Informations visuelles et qualité visuelle
La mesure de la qualité visuelle est fondamentale pour de nombreuses applications de traitement d’images et de vidéos. L’objectif de la recherche en évaluation de la qualité (QA) consiste à concevoir des algorithmes capables d’évaluer automatiquement la qualité des images ou des vidéos de manière cohérente du point de vue perceptif. Les algorithmes d’évaluation de la qualité des images interprètent généralement la qualité comme une fidélité ou une similarité par rapport à une « image de référence » ou « parfaite » dans un espace perceptif donné. Ces méthodes « à référence complète » cherchent à assurer une cohérence dans la prédiction de la qualité en modélisant des caractéristiques physiologiques et psychovisuelles marquantes du système visuel humain (HVS), ou encore à l’aide de mesures de fidélité du signal. Dans cet article, nous abordons le problème d’évaluation de la qualité des images comme un problème de fidélité de l’information. Plus précisément, nous proposons de quantifier la perte d’information image à la suite du processus de distortion, et d’explorer la relation entre l’information image et la qualité visuelle. Les systèmes d’évaluation de la qualité sont inévitablement confrontés à l’évaluation de la qualité visuelle d’images et vidéos « naturelles », destinées à une consommation humaine. Les chercheurs ont développé des modèles sophistiqués pour capturer les statistiques de ces signaux naturels. À l’aide de ces modèles, nous avons précédemment proposé un critère de fidélité de l’information pour l’évaluation de la qualité des images, reliant la qualité à la quantité d’information partagée entre une image de référence et une image déformée. Dans cet article, nous proposons une mesure de l’information image qui quantifie l’information présente dans l’image de référence et la quantité de cette information qui peut être extraite de l’image déformée. En combinant ces deux grandeurs, nous proposons une mesure de fidélité de l’information visuelle pour l’évaluation de la qualité des images. Nous validons la performance de notre algorithme à l’aide d’une étude subjective étendue impliquant 779 images, et montrons que notre méthode surpasse de manière significative les algorithmes d’évaluation de la qualité d’image les plus récents dans nos simulations. Le code source et les données issues de l’étude subjective sont disponibles sur le site web LIVE.