Оптична якість зображення та методи її визначення

Author(s) Collection number Pages Download abstract Download full text
Havrysh B., Logoida M., Partyka U., Polischuk M., Slyusarchuk O., Slyusarchuk Y., Tymchenko O.. № 2 (76) 46-56 Image Image

Основне завдання оцінки стану виробничих процесів ‒ отримання об’єктивної інформації про функціонування устаткування і виявлення резервів технології для інтенсифікації виробництва, підвищення його ефективності та якості, збільшення обсягів випуску продукції, зростання продуктивності праці, зниження усіх видів матеріальних і трудових витрат.

Всі оптичні прилади, незалежно від їх специфіки і призначення, обов’язково мають одну загальну фізичну характеристику, яка називається «роздільна здатність». Дана фізична властивість є визначальною для всіх без винятку оптичних та оптико-вимірювальних приладів.

Межею роздільної здатності називається мінімальна відстань між сусідніми деталями (точками) об’єкта, при якій зображення деталей вже не сприймаються як окремі елементи об’єкту, а зливаються в одне ціле. Чим меншою є ця відстань, тим, відповідно, вищою є роздільна здатність приладу. Роздільна здатність будь-якого оптичного приладу оцінюється за його апаратними функціями, що відображає всі фактори, які впливають на якість одержаного цим приладом зображення. До таких чинників, безумовно, в першу чергу належать аберація і дифракція – дифрагування світловими хвилями перешкод і, як наслідок, відхилення їх від прямолінійного напряму.

Якість оптичного зображення – ступінь відповідності геометричній, фотометричній та спектральній характеристикам зображення і предмета. Зображення повинно бути подібне до предмету не тільки за контуром, але і в кожній його точці: через аберації та дифракції зображення одержується розмите, і дрібна структура передається неправильно. Необхідно враховувати: при малому полі зору достатньо розглядати зображення за осьовою точкою, які повинні бути ідеальними; при художньому відтворенні дивляться відповідно за геометричними та спектральними характеристиками і необхідному коефіцієнті передачі кольору; оптичні системи, що використовуються в каналі зв›язку, повинні передавати і реєструвати максимальну кількість інформації, що надходить від об›єкта.

З урахуванням вимог загальної кваліметрії і показників властивостей, в стат­ті відтворено дерево властивостей цифрового відтворення поліграфічної продук­ції у вигляді графічної схеми. До показників фотографічних властивостей, що ха­рактеризують відтворення деталей зображення, належать неоднорідність дру­ку, градаційна точність і відтворення дрібних деталей. Неоднорідність друку за­звичай пов›язують з рівномірністю відтворення плашки (рівномірність друку) і наявністю сторонніх знаків, що в електрофотографічному процесі друкування визначається за значенням оптичної густини фону (оптична густина фону). Градаційна точність визначається за характером передачі півтонів (градація зображення) і рівню оптичної густини зображення.

doi: 10.32403/0554-4866-2018-2-76-46-56


  • 1. Peleshko D., Rak T., Izonin I. (2016). Image Superresolution via Divergence Matrix and Automatic Detection of Crossover. International Journal of Intelligent Systems and Ap­pli­ca­tions (IJISA). Vol. 8. No. 12. Pp. 1–8. DOI: 10.5815/ijisa.2016.12.01 (in English).
  • 2. Peleshko D., Rak T., Peleshko M., Izonin I. and Batyuk D. (2016). Two-frames image su­per­resolution based on the aggregate divergence matrix. 2016 IEEE First International Con­fe­rence on Data Stream Mining & Processing (DSMP). Lviv, Ukraine. Pp. 235–238. DOI: 10.1109/DSMP.2016.7583548 (in English).
  • 3. Pedersen M. and Hardeberg J. (2009). Survey of full-reference image quality metrics. Hogs­ko­len i Gjoviks rapportserie 5, The Norwegian Color Research Laboratory (Gjovik University Col­lege). ISSN: 1890-520X (in English).
  • 4. Norberg O., Westin P., Lindberg S., Klaman M., and Eidenvall L. (2001). A comparison of print quali­ty between digital, offset and flexographic printing presses performed on different paper qualities. International Conference on Digital Production Printing and Industrial Ap­pli­cations. Рр. 380–385. IS&Ts (in English).
  • 5. Keelan B. W. (2002). Handbook of Image Quality: Characterization and Prediction. Marcel Dekker, New York (in English).
  • 6. Halonen R., Nuutinen M., Asikainen R. and Oittinen P. (2010). Development and measurement of the goodness of test images for visual print quality evaluation. Image Quality and System Performance VII. Farnand S. P. and Gaykema F., eds., 7529, 752909–1–10. SPIE, San Jose, CA, USA (in English).
  • 7. Chun-Ming Tsai and Hsi-Jian Lee. (2002). Binarization of color document images via lu­mi­nan­ce and saturation color features. IEEE Transactions on Image Processing. Vol. 11. No. 4. Pp. 434–451 (in English).
  • 8. Pedersen M., Bonnier N., Hardeberg J. Y. and Albregtsen F. (2010). Attributes of image quali­ty for color prints. Journal of Electronic Imaging 19. 011016–1–13 (in English).
  • 9. CIE. Guidelines for the evaluation of gamut mapping algorithms. Tech. Rep. ISBN: 3-901-906-26-6, CIE TC8-03 (156:2004) (in English).
  • 10. Bonnier N., Schmitt F., Brettel H. and Berche S. (2006). Evaluation of spatial gamut mapping algorithms. Color Imaging Conference. 14. 56–61. IS&T/SID (in English).
  • 11. Cao G., Pedersen M. and Baranczuk Z. (2010). Saliency models as gamut-mapping artifact detectors. 5th European Conference on Colour in Graphics, Imaging, and Vision (CGIV), Joensuu, Fin­land. Рр. 437–443. IS&T (in English).
  • 12. Hardeberg J., Bando E. and Pedersen M. (2008). Evaluating colour image difference metrics for ga­mut-mapped images. Coloration Technology. 124. 243–253 (in English)
  • 13. Lissner J., Preiss P., Urban M. S., Lichtenauer and Zolliker P. (2013). Image-Difference Pre­dic­tion: From Grayscale to Color. IEEE Transactions on Image Processing. Vol. 22. No. 2. Pp. 435–446 (in English).
  • 14. Baranczuk Z., Zolliker P. and Giesen J. (2009). Image quality measures for evaluating gamut mapping. Color Imaging Conference. Albuquerque, NM, USA. Рр. 21–26. IS&T/SID (in English).
  • 15. Meng F., Li H., Liu G. and Ngan K. N. (2012). Object Co-Segmentation Based on Shortest Path Algorithm and Saliency Model. IEEE Transactions on Multimedia. Vol. 14. No. 5. Pp. 1429–1441 (in English).