видимых ошибок.

Рисунок . Схема алгоритма сравнения изображений

Преобразование Фурье

Одним из свойств дискретного преобразования Фурье является отсутствие для него эффективной вычислительной схемы, а многократное вычисление преобразования Фурье, необходимое для вычисления пространственной частоты, вызывает очень большие накладные расходы. Поэтому решено было разбить исходное изображение на блоки 2nx2n, чтобы к каждому блоку можно было применить быстрое преобразование Фурье (БПФ). Для БПФ существуют эффективные, так называемые пирамидальные схемы вычисления. Размер блока выбирается так, чтобы минимальное возможное значение функции чувствительности контраста было не больше ½, а максимальное – равно 1.

Другой проблемой, возникающей при использовании разновидностей преобразования Фурье, является проблема краевых эффектов, когда для подсчета пространственной частоты на краях изображения нужны значения за границей изображения. В качестве решения предлагается использовать четное продолжение сигнала. Нечетное или нулевое продолжения (или продолжение константой) не подходят, потому что предполагается, что сравниваемые картинки были «вырезаны» из некоторого большого изображения.

Вычисление пространственной частоты

Анализируя формулу 4 можно заметить, что пространственные частоты , а следовательно и коэффициенты Wij, зависят только от размеров блока, к которому применяется БПФ. Исходя из этого, можно оптимизировать алгоритм, создав два специальных массива, вычислить их значения перед сравнением Единственная сложность возникает c первым элементом, который соответствует нулевой частоте в преобразовании Фурье блока, которая, в свою очередь, может не совпадать с нулевой частотой преобразования всего изображения. Поэтому первый элемент массива частот инициализируется значением , а массив коэффициентов –

Рисунок . Настройки условий сравнения изображений

В приложении 3 приведена функция, которая вычисляет индивидуальную карту порогов с использованием указанных оптимизаций.

Для вычисления пространственной частоты нужно знать коэффициент cpd из формулы 4, который равен половине числа пикселов, наблюдаемых под углом 1. Для получения необходимых параметров в программе сравнения изображений использовалось меню настроек условий сравнения, приведенное на рисунке 3.

  1.  Основные результаты и перспективы

В результате написания дипломной работы был создан новый метод сравнения изображений, который моделирует человеческое восприятие, используя для этого специальные цветовые пространства, а также функцию чувствительности контраста. На основе предложенного метода написаны программы сравнения изображений, а также программа для полуавтоматического тестирования алгоритмов сжатия изображений с потерями качества, которая получала на вход исходные и восстановленные после сжатия изображения, сравнивала их, и записывала протокол сравнения в виде HTML-файла (образец смотри в приложении 4). Обе программы использовались в проекте Лаборатории Компьютерной графики ВМиК МГУ по созданию нового алгоритма сжатия изображений с потерями. Проект выполнялся по заказу корпорации Интел.

В ходе работы обнаружились направления, которые, возможно, могут повысить точность сравнения изображений. Среди них наиболее интересными представляется использование других функций чувствительности контраста, описанных в статье [9], а также учет ограниченности разрешающей способности глаза.

  1.  
    Приложения

Приложение 1
Переход из цветового пространства RGB в пространство CIE XYZ

Переход в пространство XYZ осуществляется умножением вектора RGB на тройственную матрицу T и последующим нормированием полученных значений.

Для вычисления тройственной матрицы надо:

  1.  Получить цветовые координаты каждого из люминофоров монитора (либо в документации к профессиональным мониторам, либо непосредственно измерить с помощью колориметра, либо взять значения соответствующие стандарту NTSC) и записать их в виде матрицы:
  2.  Посчитать координаты белой точки  монитора, увеличив яркость каждого люминофора до максимума
  3.  Посчитать тройственные значения3 белого цвета  по формулам:

    и с их помощью вычислить вектор V:
    , где C
    -1 – матрица, обратная к C.
  4.  Посчитать тройственную матрицу T:

Теперь переход в пространство XYZ осуществляется по формулам:

,
где x, y, z – хроматические координаты в пространстве XYZ, Y – яркость цвета, а R, G, B – соответствующие координаты в пространстве RGB,

Для монитора, соответствующего стандарту NTSC матрицы C и T имеют вид:


Приложение 2
Переход из цветового пространства CIE XYZ в пространство CIE Luv

Для перехода в пространство Luv достаточно знать не сами координаты x, y, z, а промежуточные значения X, Y и Z. В любом случае их можно восстановить по формулам:

Далее переход в пространство Luv осуществляется по формулам:


,

где – соответствующие значения белого цвета для данного монитора.

В случае если для воспроизведения цвета используется модель гамма-коррекции, то вместо отношения следует брать

Подробнее о цветовых пространствах, их свойствах и переходах в различные пространства смотри книгу Девида Тревиса [10].

Приложение 3
Вычисление индивидуальных порогов различимости цветов

Out – карта индивидуальных порогов

Extra=2order длина стороны квадрата, в котором проводится БПФ

void LUV::FFT(float ** Out, int Extra)

{

// Выделение памяти для коэффициентов БПФ

 SCplx **Spectr;

 bool res=false;

 Spectr=new SCplx*[Extra];

 if (Spectr==NULL)

   throw Exception("Can't allocate RAM
                                   for FFT spectrum");

 Spectr[0]=new SCplx[Extra*Extra];

 if (Spectr==NULL)

 {

   delete[] Spectr;

   throw Exception("Can't allocate RAM
                                     
for FFT spectrum");

 }

 res=true;

 int i;

 for (i=1; i<Extra; i++)

   Spectr[i]=Spectr[0]+i*Extra;

 int order=int(log(Extra)/log(2)+0.5);

 int j, c;             // just counters

 float tmp, mean;

// Инициализация матрицы для вычисления БПФ

nspsRealFftNip(NULL, NULL, order, NSP_Init);

 for (i=0; i< Height; i+=2)

   for (j=0; j< Width; j+=2)

   {

 // Преобразование Фурье строк области

 // Field – массив значений

     for (c=0; c<Extra; c++)

     {

       nspsRealFftNip(Field[i+c]+j, Spectr[c], order,
                                              NSP_Forw);

       nspcbConjExtend1(Spectr[c], (Extra>>1)+1);

     }

 // Транспонирование матрицы коэффициентов

     Transpose(&Spectr, Extra);

 // Преобразование Фурье столбцов области

     for (c=0; c<Extra; c++)

       nspcFft(Spectr[c], order, NSP_Forw);

 // Вычисление амплитуд 

     nspcbReal(Spectr[0], Amps[0], Extra*Extra);

     nspsbAbs1(Amps[0], Extra*Extra);

 // Вычисление весовых коэффициентов

 // Matrix – массив коэффициентов Wij (см. формулы 4, 5)

 // Freqs – массив значений (см. там же)

     nspsbMpy2(Matrix[0], Amps[0], Extra*Extra);

     mean=nspsMean(Amps[0], Extra*Extra);

 // Вычисление пространственной частоты

     tmp=nspsDotProd(Amps[0],Freqs[0], Extra*Extra);

/* Нормировка (В целях повышения быстродействия весовые коэффициенты нормируются после вычисления пространственной частоты)*/

     if (mean!=0)

       tmp/=Extra*Extra*mean;

     else

       tmp=0;

    Out[i][j]=Out[i+1][j]=

    Out[i][j+1]=Out[i+1][j+1]=CSF(tmp);

   }

 // Освобождение памяти

 if (res)

 {

   delete[] Spectr[0];

   delete[] Spectr;

 }

}

Приложение 4
Протокол тестирования алгоритма сжатия

Ссылка «Sample» указывает на уменьшенный вариант исходного изображения.


Приложение 5
Примеры изображений и результатов сравнения

Изображение «Lena» до (слева) и после размытия (blurring)

Карта видимых ошибок.

Обобщенная характеристика LuvDiff – 1.24, разница по метрике PSNR – 30.528.

Красный цвет соответствует областям, где отличия хорошо заметны, зеленый – где отличия почти незаметны, черный – где отличия незаметны.


Изображение «Портрет», до (слева) и после сжатия в 8 раз.

Карта видимых ошибок.

Обобщенная характеристика LuvDiff – 2.21, разница по метрике PSNR – 32.878.

  1.  
    Литература
  2.  J.L. Mannos, D.J. Sakrison "The Effects of Visual Fidelity Criterion on the Encoding of Images" // IEEE Transactions on Information Theory IT-20(4) 1974, pp. 525-536.
  3.  A. B. Watson “The Cortex Transform: Rapid Computation of Simulated Neural Images” // CVGIP, 39 1987 pp. 311-327.
  4.  Shapiro, Stockmann "ComputerVision" // Aug. 99, Chapter 8
  5.  Charles Jacobs, Adam Finkelstein, David Salesin "Fast Multiresolution Image Quering" // SIGGRAPH-95 Proceedings, pp 277-286.
  6.  E. Kopylov, A. Khodulev, V. Volevich “The comparison of Illumination Maps Techniques in Computer Graphics Software” // 8-я международная конференция по компьютерной графике и визуализации ГрафиКон-98 (Труды конференции) ISBN 5-89209-294-1-ВМК МГУ 1998 стр. 146-153
  7.  Mahesh Ramasubramanian, Sumanta Pattanaik, Donald Greenberg
    "A Perceptually Based Physical Error Metric for Realistic Image Sythesis" // SIGGRAPH-99 Proceedings.
  8.  Ajeetkumar Gaddipatti, Raghu Machiraju, Roni Yagel "Steering Image Generation with Wavelet Based Perceptual Metric" // EuroGraphics-97, Volume 16, Number 3, pp.C-241 – C-251.
  9.  Laszlo Neumann, Kresimir Matkovic, Werner Purgathofer “Perception Based Color Image Difference” // EuroGraphics’98 Vol. 17(98) #3 pp.233-241.
  10.  G.C. Higgins “Image Quality Criteria” // Journal of Applied Photographic Engeneering. 1977 3(2), pp. 53-60
  11.  David Travis "Effective Color Displays. Theory and practice" // pp.89-100; Academic Press 1991 ISBN 0-12-697690-2.

  1.  Abstract

In this work a new perceptual-based method of image comparison is introduced. It is based on the color comparison in perceptually uniform color space CIE Luv, and using Contrast Sensitivity Function to modify color similarity thresholds. This method can be used to measure image distortion in case of lossy image compression.

1 В английской литературе – Contrast Sensitivity Function (CSF)

2 В английской литературе – tristimulus matrix.

3 В английской литературе – tristimulus values.

23

Карта видимых ошибок

Карта ошибок

Совместная

карта порогов

Индивидуальная

карта порогов

Индивидуальная

карта порогов

Изображение 2

Изображение 1


 

А также другие работы, которые могут Вас заинтересовать

74066. Государственно-правовое развитие Англии в Новейшее время 121 KB
  Эволюция государства и права в новейшее время. Основные тенденции развития государства и права в ХХ веке. Новейший период в истории государства и права связан с серьезными изменениями в политической системе многих стран обусловленными глубокими социально-экономическими причинами. Основное назначение современного права состоит в том чтобы сохраняя основные устои общества трансформировать его приспособить к новым общественным потребностям.
74067. Соединенные Штаты Америки в Новейшее время 137.5 KB
  Государственное развитие США в Новейшее время. Право США в Новейшее время. Право США в Новейшее время. Особенности государственного развития США в Новейшее время.
74068. Франция в Новейшее время 99 KB
  Развитие государственного устройства Франции в Новейшее время. Право Франции в Новейшее время. Развитие государственного строя в период между двумя мировыми войнами Государственный строй Франции после Первой мировой определялся Конституцией 1875 г. В 30е годы в условиях острого социального и экономического кризиса во Франции активизируется деятельность профашистских организаций...
74069. Государственное развитие Германии в ХХ веке 140.5 KB
  Государственное развитие Германии в ХХ веке. Право Германии в Новейшее время. Революция 1918 года в Германии. Поражение Германии в Первой мировой войне внутренние противоречия влияние событий в России привели к революционному взрыву в ноябре 1918 г.
74070. Государство и право Китая и Японии в Новое и Новейшее время 168 KB
  Парламент Китая под нажимом Юань Шикая совершившего государственный переворот вносит во Временную конституцию изменения целью которых было расширить права президента и ограничить права парламента. еще больше расширили права президента. Провозглашалось равенство граждан перед законом и национальное равноправие гарантировались...
74071. Предмет, методы и основные источники «Истории права зарубежных стран» 48.5 KB
  Предмет методы и основные источники Истории права зарубежных стран. Истоки права. История ПЗС иногда ее называют Всеобщая история государства и права – изучает возникновение оформление и функционирование правовых обычаев и законов а также их последующие изменения у разных народов мира в отдельные периоды от древности до современной эпохи...
74072. Право Древнего Востока 88.5 KB
  Право Древнего Востока. Право Древнего Египта. Право Древнего Вавилона. Это в свою очередь сказалось на застойном характере восточных социальных структур на отсутствии на Востоке условий для развития тех политических и правовых институтов которые были призваны обслуживать нужды нарождавшегося гражданского общества: общественное самоуправление с правами и обязанностями каждого полноправного гражданина правовые гарантии его интересов прав и свобод.
74073. Право Юго-Восточной Азии в античное время 89.5 KB
  Особое место в истории Индии занимает Магадско-Маурийский период (IV-II вв. до н.э.), отмеченный созданием (впервые в истории Индии) объединенного государства - Магатха. Наивысшего могущество оно достигло при правлении династии Маурьев, и особенно, при Чандрагупте I (основателе династии) и Ашоке.
74074. Право Древней Греции 60 KB
  Право Древней Греции План. Государственноправовое устройство греческих полисов. Право Древней Греции. По достижении 18 лет они начинали пользовались политическими правами и правом получения различных пособий от государства.