Оценки эффективности методов реконструкции искаженных изображений при различных уровнях дискретизации

Аннотация

Предложена оценка эффективности методов реконструкции, созданная на основе адаптации известной метрики «средняя абсолютная процентная ошибка» адаптированной к задачам обработки цифровых изображений. Показана качественная схожесть оценок по метрикам «адаптивная средняя абсолютная процентная ошибка» и «мера структурного подобия», а их количественные расхождения позволяют говорить об их взаимодополняемости. Результаты сравнительного анализа указывают на высокое качество работы использованных методов восстановления: адаптивный метод опорного изображения (АМОИ), метод перенормировки с ограничением, модификация фильтра Винера на основе АМОИ.

• обработка изображений
• метрики оценок качества
• уровни дискретизации
• методы реконструкции изображений

Abstract (in English)

Evaluation of the efficiency of methods for reconstructing distorted images at different levels of quantization

The article presents an assessment of the efficiency of reconstruction methods based on the adaptation of the well-known metric “mean absolute percentage error” adapted to the tasks of digital image processing. The qualitative similarity of the estimates for the metrics “Adaptive Mean Absolute Percentage Error” and “Structural Similarity Index Measure” is shown, and their quantitative differences suggest their complementarity. The results of the comparative analysis indicate the high quality of the restoration methods used: the Adaptive Reference Image Method (ARIM), the Constrained Renormalization Method, and the Modification of the Wiener Filter based on ARIM.

Для цитирования

Литература

1. Gonzalez R.C., Woods R.E., Digital Image Processing. NJ.: Prentice Hall, International Version 3rd Edition. - 2012. - 1071 p.
2. Бейтс Р., Мак-Доннелл М. Восстановление и реконструкция изображений: Пер. с англ. - Мир - 1989. - 288 c.
3. Прэтт У. Цифровая обработка изображений: В 2-х кн. - 1982. - 738 c.
4. Грузман И.С. и др. Цифровая обработка изображений в информационных системах // Новосибирск: НГТУ. - 2002. - C. 352.
5. Hanke M., Neubauer A., Scherzer O. A convergence analysis of the Landweber iteration for nonlinear ill-posed problems // Numerische Mathematik. - 1995. - V. 72. - №. 1. - P. 21-37. https://doi.org/10.1007/s002110050158
6. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. - 2015. - V. 521. - №. 7553. - P. 436-444. https://doi.org/10.1038/nature14539
7. Гуляев Ю.В. и др. Коррекция пространственного спектра, искаженного оптической системой, с помощью метода опорного изображения. Часть 1-3. // Журнал радиоэлектроники. - 2013. - №. 12.
8. Кокошкин А.В. и др. Использование метода перенормировки с ограничением для восстановления искаженных изображений при наличии помех и шума с неизвестными параметрами // Журнал радиоэлектроники. - 2015. - №. 7.
9. Кокошкин А.В., Новичихин Е.П. Модификация фильтра Винера на основе метода опорного изображения. // Журнал радиоэлектроники. 2024. - №. 11. https://doi.org/10.30898/1684-1719.2024.11.10
10. Кокошкин А.В. и др. Сравнение объективных методов оценки качества цифровых изображений // Журнал радиоэлектроники. - 2015. - №. 6.
11. Кокошкин А.В. Оценка спектрального подобия цифровых изображений // Журнал радиоэлектроники. - 2020. - №. 8. - С. 14-14. https://doi.org/10.30898/1684-1719.2020.8.4
12. Кокошкин А.В. Методы интерполяции разреженных изображений, работающие в частотной области // Журнал радиоэлектроники. - 2023. - №. 3. https://doi.org/10.30898/1684-1719.2023.3.10
13. Кокошкин А.В., Новичихин Е.П. Оценка качества изображений, полученных дистанционным зондированием // РЭНСИТ: Радиоэлектроника. Наносистемы. Информационные технологии. - 2023. - Т. 15. - №. 3. - С. 327-334. https://doi.org/10.17725/rensit.2023.15.327