Zautomatyzowane (korzystające ze źródeł internetowych) generowanie czasopism cyfrowych może spowodować pobranie zdjęć o niskiej jakości. Dlatego w tym artykule prezentujemy praktyczne rozwiązanie problemu automatycznego wykrywania zdjęć o niskiej jakości, oparte na odpowiednio wytrenowanym, uprzednio stworzonym systemie oceny jakości zdjęć, oceniającym pikselizację, rozmycie, kontrast i szum, w trybie No-Reference.

1. Badanie możliwości
crowdsourcingowej oceny jakości zdjęć
Michał Zajdel, Mikołaj Leszczuk
2016-06-29

2. Motywacja
» DEEP – automatyczne generowany portal
plotkarski
» Materiały pobierane z otwartych zasobów
WWW

3. Problem doboru wysokiej
jakości obrazów
» Możliwe obrazy o
niskiej jakości
» Konieczność filtracji
» Najczęstsze
artefakty:
– Artefakt blokowy
– Rozmycie
– Zły kontrast
– Szum

4. Artefakt blokowy

5. Rozmycie

6. Kontrast

7. Szum

8. Rozwiązanie?
» Własna biblioteka oceny
jakości obrazów
» Wieloplatformowa
implementacja
» Dostępna za darmo:
http://vq.kt.agh.edu.pl/
» Są metryki , ale…
» Brak poziomów
akceptowalności 

9. Rozwiązanie!
» Crowdsourcing:
– ang. crowd – tłum
– ang. sourcing –
pozyskiwanie,
zaopatrywanie się
» Outsourcing zadania do
niezidentyfikowanej,
bardzo szerokiej grupy
ludzi w formie open call
By Testbirds GmbH – Own work, CC BY-SA 4.0,
https://commons.wikimedia.org/w/index.php?curid=42514210

10. Proces przygotowania
eksperymentu crowdsourcingowego
» Cel: ustalenie poziomów alarmowych
» 8 SRC:
– Zdjęcia reprezentatywne dla scenariusza
– W=900 pikseli (większość wyświetlaczy)
» 51 HRC (obejmujący 4 artefakty z różnymi
poziomami)
» 408 PVS (wynikowo)
» 9 we wspólnym zbiorze treningowym

11. Interfejs i pytania w
eksperymencie crowdsourcingowym

12. Testerzy w eksperymencie
crowdsourcingowym
» 173 testerów:
– Projekty
– VQEG
– Sieci społecznościowe
» Kolejność:
– Ustalona we
wspólnym zbiorze
treningowym
– Reszta losowa
» 10 ocen/zdjęcie
Tylko
zalogowani
23%
Tylko
wspólny
zbiór
treningowy
24%
Użyteczne
oceny
53%

13. Wyniki eksperymentu
crowdsourcingowego (1/2)
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0 10 20 30 40 50 60 70 80 90 100
Poziom artefaktu blokowego
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10
Poziom rozmycia

14. Wyniki eksperymentu
crowdsourcingowego (2/2)
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
-80 -70 -60 -50 -40 -30 -20 -10 0 10 20 30 40 50 60 70 80
Poziom kontrastu
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
2 3 4 5 6 7 8 9 10
Poziom szumu

15. Analiza wyników eksperymentu
crowdsourcingowego
77%
88%
75% 79%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Artefakt blokowy Rozmycie Kontrast Szum
Trafność predykcji alarmu

16. Dziękuję za uwagę!
Niniejsza praca jest finansowana przez Narodowe Centrum Badań i
Rozwoju, nr umowy E! II/PL-IL/10/01A/2012, w ramach programu
międzynarodowego EUREKA: Inteligentny system do archiwizowania,
analizowania oraz dokumentowania obiektów multimedialnych w sieci
Web i telewizji cyfrowej IPTV.