Traitement des images multispectrales
|
|
- Gérard Hébert
- il y a 8 ans
- Total affichages :
Transcription
1 Tratement des mages multspectrales É. DINET LIGIV Unversté Jean MONNET Bât. E, 10 rue Barroun 4000 SAINT-ÉTIENNE France Résumé Pour répondre aux besons et aux exgences d applcatons comme la mesure colormétrque ou la recherche de sgnatures spectrales par exemple, des systèmes d acquston avec plus de tros canaux ont été proposés [, 9, 1]. De tels systèmes fournssent des données plus rches que ne le font les tradtonnelles caméras RVB, données généralement connues sous le nom d mages multspectrales. Des méthodes et des moyens approprés dovent alors être ms en œuvre pour exploter au meux toute l nformaton véhculée. Ben souvent, l ne s agt pas d une smple extenson des approches couleur classques mas ben d outls dédés. Nous présentons c quelques outls largement utlsés dans le tratement des mages multspectrales. Les stratéges d explotaton des données spectrales, leurs caractérstques et partculartés sont mses en avant et llustrées par un exemple d applcaton. Mots clefs Image multspectrale, bande spectrale, espace multdmensonnel, foncton dscrmnante, classfcaton. 1 Introducton Même s de nos jours l analyse des mages multspectrales est devenue de plus en plus répandue, une telle tâche est lon d être trvale. L extracton d nformatons pertnentes d un jeu de données multspectrales, plus partculèrement lorsque le nombre de bandes devent mportant, demeure un problème complexe fasant appel à des technques mathématques élaborées. En rason de l étendue du sujet, toutes ses facettes ne seront pas tratées dans ce document. Nous aborderons les notons les plus classques dans un cadre suffsamment large pour qu elles pussent être mses en œuvre dans de nombreuses stuatons. Au vu de la dversté des problèmes à résoudre et des applcatons rencontrées, l semble en outre judceux de prendre le part d ntégrer l expertse humane aux procédures complètes d analyse et de tratement des mages multspectrales même s pour cela l faut ben souvent renoncer aux approches entèrement automatques. Représentaton des données D une façon générale, les données multspectrales peuvent être représentées ou explotées de tros grandes manères que nous nous proposons de présenter brèvement dans les lgnes qu suvent..1 Espace mage La façon peut-être la plus «naturelle» de représenter un jeu de données multspectrales est de l affcher sous la forme d une mage, comme le montre la fgure 1, et d mplquer ans drectement le système vsuel de l observateur. Fgure 1 Données multspectrales représentées sous la forme d une mage en fausses couleurs La dmenson spatale est tout partculèrement mse en avant et les relatons de vosnage entre pxels peuvent être explotées pour extrare un certan nombre d éléments. Cependant, une telle représentaton est souvent accompagnée d une perte d nformatons plus ou mons sévère pour l observateur en rason de l mpossblté d affcher smultanément toutes les données provenant des dfférents canaux d acquston. En outre, les relatons entre canaux ne transparassent pas explctement. Dans une phase de tratement des données, l explotaton des relatons spatales s avère souvent pertnente dans des tâches telles que la segmentaton. Les résultats obtenus peuvent alors être drectement confrontés à l expertse
2 humane et les processus de tratement peuvent éventuellement être renforcés va des modèles adaptatfs reposant, par exemple, sur des réseaux de neurones. L approche mage offre potentellement tout le panel d outls tradtonnellement dsponbles en analyse et tratement d mages conventonnelles. Mas, dans ce cas, les données spectrales ne sont pas du tout ou très peu prses en compte ce qu est plutôt regrettable lorsque des capteurs multspectraux sont ms en œuvre.. Espace spectral Par le bas des approches multspectrales l est potentellement possble d exploter les varatons de réponse observées en foncton de la longueur d onde pour extrare des nformatons de type sgnature spectrale. Plus partculèrement, lorsque le nombre de canaux du système d acquston est élevé, les caractérstques d un pxel ou d un groupe de pxels en termes de réponse peuvent être relées à des proprétés physques. Par exemple, comme le montre la fgure, dans une vue aérenne multspectrale l est potentellement possble de détermner s un pxel est révélateur d une zone de végétaton ou d eau. Fgure Représentaton spectrale de données multspectrales (d après [14]) Représenter les données sous la forme d un graphe foncton de la longueur d onde ne fournt malheureusement pas des nformatons exhaustves quant à la scène observée. Les relatons spatales sont c lassées de côté. En outre, la réponse spectrale d un produt est susceptble de varer plus ou mons fortement autour d une valeur moyenne. Les rasons en sont multples. Il peut s agr, par exemple dans le cas de la végétaton, du stade de crossance ou de l état de santé d une plante, de la talle et de l orentaton des feulles, de la nature du sol, etc. De telles varatons peuvent s avérer utles dans des processus de dscrmnaton ou de dagnostc. Ben que présentes dans les courbes de réponse spectrale, ces varatons sont dffclement explotables à travers une sére de graphes. C est pourquo un espace multdmensonnel offre un autre moyen classque de représentaton des données multspectrales..3 Espace multdmensonnel En reprenant l exemple de la fgure et en sélectonnant deux longueurs d onde λ 1 et λ, l est possble de générer une représentaton bdmensonnelle des données source (vor la fgure 3). Ben évdemment, s n longueurs d onde sont sélectonnées, la représentaton assocée sera à n dmensons. Fgure 3 Représentaton bdmensonnelle de données multspectrales (d après [14]) D une façon générale, afn d exploter toutes les données ssues des N canaux d un capteur multspectral, l espace de représentaton possèdera lu-même N dmensons. Dans ce contexte, un vecteur à N dmensons est affecté à chaque pxel. L avantage d une telle représentaton résde dans son caractère quanttatf non seulement pour l expresson des pxels mas également pour tradure les fluctuatons des données autour d une valeur moyenne. 3 Analyse et tratement des données L analyse et le tratement des données multspectrales recouvrent des champs d étude à la fos vastes et varés qu l n est pas possble de présenter c de façon exhaustve. Dans ce qu sut nous aborderons ce problème dans une optque de classfcaton c est-à-dre en prenant le part d affecter chaque pxel à une classe. Dans un espace multdmensonnel, cela revent à délmter des régons possédant des proprétés communes afn de réalser une partton. 3.1 Foncton dscrmnante Classquement, pour résoudre un tel problème, l est nécessare d utlser une foncton dscrmnante. Supposons que les valeurs numérques fournes par chacune des N bandes spectrales forment un vecteur X. Supposons également que, pour les M classes exstant dans le jeu de données, un ensemble de M fonctons { g1 ( X ), g ( X ), K g M ( X )} pusse être trouvé. La règle de classfcaton peut alors être smplement défne par ( X ) g ( X ) g j pour tout j avec j = 1, KM lorsque le pxel consdéré appartent à la classe. Dans ce contexte, l enjeu est de trouver un ensemble de M fonctons dscrmnantes dans n mporte quel cas. Là encore de nombreuses méthodes peuvent être envsagées [17]. Une premère approche très courante fat appel aux réseaux de neurones. Le processus s amorce sur la base d échantllons représentatfs de chaque classe souhatée
3 dans le résultat fnal et sut un schéma tératf de la forme suvante : 1. chosr une forme paramétrque pour les fonctons dscrmnantes, par exemple : g X = a x + a x + ( ) ( X ) = a1 x1 + a x 1 b g + b. ntalser arbtrarement l ensemble des paramètres a et b, par exemple avec les valeurs 1 et calculer les fonctons g à partr des échantllons représentatfs. S la classfcaton obtenue n est pas celle attendue, augmenter la valeur des coeffcents a et b affectés à la classe correcte et dmnuer ceux des classes erronées. Par exemple, s X appartent à la classe ω 1 mas que ( X ) g ( X ) g > 1 alors : a11 = a11 + α x1 a1 = a1 + α x a1 = a1 α x1 a = a α x b 1 = b1 +α b = b α 4. répéter l étape 3 jusqu à ce que le nombre de fausses classfcatons tende vers zéro. Le réseau de neurones ms en œuvre peut être plus ou mons complexe et les fonctons dscrmnantes peuvent regrouper un nombre plus ou mons mportant de termes, lnéares ou non lnéares. Cela se tradut par un jeu plus ou mons étendu de paramètres à ajuster ce qu a un mpact drect sur la durée de la phase d apprentssage et sur le caractère plus ou mons généralste de l algorthme de classfcaton. Toutes les données potentellement dsponbles quant à la nature des classes ne sont pas explotées par l approche réseau de neurones et l ajustement optmal des paramètres peut s avérer délcat. 3. Modèles statstques Une seconde approche très courante pour détermner un ensemble de fonctons dscrmnantes repose sur des modèles statstques. Les échantllons représentatfs des classes attendues ne sont plus explotés pour drger des calculs emprques mas pour construre des modèles probablstes. Plus précsément, les données sont utlsées pour estmer une densté de probablté pour chaque classe. Ans, en prenant pour foncton dscrmnante les denstés de probablté estmées l est possble de décder à quelle classe un pxel est le plus susceptble d appartenr. Plus formellement, sot p( X ω ) la densté de probablté à N dmensons de la classe et sot p( ω ) la probablté que la classe apparasse dans le jeu de données. La règle de décson peut alors s écrre : X appartent à la classe ω s et seulement s ( X ω ) p( ω ) p( X ω ) p( ω ) p j j pour tout j avec j = 1, KM Cette règle de décson est connue sous le nom de règle de Bayes et l est possble de montrer qu elle mnmse la probablté d erreur pour les denstés utlsées [3]. Le théorème central lmte permet souvent de supposer que la densté de probablté des classes est gaussenne. Dans ce cas elle s exprme par : { } N 1 T 1 ( X ω ) = ( π ) Σ exp 1 ( X X ) Σ ( X X ) p où X est la moyenne de la classe ω et Σ sa matrce de covarance. Les échantllons de départ, représentatfs des dfférentes classes, permettent d estmer les moyennes et les matrces de covarance. Sous l hypothèse gaussenne certanes smplfcatons peuvent être réalsées dans le processus de décson. En effet, s ( X ω ) p( ω ) p( X ω ) p( ω ) p j j pour tout j avec j = 1, KM l est également vra que ln ( p( X ω ) p( ω )) ln( p( X ω j ) p( ω j ) pour tout j avec j = 1, KM Ans les fonctons dscrmnantes peuvent se mettre sous la forme : T 1 ( X ) = ln p( ω ) ( 1 ) ln Σ ( 1 )( X X ) Σ ( X X ) g ou encore g ( X ) p = ln Σ ( ω ) T 1 ( X X ) Σ ( X X ) afn de rédure de façon substantelle les temps de calcul. Il est à noter que le facteur π n apparaît plus dans cette dernère expresson car, étant commun à toutes les fonctons dscrmnantes, l ne contrbue en ren à la classfcaton. 3.3 Précson de la classfcaton Pour aboutr à des performance optmales, l est nécessare d estmer au meux les moyennes des classes et les matrces de covarance assocées après avor chos un modèle probablste appropré. À ce stade, l nous semble utle de nous attarder quelques nstants sur ce pont clef. Un problème récurrent dans l analyse et le tratement des données est posé par le nombre d échantllons sgnfcatfs dsponbles lors de la défnton des classes statstques. Habtuellement, ce nombre n est pas auss mportant que ce que l on pourrat espérer pour se stuer dans des condtons optmales. Dans le cadre des mages multspectrales, le nombre d échantllons sgnfcatfs est étrotement lé au nombre de bandes spectrales ans qu au rapport sgnal sur brut du capteur c est-à-dre à la quantté de nveaux de grs dsponbles sur chaque canal. Ans, le nombre d échantllons sgnfcatfs nécessares pour défnr les classes pertnentes, en fasant abstracton du chox et de la mse en œuvre des fonctons dscrmnantes, croît très rapdement avec le nombre et la rchesse des bandes spectrales utlsées. Un tel problème est souvent relé au phénomène dt de Hughes qu montre que la précson de la classfcaton commence par croître pour ensute déclner après être
4 passée par un maxmum lorsque le nombre de bandes spectrales et le nombre de nveaux de grs augmentent [10]. En d autres termes, pour un nombre fxé d échantllons sgnfcatfs et du pont de vue de la précson espérée vs-à-vs de la classfcaton, l exste un nombre optmal de bandes spectrales et de nveaux de grs par canal. Deux éléments s opposent : d un côté le nombre de paramètres à estmer dans les matrces de covarance, nombre qu croît rapdement avec la talle des matrces et, de l autre côté, la précson des mesures drectement lée à la quantté d nformaton fourne par le capteur dans chaque bande spectrale. 3.4 Défnton des classes En plus de la quantté d nformaton dsponble, le succès de l analyse des données multspectrales repose également sur la façon de défnr les classes. Tros condtons sont nécessares pour aboutr à une défnton optmale des classes : la lste des classes dot être exhaustve dans le sens où à chaque pxel de la scène dot s nsérer dans une classe, les classes dovent être séparables sur la base des données dsponbles, les classes dovent être porteuses d nformaton dans le sens où elles dovent satsfare les attentes de l utlsateur. La condton d exhaustvté permet d avor une vue générale de toutes les classes lors du processus d affectaton des pxels. Cela autorse une classfcaton relatve par sélecton de la melleure classe en regard de toutes les possbltés offertes dans la lste complète des chox. La condton de séparablté est très mportante car elle est drectement lée à la procédure d analyse des données : l dot être possble de dscrmner correctement les dfférentes classes retenues a pror. Autrement dt, cette condton a des répercussons sur la défnton même des classes et sur les échantllons représentatfs qu en seront ssus. La dernère des tros condtons tradut les attentes de l utlsateur vs-à-vs de la classfcaton fnale. Pour un même jeu de données multspectrales, pluseurs classfcatons peuvent être obtenues. En foncton des applcatons, certanes nformatons devront être lassées de côté ou, au contrare, mses en avant. Les tros condtons évoquées auparavant dovent être satsfates smultanément. Il est à noter que l exhaustvté et la séparablté sont des proprétés nhérentes aux données tands que la noton d nformaton pertnente est mposée par l utlsateur et l applcaton en cours. La défnton des classes dépend des échantllons représentatfs sélectonnés. Il ne s agt aucunement d une défnton sémantque. Par exemple, une classe appelée «champ de blé» n est vértablement défne que par les données quanttatves qu lu sont assocées. Ces données tradusent ce qu est ou ce que n est pas un «champ de blé». D un pont de vue mathématque cela revent à pouvor exprmer la densté de probablté du jeu enter de données à partr des denstés de chaque classe. En d autres termes, l dot être possble d écrre : p M ( x ) = α p ( x φ ) θ avec α = 1 = 1 M = 1 où p représente la densté de probablté du jeu enter de données à analyser, x est une valeur mesurée, θ symbolse les paramètres de la densté de probablté p, p correspond à la foncton densté de la classe attendue par l utlsateur, ф symbolse les paramètres de p, α est la probablté de la classe et M le nombre de classes. Sous l hypothèse gaussenne, les éléments précédents se ramènent à un ensemble de moyennes x et de matrces de covarance Σ. L analyse des données revent alors à trouver l ensemble { φ, x, Σ } qu fournt des classes exhaustves, séparables et porteuses d nformaton. 3.5 Influence du nombre de bandes Quelques remarques et commentares peuvent être fats lorsque le nombre de bandes spectrales devent mportant. Le lecteur ntéressé par le sujet est nvté à se reporter à [6] et [7]. En premer leu, un espace de représentaton a tendance à être d autant plus vde qu l possède de nombreuses dmensons. Cela suggère que les données représentées dans un tel espace peuvent être projetées dans des sousespaces de dmensons mondres sans perte de l nformaton sgnfcatve en termes de répartton au sen des dfférentes classes statstques [1]. En second leu, les données ont une fâcheuse tendance à s élogner des valeurs moyennes des classes à mesure que le nombre de dmensons augmente. Dans ces condtons, un vosnage local aura une forte probablté d être vde et l sera nécessare de travaller plus globalement au rsque de perdre en précson d analyse [15]. Il a été prouvé que le nombre nécessare d échantllons sgnfcatfs des classes attendues est lé lnéarement à la dmensonnalté de l espace pour un classfeur lnéare et au carré de cette dmensonnalté pour un classfeur quadratque [11]. Il est mportant de garder présent à l esprt ce résultat pusque l expérence montre généralement que les statstques du second ordre ont tendance à devenr plus dscrmnantes que les statstques du premer ordre lorsque le nombre de dmensons d un espace augmente [13]. Dans le cas des classfeurs non paramétrques le problème est encore plus exacerbé car, pour espérer aboutr à une précson d estmaton correcte, le nombre d échantllons sgnfcatfs se dot d augmenter exponentellement en regard du nombre de dmensons. Comme cela a été évoqué plus haut, dans la pratque le nombre d échantllons dsponbles pour défnr les classes de référence est souvent lmté. Une telle lmtaton devent handcapante lorsque le volume d nformaton délvré par le capteur s accroît. Ben qu une quantté mportante de données sot dsponble pour une classfcaton potentellement plus fne et plus précse, le
5 résultat fnal est drectement trbutare du nombre d échantllons représentatfs sur lesquels reposent les estmatons. S ce nombre n est pas suffsamment conséquent, la précson du résultat fnal ne sera pas au rendez-vous. Dans le même temps, et comme cela a également été évoqué plus haut, lorsque les données provennent d un grand nombre de canaux, l nformaton n occupe pas tout l espace de représentaton mas un sous-espace. Ans, l dot être possble d augmenter la précson des résultats en mettant en œuvre des outls rédusant la dmensonnalté de l espace de représentaton et cela sans perte sgnfcatve d nformaton. 4 Combnason des bandes spectrales Auparavant, nous avons vu l nfluence que peut avor la réducton de la dmensonnalté de l espace de représentaton sur la précson de la classfcaton. Dans le cadre des mages multspectrales, une telle réducton peut être obtenue par combnason lnéare de certans canaux. Tros outls classques sont largement utlsés dans ce but : ce sont l Analyse en Composantes Prncpales ans que les algorthmes DAFE (Dscrmnate Analyss Feature Extracton) et DBFE (Decson Boundary Feature Extracton). 4.1 Analyse en Composantes Prncpales À partr d une mage multspectrale, l Analyse en Composantes Prncpales (ACP), dont le prncpe général est entre autres ouvrages présenté dans [3], permet d obtenr une séquence d mages non corrélées. Très souvent, seules les premères composantes sont porteuses d nformaton sgnfcatve et sont conservées en tant que tel pendant que les autres composantes sont gnorées afn de rédure la dmensonnalté de l espace de représentaton. Ben que cette méthode conduse à des classfcatons pertnentes lorsque le nombre ntal de bandes spectrales n est pas trop élevé, elle a plutôt tendance à être sensble au brut et elle s applque sur le jeu enter de données par calcul de la matrce globale de covarance [0]. 4. DAFE L ACP classque s avère de mons en mons adaptée à mesure que le nombre de bandes spectrales augmente. Certanes composantes d ordre élevé peuvent, en outre, véhculer des nformatons mportantes pour la classfcaton en cours. Afn d évter ces écuels, l convent de fare appel à d autres approches telles celles basées sur l analyse canonque. Dans ce cadre, l algorthme DAFE propose d exploter les matrces de dsperson ntra- et nterclasses [18]. Le prncpe de base est de maxmser le rapport : σ B Varance nterclasse = σ Varance ntraclasse moyenne W où, dans le cas de deux classes, σ correspond à la moyenne des varances σ W1 et σ W. La matrce de dsperson ntraclasse Σ W et la matrce de dsperson nterclasse Σ B peuvent être défnes par : ΣW = p( ω ) Σ avec Σ B = ( )( M M )( M M ) p ω M o p( ω ) Σ et ( ) = M et M, p ω représentant respectvement le vecteur moyen, la matrce de covarance et la probablté de la classe ω. Le prncpe de base de l approche DAFE est smple : plus grande est la varance nterclasse, normalsée par la varance moyenne à l ntéreur des classes, melleur est le sous-espace consdéré dans le sens où l maxmse la séparablté des classes. Tout sous-espace est construt par combnason lnéare des canaux d orgne c est-à-dre sur la base de calculs smples. Cependant cette méthode présente au mons un défaut majeur : l algorthme DAFE s avère neffcace s les classes mplquées ne présentent que de fables varatons sur leurs moyennes respectves. Pourtant et plus partculèrement lorsque le nombre de dmensons des espaces devent mportant, les classes peuvent être ben souvent dscrmnées asément à partr de statstques du second ordre c est-à-dre grâce à leurs seules matrces de covarance. Or, d après son expresson, le rapport sur lequel repose l analyse dscrmnante DAFE ne condut pas à des résultats probants s les classes possèdent des moyennes proches même dans le cas où leurs covarances sont fort dfférentes. Malgré ce défaut, une telle analyse dscrmnante est à la fos smple et rapde tout en pouvant s applquer dans de nombreux cas. 4.3 DBFE La dmnuton du nombre de dmensons d un espace de représentaton de données multspectrales peut également être envsagée par utlsaton de l algorthme DBFE, algorthme n ayant pas le défaut mentonné plus haut pour l approche DAFE [15]. La méthode DBFE permet, elle auss, de construre un nouvel espace de représentaton sur la base de transformatons lnéares. Pour cela les échantllons représentatfs sont drectement explotés afn de dégager l nformaton dscrmnante de l nformaton redondante et, ans, de localser les frontères entre classes. Les caractérstques ntrnsèques de ces frontères entre classes permettent d estmer la dmensonnalté la meux adaptée au problème et de détermner alors la transformaton lnéare permettant de l attendre. Comme l algorthme DBFE travalle drectement sur les échantllons dsponbles, ses performances ne sont pas o W o T
6 affectées par des classes ayant des moyennes vosnes. En contreparte, les calculs sont plus longs et la méthode perd de son ntérêt lorsque les échantllons représentatfs sont trop peu nombreux en regard du nombre de bandes spectrales. Quo qu l en sot, en rason de la multtude des stuatons et des applcatons et en rason de la dversté des attentes des utlsateurs, l ne faut pas espérer trouver l outl unversel adapté à tous les cas possbles. Seules l expérence et l expertse humanes permettent de fare la part des choses et de sélectonner parm la palette de méthodes dsponbles pour l analyse et le tratement des mages multspectrales celle qu sera la plus pertnente et la plus précse pour résoudre un problème donné. 5 Extracton de l nformaton Malgré les réserves évoquées auparavant, l est tout de même possble de donner un cadre général à l extracton d nformatons d mages multspectrales. Les opératons et l enchaînement classquement utlsés apparassent dans le schéma de la fgure 4. Fgure 4 Organgramme général pour l extracton d nformatons des mages multspectrales Le processus d analyse débute par une vsualsaton globale de l ensemble des données à trater souvent par l ntermédare d une représentaton dans l espace mage. Le but est alors de créer une lste exhaustve de classes représentatves des attentes de l utlsateur dans le cadre de son applcaton. Dès ce nveau et dans la mesure du possble, l est mportant de se demander s les classes retenues seront séparables. En effet, parallèlement à la défnton des classes, l est nécessare de leur assocer une sgnature va un échantllon de données représentatves. Cela peut être réalsé de dfférentes manères selon la nature des données de départ. L espace spectral peut par exemple fournr drectement des nformatons quant à la sgnature spectrale des classes à extrare comme dans les cas où exstent des pcs d absorpton sgnfcatfs. Les relatons spatales entre pxels peuvent également être explotées avantageusement. À ce nveau du processus d analyse, des échantllons représentatfs des classes défnes sont dsponbles mas souvent en quantté nsuffsante en regard du nombre de bandes spectrales. Leur ntérêt est alors de permettre de rédure la dmensonnalté de l espace de représentaton par élmnaton de l nformaton non dscrmnante. À la sute de ce traval, une classfcaton prélmnare est obtenue. Elle permet de détermner s la lste ntale des classes est suffsamment exhaustve. En d autres termes, est-ce que certanes classes n auraent pas été oublées ou gnorées à tort? En outre, la classfcaton prélmnare permet de savor s les classes désrées sont séparables. S tel n est pas le cas, cette premère classfcaton peut être utlsée pour amélorer et enrchr l ensemble des échantllons représentatfs. Après les ajustements réalsés vs-à-vs des classes et des échantllons représentatfs, l peut être judceux de vérfer s un noueau sous-espace de dmensons mondres ne peut pas être calculé. Ensute, l est possble d applquer toute une battere d outls statstques afn de parfare la classfcaton fnale [5, 8]. La classfcaton fnale découle de toutes les étapes précédentes et devrat, à ce stade, présenter toute la précson attendue. S tel n est pas le cas, le processus complet peut être rétéré. 6 Exemple d applcaton Les champs d applcaton de l magere multspectrale sont varés et peuvent auss ben concerner les domanes de l art, de l agroalmentare ou encore de la numérsaton couleur pour n en cter que quelques uns. Hstorquement, l magere multspectrale est apparue avec l évoluton des satelltes et a montré au fl du temps tout son potentel avant de s étendre fort logquement à d autres dscplnes et de suscter un ntérêt crossant. Afn d llustrer les propos développés dans ce document, nous avons chos un exemple lé à la télédétecton. La fgure 5 montre une vue aérenne en fausses couleurs acquse avec une résoluton de 60 cm par le système CASI (Compact Arborne Spectrographc Imager) possédant 88 canaux couvrant une gamme spectrale allant de 430 à 870 nm. À partr d une telle vue aérenne l peut, par exemple, être envsagé d estmer le nombre de confères ou, dans un processus plus complet, de répertorer et d soler dfférentes zones telles les surfaces bosées des terrans nus et des étendues d eau.
7 La défnton d échantllons représentatfs de ces classes est mons trvale qu auparavant et demande un traval plus conséquent. Ces échantllons vont permettre de rédure le nombre de dmensons de l espace de représentaton des données multspectrales brutes pour amélorer la précson de la classfcaton. Pour cela les canaux sont assocés par combnason lnéare afn de générer un nouvel espace optmsant la dscrmnaton des classes. Dans l exemple présenté c, le nombre de bandes est ramené de 88 à 13. Fgure 5 Vue aérenne multspectrale représentée dans l espace mage Dans les deux cas, la premère étape consste à défnr les classes et à trouver des échantllons qu les caractérsent. Cette étape crucale peut s avérer plus ou mons délcate et complexe suvant la nature et la qualté des données ntales et suvant le taux d mbrcaton des classes attendues par l utlsateur. Pour le comptage des confères, seules deux classes sont à défnr et un chox judceux des bandes spectrales les plus adaptées permettra de répondre parfatement au problème comme le montre la fgure 6. Fgure 6 Résultat du comptage des confères Dans une problématque plus aboute et plus complète que le comptage précédent, supposons qu l sot demandé de répertorer les 7 classes suvantes : confères, talls, feullus, gravers, zones sèches, zones humdes, eau. Fgure 7 Résultat de la classfcaton. Légende : Vert foncé = confères, Vert = talls, Jaune = feullus, Volet = gravers, Orange = zones sèches, Rouge = zones humdes, Bleu = eau À partr de ce nouvel espace de dmensons mondres, une classfcaton prélmnare est obtenue. Des rafnements peuvent alors être apportés au jeu d échantllons sgnfcatfs pour amélorer le résultat de la classfcaton en regard des attentes et de la cohérence spatale des dfférentes zones délmtées. L nformaton spatale peut d alleurs être explotée à bon escent dans cet exemple. Le processus complet fournt la classfcaton fnale présentée en fgure 7. 7 Concluson Les systèmes d acquston multspectraux permettent de repousser les lmtes contragnantes des dspostfs classques reposant sur tros canaux [1, 16]. Un plus grand nombre de bandes spectrales augmente la précson des mesures et condut à un plus fort pouvor dscrmnant. Cependant, le prx à payer est d avor à analyser et à trater un volume d nformatons plus mportant et à travaller dans des espaces de représentaton au nombre parfos conséquent de dmensons. Pour donner un ordre d dées, consdérons un capteur possédant 100 bandes spectrales et un rapport sgnal sur brut tel que la numérsaton de chaque canal se fasse sur 10 bts. Cela sgnfe qu un tel capteur peut délvrer 104 nveaux de grs par bande spectrale sot au total valeurs possbles qu se répartront dans un espace de représentaton multdmensonnel à autant de
8 valeurs dscrètes. La quantté d nformaton à trater est extrêmement mportante et l est fort peu probable que deux pxels prs au hasard appartennent à une même cellule de l espace de représentaton. Ans, avant toute consdératon de cause à effet entre des données physques et des données spectrales, un tratement prélmnare et un condtonnement des valeurs brutes s mposent. Pluseurs approches sont ben évdemment envsageables, de la plus smple dans le cas où l nformaton émerge de façon évdente à la plus complexe pour répondre aux stuatons dans lesquelles les données pertnentes ne se dstnguent de la masse que de manère subtle. Dans ce document nous avons prs le part d exposer des méthodes générales de classfcaton pouvant s applquer à un large panel de stuatons. Une méthode donnée sera jugée vs-à-vs de sa capacté à fournr les classes attendues par l utlsateur et à délvrer un résultat fnal précs, détallé et répétable cela en regard des classes pouvant être dscrmnées. Références [1] Roy Berns et Francsco Ima. Pgment dentfcaton of artst materals va mult-spectral magng. Proceedngs of IS&T/SID s 9 th Color Imagng Conference, pages 85-90, Scottsdale, 001. [] Pascal Cotte et Marcel Dupouy. CRISATEL hgh resoluton multspectral system. Proceedngs of IS&T s PICS Conference, pages , Rochester, 003. [3] Edwn Dday, Jacques Lemare, Jean Pouget et Françose Testu. Éléments d analyse de données. Dunod, 198. [4] Qan Du et Reza Nekove. Implementaton of realtme constraned lnear dscrmnant analyss to remote sensng mage classfcaton. Pattern Recognton, 38(4) : , Avrl 004. [5] Electronc Textbook StatSoft, [6] Kenosuke Fukunaga. Introducton to statstcal pattern recognton. Seconde edton, Academc Press, [7] Kenosuke Fukunaga et R. Hayes. Effects of sample sze n classfer desgn. IEEE Transactons on Pattern Analyss and Machne Intellgence, 11(8) : , Août [8] Laurence Grmm et Paul Yarnold. Readng and understandng multvarate statstcs. Amercan Psychologcal Assocaton, [9] Markku Hauta-Kasar, Kanae Myazawa, Satoru Toyooka et Juss Parkknen. Spectral vson system for measurng color mages. Journal of the Optcal Socety of Amerca A, 16(10) : 35-36, [10] G. F. Hughes. On the mean accuracy of statstcal pattern recognzers. IEEE Transactons on Informaton Theory, 14(1) : 55-63, Janver [11] Jenq-Neng Hwang, Shyh-Rong Lay et Alan Lppman. Nonparametrc multvarate densty estmaton : a comparatve study. IEEE Transactons on Sgnal Processng, 4(10) : , [1] Lus Jmenez. Hgh dmensonal feature reducton va projecton pursut. Thèse, School of Electrcal & Computer Engneerng Techncal Report TR- ECE 96-5, Avrl [13] Davd Landgrebe. Multspectral data analyss : an overvew Past, present and future. Proceedngs of the Internatonal Geoscence and Remote Sensng Symposum IGARSS'95, pages 10-14, Florence, Jullet [14] Davd Landgrebe. Multspectral data analyss : a sgnal theory perspectve. Rapport dsponble à al_theory.pdf, Avrl [15] Chulhee Lee et Davd Landgrebe. Analyzng hgh dmensonal multspectral data. IEEE Transactons on Geoscence and Remote Sensng, 31(4) : , Jullet [16] Hada Lang, Davd Saunders, John Cuptt et Mohamed Benchouka. A new mult-spectral magng system for examnng pantngs. Proceedngs of IS&T s nd Conference on Colour n Graphcs, Imagng and Vson, pages 9-34, Aachen, 004. [17] Geoffrey McLachlam. Dscrmnant analyss and statstcal pattern recognton. John Wley & Sons, 004. [18] John Rchards. Remote sensng dgtal mage analyss, an ntroducton. Sprnger Verlag, [19] Ramondo Schettn, Ganluca Novat et Paolo Pellegr. Tranng set and flters selecton for the effcent use of multspectral acquston systems. Proceedngs of IS&T s nd Conference on Colour n Graphcs, Imagng and Vson, pages 4-46, Aachen, 004. [0] Robert Schowengerdt. Remote sensng, models and methods for mage processng. Academc Press, [1] Hroak Sugura, Tetsuya Kuno, Norhro Watanabe, Narhro Matoba, Junchro Hayach et Yoch Myake. Development of a multspectral camera system. SPIE Proceedngs, volume 3965, pages , 000.
Remboursement d un emprunt par annuités constantes
Sére STG Journées de formaton Janver 2006 Remboursement d un emprunt par annutés constantes Le prncpe Utlsaton du tableur Un emprunteur s adresse à un prêteur pour obtenr une somme d argent (la dette)
Plus en détailMontage émetteur commun
tour au menu ontage émetteur commun Polarsaton d un transstor. ôle de la polarsaton La polarsaton a pour rôle de placer le pont de fonctonnement du transstor dans une zone où ses caractérstques sont lnéares.
Plus en détailContrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations
Contrats prévoyance des TNS : Clarfer les règles pour sécurser les prestatons Résumé de notre proposton : A - Amélorer l nformaton des souscrpteurs B Prévor plus de souplesse dans l apprécaton des revenus
Plus en détailEditions ENI. Project 2010. Collection Référence Bureautique. Extrait
Edtons ENI Project 2010 Collecton Référence Bureautque Extrat Défnton des tâches Défnton des tâches Project 2010 Sasr les tâches d'un projet Les tâches représentent le traval à accomplr pour attendre l'objectf
Plus en détailEH SmartView. Identifiez vos risques et vos opportunités. www.eulerhermes.be. Pilotez votre assurance-crédit. Services en ligne Euler Hermes
EH SmartVew Servces en lgne Euler Hermes Identfez vos rsques et vos opportuntés Plotez votre assurance-crédt www.eulerhermes.be Les avantages d EH SmartVew L expertse Euler Hermes présentée de manère clare
Plus en détailInterface OneNote 2013
Interface OneNote 2013 Interface OneNote 2013 Offce 2013 - Fonctons avancées Lancer OneNote 2013 À partr de l'nterface Wndows 8, utlsez une des méthodes suvantes : - Clquez sur la vgnette OneNote 2013
Plus en détailAssurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire
Assurance malade et aléa de moralté ex-ante : L ncdence de l hétérogénété de la perte santare Davd Alary 1 et Franck Ben 2 Cet artcle examne l ncdence de l hétérogénété de la perte santare sur les contrats
Plus en détailFiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage
Fche n 7 : Vérfcaton du débt et de la vtesse par la méthode de traçage 1. PRINCIPE La méthode de traçage permet de calculer le débt d un écoulement ndépendamment des mesurages de hauteur et de vtesse.
Plus en détailLes jeunes économistes
Chaptre1 : les ntérêts smples 1. défnton et calcul pratque : Défnton : Dans le cas de l ntérêt smple, le captal reste nvarable pendant toute la durée du prêt. L emprunteur dot verser, à la fn de chaque
Plus en détailStéganographie Adaptative par Oracle (ASO)
Stéganographe Adaptatve par Oracle ASO Sarra Kouder, Marc Chaumont, Wllam Puech To cte ths verson: Sarra Kouder, Marc Chaumont, Wllam Puech. Stéganographe Adaptatve par Oracle ASO. CORESA 12: COmpresson
Plus en détailRéseau RRFR pour la surveillance dynamique : application en e-maintenance.
Réseau RRFR pour la survellance dynamue : applcaton en e-mantenance. RYAD ZEMOURI, DANIEL RACOCEANU, NOUREDDINE ZERHOUNI Laboratore Unverstare de Recherche en Producton Automatsée (LURPA) 6, avenue du
Plus en détailCREATION DE VALEUR EN ASSURANCE NON VIE : COMMENT FRANCHIR UNE NOUVELLE ETAPE?
CREATION DE VALEUR EN ASSURANCE NON VIE : COMMENT FRANCHIR UNE NOUVELLE ETAPE? Boulanger Frédérc Avanssur, Groupe AXA 163-167, Avenue Georges Clémenceau 92742 Nanterre Cedex France Tel: +33 1 46 14 43
Plus en détailPerformances de la classification par les Séparateurs à Vaste Marge (SVM): application au diagnostic vibratoire automatisé
4th Internatonal Conference on Coputer Integrated Manufacturng CIP 2007 03-04 Noveber 2007 Perforances de la classfcaton par les Séparateurs à Vaste Marge (SVM): applcaton au dagnostc vbratore autoatsé
Plus en détailChapitre 3 : Incertitudes CHAPITRE 3 INCERTITUDES. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à effet de serre 3.
Chaptre 3 : Incerttudes CHAPITRE 3 INCERTITUDES Lgnes drectrces 2006 du GIEC pour les nventares natonaux de gaz à effet de serre 3.1 Volume 1 : Orentatons générales et établssement des rapports Auteurs
Plus en détailCOMPARAISON DE MÉTHODES POUR LA CORRECTION
COMPARAISON DE MÉTHODES POUR LA CORRECTION DE LA NON-RÉPONSE TOTALE : MÉTHODE DES SCORES ET SEGMENTATION Émle Dequdt, Benoît Busson 2 & Ncolas Sgler 3 Insee, Drecton régonale des Pays de la Lore, Servce
Plus en détailDirigeant de SAS : Laisser le choix du statut social
Drgeant de SAS : Lasser le chox du statut socal Résumé de notre proposton : Ouvrr le chox du statut socal du drgeant de SAS avec 2 solutons possbles : apprécer la stuaton socale des drgeants de SAS comme
Plus en détail1. Les enjeux de la prévision du risque de défaut de paiement
Scorng sur données d entreprses : nstrument de dagnostc ndvduel et outl d analyse de portefeulle d une clentèle Mrelle Bardos Ancen chef de servce de l Observatore des entreprses de la Banque de France
Plus en détailPaquets. Paquets nationaux 1. Paquets internationaux 11
Paquets Paquets natonaux 1 Paquets nternatonaux 11 Paquets natonaux Servces & optons 1 Créaton 3 1. Dmensons, pods & épasseurs 3 2. Présentaton des paquets 4 2.1. Face avant du paquet 4 2.2. Comment obtenr
Plus en détailhal-00409942, version 1-14 Aug 2009
Manuscrt auteur, publé dans "MOSIM' 008, Pars : France (008)" 7 e Conférence Francophone de MOdélsaton et SIMulaton - MOSIM 08 - du mars au avrl 008 - Pars - France «Modélsaton, Optmsaton et Smulaton des
Plus en détailDES EFFETS PERVERS DU MORCELLEMENT DES STOCKS
DES EFFETS PERVERS DU MORCELLEMENT DES STOCKS Le cabnet Enetek nous démontre les mpacts négatfs de la multplcaton des stocks qu au leu d amélorer le taux de servce en se rapprochant du clent, le dégradent
Plus en détailPlan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks
Plan Geston des stocks Abdellah El Fallah Ensa de Tétouan 2011 Les opératons de gestons des stocks Les coûts assocés à la geston des stocks Le rôle des stocks Modèle de la quantté économque Geston calendare
Plus en détailPourquoi LICIEL? Avec LICIEL passez à la vitesse supérieure EPROUVE TECHNICITE CONNECTE STABILITE SUIVIE COMMUNAUTE
L og c el s de D agnos t c s I mmob l er s Cont ac t eznous 32BddeS t r as bougcs3010875468 Par scedex10tel. 0253354064Fax0278084116 ma l : s er v c e. c l ent @l c el. f r Pourquo LICIEL? Implanté sur
Plus en détailÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS.
ÉLÉMETS DE THÉORIE DE L IFORMATIO POUR LES COMMUICATIOS. L a théore de l nformaton est une dscplne qu s appue non seulement sur les (télé-) communcatons, mas auss sur l nformatque, la statstque, la physque
Plus en détailMÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES
MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES Émle Garca, Maron Le Cam et Therry Rocher MENESR-DEPP, bureau de l évaluaton des élèves Cet artcle porte sur les méthodes de
Plus en détailAnalyse des Performances et Modélisation d un Serveur Web
SETIT 2009 5 th Internatonal Conference: Scences of Electronc, Technologes of Informaton and Telecommuncatons March 22-26, 2009 TUNISIA Analyse des Performances et Modélsaton d un Serveur Web Fontane RAFAMANTANANTSOA*,
Plus en détailSTATISTIQUE AVEC EXCEL
STATISTIQUE AVEC EXCEL Excel offre d nnombrables possbltés de recuellr des données statstques, de les classer, de les analyser et de les représenter graphquement. Ce sont prncpalement les tros éléments
Plus en détailTerminal numérique TM 13 raccordé aux installations Integral 33
Termnal numérque TM 13 raccordé aux nstallatons Integral 33 Notce d utlsaton Vous garderez une longueur d avance. Famlarsez--vous avec votre téléphone Remarques mportantes Chaptres à lre en prorté -- Vue
Plus en détailI. Présentation générale des méthodes d estimation des projets de type «unité industrielle»
Evaluaton des projets et estmaton des coûts Le budget d un projet est un élément mportant dans l étude d un projet pusque les résultats économques auront un mpact sur la réalsaton ou non et sur la concepton
Plus en détailMesure avec une règle
Mesure avec une règle par Matheu ROUAUD Professeur de Scences Physques en prépa, Dplômé en Physque Théorque. Lycée Alan-Fourner 8000 Bourges ecrre@ncerttudes.fr RÉSUMÉ La mesure d'une grandeur par un système
Plus en détailErP : éco-conception et étiquetage énergétique. Les solutions Vaillant. Pour dépasser la performance. La satisfaction de faire le bon choix.
ErP : éco-concepton et étquetage énergétque Les solutons Vallant Pour dépasser la performance La satsfacton de fare le bon chox. ErP : éco-concepton et étquetage énergétque Eco-concepton et Etquetage
Plus en détailComparative performance for isolated points detection operators: application on surface defects extraction
Comparatve performance for solate ponts etecton operators: applcaton on surface efects extracton R. Seuln, G. Delcrox, F. Merenne Laboratore Le2-12, Rue e la Fonere - 71200 Le Creusot - FRANCE e-mal: ralph.seuln@utlecreusot.u-bourgogne.fr
Plus en détailL enseignement virtuel dans une économie émergente : perception des étudiants et perspectives d avenir
L ensegnement vrtuel dans une économe émergente : percepton des étudants et perspectves d avenr Hatem Dellag Laboratore d Econome et de Fnances applquées Faculté des scences économques et de geston de
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Meva DODO Le 06 novembre 2008
THÈSE En vue de l'obtenton du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délvré par l'unversté Toulouse III - Paul Sabater Spécalté : Informatque Présentée et soutenue par Meva DODO Le 06 novembre 2008 Ttre
Plus en détailSystème solaire combiné Estimation des besoins énergétiques
Revue des Energes Renouvelables ICRESD-07 Tlemcen (007) 109 114 Système solare combné Estmaton des besons énergétques R. Kharch 1, B. Benyoucef et M. Belhamel 1 1 Centre de Développement des Energes Renouvelables
Plus en détailRAPPORT DE STAGE. Approcher la frontière d'une sous-partie de l'espace ainsi que la distance à cette frontière. Sujet : Master II : SIAD
UFR SCIENCES ET TECHNOLOGIES DEPARTEMENT DE MATHEMATIQUES ET INFORMATIQUE 63 177 AUBIERE CEDEX Année 2008-2009 Master II : SIAD RAPPORT DE STAGE Sujet : Approcher la frontère d'une sous-parte de l'espace
Plus en détailCorrections adiabatiques et nonadiabatiques dans les systèmes diatomiques par calculs ab-initio
Correctons adabatques et nonadabatques dans les systèmes datomques par calculs ab-nto Compte rendu du traval réalsé dans le cadre d un stage de quatre mos au sen du Groupe de Spectroscope Moléculare et
Plus en détailLE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régime») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF
1 LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régme») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF AVIS AUX RETRAITÉS ET AUX PARTICIPANTS AVEC DROITS ACQUIS DIFFÉRÉS Expédteurs
Plus en détailLa Quantification du Risque Opérationnel des Institutions Bancaires
HEC Montréal Afflée à l Unversté de Montréal La Quantfcaton du Rsque Opératonnel des Insttutons Bancares par Hela Dahen Département Fnance Thèse présentée à la Faculté des études supéreures en vue d obtenton
Plus en détailSéparation de Sources par lissage cepstral des masques binaires
Séparaton de Sources par lssage cepstral des masques bnares Ibrahm Mssaou 1 Zed Lachr 1, 2 (1) École natonale d ngéneurs de Tuns, ENIT, BP. 37 Le Belvedere, 1002 Tuns, Tunse (2) Insttut natonal des scences
Plus en détailsanté Les arrêts de travail des séniors en emploi
soldarté et DOSSIERS Les arrêts de traval des sénors en emplo N 2 2007 Les sénors en emplo se dstnguent-ls de leurs cadets en termes de recours aux arrêts de traval? Les sénors ne déclarent pas plus d
Plus en détailIntegral T 3 Compact. raccordé aux installations Integral 5. Notice d utilisation
Integral T 3 Compact raccordé aux nstallatons Integral 5 Notce d utlsaton Remarques mportantes Remarques mportantes A quelle nstallaton pouvez-vous connecter votre téléphone Ce téléphone est conçu unquement
Plus en détailBTS GPN 2EME ANNEE-MATHEMATIQUES-MATHS FINANCIERES MATHEMATIQUES FINANCIERES
MATHEMATIQUES FINANCIERES I. Concepts généraux. Le référentel précse : Cette parte du module M4 «Acquérr des outls mathématques de base nécessares à l'analyse de données économques» est en relaton avec
Plus en détailChapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique
Spécale PSI - Cours "Electromagnétsme" 1 Inducton électromagnétque Chaptre IV : Inductance propre, nductance mutuelle. Energe électromagnétque Objectfs: Coecents d nductance propre L et mutuelle M Blan
Plus en détailImpôt sur la fortune et investissement dans les PME Professeur Didier MAILLARD
Conservatore atonal des Arts et Méters Chare de BAQUE Document de recherche n 9 Impôt sur la fortune et nvestssement dans les PME Professeur Dder MAILLARD Avertssement ovembre 2007 La chare de Banque du
Plus en détailParlons. retraite. au service du «bien vieillir» L Assurance retraite. en chiffres* 639 192 retraités payés pour un montant de 4,2 milliards d euros
Édton Pays de la Lore Parlons La lettre aux retratés du régme général de la Sécurté socale 2012 retrate L Assurance retrate en chffres* 12,88 mllons de retratés 17,58 mllons de cotsants 346 000 bénéfcares
Plus en détail1 Introduction. 2 Définitions des sources de tension et de courant : Cours. Date : A2 Analyser le système Conversion statique de l énergie. 2 h.
A2 Analyser le système Converson statque de l énerge Date : Nom : Cours 2 h 1 Introducton Un ConVertsseur Statque d énerge (CVS) est un montage utlsant des nterrupteurs à semconducteurs permettant par
Plus en détailP R I S E E N M A I N R A P I D E O L I V E 4 H D
P R I S E E N M A I N R A P I D E O L I V E 4 H D Sommare 1 2 2.1 2.2 2.3 3 3.1 3.2 3.3 4 4.1 4.2 4.3 4.4 4.5 4.6 5 6 7 7.1 7.2 7.3 8 8.1 8.2 8.3 8.4 8.5 8.6 Contenu du carton... 4 Paramétrage... 4 Connexon
Plus en détailGénéralités sur les fonctions 1ES
Généraltés sur les fonctons ES GENERALITES SUR LES FNCTINS I. RAPPELS a. Vocabulare Défnton Une foncton est un procédé qu permet d assocer à un nombre x appartenant à un ensemble D un nombre y n note :
Plus en détailCalculer le coût amorti d une obligation sur chaque exercice et présenter les écritures dans les comptes individuels de la société Plumeria.
1 CAS nédt d applcaton sur les normes IAS/IFRS Coût amort sur oblgatons à taux varable ou révsable La socété Plumera présente ses comptes annuels dans le référentel IFRS. Elle détent dans son portefeulle
Plus en détailIDEI Report # 18. Transport. December 2010. Elasticités de la demande de transport ferroviaire: définitions et mesures
IDEI Report # 18 Transport December 2010 Elastctés de la demande de transport ferrovare: défntons et mesures Elastctés de la demande de transport ferrovare : Défntons et mesures Marc Ivald Toulouse School
Plus en détailEvaluation de performances d'ethernet commuté pour des applications temps réel
Evaluaton de performances d'ethernet commuté pour des applcatons temps réel Ans Koubâa, Ye-Qong Song LORIA-INRIA-INPL, Avenue de la Forêt de Haye - 5456 Vandoeuvre - France Emal : akoubaa@lorafr, song@lorafr
Plus en détailMETHODE AUTOMATIQUE POUR CORRIGER LA VARIATION LINGUISTIQUE LORS DE L INTERROGATION DE DOCUMENTS XML DE STRUCTURES HETEROGENES
METHODE AUTOMATIQUE POUR CORRIGER LA VARIATION LINGUISTIQUE LORS DE L INTERROGATION DE DOCUMENTS XML DE STRUCTURES HETEROGENES Ourda Boudghaghen(*),Mohand Boughanem(**) yugo_doudou@yahoo.fr, bougha@rt.fr
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL L ASSURANCE AUTOMOBILE AU QUÉBEC : UNE PRIME SELON LE COÛT SOCIAL MARGINAL MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL L ASSURANCE AUTOMOBILE AU QUÉBEC : UNE PRIME SELON LE COÛT SOCIAL MARGINAL MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIQUE PAR ERIC LÉVESQUE JANVIER
Plus en détailVIELLE Marc. CEA-IDEI Janvier 1998. 1 La nomenclature retenue 3. 2 Vue d ensemble du modèle 4
GEMINI-E3 XL France Un outl destné à l étude des mpacts ndustrels de poltques énergétques et envronnementales VIELLE Marc CEA-IDEI Janver 1998 I LA STRUCTURE DU MODELE GEMINI-E3 XL FRANCE 3 1 La nomenclature
Plus en détailINTERNET. Initiation à
Intaton à INTERNET Surfez sur Internet Envoyez des messages Téléchargez Dscutez avec Skype Découvrez Facebook Regardez des vdéos Protégez votre ordnateur Myram GRIS Table des matères Internet Introducton
Plus en détailGrandeur physique, chiffres significatifs
Grandeur physque, chffres sgnfcatfs I) Donner le résultat d une mesure en correspondance avec l nstrument utlsé : S avec un nstrument, ren n est ndqué sur l ncerttude absolue X d une mesure X, on consdère
Plus en détailPour plus d'informations, veuillez nous contacter au 04.75.05.52.62. ou à contact@arclim.fr.
Régulaton Sondes & Capteurs Détente frgo électronque Supervson & GTC Humdfcaton & Déshu. Vannes & Servomoteurs Comptage eau, elec., énerge Ancens artcles Cette documentaton provent du ste www.arclm.eu
Plus en détailGENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation)
GENESS - Generalzed System for mputaton Smulatons (Système généralsé pour smuler l mputaton) GENESS est un système qu permet d exécuter des smulatons en présence d mputaton. L utlsateur fournt un ensemble
Plus en détailQ x2 = 1 2. est dans l ensemble plus grand des rationnels Q. Continuons ainsi, l équation x 2 = 1 2
Exo7 Nombres complexes Vdéo parte. Les nombres complexes, défntons et opératons Vdéo parte. Racnes carrées, équaton du second degré Vdéo parte 3. Argument et trgonométre Vdéo parte 4. Nombres complexes
Plus en détailBUREAU D'APPLICATION DES METHODES STATISTIQUES ET INFORMATIQUES
BUREAU DAPPLICATION DES METHODES STATISTIQUES ET INFORMATIQUES BAMSI REPRINT 04/2003 Introducton à l analyse des données Samuel AMBAPOUR BAMSSI I BAMSI B.P. 13734 Brazzavlle BAMSI REPRINT 04/2003 Introducton
Plus en détailPro2030 GUIDE D UTILISATION. Français
Pro2030 GUIDE D UTILISATION Franças Contents Garante... Introducton... 1 Artcle nº 605056 Rév C Schéma nº A605056 Novembre 2010 2010 YSI Incorporated. Le logo YSI est une marque déposée de YSI Incorporated.
Plus en détailLes prix quotidiens de clôture des échanges de quotas EUA et de crédits CER sont fournis par ICE Futures Europe
Méthodologe CDC Clmat Recherche puble chaque mos, en collaboraton avec Clmpact Metnext, Tendances Carbone, le bulletn mensuel d nformaton sur le marché européen du carbone (EU ETS). L obectf de cette publcaton
Plus en détailPrise en compte des politiques de transport dans le choix des fournisseurs
INSTITUT NATIONAL POLYTECHNIQUE DE GRENOBLE N attrbué par la bblothèque THÈSE Pour obtenr le grade de DOCTEUR DE L I.N.P.G. Spécalté : Géne Industrel Préparée au Laboratore d Automatque de Grenoble Dans
Plus en détailLes déterminants de la détention et de l usage de la carte de débit : une analyse empirique sur données individuelles françaises
Les détermnants de la détenton et de l usage de la carte de débt : une analyse emprque sur données ndvduelles françases Davd Boune a, Marc Bourreau a,b et Abel Franços a,c a Télécom ParsTech, Département
Plus en détailTABLE DES MATIERES CONTROLE D INTEGRITE AU SEIN DE LA RECHERCHE LOCALE DE LA POLICE LOCALE DE BRUXELLES-CAPITALE/IXELLES (DEUXIEME DISTRICT) 1
TABLE DES MATIERES CONTROLE D INTEGRITE AU SEIN DE LA RECHERCHE LOCALE DE LA POLICE LOCALE DE BRUXELLES-CAPITALE/IXELLES (DEUXIEME DISTRICT) 1 1. PROBLEMATIQUE 1 2. MISSION 1 3. ACTES D ENQUETE 2 4. ANALYSE
Plus en détailUNE ETUDE ECONOMÉTRIQUE DU NOMBRE D ACCIDENTS
BRUSSELS ECONOMIC REVIEW - CAHIERS ECONOMIQUES DE BRUXELLES VOL. 49 - N 2 SUMMER 2006 UNE ETUDE ECONOMÉTRIQUE DU NOMBRE D ACCIDENTS DANS LE SECTEUR DE L ASSURANCE AUTOMOBILE* MARÍA DEL CARMEN MELGAR**
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Elayeb Bilel Le 26 juin 2009
THÈSE En vue de l'obtenton du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délvré par Insttut Natonal Polytechnque de Toulouse (INPT) Dscplne ou spécalté : Informatque Présentée et soutenue par Elayeb Blel Le
Plus en détailLes déterminants de la détention et de l usage de la carte de débit : une analyse empirique sur données individuelles françaises
Les détermnants de la détenton et de l usage de la carte de débt : une analyse emprque sur données ndvduelles françases Davd Boune Marc Bourreau Abel Franços Jun 2006 Département Scences Economques et
Plus en détailREPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE. MEMOIRE Présentée à
REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE MEMOIRE Présentée à L Unversté de Batna Faculté des Scences Département de Physque
Plus en détailFaire des régimes TNS les laboratoires de la protection sociale de demain appelle des évolutions à deux niveaux :
Réformer en profondeur la protecton socale des TNS pour la rendre plus effcace Résumé de notre proposton : Fare des régmes TNS les laboratores de la protecton socale de deman appelle des évolutons à deux
Plus en détailGEA I Mathématiques nancières Poly. de révision. Lionel Darondeau
GEA I Mathématques nancères Poly de révson Lonel Darondeau Intérêts smples et composés Voc la lste des exercces à révser, corrgés en cours : Exercce 2 Exercce 3 Exercce 5 Exercce 6 Exercce 7 Exercce 8
Plus en détailTHESE. Khalid LEKOUCH
N d ordre : /2012 THESE Présentée à la FACULTE DES SCIENCES D AGADIR En vue de l obtenton du GRADE DE DOCTEUR EN PHYSIQUE (Spécalté : Energétque, Thermque et Métrologe) Par Khald LEKOUCH MODELISATION ET
Plus en détailThermodynamique statistique Master Chimie Université d Aix-Marseille. Bogdan Kuchta
hermodynamque statstque Master Chme Unversté d Ax-Marselle Bogdan Kuchta Plan: Rappel: thermodynamque phénoménologque (dscuter l entrope, l évoluton de gaz parfat,) Premer prncpe Deuxème prncpe (transformaton
Plus en détailCHAPITRE 14 : RAISONNEMENT DES SYSTÈMES DE COMMANDE
HAITRE 4 : RAISONNEMENT DES SYSTÈMES DE OMMANDE RAISONNEMENT DES SYSTÈMES DE OMMANDE... 2 INTRODUTION... 22 RAELS... 22 alcul de la valeur ntale de la répone à un échelon... 22 alcul du gan tatque... 22
Plus en détailMots-clés : Système multicapteurs, Réseau local, Réseaux de neurones, Supervision, Domotique. xigences système d'une nouvelle
Mots-clés : xgences système d'une nouvelle fonctonnalté dans l'habtat ndvduel : cas de la survellance Système multcapteurs, Réseau local, Réseaux de neurones, Supervson, Domotque. des personnes âgées et
Plus en détailDes solutions globales fi ables et innovantes. www.calyon.com
Des solutons globales f ables et nnovantes www.calyon.com OPTIM Internet: un outl smple et performant Suv de vos comptes Tratement de vos opératons bancares Accès à un servce de reportng complet Une nterface
Plus en détailSurveillance temps-réel des systèmes Homme-Machine. Application à l assistance à la conduite automobile
Survellance temps-réel des systèmes Homme-Machne. Applcaton à l assstance à la condute automoble Mguel Gonzalez-Mendoza To cte ths verson: Mguel Gonzalez-Mendoza. Survellance temps-réel des systèmes Homme-Machne.
Plus en détailLes méthodes numériques de la dynamique moléculaire
Les méthodes numérques de la dynamque moléculare Chrstophe Chpot Equpe de chme et & bochme théorques, Unté Mxte de Recherche CNRS/UHP 7565, Insttut Nancéen de Chme Moléculare, Unversté Henr Poncaré, B.P.
Plus en détailÉconométrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University
Économétre 5 e édton Annexes : exercces et corrgés Wllam Greene New York Unversty Édton françase drgée par Dder Schlacther, IEP Pars, unversté Pars II Traducton : Stéphane Monjon, unversté Pars I Panthéon-Sorbonne
Plus en détailLe Prêt Efficience Fioul
Le Prêt Effcence Foul EMPRUNTEUR M. Mme CO-EMPRUNTEUR M. Mlle Mme Mlle (CONJOINT, PACSÉ, CONCUBIN ) Départ. de nass. Nature de la pèce d dentté : Natonalté : CNI Passeport Ttre de séjour N : Salaré Stuaton
Plus en détailCHAPITRE DEUX : FORMALISME GEOMETRIQUE
CHPITRE DEUX FORMLISME GEOMETRIQUE. CHPITRE DEUX : FORMLISME GEOMETRIQUE verson.3, -8 I. GEOMETRIE DNS L ESPCE-TEMPS ) Prncpe de relatvté Le prncpe de relatvté peut s exprmer ans : toutes les los physques
Plus en détailGUIDE D ÉLABORATION D UN PLAN D INTERVENTION POUR LE RENOUVELLEMENT DES CONDUITES D EAU POTABLE, D ÉGOUTS ET DES CHAUSSÉES
GUIDE D ÉLABORATION D UN PLAN D INTERVENTION POUR LE RENOUVELLEMENT DES CONDUITES D EAU POTABLE, D ÉGOUTS ET DES CHAUSSÉES Gude destné au mleu muncpal québécos NOVEMBRE 2013 Coordnaton : Martn Cormer,
Plus en détailExercices d Électrocinétique
ercces d Électrocnétque Intensté et densté de courant -1.1 Vtesse des porteurs de charges : On dssout une masse m = 20g de chlorure de sodum NaCl dans un bac électrolytque de longueur l = 20cm et de secton
Plus en détailTRAVAUX PRATIQUES SPECTRO- COLORIMETRIE
UNIVERSITE MONTPELLIER 2 Département de Physque TRAVAUX PRATIQUES DE SPECTRO- COLORIMETRIE F. GENIET 2 INTRODUCTION Cet ensegnement de travaux pratques de seconde année se propose de revor rapdement l'aspect
Plus en détailPrêt de groupe et sanction sociale Group lending and social fine
Prêt de roupe et sancton socale Group lendn and socal fne Davd Alary Résumé Dans cet artcle, nous présentons un modèle d antsélecton sur un marché concurrentel du crédt. Nous consdérons l ntroducton de
Plus en détailPage 5 TABLE DES MATIÈRES
Page 5 TABLE DES MATIÈRES CHAPITRE I LES POURCENTAGES 1. LES OBJECTIFS 12 2. LES DÉFINITIONS 14 1. La varaton absolue d'une grandeur 2. La varaton moyenne d'une grandeur (par unté de temps) 3. Le coeffcent
Plus en détailContact SCD Nancy 1 : theses.sciences@scd.uhp-nancy.fr
AVERTISSEMENT Ce document est le frut d'un long traval approuvé par le jury de soutenance et ms à dsposton de l'ensemble de la communauté unverstare élarge. Il est soums à la proprété ntellectuelle de
Plus en détailPratique de la statistique avec SPSS
Pratque de la statstque avec SPSS SUPPORT Transparents ultéreurement amélorés et ms à jour sur le ste du SMCS LIENS UTILES Ste du SMCS (Support en Méthodologe et Calcul Statstque) : http://www.stat.ucl.ac.be/smcs/
Plus en détailLa théorie classique de l information. 1 ère partie : le point de vue de Kolmogorov.
La théore classque de l nformaton. ère parte : le pont de vue de Kolmogorov. La sute de caractères comme outl de descrpton des systèmes. La scence peut être vue comme l art de compresser les données quelles
Plus en détail1.0 Probabilité vs statistique...1. 1.1 Expérience aléatoire et espace échantillonnal...1. 1.2 Événement...2
- robabltés - haptre : Introducton à la théore des probabltés.0 robablté vs statstque.... Expérence aléatore et espace échantllonnal.... Événement.... xomes défnton de probablté..... Quelques théorèmes
Plus en détailProfessionnel de santé équipé de Médiclick!
Professonnel de santé équpé de Médclck! Dosser Médcal Partagé en Aqutane Ce gude vous présente les prncpales fonctonnaltés réservées aux professonnels de santé membres du réseau AquDMP. Sommare Connexon
Plus en détail22 environnement technico-professionnel
22 envronnement technco-professonnel CYRIL SABATIÉ Drecteur du servce jurdque FNAIM Ouverture du ma IMMOBILIER, OÙ 1 Artcle paru également dans la Revue des Loyers, jullet à septembre 2007, n 879, p. 314
Plus en détailBe inspired. Numéro Vert. Via Caracciolo 20 20155 Milano tel. +39 02 365 22 990 fax +39 02 365 22 991
Ggaset SX353 / französsch / A31008-X353-P100-1-7719 / cover_0_hedelberg.fm / 03.12.2003 s Be nspred www.onedrect.fr www.onedrect.es www.onedrect.t www.onedrect.pt 0 800 72 4000 902 30 32 32 02 365 22 990
Plus en détailAPPROXIMATION PAR RÉSEAUX À FONCTIONS RADIALES DE BASE APPLICATION À LA DÉTERMINATION DU PRIX D ACHAT D UNE
APPROXIMATION PAR RÉSEAUX À FONCTIONS RADIALES DE BASE APPLICATION À LA DÉTERMINATION DU PRIX D ACHAT D UNE OPTION. A. Lendasse, J. Lee 2, E. de Bodt 3, V. Wertz, M. Verleysen 2 Unversté catholque de Louvan,
Plus en détailGATE Groupe d Analyse et de Théorie Économique DOCUMENTS DE TRAVAIL - WORKING PAPERS W.P. 08-24. Préférences temporelles et recherche d emploi
GATE Groupe d Analyse et de Théore Économque UMR 5824 du CNRS DOCUMENTS DE TRAVAIL - WORKING PAPERS W.P. 08-24 Préférences temporelles et recherche d emplo «Applcatons économétrques sur le panel Européen
Plus en détailINTRODUCTION. Jean-Pierre MAGNAN Chef de la section des ouvrages en terre Département des sols et fondations Laboratoire central
Etude numérque de la consoldaton undmensonnelle en tenant compte des varatons de la perméablté et de la compressblté du sol, du fluage et de la non-saturaton Jean-Perre MAGNAN Chef de la secton des ouvrages
Plus en détailÉtranglement du crédit, prêts bancaires et politique monétaire : un modèle d intermédiation financière à projets hétérogènes
Étranglement du crédt, prêts bancares et poltque monétare : un modèle d ntermédaton fnancère à projets hétérogènes Mngwe Yuan et Chrstan Zmmermann Introducton et objet de l étude Par étranglement du crédt
Plus en détailIntégration financière et croissance économique : évidence empirique dans. la région MENA
Décembre 2011 Volume 6, No.2 (pp. 115-131) Zouher Abda Revue Congolase d Econome Intégraton fnancère et crossance économque : évdence emprque dans la régon MENA Zouher ABIDA * Résumé: L objectf de cet
Plus en détailCorrigé du problème de Mathématiques générales 2010. - Partie I - 0 0 0. 0.
Corrgé du problème de Mathématques générales 2010 - Parte I - 1(a. Sot X S A. La matrce A est un polynôme en X donc commute avec X. 1(b. On a : 0 = m A (A = m A (X n ; le polynôme m A (x n est annulateur
Plus en détailCalculs des convertisseurs en l'electronique de Puissance
Calculs des conertsseurs en l'electronque de Pussance Projet : PROGRAMMAON ate : 14 arl Auteur : herry EQUEU. EQUEU 1, rue Jules Massenet 37 OURS el 47 5 93 64 herry EQUEU Jun [V37] Fcher : ESGN.OC Calculs
Plus en détail