Merila kakovosti stiskanja slik: PSNR, SSIM in vodnik za ocenjevanje

Za učinkovito oceno kakovosti stiskanja slik je treba razumeti objektivna merila, ki kvantificirajo vizualno zvestobo in popačenja, ki jih uvajajo algoritmi stiskanja. Ta vodnik podrobno opisuje metode ocenjevanja kakovosti kot so PSNR, SSIM in druga ocenjevalna merila za merjenje uspešnosti stiskanja formatov JPEG, PNG, WebP in GIF.

Razumevanje ocenjevanja kakovosti slike

Ocenjevanje kakovosti slike v sistemih stiskanja služi več pomembnim namenom: optimizaciji parametrov stiskanja, primerjavi uspešnosti algoritmov in zagotavljanju vizualne sprejemljivosti za končnega uporabnika. Merila kakovosti zagotavljajo kvantitativne meritve, ki so povezane s človeškim vizualnim zaznavanjem in omogočajo avtomatizirane delovne tokove ocenjevanja.

Objektivno vs subjektivno ocenjevanje kakovosti

Pristopi k ocenjevanju kakovosti so razdeljeni v dve glavni kategoriji:

Objektivna merila kakovosti:

• Matematični izračuni na podlagi razlik med slikovnimi točkami
• Avtomatizirano ocenjevanje primerno za obsežno testiranje
• Konsistentni rezultati neodvisno od človeške variabilnosti
• Računska učinkovitost za aplikacije v realnem času
• Standardizirane primerjalne vrednosti za primerjavo uspešnosti

Subjektivno ocenjevanje kakovosti:

• Študije s človeškimi opazovalci v nadzorovanih pogojih
• Povprečna ocena mnenja (MOS) na podlagi ocen uporabnikov
• Perceptivna natančnost, ki odraža dejansko uporabniško izkušnjo
• Časovno zahteven proces, ki zahteva več ocenjevalcev
• Zlati standard za validacijo ocenjevanja kakovosti

Zahteve za ocenjevanje kakovosti

Učinkovito ocenjevanje kakovosti stiskanja mora izpolnjevati več ključnih zahtev:

Perceptivna ustreznost:

• Korelacija s človeškim vidom za smiselne rezultate
• Vsebini prilagojeno ocenjevanje z upoštevanjem značilnosti slike
• Upoštevanje pogojev prikaza kot so zaslon in razdalja
• Kulturni in demografski dejavniki, ki vplivajo na zaznavanje

Tehnična uporabnost:

• Izračunljivost za različne obsege uporabe
• Enostavna implementacija na različnih platformah
• Standardizacija parametrov za dosledno ocenjevanje
• Integracija z delovnimi tokovi stiskanja

Razmerje med vrhom signala in šumom (PSNR)

PSNR je najpogosteje uporabljeno objektivno merilo kakovosti za ocenjevanje stiskanja slik in meri zvestobo signala prek srednje kvadratne napake.

Matematične osnove PSNR

Izračun PSNR temelji na standardizirani matematični formuli:

Srednja kvadratna napaka (MSE):

MSE = (1/MN) * Σ Σ [I(i,j) - K(i,j)]²

Razmerje med vrhom signala in šumom:

PSNR = 10 * log₁₀(MAX²/MSE)

Kjer:

• I(i,j) = vrednost slikovne točke izvirne slike
• K(i,j) = vrednost slikovne točke stisnjene slike
• MAX = največja možna vrednost slikovne točke (255 za 8-bitne slike)
• M, N = dimenzije slike

Značilnosti in omejitve PSNR

Prednosti PSNR:

• Preprost izračun z nizko računsko zahtevnostjo
• Univerzalna uporabnost za vse formate slik
• Uveljavljene primerjalne vrednosti za primerjavo kakovosti
• Matematična doslednost za zanesljivo ocenjevanje algoritmov

Omejitve PSNR:

• Nizka perceptivna korelacija za določene vrste popačenj
• Neodvisnost od vsebine ignorira značilnosti slike
• Predpostavka prostorske enakomernosti ne odraža občutljivosti človeškega vida
• Občutljivost na dinamični razpon vpliva na natančnost merjenja

Uporaba PSNR pri ocenjevanju stiskanja

Praktična uporaba PSNR za ocenjevanje kakovosti stiskanja:

Pragovi kakovosti:

• PSNR > 40 dB: odlična kakovost, brez vidnih artefaktov
• PSNR 30-40 dB: dobra kakovost, sprejemljiva za večino namenov
• PSNR 20-30 dB: povprečna kakovost, vidni a sprejemljivi artefakti
• PSNR < 20 dB: nizka kakovost, znatna vizualna degradacija

Posebnosti po formatih:

• Stiskanje JPEG: PSNR dobro korelira z blokovnimi artefakti
• Stiskanje PNG: Brezizgubno ocenjevanje daje neskončen PSNR
• Stiskanje WebP: Korelacija je odvisna od načina kodiranja
• Stiskanje GIF: Kvantizacija palete vpliva na interpretacijo PSNR

Indeks strukturne podobnosti (SSIM)

SSIM zagotavlja perceptivno motivirano oceno kakovosti z merjenjem ohranjanja strukturnih informacij namesto razlik med slikovnimi točkami.

Matematični okvir SSIM

Izračun SSIM vključuje tri primerjalne komponente:

Primerjava luminance:

l(x,y) = (2μₓμᵧ + c₁)/(μₓ² + μᵧ² + c₁)

Primerjava kontrasta:

c(x,y) = (2σₓσᵧ + c₂)/(σₓ² + σᵧ² + c₂)

Primerjava strukture:

s(x,y) = (σₓᵧ + c₃)/(σₓσᵧ + c₃)

Sestavljeni SSIM:

SSIM(x,y) = l(x,y) * c(x,y) * s(x,y)

Kjer:

• μₓ, μᵧ = lokalne sredine
• σₓ, σᵧ = lokalni standardni odkloni
• σₓᵧ = lokalna kovarianca
• c₁, c₂, c₃ = stabilizacijske konstante

Perceptivne prednosti SSIM

Prednosti SSIM v primerjavi s PSNR:

Modeliranje človeškega vidnega sistema:

• Občutljivost na luminanco odraža zaznavanje svetlosti
• Maskiranje kontrasta upošteva prostorske vizualne značilnosti
• Ohranjanje strukture poudarja prepoznavanje vzorcev
• Lokalna analiza upošteva prostorski kontekst

Perceptivna korelacija:

• Boljša korelacija s subjektivnimi ocenami kakovosti
• Vsebini prilagojeno ocenjevanje glede na značilnosti slike
• Občutljivost na vrste popačenj za zaznavanje različnih artefaktov
• Robustna uspešnost pri različnih vsebinah slik

Večskalarni SSIM (MS-SSIM)

MS-SSIM razširja osnovno oceno SSIM z večskalarni analizo:

Razčlenitev po skalah:

1. Analiza pri izvirni ločljivosti za oceno podrobnosti
2. Postopno zmanjševanje ločljivosti z Gaussovim filtrom
3. Ocenjevanje na več skalah za različne prostorske frekvence
4. Utežena kombinacija vrednosti SSIM po skalah

Prednosti MS-SSIM:

• Boljša korelacija s človeškim zaznavanjem
• Ocenjevanje neodvisno od skale ne glede na razdaljo gledanja
• Povečana občutljivost na različne vrste artefaktov
• Robustno ocenjevanje za različne vsebine

Zvestoba vizualnih informacij (VIF)

VIF je napredno merilo kakovosti na osnovi teorije informacij in modeliranja človeškega vidnega sistema.

Teoretične osnove VIF

Izračun VIF temelji na medsebojni informaciji med referenčno in popačeno sliko:

Izvleček informacij:

• Valovna razčlenitev za večskalarni analizo
• Statistika naravnih prizorov za modeliranje vsebine slike
• Filtriranje s človeškim vidnim sistemom za perceptivno ustreznost
• Kvantifikacija izgube informacij prek medsebojne informacije

Formula VIF:

VIF = Σ I(Cⁿ; Fⁿ|sⁿ) / Σ I(Cⁿ; Eⁿ|sⁿ)

Kjer:

• I = medsebojna informacija
• Cⁿ = koeficienti referenčne slike
• Fⁿ = koeficienti popačene slike
• Eⁿ = referenčna slika v vidnem sistemu
• sⁿ = statistika prizora

Značilnosti učinkovitosti VIF

Prednosti VIF:

• Odlična perceptivna korelacija s subjektivnimi ocenami
• Prilagoditev vsebini na podlagi statistike naravnih slik
• Robustnost na artefakte za različne vrste popačenj
• Teoretična osnova v teoriji informacij

Omejitve VIF:

• Visoka računska zahtevnost omejuje uporabo v realnem času
• Kompleksnost implementacije zahteva specializirane algoritme
• Omejena standardizacija v primerjavi s PSNR in SSIM
• Občutljivost na parametre vpliva na doslednost meritev

Indeks podobnosti značilnosti (FSIM)

FSIM uporablja detekcijo značilnosti za perceptivno motivirano oceno kakovosti na podlagi fazne skladnosti in jakosti gradienta.

Metoda izračuna FSIM

Izvleček značilnosti:

1. Izračun fazne skladnosti za zaznavanje strukturnih značilnosti
2. Izračun jakosti gradienta za merjenje informacij o robovih
3. Generiranje zemljevidov značilnosti z združevanjem strukturnih in robnih značilnosti
4. Izračun podobnosti z uteženim primerjanjem značilnosti

Formula FSIM:

FSIM = Σ SL(x) * PCm(x) / Σ PCm(x)

Kjer:

• SL(x) = lokalna podobnost
• PCm(x) = največja fazna skladnost
• x = prostorska lokacija

Prednosti uporabe FSIM

Značilnosti FSIM:

• Ocenjevanje na podlagi značilnosti poudarja pomembne vizualne elemente
• Nižja računska zahtevnost kot pri VIF
• Dobra perceptivna korelacija s človeško oceno
• Robustna uspešnost pri različnih vsebinah

Posebna razmišljanja o kakovosti za stiskanje

Ocenjevanje kakovosti JPEG

Ocenjevanje stiskanja JPEG zahteva posebna razmišljanja:

Vrste artefaktov:

• Blokovni artefakti zaradi DCT kvantizacije
• Ringing okoli robov z visokim kontrastom
• Barvno razlivanje zaradi kromatskega podvzorčenja
• Komarji šum v teksturiranih območjih

Optimizacija kakovosti:

• Korelacija PSNR z močjo blokov
• Občutljivost SSIM na strukturna popačenja
• Perceptivna merila za oceno specifičnih artefaktov
• Prilagodljivo ocenjevanje glede na tip slike