Avaliação automática de qualidade de imagens de alta resolução sem referência

Abstract

Um dos grandes desafios nas áreas de visão computacional e processamento de imagens é desenvolver métodos para modelar corretamente o sistema visual humano (SVH). Um dos processos executados pelo sistema visual humano é a avaliação da qualidade de uma imagem, processo complexo por envolver elementos objetivos e subjetivos. Dentre as abordagens de avaliação automática da qualidade de imagens da literatura, neste trabalho é utilizada a avaliação da qualidade de imagens sem referência (No-reference Image Quality Assessment - IQA), um tipo de avaliação que utiliza como dado de entrada apenas a imagem que será avaliada. Os modelos IQA podem ter um propósito específico ou ser de uso geral. Esses modelos possuem diversas aplicações, que vão desde calibrar parâmetros de câmeras até medir a degradação de um canal de comunicação por onde passam imagens. Assim, é de grande importância desenvolver modelos cada vez mais precisos e eficientes. Nos últimos anos, houve um avanço na tecnologia das câmeras de dispositivos móveis, possibilitando a captura de imagens de alta resolução. Nesse cenário, utilizamos as imagens geradas por tais dispositivos para avaliar o comportamento de métodos de avaliação automática da qualidade de imagens propostos na literatura quando submetidos a imagens de alta resolução. Dentre os métodos existentes destacamos: (1) BRISQUE, (2) OCPP, e (3) DIQA. O modelo DIQA é baseado em inteligência artificial e, com isso, foram utilizadas para treinamento as bases de dados públicas e amplamente conhecidas: LIVE IQA, LIVE in the Wild e KonIQ-10K. Essas bases públicas possuem imagens de qualidade variada e baixa resolução. Até onde sabemos, não existem bases públicas com imagens de alta resolução rotuladas com uma nota de qualidade. O objetivo deste trabalho é avaliar os modelos em referência existentes na literatura, utilizando imagens de alta resolução. Como utilizamos o SVH como inspiração, serão considerados na avaliação das imagens critérios objetivos e subjetivos. Visando melhorar os resultados desse cenário, foram feitas modificações na arquitetura convolucional e no pré-processamento das imagens do DIQA. Todos os modelos foram avaliados utilizando imagens de alta resolução de cunho autoral. Os resultados da aplicação desses modelos a tais imagens foram bastante incoerentes, todos os modelos apresentaram algum tipo de inconsistência como é apresentado nesta Dissertação. Sugere-se que pesquisas posteriores abordem modelos de aprendizagem profundo que visem corrigir os problemas encontrados no DIQA para torná-lo mais eficiente em termos de acurácia e processamento.