Мера оценки качества фильтрации шума на изображении с использованием непараметрической статистики

Автор(и)

  • Павел Юрьевич Костенко Харьковский национальный университет Воздушных Сил им. Ивана Кожедуба, Україна https://orcid.org/0000-0002-3382-0684
  • Валерий Валерьевич Слободянюк Харьковский национальный университет Воздушных Сил им. Ивана Кожедуба, Україна https://orcid.org/0000-0002-8291-8194
  • Константин Станиславович Васюта Харьковский национальный университет Воздушных Сил им. Ивана Кожедуба, Україна https://orcid.org/0000-0002-1978-3717
  • Владимир Иванович Василишин Харьковский национальный университет Воздушных Сил им. Ивана Кожедуба, Україна https://orcid.org/0000-0002-5461-0125

DOI:

https://doi.org/10.20535/S0021347020040032

Ключові слова:

изображение, аддитивный шум, фильтрация, оценка качества, фазовое пространство, BDS-статистика

Анотація

В статье предложена новая численная мера оценки качества фильтрации аддитивного белого гауссовского шума на цифровых изображениях, основанная на анализе близости разностного изображения к белому шуму. Часто такой анализ проводят визуально, что приводит к нежелательному субъективизму. С целью уменьшения влияния субъективизма на оценку качества фильтрации в статье проведен численный анализ разностного изображения с использованием свойств непараметрической BDS-статистики, которая применяется для анализа временной последовательности при проверке гипотезы о независимости и тождественном распределении ее значений. Рассматриваемая статистика может служить мерой качества различных методов фильтрации зашумленных изображений и дополняет арсенал известных мер качества изображений, используемых на практике, например, таких как PSNR, MSE и SSIM. Известно, что хорошее качество фильтрации изображения, с точки зрения этих мер, не всегда соответствует лучшему качеству фильтрации с точки зрения его визуального восприятия. Показано, что мера, использующая значения BDS-статистики, демонстрирует большую чувствительность к структурированности (зависимости) элементов разностного изображения, обусловленной выбранным методом фильтрации. С использованием моделирования алгоритмов фильтрации изображений, реализующих методы локальной и нелокальной фильтрации, проведен сравнительный анализ их качества, основанный на использовании BDS-статистики.

Посилання

  1. О.В.Ошаровская, «Оценка показателей качества ТВ изображений Сборник научных трудов «Цифровые технологии», № 19, 2016. URI: https://ojs.onat.edu.ua/index.php/digitech/article/view/968.
  2. R. C. Gonzalez and R. E. Woods, Digital Image Processing, 4th ed. Pearson, 2018.
  3. M. A. Soto, J. A. Ramirez, and L. Thevenaz, “Optimizing Image Denoising for Long-Range Brillouin Distributed Fiber Sensing,” J. Light. Technol., vol. 36, no. 4, pp. 1168–1177, Feb. 2018, doi: https://doi.org/10.1109/JLT.2017.2750398.
  4. A. Buades, B. Coll, and J. M. Morel, “A non-local algorithm for image denoising,” in Proceedings - 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2005, 2005, vol. II, pp. 60–65, doi: https://doi.org/10.1109/CVPR.2005.38.
  5. A. Buades, B. Coll, and J. M. Morel, “Nonlocal image and movie denoising,” Int. J. Comput. Vis., vol. 76, no. 2, pp. 123–139, Feb. 2008, doi: https://doi.org/10.1007/s11263-007-0052-1.
  6. А. С. Лукин, М. В. Сторожилова, and Д. В. Юрин, “Методы анализа качества фильтрации шума на изображениях компьютерной томографии,” in Труды 15-й международной конференции “Цифровая обработка сигналов и её применение” (DSPA’2013), 2013, pp. 85–88, Accessed: 05-Apr-2020. URI: https://imaging.cs.msu.ru//ru/publication?id=263.
  7. В. И. Василишин, “Адаптивный вариант технологии суррогатных данных для повышения эффективности спектрального анализа сигналов собственноструктурными методами,” Известия вузов. Радиоэлектроника, vol. 58, no. 3, pp. 26–39, Mar. 2015, doi: https://doi.org/10.20535/s0021347015030036.
  8. E. Pirondini, A. Vybornova, M. Coscia, and D. Van De Ville, “A Spectral Method for Generating Surrogate Graph Signals,” IEEE Signal Process. Lett., vol. 23, no. 9, pp. 1275–1278, Sep. 2016, doi: https://doi.org/10.1109/LSP.2016.2594072.
  9. M. Small, Applied Nonlinear Time Series Analysis: Applications in Physics, Physiology and Finance, vol. 52. WORLD SCIENTIFIC, 2005.
  10. П. Ю. Костенко, В. В. Слободянюк, and А. В. Плахотенко, “Метод фильтрации изображений с использованием сингулярного разложения и технологии суррогатных данных,” Известия вузов. Радиоэлектроника, vol. 59, no. 9, p. 36, Sep. 2016, doi: https://doi.org/10.20535/s0021347016090041.
  11. П. Ю. Костенко, В. В. Слободянюк, and И. Л. Костенко, “Метод подавления шума на изображении в обобщенном фазовом пространстве с улучшенным показателем пространственной разрешающей способности,” Известия вузов. Радиоэлектроника, vol. 62, no. 7, pp. 443–452, Jul. 2019, doi: https://doi.org/10.20535/s0021347019070045.
  12. L. Kanzler, “Very Fast and Correctly Sized Estimation of the BDS Statistic,” SSRN Electron. J., Aug. 2005, doi: https://doi.org/10.2139/ssrn.151669.

Опубліковано

2020-04-23

Як цитувати

Костенко, П. Ю., Слободянюк, В. В., Васюта, К. С., & Василишин, В. И. (2020). Мера оценки качества фильтрации шума на изображении с использованием непараметрической статистики. Вісті вищих учбових закладів. Радіоелектроніка, 63(4), 235–247. https://doi.org/10.20535/S0021347020040032

Номер

Розділ

Оригінальні статті