Рис. 20.7 Три HDR изображения, взятых с www.debevec.org: изображения левой колонки ил люстрируют результат линейной визуализации HDR данных; изображения средней колон ки — результат ручной оптимизации путем степенного преобразования; изображения правой колонки иллюстрируют результат, полученный при автоматическом расчете, выполненном iCAM моделью (см. рис. 20.3).

20.5 МЕТРИКА ОТЛИЧИЙ И МЕТРИКА КАЧЕСТВА ИЗОБРАЖЕНИЙ

Когда возникает необходимость оценить качество изображения, в структуре iCAM модели требуются небольшие изменения, для того чтобы она могла соз дать специальную карту величины перцепционных отличий между двумя изо бражениями. При создании такой карты, в рамках линейного IPT простран ства выполняется пространственная фильтрация, зависящая от дистанции просмотра. Сами же отличия при этом вычисляются в обычном нелинейном IPT пространстве. В качестве общей карты отличия изображений может быть использована эвклидова сумма отличий по осям IPT пространства с последую щей итоговой статистической обработкой данных (позволяющей прогнозиро

412

вать различные атрибуты отличия изображений и атрибуты их качества). Схе матично данный процесс показан на рис. 20.8, а его детальное описание см. у Джонсона и Фершильда (2003).

Из метрики отличия изображений (основанной на обычных уравнениях цве товых отличий, примененных к пространственно фильтрованным сложным стимулам) может быть получена метрика их качества, и отметим, что данный подход был успешно использован для получения величин, характеризующих качество изображений (Джонсон и Фершильд, 2001). Такой вариант решения эквивалентен, а в целом даже лучше, чем тот, что получен с использованием иных цветовых пространств, оптимизированных для решения данной задачи (Джонсон и Фершильд, 2001).

Рис. 20.9 демонстрирует прогноз отличий в визуальной резкости (Джонсон и Фершильд, 2000) и визуальном контрасте (Калабрия и Фершильд, 2002).

По контрасту: результаты, показанные на рис. 20.9 (а), получены путем шкалирования визуального контраста разносюжетных изображений, подвер гавшихся различным преобразованиям (Фершильд и Джонсон, 2003). По осям абсцисс отложены величины визуального контраста (усредненные данные), по осям ординат — предикторы визуального контраста, рассчитанные iCAM. Иде альный результат должен четко укладываться в V образную фигуру с одинако вым наклоном обоих «крыльев», и фактический график свидетельствует о том,

Рис. 20.8 Функциональные узлы iCAM, отвечающие за метрику отличия и метрику качества изображений.

413

Рис. 20.9 Отличие изображений, подвергшихся различным преобразованиям, как функция от визуального контраста (а) и от визуальной резкости (b). Отметим, что коль скоро по оси абсцисс отложены визуальные данные, а по оси ординат — предикторы iCAM, то при идеально точном прогнозе точки распределились бы строго V образно.

что iCAM весьма успешно справляется с задачей прогнозирования визуальных контрастов.

По резкости: результаты, демонстрируемые рис. 20.9 (b), были получены аналогичным образом, но с использованием существенно большего числа раз носюжетных изображений и вариантов манипуляций с ними (Джонсон и Фер шильд, 2000): наблюдателей просили прошкалировать визуальную резкость, а результаты конвертировались в интервальную шкалу, в нулевой позиции ко торой находилась резкость оригинала. Данные оказались весьма вариабельны ми, но как видно из рис. 20.9 (b), результаты вновь оказались хорошо спрогно зированными.

Детали, исходную программу и текущие усовершенствования iCAM модели можно найти на www.cis.rit.edu/mcsl/iCAM.

414