Đang tải... (xem toàn văn)
Bài viết trình bày một số kết quả đánh giá về chất lượng hình ảnh LF dựa trên phương pháp đánh giá chủ quan, đặc biệt tập trung vào những độ sâu trường ảnh (DOF) khác nhau với trường nhìn khác nhau (FOV).
Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Nghiên cứu phân tích mơ hình đánh giá chất lượng ảnh Light field với chuẩn mã hóa H.266/VVC Phí Cơng Huy1,2, PGS TS Trịnh Anh Vũ2, TS Hoàng Văn Xiêm2 Khoa Đa phương tiện, Học Viện Cơng Nghệ Bưu Chính Viễn Thông1 Khoa Điện tử Viễn thông, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội2 Email: huypc@ptit.edu.vn, 17028025@vnu.edu.vn, vuta@vnu.edu.vn, xiemhoang@vnu.edu.vn khai thác liệu ba chiều (3-D), ước lượng chiều sâu [5] Tóm tắt - Light-Field (LF) dạng liệu hình ảnh, với thơng tin phong phú từ nhiều chiều thơng tin Nó cung cấp đa dạng thơng tin hình ảnh nội dung 2D, chiều sâu, vị trí góc nhìn, độ dài tiêu cự, v.v Do đó, đánh giá chất lượng hình ảnh LF công việc đầy thách thức Trong viết này, chúng tơi trình bày số kết đánh giá chất lượng hình ảnh LF dựa phương pháp đánh giá chủ quan, đặc biệt tập trung vào độ sâu trường ảnh (DOF) khác với trường nhìn khác (FOV) Kết đánh giá chất lượng chủ quan xây dựng dựa liệu LF bao gồm 228 hình ảnh từ nguồn EPFL với hai mức lấy nét khác (lấy nét tiền cảnh lấy nét hậu cảnh) Để có đánh giá đa dạng, thông tin nhiễu bổ sung vào ảnh LF cách mã hóa hình ảnh thơng qua mã hóa video – Versatile Video Coding (VVC) Kết nghiên cứu báo cung cấp lưu ý hiệu phương pháp đánh giá phổ biến Pick-signal Noise Ratio (PSNR) Structure Similarity Index (SSIM) sử dụng cho ảnh LF LF có lợi phong phú liệu với tính tuyệt vời đề cập nhiên gặp phải số vấn đề liên quan tới xử lý tín hiệu phần mềm, nguyên nhân nằm dung lượng liệu cao cấu trúc khác với ảnh 2D thông thường Tuy nhiên, hình ảnh với liệu nhiều thơng tin LF, hứa hẹn có tương lai tiềm Nó áp dụng vào việc hỗ trợ tối ưu hình ảnh sản xuất kỹ xảo phim, cho phép trải nghiệm ứng dụng hình ảnh, hội nghị từ xa cải thiện nội dung thị giác thực tế ảo gia tăng (VR-AR) [6] Gần đây, hình ảnh LF áp dụng cho nhiều lĩnh vực công cụ y sinh học ống soi tai [7], kính hiển vi [8], điều khiển robot dựa thị giác [9], velocimetry [10], v.v Tuy nhiên, liệu hình ảnh LF loại liệu có cấu trúc phức tạp kích thước cao cần phân tích khám phá, cụ thể đánh giá biểu diễn chất lượng Hình ảnh LF bị nhiều loại nhiễu giai đoạn xử lý hình ảnh LF khác thu thập giai đoạn xử lý ban đầu, tái tạo / nén giai đoạn xử lý kết xuất / hiển thị giai đoạn xử lý sau Do đó, mơ hình đánh giá chất lượng hình ảnh LF (LF-IQA) hiệu nhu cầu cần thiết thời gian tại, đặc biệt, mơ hình phải kiểm sốt đặc điểm riêng biệt LF, ví dụ: lựa chọn điểm nét sau chụp Từ khóa— Image quality assessment, Light Field image, Coding, Benchmarking I GIỚI THIỆU Năm 2015, nhóm chuyên gia chuẩn nén ảnh JPEG đưa khái niệm JPEG Plenoptic, định dạng ảnh với liệu thông tin 7-D [1] Plenoptic bao gồm loại liệu light field, point cloud, holography…Điều mở hướng nghiên cứu triển vọng cho nhà nghiên cứu xử lý tín hiệu ảnh Trong nghiên cứu trước đây, số mơ hình đánh giá chất lượng hình ảnh (IQA) đề xuất, chẳng hạn Tỷ lệ tín hiệu nhiễu đỉnh (PSNR), Lỗi bình phương trung bình (MSE) Chỉ số tương đồng cấu trúc (SSIM) Tuy nhiên, mơ hình khơng khai thác đầy đủ đặc điểm LF, bao gồm thông tin màu sắc thơng tin hình học ảnh LF hình ảnh phân nhóm (EPIs) Đặc biệt, nghiên cứu gần chưa khám phá đầy đủ phức tạp độ sâu trường ảnh (DOF) từ hình ảnh LF Các tiêu chuẩn đánh giá khách quan không phản ánh hiết biểu đạt phong phú LF phản ánh kết cảm nhận mắt người Light-Field (LF) thể tập hợp tất tia sáng ghi lại điểm khơng gian hướng; Do đó, liệu LF cung cấp liệu với thơng tin phong phú Nó biết đến thơng qua hệ thống Image-Based Rendering (IBR) Levoy Hanrahan đề xuất năm 1996 [2] Trong hai thập kỷ qua, có cải tiến lớn kỹ thuật LF, ví dụ: cách thu thập liệu, kết xuất liệu kỹ thuật lấy mẫu Đặc biệt, nhiều loại máy ảnh chuyên dụng phát triển để ghi lại liệu LF, ví dụ Lytro LF, Illum [3], Raytrix [4] Các máy ảnh cung cấp cho tính tuyệt vời liệu LF thay đổi điểm nhìn góc nhìn, lấy nét liệu sau ghi hình, ISBN 978-604-80-5958-3 36 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Chính vây, báo trình bày nghiên cứu đánh giá chất lượng hình ảnh LF cách đánh giá chủ quan Sự phức tạp DOF hình ảnh LF mục tiêu để tạo thành tập liệu LF Tập liệu sử dụng tất từ nguồn EPFL [11], phân loại thành hai loại chính, lớp DOF phức tạp lớp DOF đơn giản Mỗi loại DOF chứa FOV rộng hẹp Các thông tin nhiễu bổ sung vào hình ảnh LF thơng qua mã hóa VVC, hình ảnh LF mã hóa với ba tham số định lượng (QPs), cụ thể QP22, QP40, QP50 hình file LFR (Light Field Raw) kích thước 7728x5368 , dung lượng sấp xỉ 50MB Cấu trúc báo phân chia sau: Phần mơ tả đặc tính ảnh LF, Phần mơ tả q trình đánh giá chất lượng chủ quan kèm theo phương pháp đánh giá Kết thảo luận thể Phần cuối kết luận Phần Trong liệu Light Field, có thuật ngữ cịn sử dụng “super-pixel”, hệ thống ống kính nhỏ (lenslet) thể ảnh light field Vì vậy, ảnh light field có nhiều góc nhìn khác Tuy nhiên, mơ tả phía liệu Light Field, pixel giống ảnh 2-D thơng thường, tập hợp mẫu thấu kính nhỏ (lenslet) khoảng không gian 7728 x 5368 Khi liệu light field gốc giải mã, tạo cấu trúc liệu (thể Hình 3) với thông số 15 x 15 x 625 x 434 x 4, 15 x 15 số lượng điểm nhìn, 625 x 434 độ phân giải hệ màu kèm với trọng số [12] Hình Cấu tạo bên máy ảnh để thu liệu Ligh-Field II CÁC NGHIÊN CỨU LIÊN QUAN A Đặc tính ảnh light field Dữ liệu plenoptic-light field cung cấp nhiều thông tin với 7-chiều bao gồm: không gian (x, y, z), thời gian (t), vị trí (θ, ϕ), bước sóng ánh sáng (λ) Nó tổng hợp chung tham số P(x, y, z, θ, ϕ, λ, t) Tuy nhiên, chiều liệu chiều không gian cảm xúc thuật ngữ mà cung cấp loại thơng tin Đối với hình ảnh 3-D, mơ hình 3D thể dựa khơng gian 2-D bổ sung thêm độ sâu để có 3-D, với phim 4-D, 5-D bổ sung thêm cảm xúc tương tác, xem phim đua xe 4-D có thêm tương tác lắc lư ngồi xe, 5-D nếm cảm nhận việc diễn Vì vậy, để tránh nhầm lẫn hiểu sai ý nghĩa, tác giả đưa cách gọi liệu plenoptic-light field, liệu gồm có loại thông tin cung cấp: không gian (x, y, z), thời gian (t), vị trí (θ, ϕ), bước sóng ánh sáng (λ) Hình Cũng liệu phong phú vậy, nên hình ảnh Light Field sau ghi lại máy ảnh chuyên dụng, tự lấy chọn điểm nét, thay đổi vị trí hay kết xuất hình ảnh 3D R G B W ……… 434 pixels ……………… ……………… …………… 625 pixels 15 ……………… ……………… ……………… ……… 15 Hình 3: Cấu trúc liệu LF Từ đặc thù cấu trúc liệu LF, tính mà liệu LF cung cấp như: xuất ảnh 3D, thay đổi điểm lấy nét, hay tạo video dựa ảnh nhỏ, v.v B Mơ hình mã hóa video H.266/VVC H.266/VVC tiêu chuẩn mã hóa video nhất, ITU-T ISO/IEC đồng xuất Vào tháng năm 2020, mã hóa VVC cơng bố nén video hệ Tiêu chuẩn video thiết kế để hiệu linh hoạt để đáp ứng nhu cầu truyền thơng đại Hình Các loại thơng tin thể cho liệu Light Field Để có hiệu mã hóa, H.266/VVC bổ sung nhiều cơng cụ mã hóa so với H.265/HEVC tiêu chuẩn trước [16] Như độ phân giải vectơ chuyển động thích ứng (AMVR), chế độ phân vùng tam giác (TPM), dự đoán nội dựa ma trận (MIP), phân vùng khối linh hoạt với đa loại (MTT), dự đoán hai lần với trọng lượng CU (BCW), chuyển đổi khối phụ (SBT) nhiều cải tiến gia tăng thiết kế mã hóa video lai cổ điển [17] Dựa cải tiến công cụ mã Dữ liệu Ligh Field tạo ghi lại máy ảnh chuyên dụng, có hệ thống ống kính nhỏ xếp trước cảm biến máy ảnh, để ghi lại hình ảnh từ góc độ chiều sâu khác Hình Vì vậy, liệu light field dung lượng kích thước lớn với ISBN 978-604-80-5958-3 37 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Bảng Tổng quan định nghĩa liệu LF Loại lấy nét LF Mô tả Số lượng mẫu CWF Lớp phức tạp với FOV rộng lấy nét vào Tiền cảnh 10 CWB Lớp phức tạp với FOV rộng lấy nét vào Hậu cảnh 10 CNF Lớp phức tạp với FOV hẹp lấy nét vào Tiền cảnh 10 CNB Lớp phức tạp với FOV hẹp lấy nét vào Hậu cảnh 10 SWF Lớp đơn giản với FOV rộng lấy nét vào Tiền cảnh SWB Lớp đơn giản với FOV rộng lấy nét vào Hậu cảnh SNF Lớp đơn giản với FOV hẹp lấy nét vào Tiền cảnh 10 SNB Lớp đơn giản với FOV hẹp lấy nét vào Hậu cảnh 10 hóa mới, giảm tốc độ bit báo cáo khoảng 50% so với H.265 / HEVC, đặc biệt, H.266 / VVC sử dụng cho video độ nét cực cao, ví dụ: 4K 8K, có dải động cao gam màu rộng [17] sử dụng làm phương pháp kiểm tra để so sánh chất lượng hình ảnh Thử nghiệm xác định với thang điểm xếp hạng cấp bao gồm cặp ảnh LF tham khảo ẩn để kiểm tra xác người tham gia, mức điểm đánh sau, – Yếu, - Kém, – Bình thường, – Khá, – Tốt Về cấu trúc phức tạp kích thước cao LF, cấu hình mã hóa sử dụng với QP s khác Cụ thể, QP22, QP40 QP50 sử dụng xác định mức chất lượng di chuyển từ cao đến thấp Môi trường điều kiện thử nghiệm điều chỉnh để tuân theo Khuyến nghị ITU-R BT.500-13 [14] Các người dùng mời tham gia thử nghiệm xem ảnh LF thơng qua hình Dell U2419H với 24 inch, độ phân giải full HD 1920x1080, khoảng cách xem 1,2m (±15cm) Về trình phát video, phần mềm MPV [15] sử dụng cho phương pháp đánh giá III CÁC PHƯƠNG PHÁP ĐÁNH GIÁ CHẤT LƯỢNG ẢNH LIGHT FIELD SAU Mà HÓA (NÉN) Trong nghiên cứu này, tập liệu LF lựa chọn từ EPFL [11] gồm 38 thể loại nội dung khác nhau, với loại DOF, FOV khác Các định nghĩa liệu mô tả Bảng Dữ liệu chia thành hai phần dựa độ phức tạp LF-DOF, tức lớp DOF phức tạp lớp DOF đơn giản (khái niệm lớp phức tạp đơn giản định nghĩa thông qua số lượng đối tượng mà ảnh LF lấy nét, đối tượng coi lớp phức tạp) Mỗi loại DOF chứa loại FOV, tức FOV hẹp FOV rộng Các thông số thay đổi cấu hình điểm lấy nét hình ảnh LF tính tốn dải tham số từ -0.7 Để thay đổi điêrm lấy nét hình ảnh LF, thay đổi tham số độ dốc, gọi “slope” hình ảnh LF LF Toolbox v.0.4 [13] Có hai loại lấy nét, lấy nét tiền cảnh lấy nét hậu cảnh Tuy nhiên, số hình ảnh LF lấy nét với tham số độ dốc 0, trường hợp này, nội dung ảnh định ảnh lấy nét tiền cảnh hay hậu cảnh Tất video cho chạy liên tục thông qua phần mềm Matlab phiên 2019b, điểm cá nhân tham gia đánh giá ghi lại tự động vào thư mục riêng Tổng cộng có 236 kết thu buổi đánh giá Trong trường hợp, khơng kết bất thường tìm thấy Kết sau tổng hợp dựa cách tính trung bình - Mean Opinion Scores (MOS) 95% Khoảng thời gian tự tin (CIs) Số lượng người tham gia thử nghiệm nữ 12 nam, độ tuổi khoảng 19 – 39 với thị lực ổn định B Phương pháp đánh giá khách quan PSNR Phương pháp đánh giá khách quan PSNR sử dụng phổ biến để đo chất lượng việc tái tạo lại tín hiệu từ nén bị liệu có tổn thất (ví dụ: để nén hình ảnh) Tín hiệu trường hợp liệu gốc nhiễu lỗi nén Khi so sánh nén liệu, PSNR coi giá trị tương cách người đánh giá chất lượng tái tạo [19] Các giá trị điển hình cho PSNR nén hình ảnh video bị tổn hao từ 30 đến 50 dB, với điều kiện thông số bit bit, với thông số bit cao, tốt Chất lượng xử lý hình ảnh 12-bit coi cao giá trị PSNR 60 dB cao Đối với liệu 16bit, giá trị điển hình cho PSNR từ 60 đến 80 dB Cơng thức tính PSNR mô tả sau A Phương pháp đánh giá chủ quan Các đánh giá chất lượng chủ quan tiến hành Trường Đại học Công nghệ, Đại, ĐHQG Hà Nội, Việt Nam Đầu tiên, tất loại lấy nét khác ảnh LF tạo thơng qua phần mềm MatLab, ảnh ghép với theo mơ hình xoắn ốc, nhằm tạo video giả lập, với 30 Fps 12 giây cho tổng thời lượng video Sau đó, video giả lập mã hóa VVC codec với QPs (tức 22, 40, 50) nhằm tạo thông tin nhiễu khác Mơ hình đánh giá hình ảnh song song DSIS [18] ISBN 978-604-80-5958-3 𝑃𝑆𝑁𝑅 = 10𝑙𝑜𝑔10 ( 38 2552 ) 𝑀𝑆𝐸 (1) Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Với 𝑀 𝑁 𝑀𝑆𝐸(𝑥, 𝑦) = 1/𝑀𝑁 ∑ ∑(𝑥𝑖𝑗 − 𝑦𝑖𝑗 )2 (2) 𝑖=1 𝑗=1 C Phương pháp đánh giá khách quan SSIM Phương pháp SSIM phương pháp để đo mức độ giống hai hình ảnh SSIM dự đốn chất lượng hình ảnh dựa hình ảnh khơng nén khơng bị biến dạng ban đầu làm tài liệu tham khảo Nó cho biết hình ảnh cần so sánh có chất lượng tốt so với hình ảnh tham chiếu ban đầu Đặc biệt, phương pháp coi phù hợp với hệ thống thị giác người [19] SSIM thiết kế để cải thiện phương pháp truyền thống PSNR sai số bình phương trung bình MSE Các giá trị đánh giá phương pháp dao động từ đến Giá trị tiến gần 1, đồng nghĩa với việc hình ảnh cần so sánh có chất lượng tương đồng với hình ảnh gốc SSIM tính tốn tổ hợp dựa đặc tính hỉnh ảnh như: độ sáng, độ tương phản, độ tương đồng Công thức SSIM tính sau: 𝑆𝑆𝐼𝑀(𝑥, 𝑦) = 𝑙(𝑥,𝑦) 𝑐(𝑥,𝑦) 𝑠(𝑥,𝑦) (4) Hình Kết phương pháp đánh giá chủ quan loại LF khác Với 𝑙(𝑥,𝑦) = 2𝜇𝑥 𝜇𝑦 + 𝐶1 ⁄𝜇2𝑥 + 𝜇2𝑦 + 𝐶1 𝑐(𝑥,𝑦) = 2𝜎𝑥 𝜎𝑦 + 𝐶2 ⁄𝜎2𝑥 + 𝜎2𝑦 + 𝐶2 B Phân tích loại lấy nét ảnh LF Để phân tích loại lấy nét LF khác nhau, cách phù hợp tính tốn cho loại lấy nét, hệ số xác định tương quan 𝑅2 Hình 𝑅2 thước đo thống kê tương quan liệu thực tế tính tốn sau: (5) 𝑠(𝑥,𝑦) = 𝜎𝑥𝑦 + 𝐶3 ⁄𝜎𝑥 𝜎𝑦 + 𝐶3 IV PHÂN TÍCH KẾT QUẢ ∑(𝑥𝑖 − 𝑥̂𝑖 )2 𝑅 =1− ∑(𝑥𝑖 − 𝑥̅𝑖 )2 A Kết từ phương pháp đánh giá chủ quan Trong Hình 4, MOS CIs thuộc loại LF khác trình bày Có nội dung đại diện cho loại lấy nét khác LF, tức CW (Lớp phức tạp với FOV rộng), CN (Lớp phức tạp với FOV hẹp), SW (Lớp đơn giản với FOV rộng) SN (Lớp đơn giản với FOV hẹp) Kết cho thấy, 95% CIs chấp nhận với trung bình 0,3 CIs tối đa khoảng 0,6 Trong đó, 𝑥𝑖 𝑥̂𝑖 giá trị tương ứng giá trị gốc dự đoán cá nhân đánh giá; 𝑥̅𝑖 khoảng cách liệu cách xa giá trị trung bình Dựa kết Hình 5, có 𝑅2 = 0.5 nghĩa hầu hết liệu gốc khơng có tương quan Đáng ý, loại lấy nét CNB CNF, có mối tương quan thấp 𝑅2 = 0.4, sau SWF, SWB, SNF SNB với 𝑅2 = 0.5 Những ảnh LF có tương quan thấp như: House_Lake - SW, Wall_Decoration - SN, Stone_Pillars_Inside - CN), có đặc điểm tương tự, tức contrast thấp, dải màu thấp Tuy nhiên, loại lấy nét CWF CWB cho mối tương quan tốt cải thiện contrast dải màu, với 𝑅2 = 0.7, ví dụ: Bench_in_Paris, Fountain_Vincent_2, v.v Do đó, lý tương quan thấp bị tác động độ tương phản thấp dải tương phản động thấp, ảnh hưởng đến độ sâu hình ảnh LF Đáng ý, tất loại lấy nét tiền cảnh cho thấy chất lượng hình ảnh tốt so với lấy nét hậu cảnh chủ thể ảnh gần với tầm nhìn mắt người Về ảnh có chủ thể gần, lưu ý FOV hẹp nhận điểm MOS tốt so với FOV rộng ISBN 978-604-80-5958-3 (6) 39 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) phản Hai yếu tố nên xem xét để cải thiện tham số tương quan đánh giá chất lượng ảnh LF Hơn nữa, báo xác định phân loại loại loại lấy nét khác theo nội dung ảnh LF, việc hữu ích cho nghiên cứu phân tích chất lượng ảnh LF tương lai C Phân tích mơ hình đánh giá chất lượng hình ảnh PSNR SSIM SSIM PSNR hai mơ hình đánh giá chất lượng hình ảnh phổ biến SSIM coi mơ hình đánh giá gần với mắt người nhất, cách tìm điểm giống hai ảnh Trong đó, PSNR tính tốn khác biệt hai ảnh LỜI CẢM ƠN Nghiên cứu tài trợ Quỹ Phát triển khoa học công nghệ Quốc gia (NAFOSTED) đề tài mã số 102.01-2020.15 NGUỒN THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] Hình Sự tương quan ảnh LF dựa PSNR SSIM Hình 6, trình bày kết so sánh loại lấy nét phù hợp PSNR SSIM với ảnh LF khác Nó cho thấy tương quan hai mô hình tính tốn thấp khoảng 50% giá trị trung bình Thậm chí, tương quan PSNR tốt chút so với SSIM, khoảng 60% Nhưng, PSNR không phù hợp để đánh giá chất lượng thị giác người Do đó, để cải thiện mơ hình SSIM, cần xem xét đặc điểm LF, tức dải màu động độ tương phản [12] [13] [14] [15] [16] V KẾT LUẬN Bài báo trình bày nghiên cứu cách đánh giá chất chủ quan khách quan với lượng liệu ảnh LF có điểm lấy nét thay đổi Đồng thời, báo mơ tả mã hóa VVC áp dụng để tạo hình ảnh có thơng tin nhiễu với cấp độ nén khác Dựa kết so sánh phương pháp đánh giá chủ quan khách quan, báo đưa lý ảnh hưởng tới khả đánh giá chất lượng ảnh LF sử dụng mơ hình đánh giá PSNR SSIM, dải màu động độ tương ISBN 978-604-80-5958-3 [17] [18] [19] 40 T Ebrahimi, F Pereira, P Schelkens, “JPEG Pleno: Toward an Efficient Representation of Visual Reality”, Industry and Standards, IEEE Multimedia, 2016 M Levoy and P Hanrahan, “Light field rendering,” in Proc SIGGRAPH, 1996, pp 31–42 Lytro camera, https://www.lytro.com/ Raytrix, https://www.raytrix.de/ I Ihrke, J Restrepo, and L Mignard-Debise, “Principles of Light Field Imaging”, IEEE Signal Processing Magazine, 2016 T Ebrahimi, S Foessel, F Pereira, P Schelkens, “JPEG Pleno: Toward an Efficient Representation of Visual Reality,” IEEE Multimedia, Oct-Dec 2016 N Bedard, T Shope, A Hoberman, M A Haralam, N Shaikh, J Kovačević, N Balram, and I Tošić, "Light field otoscope design for 3D in vivo imaging of the middle ear," Biomedical optics express, vol 8, pp 260-272, 2017 H Li, C Guo, and S Jia, "High-resolution light-field microscopy," Frontiers in Optics, FW6D 3, 2017 D Tsai, D G Dansereau, T Peynot, and P Corke, "ImageBased Visual Servoing With Light Field Cameras," IEEE Robotics and Automation Letters 2(2), pp 912-919, 2017 K Lynch, T Fahringer, and B Thurow, “Three-dimensional particle image velocimetry using a plenoptic camera” American Institute of Aeronautics and Astronautics (AIAA), 2012 M Řeřábek and T Ebrahimi, “New Light Field Image Dataset,” 8th International Conference on Quality of Multimedia Experience, Lisbon, Portugal, 2016 Ren Ng, M Levoy, et al, “Light Field Photography with a Handheld Plenoptic Camera”, Stanford Tech Report, 2005 D Dansereau, “Light Field Toolbox v0.4,” http://www.mathworks.com/matlabcentral/fileexchange/49683 -light-field-toolbox-v0-4 ITU-R BT.500-13, “Methodology for the subjective assessment of the quality of television pictures,” International Telecommunications Union, Jan 2012 MPV video player [Online] Available: https://mpv.io G J Sullivan, J R Ohm, W J Han and T Wiegand, “Overview of the High Efficiency Video Coding (HEVC) Standard,” in IEEE Transactions on Circuits and Systems for Video Technology, vol 22, no 12, pp 1649-1668, Dec 2012 B Benjamin, C Jianle, L Shan, W Ye-Kui, “Versatile Video Coding (Draft 10)”, 19th Meeting: by teleconference, Joint Video Experts Team (JVET) of ITU-T SG 16 WP and ISO/IEC JTC 1/SC 29/WG 11, 22 June – July 2020 I Viola, M Rˇ erˇábek, T Bruylants, P Schelkens, F Pereira, and T Ebrahimi, “Objective and subjective evaluation of light field image compression algorithms,” in Proc 32nd Picture Coding Symp., pp 1–5, 2016 A Horé and D Ziou, "Image Quality Metrics: PSNR vs SSIM," 2010 20th International Conference on Pattern Recognition, 2010, pp 2366-2369 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Hình Sự tương quan MOS so sánh với phương pháp SSIM ISBN 978-604-80-5958-3 41 ... đánh giá chất lượng ảnh LF Hơn nữa, báo xác định phân loại loại loại lấy nét khác theo nội dung ảnh LF, việc hữu ích cho nghiên cứu phân tích chất lượng ảnh LF tương lai C Phân tích mơ hình đánh. .. mơ hình đánh giá chất lượng hình ảnh PSNR SSIM SSIM PSNR hai mơ hình đánh giá chất lượng hình ảnh phổ biến SSIM coi mơ hình đánh giá gần với mắt người nhất, cách tìm điểm giống hai ảnh Trong đó,... chứa FOV rộng hẹp Các thông tin nhiễu bổ sung vào hình ảnh LF thơng qua mã hóa VVC, hình ảnh LF mã hóa với ba tham số định lượng (QPs), cụ thể QP22, QP40, QP50 hình file LFR (Light Field Raw) kích
