Bilan et apports

4 5 6 7 8

Qualité image estimée

sur

FPGA

MSE = 0 ; R² =1 ; PLCC = 1 ; SRCC = 1 ; KRCC = 0.9999 ; dCor = 1

0 1 2 3 4 5 6 7 8

Qualité image estimée par MATLAB 0 1 2 3 4 5 6 7 8

Qualité image estimée

sur

FPGA

MSE = 0.0001 ; R² =0.9999 ; PLCC = 0.9999 ; SRCC = 1 ; KRCC = 0.9998 ; dCor = 0.9999

(a) GFRIQ-DT (b) GFRIQ-FL

Figure ^{3.21 – Résultats simulation MATLAB Vs Implémentation FPGA}

F P GAont été comparées aux résultats de simulation sousM AT LABet aussi aux scores

objectifs pris dans la base de données d’imagesT ID2013.

La Figure 3.21 présente la comparaison entre les résultats d’implémentation sous

F P GAet les résultats de simulation sous M AT LAB pour les deux modèlesGF RIQ−

DT etGF RIQ−F Ldans les graphiques (a) et (b), respectivement. La Figure 3.22 quant

à elle, présente les comparaisons entre les résultats de simulation M AT LAB (en bleu) et d’implémentation F P GA (en rouge) sur l’axe des ordonnées, et les scores subjectifs issus de la base de données d’images T ID2013, sur l’axe des abscisses ; pour les deux modèles implémentés GF RIQ−DT et GF RIQ−F L dans les graphiques (a) et (b), respectivement.

3.6 Bilan et apports

Dans ce chapitre a été étudié un processus d’évaluation de la qualité des images avec références complètes, basé sur des méthodes d’apprentissage automatique. Les images ainsi que les scores subjectifs de la base de données d’images TID2013 ont été utilisés pour apprendre et évaluer les différents modèles. Le processus consiste en la construction des modèles à partir d’un échantillon d’apprentissage, suivie d’une évaluation des mo-dèles construits à partir de l’échantillon de test, et enfin une validation des algorithmes utilisés et des modèles construits est faite à partir d’une répétition des phases d’appren-tissage et de test 1000 fois en sélectionnant aléatoirement l’échantillon d’entraînement et l’échantillon d’évaluation (de test). L’évaluation des performances des modèles est faite grâce à six (06) indices de performance : l’erreur quadratique moyenne (M SE), le coefficient de détermination (R²), les coefficients de corrélation de Pearson (P LCC), Spearman (SRCC) et Kendall (KRCC), et enfin la distance de Brownian (dCor).

34 métriques sont extraites de la comparaison entre l’image déformée à évaluer et son image de référence. Pour réduire le nombre de métriques à utiliser pour l’évaluation de

(a) GFRIQ-DT (b) GFRIQ-FL 0 1 2 3 4 5 6 7 8 MOS 0 1 2 3 4 5 6 7 8 Scor e de qualité estimé

MATLAB : MSE = 0.1658 ; PLCC = 0.9133 ; SRCC = 0.9049 ; KRCC = 0.7504 ; dCor = 0.8958 FPGA : MSE = 0.166 ; PLCC = 0.9132 ; SRCC = 0.9048 ; KRCC = 0.7503 ; dCor = 0.8956

Score estimée par MATLAB

Score estimée sur FPGA

0 1 2 3 4 5 6 7 8 MOS 0 1 2 3 4 5 6 7 8 Scor e de qualité estimé

MATLAB : MSE = 0.1673 ; PLCC = 0.9136 ; SRCC = 0.9044 ; KRCC = 0.7265 ; dCor = 0.9006 FPGA : MSE = 0.1672 ; PLCC = 0.9136 ; SRCC = 0.9044 ; KRCC = 0.7265 ; dCor = 0.9006

Score estimée par MATLAB

Score estimée sur FPGA

Figure ^{3.22 – MOS Vs résultats simulation MATLAB et implémentation FPGA}

la qualité des images, une phase de sélection de métriques indépendantes entre elles a été entreprise. Cette sélection de métrique se fait suivant deux axes : la première basée sur la corrélation entre les différentes métriques consiste à regrouper en classes dépendantes les métriques fortement corrélées entre elles, et de ne sélectionner qu’une métrique dans chaque classe. La seconde méthode de sélection de métriques basée sur l’apprentissage consiste en un processus successif et itératif de sélection progressive des métriques les plus corrélées avec le résidu entre le score subjectif et le score objectif donné par le modèle construit à partir des métriques déjà sélectionnées. A l’issue de cette phase, quatre (04) métriques ont été sélectionnées.

Différentes méthodes d’apprentissage automatique ont été utilisées pour construire les modèles d’évaluation de la qualité des images. Les méthodes de classification : l’analyse discriminante et de la méthode des k-plus proches voisins. Et les méthodes de régression : les réseaux de neurones artificiels, la régression non-linéaire polynomiale, les machines à vecteurs supports, les arbres de décision, et la logique floue. Un accent particulier a été mis sur les méthodes d’apprentissage utilisant les arbres de décision et la logique floue, car ces méthodes ont été proposées dans ce contexte d’évaluation de la qualité des images pour la première fois dans ce travail, mais aussi parce que ces méthodes produisent des résultats meilleurs que les autres méthodes d’apprentissage étudiées.

Les modèles construits à partir des méthodes d’apprentissage basées sur les arbres de décision et sur la logique floue ont été implémentés sur une carte F P GA Xilinx de la famille des Virtex 7 (V C707). Cette implémentation est faite en utilisant la gamme d’outils Vivado et Vivado HLS de Xillinx. Les résultats lors de la phase de synthèse du design global montrent que la méthode basée sur les arbres de décision produit un modèle moins complexe en temps et en surface d’utilisation sur la carte, mais la méthode basée sur la logique floue produit un modèle plus précis et stable.

Les apports dans l’évaluation de la qualité des images basée sur des métriques à références complètes se résument en quatre idées principales :

1. La mise en place d’un processus global d’évaluation de la qualité des images com-binant un ensemble de métriques existantes pour former une métrique plus per-formante. Les métriques métriques alors produites donnent des performances su-périeures à celles de toutes les métriques à références complètes présentes dans la littérature.

2. Pour la sélection des métriques les plus pertinentes parmi celles qui sont extraites des images, deux processus de sélection de métriques ont été proposés.

3. L’utilisation des méthodes d’apprentissage basée sur les arbres de décision et sur la logique floue pour l’évaluation de la qualité des images.

4. L’implémentation des modèles obtenus sur un systèmeF P GA.

Les images de référence n’étant pas toujours disponibles dans certaines applications, un cas plus applicatif est la construction des modèles d’évaluation sans référence. Dans le chapitre suivant, sera présentée l’évaluation de la qualité des images à partir des caractéristiques extraites des images dégradées, sans aucune information sur les images de référence.

Évaluation de la qualité des images à partir