Centre de documentation
scientifique

Segmentation d'image par intégration itérative de connaissances / Mahaman Sani Chaibou Salaou (2019)  

Public Titre : Segmentation d'image par intégration itérative de connaissances Type de document : Thèse/HDR Auteurs : Mahaman Sani Chaibou Salaou, Auteur ; Basel Solaiman, Directeur de thèse ; Mohamed Ali Mahjoub, Directeur de thèse Editeur : Institut Mines-Télécom Atlantique IMT Atlantique Année de publication : 2019 Autre Editeur : Université Bretagne Loire Importance : 148 p. Format : 21 x 30 cm Note générale : bibliographie Thèse de Doctorat de l'Ecole Nationale Supérieure Mines-Telecom Atlantique Bretagne Pays de la Loire, Spécialité : Signal, Image et Vision Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] classification basée sur les régions [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] description multiniveau [Termes IGN] détection de régions [Termes IGN] fusion de données [Termes IGN] interprétation automatique [Termes IGN] réseau neuronal artificiel [Termes IGN] segmentation d'image [Termes IGN] superpixel [Termes IGN] zone d'intérêt Index. décimale : THESE Thèses et HDR Résumé : (auteur) Le traitement d’images est un axe de recherche très actif depuis des années. L’interprétation des images constitue une de ses branches les plus importantes de par ses applications socio-économiques et scientifiques. Cependant cette interprétation, comme la plupart des processus de traitements d’images, nécessite une phase de segmentation pour délimiter les régions à analyser. En fait l’interprétation est un traitement qui permet de donner un sens aux régions détectées par la phase de segmentation. Ainsi, la phase d’interprétation ne pourra analyser que les régions détectées lors de la segmentation. Bien que l’objectif de l’interprétation automatique soit d’avoir le même résultat qu’une interprétation humaine, la logique des techniques classiques de ce domaine ne marie pas celle de l’interprétation humaine. La majorité des approches classiques d’interprétation d’images séparent la phase de segmentation et celle de l’interprétation. Les images sont d’abord segmentées puis les régions détectées sont interprétées. En plus, au niveau de la segmentation les techniques classiques parcourent les images de manière séquentielle, dans l’ordre de stockage des pixels. Ce parcours ne reflète pas nécessairement le parcours de l’expert humain lors de son exploration de l’image. En effet ce dernier commence le plus souvent par balayer l’image à la recherche d’éventuelles zones d’intérêts. Dans le cas échéant, il analyse les zones potentielles sous trois niveaux de vue pour essayer de reconnaitre de quel objet s’agit-il. Premièrement, il analyse la zone en se basant sur ses caractéristiques physiques. Ensuite il considère les zones avoisinantes de celle-ci et enfin il zoome sur toute l’image afin d’avoir une vue complète tout en considérant les informations locales à la zone et celles de ses voisines. Pendant son exploration, l’expert, en plus des informations directement obtenues sur les caractéristiques physiques de l’image, fait appel à plusieurs sources d’informations qu’il fusionne pour interpréter l’image. Ces sources peuvent inclure les connaissent acquises grâce à son expérience professionnelle, les contraintes existantes entre les objets de ce type d’images, etc. L’idée de l’approche présentée ici est que simuler l’activité visuelle de l’expert permettrait une meilleure compatibilité entre les résultats de l’interprétation et ceux de l’expert. Ainsi nous retenons de cette analyse trois aspects importants du processus d’interprétation d’image que nous allons modéliser dans l’approche proposée dans ce travail : 1. Le processus de segmentation n’est pas nécessairement séquentiel comme la plus part des techniques de segmentations qu’on rencontre, mais plutôt une suite de décisions pouvant remettre en cause leurs prédécesseurs. L’essentiel étant à la fin d’avoir la meilleure classification des régions. L’interprétation ne doit pas être limitée par la segmentation. 2. Le processus de caractérisation d’une zone d’intérêt n’est pas strictement monotone i.e. que l’expert peut aller d’une vue centrée sur la zone à vue plus large incluant ses voisines pour ensuite retourner vers la vue contenant uniquement la zone et vice-versa. 3. Lors de la décision plusieurs sources d’informations sont sollicitées et fusionnées pour une meilleure certitude. La modélisation proposée de ces trois niveaux met particulièrement l’accent sur les connaissances utilisées et le raisonnement qui mène à la segmentation des images. Note de contenu : Introduction générale 1- Segmentation pour l’interprétation de scène 2- Segmentation par propagation des connaissances 3- Croissance des régions adaptative 4- Similarité des superpixels par apprentissage Conclusions Numéro de notice : 25840 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Signal, Image et Vision : Ecole Nationale Supérieure Mines-Telecom Atlantique : 2019 nature-HAL : Thèse DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-02310224 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95181