Сравнение метода нелинейной контраст-сохраняющей визуализации мультиспектральных изображений с известными алгоритмами деколоризации

Дмитрий Сергеевич Сидорчук,Владислав Владимирович Волков,Артем Владимирович Никоноров

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Сравнение метода нелинейной контраст-сохраняющей визуализации мультиспектральных изображений с известными алгоритмами деколоризации

Д. С. Сидорчук,

В. В. Волков,

А. В. Никоноров

2019-12-23

https://doi.org/10.24108/preprints-3111947

В работе исследуется метод нелинейной контраст-сохраняющей визуализации мультиспектральных изображений. Этот метод был предложен Соколинским и Вульфом и заключается построении изображения, градиентное поле которого наиболее соответствует псевдоградиентному полю мультиспектральных контрастов. Для этого используется критерий относительной ошибки, называемый нелинейным критерием Соколова. Для оценки качества описанного метода мы обращаемся к задаче деколоризации. Мы предлагаем модификацию показателя качества E-score, нацеленную на измерение сохранности локальных контрастов. Проведены эксперименты с использованием общедоступного набора цветных изображений Color250. Результаты показывают, что при использовании модифицированного показателя E-score метод сохранения локального контраста превосходит другие методы в задаче деколоризации цветного изображения.

Ссылка для цитирования:

Сидорчук Д. С., Волков В. В., Никоноров А. В. 2019. Сравнение метода нелинейной контраст-сохраняющей визуализации мультиспектральных изображений с известными алгоритмами деколоризации. PREPRINTS.RU. https://doi.org/10.24108/preprints-3111947

Список литературы

1. Alsam A., Drew M. (2009) Fast multispectral2gray. Journal of Imaging Science and Technology 53(6):60401–1.

2. Cadik M. (2008) Perceptual evaluation of color-to-grayscale image conversions. In: Computer Graphics Forum, Wiley Online Library, vol 27, pp. 1745–1754.

3. Chen H.-C., Wang S.-J. (2004) The use of visible color difference in the quantitative evaluation of color image segmentation. In: Acoustics, Speech, and Signal Processing, 2004. Proceedings.(ICASSP’04). IEEE International Conference on, IEEE, vol 3, pp. iii–593.

4. Di Zenzo S. (1986) A note on the gradient of a multi-image. Computer vision, graphics, and image processing 33(1):116–125.

5. Drew M. S., Connah D., Finlayson G. D., Bloj M. (2009) Improved colour to greyscale via integrability correction. In: Human Vision and Electronic Imaging XIV, International Society for Optics and Photonics, vol 7240, p. 72401B.

6. Duan H.-w., Zhu R.-g., Yao X.-d., Lewis E. (2017) Sensitive variables extraction, nondestructive detection and visualization of total viable count (tvc) and ph in vacuum packaged lamb using hyperspectral imaging. Analytical Methods 9(21):3172–3183.

7. Gooch A. A., Olsen S. C., Tumblin J., Gooch B. (2005) Color2gray: salience-preserving color removal. ACM Transactions on Graphics (TOG) 24(3):634–639.

8. Grundland M., Dodgson N. A. (2007) Decolorize: Fast, contrast enhancing, color to grayscale conversion. Pattern Recognition 40(11):2891–2896.

9. Hayes A. E., Finlayson G. D., Montagna R. (2015) Rgb-nir color image fusion: metric and psychophysical experiments. In: Image Quality and System Performance XII, International Society for Optics and Photonics, vol 9396, p. 93960U.

10. Hunter R. S. (1958) Photoelectric color difference meter. Josa 48(12):985–995.

11. Jin Z., Ng M. K. (2015) A contrast maximization method for color-to-grayscale conversion. Multidimensional Systems and Signal Processing 26(3):869–877.

12. Jordan J., Angelopoulou E., Maier A. (2016) A novel framework for interactive visualization and analysis of hyperspectral image data. Journal of Electrical and Computer Engineering 2016:2.

13. Kim Y., Jang C., Demouth J., Lee S. (2009) Robust color-to-gray via nonlinear global mapping. ACM Transactions on Graphics (TOG) 28(5):161.

14. Liao D., Qian Y., Zhou J., Tang Y. Y. (2016) A manifold alignment approach for hyperspectral image visualization with natural color. IEEE Transactions on Geoscience and Remote Sensing 54(6):3151–3162.

15. Lu C., Xu L., Jia J. (2012) Contrast preserving decolorization. In: Computational Photography (ICCP), 2012 IEEE International Conference on, IEEE, pp. 1–7.

16. Lu C., Xu L., Jia J. (2014) Contrast preserving decolorization with perception-based quality metrics. International journal of computer vision 110(2):222–239.

17. Montagna R., Finlayson G. D. (2013) Reducing integrability error of color tensor gradients for image fusion. IEEE Transactions on Image Processing 22(10):4072-4085.

18. Smith K., Landes P.-E., Thollot J., Myszkowski K. (2008) Apparent greyscale: A simple and fast conversion to perceptually accurate images and video. In: Computer Graphics Forum, Wiley Online Library, vol 27, pp. 193–200.

19. Socolinsky D. A., Wolff L. B. (1999) A new visualization paradigm for multispectral imagery and data fusion. In: Computer Vision and Pattern Recognition, 1999. IEEE Computer Society Conference on., IEEE, vol 1, pp. 319–324.

20. Sokolov V., Nikolaev D., Karpenko S., Schaefer G. (2010) On contrast-preserving visualisation of multispectral datasets. In: International Symposium on Visual Computing, Springer, pp. 173–180.

21. Zhao W., Xu Z., Zhao J. (2016) Gradient entropy metric and p-laplace diffusion constraint-based algorithm for noisy multispectral image fusion. Information Fusion 27:138–149.

ПРЕПРИНТ

ИНФОРМАЦИЯ