« COMPRESSION D'IMAGES DANS DOMAINE DES VALEURS

SINGULIERES : METRIQUE BASEE SUR LE RATIO

ENERGETIQUE »
Henri Bruno RAZAFINDRADINA1, Paul Auguste RANDRIAMITANTSOA2
1
Institut Supérieur de Technologie d’Antsiranana
2
Ecole Supérieure Polytechnique d’Antananarivo

Résumé
La compression d’images numériques permet de réduire la taille d’une image dans le but
d’augmenter la capacité des supports de stockage et d’optimiser l’utilisation de la bande passante
d’un réseau. L’objet de cet article est le codage d’images numériques par compactage d’énergie
dans le domaine des valeurs singulières ou SVD. Notre contribution consiste en l’évaluation de la
qualité des images compactées en utilisant l’indice de similarité structurelle SSIM et le ratio
énergétique.
Les résultats montrent que sur des images de 512×512 pixels, pour un rang k = 64 correspondant à
un indice SSIM = 0.9832, l’énergie est restituée à 99,9496 %.
I. Introduction
La compression d’images numériques a connu une évolution incessante, depuis les années 60,
parallèlement à celle des télécommunications et du multimédia. Elle permet de réduire la taille
d’une image dans le but d’augmenter la capacité des supports de stockage (limités en capacité) et
d’optimiser l’utilisation de la bande passante d’un réseau. Depuis la normalisation de l’algorithme
JPEG basé sur la transformée en cosinus discrète [1], le volume des données multimédias (son,
image, vidéo, etc.) n’a cessé d’augmenter. La norme JPEG2000 basée sur la transformée par
ondelettes [2] a permis d’augmenter le taux de compression des images avec une qualité supérieure
à celle de JPEG. L’objet de cet article est le codage d’images numériques par compactage d’énergie
dans le domaine des valeurs singulières ou SVD. La SVD consiste à décomposer une matrice en un
produit de 3 matrices U, S et V (S est appelée matrice des valeurs singulières). Chen [3],
Abrahamsen [4], ainsi que Kahu [5] ont déjà proposé une méthode de compression d’images à
niveaux de gris ne retenant que les k premières valeurs singulières. L’évaluation de leur méthode
était basée seulement sur la mesure des erreurs quadratiques MSE ou PSNR.
Notre contribution consiste en l’évaluation de la qualité basée sur l’indice de similarité
structurelle SSIM qui permet une mesure de la qualité visuelle des images compressées et une
nouvelle métrique consistant à mesurer le ratio énergétique des images après compactage de la
matrice des valeurs singulières. Les bases de l’algorithme seront d’abord décrites, nous détaillerons
ensuite la métrique proposée et les résultats obtenus seront discutés.
II. La décomposition en valeurs singulières
II.1. Principe
Toute matrice I de taille m × n de rang r peut être décomposée en une somme pondérée de matrices
unitaires m × n par Décomposition en Valeurs Singulières (SVD : Singular Value Decomposition).
Les matrices U et V sont unitaires et I peut donc s’écrire :
n
I =U × S ×V =∑ ( σ i ×ui × v i )
T T
(1)
i=1
S est une matrice dont les r premiers termes diagonaux sont positifs, tous les autres étant nuls. Les r
termes σi non nuls sont appelés valeurs singulières de I.

( )
σi ⋯ 0
S= ⋮ ⋱ ⋮ (2)
0 ⋯ σn
Où σ1 ≥ σ2 ≥ … ≥ σr et σr+1 ≥ σr+2 ≥ … ≥ σn = 0
 II.2. Application de la SVD en compression d’images
Les valeurs singulières représentent l’énergie de l’image. Sadek [6] parle de la décomposition SVD
comme une approche orientée énergie. En effet, l’énergie totale de l’image I est représentée dans la
formule suivante :
m n n
‖I ‖=trace [ I T × I ] =∑ ∑ I 2 ( i , j )=¿ ∑ σ 2i ¿ (3)
i=1 j=1 i=1
La compression d’une image à niveau de gris vient donc intuitivement en forçant les valeurs
singulières les plus faibles à zéro. En ne sélectionnant que les k (k ≤ n) premières valeurs
singulières, on peut approximer la matrice I par la formule :
k
I k =U × S k ×V T =∑ σ i × ui × v Ti (4)
i=1
Sk représente la matrice des k valeurs singulières compressée. L’énergie correspondant est :
k

‖I k‖=trace [ I Tk × I k ] =∑ σ 2i (5)
i=1

II.4. Evaluation
PSNR : Le PSNR (Peak Signal to Noise Ratio) a été longtemps utilisé pour mesurer la distorsion
correspondant à un ratio donné. Soit I l’image originale et Ik l’image compressée.

( )
2
Max [ I ( i, j ) ]
PSNR=10 × log 10 (6)
EQM
L’EQM est l’erreur quadratique moyenne :
m n
1 2
EQM= ∑ ∑
m ×n i=1 j =1
[ I ( i , j ) − I k ( i, j ) ] (7)
Mais il est depuis quelques années remplacé par SSIM qui reproduit mieux la Perception Visuelle
Humaine.
SSIM : L’idée de SSIM [7] (Structural Similarity) est de mesurer la similarité de structure entre les
deux images, plutôt qu’une différence pixel à pixel comme le fait le PSNR
( 2 μ I μ J +C1 ) ( 2 σ I σ J +C 2 ) ( 2 cov IJ +C3 )
SSIM ( I , J ) = (8)
( μ 2I + μ 2J +C1 )( σ 2I +σ 2J +C 2) ( σ I σ J +C 3 )
Avec
I l’image originale, J l’image compressée ;
µI la moyenne de I, µJ la moyenne de J ;
σI2 la variance de I, σJ2 la variance de J, covIJ la covariance de I et J ;
C1 = (k1L)2, C2 = (k2L)2 deux variables destinées à stabiliser la division quand le dénominateur est
très faible ;
L = la dynamique des valeurs des pixels, soit 255 pour des images codées sur 8 bits ;
k1 = 0,01 et k2 = 0,03 par défaut.

II.5. Métrique proposée

Vu les critiques et discussions sur les performances du PSNR, nous proposons, pour évaluer la
qualité de l’image compressée par SVD, le ratio énergétique correspondant au rapport entre
l’énergie de l’image compressée Ik et celle de l’originale I.
 k

‖ I k‖ ∑
2
σi
E= = i =1 (9)
‖I ‖ n

∑σ 2
i
i =1
Nous estimons que si l’énergie E est restituée à plus de 99,9 %, l’image sera considérée comme de
bonne qualité.

II.6. Résultats
Nous avons comparé les SSIM et E en faisant varier le nombre de valeurs singulières retenues pour
les images de test « lena, liftingbody et mandrill » de dimension 512 × 512 pixels.
Les graphiques suivants décrivent la variation de SSIM et E en fonction de k.

Figure 1. Variation de SSIM et E en fonction de k pour l’image Lena

Figure 1. Variation de SSIM et E en fonction de k pour l’image Liftingbody

Nous remarquons qu’à partir de k = 40, nous obtenons déjà des images à 99,9 % restituées. On
assiste par contre à une faible variation du rapport de compression contrairement à SSIM.
Notons également la présence de 3 zones distinctes sur les graphiques correspondant à 3 niveaux de
qualité différents. Le tableau suivant décrit ces 3 zones avec les valeurs moyennes obtenues pour
toutes les images de test.
 Tableau 1. Zones d'appréciation basée sur le ratio énergétique

k 8 à 32 40 à 120 128 à 448

PSNR 27 dB à 34 dB 35 dB à 42 dB 43 dB à 98 dB
SSIM 0,82 à 0,92 0,93 à 0,98 0,98 à 1
E 99,39 à 99,85 99,9 à 99,98 99,99 à 100
Zone 99 999 9999
Appréciatio
n Mauvaise qualité Bonne qualité Très bonne qualité
On obtient des images de mauvaise qualité pour 8 ≤ k ≤ 32 correspondant à « DEUX NEUFS » ; de
bonne qualité pour 40 ≤ k ≤ 120 correspondant à « TROIS NEUFS » ; de très bonne qualité
correspond à k ≥ 128 « QUATRE NEUFS »

II.7. Conclusion et perspective

L’indicateur Radio énergétique peut très bien être utilisé pour compléter les failles de PSNR et de
SSIM qui ne sont que des indicateurs visuels. La deuxième zone coïncide bien avec le seuil
d’appréciation du PSNR qui dit qu’entre 30 dB et 50 dB, l’image est de bonne qualité. Mais l’écart
de 5 dB indique qu’avec l’algorithme SVD, la valeur typique du PSNR est de 35 dB. Comme
l’écart entre Emin et Emax est inférieur à 0,5, on peut dire que la métrique est très précise par rapport à
SSIM et PSNR. Le rapport énergétique est un indicateur simple à utiliser mais nécessite un temps
de calcul important. Ce dernier pourrait être amélioré en utilisant l’algorithme de traitement
parallèle [8] proposé par SairaBanu. La suite du travail consistera à appliquer cet indicateur aux
images en couleur. On pourrait également l’utiliser dans les algorithmes hydrides comme SVD et
MPQ-BTC [9]
Références
[1] Watson A. B. (1994). Image Compression Using the Discrete Cosine Transform. Mathematica
Journal, 81-88.
[2] Meadows S. C. (1997). Color image compression using wavelet transform. Thesis in Electrical
Engineering, 1-86.
[3] Chen J. (2000). Image compression with SVD. ECS 289K Scientific Computation, 13.
[4] Abrahamsen A., Richards D. (2001). Image Compression using Singular Value Decomposition.
Linear algebra applications, 1-14.
[5] Kahu S., Rahate R. (2013). Image Compression using Singular Value Decomposition.
International Journal of Advancements in Research & Technology. Volume 2, Issue 8, 244-248.
[6] Rowayda A. Sadek. (2012). SVD Based Images Processing Applications : State of the Art,
Contributions and Research Challenges. International Journal of Advanced Computer Science and
Applications. Volume 3, No. 7, 26-34.
[7] Wang Z., Bovik A. C., Sheikh H. R. and Simoncelli E. P. (2004). Image quality assessment :
From error visibility to structural similarity. IEEE Transactions on Image Processing. Volume 13,
no. 4, 600-612
[8] SairaBanu J., Rajasekhara B. and Pandey R. (2015). Parallel Implementation of Singular Value
Decomposition in Image Compression Using Open Mp and Sparse Matrix Representation. Indian
Journal of Science and Technology. Volume 8 (13), 1-10
[9] El Abbadi N. K. & Al. (2014). Image Compression based on SVD and MPQ-BTC. Journal of
Computer Science. Volume 10, 2095-2104