Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

See discussions, stats, and author profiles for this publication at: https://ww

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 1 READS 2,420 1 author: 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 Zianou Ahmed Seghir Abbes Laghrour - Khenchela University 46 PUBLICATIONS 100 CITATIONS SEE PROFILE All content following this page was uploaded by Zianou Ahmed Seghir on 22 January 2018. The user has requested enhancement of the downloaded file. 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. 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 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]: MSE = 1 M × N ෍෍(Î(m, n) −I(m, n)) ୒ ୬ିଵ ୑ ୫ିଵ (1) 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 logଵ଴ቆܫ௠௔௫ ଶ ܯܵܧቇ (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 : ܴܵܰ= 10 logଵ଴ቌ 1 ܰ∑ܫଶ ܯܵܧቍ (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 Fig.1 Diagramme du système de mesure de similarité structurelle (SSIM) 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: ߤ௫= 1 ܰ෍ݔ௜ ே ଵ (4) Le contraste de chaque faisceau est mesuré par: ߪ௫= ൭ 1 ܰ−1 ෍(ݔ௜−ߤ௫)ଶ ே ଵ ൱ ଵ ଶ (5) La similarité est déterminée par la perte de corrélation entre les deux vecteurs: ߪ௫௬= 1 ܰ−1 (6) 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 uploads/Industriel/ 09-zianou-ispa10.pdf