Mesures de qualité avec référence réduite basées sur les statistiques des scènes naturelles

Abstract

Les travaux réalisés dans cette thèse s'inscrivent dans le contexte de l'évaluation de la qualité des images naturelles. Les mesures objectives proposées font parties de la famille des mesures "avec référence réduite" et elles sont basées sur les statistiques des scènes naturelles (SSN). Nous avons proposé de modéliser les statistiques marginales et jointes des deux images, de référence et celle dégradée, dans le domaine des représentations multi-échelles adaptatives : La décomposition modale empirique et la transformée en Tetrolet. Ainsi, nous avons pu introduire trois mesures avec référence réduite : RR1, RR2 et RR3. Premièrement, nous avons introduit une mesure avec référence réduite (RR1) basée sur la DMEB (Décomposition Modale Empirique Bidimensionnelle). Les statistiques marginales des coefficients des modes intrinsèques de l'image de référence ont été modélisées par le biais de la Densité Gaussienne Généralisée (DGG), tandis que pour l'image dégradée, nous avons utilisé l'histogramme des coefficients des modes intrinsèques correspondantes. Ensuite, afin de mettre à profit la géométrie locale de l'image, nous avons exploité la transformée en tetrolet, en une deuxième mesure (RR2) Les statistiques marginales des coefficients de Tetrolet de l'image de référence ainsi que l'image dégradée ont été modélisées par le biais de la distribution FKB (Formes K de Bessel). Puis, nous avons mis en place un Framework de mesures avec référence réduite. Ce Framework se base sur le modèle MEG (Mélange d'échelle de Gaussiennes) pour modéliser les statistiques jointes des coefficients de trois représentations multi-échelles: la transformée de Haar, la transformée des pyramides orientables et la transformée en Tetrolet). Finalement, nous avons intégré l'aspect "apprentissage", très lié à l'évaluation de la qualité subjective, dans les trois mesures proposées. Ceci a été réalisé en utilisant les Machines à Vecteur de Support (MVS). Nous avons mené plusieurs expérimentations sur différentes bases d'images, dédiées à l'évaluation de la qualité d'images, dans le but de valider les mesures que nous avons proposé et de comparer leur performances à celles des mesures rapportées dans la littérature. Les résultats montrent que les mesures proposées permettent une amélioration de la corrélation avec les scores des observateurs humains pour plusieurs types de distorsions.