traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
100 Chapitre 4 - Conclusion générale et perspectives<br />
Traitement d’images et de données multi-variées Les méthodes d’ordres de données<br />
vectorielles que nous avons proposées avaient pour but initial d’étendre facilement les opérateurs<br />
de morphologie mathématique au <strong>traitement</strong> de données multi-variées. Les méthodes que<br />
nous avons proposées devront être éprouvées pour des opérateurs morphologiques plus complexes<br />
dans le cadre de schémas de <strong>traitement</strong> morphologiques complets, ceci afin de montrer<br />
la validité des approches proposées. Les approches d’ordres de données multi-variées que nous<br />
avons proposées vont cependant bien au delà. Puisqu’elles sont exprimées directement pour des<br />
graphes de topologies arbitraires dont les noeuds sont décrits <strong>par</strong> des données multi-variées,<br />
elles peuvent également servir comme outil d’analyse de données <strong>par</strong> morphologie mathématique.<br />
Evidemment la morphologie mathématique a déjà été utilisée pour analyser des données,<br />
mais ceci principalement sous forme de nuages de points [POSTAI93A]. L’analyse de données<br />
<strong>par</strong> morphologie mathématique nous semble alors une voie prometteuse. Nous reviendrons <strong>sur</strong><br />
ce point dans les perspectives suivantes. Un autre point concerne l’approche <strong>par</strong> construction<br />
d’un chemin Hamiltonien dans un graphe, nous comptons continuer à étudier ce type d’approche<br />
car elle définit en fait une réduction de dimension explicite. Nous nous intéresserons à définir<br />
des réductions de dimension qui peuvent être multi-échelle <strong>par</strong> l’exploitation des hiérarchies de<br />
<strong>par</strong>titions définies lors de la construction du chemin Hamiltonien [HAXHIM07].<br />
Régularisation non locale de données discrètes La méthode de régularisation discrète<br />
non locale <strong>sur</strong> graphes pondérés que nous avons proposée offre de nombreuses possibilités<br />
pour le <strong>traitement</strong> non local de variétés. Peu de travaux [HEIN06] ont exploré cette voie jusqu’à<br />
présent et nous nous proposons de le faire. Cela est évidemment intéressant pour exploiter les<br />
interactions non locales qui peuvent exister dans les images, mais cela présente également un<br />
intérêt en fouille de données. En effet, si l’on considère une base de données à laquelle nous<br />
associons un graphe de topologie quelconque dont les noeuds sont décrits <strong>par</strong> des attributs de<br />
dimensions quelconques, nous pouvons alors naturellement considérer une régularisation non<br />
locale directement pour des données quelconques. Nous avons déjà commencé à explorer cette<br />
voie et les résultats sont très prometteurs [, , , 73]. Si l’on com<strong>par</strong>e analyse d’images et analyse<br />
de données, en analyse d’images on utilise quasi systématiquement une simplification pour<br />
faciliter l’analyse. C’est cependant peu le cas en analyse de données et nous pensons qu’une simplification<br />
des données permettra d’améliorer une future catégorisation. Il nous faudra dans ce<br />
cadre étudier l’influence de la topologie des graphes selon le problème considéré. Les approches<br />
hiérarchiques <strong>par</strong> coarse-graining [LAFON06B] nous semblent une voie qu’il faudra également<br />
explorer afin d’avoir une vue hiérarchique des <strong>traitement</strong>s pour éventuellement les accélérer.<br />
Morphologie mathématique <strong>sur</strong> graphes Dans le cadre de la définition d’ordres de<br />
données multi-variées, nous avons évoqué l’intérêt que peut avoir la morphologie mathématique<br />
pour la fouille de données définies <strong>sur</strong> graphes. Même disposant d’un ordre de données vectorielles,<br />
cela nécessitera de reformuler l’ensemble des opérations morphologiques directement <strong>sur</strong><br />
des graphes de topologies arbitraires (des travaux récents vont dans ce sens [MEYER07]). Ceci<br />
rejoint nos travaux concernant une régularisation exprimée directement en discret <strong>sur</strong> graphes.<br />
Les opérateurs de la morphologie mathématique continue pourront alors être exprimés directement<br />
en discret <strong>sur</strong> graphe, ce qui permettra également de disposer d’opérateurs non locaux.<br />
Traitement d’images basé régions Nous avons pu montrer qu’une simplification<br />
d’images basée <strong>sur</strong> le <strong>traitement</strong> d’un graphe d’adjacence de régions associé à une <strong>par</strong>tition fine