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

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

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

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

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

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

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

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

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

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

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

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

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

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 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

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

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

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

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

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

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

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

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

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

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

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

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

Débruitage perceptuel de la parole

Débruitage perceptuel de la parole Débruitage perceptuel de la parole Amehraye Asmaa Département Signal et Communications Encadrants: Dominique Pastor Ahmed Tamtaoui Directeurs de thèse: Samir Saoudi Driss Aboutajdine Plan Objectifs et

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

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

Bases du traitement des images. Transformée de Fourier

Bases du traitement des images. Transformée de Fourier Transformée de Fourier Nicolas Thome 29 septembre 2015 1 / 60 Contexte et objectif Transformée de Fourier Transformée de Fourier (TF) : outil fondamental en traitement d images Concept abordé durant les

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

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

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

Codage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur

Codage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de

Plus en détail

EMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006

EMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006 EMETTEUR ULB Architectures & circuits David MARCHALAND STMicroelectronics 26/10/2006 Ecole ULB GDRO ESISAR - Valence 23-27/10/2006 Introduction Emergence des applications de type LR-WPAN : Dispositif communicant

Plus en détail

Quelques points de traitement du signal

Quelques points de traitement du signal Quelques points de traitement du signal Introduction: de la mesure au traitement Source(s) BRUIT BRUIT Système d acquisition Amplitude (Pa) Temps (s) Amplitude (Pa) Mesure Opérations mathématiques appliquées

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

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

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

Calculatrice vocale basée sur les SVM

Calculatrice vocale basée sur les SVM Calculatrice vocale basée sur les SVM Zaïz Fouzi *, Djeffal Abdelhamid *, Babahenini MohamedChaouki*, Taleb Ahmed Abdelmalik**, * Laboratoire LESIA, Département d Informatique, Université Mohamed Kheider

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

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

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

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

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

TERI : Traitement et reconnaissance d'images

TERI : Traitement et reconnaissance d'images TERI : Traitement et reconnaissance d'images Cours Master 2 IAD Isabelle Bloch - ENST / Département Signal & Images Florence Tupin - ENST / Département Signal & Images Antoine Manzanera ENSTA / Unité d'électronique

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

PROSPECTION SUR LES PROCHE INFRAROUGE. Gilles Gachet. Groupe de travail :

PROSPECTION SUR LES PROCHE INFRAROUGE. Gilles Gachet. Groupe de travail : PROSPECTION SUR LES IMAGES NUMERIQUES PROCHE INFRAROUGE Gilles Gachet Groupe de travail : Orane Reuland (GE) Marc Riedo (NE) Vincent Grandgirard (FR) Raphaël Bovier (Swisstopo) Davis Giorgis (VD) Plan

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

Contributions à la maîtrise statistique des processus industriels multivariés

Contributions à la maîtrise statistique des processus industriels multivariés UNIVERSITE d ANGERS Contributions à la maîtrise statistique des processus industriels multivariés Soutenue par: Teodor TIPLICA Directeur de thèse: Mr. Alain BARREAU Co-encadrant de thèse: Mr. Abdessamad

Plus en détail

Optimisation 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 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 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

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

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

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

Information. BASES LITTERAIRES Etre capable de répondre à une question du type «la valeur trouvée respecte t-elle le cahier des charges?

Information. BASES LITTERAIRES Etre capable de répondre à une question du type «la valeur trouvée respecte t-elle le cahier des charges? Compétences générales Avoir des piles neuves, ou récentes dans sa machine à calculer. Etre capable de retrouver instantanément une info dans sa machine. Prendre une bouteille d eau. Prendre CNI + convocation.

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

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

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

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

Cours de Traitement de l Image Licence 3

Cours de Traitement de l Image Licence 3 Cours de Traitement de l Image Licence 3 Jean-Luc Baril Université de Bourgogne - Dépt IEM Laboratoire LE2I - http://vision.u-bourgogne.fr barjl@u-bourgogne.fr http://www.u-bourgogne.fr/jl.baril Lena :

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

Traitement du signal pour la reconnaissance vocale. Cours 5: Traitement du signal et reconnaissance de forme

Traitement du signal pour la reconnaissance vocale. Cours 5: Traitement du signal et reconnaissance de forme Traitement du signal pour la reconnaissance vocale Cours 5: Traitement du signal et reconnaissance de forme Chaîne de Reconnaissance vocale Acquisition microphone Numérisation du signal Pré-traitement

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

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

Chaînes de Markov Cachées Floues et Segmentation d Images

Chaînes de Markov Cachées Floues et Segmentation d Images Introduction Chaînes de Markov Cachées Floues et Segmentation d Images Cyril Carincotte et Stéphane Derrode Équipe GSM Groupe Signaux Multi-dimensionnels Institut Fresnel (UMR 6133) EGIM Université Paul

Plus en détail

Lissage et filtrage linéaire

Lissage et filtrage linéaire Lissage et filtrage linéaire TP de traitement d images :MMIS A Un système d enregistrement d image ne restitue pas l image de manière parfaite : des informations parasites apparaissent et viennent s ajouter

Plus en détail

Bases du traitement des images. Transformée de Fourier Avancée - Numérisation

Bases du traitement des images. Transformée de Fourier Avancée - Numérisation Transformée de Fourier Avancée - Numérisation Nicolas Thome 6 octobre 2015 1 / 87 Outline 1 Numérisation Fenetrage Échantillonnage Quantification 2 2 / 87 Principe Du continu au discret Un signal continu

Plus en détail

Vision par Ordinateur

Vision par Ordinateur Vision par Ordinateur James L. Crowley DEA IVR Premier Bimestre 2005/2006 Séance 6 23 novembre 2005 Détection et Description de Contraste Plan de la Séance : Description de Contraste...2 Le Détecteur de

Plus en détail

TECHNOLOGIE DE L OPTIQUE GUIDEE

TECHNOLOGIE DE L OPTIQUE GUIDEE REPUBLIQUE DU CAMEROUN Paix - Travail Patrie --------------------- UNIVERSITE DE YAOUNDE I ---------------------- ECOLE NATIONALE SUPERIEURE POLYTECHNIQUE ---------------------- REPUBLIC OF CAMEROUN Peace

Plus en détail

Chapitre III : Détection de contours

Chapitre III : Détection de contours Chapitre III : Détection de contours La détection de contour et la segmentation des images sont probablement les domaines qui ont reçu la plus grande attention de la part de la communauté de traitement

Plus en détail

ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE

ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE Fatou DIOUF * - Sébastien LALLECHERE* - Françoise PALADIAN * - Marco KLINGLER***- Michel FOGLI ** (*) LASMEA,

Plus en détail

TI Traitement d'images Semaine 12 : Compression d'images Olivier Losson

TI Traitement d'images Semaine 12 : Compression d'images Olivier Losson TI Traitement d'images Semaine : Compression d'images Olivier Losson Master Informatique : http://www.fil.univ-lille.fr Spécialité IVI : http://master-ivi.univ-lille.fr Plan du cours Généralités sur la

Plus en détail

Chapitre 2 : communications numériques.

Chapitre 2 : communications numériques. Chapitre 2 : communications numériques. 1) généralités sur les communications numériques. A) production d'un signal numérique : transformation d'un signal analogique en une suite d'éléments binaires notés

Plus en détail

Introduction au datamining

Introduction 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 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

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

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

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

IMAGES ET VIDEOS COMPRESSION ET FORMATS EXAMEN

IMAGES ET VIDEOS COMPRESSION ET FORMATS EXAMEN Images et Vidéos : Compression et Formats, 12/13. 1 Sujet 1 Filière ICN 212/213 IMAGES ET VIDEOS COMPRESSION ET FORMATS EXAMEN Sans document Toute manifestation d'un équipement électronique entraîne 2

Plus en détail

MIXMOD. Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD. F. Langrognet () MIXMOD Avril 2012 1 / 28

MIXMOD. Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD. F. Langrognet () MIXMOD Avril 2012 1 / 28 MIXMOD Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD F. Langrognet () MIXMOD Avril 2012 1 / 28 PLAN 1 La classification des données 2 MIXMOD, ensemble logiciel de classification

Plus en détail

Réseaux Multimédia 2002 Damien Magoni

Réseaux Multimédia 2002 Damien Magoni Réseaux Multimédia 2002 Damien Magoni Toutes les illustrations 2001 Pearson Education Limited Fred Halsall Contenu Représentation des informations multimédia Numérisation Structure d un encodeur Structure

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

Bandelettes pour la compression d images

Bandelettes pour la compression d images Chapitre 3 Bandelettes pour la compression d images Dans ce chapitre, nous appliquons l algorithme de transformée en bandelettes décrite au chapitre 2.3 à la compression d images. Cependant, pour mieux

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

F4B202 Analyse de texture

F4B202 Analyse de texture F4B202 Analyse de texture Ronan Fablet Département Signal & Communications Tél : 02 29 00 12 87 Fax : 02 29 00 10 12 courriel : ronan.fablet@telecom-bretagne.eu Web : perso.enst-bretagne.eu/ronanfablet

Plus en détail

Quatrième Conférence sur le Génie Electrique, le 03-04 Novembre2010, Université de Bechar, Algérie

Quatrième Conférence sur le Génie Electrique, le 03-04 Novembre2010, Université de Bechar, Algérie EVALUATION DES PERFORMANCES DES CODEURS D IMAGES DANS UN CANAL SANS FIL A. Moulay lakhdar 1, Mohammed Beladgham 1, Nasreddine Taleb 2, R. Méliani 2, M. Kandouci 2 1 Université de bechar, rue Kenadza. Béchar

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

Patrice Pajusco Division R&D

Patrice Pajusco Division R&D Patrice Pajusco Division R&D 24 octobre 2006 1 2 3 4 Techniques de caractérisation Résultats expérimentaux Paramètres d'analyse statistique Modélisation statistique 1 1 Données indispensables aux modèles

Plus en détail

Traitement Numérique de l Image

Traitement Numérique de l Image ESIAL 2A TRS - SIE Traitement Numérique de l Image Numérisation - Mémorisation (MdC 6ème Section) Centre de Recherche en Automatique de Nancy -UMR CNRS 7039- Équipe : SYstèMes de Production Ambiants E.R.T.

Plus en détail

Interception des signaux issus de communications MIMO

Interception des signaux issus de communications MIMO Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus

Plus en détail

Apprentissage Automatique

Apprentissage 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 détail

Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris

Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris Valérian Némesin, Stéphane Derrode, Institut Fresnel (UMR 7249) Ecole Centrale Marseille, Vidéo de l oeil 2 Sommaire 1.

Plus en détail

COMMUNICATIONS NUMERIQUES INTRA VEHICULE : CARACTERISATION DES BRUITS ET DES INTERFERENCES

COMMUNICATIONS NUMERIQUES INTRA VEHICULE : CARACTERISATION DES BRUITS ET DES INTERFERENCES COMMUNICATIONS NUMERIQUES INTRA VEHICULE : CARACTERISATION DES BRUITS ET DES INTERFERENCES Virginie DEGARDIN*, Marc HEDDEBAUT**, Martine LIENARD*, Virginie DENIAU** et Pierre DEGAUQUE* (*): Université

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

Recherche 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 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 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

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