Métaheuristiques pour l’évaluation objective de la qualité d’images et de vidéos

Abstract

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.