Académique Documents
Professionnel Documents
Culture Documents
net/publication/322643565
CITATION READS
1 2,420
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Zianou Ahmed Seghir on 22 January 2018.
Résumé
L’image subit un ensemble de déformations pendant La mesure objective a pour but de développer les
l’acquisition, le traitement la transmission et la mesures quantitatives pouvant automatiquement prévoir
compression etc.De ce fait, l’évaluation de sa qualité est la qualité perçue d'images. Ces méthodes d'évaluation de
nécessaire. Plusieurs méthodes sont proposées dans la qualité d'images peuvent être classées en trois catégories.
littérature permettant l’évaluation de la qualité d’image Les premières catégories sont les méthodes avec
(EQI), le choix d’une métrique d’EQI qui donne des Référence, dans lesquelles l'algorithme a un accès à une
meilleurs résultats conformes avec l’évaluation version parfaite de l'image avec laquelle il peut
subjective est le souci des chercheurs. Dans cet article comparer la version déformée.
nous présentons une évaluation comparative entre Les deuxièmes catégories sont les méthodes sans
certaine méthodes à savoir erreur moyenne référence, dans lesquelles l'algorithme n’a accès qu’à
quadratique (Mean Square Error : MSE), le rapport l’image déformée et doit estimer la qualité de l’image
signal sur bruit crête (Peak Signal Noise Ratio :PSNR) et sans connaissance de la version parfaite. Dans un
SSIM (l’index de similarité Structurelle ). troisième type de méthodes, l’image de référence est
disponible partiellement, elle est connue sous le nom
Mot-clés : Evaluation, qualité, images, SSIM, MSE, d’estimation de la qualité de référence réduite (reduced –
PSNR reference )
L’article est organisé comme suit. Quelques
1. Introduction algorithmes d’évaluation de la qualité d’image sont
Notons à titre indicatif que prés de 90% de présentés dans la section 2. Dans la section 3, les
l’information reçue par l’homme est visuelle, donc la résultats et leurs interprétations sont introduits. La
production d’images de qualité, de même que leur quatrième section est destinée à la conclusion.
traitement numérique, et, si possible automatique a une
importance considérable. 2. Méthode d’évaluation de la qualité d’image
La plupart des appareils scientifiques fournissent des Le but de la recherche dans l'évaluation objective de
images (microscopes, télescopes, radio etc.). Et, de la qualité d'images est de développer les mesures
nombreux domaines d’application utilisent l’image quantitatives qui peuvent automatiquement prévoir la
comme source d’information et/ou de visualisation. qualité perçue d'images.
Le traitement numérique des images va mettre en œuvre D'une manière générale, une métrique de qualité
deux types d’approches principales ; l’amélioration d'images a trois types d'applications :
d’images pour la visualisation et éventuellement Primo, elle peut être employée pour surveiller la
l’interprétation <<manuelle>> par un expert humain. qualité d'images pour des systèmes de contrôle de
Les images sont sujettes à de grandes possibilités qualité. Par exemple, une image et un système
de déformations ce qui peut avoir comme d'acquisition de vidéo peuvent employer la métrique de
conséquence une dégradation de la qualité visuelle de la qualité pour surveiller et s'ajuster automatiquement
l’image. pour obtenir les images et les signaux vidéo de
EQI [1,2, 5, 7-10] joue un rôle important dans les meilleure qualité. Un serveur vidéo du réseau peut
applications de traitement d’images tels que la l'employer pour examiner la qualité de la vidéo
compression, l’analyse, l’enregistrement, la restauration numérique transmise sur le réseau et pour contrôler le
et l’amélioration. Les méthodes d'évaluation de la qualité flot de la vidéo.
d'images peuvent être soit subjectives soit objectives. En second lieu, elle peut être utilisée par des
La mesure subjective (qualitative) est le jugement le systèmes et des algorithmes à traitement d'images
plus fiable de l'évaluation de la qualité d'images. Elle est comme point de référence. On suppose qu’on doit choisir
effectuée par les observateurs humains. Le groupe de un système de traitement d'images parmi plusieurs pour
travail inclut des observateurs « non experts » et des une tâche spécifique, une métrique de qualité aide à
observateurs « experts ». Un observateur non expert évaluer : lequel d’entre eux fournit les meilleures
focalise son attention sur la vue globale, mais un qualités d‘images.
observateur qualifié peut se concentrer sur les détails.
Fig.1 Diagramme du système de mesure de similarité structurelle (SSIM)
1 2 +( )
= ( − ) (5) ( , )= (9)
−1 2 +( )
Finalement, la mesure de similarité résultante des trois
La similarité est déterminée par la perte de corrélation comparaisons est donnée par une expression simplifiée
entre les deux vecteurs: de l’index de similarité structurelle entre x et y :
SSIM (x, y)= l(x, y). c (x, y). s (x, y)
1 où encore sous une forme simplifiée:
= (6)
−1
2 +( ) 2 +( )
( , )= (10)
La fonction de comparaison de luminance notée par + +( ) + +( )
l(x, y) est une fonction de x et y.
Le contraste entre deux faisceaux spatiaux noté par L’index de similarité est exploité pour un choix
c(x, y), comparent les variances de x et y. approprié des constantes K1 et K2 pour généraliser
La troisième fonction compare les structures des deux l’évaluation à toute l’image.
vecteurs spatiaux donnés par la fonction s(x, y) en
fonction de deux vecteur normalisés. 3. Résultats et interprétations
Finalement la fonction mesurant la similarité, est une
fonction de l(x, y), c(x, y) et de s(x, y). Pour vérifier l'efficacité de ces méthodes, des
Elle est de la forme : expériences sont exécutées sur la base d'image [4] (the
S(x, y)= f (l(x, y), c(x, y), s(x, y)) Live Image Quality Assess Database Release2 ) du
laboratoire de l'ingénierie d'image et de vidéo à
Une propriété intéressante est que les trois composants l'université du Texas à Austin. Cette base contient 29
de la fonction f (.) sont relativement indépendants. Aussi, image couleur de haute résolution comme référence ainsi
la fonction s(x, y) doit satisfaire les conditions suivantes :
que cinq types des images déformées : JPEG 175,
1. s(x, y) = s(y, x) JPEG2000 169, bruit blanc 145, bruit gaussien 145 et
2. s(x, y) ≤ 1 l'effacement rapides 145 (Fast-Fading ; les images
3. s(x, y) = 1 si et seulement si x = y bruyantes de canal de Rayleigh à une gamme de niveaux
qualité).
Wang et Al ont proposé dans [5] une fonction de Afin de fournir des mesures quantitatives sur
comparaison de luminance de la forme : l'exécution des méthodes (SNR, MSE, PSNR et SSIM),
2 +( ) on suit les procédures standard d'évaluation des
( , )= (7) performances utilisées par le groupe d'expert [6] de la
+ +( )
qualité de vidéo (VQEG) ; le test de la phase II FR-TV.
K1 est une constante de très faible valeur. La constante On a également comparé la performance des
(k1L)2 évite l’instabilité de la fonction de comparaison algorithmes SNR, MSE, PSNR et SSIM. Les tableaux 1
lorsque + sont très proches de zéro. Dans le cas et 2 récapitulent les résultats de validation. Fig.2 montre
des images à niveau de gris, la constante est L = 255. des images originales extraites à partir de la base
d’images et leurs images déformées.
On a effectué un plan non linéaire entre les points L’ajustement (optimisation des paramètres β) est effectué
objectifs et subjectifs [6]. Le plan non linéaire des cinq- par la fonction fminsearch du MATLAB.
paramètre (β1, β2, β3, β4 et β5) est employé pour Les métriques qui sont employées dans le calcul entre les
transformer l'ensemble d'estimations de qualité par les résultats subjectifs et objectifs sont le coefficient de
métriques objectives de qualité à un ensemble des corrélation (cc), le coefficient de corrélation spearman
valeurs prévues moyennes d'opinion de différence rank-order (ROCC), le rapport d'annexe (outlier ratio:
(DMOS) dénoté DMOSP. OR), la racine d'erreur carrée moyenne (RMS) et l'erreur
Le plan non linéaire est choisi au-dessus du plan absolue moyenne (MAE). Le coefficient de corrélation
(cc) signifie le degré de corrélation entre chaque
linéaire pour expliquer les caractéristiques non linéaires
méthode et DMOS ; la valeur plus grande de cc signifie
des points subjectifs aux extrémités des gammes d'essai.
une meilleure exactitude. Le coefficient de corrélation
La fonction traçante est une fonction logistique avec le
spearman rank-order (ROCC) est considéré comme
terme linéaire additif donné dans l'équation (11). mesure de monotonie de prévision, plus grande est la
= logistic , ( − ) + + (11) valeur de ROCC, meilleure est la monotonie. Le rapport
1 1 d'annexe (outlier ratio: OR), la racine d'erreur carrée
logistic( , )= − (12)
2 1 + exp( ) moyenne (RMS) et l'erreur absolue moyenne (MAE)
Où VQR est l’estimation de la qualité des méthodes sont des mesures d'uniformité de prévision, leurs plus
objective (SNR, MSE, PSNR et SSIM) et β1, β2, β3, β4, petites valeurs signifient une meilleur performance.
β5 sont choisis pour le meilleur ajustement.
L’élaboration d’une base d’images originales et [10] T. Brandão, M.P. Queluz, No-reference image
dégradées. quality assessment based on DCT domain statistics ,
Etudes comparatives entres les méthodes Signal Processing 88 (2008) 822–833.
d’évaluation de qualité de vidéo.
Le problème du choix d’un espace de couleur
peut être étudié par ces critères