Rapport de Stage : Analyse d images aériennes de haute résolution du département de Haute Savoie
|
|
- Noël Maurice Godin
- il y a 8 ans
- Total affichages :
Transcription
1 Rapport de Stage : Analyse d images aériennes de haute résolution du département de Haute Savoie Jean Fortin 30 mai au 22 juillet 2005 Stage de licence effectué au laboratoire MAP-ARIA, à l école d architecture de Lyon. Encadrant : Xavier Marsault Le maître de stage tient à ce que ce rapport reste confidentiel jusqu en septembre
2 Table des matières 1 Introduction 3 2 Travaux existants Présentation du problème Travaux existants Champs de Markov Définitions Champs de Markov discrets Définition Exemple Champs de Markov cachés discrets Segmentation Méthodes sans apprentissage Méthodes avec apprentissage Mise en pratique Les programmes utilisés Nem IFC (Image Feature Calculation) Modélisation Extraction des caractéristiques Codage des couleurs Dimension fractale Apprentissage Classification Résultats Perspectives Conclusion 15 2
3 1 Introduction Le stage se déroulait au laboratoire MAP-ARIA, en collaboration avec l INRIA de Grenoble. L objectif du stage était de s inspirer des travaux de l Université de l UTAH (USA) et d utiliser des outils développés au laboratoire MISTIS (INRIA GRENOBLE) pour effectuer une classification des pixels dans des images aériennes. Le stage intevenait dans le contexte plus général de la création d un environnement de réalité virtuelle à partir de photographies aériennes et de données d altitude. Dans un tel environnement, un problème se pose lorsque l on se rapproche suffisament du sol pour que la résolution des photographies deviennne insuffisante : il est alors nécessaire d amplifier les textures afin d obtenir un résultat satisfaisant. Cette amplification ne sera cependant pas la même lorsque l on souhaite amplifier une texture de type forêt et une texture de neige, par exemple. Il est donc nécessaire de pouvoir dire pour chaque pixel à quel type de terrain il appartient. Il faut donc réaliser une classification des pixels dans l image, pour trouver des zones de textures différentes. Il existe de nombreuses méthodes pour segmenter une image, mais peu d entre elles sont adaptées à la reconnaissance de texture. La méthode choisie dans ce stage est basée sur l utilisation des champs de Markov. 2 Travaux existants 2.1 Présentation du problème L objectif est de classifier le terrain en différentes textures (herbe, forêt, route,...) à partir de photographies aériennes à une résolution de 50cm par pixel, et des données d altitude à un point tous les 20m. Dans le cadre du stage les données utilisées ont été fournies par la Régie de Gestion des Données du départment 74, et couvrent le département de Haute-Savoie. Le problème de la reconnaissance de textures est complexe, et cela fait plus de vingt ans que les chercheurs s y interessent. La nouveauté dans ce travail est qu il s agit de reconnaître les textures dans un paysage Alpin, à l aide des champs de Markov. 2.2 Travaux existants Dans [2], Premoze effectue une classification du terrain à partir d images aériennes d une zone de montagne. Les photographies sont à une résolution légèrement inférieure à celle des données que nous avons utilisées, et sont en niveau de gris et non en couleur. L approche adoptée par les auteurs est la suivante : 3
4 En chaque point les auteurs calculent huit valeurs qui doivent être discriminantes pour classifier les pixels : L intensité du pixel L intensité moyenne des pixels voisins Le minimum des intensités des pixels voisins Le maximum des intensités des pixels voisins L altitude La pente La direction de la pente L angle par rapport à l horizon L idée générale est de classifier chaque pixel de l image à l aide de ces huit propriétés. Pour cela il faut que dans des textures différentes les valeurs choisies soient suffisament différentes. Dans une première phase, les auteurs effectuent un apprentissage en donnant un certain nombre de points pour chaque classe. Cela permet de calculer les lois de probabilités des différentes valeurs suivant la classe. L image est ensuite segmentée en utilisant un classificateur de Bayes. Cette méthode permet d avoir des résultats, cependant on peut lui faire plusieurs reproches : cette classification se fait pixel par pixel, et les dépendances spatiales sont donc présentes uniquement grace aux propriétés 2 à 4 du vecteur descripteur de chaque point. De plus les dépendances ne tiennent compte que du voisinage immédiat. Or pour reconnaître des textures complexes, il peut être nécessaire de regarder un voisinage plus important. Ce type de modèle semble donc insuffisant pour des textures complexes. Il est alors naturel de vouloir utiliser un modèle plus complet pour représenter les dépendances spatiales dans les textures. Pour cela, nous avons utilisé le modèle des champs de Markov qui permet naturellement de tenir compte du voisinage pour effectuer la classification. 3 Champs de Markov 3.1 Définitions Soit S un ensemble de points spatialement organisés, indexés par {1,..., n}. Pour une image ces point seront en général disposés sur une grille régulière de dimension 2. On note N(i) le voisinage du point i. Les voisinages utilisés le plus souvent sont les quatre ou les huit plus proches voisins, ils sont appelés respectivement voisinage d ordre un et deux. Définition 1 Un champ aléatoire Z est un champ de Markov si et seulement s il vérifie la propriété : z, P (z i Z S\{i} = z S\{i} ) = P (z i Z N(i) = z N(i) ) 4
5 Cette propriété signifie que parmi les autres points, seul le voisinage du point i a une influence sur le champ au point i, il s agit donc d une généralisation de la notion de chaîne de Markov. Définition 2 Un champ aléatoire Z suit une loi de Gibbs si la distribution de probabilité jointe est de la forme : P (z) = W 1 exp( H(z)) où la fonction énergie H peut se décomposer en somme des potentiels sur les cliques : H(z) = c C V c (z c ) W = Z exp( H(z)) est la constante de normalisation. Théorème 1 (Hammersley-Clifford) Z est un champ de markov si et seulement si P (z) suit une loi de Gibbs. Ce théorème permet de décrire plus facilement les champs de Markov, en donnant la fonction énergie associée. 3.2 Champs de Markov discrets Définition Pour un champ de Markov discret, la variable Z i représente une étiquette attribuée au point i, dans {1,..., K}. Comme on l a vu précédement, on peut définir le champ de Markov à partir de sa fonction énergie. Dans le cas où l on se limite aux cliques d ordre inférieur à 3, l énergie d un champ de Markov discret s écrit : H(z β) = n i=1 [ V i (z i ) β 2 j N(i) ] V ij (z i, z j ) Les potentiels sur les singletons donnent alors l importance relative des différentes étiquettes, et les potentiels sur les paires donnent la correlation spatiale entre les différentes étiquettes. Le paramètre β donne l importance relative du terme spatial Exemple Le modèle de Potts sans champ externe est un cas très simple de champ de Markov discret. Dans ce modèle, les potentiels sur les singletons sont nuls, et les potentiels sur les paires sont égaux à une unique valeur non nulle lorsque les étiquettes sont identiques, et nuls sinon. 5
6 i S, z i, V i (z i ) = 0 i, j S, z i, z j, V ij (z i, z j ) = I Zi =Z j (z i, z j ) Pour β positif, ce modèle donne une plus grande probabilité aux configurations où les points voisins ont la même étiquette. C est donc un modèle adapté pour la segmentation d image en zones homogènes. Pour le problème de la reconnaissance de texture il est intéressant de généraliser ce modèle, ce qui se fait naturellement en autorisant des potentiels non nuls sur les singletons, et en faisant dépendre le potentiel sur les paires de z i et z j. 3.3 Champs de Markov cachés discrets Dans le cadre de la segmentation d image, on a deux types de données : d une part les données observées qui peuvent être par exemple la couleur des pixels, et d autre part la classification de ces pixels. On introduit alors la notion de champ de Markov caché : on place ces deux types de données sur deux niveaux différents, et on suppose que la loi de probabilité des données cachées (la segmentation) connaissant les données observées correspond à un champ de Markov. On note y = {y i, i S} l observation, et z = {z i, i S} le résultat de la classification. On a donc une distribution de la forme P (z y) = W 1 exp( H(z y)) De plus, on suppose que les données observées sont indépendantes conditionnellement à Z, c est à dire que g(y z) = i S g(y i z i ) On suppose en général que ces distributions suivent des lois gaussiennes. 6
7 3.4 Segmentation Le problème qui nous interesse est la ségmentation d une image en différentes zones de textures différentes. Pour cela, on utilise le modèle du champ de Markov caché discret. Il existe alors deux types de méthodes : Méthodes sans apprentissage Il est possible de segmenter directement les images en un certain nombre de classes, sans effectuer d apprentissage des textures au préalable. Les algorithmes utilisés tentent alors de trouver les paramètres des champs de Markov et la segmentation décrivant le mieux l image Méthodes avec apprentissage Lorsque l on connait à l avance les textures que l on veut reconnaitre, il est préférable d effectuer un apprentissage au préalable sur des images des textures connues, afin de les reconnaitre plus efficacement dans les images de travail. Lors d une première phase, il faut apprendre les paramètres des champs de Markov correspondant aux relations entre les observations au coeur d une texture ou entre textures différentes. Pour cela, on utilise des images d apprentissage, qui ne contiennent qu une seule texture connue. Une fois que l on connait tous les paramètres du champ de Markov, on peut effectuer la ségmentation elle-même, c est à dire trouver la valeur de la segmentation Z qui maximise la probabilité conditionnellement aux données observées Y et aux paramètres appris. 4 Mise en pratique 4.1 Les programmes utilisés Nem6 Ce programme est développé à l INRIA par Juliette Blanchet. Il est basé sur le programme nem, développé il y a quelques années. Il permet d utiliser plusieurs algorithmes pour effectuer la segmentation des images en utilisant les champs de Markov cachés. C est le programme que nous avons utilisé pour effectuer la segmentation des images au cours de l apprentissage et de la classification. Le principal objectif de ce stage a été de déterminer quelles données observées il fallait donner à ce programme, déterminer le modèle adapté, et quels algorithmes utiliser pour faire la segmentation dans le cadre qui nous intéresse. 7
8 4.1.2 IFC (Image Feature Calculation) Ce programme a été conçu au cours du stage pour calculer les différentes données pouvant être passées en entrée du programme Nem6. Il a pour charge d extraire les données d altitude et de couleur de la base des photographies, puis de calculer les différentes composantes du vecteur y. Il permet ainsi de calculer : Les composantes Y, U et V de la couleur, qui permettent une meilleure discrimination des couleurs lors de la segmentation qu un simple codage R, V, B L altitude et la pente moyenne en chaque pixel Une mesure de contraste Différentes mesures de la dimension fractale en chaque pixel, éventuellement avec filtrage pour améliorer le résultat 4.2 Modélisation Nous nous sommes basés sur le travail effectué dans [4] pour la modélisation des textures. On suppose que les textures peuvent se décomposer en un nombre K de sous-classes, et que pour la texture m, la distribution suit la loi : P (y i Ψ m ) = K P (Z i = c mk m )f(y i θ mk ), k=1 où f(y i θ mk ) est la densité de la loi gaussienne multivariée de paramètre θ mk (moyenne µ mk et matrice de covariance Σ mk ), Z i représente la sous-classe du point i, sa loi est paramétrée par m, et Ψ m = ( m, (Θ mk )) est l ensemble des paramètres pour la texture m. On suppose que les Z i constituent un champ de Markov comme précédement, avec la fonction d énergie H(z, m ) = i V i (z i, α m ) + j N(i) V ij (z i, z j, B m ), et comme dans le modèle de Potts généralisé, on suppose que les singletons ne dépendent pas de i, soit et on suppose de même que V i (z i, α m ) = α m (k), pour z i = c mk, V ij (z i, z j, B m ) = B m (k, l), pour z i = c mk, z j = c ml 8
9 4.3 Extraction des caractéristiques Dans une première phase on calcule les différentes composantes du vecteur descripteur qui sera utilisé pour classer les pixels. Le problème est de savoir quelles valeurs on peut utiliser, afin de permettre une segmentation efficace entre les différentes textures. Il faut donc des valeurs caractéristiques de la texture. Pour cela on utilise des valeurs locales, comme la couleur du pixel considéré, mais du fait des fortes variations au sein d une texture, il faut aussi avoir des informations portant sur un voisinage du pixel Codage des couleurs Une question qui se pose naturellement est celle du codage des couleurs : quel codage utiliser? Plutôt que de conserver le codage RVB habituel, nous avons choisi de calculer les couleurs dans le codage YUV (luminance et chrominances). En effet les tests effectués montrent que les trois composantes de ce codage sont plus discriminantes dans le cadre de la reconnaissance de textures, et plus indépendantes qu un simple codage RVB. Les trois composantes YUV s obtiennent simplement à partir des composantes RVB : Y = R V B U = (B Y ) V = (R Y ) Dimension fractale Pour distinguer les textures il peut être utile d avoir un indice de la rugosité de la texture. Par exemple une texture de neige est très différente d une texture de forêt, même sans tenir compte de la couleur. La dimension fractale dans une fenêtre autour du point permet d obtenir une telle information. Plusieurs méthodes existent pour calculer la dimension fractale d une image. Méthode spectrale Le spectre de puissance d un signal fractal bidimensionnel est de la forme P (k x, k y ) = c ; β = 8 2D, 2 < D < 3, k x x + k y y β où c est une constante, k x et k y sont les fréquences spatiales, et x et y les vecteurs unitaires. D est alors la dimension fractale de l image. Pour trouver la dimension fractale de l image, une méthode consiste alors à calculer le spectre de puissance de l image, puis à essayer de 9
10 trouver la fonction ˆP qui correspond le mieux à la forme attendue. On utilise alors une méthode des moindres carrés pour trouver les paramètres c et β. C est à dire qu on minimise e = ln P i ln ˆP i 2 2 Cette méthode ne fonctionne pas bien en pratique : pour un signal bruité le résultat est souvent aberrant. Il peut être nécessaire de ne travailler que sur une partie du spectre, mais il est difficile de savoir à l avance sur quelle partie. Méthode par comptage A la place d une méthode spectrale, il semble donc préférable d utiliser une méthode par comptage. Cette méthode est basée sur l autosimilarité. Si un ensemble est constitué de N r copies de lui-même avec un facteur d échelle r, alors la dimention fractale de l objet est donnée par D = log(n r) log(1/r) On représente alors l image dans un espace en 3 dimensions, où x et y sont les coordonnées dans l image, et z représente l échelle des niveaux de gris. Pour r fixé et une image de taille M M, on pose s = r M, et on partitionne l espace en colonnes de boîtes de taille s s s. On regarde alors dans chaque colonne dans quelle boîte se trouvent les niveaux de gris minimum et maximum. Supposons qu il s agisse de la k-ieme et de la l-ieme boîte. Alors on note n r (i, j) = l k + 1 la contribution de la colonne indexée par (i, j). Alors N r = i,j n r (i, j) On calcule N r pour différentes valeurs de r, et il suffit ensuite d utiliser une méthode des moindres carrés pour trouver D. Une fois que le calcul de la dimension fractale est effectué, il est utile d appliquer un filtre pour réduire le bruit, afin d améliorer la qualité de la segmentation. Cependant, il faut utiliser une technique de filtrage conservant les frontières pour ne pas fausser les résultats. Pour filtrer, on peut ainsi utiliser la méthode suivante : Pour un point (i, j), on considère les quatre quadrants d une fenêtre de taille (2w + 1) (2w + 1) centrée en ce pixel. On calcule ensuite la moyenne et la variance de la dimension fractale précédement calculée dans chacune de ces quatre fenêtres. Le filtrage 10
11 consiste alors à remplacer la valeur au point (i, j) par la valeur moyenne dans la fenêtre dont la variance est minimale. Voici ce que l on obtient en appliquant cette méthode de lissage : Image de la dimension fractale avant lissage Image de la dimension fractale, après le lissage 11
12 4.4 Apprentissage Pour ce modèle, l apprentissage consiste à apprendre les différents paramètres des champs de Markov, c est à dire les B m et α m pour chacune des textures, mais aussi les paramètres des lois gaussiennes, c est à dire µ mk et Σ mk. Pour simplifier l apprentissage, on suppose que les matrices de covariance sont diagonales, c est à dire que les différentes composantes des descripteurs sont indépendants. Pour effectuer l apprentissage, on sélectionne des images contenant une seule texture. On segmente ces images par les algorithmes de segmentation non supervisée en K sous-classes, ce qui donne les paramètres du champ de Markov, ainsi que les moyennes et variances des densités. Un exemple d images d apprentissage utilisées : Images d apprentissage pour la forêt, l herbe et la route 4.5 Classification Pour améliorer le résultat, on initialise les valeurs du champ de Markov à l aide d une préclassification : à chaque pixel on associe la classe qui maximise la probabilité a priori que le pixel appartienne à cette classe, sans tenir compte des pixels voisins. Comme on connait les densités de probabilité de l observation pour chaque classe, c est facile à effectuer. On effectue ensuite une classification supervisée de l image, c est à dire en fixant les paramètres du champ de Markov et des densités gaussiennes à l aide des valeurs trouvées précédement. Cette classification supervisée peut par exemple se faire en utilisant l algorithme ICM (voir [3]). 12
13 Source : Régie de Gestion des Données du département 74, Annecy Image de la classification obtenue avec l algorithme ICM, pour 3 classes et 3 sous-classes par texture. Source : Régie de Gestion des Données du département 74, Annecy 13
14 Image de la classification obtenue avec l algorithme ICM, pour 3 classes et 3 sous-classes par texture. 4.6 Résultats Les images ci-dessus montrent les résultats que l on a obtenu en appliquant cette méthode sur 2 images contenant principalement des textures d herbe, de forêt et de route. On a utilisé comme vecteur de propriétés les couleurs du pixel dans le codage YUV, ainsi que la dimension fractale calculée à l aide de la méthode par comptage de boîtes, et lissée par le filtre décrit plus haut. Les textures étaient décomposées en 3 sous-classes au cours de l apprentissage, et c est l algorithme ICM (iterational conditional modes) qui a été utilisé pour la segmentation supervisée. On constate que la classification est globalement satisfaisante. Comme la dimension fractale est calculée sur une fenêtre de taille d environ une dizaine de pixels, les détails moins grands que cette largeur sont mals détectés. Par exemple certains chemins dans la deuxième image ne sont pas détectés correctement. Cependant, comme dans le cadre de ce projet on dispose des bases de données vectorielles des routes sur le département, ce n est pas essentiel. Les zones de forêt, d herbe et de route sont bien détectées, et les frontières sont suffisament précises. 14
15 4.7 Perspectives Certains facteurs ont posé des difficultés supplémentaires. Il est très difficile d obtenir des orthophotographies avec un soleil zénithal. En particulier, on peut observer des ombres dans les données utilisées. Le problème est alors de parvenir à reconnaitre que deux textures, l une dans l ombre et l autre éclairée, sont en fait les textures du même terrain. Certains facteurs, comme une mesure de contraste issue du modèle LIP pour le traitement des images [6], ont été rajoutés pour tenter de résoudre le problème, mais les résultats ne sont pas encore satisfaisants et ce problème reste donc ouvert. Une autre difficulté est liée à l apprentissage avec les paramètres liés à l altitude. Ces paramètres sont utiles, car par exemple on trouve plus facilement de la neige à haute altitude. Cependant certaines textures se retrouvent à des altitudes très diverses. Pour effectuer l apprentissage il est alors nécessaire d avoir des échantillons à toutes les altitudes, ce qui complique la création d une base d apprentissage. De nouvelles valeurs pourraient être rajoutées dans le vecteur de propriétés des pixels. Pour l instant on utilise des informations sur la couleur et la rugosité, des recherches futures pourraient porter sur d autres valeurs utiles pour distinguer les textures. Cependant les algorithmes utilisés supposent que les différentes composantes du vecteur de propriétés sont décorrelées, et il faut donc que les nouvelles valeurs soient au maximum indépendantes des précédentes. Par exemple dans l article de Premoze [2], les quatre premières propriétés étaient très fortement corrélées, ce qui faussait les résultats avec les algorithmes que nous utilisons. Enfin, il y a le problème du temps de calcul. Avec le programme actuel et sur un ordinateur récent, le processus de classification durait plusieurs heures pour une image de pixels. Il est alors difficile de traiter l ensemble des données, qui couvre l ensemble d un département, et il sera nécessaire de faire des optimisations. 5 Conclusion Ce stage m a permis de découvrir pendant 8 semaines le monde de la recherche. Le stage s est déroulé de la façon suivante : dans un premier temps j ai effectué un travail de bibliographie pour voir les différentes méthodes utilisées pour la segmentation d images et lesquelles étaient adaptées pour l objectif fixé. Ce travail m a également permis d assimiler le fonctionnement des champs de Markov et des algorithmes correspondants. J ai ensuite écrit le programme permettant de calculer le vecteur descripteur de l image en chaque pixel, puis experimenté pour déterminer les paramètres les plus adaptés pour la segmentation des images données. Au cours du stage nous nous sommes rendus à l INRIA de Grenoble plusieurs fois pour discuter du problème posé avec les chercheurs ayant développé le logiciel Nem6. 15
16 Pour conclure, je tiens à remercier mon encadrant pour son accueil et sa disponibilité. Références [1] B. B. Chaudhuri et Nirupam Sarkar : Texture Segmentation Using Fractal Dimension, IEEE Transactions on pattern analysis and machine intelligence, Vol 17, No. 1 Janvier 1995 [2] Simon Premoze, William B. Thompson et Peter Shirley : Geospecific Rendering of Alpine Terrain, 2001 [3] Nathalie Peyrard : Approximations de type champ moyen des modèles de champ de Markov pour la segmentation de données spatiales, Thèse, Université J. Fourier, octobre 2001 [4] J. Blanchet, F. Forbes, C. Schmid : Modèles markoviens pour l organisation spatiale de descripteurs d images, 2004 [5] R. Paget, I. D. Longstaff, and B. Lovell : Texture Classification Using Nonparametric Markov Random Fields, 13th international conference on digital signal processing, vol. 1, july 1998 [6] M. Jourlin, J. C. Pinoli : Logarithmic Image Processing : The mathematical and physical framework for the representation and processing of transmitted images, Advances in Imaging and Electron Physics, Vol 115,
MCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailFormats d images. 1 Introduction
Formats d images 1 Introduction Lorsque nous utilisons un ordinateur ou un smartphone l écran constitue un élément principal de l interaction avec la machine. Les images sont donc au cœur de l utilisation
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailNombre de marches Nombre de facons de les monter 3 3 11 144 4 5 12 233 5 8 13 377 6 13 14 610 7 21 15 987 8 34 16 1597 9 55 17 2584 10 89
Soit un escalier à n marches. On note u_n le nombre de façons de monter ces n marches. Par exemple d'après l'énoncé, u_3=3. Pour monter n marches, il faut d'abord monter la première. Soit on la monte seule,
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailQ6 : Comment calcule t-on l intensité sonore à partir du niveau d intensité?
EXERCICE 1 : QUESTION DE COURS Q1 : Qu est ce qu une onde progressive? Q2 : Qu est ce qu une onde mécanique? Q3 : Qu elle est la condition pour qu une onde soit diffractée? Q4 : Quelles sont les différentes
Plus en détailDétection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO
Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailAnalyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailIMAGES NUMÉRIQUES MATRICIELLES EN SCILAB
IMAGES NUMÉRIQUES MATRICIELLES EN SCILAB Ce document, écrit par des animateurs de l IREM de Besançon, a pour objectif de présenter quelques unes des fonctions du logiciel Scilab, celles qui sont spécifiques
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailLABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK
LABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK 5.1 Introduction Simulink est l'extension graphique de MATLAB permettant, d une part de représenter les fonctions mathématiques et les systèmes sous forme
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailFiltres passe-bas. On utilise les filtres passe-bas pour réduire l amplitude des composantes de fréquences supérieures à la celle de la coupure.
Filtres passe-bas Ce court document expose les principes des filtres passe-bas, leurs caractéristiques en fréquence et leurs principales topologies. Les éléments de contenu sont : Définition du filtre
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailFranck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER
Utilisation d images dérivées d un jeu de données LIDAR pour la détection automatisée de vestiges archéologiques (programme de recherche méthodologique LiDARCHEO) Franck VAUTIER, Jean-Pierre TOUMAZET,
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailChap17 - CORRECTİON DES EXERCİCES
Chap17 - CORRECTİON DES EXERCİCES n 3 p528 Le signal a est numérique : il n y a que deux valeurs possibles pour la tension. Le signal b n est pas numérique : il y a alternance entre des signaux divers
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détail