Techniques d’apprentissage automatique pour l’évaluation de la qualité des images fixes.

Abstract

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.