Оценка качества изображения методы

Оценка качества изображения методы

магистрант, кафедра «Компьютерные системы и сети», МГТУ им. Н.Э.Баумана,

магистрант, кафедра «Компьютерные системы и сети», МГТУ им. Н.Э.Баумана,

Существующие методы оценки качества восстановленных и обработанных изображений можно разделить на два класса [1]:

— субъективные оценки (экспертные);

— математические оценки (метрики).

Для метода субъективных оценок необходима группа экспертов, выполняющая оценку изображений по определенному алгоритму. Например, существуют следующие алгоритмы: DSIS (Double Stimulus Impairment Scale), DSCQS (Double Stimulus Continuous Quality Scale), SCACJ (Stimulus Comparison Adjectival Categorical Judgment), SAMVIQ (Subjective Assessment Method for Video Quality Evaluation).

Данный способ позволяет получить оценку высокого качества, но его использование довольно затратно и длительно, особенно это важно при отладке и экспериментальной настройке алгоритмов восстановления, обработки и сжатия изображений.

Математические методы оценки позволяют упростить и ускорить процесс оценки, снизить затраты на его реализацию. По сравнению с субъективными (экспертными) методами метрики дают менее качественную оценку. Изображение, низко оцененное с помощью субъективного метода может иметь высокую оценку качества по какой-либо метрике и наоборот. Необходимо использовать математическую оценку дающую правильную оценку в максимальном количестве случаев. Следует также отметить, что для применения математических оценок обязательно необходимо иметь эталонное (оригинальное) изображение. Далее рассмотрим метрики дающие наиболее качественные результаты оценки.

1 Метрика PSNR

Пиковое отношение сигнала к шуму PSNR (англ. Peak Signal-to-Noise Ratio) Данная метрика характеризует соотношение между максимумом возможного значения сигнала и мощностью шума, искажающего значения сигнала. Поскольку многие сигналы имеют широкий динамический диапазон, PSNR обычно измеряется в логарифмической шкале в децибелах. PSNR определяется через среднеквадратичное отклонение (MSE), которое для двух монохромных изображений I и K размера m×n, одно из которых считается зашумленным приближением другого, вычисляется так:

(1)

где – значение канала пикселя с координатами (i,j) эталонного изображения;

– значение канала пикселя с координатами (i,j) сравниваемого изображения;

– ширина изображения;

– высота изображения.

PSNR определяется следующим образом:

(2)

где MAXI — это максимальное значение, принимаемое пикселем изображения.

Когда пиксели имеют разрядность 8 бит, MAXI = 255. Когда значения сигнала для одного пикселя хранятся в памяти B битами на значение, максимально возможное значение MAXI будет 2 B -1.

Для цветных изображений с тремя компонентами RGB на пиксель применяется такое же определение PSNR, но MSE считается по всем трем компонентам: значения красного канала R, зеленого канала G, синего канала B:

(3)

где – значение канала цвета С пикселя с координатами (i,j) эталонного изображения;

– значение канала цвета С пикселя с координатами (i,j) сравниваемого изображения;

– ширина изображения;

– высота изображения.

Данная метрика, по сути, аналогична среднеквадратичному отклонению, однако пользоваться ей несколько удобнее за счет логарифмического масштаба шкалы. Она имеет те же недостатки, что и среднеквадратичное отклонение. Следует отметить, что высокая оценка PSNR не всегда гарантирует хорошее качество восстановленного изображения, из-за того, что зрительная система человека обладает нелинейным поведением. При наличии некоторых шумов в изображении оценка может оставаться такой же, хотя качество изображения при этом значительно меняется.

2 Метрика SSIM

В отличие от предыдущей метрики SSIM учитывает искажение яркости и контраста, а также степень коррелированности между двумя изображениями [2].

Данная метрика является более универсальной, т.к. она отражает не только некоторую схожесть обработанного изображения по отношению к оригиналу, но и должным образом учитывает различные виды искажений. Данный метод не привязан к специфике изображения и искажениям, присутствующим в нем, а основывается на статистическом анализе отдельных блоков входного сигнала и дальнейшем сравнении полученных результатов со значениями эталонного изображения.

Оценка сводится к определению степени сходства соответствующих частей сравниваемых изображений по трем составляющим:

— яркость (значения математического ожидания пикселей изображений);

— контраст (значения среднеквадратического отклонения пикселей изображений);

— структура (степень коррелированности пикселей изображений).

В вышеприведенных формулах:

– матрица значений пикселей эталонного(оригинального) изображения;

– матрица значений пикселей оцениваемого изображения;

– среднее значение для участка оригинального изображения размером пикселей ();

– среднее значение для участка оригинального изображения размером пикселей ();

– стандартное отклонение участка оригинального изображения размером пикселей ();

– стандартное отклонение участка оригинального изображения размером пикселей ();

– ковариация участков изображений ().

– выравнивающие коэффициенты, предотвращающие деление на число близкое к 0, при высоком качестве оцениваемого изображения.

, где – константа 1, – максимальное значение канала.

Обычно берут , . Для изображений в которых для хранения значения пикселя используется 8 бит .

Значение SSIM рассчитываются по следующей формуле:

(4)

где – коэффициенты для регулировки важности составляющих компонент.

Для упрощения выражения берем , а . Получаем следующее выражение:

(5)

где – среднее арифметическое значений каналов пикселей изображения f;

– стандартное отклонение значений каналов пикселей изображения f;

– ковариация значений каналов пикселей изображений x и y;

– выравнивающий коэффициент.

Метрика SSIM удовлетворяет следующим требованиям:

— симметричность ;

— граничность ;

— уникальность максимального значения: тогда и только тогда, когда .

Т.к. изображение является двумерным нестационарным процессом, то в изображении выделяются области размером АхВ, в переделах которых сигнал можно считать стационарным. Для этой области вычисляется значение SSIM. Процесс нахождения SSIM для всего изображения сводится к следующему: «скользящее» окно размером АхВ, начиная из верхнего левого угла, проходит пиксель за пикселем по всем строкам и столбцам этого изображения, при этом на каждом шаге вычисляется SSIM для текущей области. Общий SSIM вычисляется как среднее арифметическое значение вычисленных SSIM.

(6)

где – число блоков внутри, которых вычисляется SSIM.

Рекомендуется использовать размер окна 11х11 пикселей.

Чем ближе значение оценки к 1, тем оцениваемое изображение ближе к оригиналу, чем ближе к 0, тем оцениваемое изображение больше отличается от оригинала. Для одинаковых изображений SSIM = 1, для разных значение метрики равно -1.

SSIM достаточно хорошо определяет качество изображений и хорошо согласуется с экспертной оценкой.

SSIM может быть применена для:

— отбора большого количества оцениваемых изображений;

— для определения степени зашумленности и искаженности оцениваемого изображения;

— для сравнения качества изображений, восстановленных различными алгоритмами;

— для эмпирического определения оптимальных параметров алгоритма сжатия.

Список литературы:

  1. Д.В. Сидоров. К вопросу оценки качества множества восстановленных изображений: Прикладная информатика, 2008. – 4 с.
  2. Zhou Wang, Alan Conrad Bovik, Hamid Rahim Sheikh, Eero P. Simoncelli. Image Quality Assessment: From Error Visibility to Structural Similarity: IEEE TRANSACTIONS ON IMAGE PROCESSING, 2004. – 13 с.

Сравнение объективных методов оценки качества цифровых изображений

А. В. Кокошкин, В. А. Коротков, К. В. Коротков, Е. П. Новичихин

Институт радиотехники и электроники им. В.А. Котельникова РАН, Фрязинский филиал

Статья получена 16 июня 2015 г.

Аннотация. В работе проведено сравнение объективных методов оценки качества цифровых изображений. Результаты оценки качества большинства методов сильно зависят от вида конкретного изображения. Для прогноза изменения качества изображения в результате обработки изображения более подходит Cri ( коэффициент восстановимости изображения) , потому что у него слабая зависимость результатов оценки от вида изображения, при отсутствии необходимости иметь исходное изображение для сравнения.

Ключевые слова: качество цифровых изображений, универсальный опорный спектр, коэффициент восстановимости изображения, прогнозирование возможного улучшения.

Abstract: In this paper proposes comparison of objective methods of estimating the quality of digital images. The results of estimation of quality digital images for majority of methods are highly dependent on the type of a particular image. To predict changes in image quality resulting from image processing is more suitable Cri (coefficient of recoverability image ), because he has a weak dependence on the results of type of evaluation Image, and without the need to have the original image for comparison.

Читайте также:  Картинка дома для визитки

Key words: quality digital images, universal reference spectrum, coefficient of recoverability image, predicting possible improvements.

Оценку качества изображения обычно связывают с выбором метода обработки изображения [1, 2, 3]. Большинство методов оценки качества изображения используют сравнение обработанного изображения с исходным [4, 5, 6]. К ним относятся СКО — среднеквадратичная ошибка, ПОСШ – пиковое отношение сигнал-шум, НМ – норма Минковского, SSIM – мера структурного подобия. К методам, использующим только анализируемое изображение можно отнести СКИ – средний контраст изображения [6], Cri – коэффициент восстановимости изображения [9].

Использование методов оценки качества изображения для выбора метода обработки изображения вполне оправдано. Однако на наш взгляд не рассмотрена возможность применения таких методов оценки для прогноза качества результата обработки изображения. Имея такой прогноз можно принимать решение не только о степени необходимости обработки изображения, но и принимать решение об условия получения изображения.

В данной работе проведено сравнение некоторых методов оценки качества изображения с целью получения прогноза изменения качества изображения в результате обработки изображения.

Для получения прогноза степени улучшения качества изображения необходимо найти такой метод, результаты которого слабо зависели от изображения и характеризовали лишь степень его искажения. В качестве искажения мы будем рассматривать искажение аппаратной функцией (АФ) и аддитивный шум.

1. Методы оценки качества изображения

СКО – среднеквадратичное отклонение .

СКО или в английском варианте MSE рассчитывается по формуле [4]:

, (1)

где — размер изображений в пикселах, — матрицы яркостей исходного и искаженного изображений соответственно. Если изображения одинаковы, то MSE =0.

ПОСШ – пиковое отношение сигнала к шуму .

ПОСШ или в английском варианте PSNR измеряется в децибелах и определяется по формуле [4]:

, (2)

где — максимальное значение, принимаемое пикселем изображения (для 8-битных изображений ), MSE – среднеквадратичное отклонение.

НМ — Норма Минковского .

НМ или в английском варианте NM рассчитывается по формуле [7, 8]:

, (3)

где . Если , то .

МСП – мера структурного подобия .

МСП или в английском варианте SSIM рассчитывается по формуле [5, 7]:

, (4)

где — средние значения яркостей пикселей изображений и ,

, , .

СК – средний контраст .

СК характеризует усреднений контраст изображения и рассчитывается по формуле [7]:

Cri – Коэффициент восстановимости изображения .

Cri (аббревиатура от С oefficient of r ecoverability i mage ) определяется как доля точек амплитудного спектра изображения попадающая в заданную окрестность универсального опорного спектра (УОС) [9]. В качестве окрестности мы в дальнейшем рассматриваем отрезок:

, (5)

где — значение УОС, — значение амплитудного спектра изображения.

2. Зависимость оценки качества изображения от величины дефокусировки S0

На рис.1 представлены изображения, использованные для анализа методов оценки качества изображения.

Рис.1. Тестовые неискаженные изображения.

В качестве аппаратной функции (АФ) мы будем использовать размытие Гаусса, ширина которого определяется радиусом S0 [10 – 13]. Среди перечисленных методов оценки качества следует выделить группу методов, результаты которых взаимообусловлены. Это СКО, ПОСШ и НМ. Поэтому в дальнейшем приводим результаты только СКО. На рис.1 приведены графики зависимости от S 0, вычисленные с помощью рассмотренных методов.

Рис.2. Графики зависимости от S 0, полученные СКО – А, МСП – Б, СК – В, Cri – Г.

Графики оценки качества изображений в зависимости от дефокусировки S0 представленные на рис.2 иллюстрируют зависимость качества не только от S0, но и от самого изображения. Несколько меньшая зависимость оценки от изображения наблюдается для Cri .

3. Зависимость оценки качества изображения от уровня шума S h

Качество изображений зависит от уровня шума. На рис.3 представлены графики зависимости от уровня (равного половине амплитуды) белого шума Sh качества размытых АФ Гаусса изображений с S0=4.

Рис.3. Графики зависимости от Sh , полученные СКО – А, МСП – Б, СК – В, Cri – Г.

Анализ графиков на рис.3 показывает, что зависимость качества изображений, вычисленных СКО и МСП относительно слабо зависит от уровня шума Sh и определяется изображением и величиной дефокусировки S 0. В то же время СК (средний контраст) с увеличением Sh увеличивается вместе зависимостью от вида изображения. Cri также демонстрирует сильную зависимость от уровня шума. Однако вид изображения в случае Cri оказывает значительно меньшее влияние по сравнению с остальными методами. Смысл малых значений Cri в данном случае состоит в том, что предсказывается возможное сильное изменение качества изображения после восстановления при малых шумах. Напротив, большие значения Sh вызывают большие значениям Cri и не позволяют надеяться на значительно изменение качества изображения после процедуры восстановления.

На рис.4 представлены графики зависимости от Sh качества восстановленных с помощью ФВ изображений.

Рис.4. Графики зависимости от Sh , восстановленных ФВ изображений.
Качество изображений оценивалось с помощью СКО – А, МСП – Б, СК – В, Cri – Г.

Графики зависимости от уровня шума Sh , представленные на Рис.4, иллюстрируют разнородное влияние шума на качество изображений, оцененное разными методами. Это объясняется тем, разные методы оценки качества рассматривают разные виды статистических характеристик изображений. Впрочем, об этом говорят сами названия методов.

Следует отметить, что поведение графиков зависимости от Sh на рис.4А-В понятно. Так как увеличение шума влечет увеличение ошибок восстановления, то увеличивается СКО и уменьшается структурное подобие – МСП. Если ФВ подавляет шум эффективно, то с одновременным подавлением высоких частот уменьшается и средний контраст – СК. Для того, чтобы лучше интерпретировать график Cri на рис.4Г сравним 2 графика Cri на рис.5 соответствующие спектрам после инверсной фильтрации и после фильтра Винера.

Рис.5. Графики зависимости Cri от уровня шума Sh . А – Cri спектра после инверсной фильтрации; Б – Cri спектра после ФВ.

Сравнение Рис.5А и Рис.5Б показывает, что доля амплитудного спектра в окрестности УОС после ФВ значительно снизилась. На рис.6 представлены графики диагональных разрезов амплитудных спектров изображений рис.1, искаженных АФ Гаусса с S 0=4 с белым шумом Sh =10.

Рис.6 Графики диагональных разрезов амплитудных спектров изображений,
искаженных АФ Гаусса с S 0=4 с белым шумом Sh =10.
Цветные линии соответствуют инверсной фильтрации, цветные точки – ФВ.
Черные линии обозначают область допустимых значений для учета Cri вблизи УОС.

Графики на рис.6, соответствующие инверсной фильтрации и ФВ совпадают только в области низких частот. С дальнейшим увеличением частоты спектры, соответствующие ФВ покидают область вокруг УОС (опускаются ниже). Инверсно отфильтрованные спектры находятся в области вблизи УОС при значительно большем диапазоне частот. Это обусловлено тем, что шум при этом уводит спектры после инверсной выше заданного диапазона вокруг УОС, и та область, где при увеличении частоты амплитуда инверсно отфильтрованного спектра на рис.6 возрастает, соответствует спектру с преобладанием шума над сигналом.

Читайте также:  Не удалось создать файл жесткого диска virtualbox

1.Сранение результатов методов оценки качества изображения показало, что большинство методов ( СКО , ПОСШ, НМ, SSIM ) требует для своей работы исходное неискаженное изображение. Это сильно ограничивает возможность оценить качество произвольного изображения.

2.Результаты оценки качества большинства методов сильно зависят от вида конкретного изображения. То есть одинаковые искажения, вызванные АФ и шумом, влияют на качество изображения с разной силой, в зависимости от конкретного изображения.

3.Анализ приведенных результатов показывает, что для поставленной задачи — прогноза изменения качества изображения в результате обработки изображения более подходит Cri [9]. К привлекательным сторонам Cri относятся: слабая зависимость результатов оценки от вида изображения, отсутствие необходимости иметь исходное изображение для сравнения, объективная оценка доли спектра, содержащей информацию об изображении делающая прогноз достаточно достоверным.

1. Р. Гонсалес, Р. Вудс. Цифровая обработка изображений. М. «Техносфера», 2005, 1071 стр.

2. Pratt W.K. Digital Image Processing. – John Wiley and Sons, Inc., USA, 1978.

3. Бейтс Р. Мак-Доннел М. Восстановление и реконструкция изображений. /Пер. с англ.к. ф-м н. Б.С. Кругликова и С.Л. Ярославского под редакцией д. ф-м н. Л.П. Ярославского. М.: «Мир», 1989, 487с.

4. Avcibas I. , Sankur B., Sayood K. Statistical evaluating of image quality measures // Journal of Electronic Imaging. – April 2002. – Vol.11, № 2. – Р. 206-223.

5. Wilder W.C. Subjective Relevant Error Criteria for Pictorial Data Processing // Purdue University, School of Electrical Engineering, Report TR-EE 72-34, December 1972.

6. Журавель И.М. Краткий курс теории обработки изображений. URL : http :// matlab . exponenta . ru / imageprocess / book 2/ index . php

7. Ю.И. Монич, В.В. Старовойтов « Оценки качества для анализа цифровых изображений» «Искусственный интеллект» 4’2008. Стр. 376-386.

8. Макаров А.О. Алгоритмы увеличения пространственного разрешения и обработки мультиспектральных спутниковых изображений: Дис… к-та техн. наук: 05.13.01/ А.О. Макаров. – Минск, 2006. – 156 с.

9. А. В. Кокошкин, В. А. Коротков, К. В. Коротков, Е. П. Новичихин « Метод прогнозирования возможного улучшения качества искажённых изображений». // Журнал радиоэлектроники [электронный журнал]. 2015. №6. URL: http://jre.cplire.ru/jre/jun15/5/text.html

10. А. Ю. Зражевский, А. В. Кокошкин, Е. П. Новичихин, С. В. Титов, «Повышение качества радиоизображений». «Нелинейный Мир», № 9, 2010г., с. 582-590.

В современном мире цифровые фотокамеры стали обычным явлением. Многие уже купили такое устройство, но еще больше тех, кто только хочет его приобрести. И в том, и в другом случае человека волнует вопрос: «А насколько выбранная мною модель качественно фотографирует?».Сразу отметим, что качество снимков — понятие очень широкое и включает в себя много аспектов, как сугубо технических, так и художественных, для описания которых понадобилась бы не одна книга. В этой же статье мы коснемся больше технической стороны вопроса и научимся оценивать кадры, полученные с помощью цифровых камер.

На что нужно обращать внимание при оценке качества цифровых снимков? В первую очередь, на уровень шумов матрицы, различные оптические аберрации (хроматизм, дисторсия, виньетирование и т. п.); резкость, четкость и детализацию изображения, а также на правильность цветопередачи. Рассмотрим эти понятия более детально.

Приведенные выше качественные характеристики находятся в прямой зависимости от условий съемки, поэтому оценку полученных кадров следует производить, опираясь на конкретные значения таких параметров, как светочувствительность, выдержка, диафрагма, фокусное расстояние и т. п. Все эти данные хранятся в цифровых снимках в специальном EXIF-разделе.

EXIF (Exchangeable Image File Format) — формат записи данных о съемке, используемый цифровыми камерами.
Многие современные цифровые устройства работают со сжатыми файлами изображений формата JPEG. EXIF-информация присутствует в заголовке каждого JPEG-файла, полученного с помощью современной цифровой камеры. В EXIF указываются такие данные, как время и дата съемки, параметры экспонирования, фокусное расстояние, дополнительно применяемые эффекты, режимы работы вспышки и многое другое. Дальнейшая оценка качества фотографии подразумевает анализ информации о съемке.

Для примера возьмем снимок, созданный камерой Canon PowerShot A80, и просмотрим его характеристики в свободно распространяемой программе ShowExif (официальный сайт www.showexif. da. ru).

В правом окне отображается та самая, «зашитая» в JPEG-файл, информация о параметрах съемки. Как видим, здесь представлено название фирмы-производителя и марка модели; ориентация камеры в момент съемки; размер снимка в пикселах по вертикали и горизонтали; дата и время фотографирования; значение выдержки, диафрагмы, экспокоррекции, светочувствительности; наименование используемой сюжетной программы и цветового пространства; режима работы вспышки и множество другой информации вплоть до физического размера матрицы и личных данных фотографа. Отметим, что программа ShowExif была выбрана исключительно ля показа возможностей формата EXIF, так как прочие вьюверы дают значительно меньше информации.

Теперь, вооружившись знаниями о параметрах съемки, мы можем приступать непосредственно к оценке получаемых кадров, не забывая, что их качество существенно зависит от светочувствительности, правильно выбранных баланса белого и экспопары.

Резкость, четкость и детализация

Пожалуй, первое, что бросается в глаза на фотографии, это резкость картинки. В обиходе же часто применяют противоположный по значению термин — степень «замыленности» изображения.

Резкость (sharpness) — величина, характеризующая качество воспроизведения границ участков изображений и контуров.

Этот параметр зависит от качества объектива и точности фокусировки, причем оптика даже самого лучшего класса допускает падение резкости к краю картинки. Подробное рассмотрение причин такого явления выходит за рамки данного материала (см. «Секреты резкой глубины», «dFOTO», № 4, 2003). Недостаток резкости проявляется в «размытии» изображения, особенно мелких элементов сцены, а избыток сказывается в появлении белых окантовок по кромкам объектов, что свидетельствует о программной постобработке фотографий процессором камеры.

Резкость не стоит путать с четкостью и детализацией (что встречается очень часто). Первая характеризует лишь ширину границы цветовых и тональных переходов. При уменьшении количества полутонов создается впечатление, что снимок стал четче, но на самом деле деталей на нем не прибавилось.

Четкость — степень проработки деталей на фотографии.

Детализация — количество проработанных мелких элементов изображения на единице площади снимка.
Четкость и детализация показывают уже качество связки «объектив-матрица» и характеризуются количеством четких линий при съемке мир или прочих тестовых оригиналов.

В обычных условиях четкость и детализацию лучше всего выявлять при рассмотрении изображения листьев, травы или веток на пейзажной фотографии. Именно тут и заметно преимущество матриц с большим количеством пикселов — они позволят отобразить малоразмерные элементы сцены, отчетливо заметные при увеличении кадра. Есть и еще одно обстоятельство, влияющее на наше восприятие картинки. Так как часто цифровые фотографии мы рассматриваем на мониторе, то немаловажным моментом является качество отображения картинки на экране. Обычно кадр выводится программой просмотра с заданными по умолчанию размером и коэффициентом масштабирования. Для многих вьюверов (в том числе ACDSee) важно, чтобы данный коэффициент был равен целой величине — тогда исчезает дополнительная «замыленность», вносимая утилитой. Так, при загрузке кадра в ACDSee с опцией По размеру окна после открытия графического файла стоит только немного увеличить картинку (нажав клавишу «+»), как четкость значительно улучшится. Но существуют и другие продукты (IranView, Cam2PC), которые позволяют изменять масштаб произвольно, сохраняя при этом отличное качество изображения.

Читайте также:  Телефон нокиа 230 технические характеристики

Огромное значение для восприятия снимка играет и точность цветопередачи. Человеческий глаз представляет собой сложный «прибор» для фиксации различных образов. При взаимодействии с мозгом он автоматически приспосабливается как к контровому свету (позволяя видеть детали в тенях и на свету одновременно), так и к смешанному освещению, полученному от совместной работы источников с разной цветовой температурой. Фото- и видеокамеры не обладают столь гибкой способностью адаптироваться к изменениям света, и в результате на изображениях наблюдаются цветовые искажения. Именно поэтому, если вы неправильно учли цветовую температуру, картинка, снятая при лампах накаливания, может иметь желтоватый оттенок, в пасмурный день — синеватый, а при флуоресцентном освещении — зеленоватый.

Многие цифровые камеры обладают настройкой баланса в соответствии со снимаемой сценой (солнечно, пасмурно, лампы накаливания и т. п.). Но если в кадр попадает объект, освещенность которого не отвечает выбранным условиям, то его окраска будет уже неестественной.

Так же нереально будет выглядеть снимок и при неправильно выбранной предустановке баланса белого. Если, например, в солнечный день включить опцию Флуоресцентное освещение, то полученное изображение приобретет неестественный синий оттенок.

Хорошей камерой в этом отношении является такая, которая при автоматической установке баланса белого воссоздает цветопередачу, наблюдаемую в действительности. Однако у большинства аппаратов, особенно при сложном освещении, баланс приходится регулировать вручную.

В таком случае окраска объектов будет передана достаточно точно.

Поэтому при выборе цифрового аппарата следите за тем, чтобы в модели был доступен широкий выбор значений цветовой температуры и возможность ее ручной коррекции.

Данное явление — самое загадочное для новичков. Оно интенсивно проявляется в тенях изображения и при больших значениях светочувствительности (ISO 400, 800 и выше). При взгляде на такой снимок складывается впечатление «загрязненности» картинки.
Шум — наличие дефектов на различных участках изображения в виде вкраплений, отличающихся от окружающего фона по тону и цвету.

На снимках очень сложно выделить шум, образованный только посредством светочувствительного сенсора. Обычно принято определять общий шум связки «объектив-матрица-сжатие» (компрессию учитывают, если снимок сохранен в формате JPEG), хотя главный «вклад» в артефакты привносят именно шумы матрицы. Их подразделяют на два основных типа: шум считывания и квантовый шум. Первый является постоянной величиной, определяемой только технологией изготовления матриц, а второй происходит из-за квантовой природы света и его случайного распределения во времени и пространстве.
Отсюда можно сделать вывод, что светочувствительный сенсор «шумит» всегда, причем чем чувствительнее становится матрица при увеличении ISO, тем больше это проявляется. В условиях низкой освещенности сказывается преимущественно шум считывания, а при увеличении
светового сигнала уже доминирует квантовый шум. Поэтому субъективное восприятие качества снимка определяется не просто шумом, а соотношением сигнал/шум.

Кроме того, надо учитывать еще один фактор.

§ Чем больше физический размер матрицы (при | одинаковом количестве пикселов), тем большую I площадь имеют светочувствительные ячейки. А а чем больше площадь ячейки, тем больше соотно-5 шение сигнал/шум. То есть с увеличением площади фотоэлемента уровень полезного сигнала растет значительно быстрее, чем идет накопление шума, что и воспринимается глазом как улучшение качества изображения.

Увеличение площади ячейки ведет к увеличению количества фотоэлектронов, которые может накопить ячейка, а следовательно, расширяется динамический диапазон матрицы. Именно из этого вытекает основная рекомендация при подборе цифровой камеры: чем больше размер матрицы (при одинаковом числе пикселов), тем качественнее будет изображение, получаемое с ее помощью. Хотя вполне вероятно, что в результате технического прогресса производители научатся улучшать соотношение сигнал/шум без увеличения размера сенсора.

Как правило, небольшое «зашумление» изображения при малых значениях светочувствительности остается незаметным рядовому пользователю, да и при печати эти артефакты почти всегда пропадают. Однако есть хорошая поговорка: «Предупрежден — значит вооружен». Далеко не всегда приходится фотографировать с минимальным значением чувствительности, а при его увеличении дефекты могут стать довольно существенными, и их не удастся исправить даже с помощью специального программного обеспечения.

Если шумы матрицы не всегда можно заметить, то различные оптические аберрации способны существенно исказить изображение. Мы вкратце остановимся на самых основных из них.

Особо «популярными» и плохо поддающимися исправлению программными средствами являются хроматические аберрации.

Хроматические аберрации — искажения изображения, связанные с тем, что световые лучи с различной длиной волны после прохождения линзы фокусируются на разном расстоянии от нее; в результате изображение размывается, и края его окрашиваются.
Обнаружить их на снимке довольно просто. Достаточно слегка увеличить изображение и посмотреть на границы светлых и темных участков по краям кадра. Для уменьшения влияния хроматических аберраций следует прикрывать диафрагму (увеличивать ее числовое значение) приблизительно до середины доступного диапазона. Конечно, при этом возрастает и глубина резко изображаемого пространства, но тут уж приходится выбирать, что для вас важнее в конкретной ситуации. Если же вы получаете кадр при
максимальной апертуре, то старайтесь избегать контрастных деталей. В крайнем случае можно попробовать исправить такие дефекты программным путем, используя различные дополнения для того же Photoshop (например, PFree).

Наряду с хроматизмом некачественная оптика часто привносит эффект виньетирования.

Виньетирование — затемнения изображения по краям снимка.

Эта аберрация заметнее всего проявляется по углам поля кадра и представляет собой затемнение краевых участков вследствие ослабления светового потока из-за особенности преломления лучей света на периферии линз.

Еще одним общераспространенным видом аберраций является дисторсия, подразделяющаяся на подушко- и бочкообразную. Первая часто наблюдается в режиме «теле», тогда как вторая -на «широком угле». При необходимости подобные искажения легко исправлять программными средствами, например, воспользовавшись командой Filter->Distort->Pinch графического редактора Photoshop.

Дисторсия — один из видов аберраций, при котором нарушается геометрическое подобие между объектом и изображением.

Отметим также, что данный дефект иногда намеренно усиливают для получения художественного эффекта, применяя специальную оптику типа «рыбий глаз».

Новички нередко путают дисторсию с еще одним явлением — эффектом схождения вертикалей. Очень часто фотографу приходится выполнять архитектурную съемку на «широком угле», располагая камеру таким образом, чтобы в кадр попало все здание. В данных условиях перспектива неизбежно искажается, откуда возникло еще одно название — «перспективные искажения».
Такое явление обусловливает характерный «завал» объектов от края кадра к центру. Причем чем выше направлен фотоаппарат и чем короче фокусное расстояние, тем сильнее наклон. Конечно же, подобные дефекты также довольно просто исправляются программными методами (см. «…Распрямить дома, полегшие вповал», «dFOTO», № 3, 2004).

Корректная работа вспышки

Хотелось бы еще вкратце остановиться на корректности работы встроенной вспышки аппарата. Иногда ее использование просто необходимо. От действия вспышки зависит не только степень освещения элементов изображения на переднем плане, но и цветопередача.В идеале камера, помимо всего прочего, должна обладать «интеллектуальным» импульсным источником света с регулятором мощности, позволяющим не пересвечивать объект съемки и корректно передавать цвета.

Надеемся, что данные критерии оценки качества цифровых изображений помогут вам сделать правильный выбор модели фотокамеры.

Ссылка на основную публикацию
Обновление видеокарты н видео
Driver Forum Automatic Driver Updates GeForce Experience automatically keeps your drivers up to date and your games super optimized. Learn...
Не слышу голосовые сообщения в вк
Многие из нас используют социальную сеть «Вконтакте» для коммуникации. Здесь мы активно общаемся с другими людьми, используя не только традиционные...
Не слышу собеседника в скайпе что делать
Современный скоростной интернет дает широкие возможности для общения, у которого нет никаких границ и преград. К сожалению, даже здесь могут...
Обновление для времени windows 7 x64
С 30 октября 2011 ненужно переводить часы. Чтобы привести работу Windows машин в соответствие с законом, нужно установить небольшие патчи....
Adblock detector