Labellisation d'images par méthodes fractales - UFR Mathématiques ...
Labellisation d'images par méthodes fractales - UFR Mathématiques ...
Labellisation d'images par méthodes fractales - UFR Mathématiques ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Figure 3-0 Textures dynamiques reconstruites à <strong>par</strong>tir de LDS (source :<br />
[SOA01]).<br />
Les <strong>méthodes</strong> de reconnaissance de textures sont classiquement regroupées en<br />
structurelle, statistique, approche modèle, et approche transformée.<br />
Dans l’approche structurelle, on distingue deux éléments principaux [HAR79], d’une<br />
<strong>par</strong>t, les primitives à utiliser, d’autre <strong>par</strong>t, les relations spatiales qui lient les primitives<br />
entre elles. Hormis l’aspect analyse, plutôt adaptée aux textures macroscopiques, cette<br />
approche peut se montrer efficace pour une tâche de synthèse de textures. Un autre<br />
avantage de ce type de méthode est qu’elle permet d’avoir une bonne vision symbolique<br />
de la texture étudiée.<br />
Dans l’approche statistique, la texture est vue comme la réalisation d’un processus<br />
stochastique. Le but est alors d’en extraire des attributs statistiques. Les données sources<br />
de ces attributs peuvent être les pixels eux-mêmes (cas le plus classique, premier ordre)<br />
ou les couples de pixels, comme c’est le cas pour la matrice de cooccurrence (mesure du<br />
second ordre) [HAR79]. Les mesures du second ordre ont montré leur efficacité dans le<br />
domaine de la discrimination de texture <strong>par</strong> rapport à une perception humaine [JUL75]. La<br />
matrice de cooccurrence a été utilisée dans l’imagerie biomédicales dans [LER93,<br />
STR95] et a montré son efficacité <strong>par</strong> rapport à des <strong>méthodes</strong> de transformée <strong>par</strong><br />
ondelettes dans le domaine de la classification de textures [VAL98].<br />
L’approche modèle repose sur des modèles stochastiques (<strong>par</strong>mi lesquels on<br />
retrouve les <strong>fractales</strong>). Les <strong>par</strong>amètres du modèle sont estimés et utilisés pour l’analyse<br />
de la texture. Dans la pratique, ces <strong>méthodes</strong> sont relativement coûteuses en temps de<br />
calcul. Les <strong>méthodes</strong> <strong>fractales</strong> se sont montrées adaptées à la description de<br />
phénomènes naturels comme le précisent [PEN84, CHA95 et KAP95].<br />
Dans l’approche s’appuyant sur les transformées, on cherche à représenter la texture<br />
dans une autre base que le domaine spatial de l’image. Le but est alors le plus souvent<br />
de trouver des vecteurs de la base qui soient les plus porteurs d’information pour<br />
reconnaître la texture. On retrouve notamment dans cette catégorie les <strong>méthodes</strong><br />
s’appuyant sur la transformée de Fourier, les filtres de Gabor et les ondelettes.<br />
Ces différentes familles ne sont pas disjointes. Une méthode de caractérisation de<br />
texture peut en effet ap<strong>par</strong>tenir à plusieurs de ces familles. On peut <strong>par</strong> exemple avoir<br />
une approche statistique après avoir exprimé le signal dans un espace <strong>par</strong>ticulier<br />
moyennant une transformée donnée.<br />
Nous allons maintenant voir quelques opérateurs classiques et étudier leurs limites et<br />
domaines d’application.<br />
20