See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/322643565

Etude comparative des méthodes d’évaluation de la qualité d’image

Conference Paper · December 2010

CITATION READS

1 2,420

1 author:

Zianou Ahmed Seghir

Abbes Laghrour - Khenchela University
46 PUBLICATIONS   100 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

image quality assessment View project

Stereoscopic Image Quality Assessment View project

All content following this page was uploaded by Zianou Ahmed Seghir on 22 January 2018.

The user has requested enhancement of the downloaded file.

 Etude comparative des méthodes d’évaluation de la qualité d’image
AHMED SEGHIR Zianou1, HACHOUF Fella2, ARDJOUNE Mourad3, FALEK Salem4
1, 3,4
, Institut des sciences et technologies, Centre Universitaire Abbas Laghrour Khenchela
zianou_ahmed_seghir@yahoo.fr
2
Laboratoire d’automatique et de robotique, université Mentouri Constantine
Route d'Ain El Bey, 25000, Constantine.
fhachouf@wissal.dz

Résumé

L’image subit un ensemble de déformations pendant
l’acquisition, le traitement la transmission et la
compression etc.De ce fait, l’évaluation de sa qualité est
nécessaire. Plusieurs méthodes sont proposées dans la
littérature permettant l’évaluation de la qualité d’image
(EQI), le choix d’une métrique d’EQI qui donne des
meilleurs résultats conformes avec l’évaluation
subjective est le souci des chercheurs. Dans cet article
nous présentons une évaluation comparative entre
certaine méthodes à savoir erreur moyenne
quadratique (Mean Square Error : MSE), le rapport
signal sur bruit crête (Peak Signal Noise Ratio :PSNR) et
SSIM (l’index de similarité Structurelle ).
Mot-clés : Evaluation, qualité, images, SSIM, MSE,
PSNR
1. Introduction
Notons à titre indicatif que prés de 90% de
l’information reçue par l’homme est visuelle, donc la
production d’images de qualité, de même que leur
traitement numérique, et, si possible automatique a une
importance considérable.
La plupart des appareils scientifiques fournissent des
images (microscopes, télescopes, radio etc.). Et, de
nombreux domaines d’application utilisent l’image
comme source d’information et/ou de visualisation.
Le traitement numérique des images va mettre en œuvre
deux types d’approches principales ; l’amélioration
d’images pour la visualisation et éventuellement
l’interprétation <<manuelle>> par un expert humain.
Les images sont sujettes à de grandes possibilités
de déformations ce qui peut avoir comme
conséquence une dégradation de la qualité visuelle de
l’image.
EQI [1,2, 5, 7-10] joue un rôle important dans les
applications de traitement d’images tels que la
compression, l’analyse, l’enregistrement, la restauration
et l’amélioration. Les méthodes d'évaluation de la qualité
d'images peuvent être soit subjectives soit objectives.
La mesure subjective (qualitative) est le jugement le
plus fiable de l'évaluation de la qualité d'images. Elle est
effectuée par les observateurs humains. Le groupe de
travail inclut des observateurs « non experts » et des
observateurs « experts ». Un observateur non expert
focalise son attention sur la vue globale, mais un
observateur qualifié peut se concentrer sur les détails.
La mesure objective a pour but de développer les
mesures quantitatives pouvant automatiquement prévoir
la qualité perçue d'images. Ces méthodes d'évaluation de
qualité d'images peuvent être classées en trois catégories.
Les premières catégories sont les méthodes avec
Référence, dans lesquelles l'algorithme a un accès à une
version parfaite de l'image avec laquelle il peut
comparer la version déformée.
Les deuxièmes catégories sont les méthodes sans
référence, dans lesquelles l'algorithme n’a accès qu’à
l’image déformée et doit estimer la qualité de l’image
sans connaissance de la version parfaite. Dans un
troisième type de méthodes, l’image de référence est
disponible partiellement, elle est connue sous le nom
d’estimation de la qualité de référence réduite (reduced –
reference )
L’article est organisé comme suit. Quelques
algorithmes d’évaluation de la qualité d’image sont
présentés dans la section 2. Dans la section 3, les
résultats et leurs interprétations sont introduits. La
quatrième section est destinée à la conclusion.
2. Méthode d’évaluation de la qualité d’image
Le but de la recherche dans l'évaluation objective de
la qualité d'images est de développer les mesures
quantitatives qui peuvent automatiquement prévoir la
qualité perçue d'images.
D'une manière générale, une métrique de qualité
d'images a trois types d'applications :
Primo, elle peut être employée pour surveiller la
qualité d'images pour des systèmes de contrôle de
qualité. Par exemple, une image et un système
d'acquisition de vidéo peuvent employer la métrique de
la qualité pour surveiller et s'ajuster automatiquement
pour obtenir les images et les signaux vidéo de
meilleure qualité. Un serveur vidéo du réseau peut
l'employer pour examiner la qualité de la vidéo
numérique transmise sur le réseau et pour contrôler le
flot de la vidéo.
En second lieu, elle peut être utilisée par des
systèmes et des algorithmes à traitement d'images
comme point de référence. On suppose qu’on doit choisir
un système de traitement d'images parmi plusieurs pour
une tâche spécifique, une métrique de qualité aide à
évaluer : lequel d’entre eux fournit les meilleures
qualités d‘images.
 Fig.1 Diagramme du système de mesure de similarité structurelle (SSIM)
Tercio, elle peut être intégrée dans un système de
traitement d'images pour optimiser les algorithmes et les
ajustements de paramètre. Par exemple, dans un système
de communication visuelle, une métrique de qualité peut
aider la conception optimale des algorithmes de pré-
filtrage et d'affectation binaire à l'encodeur et les
algorithmes de post-traitement au décodeur.
En un mot, la mesure de qualité objective (par
opposition à l'évaluation subjective de qualité par les
observateurs humains) cherche à déterminer la qualité
d’image algorithmiquement. Le but de la recherche de
l'évaluation de qualité objective est de concevoir des
algorithmes dont la prévision de qualité est en accord
avec les points de vue subjectifs des observateurs
humains.
Dans la partie suivante on présente quelques
méthodes d'EQI.
2.1. Les méthodes avec référence complète
Dans lesquelles l'algorithme a un accès à une version
parfaite de l'image avec laquelle il peut comparer la
version déformée. La version parfaite vient
généralement d'un dispositif de haute qualité
d'acquisition, avant qu’elle soit déformée par des
méthodes de compression et des erreurs de transmission.
Cependant, l'image de référence exige généralement
beaucoup plus de ressources que la version déformée, et
par conséquent la référence complète est généralement
utilisée comme un outil pour concevoir les algorithmes
de traitement d'images pour le laboratoire de recherche,
et ne peut pas être déployée comme application.
2.1.1. l'erreur quadratique moyenne (MSE)
L’image dégradée Î est toujours comparée à l’originale I
pour déterminer son rapport de ressemblance. Ce critère
est le plus utilisé se basant sur la mesure de l'erreur
quadratique moyenne (MSE) calculée entre les pixels
originaux et dégradés [3]:
1
MSE = (Î(m, n) − I(m, n)) (1)
M×N
Où (M × N) est la taille de l’image, et I(m,n) et Î(m,n)
sont respectivement les amplitudes de pixel sur les
images originale et dégradée. Il est vraisemblable que
l'œil tienne beaucoup plus compte des erreurs à grandes
amplitudes, ce qui favorise la mesure quadratique.
2.1.2. Le rapport crête signal sur bruit (PSNR)
Au lieu de mesurer la distorsion, cette valeur (Peak
Signal to Noise Ratio, PSNR) [3] mesure la fidélité,
puisqu'elle est proportionnelle à la qualité. Tout de
même, elle est une fonction de MSE ; sa définition et son
utilisation proviennent du domaine du traitement de
signal:
= 10 log (2)
Pour une image à niveau de gris, I max désigne la
luminance maximale possible. Une valeur de PSNR
infinie correspond à une image non dégradée, et cette
valeur décroît en fonction de la dégradation. Le PSNR lie
donc le MSE à l'énergie maximale de l'image.
2.1.3. Le rapport signal sur bruit (SNR)
On utilise parfois une autre variante du rapport signal
sur bruit (Signal to Noise Ratio : SNR), [3] qui lie le
MSE à l'énergie moyenne de l'image :
1
∑
= 10 log (3)
2.1.4 L’index de similarité structurelle (SSIM) :
SSIM [5] est une mesure de similarité entre deux
images numériques. Elle a été développée pour mesurer
la qualité visuelle d'une image déformée, par rapport à
l'image originale. L'idée de SSIM est de mesurer la
similarité de structure entre les deux images, plutôt
qu'une différence pixel à pixel comme le fait par
exemple le PSNR. L'hypothèse sous-jacente est que l'œil
humain est plus sensible aux changements dans la
structure de l'image (voir Fig.1).
La métrique SSIM est calculée sur plusieurs fenêtres
d'une image de taille NxN. On dénote x et y les vecteurs
de l’image originale et déformée respectivement.
La similarité compare la luminance, le contraste et
structure entre chaque couple de vecteurs.
La luminance est estimée par la mesure de l’intensité
moyenne de chaque faisceau spatial:
1 La comparaison de structure est réalisée par la
= (4)
Le contraste de chaque faisceau est mesuré par:
1 2
= ( − ) (5)
−1
La similarité est déterminée par la perte de corrélation
entre les deux vecteurs:
1 où encore sous une forme simplifiée:
= (6)
−1
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
c(x, y), comparent les variances de x et y.
La troisième fonction compare les structures des deux
vecteurs spatiaux donnés par la fonction s(x, y) en
fonction de deux vecteur normalisés.
Finalement la fonction mesurant la similarité, est une
fonction de l(x, y), c(x, y) et de s(x, y).
Elle est de la forme :
S(x, y)= f (l(x, y), c(x, y), s(x, y))
Une propriété intéressante est que les trois composants
de la fonction f (.) sont relativement indépendants. Aussi,
la fonction s(x, y) doit satisfaire les conditions suivantes :
1. s(x, y) = s(y, x)
2. s(x, y) ≤ 1
3. s(x, y) = 1 si et seulement si x = y
Wang et Al ont proposé dans [5] une fonction de
comparaison de luminance de la forme :
2 +( ) on suit les procédures standard d'évaluation des
( , )= (7)
+ +( )
K1 est une constante de très faible valeur. La constante
(k1L)2 évite l’instabilité de la fonction de comparaison
lorsque + sont très proches de zéro. Dans le cas
des images à niveau de gris, la constante est L = 255.
On remarque que l'équation (7) est conforme à la loi de
Weber, largement utilisée pour la modélisation de
l’adaptation à la lumière dans le SVH (système visuel
humain). Selon la loi de weber la variation de luminance
est proportionnelle à la luminance de fond. En d’autres
termes, le SVH est sensible aux variations relatives de
luminance entre les deux signaux ou encore entre les
deux images.
La fonction de comparaison de contraste prend une
forme similaire :
2 +( )
( , )= (8)
+ +( )
où K2 est une constante de très faible valeur.
corrélation entre les deux vecteurs après soustraction de
la luminance et normalisation par la variance. Notons
que la corrélation entre les deux vecteurs est une mesure
simple et effective de la similarité structurelle. Alors la
fonction de comparaison structurelle est donnée par :
+( )
( , )= (9)
2 +( )
Finalement, la mesure de similarité résultante des trois
comparaisons est donnée par une expression simplifiée
de l’index de similarité structurelle entre x et y :
SSIM (x, y)= l(x, y). c (x, y). s (x, y)
2 +( ) 2 +( )
( , )= (10)
+ +( ) + +( )
L’index de similarité est exploité pour un choix
approprié des constantes K1 et K2 pour généraliser
l’évaluation à toute l’image.
3. Résultats et interprétations
Pour vérifier l'efficacité de ces méthodes, des
expériences sont exécutées sur la base d'image [4] (the
Live Image Quality Assess Database Release2 ) du
laboratoire de l'ingénierie d'image et de vidéo à
l'université du Texas à Austin. Cette base contient 29
image couleur de haute résolution comme référence ainsi
que cinq types des images déformées : JPEG 175,
JPEG2000 169, bruit blanc 145, bruit gaussien 145 et
l'effacement rapides 145 (Fast-Fading ; les images
bruyantes de canal de Rayleigh à une gamme de niveaux
qualité).
Afin de fournir des mesures quantitatives sur
l'exécution des méthodes (SNR, MSE, PSNR et SSIM),
performances utilisées par le groupe d'expert [6] de la
qualité de vidéo (VQEG) ; le test de la phase II FR-TV.
On a également comparé la performance des
algorithmes SNR, MSE, PSNR et SSIM. Les tableaux 1
et 2 récapitulent les résultats de validation. Fig.2 montre
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
objectifs et subjectifs [6]. Le plan non linéaire des cinq-
paramètre (β1, β2, β3, β4 et β5) est employé pour
transformer l'ensemble d'estimations de qualité par les
métriques objectives de qualité à un ensemble des
valeurs prévues moyennes d'opinion de différence
(DMOS) dénoté DMOSP.
Le plan non linéaire est choisi au-dessus du plan
linéaire pour expliquer les caractéristiques non linéaires
des points subjectifs aux extrémités des gammes d'essai.
La fonction traçante est une fonction logistique avec le
terme linéaire additif donné dans l'équation (11).
= logistic , ( − ) + + (11)
1 1
logistic( , )= − (12)
2 1 + exp( ) moyenne (RMS) et l'erreur absolue moyenne (MAE)
Où VQR est l’estimation de la qualité des méthodes
objective (SNR, MSE, PSNR et SSIM) et β1, β2, β3, β4,
β5 sont choisis pour le meilleur ajustement.
L’ajustement (optimisation des paramètres β) est effectué
par la fonction fminsearch du MATLAB.
Les métriques qui sont employées dans le calcul entre les
résultats subjectifs et objectifs sont le coefficient de
corrélation (cc), le coefficient de corrélation spearman
rank-order (ROCC), le rapport d'annexe (outlier ratio:
OR), la racine d'erreur carrée moyenne (RMS) et l'erreur
absolue moyenne (MAE). Le coefficient de corrélation
(cc) signifie le degré de corrélation entre chaque
méthode et DMOS ; la valeur plus grande de cc signifie
une meilleure exactitude. Le coefficient de corrélation
spearman rank-order (ROCC) est considéré comme
mesure de monotonie de prévision, plus grande est la
valeur de ROCC, meilleure est la monotonie. Le rapport
d'annexe (outlier ratio: OR), la racine d'erreur carrée
sont des mesures d'uniformité de prévision, leurs plus
petites valeurs signifient une meilleur performance.

Table 1- Comparaison de la performance de méthodes Table 2- Comparaison de la performance de méthodes

d’évaluation de la qualité d’image (SNR, MSE, PSNR et SSIM) de d’évaluation de la qualité d’image (SNR, MSE, PSNR et SSIM)
bruit gaussien, bruit blanc, et images déformés par l'effacement de JPEG et JPEG2000
rapides (fastfading) Méthode CC ROCC MAE RMS OR%
Méthode CC ROCC MAE RMS OR%
SNR 0.883 0,845 6,654 8,714 6,375
SNR 0.840 0,816 5,097 8,887 5,963
PSNR 0.859 0.851 6.454 8.269 5.917 PSNR 0.842 0.851 6.636 8.622 6.285
SNR 0.848 0.846 6.689 8.570 4.142 SNR 0.851 0.827 6.197 8.376 6.857
SSIM 0.942 0.936 4.258 5.439 5.325 SSIM 0.930 0.925 4.255 5.856 6.857

Fig.2 Images échantillons et leurs versions déformées

Fig.3 Graphe de corrélation de DMOS contre le modèle de prévision de bruit gaussien, bruit blanc,
et images déformés par l'effacement rapides (fastfading) .

Fig.4 Graphe de corrélation de DMOS contre le modèle de prévision de JPEG, JPEG2000. .

Les fig.3 et 4 montrent le graphe de régression de DMOS
contre SNR, MSE, PSNR et SSIM. Il est clair que
l’ajustement entre SSIM et DMOS est linéaire alors que
l’ajustement entre SNR, MSE, et PSNR est non linéaire.
A partir de ces figures, on peut voir que SSIM imite bien
DMOS à l’opposé des autres méthodes.
En plus, la méthode SSIM de qualité d'image donne de
bons résultats qui sont en accord avec l'évaluation
subjective. À partir du résultat de validation énuméré ci-
dessus, l’algorithme SSIM a une meilleure
correspondance avec le jugement humain. Les résultats
des tables 1, 2 et montrent que SSIM donne des valeurs
supérieures à celles données par SNR, MSE et PSNR.
4. Conclusion
Dans cet article, le problème de l’évaluation de la
qualité d’images a été abordé. Des méthodes
d’évaluation ont été présentées afin d’évaluer la qualité
d’une image. Ces méthodes peuvent être divisées en :
subjectives et objectives. Dans la pratique, l'évaluation
subjective est habituellement trop incommode, longue et
très coûteuse. Afin d'éviter ce problème, il est nécessaire
d'évaluer la qualité des images comprimées ; ceci est
réalisé par une mesure de la dégradation en terme
d’erreur moyenne quadratique (MSE) ou encore le
rapport signal sur bruit crête (PSNR).
La mesure du PSNR jusqu'à aujourd'hui est considérée
comme un critère d'évaluation de la qualité le plus utilisé
en traitement d'images. Cependant le PSNR est une
mesure quantitative qui nécessité parfois une évaluation
subjective de la dégradation. En plus, les résultats de ces
méthodes ne sont pas souvent conformes à l’évaluation
subjective. De ce fait on fait appelle à des méthodes qui
reflètent bien l’évaluation humaine tel que SSIM
(l’indice de similarité structurelle). Ceci est proposé par
Wang et al [5] est basé sur l’hypothèse que le système
visuel humain est fortement influencé par les structures
présentées dans une scène. Le SSIM mesure ainsi la
dégradation des structures entre deux images à savoir
dégradée et originale.
Une étude comparative entre, la mesure de MSE, PSNR,
SNR et SSIM a été menée. Cette comparaison nous a
conduit à tirer la conclusion que la méthode SSIM donne
des résultats satisfaisants par apport aux autres méthodes.
Pour que ce travail puisse être généralisé à tout type
d’images fixe et vidéo, des améliorations sont
envisageables telles que :
 L’élaboration d’une base d’images originales et
dégradées.
 Etudes comparatives entres les méthodes
d’évaluation de qualité de vidéo.
 Le problème du choix d’un espace de couleur
peut être étudié par ces critères
View publication stats
5. Références
[1] Z.A. Seghir, F. Hachouf. “Edge-region information
with distorted and displaced pixels measure for image
quality evaluation” in Proc. 10th International
Conference on Information Science, Signal Processing
and their Applications (ISSPA 2010), Kuala Lumpur,
Malaysia, May 10- 13, pp. 77-80.
[2] Z.A. Seghir, F. Hachouf. “Image Quality Assessment
based on Edge-region information and Distorted pixel for
JPEG and JPEG2000”, in Proc. ACIVS 2009, Bordeaux,
France, Sept.28 - Oct.2, LNCS 5807, pp. 156-166.
[3] B.Girod, “What’s wrong with mean-squared error,”
in Digital Images and Human Vision (A.B.Watson,
ed.), pp. 207-220, the MIT press, 1993.
[4] H.R. Sheikh, Z. Wang, L. Cormack, A.C. Bovik,
LIVE image quality assessment database, 2005,
Available:
(http://www.cns.nyu.edu/~zwang/files/research/qualit
y_index/).
[5] Z.Wang A.C. Bovik, H. R. Sheikh, and E .P.
Simocelli, “Image quality assessment: From error
measurement to structural similarity,” IEEE Trans.
Image Processing, vol. 13, no.4, pp.600- 612, Apr
.2004.
[6] VQEG: Final Report from the video quality experts
group on the validation of objective models of video
quality assessment, FR-TV Phase II, August 2003
(http://www.vqeg.org/)
[7] A. K. Moorthy and A. C. Bovi, Visual Importance
Pooling for Image Quality Assessment ,IEEE Journal of
Selected Topics in Signal Processing, Vol. 3, No. 2,
April 2009
[8] D. Rouse, R. Pepion, S. S. Hemami, P. Le Callet,
Image Utility Assessment and a Relationship with Image
Quality Assessment, Proc. SPIE Vol. 7240, Human
Vision and Electronic Imaging, San Jose, CA, January
2009
[9] K.-Q. Huang et al, Natural color image
enhancement and evaluation algorithm based on human
visual system, Computer Vision and Image
Understanding 103 (2006) 52–63
[10] T. Brandão, M.P. Queluz, No-reference image
quality assessment based on DCT domain statistics ,
Signal Processing 88 (2008) 822–833.