Evaluation de qualité d’image sous Spark

Abstract

Ce travail aborde le défi de l'évaluation objective de la qualité des images dans le contexte de l'évaluation sans référence. Alors que la technologie continue de progresser et que la demande en contenu visuel de haute qualité augmente, des méthodologies d'évaluation de la qualité des images précises et efficaces sont essentielles. Malgré l'abondance des métriques d'évaluation objectives existantes, la complexité des scénarios de dégradation d'images du monde réel présente des défis persistants. Dans ce mémoire, nous proposons une approche qui intègre des techniques d'apprentissage par ensemble, plus particulièrement la régression en forêt, avec une validation croisée k-fold pour une évaluation robuste et efficace de la qualité des images, et pour améliorer les performances prédictives. Les résultats expérimentaux sur nos ensembles de données démontrent l'efficacité de l'approche proposée dans l'évaluation précise de la qualité des images. En exploitant la puissance de l'apprentissage par ensemble et de la validation croisée, notre méthodologie atteint des performances supérieures par rapport aux approches traditionnelles. De plus, la scalabilité du cadre proposé, mis en œuvre à l'aide de PySpark, permet un traitement efficace des ensembles de données d’images.

This work addresses the challenge of objective image quality assessment in the context of no- reference evaluation. As technology continues to advance and demand for high-quality visual content increases, accurate and effective image quality assessment methodologies are essential. Despite the abundance of existing objective evaluation metrics, the complexity of real-world image degradation scenarios presents persistent challenges. In this paper, we propose an approach that integrates ensemble learning techniques, specifically forest regression, with k-fold cross-validation for robust and efficient image quality assessment, and to improve predictive performance. Experimental results on our datasets demonstrate the effectiveness of the proposed approach in accurately image quality assesment. By leveraging the strength of ensemble learning and cross-validation, our methodology achieves superior performance compared to traditional metrics. Moreover, the scalability of the proposed framework, implemented using PySpark enables efficient processing of image datasets.