Discussion :

[AYDIWALID]

bonsoir,
j'ai une question concernant les critères de comparaison entre deux images.
j'ai deux images qui sont issue de deux procédés de filtrages différent.

tout d'abord j'ai utilisé w=conv2(gaussian,img); comme première méthode de filtrage et gaussian = fspecial('gaussian',13,2); et im = filter2(gaussian,img);comme deuxième méthodes en utilisant MATLAB.
je veux savoir quelle est la plus meilleur entre les deux en prouvant ca par l'application d'un critère.
y' a t'il un moyen de mesure ou critère de mesure (SSIM ou MSE PSNR chose comme ca..)

Merci d'avance

[SmileSoft]

salut,
tu as le le rapport SNR qui te permet de trouver quelle image est bien débruitée

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

SNR = 10.Log( Sum{ PixelImgFiltrée ²} / Sum{ (PixelImgOriginale-PixelImgFiltrée)² } )

comparer les snr des deux methodes, la méthode qui donne un snr supérieur est la meilleure.

[Jean Dumoncel]

Bonsoir,

si ton filtre que tu as nommé gaussian est le même dans les deux opérateurs (si il a été créé avec fspecial à chaque fois), tu obtiendras le même résultat. filter2 utilise conv2 pour réaliser la convolution :

FILTER2 uses CONV2 to do most of the work.

De plus pour conv2, utilise l'option same pour obtenir un résultat de même dimension que ton image de départ :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

w=conv2(img,gaussian,'same');

[robinechuca]

Si tu veux juste savoir parmis 2 images, quelle est la plus belle de facon absolue, tu dois utiliser un métrique absolue, Youtube utilise par example la métrique UVQ https://github.com/google/uvq.
Si tu as une image de référence et 2 images distordues, il existe plusieurs distances qui se veulent perceptives.

Voici un example avec ssim:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
import cv2  # pip install opencv-contrib-python-headless
import skimage  # pip install scikit-image
 
im1 = cv2.imread("im1.jpg", cv2.IMREAD_COLOR_BGR)
im2 = cv2.imread("im2.jpg", cv2.IMREAD_COLOR_BGR)
im1 = cv2.cvtColor(im1, cv2.COLOR_BGR2YUV)
im2 = cv2.cvtColor(im2, cv2.COLOR_BGR2YUV)
ssim = (
    6 * skimage.metrics.structural_similarity(im1[:, :, 0], im2[:, :, 0], win_size=11, data_range=255, gaussian_weights=True)
    + 1 * skimage.metrics.structural_similarity(im1[:, :, 1], im2[:, :, 1], win_size=11, data_range=255, gaussian_weights=True)
    + 1 * skimage.metrics.structural_similarity(im1[:, :, 2], im2[:, :, 2], win_size=11, data_range=255, gaussian_weights=True)
) / 8

Comme tu peux le voir on ne compare pas les images dans l'espace RGB mais dans l'espace YUV. Idem pour psnr. Les coefficients 6, 1, 1 sont usuels. On trouve parfois aussi les coefficients 8, 1, 1.
ATTENTION, il existe plus de 15 espaces de couleurs RGB et YUV. Tu dois t'assurer que les images que tu compares sont dans le même espace de couleurs.
Si tu as un doute, prend un outil qui effectue les conversions colorimétriques à ta place. Par exemple:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
import cutcutcodec
cutcutcodec.compare("reference.jpp", "distordue.jpg", psnr=True, ssim=True, vmaf=True)

Les points positifs des métriques:

• PSNR: très rapide à calculer, fiable mathématiquement, très normatif, différentiable
• SSIM: différentiable, proche de la perception humaine
• VMAF: très proche de la perception humaine, normatif

Les inconvénients:

• PSNR: plante facilement (décalage d'un pixel, peu sensible au bruit...), diverge en cas de similarité parfaite
• SSIM: très lent, peu normatif avec beaucoup d'hyperparamètres
• VMAF: extremement lent, non convexe, favorise les images très contrastées.