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