Досліджено наявні методи кількісного оцінювання візуальної якості цифрових зображень. Серед основних недоліків досліджених методів варто виділити наступні. Більшість із них вимагають наявності еталонного зображення, не враховують усі складові, які впливають на візуальну якість, та не беруть до уваги закони зорового сприйняття людини. Це призвело до необхідності розроблення методу кількісного оцінювання візуальної якості зображень, який працюватиме без еталонного зображення і враховуватиме закони зорового сприйняття людини. Проведено аналіз основних законів зорового сприйняття людини, які використовуються під час розробки методу. Запропоновано класифікацію досліджуваних методів кількісного оцінювання якості зображень для структуризації їхнього аналізу. У роботі досліджено методи кількісного оцінювання якості на основі статистичного аналізу інтенсивностей пікселів зображення. Описано фактори, які впливають на якість зображень, та способи їх відслідковування за змінами на гістограмі розподілу інтенсивностей пікселів. Запропоновано узагальнений вираз кількісної оцінки якості на основі моментних функцій. Результатом дослідження є розроблення методу кількісної оцінки візуальної якості зображень, який не потребує еталонного зображення та базується на законах зорового сприйняття людини. Цей метод тестувався на зображеннях, які були оброблені методом підсилення локальних контрастів та методом низькочастотної фільтрації. Результати тестування показали, що візуальне сприйняття якості зображення збігається з його кількісною оцінкою якості. Закладено основи для використання запропонованого методу із певними модифікаціями для випадку кольорових зображень. Також одним із можливих шляхів розвитку запропонованого методу є його адаптація для оцінювання зображень, які містять спотворення, обумовленні наявністю шумів.
1. Воробель, Р. А., & Журавель, І. М. (2001). Кількісна оцінка якості зображень. У: Праці. IV Середньоєвропейська конференція "Комп'ютерні методи та системи в автоматиці та електротехніці". Частина 1. Ченстохова, Польща, 17‑18 вересня, 2001.
2. Mason, A., Rioux, J., Clarke, S. E., Costa, A., Schmidt, M., Keough, V., Huynh, T., & Beyea, S. (2020). Comparison of Objective Image Quality Metrics to Expert Radiologists' Scoring of Diagnostic Quality of MR Images. IEEE Transactions on Medical Imaging, 39(4) . https://doi.org/10.1109/tmi.2019.2930338
3. Воробель, Р. А., Журавель, І. М., Опир, Н. В., Попов, Б. О., Дереча, В. Я., & Равлик, Я. М. (2000). Метод кількісної оцінки якості рентгенографічних зображень. У: Третя Українська науково-технічна конференція "Неруйнівний контроль та технічна діагностика – 2000", 233–236.
4. Boutros, F., Fang, M., Klemt, M., Fu, B., & Damer, N. (2023). CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition 2023 (CVPR2023). https://doi.org/10.48550/arXiv.2112.06592
5. Jinjin, G., Haoming, C., Haoyu, C., Xiaoxing, Y., Ren, J. S., Chao, D. (2020). PIPAL: A Large-Scale Image Quality Assessment Dataset for Perceptual Image Restoration. In: Vedaldi, A., Bischof, H., Brox, T., Frahm, JM. (eds) Computer Vision – ECCV 2020. ECCV 2020. Lecture Notes in Computer Science (), vol 12356. Springer, Cham. https://doi.org/10.1007/978-3-030-58621-8_37
6. Madhusudana, P. C., Birkbeck, N., Wang, Y., Adsumilli, B., & Bovik, A. C. (2022). Image Quality Assessment Using Contrastive Learning. In: IEEE Transactions on Image Processing, 31, 4149–4161. https://doi.org/10.1109/TIP.2022.3181496
7. Zhang, W., Ma, K., Zhai, G., & Yang, X. (2021). Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild. In: IEEE Transactions on Image Processing, 30, 3474-3486. https://doi.org/10.1109/TIP.2021.3061932
8. Testolina, Michela, Lazzarotto, Davi, Rodrigues, Rafael, Mohammadi, Shima, Ascenso, João, Pinheiro, António M. G., & Ebrahimi, Touradj. (2023). On the Performance of Subjective Visual Quality Assessment Protocols for Nearly Visually Lossless Image Compression. Proceedings of the 31st ACM International Conference on Multimedia, October 2023, 6715-6723. https://doi.org/10.1145/3581783.3613835
9. Коваленко, Б. В., & Лукін, В. В. (2021). Використання візуальних метрик для аналізу стиснення з втратами зашумлених зображень. Авіаційно-космічна техніка і технологія, 6, 83–91. https://doi.org/10.32620/aktt.2021.6.09
10. Lukin, V., Bataeva, E., & Abramov, S. (2023). Saliency map in image visual quality assessment and processing. Radioelectronic and Computer Systems, 1(105), 112–121. https://doi.org/10.32620/reks.2023.1.09
11. Журавель, І. М. (2001). Локально-адаптивні методи підвищення контрастності зображень: Автореф. дис. канд. техн. наук: 05.13.06. НАН України. Держ. НДІ інформ. інфраструктури. Л., 19 с.