Labellisation d'images par méthodes fractales - UFR Mathématiques ...

Figure 3-0 Textures dynamiques reconstruites à partir de LDS (source :
[SOA01]).
Les méthodes de reconnaissance de textures sont classiquement regroupées en
structurelle, statistique, approche modèle, et approche transformée.
Dans l’approche structurelle, on distingue deux éléments principaux [HAR79], d’une
part, les primitives à utiliser, d’autre part, les relations spatiales qui lient les primitives
entre elles. Hormis l’aspect analyse, plutôt adaptée aux textures macroscopiques, cette
approche peut se montrer efficace pour une tâche de synthèse de textures. Un autre
avantage de ce type de méthode est qu’elle permet d’avoir une bonne vision symbolique
de la texture étudiée.
Dans l’approche statistique, la texture est vue comme la réalisation d’un processus
stochastique. Le but est alors d’en extraire des attributs statistiques. Les données sources
de ces attributs peuvent être les pixels eux-mêmes (cas le plus classique, premier ordre)
ou les couples de pixels, comme c’est le cas pour la matrice de cooccurrence (mesure du
second ordre) [HAR79]. Les mesures du second ordre ont montré leur efficacité dans le
domaine de la discrimination de texture par rapport à une perception humaine [JUL75]. La
matrice de cooccurrence a été utilisée dans l’imagerie biomédicales dans [LER93,
STR95] et a montré son efficacité par rapport à des méthodes de transformée par
ondelettes dans le domaine de la classification de textures [VAL98].
L’approche modèle repose sur des modèles stochastiques (parmi lesquels on
retrouve les fractales). Les paramètres du modèle sont estimés et utilisés pour l’analyse
de la texture. Dans la pratique, ces méthodes sont relativement coûteuses en temps de
calcul. Les méthodes fractales se sont montrées adaptées à la description de
phénomènes naturels comme le précisent [PEN84, CHA95 et KAP95].
Dans l’approche s’appuyant sur les transformées, on cherche à représenter la texture
dans une autre base que le domaine spatial de l’image. Le but est alors le plus souvent
de trouver des vecteurs de la base qui soient les plus porteurs d’information pour
reconnaître la texture. On retrouve notamment dans cette catégorie les méthodes
s’appuyant sur la transformée de Fourier, les filtres de Gabor et les ondelettes.
Ces différentes familles ne sont pas disjointes. Une méthode de caractérisation de
texture peut en effet appartenir à plusieurs de ces familles. On peut par exemple avoir
une approche statistique après avoir exprimé le signal dans un espace particulier
moyennant une transformée donnée.
Nous allons maintenant voir quelques opérateurs classiques et étudier leurs limites et
domaines d’application.
20