A Lightweight Multi-Metric No-Reference Image Quality Assessment Framework for UAV Imaging

Titolo: Un Framework Leggero Multi-Metrico per la Valutazione della Qualità dell'Immagine Senza Riferimento (NR-IQA) per l'Imaging UAV

1. Il Problema

La valutazione della qualità dell'immagine (IQA) è fondamentale in applicazioni che acquisiscono automaticamente grandi volumi di immagini, come il monitoraggio agricolo tramite droni (UAV), per filtrare i dati prima dell'analisi successiva. Tuttavia, in molti scenari pratici, non è disponibile un'immagine di riferimento "perfetta" (pristina) per il confronto.

• Limitazioni delle soluzioni esistenti: I metodi di riferimento completo (Full-Reference) sono inutilizzabili senza l'originale. I metodi senza riferimento (No-Reference o Blind IQA) esistenti spesso richiedono risorse computazionali elevate (spesso basati su Deep Learning), mancano di interpretabilità (è difficile capire perché un'immagine ha un punteggio basso) o faticano a gestire immagini con distorsioni multiple e simultanee (es. sfocatura, rumore e sottoesposizione insieme).
• Necessità: È richiesto un framework leggero, eseguibile su CPU standard, che offra un punteggio di qualità unico ma sia anche interpretabile, identificando le specifiche cause del degrado (sfocatura, rumore, ecc.).

2. Metodologia: Il Framework MM-IQA

Gli autori propongono MM-IQA (Multi-Metric Image Quality Assessment), un framework deterministico, senza training (training-free) e senza riferimento. Il sistema converte un'immagine RGB in un punteggio di qualità unico nell'intervallo [0, 100] attraverso le seguenti fasi:

• Preprocessing: L'immagine RGB viene convertita in scala di grigi per analizzare la struttura della luminanza, riducendo la complessità computazionale.
• Estrazione di Cues Primitivi (Indicatori): Vengono calcolati diversi indicatori fisici interpretabili:
  • Nitidezza: Varianza Laplaciana ed Energia Tenengrad (per rilevare sfocatura).
  • Densità dei Bordi: Utilizzando il rilevatore di Canny per misurare la quantità di dettagli strutturali.
  • Contenuto in Frequenza: Energia FFT (Trasformata di Fourier) per valutare la presenza di dettagli ad alta frequenza.
  • Rumore: Stima basata sul residuo tra l'immagine originale e una versione filtrata con mediana.
  • Bilanciamento dell'Esposizione: Percentuale di pixel sottoposti (ombre tagliate) e sovrapposti (luci tagliate) basata sull'istogramma.
  • Presenza di Foschia (Haze): Utilizzo del "Dark Channel Prior" come proxy per la luce velante atmosferica.
• Creazione di Cues Compositi:
  • Blur%: Media normalizzata di Laplaciano, Tenengrad e densità dei bordi.
  • Low-Resolution%: Combinazione di densità dei bordi e energia FFT per distinguere la sfocatura ottica dal basso risoluzione (downsampling).
• Fusione e Punteggio Finale:
  • Tutti i cue vengono normalizzati in un intervallo [0, 1].
  • Vengono aggregati in un unico punteggio $Q$ tramite una somma pesata lineare: $Q = 100 \sum w_i q_i$.
  • I pesi ($w$) sono fissati empiricamente (es. 0.30 per lo sfocato, 0.20 per la bassa risoluzione) per riflettere l'impatto sulla visibilità dei dettagli.

3. Contributi Chiave

• Leggerezza Computazionale: L'implementazione in Python/OpenCV richiede circa 1.97 secondi per immagine su hardware standard e utilizza una memoria che scala linearmente con la dimensione dell'immagine, rendendolo ideale per l'elaborazione in tempo reale su UAV.
• Interpretabilità Esplicita: A differenza delle "scatole nere" del deep learning, MM-IQA fornisce un punteggio basato su indicatori fisici chiari (es. "basso punteggio dovuto all'alta percentuale di sfocatura e rumore").
• Gestione di Distorsioni Multiple: Il framework è progettato per gestire scenari reali dove coesistono diversi tipi di degrado (es. foschia + sfocatura da movimento).
• Approccio Senza Training: Non richiede dataset di addestramento o modelli di regressione complessi, basandosi su regole deterministiche e statistiche delle scene naturali.

4. Risultati Sperimentali

Il framework è stato valutato su cinque dataset benchmark pubblici (KonIQ-10k, LIVE Challenge, KADID-10k, TID2013, BIQ2021) e su un dataset sintetico agricolo (IP102-IQA).

• Performance Quantitativa:
  • Su tutti i dataset, MM-IQA ha ottenuto i punteggi più alti tra i metodi classici NR-IQA (senza confronto con modelli Deep Learning pesanti).
  • SRCC (Spearman Rank Correlation): Variabile da 0.647 (BIQ2021) a 0.830 (TID2013).
  • PLCC (Pearson Linear Correlation): Variabile da 0.667 a 0.845.
  • In particolare, su TID2013 e KADID-10k, il metodo ha superato i migliori baseline classici (come NBIQA o ENIQA) con margini significativi (es. +0.202 su SRCC per TID2013).
• Analisi Qualitativa:
  • Sui dataset sintetici, i cue specifici rispondono correttamente alle distorsioni applicate (es. il cue "Blur" aumenta quando l'immagine viene sfocata).
  • Sui dataset reali (LIVE Challenge), il punteggio correla bene con la percezione umana: le immagini nitide e ben esposte ricevono punteggi alti, mentre quelle con motion blur, sottoesposizione o foschia ricevono punteggi bassi.
• Robustezza: Un'analisi di sensibilità ha mostrato che piccole variazioni nei parametri di calibrazione non influenzano drasticamente i risultati, confermando la stabilità del metodo.

5. Significato e Implicazioni

Il lavoro dimostra che è possibile realizzare un sistema di valutazione della qualità dell'immagine altamente efficace, veloce e interpretabile senza ricorrere a modelli di deep learning complessi.

• Applicazione Pratica: È particolarmente adatto per pipeline di imaging basate su UAV in ambito agricolo, dove è necessario scartare rapidamente i frame di bassa qualità (es. a causa di movimento, nebbia o scarsa illuminazione) prima di procedere con l'annotazione o l'analisi delle colture.
• Efficienza: La capacità di funzionare su CPU con basso consumo di memoria lo rende deployabile su dispositivi edge o sistemi embedded con risorse limitate.
• Trasparenza: La natura interpretabile del punteggio permette agli utenti finali di comprendere le cause del degrado, facilitando la regolazione dei parametri di acquisizione dei droni.

In sintesi, MM-IQA offre un compromesso ottimale tra accuratezza predittiva, costo computazionale e trasparenza, colmando il divario tra metodi statistici semplici e modelli complessi di apprendimento automatico per applicazioni reali.