Bildinformation und visuelle Qualität
Die Messung der visuellen Qualität ist von grundlegender Bedeutung für zahlreiche Anwendungen im Bereich der Bild- und Videobearbeitung. Das Ziel der Forschung im Bereich der Qualitätsbewertung (QA) besteht darin, Algorithmen zu entwickeln, die die Qualität von Bildern oder Videos auf eine wahrnehmungs-konsistente Weise automatisch bewerten können. Bild-QA-Algorithmen interpretieren die Bildqualität in der Regel als Treue oder Ähnlichkeit gegenüber einem „Referenz“- oder „perfekten“ Bild in einem bestimmten wahrnehmungsbezogenen Raum. Solche „vollständig-referenzbasierten“ QA-Methoden streben Konsistenz in der Qualitätsvorhersage an, indem sie entweder prominente physiologische und psychovisuelle Merkmale des menschlichen visuellen Systems (HVS) modellieren oder Maßstäbe für Signal-Treue verwenden. In diesem Artikel betrachten wir das Problem der Bild-QA als ein Problem der Informations-Treue. Insbesondere schlagen wir vor, den Informationsverlust durch den Verzerrungsprozess zu quantifizieren und die Beziehung zwischen Bildinformation und visueller Qualität zu untersuchen. QA-Systeme sind stets mit der Beurteilung der visuellen Qualität von „natürlichen“ Bildern und Videos befasst, die für den „menschlichen Konsum“ bestimmt sind. Forscher haben bereits komplexe Modelle entwickelt, um die Statistiken solcher natürlicher Signale zu erfassen. Unter Verwendung dieser Modelle hatten wir bereits einen Kriterium für Informations-Treue zur Bild-QA vorgestellt, das die Bildqualität mit der Menge an zwischen Referenz- und verzerrtem Bild geteilten Information verknüpft. In diesem Artikel schlagen wir eine Bild-Informationsschätzung vor, die die in dem Referenzbild enthaltene Information sowie den Anteil dieser Referenzinformation quantifiziert, der aus dem verzerrten Bild extrahiert werden kann. Durch die Kombination dieser beiden Größen schlagen wir ein Maß für die visuelle Informations-Treue zur Bild-QA vor. Wir validieren die Leistung unseres Algorithmus anhand einer umfangreichen subjektiven Studie mit 779 Bildern und zeigen, dass unsere Methode in unseren Simulationen erheblich besser abschneidet als jüngste State-of-the-Art-Algorithmen zur Bild-QA. Der Quellcode und die Daten der subjektiven Studie sind unter der LIVE-Website verfügbar.