traitement d'images par modèles discrets sur ... - Olivier Lezoray

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