Objective assessment of improved visibility with digital image enhancement for the visually impaired
Notice bibliographique
Résumé
Purpose: Observers with visual impairment show subjective preferences for pictures that are digitally enhanced with generic filters and specially-designed filters. The purpose of this study was to use a measure of performance to demonstrate improved visibility of images that have been enhanced. Methods: Nine subjects with maculopathy were recruited. The range of digital filters included generic filters (high pass or un-sharp mask, contrast enhancement, Sobel edge enhancement, DoG convolution), and custom-devised filters (Peli contrast enhancement and filters based on contrast sensitivity and supra-threshold contrast matching results). The filters were applied to two groups of images (14 faces and 14 general scenes). Using subjective comparisons and ratings of perceived visibility of filtered images compared to unfiltered images, the best two filters were obtained for each subject. These two best filters were applied to another two groups of images (32 faces with four facial expressions and 7 general scenes). For the face images, subjects were required to recognize facial expressions (anger, disgust, fear, or sadness). Eight questions were generated for each general scene image. Percent correct was calculated for both sets of images comparing filtered and unfiltered images. Results: Image enhancement improved performance both with facial expression recognition (paired t-test, p = 0.004) and questions about general scenes (6 or 7 out of 9 subjects show significant improvement - paired t-test, p[[lt]]0.05). Conclusion: This study demonstrates that it is possible to measure improvements in visibility with digital image enhancement and that digital enhancement with a variety of generic and custom-devised filters improves visibility measured both subjectively and objectively for people with maculopathy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».