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

More documents

Recommendations

Info

(a) (b) (c) (d) (e) Figure 3-0 Image originale (a), énergie amplitude (b), amplitude moyenne (c), amplitude max (d), variance de l’amplitude (e) sur le spectre de Fourier. Les opérateurs basés sur le module du spectre de Fourier présentent un bon pouvoir de discrimination de certaines textures pour une même scène. Ils produisent des réponses homogènes sur des parties de l’image telles que le toit du bâtiment sur la droite (Figure 3-0, image (a) à (e)), ou la végétation sur la moitié haute de l’image. Bien que ces opérateurs soient indépendants du niveau de gris moyen, ils dépendent néanmoins du contraste et de l’échelle de l’imagette traitée. Dans certaines situations, la notion de texture est difficile à définir, notamment quand les objets à reconnaître sont caractérisés par leur aspect structurel/composite. Ce problème se rencontre fréquemment en présence d’objets artificiels, géométriques. Les méthodes pour labelliser une texture « bâtiments » dans une scène urbaine par exemple, peuvent être assez spécifiques et différentes de celles vues jusqu’à présent. Nous allons nous pencher sur ce type de problématique. 30
3.3.7 Détection de zones artificielles C’est le cas quand nous voulons caractériser des bâtiments en vue rapprochée par exemple. Les objets rencontrés peuvent être relativement divers, contenir d’autres objets (panneaux publicitaires, vitrines). L’aspect composite de l’objet à reconnaître, plus que son aspect statistique local, devient alors prépondérant. Si, en plus de pouvoir reconnaître le modèle/concept « bâtiment », nous voulons pouvoir séparer les instances présentes dans la scène (bâtiment1, bâtiment2), la tâche peut devenir ardue. Une approche pour résoudre ce problème est de caractériser un bâtiment comme une zone comportant de forts gradients (aspect variationnel de l’intensité de lumière) et la présence de segments de droites (aspect géométrique local), regroupés de manière structurelle en terme de parallélisme et perpendicularité (aspect géométrique composite). Ce type de méthode est utilisé dans [YLI02]. Les caractéristiques que nous venons de citer permettent d’établir, sur la scène observée, des clusters de zones correspondant à des bâtiments. La séparabilité entre les instances présentes est assurée par une information de teinte à proximité des segments de droite extraits (image couleur). La Figure 3-0 illustre une application de ce type d’approche. Nous reparlerons au chapitre 2 de l’importance de l’aspect composite d’une texture et présenterons une méthode pour extraire cette information de manière automatisée. (a) (b) (c) (d) Figure 3-0 (issue de [YLI02]) Extraction de buildings par recherche de segments cohérents en couleur et parallélisme et perpendicularité (relativement à la perspective de la scène). De haut en bas et de gauche à droite : l’image d’origine (a), le résultat de l’extraction de contours (b), résultat de détection de l’immeuble de gauche (c) et de droite (d). La séparation des deux immeubles est effectuée à partir de l’information de teinte de l’image couleur. Dans sa thèse, Yves Caron [CAR04] rappelle que la séparation entre les parties manufacturées et naturelles de l’image peut se faire via le calcul de la dimension fractale et l’adaptation de ce modèle à la zone image locale considérée. Une dimension fractale comprise en 2 et 2,5 avec une erreur importante par rapport au modèle fractal représente une zone artificielle. Le modèle utilisé est une droite dans un graphe log-log, se référer à la section 3.4.3 pour plus de détails. Une fois qu’un certain nombre de textures ont pu être caractérisées, que la séparation entre le naturel et l’artificiel a été effectuée, il convient de savoir ce que va devenir l’information extraite. Une application répondant aux besoins actuels du domaine militaire et se trouvant être réalisable dans des contraintes de temps réel est la colorisation 31
Page 1 and 2: Thèse de doctorat Pour obtenir le
Page 3 and 4: 4.3.4 Apprentissage par seuil adapt
Page 5 and 6: Abstract: The aim of our study is t
Page 7 and 8: ordonnancement est particulièremen
Page 9 and 10: Figure 2-0 Image de veille marine.
Page 11 and 12: Figure 2-0 (application militaire D
Page 13 and 14: 3 Etat de l’art, analyse critique
Page 15 and 16: La fusion peut être effectuée soi
Page 17 and 18: des fonctions étagées. C’est so
Page 19 and 20: Figure 3-0 Illustration du changeme
Page 21 and 22: 3.3.2 Matrice de cooccurrence La ma
Page 23 and 24: La matrice de cooccurrence, par sa
Page 25 and 26: l’image. C’est-à-dire qu’il
Page 27 and 28: La Figure 3-0 illustre une caracté
Page 29: De par leur nature, ces filtres son
Page 33 and 34: Végétation Cibles Spectre phospho
Page 35 and 36: Figure 3-0 (issue de [TOE05]) : col
Page 37 and 38: Figure 3-0 Mesure d’une courbe pa
Page 39 and 40: peuvent pas contenir de cancer, et
Page 41 and 42: Figure 3-0 Paysage généré de man
Page 43 and 44: 3.4.3 Dimension fractale La dimensi
Page 45 and 46: ( μ( X ε ) ) ( ε ) log D = lim
Page 47 and 48: Seuil 1 Seuil 2 Figure 3-0 En haut
Page 49 and 50: de prise de vue d’une photo aéri
Page 51 and 52: couples de pixels pour une imagette
Page 53 and 54: Figure 3-0 Exemple de segmentations
Page 55 and 56: 20 40 60 80 100 120 140 160 180 200
Page 57 and 58: Q , représente la fréquence d’a
Page 59 and 60: associée à A ( ε ) est égalemen
Page 61 and 62: Avec ces nouvelles définitions, no
Page 63 and 64: -0.6 -0.65 -0.7 -0.75 -0.8 -0.85 -0
Page 65 and 66: I1 I 2 ε = 0 u b ε ε v0 = 0 ε =
Page 67 and 68: 100 200 300 400 500 600 700 800 900
Page 69 and 70: Figure 3-0 Exemple de similarité s
Page 71 and 72: Itération 1 Itération 2 Itératio
Page 73 and 74: peut être difficile d’effectuer
Page 75 and 76: où ( D s) ( B iIso) ( res( D, s) ,
Page 77 and 78: Dans notre étude, nous avons chois
Page 79 and 80: Range Ri • Echelle Ri/Di (réel o
Page 81 and 82:
Entrées : les transformations T li
Page 83 and 84:
(a) (b) (c) Figure 4-0 Image de Len
Page 85 and 86:
4.3 Mise en place d’une méthode
Page 87 and 88:
Figure 4-0 Histogramme des valeurs
Page 89 and 90:
N D ∑ N i j −1 3 1 2 2 1 , = 0
Page 91 and 92:
domaine considéré peut coder un r
Page 93 and 94:
Observons les erreurs de reconstruc
Page 95 and 96:
4.3.4.1 Seuil à pas constant et pr
Page 97 and 98:
mais uniquement une quantité limit
Page 99 and 100:
emarquer sur la Figure 4-0 que les
Page 101 and 102:
verte). Si nous observons le PSNR d
Page 103 and 104:
Figure 4-0 Reconstruction de Lena a
Page 105 and 106:
possible est de définir le score d
Page 107 and 108:
PSNR de faible valeur, un nombre im
Page 109 and 110:
Optionnel Ranges Domaines Extractio
Page 111 and 112:
Dans cette section, nous avons dét
Page 113 and 114:
des opérateurs décrits dans les c
Page 115 and 116:
Fausses alarmes potentielles Figure
Page 117 and 118:
caractéristiques sont sélectionn
Page 119 and 120:
L’histogramme de la Figure 5-0 re
Page 121 and 122:
détection se situe à l’emplacem
Page 123 and 124:
minimisation est effectué par la m
Page 125 and 126:
méthode par ACP n’est pas capabl
Page 127 and 128:
l’image. Les ombres sont des él
Page 129 and 130:
Log (Rapport des valeurs propres) S
Page 131 and 132:
Même si nos objectifs portent sur
Page 133 and 134:
Figure 5-0 Test de séparation simp
Page 135 and 136:
détaillons dans la section suivant
Page 137 and 138:
Remarque : Nous pouvons noter ici q
Page 139 and 140:
l’imagette et requièrent un reca
Page 141 and 142:
La seconde approche est symétrique
Page 143 and 144:
5.4 Évaluation 5.4.1 Introduction
Page 145 and 146:
(a) (b) (c) (d) (e) (f) Figure 5-0
Page 147 and 148:
(a) (b) (c) Figure 5-0 Apprentissag
Page 149 and 150:
peut considérer comme idéal, où
Page 151 and 152:
• paramètres : rayons des domain
Page 153 and 154:
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0
Page 155 and 156:
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0
Page 157 and 158:
Figure 5-0 Apprentissage d’un avi
Page 159 and 160:
• interprétations des résultats
Page 161 and 162:
(a) (b) (c) Figure 5-0 Extraction d
Page 163 and 164:
5.5 Conclusion Dans cette section,
Page 165 and 166:
6.2 Perspectives 6.2.1 Streaming vi
Page 167 and 168:
considérons que nous avons identif
Page 169 and 170:
7 Bibliographie Net 1 : http://www.
Page 171 and 172:
[GHA03] M. Ghazel, G. H. Freeman, E
Page 173 and 174:
[LOW04] D. G. Lowe, “Distinctive
Page 175 and 176:
IEEE Transactions on Pattern Analys
Page 177 and 178:
8 D’s C : 3.4.7 Apport dans le do
Page 179 and 180:
9 Ancienne évaluation Détail de l
show all

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

Create successful ePaper yourself

Delete template?

Save as template?