تخمین کمترین تفاوت قابل درک با استفاده از برجستگی بصری در تصاویر

به‌علت وجود برخی محدودیت های فیزیولوژیکی و فیزیکی مختلف در مغز و چشم، دستگاه بینایی انسان (hvs) قادر به درک برخی تغییرات سیگنال بصری که دامنه آن ها از یک حد آستانه مشخص (موسوم به آستانه jnd) پایین تر باشند، نیست. در بیش‌تر پژوهش‌های موجود جهت تخمین آستانه jnd، حساسیت hvs در تمام صحنه یکسان در نظر گرفته شده و تاثیرات توجه بصری (va) ناشی از برجستگی بصری (vs) در این پژوهش‌ها لحاظ نشده است. مطالعات مختلف نشان داده اند که حساسیت بصری در نواحی برجسته که توجه بصری بیشتری را جلب می ‌کنند بیشتر بوده و لذا در آن نقاط آستانه jnd پایین تر است و بالعکس. در این مقاله مدلی محاسباتی برای تخمین jnd پیشنهاد می ‌شود که از رابطه بین jnd و برجستگی بصری برای بهبود تخمین آستانه jnd استفاده می‌ کند. این مدل با استفاده از یک مدل jnd یکنواخت کارآمد و با به ‌کارگیری یک تابع مدولاسیون غیر خطی مناسب، آستانه ‌های jnd پیکسل های مختلف در یک تصویر را با توجه به برجستگی بصری آن ها بهبود می‌دهد. تعیین پارامترهای تابع غیرخطی مدولاسیون در قالب یک مساله بهینه‌ سازی، مدل‌ سازی می ‌شود که حل آن منجر به یافتن مدل jnd بهبودیافته می‌شود. کلید کارآمدی روش پیشنهادی به‌کارگیری سازوکاری است که منجر به استفاده کارآمدتر از برجستگی بصری می ‌شود.آزمایش ‌های انجام‌گرفته نشان‌ دهنده برتری قابل ملاحظه روش پیشنهادی نسبت به روش‌ های مشابه موجود است.

Just Noticeable Difference Estimation Using Visual Saliency in Images

Due to some physiological and physical limitations in the brain and the eye, the human visual system (HVS) is unable to perceive some changes in the visual signal whose range is lower than a certain threshold socalled justnoticeable distortion (JND) threshold. Visual attention (VA) provides a mechanism for selection of particular aspects of a visual scene so as to reduce the computational load on the brain. According to the current knowledge, it is believed that VA is driven by ldquo;visual saliency rdquo;. In a visual scene, a region is said to be visually salient if it possess certain characteristics, which make it stand out from its surrounding regions and draw our attention to it. In most existing researches for estimating the JND threshold, the sensitivity of the HVS has been consider the same throughout the scene and the effects of visual attention (caused by visual saliency) which have been ignored. Several studies have shown that in salient areas that attract more visual attention, visual sensitivity is higher, and therefore the JND thresholds are lower in those points and vice versa. In other words, visual saliency modulates JND thresholds. Therefore, considering the effects of visual saliency on the JND threshold seems not only logical but also necessary. In this paper, we present an improved nonuniform model for estimating the JND threshold of images by considering the mechanism of visual attention and taking advantage of visual saliency that leads to nonuniformity of importance of different parts of an image. The proposed model, which has the ability to use any existing uniform JND model, improves the JND threshold of different pixels in an image according to the visual saliency and by using a nonlinear modulation function. Obtaining the parameters of the nonlinear function through an optimization procedure leads to an improved JND model. What make the proposed model efficient, both in terms of computational simplicity, accuracy, and applicability, are: choosing nonlinear modulation function with minimum computational complexity, choosing appropriate JND base model based on simplicity and accuracy and also Computational model for estimating visual saliency that accurately determines salient areas, Finally, determine the Efficient cost function and solve it by determining the appropriate objective Image Quality Assessment. To evaluate the proposed model, a set of objective and subjective experiments were performed on 10 selected images from the MIT database. For subjective experiment, A Two Alternative Forced Choice (2AFC) method was used to compare subjective image quality and for objective experiment SSIM and IWSSIM was used. The obtained experimental results demonstrated that in subjective experiment the proposed model achieves significant superiority than other existing models and in objective experiment, on average, outperforms the compared models. The computational complexity of proposed model is also analyzed and shows that it has faster speed than compared models.