| Titre : | Métaheuristiques pour l’évaluation objective de la qualité d’images et de vidéos |
| Auteurs : | Naima Merzougui, Auteur ; Leila Djerou, Directeur de thèse |
| Type de document : | Thése doctorat |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (106 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | Métriques d’évaluation objective, Métaheuristiques d’optimisation, Optimisation multiobjective, Qualité visuelle. |
| Résumé : |
Le travail présenté dans cette thèse s’inscrit dans le domaine d’évaluation objective de la qualité d’images et de vidéos et plus particulièrement sur l’évaluation de qualité avec réfé- rence complète. Il s’agit d’un domaine de recherche actif qui s’est imposé avec l’évolution rapide des technologies de l’informatique, des communications et des réseaux. Malgré la richesse des travaux dans ce domaine, et l’abondance des méthodes objectives d’évaluation (les métriques), le problème d’évaluation de qualité d’image reste toujours posé. En effet, les métriques présentées sont généralement spécifiques à un type particulier de dé- gradation, sensibles aux données bruitées par plusieurs types de dégradations, d’où l’idée de s’orienter vers de nouvelles approches recommandant la fusion de différentes métriques pour quantifier la qualité de l’image en se basant sur les techniques d’apprentissage et les métaheuristiques d’optimisation. Dans cette thèse, nous avons développé de nouvelles méthodes basées sur la programmation génétique multigène (MGGP) comme une technique d’apprentissage évolutive inspirée de l’évolution naturelle, permettant, à partir d’un ensemble d’apprentissage, de trouver de bons modèles de combinaison de métriques de qualité d’image, en optimisant simultanément deux objectifs concurrents : l’adéquation de modèles par rapport à leur corrélation avec les scores subjectifs de divers types de distorsions dans les images, et la complexité de leur structure. En raison de la croissance explosive des applications orientées écran, nous avons exploité les avantages offerts par MGGP afin de développer une mé- thode générique pour l’évaluation objective des images de contenu d’écran. Les résultats d’expérimentation menée sur les grands benchmarks, ont montré les performances supé- rieures des méthodes proposées par rapport aux mesures de pointe, y compris d’autres approches de fusion récemment publiées. |
| Sommaire : |
Dédicaces 1 Remerciements 2 Résumé 3 Articles et conférences . 6 Liste des matières 7 Liste des Figures 10 Liste des Tableaux 11 Liste des abréviations 12 Introduction générale 15 1 Contexte de la thèse 15 2 Objectifs de la Thèse 16 3 Contributions 17 4 Organisation de la thèse 17 1 Qualité d’image et de vidéo. 19 1.1 Introduction 19 1.2 Qualité d’image19 1.2.1 Évaluation de la qualité d’image 21 1.2.2 Méthodes existantes pour l’évaluation de la qualité . 22 1) Évaluation subjective de la qualité . 22 2) Évaluation objective de la qualité d’image . 23 1.2.3 Survey des métriques de qualité d’image existantes 24 1) Méthodes Full Référence classique 24 72) Méthodes par fusion des caractéristiques . 27 3) Méthodes par fusion de métriques28 1.2.4 Les bases d’images populaires pour l’IQA 31 1.3 Qualité de la vidéo34 1.3.1 Survey des métriques VQA 36 1.3.2 Les bases populaires de vidéos pour VQA38 1.4 Domaines d’application d’I/VQA 39 1.5 Conclusion 40 2 Optimisation et Métaheuristique 41 2.1 Introduction 41 2.2 Problème d’optimisation 41 2.3 Vocabulaire et définitions 43 2.4 Algorithmes d’optimisation . . 45 2.5 Classification des métaheuristiques 46 2.5.1 Métaheuristique à base de solution unique 47 1) Les méthodes de la descente (Hill Climbing) . 47 2) Le Recuit Simulé48 3) La méthode GRASP50 4) La Recherche Tabou51 2.5.2 Métaheuristiques basée sur la population 52 1) Les algorithmes évolutionnaires 52 2) Les algorithmes en essaim 55 2.5.3 Les algorithmes immunitaires artificiels 57 2.6 Comparaison des métaheuristiques 58 2.7 Conclusion . 60 3 Programmation Génétique MultiGène 62 3.1 Introduction 62 3.2 Régression symbolique avec la Programmation génétique62 3.3 Programmation Génétique 63 3.3.1 Population initiale . 64 3.3.2 Reproduction 65 3.3.3 Croisement 65 3.3.4 Mutation 65 3.4 Programmation Génétique Multigène (MGGP)67 3.4.1 Croisement de haut niveau70 3.4.2 Croisement de bas niveau 70 3.5 Application de la programmation génétique en traitement d’images .71 3.6 Conclusion 72 84 MGGP pour l’évaluation de qualité d’image73 4.1 Introduction 73 4.2 Principe de l’approche73 4.2.1 Ensemble de données d’entraînement 75 4.2.2 Solutions 76 4.2.3 Les Fonctions Objective 77 4.2.4 Paramètres MGGP 79 4.2.5 Sélection du modèle prédictif 80 4.3 Évaluation expérimentale 82 4.3.1 Évaluation des performances de prédiction 82 4.3.2 Évaluation de la signification statistique 87 4.3.3 Comparaisons des performances des mesures obtenues avec les mesures de fusion IQA 88 4.3.4 Test croisé de bases de données 89 4.3.5 Influence des métriques IQA sur la fusion 90 4.4 Conclusion91 5 Evaluation de la qualité des images du contenu de l’écran 93 5.1 Introduction 93 5.2 Image de contenu d’écran SCI93 5.3 Bases d’image de contenu d’écran 94 5.4 Etat de l’art sur les métriques d’IQA des SCIs 96 5.5 La programmation génétique et les images de contenu d’écran (GP-SCIQ) 97 5.6 Évaluation expérimentale 98 5.6.1 Évaluation des performances de prédiction 98 5.6.2 Comparaisons de performances avec des méthodes SCI sur SIQAD 101 5.6.3 Évaluation croisée101 5.6.4 Importance statistique 102 5.7 Conclusion 103 Conclusion Générale 104 Références Bibliographiques 106 |
| En ligne : | http://thesis.univ-biskra.dz/5764/1/Th%C3%A8se%20Finale-Merzougui.pdf |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| TINF/178 | Théses de doctorat | bibliothèque sciences exactes | Consultable |
