Uma vez se tem disponibilidade de um banco de imagens com informação de avaliações subjetivas para cada imagem, pode-se proceder a realizar uma análise de correlação, a qual visa comparar o desempenho de uma nova métrica objetiva em relação a uma já existente. Nesta seção serão discutidos os dois métodos baseados em correlação mais referenciados na literatura [107].
• Coeficiente de Correlação Linear de Pearson - PLCC: é um coeficiente de correlação linear entre o índice de qualidade objetivo e o subjetivo. O PLCC reflete o grau de relacionamento linear entre duas variáveis. O PLCC pode ser calculado utilizando a equação (4.41).
P LCC = PMd i=1(qi− ¯q)(si− ¯s) PMd i=1(qi− ¯q)2 1/2PM d i=1(si− ¯s)2 1/2. (4.41)
onde sie qi são os índices de avaliação subjetiva e objetiva, respectivamente, para a i-ésima
imagem em um banco de com Md imagens, e ¯q e ¯s correspondem aos valores médios dos
índices de avaliação objetivos e subjetivos, respectivamente.
• Coeficiente de Correlação Linear de Spearman - SRCC: é um coeficiente de correlação não-linear entre o índice de qualidade objetivo e o subjetivo. O SRCC avalia quão bem uma função monótona arbitrária pode descrever a relação entre duas variáveis, sem fazer quaisquer suposições sobre a distribuição das variáveis frequência [108]. O SRCC pode ser descrito mediante a equação (4.42).
SRCC = 1 − 6 PMd
i=1d2i
Md Md2− 1 .
(4.42)
onde di corresponde à diferença entre as avaliações objetiva e subjetiva da i-ésima imagem.
4.5 Considerações Finais do Capítulo
Objetivando saber se a solução encontrada no processo de restauração é ótima, deve ser uti- lizado algum método para validar a qualidade da imagem resultante do processo de restauração. Neste capítulo foram apresentados os métodos mais comuns de avaliação da qualidade de uma imagem. Esses métodos podem ser classificados em: (a) métodos de avaliação com referência completa, os quais necessitam uma imagem de referência para realizar a avaliação; e (b) métodos
de avaliação sem referência, que são mais adequados para aplicações reais, nas que nem sempre conta-se com uma imagem de referência.
As métricas sem referência discutidas neste capítulo apresentam uma boa opção para este trabalho, já que são métricas que representam quantidades de forma adequada às distorções que pode sofrer uma imagem em ambientes subaquáticos, e portanto foram implementadas e analisadas. Para esta análise de desempenho, é necessário contar com um banco de imagens subaquáticas que tenha sido submetido a uma análise subjetiva de qualidade. Por esta razão decidiu-se construir dito banco de imagens utilizando uma montagem simples que será descrita na Seção 5.3, onde também serão descritos os procedimentos referentes à sua análise subjetiva.
Além disso, como foi discutido nos Capítulos 2 e 3, é necessário dispor de uma função objetivo adequada para guiar o processo de restauração baseado em otimização. Por esta razão, torna- se indispensável a implementação de um sistema para análise da correlação entre as métricas e a análise subjetiva realizada anteriormente (vide Seção 4.4.2). O resultado de este processo de análise de correlação consiste na escolha das métricas que foram definitivas para o processo de restauração. Os detalhes desta análise, assim como a justificativa da escolha da métrica definitiva, serão apresentados na Seções 5.2 e 5.4.
5 Desenvolvimento das Ferramentas para
Análise das Métricas e Testes de Restauração
No contexto da Restauração de imagens, é necessário contar com ferramentas que permitam realizar uma análise das métricas de avaliação de imagens, as quais seriam utilizadas como ele- mentos de medição da qualidade das imagens restauradas e, além disso, que possam ser utilizadas como funções objetivo capazes de guiar corretamente o processo de otimização.
No contexto deste trabalho, foram implementadas duas abordagens para a restauração de imagens subaquáticas. A primeira abordagem consiste na implementação de uma estratégia de restauração baseada em imagens degradadas artificialmente. Esta abordagem, que será apre- sentada no Capítulo 6, visa testar o desempenho dos algoritmos de otimização bio-inspirada ao problema de restauração de imagens subaquáticas. É por esta razão que é necessário o desenvol- vimento de uma ferramenta que permita inserir degradação artificiais a uma imagem, seguindo os modelos de formação de imagens em meios participativos apresentados no Capítulo 2. Os detalhes sobre a implementação dos modelos de degradação, assim como, o desenvolvimento da Ferramenta de Degradação de Imagens em Meios Participativos (FDIMP) são apresentados neste capítulo (vide Seção 5.1).
Além disso, a estratégia de restauração de degradações artificiais tem um segundo objetivo, que consiste em encontrar uma métrica de avaliação de imagens que permita guiar o processo de otimização. Por esta razão, na Seção 5.2, são apresentadas as implementações de duas métricas de qualidade de imagens sem referência, BN-IQA (vide Seção 4.2.1) e NIQE (vide Seção 4.2.2), assim como uma análise de correlação que permitiu identificar a métrica mais adequada para guiar os primeiros testes de restauração.
Finalmente, a segunda abordagem está baseada na restauração de imagens com degradações reais. Neste caso, é indispensável realizar testes de desempenho das métricas de avaliação para este tipo de imagens. Assim, objetivando realizar uma análise de correlação (vide Seção 4.4.2), é necessário contar com um banco de imagens degradadas que tenham sido submetidas a uma ava- liação subjetiva. Devido à carência de bancos de imagens subaquáticas com avaliações subjetivas, no contexto deste trabalho, criou-se o Banco de Imagens Subaquáticas LEIA (LEIA Underwater
Image Database - UID-LEIA). A metodologia seguida para a obtenção e análise subjetiva das imagens do UID-LEIA é apresentada neste capítulo (vide Seção 5.3). Posteriormente, utilizando as imagens do banco UID-LEIA, foi realizado um estudo sobre o desempenho das métricas de avaliação objetiva com relação às degradações próprias de ambientes subaquáticos, e que será apresentado na Seção 5.4.