💻 computer science

Estimating SSIM from MSE for DCT-Based Compressed Images

Cet article propose deux méthodes pour approximer avec précision l'indice de similitude structurelle (SSIM) pour les images compressées par DCT en redistribuant l'erreur quadratique moyenne (MSE) globale à l'aide des statistiques locales de l'image de référence, permettant ainsi une évaluation de la qualité efficace et perceptuellement significative sans nécessiter l'accès aux données de MSE locales.

Auteurs originaux : Luc Trudeau, Maria G. Martini

Publié 2026-08-04

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Luc Trudeau, Maria G. Martini

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un juge dans un concours de talents, mais qu'au lieu de regarder les artistes, vous jugiez la qualité d'une photographie. Dans le monde des images et des vidéos numériques, les ordinateurs ont besoin d'un moyen de décider si une image est « bonne » ou « mauvaise » après avoir été compressée pour gagner de l'espace (un processus appelé compression). L'ancienne méthode consistait comme un professeur de mathématiques corrigeant une copie : ils comptaient chaque erreur individuelle. Si l'ordinateur voyait un pixel légèrement décalé, il additionnait toutes les erreurs pour obtenir un score appelé « MSE » (Erreur Quadratique Moyenne) ou « PSNR ». C'est simple et rapide, mais c'est comme noter une peinture en comptant le nombre de coups de pinceau manquants ; cela ne se soucie pas de savoir si les coups de pinceau manquants étaient dans un ciel gris ennuyeux ou dans une partie cruciale d'un visage.

Une meilleure méthode, appelée « SSIM », essaie de regarder l'image comme le ferait un humain. Elle vérifie si les formes, les contours et les motifs semblent toujours corrects, et non pas seulement si les couleurs sont exactes. Cependant, calculer le SSIM, c'est comme demander à un critique d'art extrêmement strict d'examiner chaque petit recoin de l'image et de le comparer à l'original. Cela prend beaucoup de temps et de puissance de calcul, surtout lorsque vous essayez de diffuser un film à des millions de personnes. La grande question pour les ingénieurs est la suivante : peut-on obtenir le score « semblable à l'humain » du SSIM sans faire tout ce travail colossal ? Peut-on deviner la qualité simplement en connaissant le nombre total d'erreurs (l'erreur globale) et en regardant l'image originale une seule fois ?

Cet article, écrit par Luc Trudeau et Maria G. Martini, dit : « Oui, nous le pouvons ». Ils se sont concentrés sur des images compressées à l'aide d'une méthode courante appelée DCT (celle utilisée pour les fichiers JPEG). Ils ont découvert que vous n'avez pas besoin de regarder l'image désordonnée et déformée pour calculer un bon score de qualité. Au lieu de cela, vous pouvez prendre la quantité totale d'erreur introduite par la compression et la « redistribuer » à travers l'image en fonction de la complexité de l'image originale. Pensez à un boulanger qui sait exactement quelle quantité de farine a été renversée sur le sol (l'erreur globale). Au lieu de mesurer le dégats dans chaque coin de la cuisine, le boulanger regarde la recette originale. Si une partie de la cuisine présentait un mélange très actif (texture élevée ou contours marqués), le boulanger suppose que le renversement de farine était plus important à cet endroit. Si une partie n'était qu'un plan de travail lisse (zones lisses), le boulanger suppose que le dégât était plus léger. En utilisant cette « carte d'activité » de l'image originale, ils peuvent estimer le score SSIM sophistiqué en utilisant uniquement le compte total d'erreurs et la texture de l'image originale.

Les chercheurs ont testé cette idée sur deux ensembles célèbres de photos de haute qualité (le groupe Kodak et le Xiph Subset1) et les ont compressés en JPEG à différents niveaux de qualité. Ils ont constaté que leur nouvelle méthode, qui utilise l'« écart type » (une mesure de la variation de la texture de l'image) pour répartir l'erreur, était bien plus précise que l'utilisation du seul total d'erreurs. En fait, leurs estimations étaient si proches des scores SSIM réels que la différence était inférieure à 1 % sur les niveaux de qualité typiques. Ils ont également remarqué que les mathématiques fonctionnaient mieux lorsqu'ils traitaient la relation entre la texture et l'erreur comme étant « sous-linéaire » — ce qui signifie que, bien que les zones denses absorbent plus d'erreurs, elles n'en absorbent pas toutes de manière proportionnelle et directe. L'article suggère qu'en utilisant cette astuce simple, les systèmes vidéo pourraient calculer les scores de qualité beaucoup plus rapidement, car ils n'ont besoin d'analyser l'image vidéo originale qu'une seule fois, puis de réutiliser ces statistiques pour chaque version encodée de la vidéo, plutôt que de réanalyser les versions compressées et désordonnées à chaque fois.

Résumé Technique : Estimation de la SSIM à partir de la MSE pour les images compressées par DCT

Énoncé du Problème
Dans les pipelines de traitement d'images et de vidéos modernes, particulièrement ceux utilisant le codage adaptatif au contenu (Content Adaptive Encoding), il existe un besoin critique pour des métriques de qualité objectives qui soient à la fois calculables efficacement et perceptuellement significatives. Bien que l'indice de similitude structurelle (SSIM) offre une corrélation perceptuelle supérieure au très utilisé rapport signal sur bruit de crête (PSNR), son calcul standard nécessite une analyse de référence complète. Plus précisément, le calcul de la SSIM nécessite des statistiques de fenêtres locales (moyenne, variance et covariance) provenant à la fois de l'image de référence ( $X$ ) et de l'image déformée ( $Y$ ).

Dans les scénarios où le même contenu source est encodé de manière répétée à travers diverses configurations, résolutions et débits, le calcul des statistiques locales pour chaque image déformée introduit une surcharge de calcul et des coûts de dépendance aux données importants. Le problème central traité par cet article est de savoir comment approximer la SSIM en utilisant uniquement l'erreur quadratique moyenne (MSE) globale ou le PSNR global ainsi que les statistiques dérivées uniquement de l'image de référence, éliminant ainsi le besoin d'une analyse par fenêtre locale du signal déformé.

Méthodologie
L'approche proposée s'appuie sur les travaux antérieurs de Martini [3], qui ont établi une relation entre la SSIM locale et la MSE locale ( $MSE_\ell$ ) combinée à la variance locale de la source ( $\sigma_x^2$ ). Cependant, l'approximation standard dans [3] nécessite toujours la $MSE_\ell$ , laquelle n'est pas disponible lorsque seule la $MSE_G$ globale est connue.

Pour résoudre cela, les auteurs proposent de modéliser la $MSE_\ell$ en redistribuant la déformation globale à travers les fenêtres locales en fonction de l'activité de la source. La méthodologie procède comme suit :

Modèle de redistribution de l'erreur : Les auteurs émettent l'hypothèse que les erreurs de quantification dans la compression basée sur la DCT ne sont pas spatialement uniformes ; elles sont corrélées à l'activité locale de l'image. Les régions lisses conservent généralement des erreurs plus faibles, tandis que les régions texturées absorbent des erreurs plus importantes.
Redistribution basée sur la variance : Un modèle de premier ordre redistribue la $MSE_G$ proportionnellement à la variance locale :
$MSE_\ell \approx MSE_G \cdot \frac{\sigma_x^2}{E[\sigma_x^2]}$
Raffinement sous-linéaire : L'analyse empirique a révélé que le modèle de variance linéaire sur-alloue l'erreur aux régions à haute variance. Pour corriger cela, les auteurs introduisent un exposant de mise en forme $\beta \in [0, 1]$ afin de créer une relation sous-linéaire :
$MSE_\ell \approx MSE_G \cdot \frac{(\sigma_x^2 + \epsilon)^\beta}{E[(\sigma_x^2 + \epsilon)^\beta]}$
L'optimisation sur les jeux de données Kodak et Xiph a produit des valeurs de $\beta$ d'environ 0,46 et 0,48, suggérant une relation proche de la racine carrée.
Formulation par l'écart-type : Motivés par l'optimalité de $\beta \approx 0,5$ , les auteurs proposent un modèle sans paramètre utilisant l'écart-type ( $\sigma_x$ ) plutôt que la variance. Cela compresse la plage dynamique de l'activité locale, réduisant la dominance des régions hautement texturées :
$MSE_\ell \approx MSE_G \cdot \frac{\sigma_x + \epsilon}{E[\sigma_x + \epsilon]}$
Approximation SSIM : En substituant cette $MSE_\ell$ estimée dans la formule d'approximation de la SSIM locale, la SSIM moyenne globale (MSSIM) est réduite à un produit d'un scalaire dépendant de la source ( $k$ ) et de la mesure de déformation globale ( $MSE_G$ ). Cela élimine la nécessité de calculer la SSIM par fenêtre sur l'image déformée.

Contributions Clés

Approximation basée uniquement sur la source : L'article établit un cadre pour approximer la SSIM en utilisant uniquement la MSE globale et les statistiques locales dérivées exclusivement de l'image de référence.
Modèle sans paramètre : À travers l'optimisation empirique, les auteurs démontrent qu'un modèle de redistribution basé sur l'écart-type (utilisant effectivement $\beta \approx 0,5$ ) fournit une solution robuste et sans paramètre qui surpasse les approches basées sur la variance.
Efficacité du pipeline : La méthode réduit l'analyse répétée de référence complète à une combinaison d'un scalaire dépendant de la source pré-calculable et réutilisable et d'une métrique de déformation globale disponible de la part de l'encodeur.

Résultats Expérimentaux
Les méthodes proposées ont été validées sur le Kodak Lossless True Color Image Suite et le Xiph.org Subset1 à travers une gamme de niveaux de qualité JPEG (35 à 95). Les résultats ont été comparés à :

La véritable SSIM (vérité terrain).
Une base de référence MSE globale.
La méthode de MSE locale de Martini [3] (qui sert de limite supérieure de précision mais nécessite la MSE locale).
Les modèles de variance sous-linéaire et d'écart-type proposés.

Constatations :

Précision : Les deux approches proposées fournissent des estimations de SSIM nettement plus précises que la base de référence MSE globale.
Comparaison avec la MSE locale : Le modèle basé sur l'écart-type produit des estimations proches de celles obtenues avec la MSE locale, avec des erreurs d'approximation restant inférieures à 1 % à travers les niveaux de qualité typiques.
Caractéristiques de l'erreur : À des niveaux de qualité JPEG plus bas, le modèle de variance sous-linéaire a montré des écarts plus importants en raison d'une sur-allocation de la déformation aux régions texturées. Le modèle d'écart-type a atténué cela en compressant la plage dynamique, résultant en une distribution d'erreur plus équilibrée.
Monotonie : Les deux méthodes ont réussi à préserver la relation monotone entre la qualité JPEG et la SSIM, les rendant adaptées à une évaluation comparative.
Limites : Les auteurs notent qu'à des niveaux de qualité très bas, la déformation devient de plus en plus dépendante des artefacts et moins bien décrite par les statistiques de la source, entraînant une augmentation de l'erreur d'approximation.

Signification et Revendications
L'article affirme que pour les images compressées par DCT, il est possible d'approximer la SSIM avec une grande précision en utilisant uniquement la MSE globale et les statistiques locales dérivées de la référence. Cette capacité est significative pour les pipelines vidéo où le même contenu est encodé plusieurs fois ; les statistiques dérivées de la source peuvent être calculées une seule fois, mises en cache et amorties sur tous les encodages, réduisant ainsi les coûts de calcul et les dépendances de données.

Les auteurs maintiennent un champ d'application modeste, notant que la validation actuelle est limitée aux images JPEG fixes. Ils précisent explicitement que des travaux futurs sont nécessaires pour évaluer le cadre sur les codecs d'image et de vidéo modernes, comparer les performances d'exécution contre les approximations de MSE locale, et quantifier les bénéfices de l'amortissement des statistiques dans les scénarios d'encodage vidéo répétés. L'article ne prétend pas remplacer la SSIM en tant que vérité terrain, mais plutôt fournir un proxy hautement efficace pour elle dans des contextes de pipeline spécifiques et contraints.

Articles similaires