Sequências de baixa discrepância na aceleração da avaliação da qualidade de imagem digital

Abstract

O crescente uso de dispositivos móveis e aplicações faz surgir a preocupação com a qualidade de imagens e vídeos produzidos, compartilhados e armazenados. Neste cenário, a Avaliação da Qualidade de Imagem, Image Quality Assessment (IQA), desempenha um papel importante no processamento de imagens digitais para o fornecimento de serviços satisfatórios aos usuários. A Avaliação da Qualidade de Imagem pode ser dividida em avaliação subjetiva e objetiva. A IQA subjetiva obtém o julgamento através da apresentação da imagem ao Sistema Visual Humano, já a IQA objetiva busca reproduzir a avaliação subjetiva. No entanto, os algoritmos IQA objetivos podem exigir grande número de operações matemáticas para realizar a avaliação. Além disso, os algoritmos IQA objetivos baseados em aprendizagem de máquina têm um elevado custo computacional na fase de treinamento. Nesta tese é proposto um framework para avaliação da qualidade de imagens digitais utilizando uma estratégia de amostragem de blocos de imagens e remoção da aleatoriedade na coleta dos pixels sobre a cobertura da imagem. Primeiramente, a estratégia de amostragem com pontos de baixa discrepância foi utiliza a partir das sequências Van der Corput-Halton, Sobol e amostragem Uniforme para coletar blocos de pixels da imagem para formar uma representação com menor número de pixels. Em seguida, essas imagens são avaliadas por métodos de IQA com ou sem a presença da imagem de referência. Os índices de qualidade das imagens amostradas foram comparadas com os índices obtidos das imagens com transformações Resize e Cropped contendo a mesma quantidade de pixels. Os resultados dos experimentos revelam que a estratégia de amostragem é suficiente para obter as mesmas correlações de qualidade em relação à avaliação subjetiva ao utilizar aproximadamente 8% dos pixels das imagens da base Live e 7% da TID2013 quando comparado com as correlações obtidas das imagens com todos os pixels pelas métricas PSNR e SSIM. Outrossim, o método Learned Perceptual Image Patch Similarity (LPIPS), treinado com imagens amostradas a partir de pontos da sequência VDH, obtém 68, 30% de taxa de acerto sobre as opiniões subjetivas de qualidade na base Berkeley-Adobe Perceptual Patch Similarity (BAPPS). A economia de tempo no treinamento do método Deep Image Quality Measure for FR (DIQaM-FR) foi 3, 61 vezes, diminuição de 27, 56 horas para 8, 6 horas, para a base Live.