Autor(es):
Torlig, Eric de Menezes
Data: 2019
Origem: Oasisbr
Assunto(s): Nuvem de pontos; Qualidade visual; Conteúdos tridimensionais; Métricas; Nuvem de pontos; Nuvem de pontos; Qualidade visual; Qualidade visual; Conteúdos tridimensionais; Conteúdos tridimensionais; Métricas; Métricas
Descrição
Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018.
Este estudo propõe um novo arcabouço para a mensuração e avaliação da qualidade visual de conteúdos tridimensionais representados através de nuvens de pontos, baseado na projeção bidimensionais dos conteúdos sob análise. A escolha do número e orientação das projeções é feita de maneira a cobrir a superfície do conteúdo em análise da maneira mais uniforme possível. As projeções são então mensuradas através de métricas objetivas comuns para a avaliação de conteúdo bidimensional. Por meio de experimentos subjetivos, o desempenho do arcabouço é explorado em conjunto com diversas métricas comumente utilizadas em análise de imagens ou vídeos, e comparado com métricas baseadas em pontos já utilizadas para a avaliação de conteúdo tridimensional. Em relação a outras métricas já existentes, o desempenho do arcabouço proposto se mostra consideravelmente superior em prever a qualidade subjetiva percebida por pessoas.
This study proposes a novel framework for the measuring and evaluation of visual quality of three dimensional content represented by point clouds, based on two dimensional projections of the contents under evaluation. The choice of the number and orientation of the projections is done so as to cover content surface as uniformly as possible. Projections are then evaluated using objective metrics usual to two dimensional content. By performing subjective experiments, the framework’s performance is explored combined with several metrics common in analysis of images or video, and compared with point-based metrics normally used in three-dimensional content evaluation. Relative to other previously existing metrics, the framework’s performance is considerably superior at predicting subjective quality as perceived by human beings.