Статья посвящена решению задачи выявления искажений на изображениях в системах компьютерного зрения. Искажения могут существенно снижать точность алгоритмов компьютерного зрения, приводя к ошибкам в распознавании объектов, ложным срабатываниям или пропуску критически важных событий. Традиционные методы обнаружения искажений включают анализ гистограмм яркости, частотных характеристик и пространственных градиентов. Однако большинство существующих решений либо имеют недостаточную точность, либо требуют значительных вычислительных ресурсов, что ограничивает их применение. В данной работе рассматривается гибридный подход к детекции искажений, сочетающий статистические методы анализа изображений и вычисление плотности оптического потока. Такой подход позволяет охватить большое количество различных видов искажений и эффективно обнаруживать их при минимальных вычислительных затратах, что особенно важно для систем реального времени. Для разработки подхода проанализированы методы обнаружения артефактных изображений: анализ яркости, проверка на низкую контрастность, обнаружение вертикальных полос, выявление блоковых искажений. Сравнительный анализ этих методов показал, что ни один из них не позволяет эффективно выявлять различные искажения на изображениях. Для повышения эффективности решения этой задачи предложено использовать комбинированный метод, включающий в себя все рассмотренные методы. Метод последовательно проверяет изображение на пересвеченные участки, низкую контрастность, вертикальные полосы и блоковые искажения, после чего формирует итоговый вывод. Если любой из детекторов выявляет значительные искажения, изображение помечается как артефактное. Для оценки эффективности предложенного метода было проведено его тестирование на выборке из 700 изображений, полученных с уличных камер видеонаблюдения города Казани. Половина изображений были без искажений, а другая половина - с различными видами искажений и с разной степенью их выраженности. По результатам тестирования выявлено 363 истинно положительных результатов классификации, 8 ложно положительных результатов и 329 истинно отрицательных. Рассчитаны значения метрик качества классификации: accuracy = 98,86%, precision = 97,84%, recall = 100% и F1-score = 98,91%. Полученные результаты позволяют судить о высокой эффективности комбинированного метода выявления искажений на изображениях. Результаты работы могут быть успешно применены в системах мониторинга с использованием видеонаблюдения и в других предметных областях, где критически важна высокая точность обработки изображений.
The article is devoted to solving the problem of detecting image distortions in computer vision systems. Distortions can significantly reduce the accuracy of computer vision algorithms, leading to errors in object recognition, false positives, or missing critical events. Traditional methods of distortion detection include the analysis of brightness histograms, frequency characteristics, and spatial gradients. However, most existing solutions either have insufficient accuracy or require significant computing resources, which limits their application. This paper considers a hybrid approach to distortion detection that combines statistical methods of image analysis and optical flow density calculation. This approach allows you to cover a large number of different types of distortions and effectively detect them with minimal computational costs, which is especially important for real-time systems. To develop the approach, methods for detecting artifact images were analyzed: brightness analysis, low contrast testing, vertical stripe detection, and block distortion detection. A comparative analysis of these methods showed that none of them allows you to effectively detect various distortions in images. To improve the efficiency of solving this problem, it is proposed to use a combined method that includes all the considered methods. The method sequentially checks the image for overexposed areas, low contrast, vertical stripes and block distortions, and then forms the final output. If any of the detectors detects significant distortions, the image is marked as artifactual. To assess the efficiency of the proposed method, it was tested on a sample of 700 images obtained from street surveillance cameras in the city of Kazan. Half of the images were without distortions, and the other half had various types of distortions and with varying degrees of their severity. Based on the testing results, 363 true positive classification results, 8 false positive results and 329 true negative results were identified. The following classification quality metrics were calculated: accuracy = 98.86%, precision = 97.84%, recall = 100% and F1-score = 98.91%. The obtained results allow us to judge the high efficiency of the combined method for detecting distortions in images. The results of the work can be successfully applied in monitoring systems using video surveillance and in other subject areas where high accuracy of image processing is critically important.