Содержание к диссертации
Введение
Глава 1. Современное понимание принципов коррекции резкости 9
1.1. Причины нерезкости изображений 9
1.2. Коррекция частотных искажений 12
1.3. Направления коррекции резкости 14
1.4. Программное обеспечение, в котором возможна коррекция резкости 21
1.4.1. Paint Shop Pro 7 21
1.4.2. PhotoImpact 6 22
1.4.3. PhotoLine 32.7 24
1.4.4. Photo-Paint 10 25
1.4.5. Picture Publisher 9 25
1.4.6. The GIMP 12 27
1.4.7. Adobe Photoshop 28
1.5. Выбор стратегии коррекции резкости в цифровом рабочем потоке 29
1.6. Коррекция резкости в различных цветовых пространствах 31
1.6.1. Коррекция резкости в цветовом пространстве Lab 31
1.6.2. Коррекция резкости в цветовом пространстве CMYK 33
1.6.3. Коррекция резкости в цветовом пространстве RGB 34 S
Выводы по главе 1 38
Глава 2. Методика количественного анализа воздействия различных параметров настройки резкости 39
2.1. Постановка задачи 39
2.2. Исследование влияния параметров фильтра нерезкого маскирования 43
2.2.1. Влияние параметра «Радиус» 43
2.2.2. Влияние параметра «Величина» з
2.2.3. Влияние параметра «Порог» 51 2.3. Исследование действия алгоритма, основанного
на применении фильтра высоких частот (High Pass) 55
2.3.1. Исследование влияния параметра «Радиус» фильтра высоких частот (High Pass) 56
2.3.2. Исследование влияния изменения прозрачности при использовании фильтра высоких частот с последующим наложением слоев 59
2.4. Оценка влияния ширины зоны перехода на действие фильтров настройки резкости 67
2.5. Совершенствование способа повышения резкости, основанного на использовании фильтра высоких частот (High Pass) 69
Выводы по главе 2 74
Глава 3. Методика анализа изображений с использованием операторов выделения контуров 76
3.1. Обзор и сравнительный анализ операторов выделения контуров 76
3.1.1. Оператор Собела 77
3.1.2. Оператор Превитта 78
3.1.3. Оператор Робертса 78
3.1.4. Оператор лапласиан гауссиана (LoG) 78
3.1.5. Оператор Канни 79
3.2. Анализ сюжетно важных границ в изображениях 84
3.2.1. Город 84
3.2.2. Летний пейзаж 86
3.2.3. Зимний пейзаж 87
3.2.4. Объекты, снятые в режиме макросъёмки 88
3.2.5. Животные 89
3.2.6. Морской пейзаж 90
3.2.7. Ночная съёмка 91
3.2.8. Горы 92
3.2.9. Портрет 92
3.2.10. Информационные указатели 93
Выводы по главе 3 103
Глава 4. Определение оптимальных параметров настройки резкости в зависимости от особенностей конкретных оригиналов 104
4.1. Постановка задачи и выбор тестовых образцов 104
4.2. Анализ изображения 1 111
4.3. Анализ изображения 2 114
4.4. Анализ изображения 3 116
Выводы по главе 4 122
Заключение 123
Список использованной литературы
- Коррекция частотных искажений
- Программное обеспечение, в котором возможна коррекция резкости
- Исследование влияния параметра «Радиус» фильтра высоких частот (High Pass)
- Анализ сюжетно важных границ в изображениях
Введение к работе
Актуальность исследования. Одним из важнейших звеньев производственной базы полиграфии является отдел допечатной подготовки. Именно допечатные процессы позволяют наиболее гибко регулировать параметры продукции. Вместе с тем, на этапе допечатной подготовки изданий часто возникают проблемы, которые отрицательно сказываются на оперативности выполнения работ. В первую очередь это касается обработки изобразительной информации. В последнее время данный вопрос стал особенно актуальным, поскольку на рынке представлено множество иллюстрированных изданий, к которым в свете перехода на цифровые устройства обработки предъявляются высокие требования по качеству.
На современном этапе развития полиграфии большинство процессов, относящихся к обработке изображений, реализуются с помощью цифровых систем. Очень часто изображения, используемые в качестве оригиналов для воспроизведения в современных цифровых системах обработки информации, имеют недостатки частотной структуры, которые, в частности, приводят к необходимости повышения резкости. Любой оператор допечатной подготовки сталкивается с этой проблемой.
К настоящему моменту разработано большое количество аппаратных и программных средств, позволяющих производить настройку резкости, однако какие-либо научные исследования, направленные на установление объективных закономерностей, проявляющихся при изменении параметров коррекции, не проводились. Проведение таких исследований позволило бы более детально взглянуть на эти закономерности, выявить направления совершенствования способов повышения резкости и в итоге дать рекомендации по проведению процесса с учётом особенностей конкретных изобразительных оригиналов. Особого внимания заслуживает вопрос классификации оригиналов с точки зрения последующей настройки их резкости - этот вопрос в настоящее время тоже не проработан. Проведение этих исследований, в свою очередь, позволит разработать научные и методологические основы проектирования новых систем (программ) обработки изображений, которые могут быть интегрированы в цифровой рабочий поток современного полиграфического предприятия.
Учитывая вышесказанное, можно утверждать, что исследования, направленные на установление объективных закономерностей коррекции резкости, а также на классификацию оригиналов по критерию структурных свойств, влияющих на выбор оптимальных параметров коррекции, являются актуальными.
Цель диссертационной работы. Целью работы является разработка рекомендаций по коррекции резкости с учётом особенностей конкретных оригиналов, что будет являться методологической основой создания новых программ обработки изображений, которые будут использоваться на этапе допечатной подготовки информации.
Для достижения поставленной цели в работе решаются следующие прикладные задачи:
-
Обзор современного программного обеспечения для коррекции резкости и выбор программ, в наибольшей степени соответствующих поставленным целям.
-
Разработка методики объективной оценки изменений, происход- щих при регулировании параметров различных способов настройки резкости, разработка показателей такой оценки.
-
Разработка основополагающих признаков и методов классификации изобразительных оригиналов по критерию структурных свойств, влияющих на выбор оптимальных параметров коррекции резкости.
-
Проведение экспертной оценки для практического подтверждения правильности теоретически выбранных параметров.
Научная новизна работы заключается в следующем:
-
-
Разработаны тест-объекты и определены критерии объективной оценки изменений, происходящих под действием исследуемых способов резкостной коррекции, предложены направления совершенствования этих способов.
-
Разработан метод проведения классификации оригиналов на основании анализа структурных свойств (анализа контурной информации).
-
Обоснован выбор оптимальных параметров настройки резкости для различных классов оригиналов, определённых на основании предложенного метода классификации.
В работе решена научная задача, заключающаяся в создании методологических основ проектирования высокопроизводительных систем обработки изображений, обеспечивающих эффективную коррекцию резкости и интегрированных в цифровой рабочий поток. Данная задача имеет существенное значение для технологии полиграфического произодства. Изложены научно обоснованные технологические и методологические решения, внедрение которых может внести значительный вклад в развитие полиграфической технологии, в частности, технологии обработки изобразительной информации.
Практическая ценность. Методика объективного анализа параметров коррекции резкости, разработанная в данной диссертации, в сочетании с разработанным методом классификации оригиналов может рассматриваться в качестве научной и методологической основы проектирования и создания новых цифровых систем обработки изобразительной информации, которые будут соответствовать современным требованиям внутреннего и внешнего рынка, что позволит интегрировать их в цифровой рабочий поток, а это, в свою очередь, положительно скажется на скорости и оперативности выполнения допечатной подготовки издания при изготовлении полиграфической продукции.
Апробация работы. Положения диссертационной работы докладывались на научно-технических конференциях Московского государственного университета печати (научно-техническая конференция молодых ученых МГУП, 2010 г. и 2011 г.), а также на международных конференциях: 42st Conference of the International Circle of Educational Institutes for Graphic Arts Technology and Management, Москва, 2010; Международная конференция PRINT-2011, Санкт-Петербург, 2011.
Публикации. По тематике работы опубликованы 3 научных статьи и тезисы докладов на научно-технической конференции.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованных источников и приложения. Основной текст диссертации содержит 130 страниц, включая 49 таблиц и 54 рисунка.
Коррекция частотных искажений
Частотными методами обработки изображений называют методы, основанные на модификации сигнала, формируемого путём применения к изображению двумерного дискретного преобразования Фурье. Суть процесса фильтрации при этом сводится к получению прямого дискретного преобразования Фурье исходного изображения, умножению на функцию-фильтр, вычислению обратного преобразования Фурье для полученной матрицы и получению из неё результирующего изображения [6].
Для коррекции частотных искажений в репродукционную систему последовательно включают высокочастотные фильтры, в большей мере усиливающие амплитуды гармонических составляющих высокого порядка, то есть имеющих действие, обратное искажающим факторам. Фильтр с амплитудно-частотной характеристикой может в определённой степени компенсировать неидеальность характеристики основного звена системы, представляющего собой фильтр низких частот.
Коррекция может быть также и параллельной. В этом случае корректирующее звено включается параллельно основному и само является низкочастотным фильтром, сигнал выхода которого затем вычитается из корректируемого сигнала основного звена, уменьшая в нём удельный вес низкочастотных составляющих. Так, в фотографии недостаток резкости в некоторой мере компенсируют, определённым образом комбинируя снимок с ещё более расфокусированным изображением того же обьекта в соответствии с принципом нерезкого маскирования [4].
Большие возможности для подобных коррекций открываются в электронном способе репродуцирования. В данном случае представление изображения в форме аналоговых или цифровых электрических сигналов позволяет, применяя соответствующие аппаратные или программные1 средства, производить коррекцию более гибко. Необходимую степень коррекции устанавливают также с учётом общего, содержания изображения, характера его рисунка. При наличии на оригинале выраженной фактуры подложки или текстуры, частота которой выше передаваемой формным и печатным процессами, высокочастотные коррекции усиливают узоры предметного муара, возникающего в результате интерференционного взаимодействия подобных рисунков с частотами дискретизации. Поэтому иногда полезна обратная по смыслу - низкочастотная фильтрация. Величина считывающего пятна устанавливается в таких случаях несколько большей. Если же изображение уже считано и представлено в цифровом виде, сглаживания достигают, усредняя значения данного и окрестных отсчётов [4]. При линейной коррекции шумов подавляются высокочастотные шумы, находящиеся вне основного частотного спектра сигнала. К методам коррекции шумов относится апертурная фильтрация. Она может осуществляться аппаратными или программными методами. Например, можно использовать простейшую матрицу 2x2, все элементы которой равны 1. Такая матрица называется также медианным фильтром. В этом случае принцип действия фильтра выглядит следующим образом: 1
Как видим, при совмещении данного фильтра и исходного изображения, происходит усреднение сигнала (все значения сначала складываются, а затем делятся на 4). В результате происходит сглаживание шумов.
Каждый сигнал, пройдя через систему воспроизведения, испытывает воздействие её ФПМ, что приводит к отсечению высоких частот, то есть к потере мелких деталей. Для восстановления частот применяется корректирующее звено (инверсная фильтрация) с обратной связью. Инверсный фильтр повышает высокие частоты. Трудности в этом случае связаны с наличием шумов в сигнале. При подьёме высоких частот эти шумы усиливаются. Поэтому в ряде случаев требуется применение нелинейных методов реставрации сигнала. Если сигнал является П-образным и размытие приводит к потере контраста, то восстановить сигнал можно с помощью нелинейной у-коррекции, то есть обработкой пороговым регистратором. Производится бинаризация сигнала и его восстановление.
Повышение резкости — важный шаг в процессе обработки любого изображения, имеющего своей конечной целью печатный документ.
Ввод: сканированные изображения и изображения с цифровых носителей всегда требуют повышения резкости, так как некоторые дефекты появляются уже во время самого процесса сканирования. Изображения, полученные при помощи цифровых камер, тоже, как правило, приходится делать резче, поскольку во всех камерах, кроме моделей самого высокого класса, элементы ПЗС вносят примерно такой же шум, как и элементы ПЗС, применяемые в настольных сканерах. Только барабанные сканеры и сложные настольные сканеры способны легко справляться с подобной нехваткой резкости, связанной с самим процессом ввода [31].
Вывод: процесс печати также, как правило, смягчает изображение, в основном, благодаря взаимодействию бумаги и краски. Поэтому необходимо всегда добиваться несколько большей резкости изображения, чем это кажется необходимым, потому что на бумаге конечный продукт неизбежно будет выглядеть немного мягче, чем на экране монитора [31].
Большинство основных методов повышения резкости основаны на простом улучшении контраста изображения, либо глобального, с помощью настройки яркости и контраста, или применения специальных фильтров, либо локального, с использованием инструментов улучшения? резкости. Глобальные методы улучшения контраста стирают мелкие детали. Чтобы добиться выборочной резкости изображения, необходимы более тонкие методы. Но в некоторых случаях требуется получить именно такие изображения, с высоким контрастом и малым числом деталей: например, если документ будет напечатан на сильно впитывающей краску бумаге и воспроизвести широкий диапазон тонов будет невозможно.
Программное обеспечение, в котором возможна коррекция резкости
Настройка резкости в современных системах поэлементной обработки изобразительной информации может быть произведена с использованием различных инструментов и алгоритмов, и если на первый взгляд результаты обработки аналогичны, то при более детальном рассмотрении становится ясно, что использование того или иного метода может привести к различным результатам. Каждому способу присущи определённые закономерности, проявляющиеся при изменении параметров. Определение этих закономерностей играет важную роль и должно производиться на основе объективного анализа с использованием специальных тест-объектов, позволяющих количественно моделировать результаты воздействия. Особого внимания заслуживает тот факт, что на реальных изображениях почти всегда присутствуют сюжетно важные границы, которые отличаются друг от друга как степенью размытия (то есть различной шириной зон перехода), так и уровнями яркости тёмного и светлого полей, этот переход образующих. Соответственно, есть все основания полагать, что воздействие фильтров резкостной коррекции на различные по свойствам контуры также может быть различным. Это тоже следует принять во внимание при разработке тест-объектов и матрицы эксперимента.
В качестве базового предлагается тест-объект, состоящий из пяти фрагментов, каждый из которых представляет собой переходы между разными уровнями светлоты Lmin и Lmax (или краевые функции). Таким образом моделируются размытые границы в изображении. В табл. 2.1 приведены значения Lmin, Lmax и AL для каждого фрагмента, на рис. 2.1 показаны изображения тестовых фрагментов и соответствующие краевые функции. На первом этапе эксперимента ширина зоны перехода не изменялась и составляла 0,1 мм.
Тест-объект для проведения количественной оценки воздействия фильтров настройки резкости Как было сказано выше, настройку резкости в цифровых системах обработки можно проводить различными способами. Наложение нерезкой маски (общепринятое сокращение — USM) — один из наиболее распространённых методов повышения резкости. Применительно к электронным средствам репродуцирования термин «маскирование» имеет условный характер, так как заимствован из фотографии, где суть метода заключается в сложении плотностей основного и маскирующего изображений. Нерезкая маска отличается от основного изображения обратной полярностью, а также пониженным контрастом.
Как было сказано в главе 1, в системе поэлементной обработки информации действие фильтра нерезкого маскирования может контролироваться за счёт изменения трёх основных параметров:
Тем не менее, несмотря на то, что метод нерезкого маскирования достаточно широко распространён, исследования, направленные на установление количественных закономерностей, проявляющихся при изменении значений вышеописанных параметров, до настоящего времени не проводились. Между тем, знание этих закономерностей может упростить и ускорить процесс коррекции, а скорость работы, как известно, является одним из важнейших факторов конкурентоспособности полиграфического предприятия в условиях современного коммерческого производства.
Учитывая вышесказанное, можно сделать вывод о том, что исследование влияния параметров фильтра нерезкого маскирования является актуальной научной задачей. Программные средства, с помощью которых был реализован данный эксперимент:
1) программное обеспечение, позволяющее создавать предложенные тестовые элементы, применять к ним средства настройки резкости и оценивать изменения, происходящие под их влиянием. В качестве такого средства была выбрана программа Adobe Photoshop, поскольку она удовлетворяет всем вышеуказанным требованиям (в частности, имеется возможность измерения координаты светлоты L в пространстве Lab на любом фрагменте изображения - на рисунке 2.2 представлено соответствующее информационное окно) и имеет удобный интерактивный пользовательский интерфейс, что положительно влияет на скорость обработки и проведения анализа,
Исследование влияния параметра «Радиус» фильтра высоких частот (High Pass)
Недостатком данного метода является то, что включение в алгоритм Canny шумоподавления с одной стороны повышает устойчивость результатов, а с другой — увеличивает вычислительные затраты и приводит к искажению и даже потере подробностей границ. Так, например, таким алгоритмом скругляются углы объектов и разрушаются границы в точках соединений [21, 34].
Целью данной части эксперимента являлся сравнительный анализ описанных выше операторов и выявление наиболее эффективного из них. При этом особое внимание уделялось .также анализу гистограмм получаемых изображений на предмет того, какое количество пикселей из всего массива тот или иной оператор определил как контур. Это имеет значение при дальнейшей классификации изображений в зависимости от их семантики. Для анализа были выбраны изображения с различной семантикой.
Сравнительный анализ быстродействия вышеуказанных операторов (рис.3.2 и табл.3.1) показал, что наибольших временных затрат требует обработка с помощью оператора Канни, что может быть связано со сложностью алгоритма [11]. Скорости работы остальных операторов близки друг к другу, однако наиболее быстрым и эффективным среди представленных фильтров является оператор Робертса (под эффективностью подразумевается точность и однозначность выделения контуров, отсутствие вычислительных ошибок, приводящих к выделению элементов, которые к контурам не относятся, а также шумов). Рис. 3.2. Сравнительный анализ быстродействия операторов выделения контуров
В качестве примера воздействия операторов на реальные изображения рассмотрим изображение на рис. 3.3 (см. стр. 83). Можно заметить, что на данном снимке присутствуют области, которые находятся не в фокусе (в частности, левая верхняя часть). Их можно отнести к областям, не являющимся важными для будущей настройки резкости. Соответственно, принципиально важно, чтобы оператором были выделены только семантически важные границы в изображении (такие, как контуры цветка и стебля). Сравнивая результаты действия различных фильтров, можно заметить, что оператор Канни, который некоторыми авторами заявлен как самый мощный среди всех операторов, используемых в программе MATLAB, выделяет не только сюжетно важные границы элементов изображения, но и элементы, которые важными с семантической точки зрения не являются, а это крайне нежелательно. Детектор Канни выделил в качестве контуров гораздо большую часть информации (это видно из таблицы 3.2). Следует напомнить, что включение в алгоритм Канни шумоподавления, как было сказано выше, с одной стороны повышает устойчивость результатов; а с другой - увеличивает вычислительные затраты т приводит к искажению и даже потере подробностей границ, что отрицательно сказывается, на результатах.
Оператор LoG показал лучшие результаты, однако и в этом случае частично были выделены нежелательные элементы.
В то же время оставшиеся операторы (Собела, Превитта и Робертса) справились со своей задачей примерно одинаково,, что видно и на гистограммах, и на полученных изображениях, однако: оператор Робертса имеет определённое преимущество с точки зрения чёткости выделяемых границ и, как было сказано выше, быстродействия.
Учитывая вышесказанное, оператор Робертса может быть рекомендован для решения задачи объективной классификации изобразительных оригиналов по структурным признакам с целью дальнейшей разработки рекомендаций по настройке резкости.
Результаты обработки изображения различными операторами выделения контуров [11] 3.2. Анализ сюжетно важных границ в изображениях
Перед принятием решения о выборе той или иной стратегии настройки резкости необходимо отнести изображение к определённой семантической группе. Это можно сделать на основании анализа контуров. Для этого из всего массива элементов изображения нужно выделить только те, которые относятся к контурам.
На этапе проведения первичной классификации цель эксперимента заключалась в количественном (статистическом) анализе контуров с помощью гистограмм. Для оценки было отобрано большое количество изображений, имеющих различную семантику. Был создан цифровой банк данных, содержащий оригиналы с разнообразными сюжетами. Сначала изображения были разделены на группы в соответствии с их семантикой (по 20 изображений в группе). При этом количество, оригиналов являлось важным критерием, поскольку объективная- статистическая информация об изображениях каждой группы не могла быть получена на основе анализа только одного-двух изображений с определённой семантикой.
Далее каждое изображение было обработано оператором выделения контуров, в результате чего получены гистограммы, позволяющие определить количество элементов изображения, относящихся к контурам (в % от всего массива элементов изображения). При этом изображения были разделены на следующие группы.
Город. К этой группе относятся изображения различных объектов городской застройки — улиц, зданий и т.д. Сюжетно важные границы изображений в данном случае представлены, с одной стороны, чёткими очертаниями домов, линий электропередачи и т.д., с другой стороны, - большим количеством мелких элементов, в частности, характерных для архитектурного оформления фасадов зданий, а также для контуров деревьев. Примеры изображений данной группы и контуров, полученных после обработки, показаны на рис. 3.4 и 3.5.
Анализ сюжетно важных границ в изображениях
Как можно заметить, в случае оценки первых двух способов настройки резкости (High Pass + Т и High Pass) результаты экспертного опроса полностью соответстствуют параметрам, выбранным с помощью предложенной методики: характерны малые значения параметра «Радиус» (в случае применения больших значений данного параметра результаты признаны неудовлетворительными). Наилучшие результаты достигаются в случае установки следующих параметров (см. таблицу 4.3.):
Например, в случае применения способа, основанного на использовании фильтра High Pass, оптимальным признано значение радиуса, равное 10, что соответствует увеличению исходной ширины зоны перехода на 0,07 мм, а также увеличению светлотного скачка на L=4 (это следует из закономерностей, описанных в главе 2 - см. таб. 2.11).
При использовании аналогичного способа, усовершенствованного за счёт дополнительной пороговой обработки (High Pass + Т) оптимальное значение радиуса равно 5, что эквивалентно увеличению ширины зоны перехода на 0,03 мм и увеличению перепада светлот на L=2 (см. таб. 2.11).
Неожиданные результаты получены при экспертном опросе с целью определить оптимальные параметры фильтра нерезкого маскирования: применительно к изображению 1 большинство экспертов в качестве наилучшего выбрало образец, полученный с применением большого значения радиуса (R=50) и небольшого - величины (А=20). Однако при более детальном рассмотрении выяснилось: у образца, выбранного экспертами в качестве наилучшего, резкость по сравнению с оригиналом улучшена в наименьшей степени среди всех предложенных образцов (объективной мерой оценки изменений может служить увеличение количества элементов изображения, относящихся к контурам по сравнению с оригиналом - эти данные приведены в таблице 4.4, и как видно из этой таблицы - в случае применения больших значений радиуса и малых значений величины изменения наименее значительны), при этом остальным образцам эксперты поставили низкие оценки, что может говорить о возникающем у них ощущении искусственности и «перемаскирования». Таким образом, этот факт может свидетельствовать. о том, что результаты настройки резкости изображений данной группы с использованием фильтра нерезкого маскирования-являются неудовлетворительными, поэтому в данном случае для проведения коррекции может быть рекомендован способ, основанный на применении фильтра высоких частот (High Pass) или этот же. способ, усовершенствованный за счёт дополнительной пороговой обработки (High Pass + Т), причём последний показал наиболее высокие результаты экспертного опроса (средняя оценка в данном случае составила 7,7 против 7,5 у обычного способа применения фильтра High Pass - см. таблицу 4.2).
В таблице 4.5 приведены данные о согласованности мнений экспертов (среднее квадратическое отклонение и коэффициент вариации). Как можно заметить, согласованность в большинстве случаев низкая. Объясняется это тем фактом, что не все эксперты использовали весь диапазон возможных оценок — от 1 до 10. Например, при выборе лучшего образца далеко не всегда эксперты ставили ему оценку «10», а при выборе наихудшего — «1». Это может быть следствием фактора субъективности мнений экспертов — то, что для одного человека кажется идеалом (10 баллов), для другого может казаться неидеальным, но, тем не менее, лучшим среди всех остальных образцов. Поэтому наибольшее внимание предлагается уделять средним оценкам относительно того или иного образца.
Таблица 4.6 содержит результаты экспертного опроса по изображению 2 (Горы, изображение, находящееся в интервале со средним1 значением количества контуров, 10 К 15). Как и в предыдущем случае, в скобках указано количество экспертов, выбравших тот или иной образец как лучший, а жирным выделены образцы, которые выбрало большинство экспертов. В таблице 4.7 приведены сведения о параметрах наилучших образцов. Можно заметить, что оптимальные настройки принципиально отличаются от изображений с большим количеством контуров. Во всех случаях оптимальным является значение радиуса R=20. Для способа, основанного на применении фильтра High Pass, а также High Pass + Т это означает увеличение ширины зоны перехода на 0,14 мм (см. таб. 2.11) и увеличение перепада светлот на границах зоны перехода на L=8. Для нерезкого маскирования (USM) это эквивалентно увеличению ширины зоны перехода на 0,15 мм и увеличению светлотного скачка на L=14.
Из таблицы 4.7 видно, что эксперты высоко оценили образцы, полученные с использованием средних значений радиуса, при этом наибольшая средняя оценка имеет место для способа, основанного на применении фильтра высоких частот и усовершенствованного дополнительной» пороговой обработкой с установкой значения порога Т=100. Средняя оценка в данном случае составляет 8,4. Таким образом, этому способу может быть отдано предпочтение при настройке резкости изображений данной группы. В таблице 4.8 приведены данные о согласованности мнений экспертов по рассматриваемой проблеме. Как видно, согласованность в данном случае также невысока, и по тем же причинам, которые описывались ранее (при анализе изображения 1). Однако следует заметить, что совокупности поставленных оценок всё же можно признать однородными (как известно, совокупность чисел признаётся однородной при значении коэффициента вариации менее 33%).
Похожие диссертации на Разработка рекомендаций по коррекции резкости с учётом особенностей конкретных оригиналов
-
