Discussion :

[velkouby]

Comment mesure-t-on le nombre de bits significatifs d'information dans une image?

Plus de détails:

Pour quantifier l'information, j'utilise une mesure d'entropie de l'image.
Mes données sont sur 12 bits, mais je ne pense pas qu'il y ait 12 bits d'information. Pour le tester, je trace une courbe de la valeur de l'entropie de mon image en fonction du nombre de bits permettant de la coder (voir images pour deux exemples différents). Donc en gros je recale mon image sur n bits, puis j'en calcule l'entropie, et je trace la courbe.

Et là, je cale sur l'interprétation de ces courbes. Quelqu'un a une idée?

PS: sur chaque graph, il y a 3 courbes, mais considérez qu'il n'y en a qu'une...

[pseudocode]

Pour le tester, je trace une courbe de la valeur de l'entropie de mon image en fonction du nombre de bits permettant de la coder (voir images pour deux exemples différents). Donc en gros je recale mon image sur n bits, puis j'en calcule l'entropie, et je trace la courbe.

Et ton but c'est que l'entropie soit egale au nombre de bits d'encodage ?

[velkouby]

je sais pas. Si c'est bien oui.

En fait, je ne sais pas ce que représente une unité d'entropie. Sur mon graph, j'utilise -p.ln(p)

[pseudocode]

En fait, je ne sais pas ce que représente une unité d'entropie.

Ah... C'est sûr que ca doit pas t'aider.

Sur mon graph, j'utilise -p.ln(p)

si "p" est bien la probabilité d'occurence d'une valeur (=histogramme normalisé), alors tu as calculé l'entropie de Shannon qui te donne directement le nombre de bits nécessaires pour encoder l'information contenue dans ton image.

[velkouby]

Pour être plus claire: Mon but est de mettre un volume de flottants sur 12 bit avec le moins de perte possible sur la gamme de niveaux de gris qui m'intéresse(celle où il y a de l'information).
L'image 2 correspond à un cast brute du volume flottant alors que dans l'image 1, j'ai récupéré uniquement les niveaux de gris au-dessus de ceux du fond de l'image, puis je les étalés sur 12 bits.

Je veux alors pouvoir quantifier ce que je gagne en terme d'information

[velkouby]

ok, là tu m'aide beaucoup :-)

Mais l'entropie de Sharon c'est pas -2p.ln(p) ?

[pseudocode]

Pour être plus claire: Mon but est de mettre un volume de flottants sur 12 bit avec le moins de perte possible sur la gamme de niveaux de gris qui m'intéresse(celle où il y a de l'information).

Pour moi c'est pas clair.

tu veux trouver les 2^12 valeurs les plus "représentatives" d'un ensemble de réels ?

[velkouby]

j'imagine bien que c'est pas claire...

tu veux trouver les 2^12 valeurs les plus "représentatives" d'un ensemble de réels ?

non. je veux mettre sur 12 bits la partie de l'image contenant le plus d'information. J'ai deux seuils que j'applique sur mon histogramme du volume flottant. Tout ce qui est inf. au seuil1, je le mets à la valeur seuil1, tout ce qui est sup. au seuil2, je le mets à la valeur seuil2. Puis je code sur 12 bits les valeurs en seuil1 et seuil2 (en les recardant entre 0 et 4095)

Je veux comparer la perte, ou le gain d'information entre un volume de référence (seuil1=0 et seuil2=max) et différentes valeurs de seuils

l'idée derrière ça est d'utiliser pleinement les 12 bits pour la dynamique de l'objet d'intérêt dans l'image.

[pseudocode]

l'idée derrière ça est d'utiliser pleinement les 12 bits pour la dynamique de l'objet d'intérêt dans l'image.

Dans ce cas tu peux utiliser le calcul d'entropie pour savoir quelle est la quantité d'information qu'il y a dans la partie seuillée (=supprimée).

ImagePerteSeuilBas:
= valeur originale si valeur originale <= seuil1
= seuil1 si valeur originale > seuil1

ImagePerteSeuilHaut:
= valeur originale si valeur originale >= seuil2
= seuil2 si valeur originale < seuil2

Il faut ensuite trouver la plus grande/petite valeur de seuil1/seuil2 pour laquelle l'entropie vaut 0.5 (ou plus, suivant la masse d'information que tu es pret a perdre).

[pseudocode]

Une petite preuve de concept, faite en 2 minutes.


A gauche: l'image originale (256 niveaux de gris)
Au milieu: l'image seuillée. En rouge le seuil bas (=40) et en vert le seuil haut(=176) => il reste 137 niveaux de gris dans l'image après seuillage.
A droite: l'image seuillée étalée sur 256 niveaux de gris.

[velkouby]

Merci pour cette demo, mais l'idée serait plus de passer d'une image codée sur 16 bits en 8 bits en perdant le moins d'information possible. D'où l'idée d'utiliser des seuils pour n'utiliser les 8 bits que sur les niveaux de gris codants l'objet (ici la voiture)

[ToTo13]

Bonjour,

tu as deux possibilités :
- soit tu découpes ta plage de couleur en 256 niveaux afin de regrouper les couleurs (comme on fait dans une matrice de co-occurence). Mais tu n'auras pas forcément les couleurs les plus représentatives de ton image. Mais en revanche, tu auras un spectre bien régulier.
- soit tu fais un clustering avec 256 classes afin d'avoir les classes les plus représentatives de ton image.

[velkouby]

bonne idée le clustering.

je te remercie pour cette conversation, ca va m'aider a faire avancer les chose.

[pseudocode]

Merci pour cette demo, mais l'idée serait plus de passer d'une image codée sur 16 bits en 8 bits en perdant le moins d'information possible. D'où l'idée d'utiliser des seuils pour n'utiliser les 8 bits que sur les niveaux de gris codants l'objet (ici la voiture)

Ah, c'est donc pas un problème de recherche de seuil haut/bas... c'est effectivement du clustering, ou pour etre plus précis du "Multi level thresholding".

cliquer ici -->