Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

 
МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ 
С.С. Бекназарова (д.т.н., профессор,ТУИТ имени Мухаммада ал-Хоразми)
М.К. Жаумытбаева (ст.-преп., ТУИТ имени Мухаммада ал-Хоразми) 
Во многих алгоритмах обработки изображений существуют определенные 
параметры, которые должны быть определены пользователями для получения 
наилучших результатов. Это часто трудная задача для наивных пользователей, 
поскольку лучшие значения могут зависеть от изображения. Хороший 
показатель IQA может быть полезным инструментом для автоматического 
определения этих параметров. 

---

13 
Например, в работе для автоматического выбора параметров алгоритма 
шумоподавления изображения использовался Q-индекс, мера резкости и 
контрастности NR. Эта идея может быть расширена еще больше, когда 
несколько взаимодополняющих алгоритмов (или несколько режимов по одному 
и тому же алгоритму) доступны для одной и той же цели, например, различные 
режимы кодирования в стандартных системах сжатия видео. В таких сценариях 
мера IQA может помочь выбрать правильный алгоритм (режим) или 
автоматически переключаться между различными алгоритмами (режимами). 
Объективные показатели IQA особенно желательны в сетевых приложениях 
визуальной коммуникации с целью мониторинга качества обслуживания (QoS). 
Изображение и видео контент, передаваемые по различным проводным и 
беспроводным сетям, неизбежно страдают от ухудшения качества изображения 
при сжатии с потерями и передаче по сетям, подверженным ошибкам. 
Поставщикам сетевых услуг крайне важно отслеживать такие ухудшения 
качества в режиме реального времени, чтобы оптимизировать распределение 
сетевых ресурсов и максимально удовлетворить ожидания пользователей в 
рамках определенных ограничений по затратам. Было показано, что типичные 
критерии ошибок, используемые при проектировании и тестировании сети, такие 
как частота битовых ошибок (BER), плохо коррелируют с качеством опыта 
сетевых потребителей. Поэтому точные и высокоскоростные перцептивные 
измерения IQA могут играть важную роль. По-видимому, методы FR IQA здесь 
менее полезны, поскольку исходные видеосигналы (обычно с чрезвычайно 
высокой скоростью передачи данных) не будут доступны на средних или 
конечных узлах сети. Методы NR желательны, но их трудно разработать. Это в 
основном связано с усложнением типов искажений, которые могут возникать 
при передаче видео в современных сетях связи, где искажения могут быть 
вызваны сочетанием сжатия с потерями, сетевой задержки и потери пакетов, 
масштабированием 
во 
временном 
и 
пространственном 
разрешении, 
масштабированием в полосе пропускания, пространственной и/или временной 
интерполяцией на приемнике и различными типами фильтрации до и после 
обработки (например, сокрытием ошибок, деблокирующей фильтрацией и 
резкостью). 
RR IQA обеспечивает полезный компромисс между решениями FR и NR, 
где функции RR, извлеченные из исходных изображений, передаются на 
приемный конец для оценки качества полученных искаженных изображений. 
Было показано, что только при достаточно низкой скорости передачи данных RR 
можно добиться впечатляющей точности предварительной записи качества, 
близкой к конкурентным методам FR. Трудность с методами, основанными на 
RR, заключается в том, как передать функции RR приемнику. Обычно для этого 
требуется гарантированный вспомогательный канал, который может быть 
дорогим или недоступным. Интересным методом отслеживания ухудшения 
качества сетевых изображений без использования вспомогательного канала 
является использование современных методов водяных знаков изображений. 

---

14 
Идея состоит в том, чтобы скрыть изображение водяного знака или 
псевдослучайную 
битовую 
последовательность 
внутри 
передаваемого 
изображения. Деградация изображения водяного знака или частота ошибок 
встроенной битовой последовательности, измеренная на стороне приемника, 
затем может быть использована в качестве индикатора ухудшения качества 
изображения хоста. Идея качественного изображения предоставляет еще одно 
средство для включения методов водяных знаков, где RR-функции, извлеченные 
из исходного изображения, встроены в то же изображение, что и невидимые 
скрытые сообщения. 
а) б) 
в) г) 
Рис. 1. Исходное изображение (а) сжимается с помощью JPEG (б). Карта абсолютных 
ошибок и карта качества SSIM показаны в (в) и (г) соответственно. На обеих картах ярче 
указывает на лучшее местное качество (или меньшее искажение). 
Когда получена искаженная версия такого “качественного” изображения, 
пользователи могут декодировать скрытое изображение. Особенности рублей и 
использовать метод институту обеспечения качества РР для оценки качества 
искаженного изображения. Преимущества методов, основанных на водяных 
знаках, многообразны. Во - первых, они не требуют отдельного канала передачи 
данных для передачи функций RR или любой другой боковой информации 
приемнику. Во-вторых, они не влияют на обычное использование содержимого 
изображения, поскольку процесс сокрытия данных вызывает только невидимые 
изменения изображения. В-третьих, по сравнению с подходами включения 
стороны информация в заголовках изображений, они с большей вероятностью 
переживут преобразование формата изображения/видео. Дополнительным и 
интересным преимуществом качественных изображений является то, что они 
дают возможность конечным пользователям частично “восстанавливать” 
полученные изображения с помощью декодированных функций RR. Такая идея 
самовосстанавливающегося образа была продемонстрирована в путем 

---

15 
сопоставления определенных статистических свойств искаженного изображения 
с таковыми эталонного изображения (которые принимаются как RR-признаки). 
Было показано, что этот подход достаточно эффективен для размытия 
изображения. 
Сфера применения объективных показателей IQA выходит далеко за рамки 
оценки качества и сравнения алгоритмов. В сущности, любая научная разработка 
алгоритмов и систем обработки изображений будет включать определенный 
критерий качества, явно или неявно. Если имеется хороший критерий качества, 
то его можно использовать не только для оценки эффективности этих 
алгоритмов и систем, но и для их оптимизации с целью получения наилучшей 
производительности по этому критерию. На рис. 1 показано, как перцептивная 
объективная мера IQA может быть полезна в контексте кодирования 
изображений. 
Исходное изображение (а) сжимается с помощью JPEG. Из-за 
ограниченного битового бюджета результирующее распакованное изображение 
(b) демонстрирует множество сильно видимых искажений. В частности, хорошо 
видны блокирующие артефакты в небе. Потеря деталей в зонах ограждения и 
верхних границах здания также очевидна. Предположим, что теперь доступен 
некоторый новый битовый бюджет, и наша цель состоит в том, чтобы решить, 
как потратить новые биты для повышения качества изображения. В идеале, мы 
бы потратьте биты в местах, которые имеют наибольший потенциал для 
улучшения качества изображения. Мера IQA могла бы помочь нам в 
определении этих мест. 
На рис. 1(в) показана карта абсолютных ошибок между (а) и (б), которая 
является первым шагом в вычислении MSE и PSNR (а также любой нормы lp). К 
сожалению, эта карта ошибок дает нам неверное руководство, потому что она 
предполагает, что внутренние части здания находятся там, где расположены 
самые большие искажения. Напротив, наши визуальные наблюдения хорошо 
согласуются с картой SSIM (г), созданной перцептивной мерой IQA. 
Понимая, что большинство существующих кодеров изображений 
предназначены для оптимизации MSE/PSNR или аналогичных критериев, 
драматическая разница между картами качества/ошибок в (в) и (г) раскрывает 
большие возможности перцептивного кодирования изображений и видео. 
Некоторые недавние работы показали большие перспективы в этом 
направлении. При оптимальном проектировании алгоритмов и систем обработки 
изображений объективные показатели IQA могут быть использованы в двух 
различных подходах. При первом подходе основной модуль обработки 
изображений остается неизменным, а Мера IQA используется только для 
создания управляющих сигналов обратной связи, которые помогают обновлять 
модуль обработки изображений, вероятно, итеративным образом. Это 
проиллюстрировано на рис. 3, где в зависимости от или ШП приложений, либо 
фр, РР Меры институту обеспечения качества может быть использована чтобы 
создать элемент управления сигнал обратной связи. Например, в случае 

---

16 
улучшения изображения NR метод может быть использован и для IQA требуется 
только изображение, созданное на выходном конце вычисление. В приложениях 
кодирования изображений может быть использована мера FR IQA, которая 
требует, как декодированного изображения с выходного конца, так и исходного 
эталонного изображения с входного (которое связано пунктирной линией). 
Рис. 2. Схема метода оптимизации обратной связи на основе IQA 
Во втором подходе к институту обеспечения качества на основе 
оптимальная конструкция, объективная мера институту обеспечения качества 
входит в ядро алгоритма обработки изображения. Чтобы проиллюстрировать 
это, возьмем в качестве примера общую задачу восстановления изображения.
После 
оценки 
качества 
изображения 
некоторая 
процедура 
предварительной обработки может быть выполняется для повышения качества 
изображение до распознавания образов алгоритм применяется. Другой способ 
использование результатов IQA означает их использование для помочи выбрать 
между несколькими алгоритмами распознавания или объединить результаты от 
нескольких алгоритмов, чтобы улучшить общую производительность 
распознавания. Такой подход успешно применяется при проверке отпечатков 
пальцев системы. 
С быстрым развитием медицины технологии визуализации, количество 
получение данных медицинского изображения с каждым днем резко 
увеличивалось число союзников, во многом опережая рост доступное место для 
хранения. Эффективное хранение, передача и получение информации о 
медицинских изображениях в большом масштабе. База данных стала серьезной 
проблемой в больницах и медицинских организациях. Сжатие изображений с 
потерями обеспечивает мощное средство для снижения скорости передачи 
данных, но рискует потерять или изменить важную диагностическую 
информацию, содержащаяся в медицинских изображениях. Поэтому это важно 
обеспечить конкретную цель меры IQA, которые могут помочь максимизировать 
уровень сжатия, но без оказывающие диагностическое значение медицинских 
изображений. Более того, многие современные устройства медицинской 
визуализации получают изображения с гораздо более высокий динамический 

---

17 
диапазон уровней интенсивности, чем тот, который может быть надлежащим 
образом показан в стандартном динамическом диапазоне отображает. Поэтому 
желательно использовать те меры IQA, которые могут дать значимую оценку 
качества изображений после сжатия динамического диапазона. Кроме того, 
скорость передачи данных и сжатие динамического диапазона медицинские 
изображения должны быть оптимизированы для меры IQA специально 
разработанные для медицинского применения. 
Литература 
1.
N. Sedova, V. Sedov, R. Bazhenov, A. Karavka, S.Beknazarova. Automated Stationary Obstacle Avoidance 
When Navigating a Marine Craft //2019 International Multi-Conference on Engineering, Computer and Information 
Sciences, SIBIRCON 2019; Novosibirsk; Russian Federation; 21 October 2019 
2.
Beknazarova S., Mukhamadiyev A.Sh. Jaumitbayeva M.K.Processing color images, brightness and color 
conversion//International Conference on Information Science and Communications Technologies ICISCT 2019 
Applications, Trends and Opportunities. Tashkent 2019
3.
Z . Wang, G. Wu, H. R. Sheikh, E. P. Simoncelli, E.-H. Yang, and A. C. Bovik, “Quality-aware images,” IEEE 
Trans. Image Processing, vol. 15, pp. 1680– 1689, June 2006.
4.
M. C. Q. Farias, S. K. Mitra, M. Carli, and A. Neri, “A comparison between an objective quality measure and the 
mean annoyance values of water-marked videos,” in Proc. IEEE Int. Conf. Image Pro-cessing, Rochester, MN, Sept. 
2002, pp. 469–472.
5.
A . Rehman and Z. Wang, “Reduced-reference SSIM estimation,” in Proc. IEEE Int. Conf. Image Processing, Hong 
Kong, China, Sept. 2010, pp. 289–292. 
6.
D . Brunet, E. R. Vrscay, and Z. Wang, “A class of image metrics based on the structural similarity quality index,” 
in Proc. Int. Conf. Image Analysis and Recognition (Lect. Notes Comput. Sci.), vol. 6753, Burnaby, BC, Canada, 
June 2011, pp. 100–110
.