视觉分辨能力度量
视觉明度的韦伯分数
视觉明度的韦伯分数视觉明度是指人眼对物体表面的明暗程度的感觉，是视觉系统中最基本、最重要的感知之一。
在心理学和视觉研究中，韦伯分数是一种常用的度量单位，用于表示视觉明度的相对大小。
本文将对韦伯分数的概念、计算方法以及在视觉研究中的应用进行详细介绍。
一、韦伯分数的概念韦伯分数（Weber fraction）是由德国心理学家赫尔曼·冯·韦伯（Hermann von Helmholtz）于19世纪提出的一个概念，用于描述感觉强度与刺激强度之间的关系。
韦伯分数是一个无量纲的数值，表示感觉强度与刺激强度之间的比率关系。
在视觉明度研究中，韦伯分数通常用来表示人眼对不同明度等级的敏感程度。
二、韦伯分数的计算方法韦伯分数的计算方法如下：1. 选择一个明度等级作为标准，例如，选择中等亮度的灰色作为标准。
2. 将标准明度等级的刺激强度设为1个韦伯单位。
3. 测量其他明度等级的刺激强度，并将其转换为韦伯单位。
4. 计算其他明度等级的刺激强度与标准明度等级刺激强度的比值，得到各个明度等级的韦伯分数。
需要注意的是，韦伯分数是一个相对值，它表示的是感觉强度与刺激强度之间的比率关系，而不是绝对的感觉强度或刺激强度。
因此，韦伯分数具有尺度不变性，即在不同的刺激范围内，韦伯分数可以保持不变。
三、韦伯分数在视觉研究中的应用韦伯分数在视觉研究中具有广泛的应用，主要包括以下几个方面：1. 视觉明度的定量分析：通过测量不同明度等级的刺激强度和对应的韦伯分数，可以对视觉明度进行定量分析，了解人眼对不同明度等级的敏感程度。
这对于视觉系统的研究、视觉适应的研究以及视觉错觉的研究具有重要意义2. 视觉系统的比较研究：通过比较不同个体或不同物种的韦伯分数，可以了解不同个体或物种在视觉明度感知方面的差异。
这对于研究视觉系统的进化、发育以及病理变化等方面具有重要价值。
3. 视觉信息处理的研究：通过研究韦伯分数在不同任务条件下的变化，可以了解视觉信息处理过程中对明度信息的敏感性和选择性。
视觉方法和理论
1、感受器理论 最小视角的大小，根据视网膜上单位面积所包 含的光感受器的数目多少而定 光感受器的体积愈小，或细胞排列密度愈大， 则细胞之间的距离就减少，所测得的最小视角 也随之变小。
1、感受器理论 黄斑中心凹的视力最好 离开黄斑中心凹视力明显下降 如偏离中央0.25°，视力大约降低一半 愈向周边愈降低 待到中心凹边缘5°时，视力只有0.3。
三、 影响视力的因素 1、 屈光不正 屈光不正使结在视网膜上的像(相对于远物而言) 产生离焦效果,导致成像不清而影响视力。
2、视网膜偏心 物体在视网膜上能正确结焦后，尚须有完善 的视网膜感光细胞及其神经连接系统接受视觉 信息，视网膜中心窝处是锥体细胞最丰富的部 位，只有当物象落在中心窝处时，其视力才会 是最好的，即所谓中心视力。如因某种因素， 物象不落在中心窝, 而是中心窝旁的某处，则 视力会下降，称为偏心视力。
任何影响人眼视路完整性的病变均有可能影响 视力。
第四节
近视力和近视力表
通常将40cm作为近视力的标准检查距离。如 果近视力表的设计和照明等条件与远视力表相 当，且眼球能正常调节或已屈光矫正使得视网 膜像清晰聚焦，那么近视力应该与远视力相等。 但也有例外的，比如有前囊下白内障的患者， 由于视近时瞳孔缩小，白内障几乎完全充满瞳 孔区，从而近视力下降。
三、近视力检查
［目的］ 衡量视觉系统在阅读距离能辨别微 小视标的能力。 ［设备］ 近视力表(或阅读视力卡) ［准备］ 被测者裸眼检查或配戴常规的远矫 正眼镜(或角膜接触镜)，视力表和被测者的距 离为40cm，良好的阅读物照明。
［步骤］ 1.被测者手持遮眼板遮一只眼并不要眯眼睛， 先测右眼，后测左眼。 2.展示视力表，鼓励被测者尽量读出尽可能小 的字直到在一行中有半数的字读错，该行的上 一行就是该被测者的视力。 3.遮盖另一只眼重复以上测量。 ［结果］ 记录测试的实际值。
分辨力指标
分辨力指标
分辨力指标是用来衡量一个系统或设备的分辨能力的指标。
在不同领域中，分辨力指标可能有所不同，下面列举几个常见的分辨力指标：
1. 图像分辨力：用于评估相机或显示器的图像清晰度和细节程度。
常见的指标有像素数、像素密度和图像对比度等。
2. 音频分辨力：用于评估音频设备的声音清晰度和细节还原能力。
常见的指标有频率响应范围、信噪比和失真程度等。
3. 光学分辨力：用于评估光学设备（如显微镜、望远镜）的观察能力和细节分辨能力。
常见的指标有最小可分辨细节、放大倍数和视场宽度等。
4. 传感器分辨力：用于评估传感器（如摄像头、雷达）对目标细节的感知能力。
常见的指标有分辨率、灵敏度和动态范围等。
5. 数据分辨力：用于评估数据处理系统对数据中信息的提取和辨别能力。
常见的指标有准确度、精确度和误差率等。
以上只是一些常见的分辨力指标，不同领域和具体应用还可能有其他特定的指标。
准确评估分辨力需要考虑多个因素，并根据具体需求选择适合的指标进行测量和比较。
分辨力的计算方法
分辨力的计算方法分辨力是指人眼或仪器所能辨别出两个物体之间的最小分隔距离或物体细节的能力。
分辨力的计算方法可以根据不同的情况和使用的设备来确定。
下面将介绍几种计算分辨力的常见方法。
a.视角分辨力：计算人眼所能够分辨出物体在视野中的最小分离角。
视角分辨力的计算公式为：视角分辨力=视距×视角分辨力角度。
其中，视距是指观察者与被观察物体之间的距离，视角分辨力角度是指通过眼睛能够分辨出的最小角度。
在正常人的视角下，视角分辨力角度约为1/60度。
b.细节分辨力：计算人眼或者相机能够分辨出的最小线宽或最小细节大小。
细节分辨力的计算公式为：细节分辨力=1.22×λ/α。
其中，λ表示光的波长，α表示光的入射角度。
细节分辨力也可以通过角分辨力和视角来计算，公式为：细节分辨力=角分辨力×视角。
a.显微镜分辨力：计算显微镜能够分辨出的最小细节大小。
显微镜的分辨力与波长和镜头的孔径有关。
显微镜的分辨力公式为：分辨力=1.22×(λ/NA)。
其中，λ表示入射光的波长，NA表示数值孔径。
b.望远镜分辨力：计算望远镜能够分辨出的最小夹角。
望远镜的分辨力与波长和光学系统的放大倍数有关。
望远镜的分辨力公式为：分辨力=1.22×(λ/D)。
其中，λ表示入射光的波长，D表示望远镜的口径。
c.摄像机分辨力：计算摄像机能够分辨出的最小像素大小。
摄像机的分辨力与像素大小和图像传感器的像元尺寸有关。
摄像机的分辨力公式为：分辨力=图像传感器的像素尺寸/适当的放大尺寸。
3.人眼分辨力的影响因素a.视力矫正：眼球的屈光力不正常时，会影响视力和分辨力。
通过配戴眼镜或隐形眼镜可以矫正屈光不正，提高视野的清晰度和分辨力。
b.光线环境：光线暗或者强光照射下，人眼的分辨力都会受到影响。
适当的照明条件下，分辨力会更好。
c.眼球疲劳：长时间近距离工作，如长时间盯着电脑屏幕，容易造成眼部疲劳，影响分辨力。
总的来说，分辨力的计算方法是根据不同情况和使用的设备来确定的。
人眼的极限分辨角和视觉锐度的关系
人眼的极限分辨角和视觉锐度的关系人眼的极限分辨角和视觉锐度是两个基本的视觉概念，它们之间存在着紧密的关系。
首先，我们需要明确什么是极限分辨角和视觉锐度。
极限分辨角指的是人眼所能区分出的两个相邻物体之间的最小角度差。
简单说就是人眼所能看到的最小间隔角。
它是关于人眼视觉系统的一个重要参数，也是人眼视觉系统的一个极限指标。
视觉锐度是指人眼看清物体的清晰度。
当我们看清一个物体时，我们可以看到物体上的一些细节，这是因为我们的视觉系统对光线的屏蔽和衍射能力。
视觉锐度是衡量我们看到物体细节清晰度的一个指标。
然后，我们来探讨极限分辨角和视觉锐度之间的关系。
人眼的极限分辨角与视觉锐度有着密切的关系。
视觉锐度越高，人眼的极限分辨角就越小。
这是因为视觉锐度的提高意味着人眼对细节的分辨能力更强，人眼可以看到更小的间隔角。
视觉锐度的衡量通常用视力来表示。
视力是人眼对物体细节的分辨能力的度量。
视力是通过人眼在固定距离下能够分辨出两个相邻物体的最小角度差来判断的。
因此，视力越好，表示人眼的分辨能力越强，极限分辨角也就越小。
视觉锐度和极限分辨角还受到一些其他因素的影响。
首先是视网膜和大脑对光线的处理能力。
视觉锐度和极限分辨角受到视觉神经通路的影响。
大脑的处理能力越好，视觉锐度和极限分辨角就越高。
其次是光线的影响。
光线的强弱、光线的颜色等都会对视觉锐度和极限分辨角产生影响。
正常情况下，足够强度的光线可以提高视觉锐度和分辨角。
而过强或过弱的光线都可能导致视觉锐度下降和极限分辨角增大。
此外，还有年龄对视觉锐度和极限分辨角的影响。
随着年龄的增长，人眼的视觉系统会发生一些变化，视觉锐度和极限分辨角会逐渐下降。
老年人通常会出现视力减退的情况，这就是因为视觉锐度和极限分辨角下降的结果。
综上所述，人眼的极限分辨角和视觉锐度之间存在着紧密的关系。
视觉锐度的提高意味着人眼对细节的分辨能力更强，极限分辨角也就越小。
视觉锐度和极限分辨角受到多种因素的影响，包括视觉神经通路、光线的强度和颜色以及年龄等。
人眼的分辨率与带宽，人脑的存储量，人脑的计算速度
人眼的分辨率与带宽，人脑的存储量，人脑的计算速度人眼分辨率当空间平面上两个黑点相互靠拢到一定程度时，离开黑点一定距离的观察者就无法区分它们，这意味着人眼分辨景物细节的能力是有限的，这个极限值就是分辨率。
研究表明人眼的分辨率有如下一些特点:①当照度太强、太弱时或当背景亮度太强时，人眼分辨率降低。
②当视觉目标运动速度加快时，人眼分辨率降低。
③人眼对彩色细节的分辨率比对亮度细节的分辨率要差，如果黑白分辨率为1，则黑红为0.4，绿蓝为0.19。
目前科学界公认的数据表明，观看物体时，人能清晰看清视场区域对应的分辨率为2169X1213。
再算上上下左右比较模糊的区域，人眼分辨率是6000X4000。
那么，2169X1213是怎么计算出来的呢?人观看物体时，能清晰看清视场区域对应的双眼[视角]大约是35°(横向)X20°(纵向)。
同时人眼在中等亮度，中等对比度的[分辨力(d)]为0.2mm，对应的[最佳距离(L)]为0.688m。
其中d与L满足tg(θ/2)=d/2L，θ为[分辨角]，一般取值为1.5'，是一个很小的角。
将视场近似地模拟为地面为长方形的正锥体，其中锥体的高为h=L=0.688m，θ1=35°(水平视角)，θ2=20°(垂直视角)。
以0.0002m为一个点，可以得知底面长方形为2169X1213的分辨率。
索尼7680×4320超高清晰分辨率的未经压缩的18分钟未经压缩的超高清视频大小为3.5TB，平均每分钟194GB按照这个数据量偶算过，每分钟经过人眼的数据量约为140.34GB。
也就是说，平均打一个小时的XBOX360，将有8420.4GB的数据被传导到大脑。
这些数据如果刻成蓝光光碟，需要337张!而如果把人眼想象成一个高清摄像头，这个摄像头的总线带宽为2.339GB/秒，换算为更形象的网卡速率，应该为19161M网卡。
当然，这只是人脑在同一时刻处理的视频数据所占用的带宽，还不包括音频，温度，气味数据。
视知觉功能评估的内容
视知觉功能评估的内容
视知觉功能评估的内容主要包括以下几个方面：
- 视觉辨识：分辨图像特征的能力，例如图形的形状、位置、样式、方向、颜色等。
- 视觉记忆：在看到视觉影像一小段时间后再辨识视觉影像的能力。
- 空间关系：感知物体的位置以及与其他物体的位置关系，例如旋转、反转等。
- 形状一致性：在不同环境或是不同的位置、大小或样式都能辨认出相同影像的能力，辨识不同字体的字。
- 顺序记忆：孩子看到有顺序排列的影像一段时间后，再辨识出影像顺序的能力，例如一段句子、数字、字母、图像等。
- 视觉主题-背景：在复杂的背景中或是在多样图形中找到目标影像的能力，例如在文章中找指定的字或是在超市商品架中找到要的物品。
- 视觉完形：孩子会看到一个图像的部分影像时，能辨识出完整的物体影像的能力，例如黑板上的字被擦去部分时，仍可辨识出完整的字。
如你想了解更多视知觉功能评估的内容，建议咨询专业医生。
计算机视觉识别算法精度 常用方法
计算机视觉识别算法精度常用方法计算机视觉识别算法是指通过计算机对图像或视频进行处理和分析，从中提取出有用的信息，实现对图像或视频内容的自动识别和理解。
算法的精度是衡量算法性能的重要指标，它反映了算法对于不同类别的目标识别的准确程度。
计算机视觉识别算法的精度可以通过多种方法进行评估和计算。
下面将介绍一些常用的方法：1. 准确率（Accuracy）：准确率是最常用的评估指标之一，它表示算法在所有样本中正确分类的比例。
计算准确率的方法是将算法预测正确的样本数除以总样本数。
准确率越高，说明算法识别的准确性越好。
2. 精确率（Precision）：精确率是指算法在被识别为正例的样本中，真正为正例的比例。
计算精确率的方法是将算法预测为正例且正确的样本数除以算法预测为正例的样本数。
精确率越高，说明算法的误识别率越低。
3. 召回率（Recall）：召回率是指算法在所有正例中，能够正确识别出的比例。
计算召回率的方法是将算法预测为正例且正确的样本数除以真实正例的样本数。
召回率越高，说明算法对于正例的识别能力越强。
4. F1值（F1-Score）：F1值是综合考虑精确率和召回率的评价指标。
它是精确率和召回率的调和平均值，计算公式为：F1 = 2 * (Precision * Recall) / (Precision + Recall)。
F1值越高，说明算法在精确率和召回率上的表现越好。
5. 混淆矩阵（Confusion Matrix）：混淆矩阵是一种可视化评估算法性能的方法。
它是一个二维矩阵，行表示真实标签，列表示预测标签。
混淆矩阵的每个元素表示算法将真实标签预测为对应列标签的次数。
通过分析混淆矩阵，可以直观地了解算法在各个类别上的识别情况。
除了上述方法，还有一些其他的评估指标和方法，例如ROC曲线、AUC值等。
不同的评估方法适用于不同的应用场景和问题，可以根据具体情况选择合适的评估方法。
在实际应用中，为了提高计算机视觉识别算法的精度，可以采取以下方法：1. 数据预处理：对原始图像或视频进行预处理，如图像增强、去噪等，可以提高算法对图像的识别能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
课程设计视觉分辨能力度量图像与图像处理的生理基础是人类视觉。
没有人类视觉也就没有图像，更没有图像处理。
人类视觉的分辨率限制的补偿和利用，在一些学科的理论、技术和相关产业的发展中起了决定性的作用。
如光是能引起人类视觉的电磁波或光量子，光学学科的存在，完全是因为有人类视觉的存在。
世界本无色，色是人类视觉的一种感觉，因此色是一种心理物理量。
在人类视觉生理物理学文献中，报道了人类视觉的空间分辨率限制(不能分辨视角小于1′的两点)、时间分辨率限制(不能分辨时间间隔小于0.1″出现的两幅不同图像)和频率(波长)分辨率限制(不能分辨波长差小于5 nm的两种颜色)，但是没有对比度分辨率限制的测定方法和数据报道，特别是基于计算机数字技术的测定方法和数据报道。
人类视觉的时间分辨率限制的利用，奠定了现代影视学理论和技术以及相关产业的视觉生理学基础。
没有人类视觉的时间分辨率限制，现代电影、电视、动画等诸多影视技术及相关产业都将成为乌有。
人类视觉的空间分辨率限制的补偿，奠定了现代显微学理论和技术以及相关产业的视觉生理学基础。
没有人类视觉的空间分辨率限制的存在，现代光学显微、电子显微、原子力显微等诸多显微技术及相关产业也都将成为乌有。
可以预料，弥补和利用人类视觉的对比度分辨率限制，也可产生出与之相关的理论、技术和产业，如底层图像挖掘、隐藏和伪装以及反隐身、反隐形和不依赖于红外的夜视系统等。
图像识别技术被广泛应用，并且在各个领域发挥着极其重要的作用。
好的识别技术是关键所在，怎么样提高识别率和识别的速度意义重大，直接关系到图像识别的实用性和安全性。
因此，本文将对图像的分辨能力进行度量，以更精确的描述人的视觉分辨能力强弱。
一、视网膜视网膜就像一架照相机里的感光底片，专门负责感光成像。
当我们看东西时，物体的影像通过屈光系统，落在视网膜上。
视网膜是一层透明薄膜，因脉络膜和色素上皮细胞的关系，使眼底呈均匀的橘红色。
后界位于视乳头周围，前界位于锯齿缘，其外面紧邻脉络膜，内面紧贴玻璃体。
在观察客观物体时，光线通过角膜、虹膜和晶状体，投影到眼球后方的视网膜的中心凹区及其周围。
然后，视网膜上的感光细胞受到这些强度不同的光信号刺激后产生强度不同的生物电信号。
这些电信号将由视神经传递到大脑的视觉中枢做进一步处理。
眼球结构图二、图像处理图像是多媒体信息时代的主要数字信息资源。
如何从海量的图像数据中迅速而准确地搜寻到我们所需的信息成为研究热点。
作为一个高级视觉信息感知系统，人类视觉系统能高效地处理图像内容。
因此，研究人类视觉系统的视觉信息感知特性能有效提升计算机处理图像的能力。
本文探索了人类视觉系统的感知特性，重点探讨了视网膜的视觉关注特性、视觉感知过程中的视觉分辨能力，并研究了其在数字图像处理中的建模及应用，主要包括包括图像恰可识别失真阈值估计算法。
在视觉信息感知初期，人类视觉系统并非对所有图像区域平等地进行处理，而是通过视觉关注机制筛选出重要区域以进行进一步的优先解读。
基于视觉关注的图像显著性检测算法能有效减少待处理图像内容，从而提升图像处理效率。
对于输入视觉信息的感知过程中，由于视觉系统的分辨能力有限，无法察觉出处于一定阈值以下的信号内容变化。
恰可识别失真阈值表征视觉系统感知能力，可有效去除图像冗余信息，从而提升图像压缩性能。
三、恰可识别阈值（JND）人类视觉系统对视觉信息的感知是一个非均匀、非线性的信息处理过程，而且对不同的图像内容具有不同的分辨能力。
主观感知研究表明，人类视觉系统无法察觉到处于一定阈值以下的图像内容变化，该阈值称为恰可识别失真(Just Noticeable Distortion, JND) 阈值。
图像内容的JND 阈值度量对提升图像压缩比、信息隐藏等性能具有重要的指导意义。
JND 阈值主要取决于视觉对图像内容的背景亮度敏感性、对比度掩模、纹理掩模、模块掩膜等。
恰可识别失真(JustNoticeableDistortion,JND)[阈值反映了人类视觉系统的感知能力及敏感度，该阈值可用于图像压缩、质量评价、水印等领域。
在最近十几年中，一系列基于变换域及时域的JND 阈值计算模型被提出。
变换域的JND 阈值计算往往在DWT 域及DCT 域的次能带上进行，这些模型主要考虑对比度敏感方程(Contrast Sensitivity Function, CSF)、亮度适应性及空域掩模等因素的作用。
在计算JND 阈值时，输入图像首先将被划分为固定大小的块(如8×8 的块) 来进行领域转换；然后对每块进行JND 阈值计算。
由于切块操作会在一定程度上破坏图像内容间的空域相关性，因此基于变换域的JND阈值计算模型无法有效估计空域结构特性所引起的空域掩模效应。
考虑到像素间的空域相关性，基于空域的JND 阈值计算模型直接根据每个像素与其周围像素的空域相关性来计算每个像素点的JND 阈值。
基于空域的JND阈值计算模型主要考虑亮度适应性和空域掩模这两方面的影响。
亮度适应性模型主要考虑人类视觉系统对不同亮度的敏感度。
亮度适应性方程可根据韦伯定理推导获得，该定理能准确反映视觉感知特性，且已被广泛应用于基于空域的JND 阈值计算模型中。
然而，边缘区域仅能隐藏非常少的噪声，因为人类视觉系统对边缘区域特别敏感[98,99]。
Yang 等人通过对边缘区域加以保护，从而改进Chou 等人的JND 阈值计算模型。
在Yang 等人提出的模型中，Canny 边缘检测算子被用来检测图像边缘。
然后，通过对边缘区域赋予一个较小的权重值来减小该区域的JND 阈值。
然而在Yang 等人的JND 模型中，空域掩模方程依旧是根据亮度对比度获得。
虽然图像的主边缘区域在该模型中得以保护，但是次边缘区域的JND 阈值却因此而被高估，且纹理区域的JND 阈值始终还是被低估。
为了更加准确的计算纹理区域的JND 阈值，Liu 等人首先将图像分解为结构和纹理这两部分内容；然后根据对比掩模函数计算空域掩模效应；最后用较大的权重突出纹理部分的JND 阈值。
然而，现在的图像分解方法无法准确将图像分解为结构和纹理这两部分。
此外，有序的纹理区域所具有的JND 阈值也是较小的。
因此，我们需要进一步的分析空域掩模效应来建立一套更加准确的空域掩模方程。
通过实验我们发现除亮度变化外，结构的规则程度是空域掩模效应的另一个决定因素。
实际上，人类视觉系统非常善于提取图像的结构信息并用来解读图像的内容。
人类视觉系统对结构规则区域非常敏感，能容易地察觉出该区域的失真。
而且，我们通过主观实验也发现，规则区域的JND 阈值比较低，而不规则区域的JND 阈值比较高。
这些发现促使我们根据图像结构的规则程度来计算空域掩模效应并建立更加准确的JND 阈值计算模型。
四、图像结构特性图像的结构特性影响主观视觉的空域掩模效应。
人类视觉系统善于提取输入图像的结构信息，且对结构规则区域中的内容失真非常敏感，而对结构不规则区域中的内容失真不是很敏感。
这是因为规则的图像会表现出自我重复的结构，即规则图像中相邻的图像块具有相似的结构。
通过对比这些相似的图像块，我们很容易就能找到失真的图像内容。
因此，我们需要考虑结构规则度对空域掩模效应的作用。
图像结构的规则度在一定程度上决定人类视觉系统对图像内容失真的敏感性。
由于相互关联的像素点共同传递图像的结构信息，所以图像结构是由像素点的排列方式及它们间的相关性决定的。
JND 阈值由亮度适应性和空域掩模共同决定。
图像区域的亮度适应性由其背景亮度特性决定，而空域掩模由其前景内容所决定。
这两者共同作用于人类视觉系统并影响视觉感知。
因此我们通过融合这两方面的内容来得到最终的JND阈值。
由于这两者相互作用，它们之间也存在一定的抑制作用，因此不能将两者简单地相加得到最终结果。
在相互作用的过程中，值较大的因素将扮演更加重要的角色，所以我们打算用这两个因素的自身数值特性来权衡两者的作用。
五、JND模型代码function Sxy=jnd(A)%最小可觉差Jnd计算，及人眼刺激图计算。
%A=imread('D:\我的文档\MATLAB\新建文件夹\评价方法\CCD.bmp');%计算背景灰度图I[m n]=size(A);%A=rgb2gray(A);A=double(A);for i=1:mfor j=1:nflag=2<i&i<m-1&2<j&j<n-1;if flagfor a=1:5for b=1:5C(a,b)=A(i-3+a,j-3+b);endendC=double(C);B=[1,1,1,1,1;1,2,2,2,1;1,2,0,2,1;1,2,2,2,1;1,1,1,1,1];II=(1/32)*C.*B;I(i,j)=sum(sum(II));elseI(i,j)=A(i,j);endendendI=double(I);%计算某像素点处，其背景灰度值所对应的jnd值for i=1:mfor j=1:nif 0<=I(i,j)&I(i,j)<=60E(i,j)=log2(1+(A(i,j)-I(i,j))/I(i,j));E0(i,j)=log2(1+(-0.009*I(i,j)+0.575));Sxy(i,j)=E(i,j)/E0(i,j);else if 60<I(i,j)&I(i,j)<=200E(i,j)=log2(1+(A(i,j)-I(i,j))/I(i,j));E0(i,j)=log2(1+0.035);Sxy(i,j)=E(i,j)/E0(i,j);else if I(i,j)>200E(i,j)=log2(1+(A(i,j)-I(i,j))/I(i,j));E0(i,j)=log2(1+(0.035+0.001*(I(i,j)-200)));Sxy(i,j)=E(i,j)/E0(i,j);endendendendend%令1JND为最小可感知误差，则目标与背景间的灰度差可用JND为单位表示。
%根据费纳西定律，人眼感知量落后于刺激量一个数量级，即S=Klgl+C,我们令C为1。
Sxy(find(isinf(Sxy)))=0;%TT即为对于CCD的人眼感知刺激图Sxy(find(isnan(Sxy)))=0;%TT=TT+1.3;for i=1:mfor j=1:nif Sxy(i,j)<1.5Sxy(i,j)=0;endendendimshow(Sxy)实验总结通过本次课程设计，使我们初步了解到了关于分辨，度量的相关知识，以后在处理图像相关问题时也会更加得心应手。
设计过程中固然问题不断，但通过团队成员的共同努力以及细心求证，我们认识到了自己的缺陷和不足，也克服了种种困难，最终才得以成功。