Elaboration de critères de mesure de qualité objective pour la qualité subjective Ahmed TAMTAOUI 1,3 , Marc RIBAGNAC 2 , Driss ABOUTAJDINE 3 1 INPT Avenue Allal Al Fassi, Rabat Instituts, 10100 Rabat, Maroc 2 ENIC 201, rue de la Cimaise, 59650 Villeneuve d’Ascq, France 3 GSC-LEESA Avenue Ibn Batouta B.P. 1014, Rabat Maroc tamtaoui@ibnsina.inpt.ac.ma, ribagnac@elv.enic.fr, aboutaj@fsr.ac.ma Résumé – L’évaluation de la qualité est indispensable dans le codage d’image. Cette évaluation est souvent réalisée par des critères subjectifs tels que le Mean Opinion Score (MOS)[1]. Cette mesure reste lourde et ne peut être en aucun cas utilisée dans un schéma de codage d’images. Les mesures classiques objectives telles que PSNR ou EQM sont de bons indicateurs pour les distorsions de type erreurs aléatoires. Mais elles donnent des résultats moins bons pour les erreurs structurées (ex: effet de bloc, erreurs de contraste ou de structure spatiale). De nouvelles mesures objectives, utilisant une référence, ont été introduites [2][3][4][5] pour remédier à ces défauts structurels. Ces méthodes restent globales et masquent les erreurs locales visibles et gênantes pour un observateur humain. Afin d’y palier, nous proposons dans cet article une nouvelle méthode de mesure tenant compte de ces erreurs locales. Abstract – The evaluation of picture quality is indispensable in image coding. Subjective assessment tests, such as the Mean Opinion Score (MOS)[1], are widely used to evaluate the picture quality of coded images. These mesures are experimentaly difficult, lengthy and cannot be integated in a coding scheme. The simple distorsion scales such as the Mean Square Error (MSE) or even the Peak Signal to Noise Ratio (PSNR) are good distorsion indicators for random errors, but not for structured errors. However, there are many studies dealing with the construction of objective scales wich are introduced [2][3][4][5] to alleviate these structured errors. Generally, these methods evaluate the quality in global fashion and mask the visible and strong local errors. This paper proposes a new methodology for the determination of objective quality metrics with respect to local erros. 1. Introduction Dans les schémas de codage les plus répandus, l’erreur entre l’image codée-décodée et la référence est mesurée par l’Erreur Quadratique Moyenne(EQM) ou son corollaire, le PSNR. L’avantage de ce genre de méthode est la simplicité et l’efficacité. Les temps de calcul sont réduits ce qui convient bien aux codages ayant pour but de fonctionner en temps réel. Toutefois, si l’EQM est une bonne mesure des bruits aléatoires, elle est parfois totalement inefficace lorsqu’il s’agit d’erreurs structurées. Nous pouvons citer les effets de blocs généralement produits par JPEG pour des taux de compression élevés ou par MPEG lors de mouvements rapides du sujet. Si la mesure subjective, le MOS(Mean Opinion Score)[1], est réputée fiable, elle possède toutefois des inconvénients d’ordre pratique car la procédure est longue et donc totalement incompatible avec son intégration dans un schéma de codage. Dans le cadre de la surveillance d’un réseau de télévision[4], il serait possible de travailler sur des échantillons mais à condition d’embaucher le nombre voulu de personnes ce qui est incompatible avec les contraintes de temps et de budget. Il a donc fallu introduire de nouvelles mesures objectives, utilisant une référence pour remédier aux défauts de la mesure classique EQM et donnant des résultats aussi proches que possible du MOS[2][3][4][5]. Ces méthodes restent globales et masquent les erreurs locales visibles et gênantes pour un observateur humain. Afin d’y palier, cet article met en oeuvre une nouvelle méthode de mesure de la qualité des images numériques monochromes fixes. L’amélioration par rapport aux méthodes existantes porte en particulier sur la prise en compte de la localité (concentration) des erreurs et notamment les erreurs ponctuelles qui deviennent visuellement gênantes par suite de leur concentration dans une même zone. 2. Critère global de mesure de qualité Notre méthode se base sur l’application des critères de mesure locales sur des zones de l’image. Nous avons choisi