g Imagen Transformación Aplicación Salida

Transcripción

1 Técnicas de Evaluación de la Calidad de la Imagen. Tendencias y métricas basadas en bordes Javier Silvestre-Blanes, Universidad Politécnica de Valencia Juan-Luis Gorricho Universidad Politécnica de Cataluña

2 Introducción Popularización de la informática Reducción costes de la tecnología multimedia Explosión potencial en el uso de estas tecnologías Aumento del rango de aplicaciones Videovigilancia Sistemas de visión en la industria Análisis de imágen para el diagnóstico médico Guiado de sistemas y robots. f g Imagen Transformación Aplicación Salida

3 Introducción Técnicas de evaluación de la calidad Subjetivas Mayor correlación con el sistema visual humano (HVS) Análisis estadístico sobre la apreciación de diferentes observadores sobre un conjunto a evaluar. Costoso en tiempo y recursos Objetivas Formulas matemáticas que permitan obtener unvalor numérico de la degradación obtenida Menor correlación con el HVS f g Imagen Transformación Aplicación Salida

4 Introducción Técnicas de evaluación de la calidad Objetivas FR (Full reference). Se dispone completamente de la señal original (f). Se requiere un perfecto alimeamiento espacial y temporal RR (Reduced reference). Se conoce únicamente algunas propiedades de la señal original (f). NR (No reference). No se conoce nada de la señal original (f). La mayor parte de las técnicas se basan en estimar el efecto blockiness dado en las técnicas de compresión basadas en la transforma DCT. f g Imagen Transformación Aplicación Salida

5 Basadas en la medición del error entre f y g MSE = 1 N M ( NM x= 1 y= 1 f ( x, y ) g ( x, y )) 2 PSNR = 10log 10 ( MAX MSE 2 )

6 Basadas en la evaluación de la similitud estructural l( f, g) = 2μ f μ g + C1 2σ fσ g + C2 σ fg + C3 c( f, g) = s( f, g) = μ f + μ g + C 1 σ f + σ g + C2 σ f σ g + C3 SSIM = α β ( f, g) l( f, g) c( x, y) s( f, g ) γ μ = i N M 1 i ( x, y ) MN 1 1 x= y= σ i 1 MN 1) N M = ( x= 1 y= 1 ( i ( x, y ) μ ) i

7 Basadas en la evaluación de la similitud estructural M B B B SSIM i N T = ( M B )( N B ) MSSIM = 1 T T i= 1 B SSIM i

8 Introduction Funcionamiento

9 Introduction Funcionamiento smooth

10 Introduction Funcionamiento Salt & pepper

11 Introduction Funcionamiento JPEG

12 Introduction Funcionamiento Contrast Strech

13 Introduction Funcionamiento Mean shift

14 MSE= MSSIM= MSSIM= MSSIM=0.24 MSSIM=0.97 MSSIM=0.97

15 Limitaciones Dependencias con el valor de B Arbitrariedad en las constantes Otro tipo de imágenes (sintéticas, nocturnas) Javier Silvestre-Blanes, Structural Similarity Image Quality Reliability. Determining parameters and Window Size. Accepted on Signal Processing (5/10/2011).

16 Dependencias con el valor de B SH SP JP CS MS B=5 0,31 0,93 0,24 0,97 0,97 B=7 0,40 0,89 0,31 0,97 0,97 B=11 0,52 0, ,97 0,97 B= , , , , ,98 B=31 0,77 0,77 0,69 0,97 0,98 B=64 0,87 0,84 0,83 0,98 0,98 B= , , , , ,98

17 Imágenes sintéticas

18 Imágenes sintéticas MSE=80 MSE=80 MSSIM=0.88 MSSIM=0.82 MSE=80 MSE=80 MSSIM=0.11 MSSIM=0.19

19 Dependencias con el valor de B SH SP JP MS B=5 0,88 0,82 0,11 0,19 B=15 0,91 0,63 0,23 0,25 B=31 0,93 0,46 0,36 0,36 B= , , , ,54 B=128 0,97 0,87 0,74 0,82

20 Otras métricas de evaluación Basadas en bordes Siendo h s el resultado de aplicar un filtro de Sobel a h MSE s = 1 N M ( NM x= 1 y= 1 f s ( x, y ) g s ( x, y )) 2 S PSNR = 10log MAX ( MSE 2 10 S )

21 Otras métricas de evaluación Basadas en bordes smooth Salt&pepper MSE S =541.3 MSE S =366,9 JPEG Contrast Strech Mean shift MSE S =478.9 MSE S =0.008 MSE S =0,72

22 Otras métricas de evaluación Basadas en bordes smooth Salt&pepper MSE S =265.9 MSE S =398 JPEG Mean shift MSE S =331 MSE S =6.68

23 Correlación MSE S -DMOS Live Image Quality Assess Database Release 2 29 imágenes 233 JPEG 227 JP2K 174 White Noise 174 Gaussian Noise

24 Correlación MSES-DMOS Correlación Lineal

25 Correlación MSES-DMOS Correlación Lineal JPEG GB JP2K WN All MSE 0,69 0,70 0, ,40 PSNR ,77 0,87 0,97 0,78 MSE S 0,80 0,64 0,73 0,89 0,49 PSNR S 0,87 0,74 0,89 0,97 0,80 MSSIM 3 (S1) 095 0, , , , ,88 MSSIM 30 (S6) 0,85 0,87 0,87 0,96 0,65 MSSIM F (S1) 093 0, , , , ,90

26 Conclusiones Técnicas clásicas: Poca correlación con el HVS Facilidad de cálculo Técnicas basadas en las estructura Mejora la correlación Prestaciones dependientes de parámetros no definidos Variación propuesta Mejora la correlación respecto a las clásicas Facilidad de cálculo No depende de parámetros no definidos

27 Gracias