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

More documents

Recommendations

Info

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
3.4. Construction de fonctions de décision parcimonieuses 83 Mesure Moyenne Min Max SVM M 1 0,529 ± 0,103 0,324 0,712 0,693 M 2 0,975 ± 0,026 0,909 1,000 0,946 TAB. 3.10 – Statistiques des mesures de cohérence sur la base de test pour les observateurs et notre schéma à base de SVM. M 2 ). C’est le premier modèle d’évaluation de la qualité des images compressées basé sur un apprentissage artificiel.
Page 1:
UNIVERSITÉ de CAEN BASSE-NORMANDIE
Page 5 and 6:
TABLE DES MATIÈRES 1 Introduction
Page 7:
Table des matières VII A.5.2 Activ
Page 10 and 11:
2 Chapitre 1 - Introduction génér
Page 12 and 13:
4 Chapitre 2 - Traitement d’image
Page 14 and 15:
Page 16 and 17:
Page 18 and 19:
10 Chapitre 2 - Traitement d’imag
Page 20 and 21:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
Page 32 and 33:
Page 34 and 35:
26 2.2.5 Conclusion et perspectives
Page 36 and 37:
Page 38 and 39:
Page 40 and 41: 32 Chapitre 2 - Traitement d’imag
Page 50 and 51: 42 2.4 Hiérarchies de partitions 2
Page 66 and 67: 58 Chapitre 3 - Classification de d
Page 105 and 106: CHAPITRE 4 Conclusion générale et
Page 107 and 108: 4.2. Perspectives et Projets 99 cap
Page 109 and 110: 4.2. Perspectives et Projets 101 pr
Page 111 and 112: CHAPITRE 5 Bibliographie [ABE05] [A
Page 113 and 114: Chapitre 5 - Bibliographie 105 [CEL
Page 115 and 116: Chapitre 5 - Bibliographie 107 [GOU
Page 117 and 118: Chapitre 5 - Bibliographie 109 [KUL
Page 119 and 120: Chapitre 5 - Bibliographie 111 [MEY
Page 121 and 122: Chapitre 5 - Bibliographie 113 [SCH
Page 123: Chapitre 5 - Bibliographie 115 [VER
Page 126 and 127: 118 Annexe A - Curriculum Vitae - D
Page 128 and 129: 120 Annexe A - Curriculum Vitae FIG
Page 130 and 131: 122 Annexe A - Curriculum Vitae afi
Page 132 and 133: 124 Annexe A - Curriculum Vitae - R
Page 135 and 136: ANNEXE B Publications Publications
Page 137 and 138: Annexe B - Publications 129 [18] O.
Page 139 and 140: Annexe B - Publications 131 [44] G.
Page 141:
Annexe B - Publications 133 [71] G.
show all

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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?