traitement d'images par modèles discrets sur ... - Olivier Lezoray

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