Mesure agnostique de la qualité des images.

Dimension: px
Commencer à balayer dès la page:

Download "Mesure agnostique de la qualité des images."

Transcription

1 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

2 Sommaire 1 Introduction C. Charrier NR-IQA 2 / 34

3 Sommaire Introduction Évaluation de la qualité des images Les SSN Travaux antérieurs 1 Introduction C. Charrier NR-IQA 3 / 34

4 Évaluation de la qualité des images Les SSN Travaux antérieurs Algorithmes d évaluation de la qualité 1 Algorithmes avec référence (FR-IQA) fonction de similarité 2 Algorithmes avec référence réduite (RR-IQA) Seules certaines mesures globales de défauts sont conservées 3 Algorithmes sans référence (NR-IQA) Difficulté de mise en œuvre C. Charrier NR-IQA 4 / 34

5 Algorithmes d évaluation de la qualité 1 Algorithmes avec référence (FR-IQA) fonction de similarité Évaluation de la qualité des images Les SSN Travaux antérieurs 2 Algorithmes avec référence réduite (RR-IQA) Seules certaines mesures globales de défauts sont conservées 3 Algorithmes sans référence (NR-IQA) Difficulté de mise en œuvre Points communs entre les méthodes d évaluation 1 et 2 Besoin d une image de référence Concept d image parfaite mesure de fidélité à l image de référence dégradation visible par un observateur humain C. Charrier NR-IQA 4 / 34

6 Évaluation de la qualité des images Les SSN Travaux antérieurs Algorithmes d évaluation de la qualité 1 Algorithmes avec référence (FR-IQA) fonction de similarité 2 Algorithmes avec référence réduite (RR-IQA) Seules certaines mesures globales de défauts sont conservées 3 Algorithmes sans référence (NR-IQA) Objectif Difficulté de mise en œuvre Obtenir la meilleure prédiction au regard des résultats du jugement humain ( = DMOS) C. Charrier NR-IQA 4 / 34

7 Évaluation de la qualité des images Les SSN Travaux antérieurs Algorithmes d évaluation de la qualité 1 Algorithmes avec référence (FR-IQA) fonction de similarité 2 Algorithmes avec référence réduite (RR-IQA) Seules certaines mesures globales de défauts sont conservées 3 Algorithmes sans référence (NR-IQA) Objectif Difficulté de mise en œuvre Obtenir la meilleure prédiction au regard des résultats du jugement humain ( = DMOS) C. Charrier NR-IQA 4 / 34

8 Évaluation de la qualité des images Les SSN Travaux antérieurs Algorithmes d évaluation de la qualité sans référence Peu de travaux Quasiment exclusivement spécifiques aux distorsions Dégradation JPEG2000 / ringing [H.R. Sheikh et al., 2005 ; Z.M. Parvez et al., 2008] Dégradation JPEG / bloc [Z. Wang et al., 2002 ; X. Zhu et al., 2009] Dégradation de flou [X. Zhu et al., 2009 ; R. Ferzli et al., 2007] Calcul du score Cumul des dégradations Approche basée NN [C. Li and al., 2011 ; Jung et al, 2002 ; Tsoy et al, 2007] C. Charrier NR-IQA 5 / 34

9 Évaluation de la qualité des images Les SSN Travaux antérieurs Schéma générique d une métrique de qualité sans référence Blocs Flou Bruit masquage interdégradation cumul spatial et/ou fréquentiel Score Image dégradée Contours Artefacts C. Charrier NR-IQA 6 / 34

10 Évaluation de la qualité des images Les SSN Travaux antérieurs Schéma générique d une métrique de qualité sans référence Blocs Flou Bruit masquage interdégradation cumul spatial et/ou fréquentiel Score Image dégradée Contours Artefacts Sommation E = ( de Minkowski m n e(m, n) β) 1/β C. Charrier NR-IQA 6 / 34

11 Évaluation de la qualité des images Les SSN Travaux antérieurs Hypothèses liées à la sommation de Minkowski 1 La qualité d une image ne dépend pas des relations spatiales entre les pixels. 2 La qualité d une image ne dépend pas des relations entre le signal d origine et le signal dégradé. 3 La qualité d une image dépend exclusivement de l amplitude du signal d erreur. 4 Tous les pixels de l image ont la même importance visuelle. C. Charrier NR-IQA 7 / 34

12 Évaluation de la qualité des images Les SSN Travaux antérieurs Hypothèses liées à la sommation de Minkowski 1 La qualité d une image ne dépend pas des relations spatiales entre les pixels. 2 La qualité d une image ne dépend pas des relations entre le signal d origine et le signal dégradé. 3 La qualité d une image dépend exclusivement de l amplitude du signal d erreur. 4 Tous les pixels de l image ont la même importance visuelle. C. Charrier NR-IQA 7 / 34

13 Évaluation de la qualité des images Les SSN Travaux antérieurs Limites sommation de Minkowski (hypothèse 2) Signal test1 Signal test Signal test2 Signal erreur Signal erreur Erreur de Minkowski C. Charrier NR-IQA 8 / 34

14 Évaluation de la qualité des images Les SSN Travaux antérieurs Principe des SSN Caractéristiques du SVH ont été façonnées par leur grande facilié d adaptation au monde environnant (nombre et type de photorécepteur de la rétine induit par le processus de sélection naturelle) Images originales évoluent dans un sous-espace d un vaste espace vectoriel regroupant toutes les images possibles, Toute déviation d un modéle SSN est interprété comme une dégradation de l image originale associée. C. Charrier NR-IQA 9 / 34

15 Introduction Évaluation de la qualité des images Les SSN Travaux antérieurs Les statistiques de scènes naturelles NON OUI C. Charrier NR-IQA 10 / 34

16 Introduction Évaluation de la qualité des images Les SSN Travaux antérieurs Les statistiques de scènes naturelles NON OUI Images du monde réel C. Charrier NR-IQA 10 / 34

17 Évaluation de la qualité des images Les SSN Travaux antérieurs Intérêt pratique Compression [Kretzmer, 1952] Restauration d images Indexation, classification Statistiques du premier ordre Très variable d une image à l autre Peu informative sur la structure des images C. Charrier NR-IQA 11 / 34

18 Évaluation de la qualité des images Les SSN Travaux antérieurs Statistiques du second ordre Corrélaltion Spectre de puissance Invariances à l échelle Spectre de puissance : loi en 1/f a, a 2 Anisotropie ; lien aux catégories perceptives C. Charrier NR-IQA 12 / 34

19 Évaluation de la qualité des images Les SSN Travaux antérieurs Statistiques globales C. Charrier NR-IQA 13 / 34

20 Évaluation de la qualité des images Les SSN Travaux antérieurs Statistiques locales spectres prototyptiques C. Charrier NR-IQA 14 / 34

21 Évaluation de la qualité des images Les SSN Travaux antérieurs BLIINDS v1.0 Modélisation de quatre facteurs de vision par des critères statistiques dans le domaine de la DCT Modélisation de la distribution de ce vecteur à quatre attributs pour prédire la qualité Validation de l utilisation des SSN dans le domaine de la DCT Motivation : définition d une métrique agnostique 1 Dériver un modèle généralisé des SSN utilisant les coefficients DCT locaux 2 Transformer ensuite les paramètres du modèle en caractéristiques permettant de prédire la qualité des images. C. Charrier NR-IQA 15 / 34

22 Sommaire Introduction Schéma Les attributs 1 Introduction C. Charrier NR-IQA 16 / 34

23 Schéma Les attributs G-BLIINDS2 : Un modèle SSN généralisé Image Décomposition DCT locale Modèle gaussien généralisé Extraction de caractéristiques Souséchantillonnage filtrage passe-bas Modèle probabiliste Décomposition sur 3 niveaux Score de qualité C. Charrier NR-IQA 17 / 34

24 Schéma Les attributs G-BLIINDS2 : Un modèle SSN généralisé Image Décomposition DCT locale Modèle gaussien généralisé Extraction de caractéristiques Souséchantillonnage filtrage passe-bas Modèle probabiliste P X (x) = C α,ν exp( νq(x)) α où C α,ν,α,ν : constantes de normalisation, d échelle et de forme Score de qualité C. Charrier NR-IQA 17 / 34

25 Schéma Les attributs G-BLIINDS2 : Un modèle SSN généralisé α, ζ, ρ, ξ Image Décomposition DCT locale Modèle gaussien généralisé Extraction de caractéristiques Souséchantillonnage filtrage passe-bas Modèle probabiliste P X (x) = C α,ν exp( νq(x)) α où C α,ν,α,ν : constantes de normalisation, d échelle et de forme Score de qualité C. Charrier NR-IQA 17 / 34

26 Schéma Les attributs Paramètre de variation fréquentielle α Critère de gaussianité des blocs DCT 5 5 C. Charrier NR-IQA 18 / 34

27 Schéma Les attributs Paramètre de variation fréquentielle ζ ζ = σ X / µ X centre de la distribution des amplitudes des coefficients DCT dispersion des amplitudes des coefficients DCT Processus de normalisation, interprétable par analogie avec le comportement physiologique des neurones C. Charrier NR-IQA 19 / 34

28 Schéma Les attributs Le ratio d énergie des sous-bandes ρ Le ratio d énergie ρ des sous-bandes est alors défini comme suit avec R n = σ2 n 1 Le ratio d énergie des sous-bandes ξ ρ = R 2 + R 3 2 n 1 j<n σ2 j σn 2+ 1 n 1 j<n σ2 j, n [2, 3] Calcul des paramètres de variation fréquentielle ζ 1, ζ 2, ζ 3 sur les trois orientations ξ = var(ζ 1, ζ 2, ζ 3 ) C. Charrier NR-IQA 20 / 34

29 Introduction Schéma Les attributs Cartes des distorsions obtenues paramètre α paramètre ρ paramètre ζ paramètre ξ C. Charrier NR-IQA 21 / 34

30 Sommaire Introduction Apparatus Comparaisons 1 Introduction C. Charrier NR-IQA 22 / 34

31 Apparatus Comparaisons Apparatus Bases d apprentissage LIVE : 15 images originales avec leurs versions dégradées Bases de test 1 LIVE (sauf la base d apprentissage) 2 TID2008 Modélisation de la distribution de (X i, DMOS i ) X i = [x 1,, x n], n = 12 Vérité terrain DMOS i Protocole de comparison SROCC comme mesure de performance 1 méthode sans référence 5 méthodes avec référence : MS-SSIM, VIF, NQM, VSNR, PSNR. C. Charrier NR-IQA 23 / 34

32 Apparatus Comparaisons Panel d images de référence de la base LIVE C. Charrier NR-IQA 24 / 34

33 Apparatus Comparaisons Mesure de corrélation de Spearman sur la base de test LIVE Métriques sans référence Dégradation G-BLIINDS2 BIQI 1 MS-SSIM VIF NQM VSNR PSNR JP2K JPEG Bruit blanc Flou gaussien Fast Fading Base entière A. K. Moorthy and A. C. Bovik, A Two-step Framework for Constructing Blind Image Quality Indices". IEEE Signal Processing Letters, pp , vol. 17, no. 5, May C. Charrier NR-IQA 25 / 34

34 Apparatus Comparaisons Mesure de corrélation de Spearman sur la base de test LIVE Métriques sans référence Dégradation G-BLIINDS2 BIQI 1 MS-SSIM VIF NQM VSNR PSNR JP2K JPEG Bruit blanc Flou gaussien Fast Fading Base entière A. K. Moorthy and A. C. Bovik, A Two-step Framework for Constructing Blind Image Quality Indices". IEEE Signal Processing Letters, pp , vol. 17, no. 5, May C. Charrier NR-IQA 25 / 34

35 Apparatus Comparaisons Mesure de corrélation de Spearman sur la base de test LIVE Métriques sans référence Métriques avec référence Dégradation G-BLIINDS2 BIQI 1 MS-SSIM VIF NQM VSNR PSNR JP2K JPEG Bruit blanc Flou gaussien Fast Fading Base entière A. K. Moorthy and A. C. Bovik, A Two-step Framework for Constructing Blind Image Quality Indices". IEEE Signal Processing Letters, pp , vol. 17, no. 5, May C. Charrier NR-IQA 25 / 34

36 Apparatus Comparaisons Mesure de corrélation de Spearman sur la base de test LIVE Métriques sans référence Métriques avec référence Dégradation G-BLIINDS2 BIQI 1 MS-SSIM VIF NQM VSNR PSNR JP2K JPEG Bruit blanc Flou gaussien Fast Fading Base entière A. K. Moorthy and A. C. Bovik, A Two-step Framework for Constructing Blind Image Quality Indices". IEEE Signal Processing Letters, pp , vol. 17, no. 5, May C. Charrier NR-IQA 25 / 34

37 Apparatus Comparaisons Mesure de corrélation de Spearman sur la base de test TID2008 Dégradation G-BLIINDS2 BIQI MS-SSIM VIF NQM VSNR PSNR Bruit gaussien Bruit couleur Bruit corrélé Bruit masqué Bruit haute freq Bruit impulsionnel Bruit quantification Flou gaussien Débruitage JPEG JPEG Transmission JPEG Transmission JPEG Bruit non eccentré Distorsions de bloc Décalage d intensité Chgt. contraste Base entière C. Charrier NR-IQA 26 / 34

38 Apparatus Comparaisons Mesure de corrélation de Spearman sur la base de test TID2008 Dégradation G-BLIINDS2 BIQI MS-SSIM VIF NQM VSNR PSNR Bruit gaussien Bruit couleur Bruit corrélé Bruit masqué Bruit haute freq Bruit impulsionnel Bruit quantification Flou gaussien Débruitage JPEG JPEG Transmission JPEG Transmission JPEG Bruit non eccentré Distorsions de bloc Décalage d intensité Chgt. contraste Base entière C. Charrier NR-IQA 26 / 34

39 Apparatus Comparaisons Mesure de corrélation de Spearman sur la base de test TID2008 Dégradation G-BLIINDS2 BIQI MS-SSIM VIF NQM VSNR PSNR Bruit gaussien Bruit couleur Bruit corrélé Bruit masqué Bruit haute freq Bruit impulsionnel Bruit quantification Flou gaussien Débruitage JPEG JPEG Transmission JPEG Transmission JPEG Bruit non eccentré Distorsions de bloc Décalage d intensité Chgt. contraste Base entière C. Charrier NR-IQA 26 / 34

40 Apparatus Comparaisons Mesure de corrélation de Spearman sur la base de test TID2008 Dégradation G-BLIINDS2 BIQI MS-SSIM VIF NQM VSNR PSNR Bruit gaussien Bruit couleur Bruit corrélé Bruit masqué Bruit haute freq Bruit impulsionnel Bruit quantification Flou gaussien Débruitage JPEG JPEG Transmission JPEG Transmission JPEG Bruit non eccentré Distorsions de bloc Décalage d intensité Chgt. contraste Base entière C. Charrier NR-IQA 26 / 34

41 Sommaire 1 Introduction C. Charrier NR-IQA 27 / 34

42 Qualité des données biométriques des empreintes Objectif : disposer d une méthode fiable de mesure de la qualité des empreintes. Image à noter C 1 C 2. C n score de qualité C. Charrier NR-IQA 28 / 34

43 Qualité des données biométriques des empreintes Objectif : disposer d une méthode fiable de mesure de la qualité des empreintes. Image à noter C 1 C 2. C n score de qualité Sélection des attributs C. Charrier NR-IQA 28 / 34

44 Qualité des données biométriques des empreintes Objectif : disposer d une méthode fiable de mesure de la qualité des empreintes. Image à noter C 1 C 2. C n Sélection des attributs score de qualité Indice de qualité Q = 1 A n i=1 α ic i C. Charrier NR-IQA 28 / 34

45 Sélection de 11 attributs G-BLIINDS2 Dix critères Quatre descripteurs SIFT Six descripteurs locaux sur des blocs de taille (statistiques d ordre 1, 2 et 5). Calcul des coefficients de pondération α i Q = 1 n α i C i A Optimisation par algorithme génétique i=1 génotype : vecteur à 11 individus {C i } 1 i 11 fonction d erreur : corrélation de Pearson avec les scores bozorth3 C. Charrier NR-IQA 29 / 34

46 Apparatus Introduction Utilisation de la base d empreinte FVC2002 DB3 (100 utilisateurs, 8 échantillons par utilisateur) Génération de distorsions par échantillon, soit images C. Charrier NR-IQA 30 / 34

47 Validation de l approche Comparaison avec NIST Fingerprint Image Quality (NFIQ). C. Charrier NR-IQA 31 / 34

48 Sommaire 1 Introduction C. Charrier NR-IQA 32 / 34

49 Utilisation des SSN dans le domaine de la DCT Extraction des caractéristiques d un modèle gaussien généralisé Calcul de la note finale par modèle probabiliste généralisé Questions ouvertes Extension au cas du maillage 3D Extension au domaine de la protection des images couleur (dimension colorimétrique), multispectrales, etc. C. Charrier NR-IQA 33 / 34

50 C. Charrier NR-IQA 34 / 34

Informatique visuelle - Vision par ordinateur. Pré-traitement d images

Informatique visuelle - Vision par ordinateur. Pré-traitement d images Informatique visuelle - Vision par ordinateur Pré-traitement d images Elise Arnaud elise.arnaud@imag.fr cours inspiré par X. Descombes, J. Ros, A. Boucher, A. Manzanera, E. Boyer, M Black, V. Gouet-Brunet

Plus en détail

Indice de qualité des images avec référence par apprentissage statistique

Indice de qualité des images avec référence par apprentissage statistique Indice de qualité des images avec référence par apprentissage statistique C. Charrier O. Lézoray G. Lebrun Universtié de Caen Basse-Normandie, GREYC UMR CNRS 6072 {christophe.charrier,olivier.lezoray,gilles.lebrun}@unicaen.fr

Plus en détail

L impact de deux strategies de compression dans le

L impact de deux strategies de compression dans le L impact de deux strategies de compression dans le problème stéréo Réunion scientifique, Imagerie stéréo et 3D GdR ISIS, 2011 G. Blanchet, A. Buades, B. Coll (Univ. Illes Balears), J.M. Morel, B. Rougé

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L 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 détail

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun des s Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun Sébastien Harasse thèse Cifre LIS INPG/Duhamel le 7 décembre 2006 1 Système de surveillance des s Enregistreur

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite): Paramétrisation Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale Paramétrisation Distances

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet 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 détail

Compression des images hyperspectrales et son impact sur la qualité des données

Compression des images hyperspectrales et son impact sur la qualité des données Hyperspectral QI Compression Flexibilité Conclusion Compression des images hyperspectrales et son impact sur la qualité des données Emmanuel CHRISTOPHE Corinne Mailhes, Co-directrice de thèse, TéSA/IRIT

Plus en détail

Filtrage et EDP. Philippe Montesinos. EMA/LGI2P - Site EERIE. Parc Scientifique G. Besse - 30035 Nîmes Cedex 1- France http://www.lgi2p.ema.

Filtrage et EDP. Philippe Montesinos. EMA/LGI2P - Site EERIE. Parc Scientifique G. Besse - 30035 Nîmes Cedex 1- France http://www.lgi2p.ema. Filtrage et EDP Philippe Montesinos EMA/LGI2P - Site EERIE Parc Scientifique G. Besse - 30035 Nîmes Cedex 1- France http://www.lgi2p.ema.fr 1 Plan 1. Rappels: - Les analyses multi-échelles. - Méthodes

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

Quantification Scalaire et Prédictive

Quantification 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 détail

Analyse d images. L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

Analyse d images. L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : Analyse d images 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

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes CNES Paris - 22/05/2003 Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes Michel DHOME LASMEA UMR 6602CNRS/UBP Clermont-Ferrand Etat de l art (communauté vision artificielle)

Plus en détail

Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias

Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias MÉMOIRE (INF6021) pour l obtention

Plus en détail

Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites

Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites Projet GIZ-CRTS Formation en Télédétection spatiale et SIG CRTS, 18-21 janvier 2016 Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites Abderrahman

Plus en détail

Indexation 3D à partir de vues 2D

Indexation 3D à partir de vues 2D Indexation 3D à partir de vues 2D Thibault Napoléon 1 Télécom ParisTech - TSI Qu est ce que l indexation 3D? Recherche dans une grande base de donnée 3D Recherche par le contenu (la forme, la couleur...)

Plus en détail

Compression d images. Frédéric Dufaux. 26 janvier 2011. Département Traitement du Signal et des Images TELECOM ParisTech. Compression. F.

Compression d images. Frédéric Dufaux. 26 janvier 2011. Département Traitement du Signal et des Images TELECOM ParisTech. Compression. F. d images Frédéric Dufaux Département Traitement du Signal et des Images TELECOM ParisTech 26 janvier 2011 1 / 91 Plan 1 sur la compression d images 2 Quantification 3 4 Codage par Transformée 5 2 / 91

Plus en détail

Approche hybride De la correction des erreurs à la sélection de variables

Approche hybride De la correction des erreurs à la sélection de variables Approche hybride De la correction des erreurs à la sélection de variables G.M. Saulnier 1, W. Castaing 2 1 Laboratoire EDYTEM (UMR 5204, CNRS, Université de Savoie) 2 TENEVIA (http://www.tenevia.com) Projet

Plus en détail

Systèmes de transmission

Systèmes de transmission Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un

Plus en détail

Quantification Vectorielle

Quantification Vectorielle Quantification Vectorielle Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 14 Décembre 2012 M. Cagnazzo Quantification Vectorielle 1/65 Plan Introduction 1 Introduction

Plus en détail

Echantillonnage Non uniforme

Echantillonnage 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 détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

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

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 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 détail

Traitement d images. Chapitre I Prétraitements

Traitement d images. Chapitre I Prétraitements Traitement d images Chapitre I Prétraitements 1 2 Introduction Les prétraitements d une image consiste à effectuer des opérations visant à : améliorer sa qualité visuelle restaurer l image en éliminant

Plus en détail

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

Modification des valeurs d une image

Modification des valeurs d une image Modification des valeurs d une image Pour l instant, nous avons vu surtout des transformations ponctuelles des pixels d une image Lire la valeur d un pixel la remplacer par une autre Il existe aussi des

Plus en détail

1 Séance de TP 1. 1.2 Pour commencer : Ouverture/Visualisation d images

1 Séance de TP 1. 1.2 Pour commencer : Ouverture/Visualisation d images Université Joseph Fourier UE Imagerie Numérique 1 Séance de TP 1 1.1 Introduction à ImageJ Au cours de ces TPs, nous allons utiliser le logiciel de traitement d images ImageJ. Il s agit d un logiciel «libre»

Plus en détail

Bases du traitement des images. Détection de contours

Bases du traitement des images. Détection de contours Détection de contours Dominique.Bereziat@lip6.fr Contributions: N. Thome, D. Béréziat, S. Dubuisson Octobre 2015 1 / 76 Introduction Rôle primordial de la détection de contours en vision 1 Réduction d

Plus en détail

TP 8 : ONDELETTES 2D, COMPRESSION ET DÉBRUITAGE D IMAGE

TP 8 : ONDELETTES 2D, COMPRESSION ET DÉBRUITAGE D IMAGE Traitement de l information et vision artificielle Ecole des Ponts ParisTech, 2 ème année Guillaume Obozinski guillaume.obozinski@imagine.enpc.fr TP 8 : ONDELETTES 2D, COMPRESSION ET DÉBRUITAGE D IMAGE

Plus en détail

Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test

Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test 11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif

Plus en détail

Bases de données multimédia VII Bag of words

Bases de données multimédia VII Bag of words Bases de données multimédia VII Bag of words ENSIMAG 2014-2015 Matthijs Douze & Karteek Alahari Video-Google! LA référence : Josef Sivic and Andrew Zisserman «Video Google: A Text Retrieval Approach to

Plus en détail

Maintien des personnes âgées à domicile

Maintien des personnes âgées à domicile Maintien des personnes âgées à domicile Enjeux scientifiques et technologiques liés à la vision par ordinateur Christian Wolf http://liris.cnrs.fr/christian.wolf Introduction Sommaire Les données et les

Plus en détail

DÉTECTION ET CONCILIATION D'ERREURS INTÉGRÉES DANS UN DÉCODEUR VIDÉO: UTILISATION DES TECHNIQUES D'ANALYSE STATISTIQUE

DÉTECTION ET CONCILIATION D'ERREURS INTÉGRÉES DANS UN DÉCODEUR VIDÉO: UTILISATION DES TECHNIQUES D'ANALYSE STATISTIQUE THÈSE Pour obtenir le grade de DOCTEUR DE L UNIVERSITÉ DE GRENOBLE Spécialité : NANO ELECTRONIQUE ET NANO TECHNOLOGIES Arrêté ministériel : 7 août 2006 Présentée par «Brice EKOBO AKOA» Thèse dirigée par

Plus en détail

Restauration multi- images et 3D sans artefacts: Optimisation sous contraintes locales et apprentissage statistique

Restauration multi- images et 3D sans artefacts: Optimisation sous contraintes locales et apprentissage statistique Restauration multi- images et 3D sans artefacts: Optimisation sous contraintes locales et apprentissage statistique Proposition de Sujet de Thèse Andrés Almansa Telecom ParisTech Introduction Les images

Plus en détail

Vérification du bâti à partir de la disparité de points de contour

Vérification du bâti à partir de la disparité de points de contour Vérification du bâti à partir de la disparité de points de contour Charles Beumier Signal and Image Centre (Prof. Marc Acheroy) Ecole royale militaire Bruxelles, Belgique 8 Jan 29, Paris-Tech 1 Vérification

Plus en détail

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES Bertrand GOTTIN Directeurs de thèse: Cornel IOANA et Jocelyn CHANUSSOT 03 Septembre 2010 Problématique liée aux Transitoires

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

Compression des images médicales 3D par les ondelettes et la quantification vectorielle algébrique

Compression des images médicales 3D par les ondelettes et la quantification vectorielle algébrique Compression des images médicales 3D par les ondelettes et la quantification vectorielle algébrique Ouddane Samira 1, Benamrane Nacéra 1 1 Université des Sciences et de Technologie d Oran, Mohamed Boudiaf,

Plus en détail

Reconnaissance 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 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 détail

Etat de l art sur l acquisition de données 3D par photogrammétrie

Etat de l art sur l acquisition de données 3D par photogrammétrie 1/24 Etat de l art sur l acquisition de données 3D par photogrammétrie Gilles Rabatel UMR ITAP IRSTEA Montpellier Pour mieux affirmer ses missions, le Cemagref devient Irstea www.irstea.fr La 3D en Agriculture

Plus en détail

Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur

Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur 18/12/2003 p.1/50 Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur Julien DOMBRE Laboratoire IRCOM-SIC, UMR-CNRS 6615. En partenariat avec le

Plus en détail

Propriétés des images numériques Contraintes sur l interprétation

Propriétés des images numériques Contraintes sur l interprétation Propriétés des images numériques Contraintes sur l interprétation M.LOUYS, Traitement d images et problèmes inverses Master Astrophysique, Observatoire de Strasbourg, 2013 Propriétés générales d une image

Plus en détail

Analyse d images introduction

Analyse d images introduction L3, option Image Analyse d images introduction http ://perception.inrialpes.fr/people/boyer/teaching/l3/ Elise Arnaud - Edmond Boyer Université Joseph Fourier / INRIA Rhône-Alpes elise.arnaud@inrialpes.fr

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude 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 détail

PROJET. Département Image et Automatique. O. Déforges H. Guéguen

PROJET. Département Image et Automatique. O. Déforges H. Guéguen PROJET Département Image et Automatique O. Déforges H. Guéguen 1 Organisation du Département Image Automatique (O. Déforges H. Guéguen) (E5) Image (O. Déforges) (E6) Automatique des Systèmes Hybrides (H.

Plus en détail

Introduction au Data-Mining

Introduction 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 détail

L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique. Gonzalo Joya. Dpto. Tecnología Electrónica

L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique. Gonzalo Joya. Dpto. Tecnología Electrónica L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique Gonzalo Joya ETSI Telecomucicación 29017 Málaga joya@dte.uma.es París, le 21 fevrier 2003 Plan 1. Estimation

Plus en détail

Champ de Markov couple pour la segmentation d images texturées

Champ de Markov couple pour la segmentation d images texturées Champ de Markov couple pour la segmentation d images texturées Juliette Blanchet INRIA Rhône-Alpes Equipes Mistis et Lear 1 Segmention d images par champ de Markov caché 2 Segmentation de textures 3 Résultats

Plus en détail

Détecteurs et descripteurs

Détecteurs et descripteurs Détecteurs et descripteurs GIF-4105/7105 Photographie Algorithmique Jean-François Lalonde Merci à D. Hoiem et A. Efros pour les slides Comment aligner deux images? Déterminer une transformation globale

Plus en détail

Fondements et étapes du processus de recherche, 3 e édition

Fondements et étapes du processus de recherche, 3 e édition Fondements et étapes du processus de recherche, 3 e édition Nouveauté Méthodes quantitatives et qualitatives Prix : 81,95 $ Auteurs : Marie-Fabienne Fortin, Johanne Gagnon ISBN13 : 9782765050063 Nombre

Plus en détail

ThémaMap : un outil de cartographie thématique

ThémaMap : un outil de cartographie thématique ThémaMap : un outil de cartographie thématique Un exemple de mise en œuvre sur les pêches artisanales péruviennes. G. Domalain, C. Rodriguez (IRD-UMR EME-Sète) J. Madelaine, J. Chauveau GREYC - CNRS UMR

Plus en détail

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier

Dan 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 détail

Évaluation de la classification et segmentation d'images en environnement incertain

Évaluation de la classification et segmentation d'images en environnement incertain Évaluation de la classification et segmentation d'images en environnement incertain EXTRACTION ET EXPLOITATION DE L INFORMATION EN ENVIRONNEMENTS INCERTAINS / E3I2 EA3876 2, rue F. Verny 29806 Brest cedex

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

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 détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 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 détail

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification 1/54 Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification Étienne Baudrier CReSTIC vendredi 9 décembre 2005 2/54 Contexte programme national de

Plus en détail

Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements

Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements Détection de contours Nicolas Thome 19 octobre 2009 1 / 61 Introduction Rôle primordial de la détection de contours en vision 1 Réduction d'information Information de toute l'image résumée dans le contours

Plus en détail

Radio cognitive et Réception à complexité adaptative

Radio cognitive et Réception à complexité adaptative Radio cognitive et Réception à complexité adaptative Journées Scientifiques du CNFRS 28/03/2006 Nicolas Colson France Telecom R&D Plan de la présentation La radio Cognitive Objectifs et étude de cas Simulation

Plus en détail

Méthodes de caractérisation avancée pour l évaluation de la fiabilité des filières GaN

Méthodes de caractérisation avancée pour l évaluation de la fiabilité des filières GaN Méthodes de caractérisation avancée pour l évaluation de la fiabilité des filières GaN Le salon des radiofréquences, des hyperfréquences, du wireless, de la CEM et de la Fibre Optique CNIT - Paris La Défense

Plus en détail

Cours brique ISAT Filtrage et extraction de caractéristiques sur les images RSO Florence Tupin Année 2005-2006

Cours brique ISAT Filtrage et extraction de caractéristiques sur les images RSO Florence Tupin Année 2005-2006 Cours brique ISAT Filtrage et extraction de caractéristiques sur les images RSO Florence Tupin Année 2005-2006 1 Plan Filtrage des images radar Rappels sur les statistiques Maximisation a posteriori Minimisation

Plus en détail

L imagerie vue par un mathématicien

L imagerie vue par un mathématicien L imagerie vue par un mathématicien Li-Thiao-Té Sébastien LAGA UMR 7539, Université Paris 13 Plan Généralités Images Modèles Qu est-ce qu une image? des coordonnées spatiales des mesures pour chaque position

Plus en détail

Plan. 1. Généralités. 2. Types d Images. 3. Numérisation. 4. Couleurs. 5. Introduction au traitement d Images. 6. Dégradations d une image

Plan. 1. Généralités. 2. Types d Images. 3. Numérisation. 4. Couleurs. 5. Introduction au traitement d Images. 6. Dégradations d une image Plan Licence Pro 1. Généralités 2. Types d Images 3. Numérisation Bases de traitement d images 4. Couleurs Alain Dieterlen 5. Introduction au traitement d Images 6. Dégradations d une image Groupe LAB.EL,

Plus en détail

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES Table des matières Avant propos Chapitre I NOTIONS SUR LES SYSTEMES 1. Systèmes linéaires 1 2. Systèmes stationnaires 1 3. Systèmes continus 2 4. Systèmes linéaires invariants dans le temps (LIT) 2 4.1

Plus en détail

DIIC - INC, 3 e année. Module COMV TP 1 - Introduction au codage d image : manipulation des outils

DIIC - INC, 3 e année. Module COMV TP 1 - Introduction au codage d image : manipulation des outils DIIC - INC, 3 e année Module COMV TP 1 - Introduction au codage d image : manipulation des outils Gaël Sourimant, Luce Morin 18 octobre 2006 1 Introduction Le but de ce TP est d observer et de comparer

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

Développement de techniques de marquage d authentification pour la protection de données multimédias

Développement de techniques de marquage d authentification pour la protection de données multimédias Université du Québec en Outaouais Département d informatique et d ingénierie Développement de techniques de marquage d authentification pour la protection de données multimédias MÉMOIRE pour obtention

Plus en détail

Cartographie 3D d intérieur et d extérieur

Cartographie 3D d intérieur et d extérieur Cartographie 3D d intérieur et d extérieur Séminaire MINES ParisTech PSA Peugeot Citroën Maillages et modèles 3D Pascal LEFEBVRE-ALBARET TECHNODIGIT Version Date: 24.08.13 Sommaire 01 02 03 04 05 L entreprise

Plus en détail

Analyse et modélisation de visages

Analyse et modélisation de visages Analyse et modélisation de visages Pascal Bourdon Laboratoire XLIM-SIC (UMR CNRS 7252) / Université de Poitiers pascal.bourdon@univ-poitiers.fr Analyse et modélisation de visages Plan Introduction Outils

Plus en détail

Livrable 2.1 Rapport d analyse et de restructuration de code monothread des modules P, T, Q et F de l encodage MPEG-4 AVC

Livrable 2.1 Rapport d analyse et de restructuration de code monothread des modules P, T, Q et F de l encodage MPEG-4 AVC Groupe des Ecoles des Télécommunications Institut National des Télécommunications Département ARTEMIS Advanced Research & TEchniques for Multidimensional Imaging Systems Livrable 2.1 Rapport d analyse

Plus en détail

PSF et traitement de déconvolution sur les images 3D

PSF et traitement de déconvolution sur les images 3D PSF et traitement de déconvolution sur les images 3D Acquisition d une image 3D De l objet à l image visible L acquisition Émission de Fluorescence Z hv 2 hv 1 hv 2 Y X hv 2 Fluorescence dans un corps

Plus en détail

Soutenance de Thèse. Analyses statistiques des communications sur puce

Soutenance de Thèse. Analyses statistiques des communications sur puce Soutenance de Thèse Analyses statistiques des communications sur puce Antoine Scherrer LIP - ENS Lyon Equipe Compsys 11 décembre 26 A. Scherrer - Analyses statistiques des communications sur puce 1 / 4

Plus en détail

Plan d études. Traitement visuel 2D. Techniques d intégration multimédia 582-105-HU. http://pedago.cegepoutaouais.qc.ca/media/ma legault/2d/ 1-2-2

Plan d études. Traitement visuel 2D. Techniques d intégration multimédia 582-105-HU. http://pedago.cegepoutaouais.qc.ca/media/ma legault/2d/ 1-2-2 Plan d études Techniques d intégration multimédia Traitement visuel 2D 582-105-HU 1-2-2 Enseignant : Mathieu Legault Courriel : malegault@cegepoutaouais.qc.ca Téléphone : 770-4012 # 2480 Bureau : 2.535

Plus en détail

Thèse de Doctorat de l Université de Nantes. Alexandre NINASSI

Thèse de Doctorat de l Université de Nantes. Alexandre NINASSI UNIVERSITÉ DE NANTES ÉCOLE DOCTORALE «SCIENCES ET TECHNOLOGIES DE L INFORMATION ET DE MATHEMATIQUES» Année : 2009 Thèse de Doctorat de l Université de Nantes Spécialité : TRAITEMENT DU SIGNAL ET INFORMATIQUE

Plus en détail

PLAN Analyse d images Morphologie et Segmentation

PLAN Analyse d images Morphologie et Segmentation PLAN Analyse d images et Segmentation L.Chen, J.Y.Auloge. INTRODUCTION. DEFINITIONS 3. VISION HUMAINE ET SYSTEMES DE COULEURS 4. ECHANTILLONNAGE ET QUANTIFICATION. TRANSFORMATIONS D IMAGES 6. AMELIORATION

Plus en détail

PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES

PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES Nathalie GORRETTA MONTEIRO 1 1 UMR Information et Technologies pour les Agro-Procédés, Cemagref Montpellier, France Présentée le 25 Février

Plus en détail

Étude de l usage de la couleur dans l apprentissage des SIG en Géosciences : le cas de la cartographie d aptitude.

Étude de l usage de la couleur dans l apprentissage des SIG en Géosciences : le cas de la cartographie d aptitude. Rencontre «Enseigner la sémiologie» La sémiologie : usages et renouveau Étude de l usage de la couleur dans l apprentissage des SIG en Géosciences : le cas de la cartographie d aptitude. Raffaella Balzarini,

Plus en détail

Traitement d images. Quelques applications. Vision humaine. Qu est-ce qu une image? Introduction

Traitement d images. Quelques applications. Vision humaine. Qu est-ce qu une image? Introduction Traitement Introduction Plan Introduction et prise en main J Transformations d histogramme Transformations géométriques Convolution Détection de contour Bibliographie Cours de traitement Elise Arnaud -

Plus en détail

INTRODUCTION AU DATA MINING. Cina MOTAMED

INTRODUCTION AU DATA MINING. Cina MOTAMED INTRODUCTION AU DATA MINING Cina MOTAMED 2 Data Mining : contexte Âge numérique : explosion des volumes de données Transactions commerciales Opérations bancaires Navigation Internet Indicateurs démographiques

Plus en détail

Introduction à l analyse statistique et bioinformatique des puces à ADN

Introduction à l analyse statistique et bioinformatique des puces à ADN Formation INSERM 10 février 2004 Introduction à l analyse statistique et bioinformatique des puces à ADN Gaëlle Lelandais lelandais@biologie.ens.fr 1 Première Partie Analyse d une puce à ADN : Le recherche

Plus en détail

Cours de Statistiques

Cours de Statistiques Cours de Statistiques Romain Raveaux 1 1 Laboratoire L3I Université de La Rochelle romain.raveaux01 at univ-lr.fr Octobre 24-11, 2008 1 / 35 Sommaire 1 Quelques Rappels 2 numériques Relations entre deux

Plus en détail

Ondelettes et compression d images

Ondelettes et compression d images Ondelettes et compression d images Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 30 Octobre 2012 M. Cagnazzo Ondelettes 1/96 Plan Introduction 1 Introduction 2 Bancs de

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

Recherche mul*média et indexa*on séman*que

Recherche mul*média et indexa*on séman*que Recherche mul*média et indexa*on séman*que Stephane Ayache ESIL MIRA 3 ème année Objec*fs du cours Mise en œuvre d un moteur de recherche MM Stockage Organisa*on des indexes en BD Métadonnées Algorithmes

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1 Modélisation stochastique des données à partir d essais sur matériaux Pr. Denys Breysse Université Bordeaux 1 Hasard cause fictive de ce qui arrive sans raison apparente ou explicable (Petit Robert). Ce

Plus en détail

D.I.I.C. 3 - INC Module COMV - Contrôle 1

D.I.I.C. 3 - INC Module COMV - Contrôle 1 Université de Rennes 1 année 2009-2010 I.F.S.I.C. 11 Décembre 2009 D.I.I.C. 3 - INC Module COMV - Contrôle 1 cours d Olivier LE MEUR Durée : 2 heures Documents autorisés : documents des cours, TD et TP,

Plus en détail

TATOUAGE D IMAGES PAR MODIFICATION DU CODE FRACTAL

TATOUAGE D IMAGES PAR MODIFICATION DU CODE FRACTAL TATOUAGE D IMAGES PAR MODIFICATION DU CODE FRACTAL Patrick Bas, Jean-Marc Chassery, Franck Davoine Laboratoire TIMC-IMAG, Institut Albert Bonniot, 38706 LA TRONCHE Cedex France, e-mail: Patrick.Bas, Jean-Marc.Chassery

Plus en détail

Géométrie discrète Chapitre V

Géométrie 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 détail

Potentiel of muti-source data for forest variable retrieval

Potentiel of muti-source data for forest variable retrieval FORESEE Workshop - Forestry applications of remote sensing technologies 8-10 October 2014 - INRA Champenoux - France Potentiel of muti-source data for forest variable retrieval N. Chehata (1), D. Guyon(2)

Plus en détail

MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE FERHAT ABBAS SETIF 1 UFAS (ALGERIE) MEMOIRE

MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE FERHAT ABBAS SETIF 1 UFAS (ALGERIE) MEMOIRE MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE FERHAT ABBAS SETIF 1 UFAS (ALGERIE) MEMOIRE Présenté à la Faculté de Technologie Département d Électronique Pour l obtention

Plus en détail

Multimédia et Signaux Numériques : Image

Multimédia et Signaux Numériques : Image Multimédia et Signaux Numériques : Image Plan des cours «images et multimédia» 1 Images et représentations 2 Images, capteurs, Fourier, TCD 3 Compression d images : JPEG 4 Filtrage numérique des images

Plus en détail

Détection 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 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 détail

Compression d images et de vidéo: pourquoi, comment? Aline ROUMY Chercheur, INRIA Rennes

Compression d images et de vidéo: pourquoi, comment? Aline ROUMY Chercheur, INRIA Rennes Compression d images et de vidéo: pourquoi, comment? Aline ROUMY Chercheur, INRIA Rennes Octobre 2014 SOMMAIRE 1. Pourquoi compresser une vidéo? 2. Comment compresser? 3. Compression avec pertes 4. Compression

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c

Plus en détail