Métricas de Qualidade
Esta avaliação faz-se essencialmente de duas formas: objetiva ou subjetiva.
Os métodos objetivos, como as métricas de erro, baseiam-se na comparação de imagens, através de métodos computacionais. Esta comparação é feita através da diferença dos pixéis ou da tentativa de simular o sistema visual humano. Estes métodos possuem algumas limitações. Os mais comuns, como o PSNR (Peak signal-to-noise Ratio) ou SSIM (Structural Similarity) não conseguem lidar corretamente com o HDR, uma vez que assumem que a intensidade dos pixéis é uniforme, independentemente dos seus valores de luminância.
Os métodos subjetivos consistem em analisar diferentes imagens, através da recolha da opinião de várias pessoas, cuja função é compara-las com as imagens de referência. Uma vez que este método implica um custo mais elevado, tornou-se necessário encontrar novas métricas de avaliação de qualidade baseadas na capacidade de simular o sistema visual humano, como o HDR-VDP.
HDR-VDP
O High Dynamic Range Visual Difference Predictor é um modelo computacional que simula o sistema visual humano. Através da comparação de duas imagens, permite analisar a probabilidade das diferenças entre as imagens serem visíveis por um observador.
Após o processamento da imagem de referência (a) e da imagem distorcida (b) é produzido um mapa de deteção de probabilidade (c). As diferenças de cor descrevem as respetivas probabilidades de serem detetadas diferenças, sendo vermelho o mais provável e verde o menos provável.
HDR-VDP2
​
O HDR-VDP2 é uma versão melhorada da versão HDR-VDP, melhorando a precisão das previsões, através das diversas alterações introduzidas na arquitetura do modelo original. Nesta versão prevê-se a qualidade da imagem e, tal como no HDR-VDP, a probabilidade de deteção. A qualidade da imagem, após comparação com a imagem de referencia, é dada numa escala de 0-100, correspondendo respetivamente ao pior e ao melhor caso. O HDR-VDP2 trabalha com a gama completa de luminância que o olho humano consegue ver e não apenas com a luminância que pode ser apresentada num display SDR. Na figura seguinte é possível visualizar uma análise efetuada com a nova versão.
Tone Mapping Image Quality Index (TMQI)
​
Durante a conversão de imagens de HDR para LDR, através do Tone Mapping, ocorrem normalmente perdas de informação. Desta forma torna-se importante avaliar a qualidade de imagem obtida após este processo, de modo a que seja possível aos operadores de Tone Mapping obter uma melhor qualidade de imagem.
O TMQI é um algoritmo objetivo de avaliação de qualidade para imagens Tone Mapped. Este consiste na combinação de uma medida de fidelidade estrutural de várias escalas, com uma medida de naturalidade baseada em estatísticas de intensidade de imagens naturais.
Para que uma imagem Tone Mapped tenha uma boa qualidade é necessário que haja uma boa relação entre a fidelidade estrutural e a naturalidade estatística.
