Sequências de Baixa Discrepância na Aceleração da Avaliação da
Qualidade de Imagem Digital
Avaliação da qualidade de imagem. Sequências de baixa
discrepância. Amostragem de imagem digital.
O aumento no uso de aplicações que manipulam imagem e vídeo digital é
crescente. Neste cenário, a Avaliação da Qualidade de Imagem (IQA)
desempenha um papel importante na qualidade e experiência dos usuários no
processamento de imagens digitais. A Avaliação da Qualidade de Imagem pode
ser dividida em avaliação subjetiva e objetiva. A IQA subjetiva obtém o
julgamento através da apresentação das imagens ao Sistema Visual Humano
(HSV), já a IQA objetiva busca desenvolver algoritmos para reproduzir a
avaliação subjetiva do HSV. No entanto, os algoritmos IQA objetivos podem
exigir grande número de operações matemáticas para realizar a avaliação.
Além disso, os algoritmos IQA baseados em Redes Neurais Convolucionais
exigem longo tempo de treinamento de aprendizagem. Baseado no alto custo
computacional e tempo gasto no processo da avaliação da qualidade, é
proposta a estratégia de amostragem com sequências de baixa discrepância no
processo de IQA. Primeiramente, a estratégia utiliza sequências Van der
Corput-Halton, Sobol e amostragem Uniforme para coletar pixels ao redor da
imagem e formar uma representação reduzida. As imagens amostradas foram
comparadas com as transformações \emph{Resize} e \emph{Cropped} com mesma
quantidade de pixel amostrado. Em seguida, essas imagens foram avaliadas
por métodos de IQA com e sem a presença da imagem de referência. Os
resultados dos experimentos revelam que a estratégia de amostragem foi
suficiente para obter as mesmas correlações SROCC e LCC de qualidade ao
utilizar aproximadamente $8\%$ dos pixels das imagens da base Live e $7\%$
da TID2013 quando comparado com as correlações obtidas com as imagens
integrais pelos métodos PSNR e SSIM. Outrossim, o método Learned Perceptual
Image Patch Similarity (LPIPS), treinado a partir de imagens amostradas com
sequência VDH, obtém $68,30\%$ de taxa de acerto sobre a base
Berkeley-Adobe Perceptual Patch Similarity (BAPPS). A economia de tempo no
treinamento do método \emph{Deep Image Quality Measure for FR} (DIQaM-FR)
foi de $220\%$ e $136\%$ para as bases Live e TID2013, respectivamente.