Parte I: Revisión del estado del arte
3.5 Modelos del SVH para tratamiento de imágenes
Las propiedades del SVH pueden aprovecharse en muchas aplicaciones de tratamiento de imágenes. Así, métricas basadas en modelos del SVH están reemplazando lentamente a los esquemas “clásicos”, en los que la métrica de calidad consiste simplemente en una medida a partir de diferencias de píxeles, como puede ser el error cuadrático medio. La mejora de la calidad que puede conseguirse usando un método basado en el SVH es significativa y es aplicable a una gran variedad de aplicaciones de tratamiento de imágenes. Así por ejemplo, usando estos métodos, las herramientas de evaluación de la calidad de imágenes predicen mejor las valoraciones subjetivas, los esquemas de compresión de imágenes reducen la visibilidad de los artefactos introducidos y los algoritmos de marcado de agua (“watermarking”) esconden información en imágenes de manera más robusta. El SVH también juega un papel importante en las aplicaciones relacionadas con la reproducción de imágenes, ya que así los patrones de medio tono (“half-toning”) pueden optimizarse perceptualmente y los colores reproducirse más fielmente. El diseño de nuevos dispositivos capturadores de imagen y displays ya no es posible sin considerar las propiedades del SVH.
Aunque los requerimientos específicos de cada una de estas aplicaciones son diferentes, el elemento común es siempre un modelo computacional de la visión humana. La estructura general de estos modelos suele venir determinada por ciertos aspectos psicofísicos. También se han propuesto modelos basados en la neurobiología, pero todavía no están extendidos debido a su complejidad y a nuestro limitado conocimiento de los procesos que están por debajo. A pesar de todo lo que sabemos acerca del SVH, su complejidad hace imposible construir un modelo fisiológico completo. Se han realizado algunos intentos (Guth, 1991; Atick et al., 1992; De Valois y De Valois, 1993), pero restringidos sobre todo a la retina y por tanto, sin ocuparse de la percepción de alto nivel. En consecuencia, hoy por hoy los modelos del SVH usados en tratamiento de imágenes por lo general están basados en las respuestas psicofísicas.
Sólo unos pocos artículos han revisado el papel del modelado de la visión humana en las aplicaciones de tratamiento de imágenes (Granrath, 1981; Pappas y Safranek, 2000). Los modelos del SVH usados en tratamiento de imágenes suelen estar basados en una serie de aspectos psicofísicos que típicamente se implementan de forma secuencial como se muestra en la Figura 3.11.
En general, un modelo completo del SVH para tratamiento de imágenes se compone de cinco etapas:
Figura 3.11: Diagrama de bloques de un modelo típico del SVH para tratamiento de imágenes.
1. Luminancia y color. La primera etapa de los modelos del SVH implementa la transformación a un espacio de color perceptual adecuado, normalmente basado en colores oponentes. Tras este paso, la imagen queda descompuesta en un canal acromático y dos canales cromáticos que contienen la información de diferencia de color. Esta primera etapa se ocupa también de la percepción no-lineal de la luminancia por parte del SVH. En espacios de color como el CIE L*a*b*, esta no-linealidad ya viene implementada, pero en otros espacios de color, como por ejemplo los lineales tipo RGB, debe añadirse. En las aplicaciones de compresión, la no-linealidad puede incorporarse al fijar el error de cuantización de los coeficientes de la transformación.
2. Descomposición multicanal. Está ampliamente aceptado que el SVH basa su percepción en múltiples canales que abarcan diferentes posiciones, fases locales, frecuencias espaciales y orientaciones. Este comportamiento puede reproducirse muy bien con un banco de filtros multirresolución o una descomposición tipo
wavelet. Un ejemplo de banco de filtros es la transformada córtex (Watson,
1987), que es una pirámide multirresolución muy flexible cuyos filtros pueden ajustarse en gran medida.
3. Contraste y adaptación. Según la ley de Weber-Fechner, la respuesta del SVH depende mucho menos de la luminancia global que de las variaciones locales de la luminancia respecto al entorno circundante. El contraste es una medida de esta variación relativa y se utiliza mucho en los modelos de visión. Aunque es sencillo definir el contraste para patrones simples, es mucho más difícil modelar la percepción humana del contraste en imágenes complejas, ya que ésta depende del contenido local de la imagen. Además, la adaptación a un determinado nivel de luminancia o color influye en la percepción del contraste.
4. Sensibilidad al contraste. Uno de los aspectos más importantes en los modelos del SVH, se refiere al efecto paso banda, de forma que hay una disminución de
la sensibilidad tanto a bajas como a altas frecuencias espaciales. Este fenómeno se representa con la función de sensibilidad al contraste (Contrast Sensitivity Function o CSF). El correcto modelado de la CSF es especialmente difícil para imágenes en color. Típicamente, se supone que las sensibilidades al color y al patrón son separables, de modo que sólo es necesario determinar e implementar una CSF para cada uno de los canales del espacio de color.
5. Enmascaramiento. El enmascaramiento se produce cuando un estímulo, visible por sí mismo, no se detecta en presencia de otro estímulo. A veces puede darse también el efecto contrario, llamado facilitación, que consiste en que un estímulo, que cuando está solo no es visible, se detecta en presencia de otro estímulo. En el contexto del tratamiento de imágenes, podemos considerar que es la imagen original la que enmascara o facilita la distorsión. El enmascaramiento explica por qué distorsiones similares son muy molestas en ciertas zonas de la imagen mientras que son apenas perceptibles en otras zonas. Las técnicas perceptuales de evaluación de calidad de imagen (las cuales se verán en el Capítulo 9 de esta Tesis) representan el estado del arte del modelado del SVH. Por otra parte, la compresión de imágenes (ver el Capítulo 10) es probablemente la aplicación de tratamiento de imágenes más extendida que puede beneficiarse considerablemente del uso de modelos del SVH, ya que de esta forma es posible maximizar la calidad perceptual para cada tasa de compresión.
Frente a los modelos del SVH de inspiración sobre todo psicofísica, usados tradicionalmente en tratamiento de imágenes, esta Tesis aboga por el uso de modelos tendentes a la neurobiología y con una fuerte componente estadística. En concreto, veremos cómo a partir de modelos funcionales del córtex visual primario, adaptados a la estadística de las imágenes naturales, es posible obtener representaciones de imágenes estadísticamente más independientes y además más significativas desde el punto de vista perceptual, muy útiles por tanto en múltiples aplicaciones de tratamiento y análisis de imágenes. El futuro de los esquemas multipropósito de tratamiento de imágenes de inspiración biológica, pasa sin duda por este tipo de modelos.