Como foi discutido no Capítulo 4, existem dois tipos de métricas para avaliação de qualidade de imagens: (a) com referência completa (FR-IQA) e (b) sem referência (NR-IQA). A diferença entre as duas reside na necessidade (ou não) de uma imagem de referência, de preferência não degradada. As métricas com referência realizam uma comparação entre duas imagens, enquanto as métricas sem referência não precisam uma imagem de referência. Este fato faz com que as métricas de análise de qualidade sem referência sejam mais complexas, do ponto de vista computacional.
Além disso, nos processos de restauração automática de imagens subaquáticas não é possível ter disponibilidade de uma imagem de referência para fins de comparação. Em outras palavras, as métricas de avaliação de imagens com referência não são indicadas para este tipo de processos e, por isto, devem ser testadas métricas sem referência para guiar o processo de otimização.
Assim, esta seção trata sobre as implementações das métricas de avaliação de imagens que foram utilizadas na primeira parte deste trabalho, onde se considera somente imagens degradadas artificialmente, utilizando a FDIMP apresentada na Seção 5.1.4. Inicialmente foram implemen- tadas duas métricas sem referência: (a) Métrica BN-IQA (vide Seção 4.2.1) e (b) métrica NIQE (vide Seção 4.2.2).
Figura 5.8. Ferramenta de Degradação de Imagens em Meios Participativos - FDIMP (Opção Schechner).
Como foi discutido na Seção 4.4.2, o desempenho das métricas pode ser medido utilizando coeficientes de correlação. Neste trabalho foi utilizado o Coeficiente de Correlação de Spearman (SRCC) para medir a correlação entre os valores gerados pela métrica analisada e o índice de avaliação subjetiva (vide Seção 4.3). Assim, todas as imagens utilizadas nesta etapa do trabalho pertencem ao banco de imagens LIVE [101]. Este banco de imagens consta de 29 imagens de referência, sem distorção aparente. Além disso, o banco também conta com 779 versões degradadas a partir das imagens de referência com diferentes tipos de distorções (vide Seção 4.4.1) e suas respectivas avaliações subjetivas especificadas utilizando o índice DMOS - Difference Mean Opinion Scores, permitindo assim, realizar a análise de desempenho baseada em correlação.
A primeira métrica implementada foi a BN-IQA apresentada na Seção 4.2.1. Esta métrica está focada no cálculo de quantidades que representa o nível do ruído e borramento que possui uma imagem. Para o treinamento da métrica foram utilizadas 15 imagens com ruído branco e 15 com borramento Gaussiano, para um total de 30 imagens degradadas de treinamento (todas elas disponíveis no banco LIVE [101]). Estes tipos de degradação foram escolhidos para treinar o sistema, já que são as principais degradações que sofre uma imagem em ambientes subaquáticos [10].
Neste contexto, o treinamento consistiu em obter os valores Blurmean, Blurratio, Noisemean,
N oiseratio, apresentados na equação (4.18) (vide Seção 4.2.1).
Figura 5.9. Ferramenta de Degradação de Imagens em Meios Participativos - FDIMP (Opção Wagner).
o algoritmo de otimização bio-inspirado PSO (vide Seção 3.2), utilizando o coeficiente SRCC como função objetivo. Neste caso, busca-se maximizar a correlação SRCC entre o índice DMOS fornecido no banco LIVE e o valor de qualidade encontrado pela métrica para as imagens com borramento e ruído branco do banco LIVE. Assim, o algoritmo PSO foi rodado 32 vezes, cal- culando assim a média dos 32 valores encontrados para cada peso. Os valores estimados foram ω1 = 1, 3187, ω2 = 2, 4223, ω3 = −1, 0295, e ω4 = −0, 7162. A correlação média obtida no
processo de otimização foi de 0,8750.
Com os pesos ω1, ω2, ω3, ω4 calculados pelo PSO, o sistema foi testado com 159 imagens
degradadas com ruído branco e 159 imagens degradadas com borramento Gaussiano do banco LIVE. Estas imagens correspondem a um conjunto diferente àquele utilizado para o treinamento da métrica. O coeficiente de correlação SRCC entre os valores obtidos para a métrica BN-IQA e os índices de avaliação subjetiva DMOS fornecidos pelo banco de imagens foi de 0,8193.
Adicionalmente, foi implementada a métrica NIQE, discutida na Seção 4.2.2. Esta técnica está baseada no cálculo estatístico de características NSS de imagens naturais. Para o trei- namento da métrica NIQE foram utilizadas as 29 imagens de referência do banco de imagens LIVE [101], já que, como foi discutido na Seção 4.2.2, o treinamento desta métrica consiste em criar um modelo baseado em imagens com pouca ou nenhuma distorção [78]. Após realizado o treinamento, a métrica foi testada para 87 imagens degradadas com ruído branco e 87 imagens degradadas por borramento Gaussiano, para um total de 174 imagens degradadas. Assim como na métrica BN-IQA, estes tipos de degradação foram escolhidos por serem os principais efeitos
Tabela 5.1. Coeficientes de correlação SRCC obtidos para cada uma das métricas. Métrica SRCC NIQE 0,9497 BN-IQA (Treinamento) 0,8750 BN-IQA (Teste) 0,8193 PSNR (com referência) 0,9198
gerados na degradação das imagens subaquáticas [10]. Finalmente, o índice de correlação SRCC entre os valores encontrados pela métrica NIQE e os índices DMOS fornecido pelo banco de imagens foi de 0,9497.
Finalmente, objetivando realizar uma comparação entre as métricas NIQE e BN-IQA e uma métrica de avaliação com referência (FR-IQA), foi realizada a análise de correlação para o PSNR (vide Seção 4.1). Esta análise foi realizada com um total de 348 imagens do banco LIVE, divididas em 174 imagens degradadas com ruído branco e 174 com ruído Gaussiano. O SRCC encontrado para esta métrica foi de 0,9198. Como foi mencionado anteriormente, esta métrica foi implementada somente para fins de comparação com as métricas NIQE e BN-IQA, já que na área de estudo deste trabalho não se conta com imagens de referência.
A Tabela 5.1 apresenta um resumo dos resultados obtidos a partir da análise de correlação das métricas supracitadas.
Como pode ser observado na Tabela 5.1, a métrica com maior coeficiente de correlação é a NIQE com um SRCC de 0,9497. É importante ressaltar que este valor é maior que o obtido para o PSNR (0,9198), sendo esta uma métrica com referência completa. Além disso, os valores obtidos para a métrica baseada em ruído e borramento BN-IQA são menores que as outras duas métricas. Porém, isto não significa que as métricas apresentem baixo desempenho. Métricas sem referência com estes valores de correlação são consideradas aceitáveis e podem ser usadas para ter uma boa estimativa da qualidade de uma imagem. Devido a estes resultados, foi possível definir a métrica NIQE como função objetivo para guiar o processo de restauração de degradações artificiais apresentado no Capítulo 6.