Quantitative Assessment of Perceived Visibility Enhancement with Image Processing for Single Face Images: A Preliminary Study
Notice bibliographique
Résumé
PURPOSE: To develop a method to quantitatively assess the visibility enhancement of single face images gained with digital filters for people with maculopathy. To apply this method to obtaining preliminary results of visibility enhancement with subjectively preferred filters for people with maculopathy. METHODS: Six subjects with normal vision and two with maculopathy were required to recognize seven facial expressions of single face images with different display durations of 2 seconds, 1 second, and 0.73 second. As a result, four facial expressions (anger, disgust, fear, and sadness) and a display duration of 0.73 second were chosen to measure single face image visibility enhancement with subjectively preferred digital filters. Finally, nine subjects with maculopathy viewed 30 images with four facial expressions that were either unfiltered or filtered with subjectively preferred digital filters. Each subject was required to identify the facial expression in a four-alternative, forced-choice paradigm. The errors with original and filtered images were calculated. RESULTS: The method with four facial expressions and display duration of 0.73 second prevented a ceiling effect. The nine subjects with maculopathy made significantly fewer errors with the filtered images than with the original ones images (P = 0.004). CONCLUSIONS: The developed method was effective in objective (quantitative) measurement of the enhancement in image visibility with digital filtering for people with maculopathy. There is a measurable improvement in facial expression recognition with subjectively preferred filters. The facial expression recognition task developed and validated in the present study is recommended as a method to be used in future studies of enhancement of face images.
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) | 0,001 | 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 ».