• Aucun résultat trouvé

Évaluation de la qualité des images basée sur des métriques avec référence

3.2 Sélection des métriques

Dans cette section, les images déformées ainsi que leurs scores subjectifs (M OS) viennent de la base de données d’image TID2013. Trente-quatre (34) métriques avec référence, encore appelé indices de qualité, ont été extraites des images déformées. Les mesures ainsi extraites sont listées dans le Tableau 3.1. Ces mesures sont extraites des images suivant différentes approches :

— basées sur l’erreur quadratique moyenne (IW M SE,P SN R, ...) ;

— basées sur l’analyse des structures locales de l’image (SSIM,M SSIM, ...) ; — inspirées du système visuel humain (P SN RHV S,N QM, ...) ;

— utilisant des approches neuronales (SF F,M AD, ...) ; — prenant aussi en compte la couleur (F SIM c,P SN Rc, ...).

Les métriques ainsi évaluées sont pour certaines fortement corrélées entre elles. Les métriques fortement corrélées entre elles n’apportent pas d’information pertinente sur la qualité de l’image. Au contraire, elle rendent les modèles produits plus complexes. D’où la nécessité d’effectuer une sélection de métriques pertinentes pour en supprimer celles qui sont superflues. La sélection des métriques pertinentes permet de trouver parmi l’ensemble des métriques évaluées, celles qui sont indépendantes entre elles, tout en estimant au mieux la qualité des images. Deux approches de sélection des métriques ont été étudiées : la première basée sur le regroupement des métriques en blocs fortement corrélées entre elles avec la précaution de la sélection d’une seule métrique par groupe ; et la seconde est basée sur des apprentissages et la sélection progressive des métriques apportant le plus d’information sur la qualité des images au regard du score subjectif.

3.2.1 Sélection basée sur la corrélation mutuelle entre métriques

Dans cette approche de sélection des mesures pertinentes basée sur la corrélation mutuelle entre les métriques ; la première étape consiste en l’évaluation des corrélations mutuelles deux à deux entre toutes les métriques extraites des images. Ces corrélations mutuelles sont utilisées pour construire des classes d’équivalences de métriques ; neufs (9) classes ont été construites et présentées dans le Tableau 3.1. Dans chacune des classes d’équivalence, apparaissent les métriques qui ont une corrélation mutuelle entre elles supérieur ou égale à 90%, soit cor ≥ 0.9 ; avec cor représentant une des corrélations de Pearson (P LCC), Spearman (SRCC), Kendall (KRCC), ou encore la distance de Brownian (dCor).

Dans le but de supprimer les redondances et donc d’avoir en entrée des algorithmes d’apprentissage automatique des variables « indépendantes », la deuxième étape de ce processus de sélection des métriques consiste à dégager dans chacune des classes d’équi-valence, une seule métrique. Ici, le choix porte sur la métrique ayant la plus forte cor-rélation, en se basant sur la distance de Brownian, avec le score subjectif dans chaque groupe.

L’ultime étape de ce processus consiste en la suppression des métriques non corrélées avec le score subjectif, parmi celles sélectionnées dans chacune des classes d’équiva-lence. A présent, seules les métriques ayant une corrélation supérieure à un certain seuil (dCor ≥ 0,5) sont conservées ; cela permet d’éliminer les métriques qui malgré le fait qu’elles soient indépendants par rapport aux autres métriques sélectionnées, n’apportent pas suffisamment d’informations sur la qualité des images.

Au final, les métriques sélectionnées sont donc : #19 (P SN R), #6 (F SIM c), #28 (SSIM),

#9 (IWP SN R), #20 (P SN Rc) ; et un apprentissage avec un réseau de neurones

arti-ficiels (RN A) à une couche cachée, produit un modèle dont la performance, en terme de corrélation linéaire, est estimé à 89.37% entre les scores subjectifs (M OS) et les scores objectifs produits par le modèle (M OSestim´e).

Table 3.1 – Liste des métriques utilisées par groupe dépendant

# Gr. # Mét. Métriques Description DCor (MOS) 1

1 AD Moyenne des différences 0.147

17 NCC Corrélation mutuelle normalisée 0.331

25 SC Contenu structurel 0.188

2

2 DCTune Estimation de la qualité dans le domaine TCD[82] 0.498

14 MSE Erreur quadratique moyenne 0.602

19 PSNR Rapport signal à bruit crête 0.624

23 PSNR-HVS PSNR avec intégration de la notion de sensibilité

Table 3.1 – Liste des métriques utilisées par groupe dépendant # Gr. # Mét. Métriques Description DCor (MOS) 24 PSNR-HVS-M PSNR-HVS intégrant un modèle de masquage [84] 0.076 34 WSNR Évaluation dans le domaine de Fourier, avec une

pondération par une fonction CSF [85] 0.075

3

3 DSI Dissemblance entre les images [86] 0.636

5 FSIM Mesure basée sur les similitudes des caractéristiques

[87] 0.827

6 FSIMc FSIM intégrant les caractéristiques decouleur [87] 0.839

10 IW-SSIM Similarités structurelles intégrant la pondération des

informations [88] 0.788

11 MAD Mesure basée sur les modèles de masquage et de

filtrage des caractéristiques locales [25] 0.802

13 MSDDM Mesure de l’auto-similarité [89] 0.736

15 MSSIM Mesure des similarités structurelles à échelles

multiples [90] 0.799

18 NQM Mesure de la qualité du bruit, prenant en compte

un phénomène de masquage dans le SVH [91] 0.673 21 PSNR-HA PSNR prenant en compte la sensibilité au contraste

CSF [92] 0.808

22 PSNR-HMA PSNR-HA prenant en compte un phénomène de

masquage dans le domaine TCD [92] 0.803 26 SFF Mesure basée sur les caractéristiques manquantes

entre les images [93] 0.826

27 SR-SIM Mesure basée sur la similitude des résidus spectraux

[94] 0.834

31 VIF Basée sur l’information mutuelle dans le domaine

des ondelettes, avec normalisation des images [10] 0.698

32 VIFP VIF dans le domaine spatial [10] 0.794

33 VSNR SNR Visuel, basée sur l’analyse des coefficients

d’ondelettes [95] 0.229

4

Table 3.1 – Liste des métriques utilisées par groupe dépendant # Gr. # Mét. Métriques Description DCor (MOS) 7 IFC Basée sur l’information mutuelle dans le domaine

des ondelettes [61] 0.308

28 SSIM Similarité de luminance, de contraste et destructure [5] 0.658

30 UQI Index de qualité universel basé sur une analyse

locale des moments [96] 0.580

5 8 IW-MSE MSE intégrant la pondération des informations [88] 0.590

9 IW-PSNR PSNR intégrant la pondération desinformations [88] 0.695

6 12 MD Mesure basée sur la différence entre lesimages 0.485

7 16 NAE Mesure basée sur l’erreur absolue 0.484

8 20 PSNRc PSNR intégrant les caractéristiques descouleurs [97] 0.675

9 29 SVD Mesure basée sur la décomposition en valeursingulière [98] 0.125

3.2.2 Sélection basée sur l’apprentissage

La seconde approche proposée, quant à elle, est basée sur un processus d’apprentissage récursif et itératif permettant de sélectionner progressivement les métriques qui ajoutent suffisamment d’informations sur la qualité d’image aux métriques déjà sélectionnées, à chaque nouvelle itération. Cette approche de sélection de métriques est décrite dans l’Algorithme 3.1. Le seuil de performance choisi est de 0.01, et l’indice de performance est la distance corrélation de Brownian (dCor). Plusieurs méthodes d’apprentissage au-tomatique parmi lesquelles, les arbre de décision, les réseaux de neurones, la régression non-linéaire polynomiale, pour ne citer que ceux-là, ont été testées pour effectuer l’en-traînement des modèles dans l’algorithme. Les résultats au sortir de l’expérience, sont approximativement les mêmes.

Au final, les métriques #6 (F SIM c), #20 (P SN Rc), #16 (N AE), et #17 (N CC) ont été sélectionnées dans cet ordre. L’apprentissage avec un réseau de neurones artificiel à une couche cachée produit un modèle, dont la performance en terme de corrélation linéaire est estimé à 90.12% entre le score subjectif (M OS) et le score objectif produit par le modèle (M OSestim´e).