Résumé:
L’évaluation de la qualité d’image présente un intérêt substantiel pour les services
ainsi que pour les systèmes de traitement d’images où le dernier maillon de la
chaîne est l’observateur humain.
L’objectif de ce travail est d’exploiter les techniques d’apprentissage supervisé,
en particulier les réseaux de neurones convolutifs combiner avec la régression en utilisant
les SVMs, pour l’estimation automatique de la qualité de l’image. Le système
apprend à partir des étiquettes de la qualité subjective et construit un modèle capable
de continuer à fournir une mesure objective toujours corresponde à l’avis de
l’homme à toute image qui lui est présentée.
Le but principal était d’optimiser la performance prédictive des mesures développées
en fonction de la corrélation, la monotonicité et la précision. Le système
de prédiction présenté, commence par l’utilisation des CNNs pour l’obtentions des
cartes de caractéristiques qui permettent d’extraire les caractéristiques les plus prépondérantes
dans les images étudiées. Ensuite la distribution gaussienne généralisée
asymétrique est utilisée pour calculer les caractéristiques statistiques de ces cartes,
a la fin un SVR est entrainé avec ces caractéristique statistiques combinés avec les
étiquettes de scores issues de l’évaluation subjective pour prédire les scores de qualité
subjectifs des images étudiée.
