Labellisation d'images par méthodes fractales - UFR Mathématiques ...

More documents

Recommendations

Info

seuil Figure 3-0 En haut à gauche, l’image originale de route au milieu du désert, en haut à droite, la réponse de la dimension fractale. Au centre, l’histogramme des valeurs de la dimension fractale et la valeur de seuil (1). En bas à gauche et à droite respectivement la réponse de la dimension fractale seuillée, et seuillée suivie d’une ouverture par masque 2x2 et suppression des petites régions. Pentland propose également d’utiliser la dimension fractale pour faire une estimation de la forme 3D d’une scène ou une estimation de l’angle entre l’axe optique du capteur et la normale au plan moyen d’une texture. L’hypothèse principale pour que cette technique fonctionne est que la texture traitée soit isotrope (on obtient une erreur importante dans le cas où cette hypothèse n’est pas valide). Une application possible est l’estimation d’angle 48
de prise de vue d’une photo aérienne : le tissu urbain, s’il est vu d’une hauteur suffisamment importante peut être considéré comme isotrope. Plus on tend vers l’horizon, plus la texture du tissu urbain est « adoucie ». La pente de l’évolution de la dimension fractale du premier plan jusqu’à l’horizon permet d’estimer l’angle de prise de vue de l’image. Figure 3-0 Reconstruction 3D de vue aérienne à partir de la dimension fractale. Quand le sol est plus proche, la scène devient plus riche et l’hypothèse d’isotropie sur l’ensemble de l’image n’est plus applicable. On ne peut donc pas en déduire une orientation globale de l’image en tant que texture. Par contre, si on considère une partie locale de l’image, alors la propriété reste vérifiée. La Figure 3-0 illustre ce type de phénomène. Une portion de végétation est sélectionnée. Celle-ci est située sur un relief et s’éloigne vers l’horizon. La dimension fractale locale a été définie sur tout l’échantillon. On note une diminution de la dimension fractale locale sur cette portion de texture lorsqu’on considère des valeurs correspondant à des données en premier plan et des valeurs correspondant à des données proches de l’horizon et situées à une grande distance par rapport à l’emplacement de prise de vue. La dimension fractale offre donc des résultats intéressants quand elle est appliquée dans les conditions prescrites par l’auteur (notamment, vue aérienne : Figure 3-0, ou peu de textures différentes sur une même image : Figure 3-0). Sur une image basse altitude avec des textures diverses, la dimension fractale locale prend des valeurs hétérogènes. Cependant localement, à l’intérieur d’une région représentant une même texture, l’information fournie par la dimension fractale reste 49
Page 1 and 2: Thèse de doctorat Pour obtenir le
Page 3 and 4: 4.3.4 Apprentissage par seuil adapt
Page 5 and 6: Abstract: The aim of our study is t
Page 7 and 8: ordonnancement est particulièremen
Page 9 and 10: Figure 2-0 Image de veille marine.
Page 11 and 12: Figure 2-0 (application militaire D
Page 13 and 14: 3 Etat de l’art, analyse critique
Page 15 and 16: La fusion peut être effectuée soi
Page 17 and 18: des fonctions étagées. C’est so
Page 19 and 20: Figure 3-0 Illustration du changeme
Page 21 and 22: 3.3.2 Matrice de cooccurrence La ma
Page 23 and 24: La matrice de cooccurrence, par sa
Page 25 and 26: l’image. C’est-à-dire qu’il
Page 27 and 28: La Figure 3-0 illustre une caracté
Page 29 and 30: De par leur nature, ces filtres son
Page 31 and 32: 3.3.7 Détection de zones artificie
Page 33 and 34: Végétation Cibles Spectre phospho
Page 35 and 36: Figure 3-0 (issue de [TOE05]) : col
Page 37 and 38: Figure 3-0 Mesure d’une courbe pa
Page 39 and 40: peuvent pas contenir de cancer, et
Page 41 and 42: Figure 3-0 Paysage généré de man
Page 43 and 44: 3.4.3 Dimension fractale La dimensi
Page 45 and 46: ( μ( X ε ) ) ( ε ) log D = lim
Page 47: Seuil 1 Seuil 2 Figure 3-0 En haut
Page 51 and 52: couples de pixels pour une imagette
Page 53 and 54: Figure 3-0 Exemple de segmentations
Page 55 and 56: 20 40 60 80 100 120 140 160 180 200
Page 57 and 58: Q , représente la fréquence d’a
Page 59 and 60: associée à A ( ε ) est égalemen
Page 61 and 62: Avec ces nouvelles définitions, no
Page 63 and 64: -0.6 -0.65 -0.7 -0.75 -0.8 -0.85 -0
Page 65 and 66: I1 I 2 ε = 0 u b ε ε v0 = 0 ε =
Page 67 and 68: 100 200 300 400 500 600 700 800 900
Page 69 and 70: Figure 3-0 Exemple de similarité s
Page 71 and 72: Itération 1 Itération 2 Itératio
Page 73 and 74: peut être difficile d’effectuer
Page 75 and 76: où ( D s) ( B iIso) ( res( D, s) ,
Page 77 and 78: Dans notre étude, nous avons chois
Page 79 and 80: Range Ri • Echelle Ri/Di (réel o
Page 81 and 82: Entrées : les transformations T li
Page 83 and 84: (a) (b) (c) Figure 4-0 Image de Len
Page 85 and 86: 4.3 Mise en place d’une méthode
Page 87 and 88: Figure 4-0 Histogramme des valeurs
Page 89 and 90: N D ∑ N i j −1 3 1 2 2 1 , = 0
Page 91 and 92: domaine considéré peut coder un r
Page 93 and 94: Observons les erreurs de reconstruc
Page 95 and 96: 4.3.4.1 Seuil à pas constant et pr
Page 97 and 98: mais uniquement une quantité limit
Page 99 and 100:
emarquer sur la Figure 4-0 que les
Page 101 and 102:
verte). Si nous observons le PSNR d
Page 103 and 104:
Figure 4-0 Reconstruction de Lena a
Page 105 and 106:
possible est de définir le score d
Page 107 and 108:
PSNR de faible valeur, un nombre im
Page 109 and 110:
Optionnel Ranges Domaines Extractio
Page 111 and 112:
Dans cette section, nous avons dét
Page 113 and 114:
des opérateurs décrits dans les c
Page 115 and 116:
Fausses alarmes potentielles Figure
Page 117 and 118:
caractéristiques sont sélectionn
Page 119 and 120:
L’histogramme de la Figure 5-0 re
Page 121 and 122:
détection se situe à l’emplacem
Page 123 and 124:
minimisation est effectué par la m
Page 125 and 126:
méthode par ACP n’est pas capabl
Page 127 and 128:
l’image. Les ombres sont des él
Page 129 and 130:
Log (Rapport des valeurs propres) S
Page 131 and 132:
Même si nos objectifs portent sur
Page 133 and 134:
Figure 5-0 Test de séparation simp
Page 135 and 136:
détaillons dans la section suivant
Page 137 and 138:
Remarque : Nous pouvons noter ici q
Page 139 and 140:
l’imagette et requièrent un reca
Page 141 and 142:
La seconde approche est symétrique
Page 143 and 144:
5.4 Évaluation 5.4.1 Introduction
Page 145 and 146:
(a) (b) (c) (d) (e) (f) Figure 5-0
Page 147 and 148:
(a) (b) (c) Figure 5-0 Apprentissag
Page 149 and 150:
peut considérer comme idéal, où
Page 151 and 152:
• paramètres : rayons des domain
Page 153 and 154:
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0
Page 155 and 156:
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0
Page 157 and 158:
Figure 5-0 Apprentissage d’un avi
Page 159 and 160:
• interprétations des résultats
Page 161 and 162:
(a) (b) (c) Figure 5-0 Extraction d
Page 163 and 164:
5.5 Conclusion Dans cette section,
Page 165 and 166:
6.2 Perspectives 6.2.1 Streaming vi
Page 167 and 168:
considérons que nous avons identif
Page 169 and 170:
7 Bibliographie Net 1 : http://www.
Page 171 and 172:
[GHA03] M. Ghazel, G. H. Freeman, E
Page 173 and 174:
[LOW04] D. G. Lowe, “Distinctive
Page 175 and 176:
IEEE Transactions on Pattern Analys
Page 177 and 178:
8 D’s C : 3.4.7 Apport dans le do
Page 179 and 180:
9 Ancienne évaluation Détail de l
show all

Labellisation d'images par méthodes fractales - UFR Mathématiques ...

Create successful ePaper yourself

Delete template?

Save as template?