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

1 Résumé
Résumé :
L’objectif de notre étude est de générer une carte d’étiquettes reliant chaque partie de
l’image à un concept appris. Il s’agit de se positionner dans le cadre d’une compréhension
macroscopique de l’image. Cette compréhension permet de répondre à des
problématiques souvent situées en amont de chaîne algorithmique, telle que l’estimation
de fond, dans le cadre de la détection de cible, ou la réalité augmentée. L’étiquetage de
régions d’une image, ou labellisation, présente plusieurs difficultés liées aux variabilités
des informations à traiter et de leurs contextes. Labelliser une région équivaut à la relier à
un concept connu. Les principales problématiques portent sur les variabilités présentes au
niveau inter et intra concept. La première dépend de la manière et de la finesse avec
lesquelles nous définissons ce que nous voulons reconnaître. La seconde témoigne d’une
variabilité des paramètres intervenant dans un même concept. A cela nous devons
ajouter l’influence du contexte sur ce que nous cherchons à caractériser. Classiquement,
cette influence extérieure proviendra de l’éclairage de la scène observée ou des
paramètres atmosphériques. Notre méthode repose sur une approche statistique et sur
un apprentissage de blocs image caractéristiques. L’approche statistique nous permet de
caractériser les régions naturelles, végétales de l’image. Les zones géométriques, telles
que les véhicules ou les bâtiments, sont d’avantage caractérisables par leur structure et
les sous parties qui les composent. Nous avons choisi de traiter ces deux aspects en
nous appuyant sur les outils fractals. En effet, les opérateurs fractals statistiques sont
adaptés à la modélisation de végétation et les méthodes de compression fractale utilisent
les blocs image à différentes échelles, prenant également en compte les variabilités en
rotation et éclairage, pour synthétiser l’information. Les systèmes de fonctions itérés et un
système de notation nous permettent d’extraire les imagettes les plus représentatives
d’une image. L’aspect composite des sous parties d’un concept/objet est pris en compte
lors de l’apprentissage et de la reconnaissance. Ceci nous permet une détection robuste
dans des contextes image parfois complexes. Nous commençons par étudier le contexte
industriel actuel et les applications connexes à notre étude. Puis nous analysons l’existant
algorithmique présent dans ce domaine. Nous explicitons ensuite notre méthode et la
caractérisons en termes de performances. Pour conclure, nous effectuons un récapitulatif
de nos travaux et posons les perspectives applicables à notre étude.
4