Abstract FR:

En règle générale lors de la compression des images couleur, les approches pour exploiter les redondances statistiques et perceptuelles des images ne s'imbriquent pas suffisamment. Dans ce mémoire de thèse, nous proposons de mettre l'accent sur une approche permettant de prendre en compte les dégradations perceptuelles dues à la quantification des images couleur dans un schéma de compression par quantification vectorielle. Nous sommes alors amené à rechercher un espace spatio-colorimétrique qui permettrait d'obtenir une entropie minimale tout en conservant une très bonne qualité de restitution des images. Ceci nous a amené à utiliser et définir des mesures de distorsions ainsi que des test psychophysiques, avec tout l'environnement expérimental que cela nécessite. Il semble que l'entropie ne soit pas suffisante pour discriminer les espaces colorimétriques, et que seule la qualité peut permettre un classement. La quantification des images étant une étape cruciale du schéma de compression, nous proposons une solution permettant de construire un dictionnaire perceptuellement amélioré. Cette solution se décompose en trois étapes : - la recherche d'un sous-ensemble de vecteurs de la base d'apprentissage via une mesure scalaire perceptuellement optimisée, - une préclassification de chaque vecteur de la base d'apprentissage en vecteurs contour et non contour, - une classification de la dynamique de cette mesure de pertinence basée sur une modélisation de mélange fini de lois gaussiennes. La combinaison de ces trois approches permet alors d'obtenir un rendu des couleurs ainsi qu'une conservation des contours très correcte, pour une même complexité.