Contributions en segmentation statistique d'images et reconnaissance de formes 2D. (Contributions to statistical image segmentation and 2D pattern Recognition)

نویسنده

  • Stéphane Derrode
چکیده

3 1 Synthèse des Travaux 5 1.1 Segmentation Statistique d’Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2 Détection et Reconnaissance de Formes 2D . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3 Plan du manuscript . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2 Segmentation Statistique d’Images 13 2.1 Segmentation non supervisée d’images par CMC . . . . . . . . . . . . . . . . . . . . . 15 2.1.1 Modélisation probabiliste, parcours de Hilbert et décision bayésienne . . . . 15 2.1.2 Chaîne de Markov cachée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.1.3 Estimation non supervisée des paramètres par ECI . . . . . . . . . . . . . . . 20 2.2 Segmentation multicomposantes par CMC . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2.1 Extension vectorielle des CMCs . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.2.2 Modèles spécifiés par analyse multivariée . . . . . . . . . . . . . . . . . . . . . 28 2.2.3 Modèles spécifiés par copules . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.3 Deux nouvelles topologies pour les CMCs . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.1 Modèle des CMCs d’ordre supérieur . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.2 Modèle des CMCs couples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2.4 Segmentation imprécise par CMC floue (thèse de C. Carincotte) . . . . . . . . . . . . 48 2.4.1 Chaîne de Markov floue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 2.4.2 Estimation des paramètres du modèle des CMCs floue . . . . . . . . . . . . . 50 2.4.3 Détection floue de changements . . . . . . . . . . . . . . . . . . . . . . . . . . 54 2.5 Conclusion & Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3 Détection et Reconnaissance de Formes 2D 59 3.1 Transformée de Fourier-Mellin et reconnaissance de formes (thèse) . . . . . . . . . . 60 viii TABLE DES MATIÈRES 3.1.1 Trois approximations numériques de la TFMA . . . . . . . . . . . . . . . . . . 60 3.1.2 Extraction de familles complètes d’invariants par similitudes . . . . . . . . . 62 3.1.3 Estimation des paramètres et détection des symétries . . . . . . . . . . . . . . 64 3.2 Moments complexes et indexation de bases d’images (thèse de R. Mezhoud) . . . . . 66 3.2.1 Moments géométriques et invariants de Hu . . . . . . . . . . . . . . . . . . . . 67 3.2.2 Invariants complets des moments complexes . . . . . . . . . . . . . . . . . . . 68 3.2.3 Reconstruction à partir des moments complexes . . . . . . . . . . . . . . . . . 70 3.2.4 Indexation de bases d’objets à niveaux de gris . . . . . . . . . . . . . . . . . . 70 3.3 A priori géométrique pour les snakes et détection d’objet (master recherche de M.-A. Chermi) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 3.3.1 Le modèle original des snakes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 3.3.2 Introduction d’un a priori de forme dans les snakes . . . . . . . . . . . . . . . . 76 3.3.3 Illustration du comportement du snake avec a priori . . . . . . . . . . . . . . . 78 3.3.4 Application à des séquences d’images . . . . . . . . . . . . . . . . . . . . . . . 79 3.4 Mélange non-gaussien et poursuite d’objets dans une vidéo (thèse de W. Ketchantang) 81 3.4.1 Suivi colorimétrique d’un objet . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 3.4.2 Reconnaissance de l’iris pour l’authentification des personnes . . . . . . . . . 85 3.5 Conclusion & Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 4 Conclusion Générale et Projets de Recherche 91 4.1 Synthèse des résultats et projets en cours . . . . . . . . . . . . . . . . . . . . . . . . . 91 4.2 Projets de recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 Listes des Figures 95 Sigles & Abréviations 99

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

ثبت نام

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

Champs aléatoires de Pickard et modélisation d'images digitales Digital image modeling using Pickard random fields

Ingénieur civil des télécommunications, Bruxelles, 1962, Docteur Ingénieur, Paris-VI, 1977 . Au Philips Research Laboratory Brussels (PRLB) depuis 1969, il a conduit de nombreux travaux de recherche dans le domaine de la reconnaissance des formes. Actuellement, il est responsable de la recherche en analyse et interprétation d'images. Ses travaux les plus récents concernent la modélisation spati...

متن کامل

A hierarchical statistical framework for the segmentation of deformable objects in image sequences

In this paper, we propose a new statistical framework for modeling and extracting 2D moving deformable objects from image sequences. The object representation relies on a hierarchical description of the deformations applied to a computed template. Global deformations are modeled using a Karhunen Loeve expansion of the distorsions observed on a representative population. Local deformations are m...

متن کامل

Scale-Invariance of Support Vector Machines based on the Triangular Kernel

This report focuses on the scale-invariance and the good performances of Support Vector Machines based on the triangular kernel. After a mathematical analysis of the scale-invariance of learning with that kernel, we illustrate its behavior with a simple 2D classi cation problem and compare its performances to those of a Gaussian kernel on face detection and handwritten character recognition Key...

متن کامل

Ecole Doctorale ED 488 “ Sciences , Ingénierie , Santé ” Unsupervised 3 D image clustering and extension to joint color and depth segmentation

Access to the 3D images at a reasonable frame rate is widespread now, thanks to the recent advances in low cost depth sensors as well as the e cient methods to compute 3D from 2D images. As a consequence, it is highly demanding to enhance the capability of existing computer vision applications by incorporating 3D information. Indeed, it has been demonstrated in numerous researches that the accu...

متن کامل

GiulioSandini UniversityofGenova,Italy Examinator Reviewer

Geodesic Active Regions and Level Set Methods: Contributions and Applications in Arti cial Vision Nikos K. Paragios This thesis proposes a novel theoretical framework, namely the Geodesic Active Region model, for dealing with frame partition problems in computer vision. This framework is based on the variational calculus and involves a curve-based objective function which integrates in a generi...

متن کامل

ذخیره در منابع من


  با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

ثبت نام

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

عنوان ژورنال:

دوره   شماره 

صفحات  -

تاریخ انتشار 2008