LOGIN TO YOUR ACCOUNT

Username
Password
Remember Me
Or use your Academic/Social account:

CREATE AN ACCOUNT

Or use your Academic/Social account:

Congratulations!

You have just completed your registration at OpenAire.

Before you can login to the site, you will need to activate your account. An e-mail will be sent to you with the proper instructions.

Important!

Please note that this site is currently undergoing Beta testing.
Any new content you create is not guaranteed to be present to the final version of the site upon release.

Thank you for your patience,
OpenAire Dev Team.

Close This Message

CREATE AN ACCOUNT

Name:
Username:
Password:
Verify Password:
E-mail:
Verify E-mail:
*All Fields Are Required.
Please Verify You Are Human:
fbtwitterlinkedinvimeoflicker grey 14rssslideshare1
Jung, Mathieu (2000)
Languages: French
Types: Article
Subjects: Qualité image, Evaluation univariante de qualité, Vision, Réseaux de neurones, 621, Image quality, Univariant quality assessment, Neural networks
Disposer d'un outil universel d'évaluation automatique de la qualité des images est très utile lorsque le nombre d'images à traiter est important. C'est le cas quand il s'agit d'optimiser les paramètres caractéristiques d'un sytème imageur. La plupart des méthodes d'évaluation de la qualité des images sont des méthodes bivariantes, c'est-à-dire reposant sur une comparaison entre une image dégradée et la même image parfaite. Très souvent, cependant, la référence n'existe pas. Quelques méthodes univariantes, c'est-à-dire sans image de référence, ont été développées mais les résultats sont encore peu probants. Cette thèse propose une nouvelle approche pour évaluer de façon univariante la qualité d'une image. Cette approche repose sur l'utilisation de réseaux de neurones. La démarche proposée peut être appliquée à tout type de dégradation. Elle comporte trois étapes. Il faut d'abord trouver sur l'image dégradée les caractéristiques qui permettent d'évaluer sa qualité. Il faut ensuite étalonner un modèle permettant d'associer ces caractéristiques et la note de qualité attendue. Enfin, il faut vérifier la stabilité du modèle sur un grand nombre d'images. Les caractéristiques de dégradation dépendent non seulement de son importance, mais aussi du type d'image. Ces informations sont extraites de l'image par des traitements et calculs systématiques. Elles sont regroupées sous la forme d'un vecteur caractéristique. Ce vecteur sert d'entrée au modèle univariant. Le modèle choisi est un réseau de neurones (RN). L'étalonnage des paramètres du RN se fait sur un grand nombre d'exemples connus que l'on appelle base d'apprentissage. Ils sont choisis de manière à obtenir un échantillon représentatif de tous les types d'images que l'on peut rencontrer dans l'application désirée. La méthode est appliquée à différents contextes. Entre autres, elle permet d'estimer la qualité visuelle d'images comprimées JPEG, d'estimer en vol le défaut de mise au point d'un instrument satellitaire ou de modéliser la détection visuelle de défauts ponctuels sur une image. La précision des résultats est comparée à celle obtenue dans le même contexte avec des critères de qualité bivariants. Assessing automatically the quality of images becomes very useful when the number of images to be processed is large. It happens, for instance, when optimizing the characteristics of an imaging system. To compute the quality of images, most methods compare a degraded image to a perfect reference. However, very often, the reference image is unavailable. Some univariant methods, i. e. those not requiring the reference image, have been developed, but the results are not yet very convincing. The object of this thesis is to present an original univariant method based on the use of artificial neural networks. This method can be applied to any types of defect. It allows to reproduce the compoitment of any bivariant method. It involves three steps. First, characterization of the defect is extracted mathematically from the image. Then the neural network is taught how to establish a relation between the mathematical characterization of the defect and the bivariant mark. Finally, the quality of unknown images has to be assessed to check the reliability of the model. The characteristics of the defect depend not only on its importance but also on the type of image. The characteristics of the defect are extracted from the image very systematically and using any mathematical or signal processing tool. Those pieces of information constitute the “characteristic vector” of the defect for the image. This vector is used as input for the univariant model. As a model, a neural network (a very powerful non linear model) was used. The calibration of the model is done on a large pool of familiar examples. They are chosen in order to get a representative sample of all the types of images that may be found in the expected application. The method can be applied in different contexts : quality assessment of JPEG compressed images, in-flight estimation of a focus problem on satellites, modelisation of the visual detection of small defects on images. Accuracy of the results is compared to the one that is obtained in the same context with the reference bivariant method.
  • No references.
  • No related research data.
  • No similar publications.

Share - Bookmark

Cite this article