国际创新研究期刊》的研究在科学、工程和技术
菜单ISSN在线(2319 - 8753)打印(2347 - 6710)
ISSN在线(2319 - 8753)打印(2347 - 6710)
Anil Wadhokar1,Krupanshu Sakharikar2,苏尼尔Wadhokar3,吉塔Salunke4
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术
现在天有不同的方法存在的图像进行评估的功能,但没有共同努力开发的比较图像的质量。本文,我们感兴趣的图像质量评价我们从不同的摄像机捕获图像。我们正在使用的相机是不同的配置,规范和公司。第一个工作是同一场景不同的相机去抓拍到类似的。在捕捉图像,图像可以被不同类型的畸变影响,我们正在讨论。下一步是提取图像的特点。有几个特性的基础上,我们可以比较图像的质量。这些特性是对比度,亮度,边缘基础结构指数、结构相似度(SSIM)等。为发展我们提取特征的形象和质量改进我们处理图像的技术更好的结果。因此我们可以得到最好的质量形象的基础上进行比较。
关键字 |
| 相机质量,比较功能、质量、特色、ssim指标。 |
介绍 |
| 作为电子产品增长领域所以每天有改善图像的质量。相机配置得到改善。以前我们使用的VGA视频图形配件相机但现在一天由于成像领域的进步我们能够使用HD高清摄像头。讨论图像质量评价,它是基于两种类型首先是主观质量评价和第二是客观的质量评估。观察者的主观测量结果提供他们的意见的视频质量。客观的测量仪器的帮助下执行,校准天平和数学算法。有很多摄像头应用程序用于捕获图像,视频,视频会议使用的新闻工作室,电影制片厂等。现在一天的3 d摄像机可以捕捉3 d图像。三维图像背后的理念是创建的深度是由二维场景每只眼睛的视网膜上略有不同。人类的大脑产生的印象通过立体的生理融合对深度。在本文中,我们firsrt从摄像机捕获图像。 The captured images are then photo-metrically and geometrically calibrated before being displayed. Different views captured by different cameras may vary in terms of colour, brightness, noise level, and orientation. |
相关工作 |
| 数字图像受到各种各样的扭曲在收购,加工、压缩、存储、传输和繁殖,任何可能导致退化的视觉质量。应用图像的最终被人类,唯一的“正确”方法量化视觉图像质量是通过主观评价。然而在实践中,主观评价通常是太不方便,耗时和昂贵的。客观图像质量评价研究的目标是开发可以自动预测感知图像质量的量化措施。客观图像质量度量可以在图像处理应用程序中扮演各种各样的角色。首先,它可以用来动态监视和调整图像质量。例如,一个网络数字视频服务器可以检查视频传输的质量以控制和分配流媒体资源。第二,它可以用来优化算法和图像处理系统的参数设置。例如,在视觉传达系统中,一个质量度量可以帮助优化设计的预滤器和比特分配算法的编码器和最佳重建、错误隐藏和过滤算法的译码器。许多公司现在每天的工作目标质量指标单一视图图像、视频。 The work dedicated for objective multiple view image quality assessment is not much as needed now, on the other hand, is much less. Leorin had used subjective tests to show that current single video camera quality assessment techniques are not adequate for quality assessment of omni directional panorama video, generated by multiple cameras. Panoramic video image plane could be spherical, cylindrical, or even hyperbolic. Different cameras multiple view panoramic video application are based on two parameters that depend on the geometrical of scene. We use four cameras for panoramic video applications, so different camera setting could be possible as follows. Figure shows three possible camera configurations, i.e., parallel view, convergent and divergent view. |
 |
扭曲 |
| 有不同的变形因素,影响图像的质量。失真可能在摄像机捕获图像处理或由于相机震动而捕获的图像。所以扭曲被归类为光度失真和几何失真作为下面。 |
| 答:光度失真 |
| 这相机是一种扭曲的定义是知觉的降解特性,吸引视觉注意力,如噪声、模糊和屏蔽构件。光度失真可以收购的内在由于设备或外在,因为应用程序,如有损压缩、传输出错频道,或图像增强。量化这些失真类型对感知质量的影响是至关重要的改进或发展新的视频或图像应用程序,因此促使当代图像和视频质量指标的发展。对于不同的相机系统,光度失真是可见的亮度水平的变化和色彩在整个图像显示。个体之间的变异可以不均匀的结果相机属性或后置处理应用程序,如压缩。这种类型的图像的变化称为变分光度失真。 |
 |
| b .几何扭曲 |
| 有一个另一种类型的失真称为几何畸变。在多个摄像系统,一个场景是由N摄像头捕捉到的,我们可以改变每个摄像机的位置和方向。这些类型的扭曲是可见的失调,不连续,模糊的图像处理。这些类型的失真会造成明显的相邻摄像机校准错误,仿射/线性修正和场景几何误差估计。在手动建立多个相机阵列,这些错误也可能导致不匹配的图片和不规则的相机之间的垂直和水平方向旋转。 |
 |
模拟 |
| 答:亮度的计算 |
| 如XYZ颜色空间,字母Y是指相对亮度。不需要计算找到相对亮度时显式的颜色表示在这样的空间。Y = 0.2126 R + 0.7152 G + 0.0722 B(1)公式反映了光度函数:绿灯最有助于强度被人眼,和蓝色的光。系数都是积极的,总体而言,最大绿色系数最小和蓝色,三种形式的中间行RGB-to-XYZ颜色变换矩阵。b对非线性gamma-compressed R石头空间通常用于计算机图像,R b石头的线性化组件前需要RGB线性组合 |
| b的计算对比 |
| 各种定义的对比在不同情况下使用。这里,亮度对比使用作为一个例子,但公式也可以应用于其他物理量。在许多情况下,对比度的定义代表类型的比率 |
 |
| 这背后的原因是,一个小的差别可以忽略不计,如果平均亮度高,而相同的小差异问题如果平均亮度低迈克耳逊对比(也称为可见性)是常用的模式光明和黑暗的特性是等价和类似地区的分数。迈克耳逊之下被定义为 |
 |
| Imax和Imin代表最高和最低亮度。分母表示亮度的平均值的两倍。 |
| 计算空间运动索引 |
| 在多个视图图像几何失真是由于位移或变化对参考图像的像素位置。对于二维图像,这些位移相媲美的空间运动的单一视图视频。 |
| 因此,运动模型可以用来量化几何失真。在此用的运动向量计算像素位移相对参考图像。 |
| 首先,运动矢量 |
| v = (Vm, Vn) (5) |
| 在宏模块位置(1 + ms, 1 + ns)扭曲的图像J相对于参考图像的计算我的搜索区域p×p。位移的值然后标准化导致的相对运动感应器(m, n)计算 |
 |
| d .基础结构指数的计算优势 |
| 直到现在给出的两个指标,计算出扭曲的对比度和亮度的变化,在图像像素位移。这两个不同的光度和几何失真扭曲时,可能会导致损失的结构信息。这种类型的信息包括纹理质量的退化或丢失图像组件在交叉或重叠的区域。评估SSIM在边缘映射代替实际的图像,导致更好的相关性SSIM的主观质量。空间被定义为边缘的位置变化的强度值和相对强度值。当一个图像模糊或量化空间边缘的位置保存;然而,这些边缘的强度值变化。在几何扭曲,如平移、旋转、空间边缘位置改变,那里相对强度保留。所以通过比较当地的边缘信息,我们可以得到结构信息的损失,因为光度和几何失真。计算edge-based结构指数,我们重用随机性纹理映射的索引。 For M × N total macroblocks, the index is computed as follows: |
 |
| e .计算结构相似度指数 |
| 我们提供一套更广泛的验证结果是我们正在使用的算法。物体表面的亮度被观察到的产品是照明和反射。场景中的物体的结构是独立的照明。因此,探索一个图像的结构信息,我们希望独立的照明的影响。我们定义一个图像的结构信息的属性代表了场景中物体的结构,独立于平均亮度和对比度。由于亮度和对比度可以跨一个场景不同,我们使用当地的亮度和对比度的定义。 |
| 考虑提出质量评估系统的系统图,假设x和y是两个非负图像信号,已与对方。如果我们有完善的质量考虑的一个信号,然后可以作为定量测量的相似性度量方法的第二个信号的质量。系统相似度量的任务分为三个比较:亮度、对比度和结构。首先,每个信号的亮度对比。假设离散信号,这是估计的平均强度: |
 |
| 亮度比较函数l (x;y)然后用户体验和Uy的函数。 |
| 第二,我们将意味着信号的强度。在离散形式,由此产生的信号x-Ux对应的投影向量x在定义的超平面 |
 |
| 我们使用标准差(方差的平方根)估计信号的对比。在离散形式是由无偏估计 |
 |
| 对比比较c (x;y)的比较6 6 x和y。第三,信号归一化(分裂)自己的标准差;这两个信号相比较单位标准差。结构比较s (x);y)是进行这些标准化的信号(x-Ux) = 6 x和y (y uy) = 6。最后,三个组件相结合得出一个整体相似度测量: |
| S (x);y) = f (l (x, y), c (x, y); s (x, y)) (11) |
| 很重要的一点是,这三个组件都相对独立。例如,亮度和/或对比的变化不会影响图像的结构。为了完成上面方程的相似性度量方法的定义,我们需要定义三个函数l (x;y), c (x);y), s (x);y),以及组合函数f (¢)。 |
 |
| 结构比较亮度减法和方差归一化后进行的。具体地说,我们把两个单位向量(x ux) = 6 x (y uy) = 6 y,每个躺在定义的超平面Eq。(3),与结构的两个图像。之间的相关性(内积)是一种简单而有效的措施去量化结构相似。注意之间的相关性(x ux) = 6 x (y uy) = 6 y等于x和y之间的相关系数。因此,我们定义的结构比较函数如下: |
 |
| 最终的图像质量计算所有SSIM值的均值,称为SSIM的意思。 |
实验结果 |
| 我们的基础上计算值可以比较不同特征的图像图像如下 |
 |
 |
结论 |
| 我们在本文中讨论了图像的特征。我们讨论什么类型的失真以及他们是怎样影响图像质量。我们给了比较得到更高质量的图像算法的基础上进行比较。 |
引用 |
|