traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
82 Chapitre 3 - Classification de données d’images <strong>par</strong> apprentissage<br />
mandation [UIT00] qui permet à un observateur de classer les images compressées selon leur<br />
qualité dans une échelle de cinq classes (présentée <strong>par</strong> le tableau 3.9) nommée Q OS (Quality<br />
Opinion Score). La qualité visuelle d’une image, notée Q MOS (Quality Mean Opinion Score),<br />
est alors obtenue <strong>par</strong> la moyenne des Q OS de différents experts. La figure 3.11 présente quelques<br />
images et leurs scores respectifs. Nous disposons d’une base de 227 images compressées selon<br />
Qualité<br />
5 Excellente<br />
4 Bonne<br />
3 Relativement bonne<br />
2 Mauvaise<br />
1 Très mauvaise<br />
TAB. 3.9 – Echelle de qualité retenue dans la recommandation UIT-R.<br />
différents niveaux de compression de Jpeg2000 (à <strong>par</strong>tir de 25 images initiales) ré<strong>par</strong>ties en deux<br />
bases d’apprentissage et de test contenant respectivement 116 et 111 images. Chaque image est<br />
décrite <strong>par</strong> un vecteur de 38 attributs liés à la caractérisation du système visuel humain. Ces<br />
images ont été classées <strong>par</strong> 25 observateurs dans la précédente échelle. Nous avons défini deux<br />
(a) Q MOS = 4 ; ¯Q OS = 4,16 ; Q max<br />
OS = 5 ; Qmin OS = 3 (b) Q MOS= 2 ; ¯Q OS = 1,61 ; Q max<br />
OS = 3 ; Qmin OS = 1<br />
FIG. 3.11 – Quelques images avec leur Q MOS associé ainsi que la note moyenne ( ¯Q OS ), la note<br />
maximale (Q max<br />
OS ) et la note minimale (Qmin OS ) attribuées <strong>par</strong> les observateurs.<br />
me<strong>sur</strong>es de cohérence M 1 et M 2 , la première étant une me<strong>sur</strong>e classique de cohérence et la<br />
seconde une me<strong>sur</strong>e de cohérence de rang (une variation d’un rang est acceptée). Les résultats<br />
présentés dans le tableau 3.10 montrent que l’opinion des observateurs est très variable et ceci<br />
quelle que soit la base utilisée (colonnes 2 à 4). La me<strong>sur</strong>e M 2 montre que la divergence de classification<br />
n’excède cependant que très rarement une classe. Nous avons appliqué notre schéma<br />
de construction de fonctions de décisions simplifiées pour ce problème. Cette-fois, comme la<br />
base d’apprentissage est très réduite, la sélection de modèle utilise une validation croisée de<br />
type leave-one-out (effectué avec la nouvelle méthode que nous avons proposée [50]). Nous<br />
présentons ici des résultats avec un schéma de décomposition de type un-contre-tous. La classification<br />
automatique que nous avons proposée permet donc de <strong>sur</strong>passer les experts humains<br />
pris individuellement (me<strong>sur</strong>e M 1 ) et suit globalement le comportement des experts (me<strong>sur</strong>e