Évaluation de la qualité des images de champs de lumière

Quality Assessment of Light Field Images

• Auteur / Autrice : Zhengyu Zhang
• Direction : Luce Morin, Lu Zhang
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Vision
• Date : Soutenance le 11/07/2024
• Etablissement(s) : Rennes, INSA
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes)
• Partenaire(s) de recherche : Laboratoire : Institut d'Électronique et des Technologies du numéRique
• Jury : Président / Présidente : Patrick Le Callet
• Jury : Examinateurs / Examinatrices : Mohamed-Chaker Larabi, Giuseppe Valenzise, Meriem Bayou-Outtas
• Jury : Rapporteurs / Rapporteuses : Mohamed-Chaker Larabi, Giuseppe Valenzise

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Lumière

Apprentissage profond

Reconnaissance optique des formes (informatique)

Mots clés libres

Évaluation de la qualité

Images de champs de lumière

Métrique objective

Expérience subjective

Système visuel humain

Quality assessment

Light field images

Objective metric

Subjective experiment

Human visual system

Résumé

Les images de champs de lumière (LFI) suscitent un intérêt et une fascination remarquables en raison de leur importance croissante dans les applications immersives. Étant donné que les LFI peuvent être déformés à différentes étapes, de l'acquisition à la visualisation, l'évaluation de la qualité des images de champs de lumière (LFIQA) est d'une importance vitale pour surveiller les dégradations potentielles de la qualité des LFI.La première contribution (Chapitre 3) de ce travail se concentre sur le développement de deux métriques LFIQA sans référence (NR) fondées sur des caractéristiques ad-hoc, dans lesquelles les informations de texture et les coefficients ondelettes sont exploités pour l'évaluation de la qualité.Puis dans la deuxième partie (Chapitre 4), nous explorons le potentiel de la technologie de l’apprentissage profond (deep learning) pour l'évaluation de la qualité des LFI, et nous proposons quatre métriques LFIQA basées sur l’apprentissage profond, dont trois métriques sans référence (NR) et une métrique Full-Reference (FR).Dans la dernière partie (Chapitre 5), nous menons des évaluations subjectives et proposons une nouvelle base de données normalisée pour la LFIQA. De plus, nous fournissons une étude comparative (benchmark) de nombreuses métriques objectives LFIQA de l’état de l’art, sur la base de données proposée.

Light Field Image (LFI) has garnered remarkable interest and fascination due to its burgeoning significance in immersive applications. Since LFIs may be distorted at various stages from acquisition to visualization, Light Field Image Quality Assessment (LFIQA) is vitally important to monitor the potential impairments of LFI quality. The first contribution (Chapter 3) of this work focuses on developing two handcrafted feature-based No-Reference (NR) LFIQA metrics, in which texture information and wavelet information are exploited for quality evaluation. Then in the second part (Chapter 4), we explore the potential of combining deep learning technology with the quality assessment of LFIs, and propose four deep learning-based LFIQA metrics according to different LFI characteristics, including three NR metrics and one Full-Reference (FR) metric. In the last part (Chapter 5), we conduct subjective experiments and propose a novel standard LFIQA database. Moreover, a benchmark of numerous state-of-the-art objective LFIQA metrics on the proposed database is provided.