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.
4.2. Perspectives et Projets 101<br />
présentait de nombreux intérêts. En effet, à toute image, on peut faire correspondre une <strong>par</strong>tition<br />
fine strictement équivalente mais de complexité moindre. On retrouve ce principe dans celui des<br />
super-pixels pour des régions [REN03] ou celui des épitomes pour des patchs [CHEUNG05],<br />
l’intérêt étant de construire une représentation similaire à l’image mais de complexité réduite.<br />
Nous nous proposons de continuer dans cette voie en considérant que nombre d’opérations de<br />
<strong>traitement</strong> d’images peuvent être effectuées directement <strong>sur</strong> des régions et non des pixels.<br />
Approches top-down pour le <strong>traitement</strong> d’images Avec des ap<strong>par</strong>eils numériques<br />
de plus en plus grandes résolutions, les images dont nous disposons actuellement sont difficilement<br />
traitables <strong>par</strong> les algorithmes actuels. Nous pensons nous orienter vers des approches travaillant<br />
non plus <strong>sur</strong> l’image à une résolution donnée, mais <strong>sur</strong> une pyramide régulière construite<br />
à <strong>par</strong>tir de l’image. Ceci revient à définir des <strong>traitement</strong> selon une approche top-down (ou multigrid),<br />
les <strong>traitement</strong>s effectués à une échelle servant de repère pour effectuer de nouveaux <strong>traitement</strong><br />
à une échelle plus grande [HE06].<br />
Systèmes d’apprentissage pour le <strong>traitement</strong> d’images Nous avons pu mettre en<br />
évidence qu’une sélection de modèle efficace à l’aide de méta-heuristiques permet de concevoir<br />
des fonctions de décisions <strong>par</strong>cimonieuses et présentant de bonnes performances en généralisation.<br />
Une perspective de ce travail consistera à montrer que ce type d’approche est tout à fait<br />
envisageable pour d’autres problématiques du <strong>traitement</strong> d’images. En effet, même si les systèmes<br />
à base d’apprentissage présentent de plus en plus d’intérêt pour des tâches de <strong>traitement</strong><br />
d’images (notamment en filtrage [ELAD06]), cela est toujours envisagé dans le cadre d’une approche<br />
en cascade et non selon une optimisation globale. Cependant, dès que l’on considère<br />
des systèmes à base d’apprentissage pour effectuer toute ou une <strong>par</strong>tie d’une tâche de <strong>traitement</strong><br />
d’images, c’est généralement pour introduire de l’adaptation. L’introduction d’adaptation<br />
est souvent synonyme d’une augmentation de la complexité qu’il faut absolument contrôler dès<br />
lors que l’on s’attache à traiter des masses de données. C’est ce point de vue que nous prenons et<br />
nous prévoyons de concevoir des systèmes d’apprentissage <strong>par</strong>cimonieux et efficaces pour effectuer<br />
des tâches bas-niveau de <strong>traitement</strong> d’images telles que le filtrage, la détection de contours,<br />
la fusion de régions, etc. Ceci pourra être en lien avec un <strong>traitement</strong> d’images basé régions.<br />
Schémas multi-classes Nos perspectives porteront tout d’abord <strong>sur</strong> une com<strong>par</strong>aison<br />
exhaustive des différents schémas de décomposition et de décodage et ceci avec différents classificateurs.<br />
Ceci n’a jusqu’à présent jamais été mené. Ensuite, Il s’agira d’expliquer théoriquement<br />
pourquoi, avec une approche <strong>par</strong> décomposition, une sélection de modèle globale est plus<br />
efficace qu’une sélection de modèle classique. Enfin, nous considérerons des algorithmes de sélection/combinaison<br />
de classificateurs pour le cas d’une approche <strong>par</strong> décomposition. Dans ce<br />
cadre, la diversité des classificateurs considérés sera d’une grande importance et les algorithmes<br />
génétiques semblent de bons candidats [HADJIT07].<br />
Applications en microscopie - ANR MDCA FOGRIMMI Concernant les applications,<br />
je coordonne le projet FOGRIMMI (Fouille de GRandes IMages MIcroscopiques) de l’actionde<br />
recherche amont MDCA (Masses de Données Connaissances Ambiantes) de l’ANR. Ce<br />
projet se fait autour des <strong>par</strong>tenaires suivants : Université de Caen (VAI), ENSICAEN (GREYC),<br />
Centre Anti-Cancéreux François Baclesse (GRECAN), Université de Poitiers (SIC), Université