Quantification du flou ou de la netteté

Bonjour à tous!

Je me présente rapidement: je suis élève Ingénieur dans une grande École d'Ingénieurs bien connue et je mène actuellement un projet de recherche sur la catégorisation automatique d'images.
Dans un premier temps, nous cherchons à extraire des descripteurs d'une base d'images pour pouvoir les classer selon qu'elles soient des photographies de scènes réelles ou des peintures (dans un second temps nous chercherons à trier les photos en sous-genres comme artistique amateur et reportage).

Nous n'utilisons pour le tri que des descripteurs intrinsèques aux images (contraste, textures, homogénéité pour les plus connus..) et aucune méta données ou tags associés. Nous développons à la fois un algorithme d'extraction mais aussi un algorithme de tri et d'apprentissage pour la classification!
Voila pour la présentation de mon projet!

Le forum MATLAB m'a beaucoup aidé pour avoir quelques précisions, donc merci à tous ses contributeurs!

Bref, venons on à ce qui m’amène ici.

Après avoir extrait les 14 descripteurs d'Haralick, je cherche maintenant à quantifier le flou (ou la netteté d'une image) avec un scalaire (ou un ensemble de scalaires triés dans un vecteur).

J'ai commencé plusieurs pistes qui s’avèrent peu discriminantes.

Compter le nombre de blocs de "grande" taille d'une décomposition en quadtree (problème: un ciel bleu homogène et net donnerait la même réponse qu'un fond flou sur un portrait).
A l'aide d'une DCT ou d'une FFT, déterminer le nombre de hautes fréquences au dessus d'un seuil (problème: quel seuil?).

Malgré mes recherches, peu d'autres pistes ont été soulevés sur le forum et sur le net en général (J'ai lu la thèse de Said Ladjal et les articles proposés sur des précédents topics).

Auriez vous quelques bases pour une émulation sur le sujet?

En espérant avoir été le plus clair possible!
Merci à tous.

Bonjour,

une solution "simple" pour estimer la netteté d'une image est la moyenne/variance d'un gradient.
Pour l'homogénéité de l'image, tous mes tests montrent que les deux meilleures méthodes sont de loin la Size Zone Matrix et les granulométries/Pattern Spectrum.

Je rajouterai quand même que l'exemple que tu donnes est l'exemple parfait du problème qui n'a pas de solution: une image très nette mais avec de grandes zones homogènes sera considérée comme floue par un algo "standard". Si tu fais un algo spécialement pour ce genre de cas (par exemple tu calcules la netteté dans une fenêtre glissante et que tu gardes la valeur la plus haute), tu auras des problèmes pour des images majoritairement floues mais avec une petite zone nette.
Je pense que la solution est dans le compromis ou la connaissance préalable du type d'image.

Citation:

---

Envoyé par math_lab

Je rajouterai quand même que l'exemple que tu donnes est l'exemple parfait du problème qui n'a pas de solution: une image très nette mais avec de grandes zones homogènes sera considérée comme floue par un algo "standard". Si tu fais un algo spécialement pour ce genre de cas (par exemple tu calcules la netteté dans une fenêtre glissante et que tu gardes la valeur la plus haute), tu auras des problèmes pour des images majoritairement floues mais avec une petite zone nette.
Je pense que la solution est dans le compromis ou la connaissance préalable du type d'image.

---

+1. Tout ceci se voit sur les caractéristiques des Size Zone Matrix, mais il faut bien adapter les seuils à ce que l'on souhaite.

Une autre solution serait de passer un détecteur e Hoguh de lignes droites, et calculer alors leur épaisseur moyenne..

1 pixel = netteté parfaite

taille de l'image = flou parfait


Sinon, si on dispose au moins de 2 images, fait un détecteur de Hough et comparer les épaisseurs moyennes entre les 2. On aura alors une varaition relative de la netteté.