|
数字图像采集的发展得益于技术的发展，以及越来越广阔的数字图像市场的价格优势。然而，随着网络交互时代的到来，标准文件格式和元数据在可变性和兼容性方面做出了大量与技术相关的选择和考虑。对于大多数图像采集方案而言，为增加数字图像内容的效用、减少可变性，我们提出了十个基本原则。 在图像转换方案中，以下的建议旨在为确定和维持成像性能提供指导。专门从事成像的技术人员能够很好地理解每一个建议的秘诀(有时也会进行讨论)，但对于像在博物馆、图书馆和其他类似机构工作的更广泛的客户来说，这些秘诀并不总是很清楚。项目经理有时会询问技术部员工和影像服务提供商一些问题，这些小建议可以作为解答这类问题的基础。 1.扫描图像时要核实其成像性能 在数字化工作流程中，或许最重要的功能是提供一种核实交付图像成像性能的方法。不管是比较不同的扫描仪还是选择服务供应商，这都是适用的。要求的采样率(即每英寸的像素数)实际达到了吗?光学分辨率和采样率一致吗?色彩编码在什么程度上和期望的要求不同?这些问题需要确定成像单元的可测量目标——不管是以内部还是外包的形式。更重要的是，它们是实时生产控制和接受审计，即良好的质量控制的基础。请记住，正因为其内容以数字形式存在，所以不允许有错误产生。 成像性能测量系统也可以用来实施成像改善计划。然而，一旦开始实施此系统，就会在结果解释及纠正等方面出现问题。下面的建议和意见旨在在这一领域为大家提供帮助。 2.成像性能和图像质量不同 在文化遗产项目中，图像采集的共同目标是得到高质量的图像。作为一个目标，有这项声明可能就足够了，但在评价一个已经完成的成像性能以及改善成像性能的测量系统时，这项声明一般是不会有帮助的。此外，整体的图像质量一般理解为视觉印象，它由清晰度、饱和度和个人喜好等组成。在本报告中，我们提到了用物理成像参数描述成像性能。虽然它的特别接受性水平通常由系统的图像质量要求决定，但物理成像参数把技术选择和结果解释联系到一起。比如，图像清晰度是一种视觉印象;镜头MTF是和图像清晰度、光学设计、调整相关的物理成像参数。 3.图像采样和图像分辨率不同 图像采样表示数码相机或扫描仪在一个特定水平的像素之间的采样间隔。通常用像素/毫米或像素/英寸来表示。分辨率意味着成像部件或系统精确区分空间细节的能力。对于(采样的)数字图像来说，采样率(或者一部数码相机的百万像素分辨率)为捕捉图像细节设置了分辨率的上限。图像传感器的尺寸和构造通常决定图像采样，其他部分也会影响交互图像的清晰度和分辨率。 为理解这一点，考虑一下对焦良好的带镜头的数码相机。取景后，若镜头的焦点位置发生变化，那么就不能很好地对焦。如果我们比较这两种图像文件，它们会有相同的图像采集情况(和像素数)，但在电脑显示器或印刷品上观察时，第二幅数字图像会显得不够清晰，分辨率比较低。 评价数码相机或扫描仪分辨率的一个完善的方法是由ISO12233标准制定的。最初制定这个评价方法是针对数码相机的，现在它也应用于胶片、扫描仪和CRT显示器等。图1显示了上述方法应用在数码相机对焦实验的结果。由此产生的空间频率响应(SFR)是空间频率的函数。较低的虚线表示图像细节信息(如由于光学对焦不准产生的有限分辨率)的有效损失。 4.色彩和阶调的单刺激视觉估计是不可靠的 在成像领域工作一段时间后，人们必定会发现这方面的例子：在具有相同物理刺激的自然取景条件下，我们在感知显著的色彩和明度差异时很容易受骗。大多数这样的错觉都是由视觉系统复杂的时空适应性响应引起的。图2显示了一个采集样品的实例。 尽管就感知的明度而言，这些影响是真实的。但当解释为辐射差异时，它们很容易被误解。观察环境、观察者的变化和个人喜好都是主要的影响因素。至于系统评价，我们建议在同样的观察条件下使用双重刺激视觉评价。 我们也应谨慎评价图像的微观结构。比如，可用特征对比来评价视觉分辨率：对比度越高，分辨率越高。另一个在传统摄影中众所周知的问题是尺寸、形状和目标特征可以评价图像分辨率产生偏差的程度。当经典的条形色靶评价极限分辨率时，观察者对于要检测的线条数量会有基本的了解。这会使评价产生偏差，线条的长度不同，结果也会改变。较长的线条会使估计的分辨率较高。 尽管此处谈论的是极限分辨率，但我们也要考虑整体图像的清晰度。图3给出了火车站的两幅图片。左图用数字锐化过滤器处理，右图用未经锐化的对焦很好的数码相机拍摄。根据扩大的钟面，我们可知右图的极限分辨率较高，这和我们期望的一致。然而，左图给人的印象却更为清晰。 通过SFR绘图、用每幅数字图像中的边缘特征进行计算可以很容易地理解这些。有人提议，将SFR值减少到10%作为极限分辨率的测量方法。箭头表示和相应的钟面一致的相关值。然而，另一个测量手段——锐度，也用来预测图像的清晰度。这个整合的频率加权测试方法是视觉距离的函数。但当观察这两幅图像时，较低频率处的较高响应表明，左图具有较高的清晰度。 5.空间图像的视觉评价是可靠的 检测扫描图像不良性能的一个很好的方法是视觉认识能力。它是由Brill，Kim和Branch提出的，用于评价数字图像性能。 视觉认识能力：用于解释和构成视觉信息的后天形成的能力。视觉上有认识能力的人能够解释看到的物体，从而检测非自然或不期望得到的效果，并找出导致性能变化的潜在根源。 正如在上一节中说明的，用单刺激视觉评价解释色彩和阶调是不可靠的。然而，对带有信号和噪声的空间图像这么做是可靠的、有价值的。这是因为，和数字成像联系在一起的空间和噪声图像通常发生在局部的区域。显示时，很多嫌疑区域在同一个视觉区域之内，很多变量(如方向性差异)可以很容易地被检测出来。实际上，我们可以迅速评价出现在眼前的很多刺激，同时观察提高了检测空间可变性的机会。但仅此一点可能还不够，正如定义所阐释的，某些图像等级鉴别和预期效果方面的知识是必须的。 JPEG方块效应是这方面的一个经典例子。一个比较好的初始化取景器可以检测这样的方块效应。此处最重要的观察是：图像中不会自动产生8像素×8像素的方块。对最近的JPEG2000方法的改进是，用更多看起来自然的纹理代替固定的8像素×8像素或16像素×16像素的方块。 视觉检测的另一个例子是，数码相机采用一个彩色滤波阵列(CFA)，检测色彩重构错误产生的令人讨厌的方块效应。图4举的例子是这些重构错误导致出现了一个不期望的彩色棋盘状图案。数字图像通过在传感器上对连续的光学图像进行采样、在显示器或打印机上进行重构(重构只是其中的一种方式)传递图像信息。左边的图像是镜头的光学质量和传感器的抽样相匹配的结果。右边的图像表明重构不理想(包括色彩差值在内)，这是对光学图像抽样不足(即分辨率低)，即走样导致的。 大块的均匀区适合协助人眼检测可疑的成像行为。在均匀区，我们期望噪声和纹理是均匀分布的。图5展示的例子是噪声纹理以一种周期性的、可预测的方式变化。人们应该能够看到由其他均匀区域的高低噪声纹理定义的网格状图案。除常规工具之外，完成这些特性的自动检测还需要分析软件工具。
|
