Machine learning techniques for image quality evaluation

Abstract

L’évaluation de la qualité d'image présente un intérêt substantiel pour les services ainsi que pour les systèmes de traitement d'images où le dernier maillon de la chaîne est l’observateur humain. En effet, la qualité d'image peut être mesurée de deux manières différentes. La première, appelée "évaluation subjective de la qualité", est l'approche évidente étant donnée la nature subjective de la qualité visuelle des médias. La seconde est appelée «évaluation objective de la qualité» qui permet de produire automatiquement des valeurs mesurant la qualité de l'image de manière quantitative. Le premier objectif de cette thèse est de fournir une évaluation statistique complète et approfondie des performances prédictives d'une large variété de mesures objectives de qualité avec référence complète sur un certain nombre de bases de données étiquetées avec des scores indiquant la qualité des images qui sont évaluées de manière subjective selon des protocoles strictes. Le second objectif consiste à définir les attributs de l'image qui sont les plus pertinents pour l’évaluation de sa qualité. Deux méthodes de sélection de caractéristiques ont été utilisées, à savoir la minimisation du risque structurel et l’approche basée sur le modèle connexionniste. Cela nous a permis de développer deux nouvelles métriques objectives de qualité d'image avec référence réduite où l’estimation de la qualité de l'image nécessite l'utilisation de seulement quelques uns des descripteurs de l’image de référence et celle de test. Le troisième objectif de ce travail de recherche est d'exploiter les techniques d'apprentissage supervisé, en particulier le modèle du perception multicouche, pour l’estimation automatique de la qualité de l'image. Le système apprend à partir des étiquettes de la qualité subjective issues des bases d’images utilisées et construit un modèle capable de généraliser après un certain temps d’entraînement. En d’autres termes, le modèle doit continuer à fournir une mesure objective toujours corresponde à l'avis de l'homme à toute image qui lui est présentée. L'objectif principal était d'optimiser la performance prédictive des mesures développées en fonction de la corrélation, la monotonicité et la précision. La fonction de coût par défaut basée sur l'erreur a été employée pour la première mesure développée (que nous avons appelé ECF) et une fonction de coût personnalisée basée sur la corrélation a été proposée pour concevoir la deuxième mesure (que nous avons appelé le CCF). L’étude comparative de ces deux nouvelles métriques à dix‐huit autres algorithmes de qualité d'image avec référence complète sur trois bases de données de qualité d'image montre que les algorithmes d’ECF et CCF prennent en considération les non‐linéarités du système visuel humain. L'ECF est plus précise que la majorité des mesures étudiées, tandis que la CCF améliore largement les résultats de toutes les métriques concurrentes en termes de corrélation et de monotonicité.