Évaluation de la qualité d'image en IVC

Ce type de bruit est causé par des changements brusques et importants dans le signal d'image. Il se manifeste par des pixels blancs ou noirs dispersés aléatoirement sur l'image.

Ce type de bruit correspond à l'ajout aléatoire d'un certain nombre de pixels noirs et blancs sur une image. Il est souvent caractérisé par le pourcentage de pixels modifiés.

Le bruit Gaussien est une forme idéalisée de bruit blanc. Il est causé par des fluctuations aléatoires dans le signal. On peut l'observer sur un écran de télévision mal accordé.

L'évaluation subjective de la qualité d'image est effectuée par des observateurs humains. Un groupe d'experts juge la qualité d'une image selon une grille d'évaluation à plusieurs niveaux.

La distance d'observation affecte la perception de la qualité d'image. Elle doit être fixée entre 4 à 6 fois la hauteur de l'image.

Il est essentiel de calibrer l'écran pour assurer une qualité d'affichage optimale. Une calibration permet de garantir que les couleurs affichées correspondent au stimulus d'origine.

L'environnement et l'éclairage de la salle de test peuvent influencer la perception des observateurs. Un éclairage trop intense peut perturber la perception et la qualité de l'évaluation.

Le choix des images de test doit être soigneusement réalisé. Les images doivent être représentatives de la réalité et susciter des réactions prévisibles chez les observateurs.

La couleur de fond de la salle d'observation peut influencer la perception des couleurs des images.

Utiliser un large panel d'images représentatives des scènes visées par l'application.

Éviter les biais psychologiques en commençant par une séance d'initiation, en expliquant clairement l'objectif du test et en utilisant des tests courts et variés.

Il est recommandé d'avoir un groupe d'observateurs diversifié (au moins 15 personnes) avec une acuité visuelle normale.

Méthodes d'évaluation où l'observateur attribue une note de qualité à l'image ou vidéo en fonction d'une échelle de catégories prédefinie.

L'échelle de catégories peut être exprimée avec des adjectifs descriptifs (mauvaise qualité, excellente qualité) ou avec des valeurs numériques (0 à 100).

Les méthodes catégorielles peuvent être divisées en deux groupes : méthodes à simple stimulus (un seul stimulus présenté) et méthodes à double stimulus (deux stimuli comparés).

Le mode de présentation des images influence le choix de la méthode catégorielle.

Cette base de données, créée par l'Université de Nantes, comprend 160 images de test générées à partir de 10 images de référence. Elle utilise une méthode d'évaluation subjective à double stimulus, où les observateurs comparent l'image originale à l'image avec des artefacts.

Un groupe de 15 observateurs a participé à l'évaluation subjective de la qualité des images de la base de données IVC.

La méthode à double stimulus compare une image de référence à une image déformée pour mesurer l'impact des artefacts sur la perception de la qualité d'image.

La notation MOS (Mean Opinion Score) représente la moyenne des scores attribués par les observateurs pour la qualité d'une image.

La base de données A57 contient 54 images de test générées à partir de trois images de référence. Les images de référence ont été soumises à six types de distorsions, et la qualité de l'image est évaluée à travers la fidélité.

Sept experts en imagerie ont participé à l'évaluation subjective de la qualité des images de la base de données A57.

La méthode d'évaluation continue mesure la similarité entre deux images en utilisant un système basé sur une échelle d'intensité.

La quantification des sous-bandes LH (Low High) implique l'ajustement des coefficients de la transformée en ondelettes pour réduire la taille des données d'image.

Les coefficients MSCN correspondent à la différence normalisée entre le pixel central et les pixels environnants. Cette méthode permet de capturer les informations sur la texture et les détails locaux de l'image.

C'est un modèle de distribution qui permet de capturer la forme, la moyenne et la variance de l'image.

La création d'un vecteur de caractéristiques consiste à extraire des informations numériques à partir de l'image. Ces informations sont utilisées pour représenter l'image de manière numérique.

La méthode utilisée pour réduire la taille de l'image. L'image est divisée en deux et le même processus est appliqué pour obtenir un vecteur de caractéristiques plus petit.

Une image est transformée en un vecteur de caractéristiques, puis les vecteurs de caractéristiques et les scores de qualité sont utilisés pour entraîner un modèle de machine learning.

La base de données d'images TID2008 est un outil pour évaluer les métriques de qualité des images basées sur des références complètes.

La base de données CSIQ (Categorical Subjective Image Quality) a été développée à l'Université d'État de l'Oklahoma. Elle comprend une collection d'images de référence et de leurs versions déformées.

La méthode d'évaluation de la qualité d'image par comparaison visuelle consiste à présenter à des observateurs une image de référence et plusieurs versions de test.

Les observateurs classent les images de test en fonction de leur fidélité visuelle par rapport à l'image de référence.

L'obtention du MOS (Mean Opinion Score) implique de collecter des scores subjectifs d'observateurs humains. Plus le score est faible, plus la qualité de l'image est jugée élevée.

C'est une mesure de qualité d'image qui ne nécessite pas d'image de référence. Elle se base sur l'idée que les images naturelles ont des caractéristiques statistiques régulières modifiées par la présence de distorsions.

Cette étape consiste à analyser la distribution des intensités de pixels pour identifier des différences significatives entre les images naturelles et celles qui sont déformées.

C'est une méthode de normalisation d'image qui permet de souligner les différences de contrastes. Elle consiste à soustraire la moyenne de chaque pixel de l'image.

La méthode BRISQUE utilise plusieurs étapes pour évaluer la qualité d'une image. Ces étapes permettent de mesurer la présence de distorsions et évaluer la qualité subjective de l'image.

Le principe de la méthode BRISQUE repose sur l'idée que les images naturelles ont des caractéristiques statistiques régulières qui sont modifiées par la présence de distorsions. Cette méthode mesure ces écarts pour évaluer la qualité de l'image.

La méthode BRISQUE utilise des algorithmes pour quantifier les statistiques des images naturelles et évaluer la qualité perceptive d'une image sans avoir besoin d'une image de référence.

C'est une métrique de qualité d'image sans référence, ce qui signifie qu'elle peut évaluer la qualité d'une image sans la comparer à une version originale.