Proposition d un model hiérarchique et coopératif agent pour la segmentation d image

Dimension: px
Commencer à balayer dès la page:

Download "Proposition d un model hiérarchique et coopératif agent pour la segmentation d image"

Transcription

1 Proposition d un model hiérarchique et coopératif agent pour la segmentation d image Mansouri Ziad 1, Hayet Farida Merouani 1, 1 Département d informatique Laboratoire LRI/Equipe SRF Université Badji Mokhtar Annaba Algérie Mansouri Ziad, Hayet Farida Merouani, Résumé: Une nouvelle approche hybride de segmentation d images couleurs ou en niveau de gris est proposée dans ce travail. C est une approche hiérarchique et adaptative basée sur une coopération région-contour. La segmentation procède par l élaboration d un ensemble de régions et de contours initiaux qui vont être améliorés mutuellement et hiérarchiquement dans un environnement multi-agents offrant une vision à la fois globale et locale au processus de segmentation. Mots clés: segmentation, coopération région-contour, Color Structure Code, traitement d image. 1 Introduction La segmentation d images est une étape cruciale dans tout processus d analyse d image. Elle consiste à préparer l image afin de la rendre mieux exploitable par un processus automatique telle que l interprétation. L approche de segmentation par contour consiste à localiser les frontières des objets, et qui opère d une manière purement locale, complique donc la délimitation et la précision de ces objets. Les approches de segmentation par région quant à elles agissent en partitionnant l image en un ensemble de régions où chaque une désigne un ou plusieurs objets connexes, mais ils ont tendance à déformer les frontières naturelles des objets. Dans la pratique les meilleurs résultats de segmentation sont obtenus en combinant conjointement des méthodes distinctes. En faisant cela nous obtenons des approches hybrides plus solides et plus efficaces, car la limite d une méthode peut être surpassée par une autre, ou bien sa force peut être renforcée. Dans ce travail, on propose un système de segmentation qui offre une coopération région-contours au sein d un système multi agent. Notre objectif est de concevoir un système qui engendrera des résultats de bonne qualité pour la segmentation d images couleurs et en niveau de gris tout en ayant un temps d exécution acceptable. Notre approche de segmentation requiert l utilisation d une topologie hexagonale spéciale pour coder l image afin que nous puissions utiliser l algorithme de

2 segmentation région CSC qui sera présentée en 2. Le principe de cette segmentation est donné en section 3, en précisant le seuil adaptatif, la coopération contour-contour en 3.2, la coopération région-contour en 3.3 et la correction des régions en 3.4. La plate forme d agents est donnée en section 4. Quelques précisions concernant l implémentation sont données en section 5, on termine cet article par une conclusion et discussion. 2 Segmentation par Color Structure Code CSC est une méthode de segmentation par région, introduit par Rehrmann [12]. Son fonctionnement requiert l utilisation d une structure hexagonale hiérarchique pour coder l image. Initialement l image est découpé en un ensemble de petits ilots contenant chaqu un 7 pixels. Ces ilots initiaux se recouvrent où chaque deux ilots adjacents partagent un seul pixel. Avec cette structure chaque ilot a exactement 7 ilots voisins comme illustre la figure1 [3] suivante: Figure 1 : Structuration des pixels dans des îlots. Ces ilots initiaux forment le niveau 0 de la hiérarchie. Pour générer le niveau suivant on considère que les ilots initiaux sont des pixels et on réitère le processus. Donc chaque ilot de niveau 1 est formé par l assemblement de 7 ilots de niveau 0. Le processus est itéré de façons que chaque îlot de niveau n sera constitué de 7 ilots de niveau n-1 jusqu'à l obtention d un seul îlot qui englobe toute l image [3]. Figure 2 : les îlots de différents niveaux [3]

3 La problématique triviale de cette topologie hexagonale est que la plupart des outils d acquisition et d affichage des images adoptent une topologie orthogonale. Pour cela on propose de simuler une topologie hexagonale sur un grillage orthogonal, comme ce qui est résumé dans la figure 3 proposée par [6] : Figure 3 : adaptation de la topologie hexagonale sur une topologie orthogonale Généralement pour une image de taille : (2 mm + 1) (2 mm + 1) on aura m niveaux. Cette manière de grouper les zones de l image d une manière élégante et hiérarchiques facilite et encourage la répartition et le partage du processus de segmentation. Cette hiérarchie hexagonale va être utilisée par un processus de segmentation région Split & Merge utilisant le principe de croissance de régions dans les ilots initiaux comme on va décrire dans la section suivante où la méthode CSC procède en 3 étapes distinctes, à savoir l initialisation, le groupage et le découpage. 2.1 L initialisation Cette phase traite les îlots d niveau 0 seulement, elle consiste à appliquer dans chaque îlot un algorithme de croissance de régions, ceci va donner entre une et sept régions - de niveau 0- dans chaque îlot. Puisque ce processus traite les îlots d une manière indépendante, cette étape peut être exécutée en parallèle sur les différents îlots de niveau 0. Pour mesurer la similarité entre régions il est préférable d utiliser la représentation HSV des couleurs au lieu du RGB car il s accorde mieux au système visuel humain ce qui conduit à un meilleur résultat de segmentation. Les régions obtenues dans cette phase sont encapsulées dans des code-éléments (ou code-région). Un code-élément est une structure qui décrit une région ainsi que toutes les informations la concernant (couleur moyennes, taille,...etc.). Ainsi la phase d initialisation figure 4 [3], consiste à créer les code-éléments de niveau 0.

4 Figure 4 : Phase d initialisation 2.2 Le groupement Dans la phase d initialisation le processus de segmentation a eu une vision limitée aux ilots initiaux traité indépendamment, si on passe au niveau suivant on aura des ilots de niveau 1 qui englobent chaqu un 7 ilots de niveau 0 avec leurs code-elements respectifs. Donc on aura une vision plus globale qui nous permettra de fusionner les code-elements homogènes si nécessaire. Donc cette phase consiste à créer les code-elements des niveaux supérieurs à 0 comme suit : Dans chaque ilot de niveau n on génère les codes-éléments de niveau n en groupant les code-éléments de niveau n-1 qui sont à la fois connectés et similaires. La phase de groupement ressemble a la phase d initialisation, seulement elle ne groupe pas des pixels mais des sous régions indiquées par des code-éléments. Et la encore le processus peut être complètement parallèle pour chaque îlot de niveau n. Le résultat de cette étape est un ensemble d arbre de code-elements. Lorsqu un codeélément d un niveau quelconque i ne sera plus fusionné avec aucun autre codeélément de même niveau, alors ce dernier devient la racine d un arbre qui désigne une région proprement dite. Donc l image segmentée sera représentée par une liste de segments où chaque segment est désigné par une racine d un arbre de code-élément. Pour clarifier la structure de cet arbre on signale que chaque code-element a au maximum deux parents et un nombre n d enfants. Le fait de rechercher si deux codes éléments sont connectés devient une chose aisée avec l utilisation de la topologie hexagonale vu les îlots se recouvrent partiellement. Car deux code-éléments de niveau i sont connectés s ils ont au moins un code d éléments de niveau i-1 en commun (2 code-éléments de niveau 0 sont connectés s ils ont au moins un pixel en commun). Cette caractéristique offre plus de rapidité et moins de complexité, contrairement aux techniques split & merge qui utilisent des graphes d adjacences (temps de calcul, coût de MAJ,...etc.) [14].

5 Figure 5 : Phase de groupage 2.3 Le découpage Comme on peut le constater, le processus de segmentation est jusqu ici purement local, s il existe un groupe de pixels entre deux régions qui changent de couleurs finement entre-elle (le problème d enchaînement successif et aveugle des pixels voisins des méthodes locales) on peut fusionner ces deux régions même s ils ne sont pas assez homogènes. Dans ce cas on va avoir des petites sous régions homogènes, en les fusionnant on obtient une grande région non homogène. Ce problème dont souffre la plupart des méthodes de segmentation utilisant uniquement l information locale, peut être résolu en ajoutant une vision globale au résultat obtenue, afin de corriger toute fusion non adéquate. Ainsi, la phase de découpage opère simultanément avec la phase de groupement, en vérifiant le respect de similarité entre les différents code-éléments nouvellement connectés dans chaque niveau. Si la phase de groupement à mal grouper des codeéléments, créant ainsi un nouveau code-élément non homogène, alors la phase de découpage détecte automatiquement les sous code-éléments responsable et les privent de faire partie du code-éléments englobant (elle découpe ce dernier), ce qui donne une région homogène. On signale que découper deux code-éléments déjà connectés opère d une manière récursive dans toutes les parties communes de ces deux code-éléments. N oublions pas que dans l algorithme CSC tous les ilots s interposent (structure hexagonale), donc même si ces deux codes-éléments vont être séparés, ils auront quand même une zone commune. Ce qui nécessite qu on descend vers le niveau de cette zone commune et qu on la découpe elle aussi d une manière récursive jusqu au niveau des pixels. On peut conclure que la phase de découpage est couteuse en temps de calcule, mais fort heureusement pour nous qu elle ne s exécute que très rarement dans la pratique (en réalité, il y aura que des groupages et très peu de découpages). On peut améliorer le résultat de segmentation en changeant le seuil ou les critères d homogénéité dans chaque niveau. Par exemple les critères seront plus stricts dans les niveaux supérieurs qu au niveau inferieurs. La phase de découpage peut engendrer quelques problèmes dans certains cas très rares où on peut avoir des éléments non connexes (des régions disjointes), ou des régions vides. On peut corriger ces erreurs en ajoutant une phase de vérification qui

6 contrôle l état des régions après chaque découpage (dans notre système, l agent contrôleur s occupe de ça) [6]. Finalement, on peut remarquer que la méthode CSC avec son organisation hiérarchique et parallèle et sa vision locale et globale s adapte bien à un système multi-agent, d où notre choix s est porté sur elle. Pour avoir plus d information sur la structure des ilots et l implémentation de cette méthode consulter [13]. 3 Principe général de l approche de segmentation En partant du principe que les deux primitives régions et contours sont complémentaires et qu une coopération ou une coordination entre ces 2 approches peut combler les lacunes dont souffrent les méthodes de segmentation classiques, et en considérant que notre approche doit être adaptative au contenu de l image, on a constater que notre système de segmentation en se basant sur la structure hiérarchique imposée par la méthode CSC va nous permette de : D avoir des zones de focalisation (ou de traitement) : la segmentation ne va pas procéder dans toute l image aveuglement, mais l image va être découpée en plusieurs petites zones (les ilots dans chaque niveau), et le processus de segmentation consiste à créer des sous processus de segmentation dans chaque zone. D avoir une coopération mutuelle entre les contours et les régions dans chaque zone : dans notre système les contours évoluent de niveau en niveau en utilisant l information région dans chaque ilot et l information contours des ilots des niveaux inferieurs, mais les régions seront construites indépendamment par la méthode CSC, et à la fin une phase de raccordement des régions sur les contours finales sera lancée. D affiner la qualité de segmentation : puisque notre approche est hiérarchique, alors à chaque fois qu on monte vers un niveau supérieur on aura une vision plus globale (cela est dû au système des ilots hiérarchiques du CSC), et une coopération avec les contours et les régions trouvés dans les sous zones de la zone concernée avec les contours et les régions de cette zone englobante peut améliorer la segmentation comme on va détailler par la suite (fermeture de contours, aménagement des régions, changement de seuil, etc.). De pouvoir exécuter le processus de segmentation d une manière parallèle et distribuée, car une image peut être découpée en plusieurs parties où chaque une peut être affectée a un sous processus de segmentation, et a la fin on groupe le résultat (afin de pouvoir obtenir l ilot globale) pour obtenir l image segmentée finale. Cette vision peut être implémentée dans les systèmes ayant une architecture parallèle pour bénéficier de l accélération du traitement.

7 SSSSSS Notre approche repose sur 4 concepts, on va les détailler dans ce qui suit : 3.1 Seuil adaptatif des contours Pour détecter un contour nous avons utilisé le filtre de Deriche qui offre bonne précision et détection. Cependant et comme on l a cité plus haut, la détection d un contour se fait dans un ilot précis de niveau n. Alors le seuil choisi pour ce filtre afin de retenir les points de conteurs dépend de l état de l ilot dans lequel ce contour appartient [11]. L état d un ilot pour nous est désigné par le niveau d homogénéité des régions contenues dans cet ilot. Si un contour se retrouve dans un ilot contenant des régions très homogènes (couleurs proche), alors le contour peut être négligé afin de fusionner ces régions dans le futur (dans l ilot de niveau supérieur), donc pour ignorer le contour il faut augmenter le seuil. Si un contour se retrouve dans un ilot contenant des régions très hétérogènes, alors le contour doit être renforcé afin de bien distinguer les frontières des régions dans le futur, donc pour renforcer le contour il faut diminuer le seuil. On aura donc une relation linéaire entre le seuil des contours et le niveau d homogénéité des régions, et qui peut être donnée par la formule : Avec : α : constante définie par l application qui control le nombre de contours. β : variable qui contrôle le niveau de prise en compte de l homogénéité, dans les niveaux inferieurs β sera plus petit que dans les niveaux érieurs sup (l homogénéité de gros régions est plus significative que l homogénéité de petites régions). Pour calculer l homogénéité des régions dans un ilot on a choisie le calcul de la variance des couleurs moyennes des régions (code-éléments) où : 1 ssss VVVVVVVVVVVVVVVV 0 HHHHHHHHHHénnéiiiié = VVVVVVVVVVVVVVVV VVVVll MMMMMM ssss VVVVVVVVVVVVVVVV = 0 (22) Avec: VVVVll MMMMMM : une constante définie par l application qui définie l homogénéité maximale. Donc, avec un seuil dynamique, la détection des contours sera adaptative selon le contenue de l image.

8 3.2 La coopér ation contour -contour Initialement les contours initiaux (se situant sur des ilots de niveau 0) seront construits comme on a expliqué en choisissant un seuil spécifié, ensuite et au niveau suivant on aura un ilot englobant de niveau 1 contenant 7 ilot de niveau 0. Dans cet ilot on va recommencer le même processus (designer un nouveau seuil et créer une nouvelle carte de contours). Donc on aura une carte de contour de niveau 1 nouvellement créé, et 7 sous-cartes de contours résultant des 7 sous ilots de niveau 0. Une coopération contour-contour se fasse entre les différentes cartes de contours des deux niveaux afin de mieux suivre et fermer les contours comme illustre la figure 6. On signale que les cartes de contours de différents niveaux ne seront pas nécessairement les mêmes vu que les seuils utilisés pour les calculer diffèrent d un niveau a l autre car l homogénéité change assurément. Figure 6 : coopération des contours Ce processus de négociation entre les contours se poursuit de niveau en niveau jusqu au dernier où on obtient la carte de contour finale. 3.3 La coopér ation région-contour (les contours utilisent les régions) Deux cas se présentent : Si un contour est inclut dans une région (c est à dire tous les points du contour sont dans la zone de la région) et que ce contour n a pas évolué (changer de taille) depuis au moins 2 niveaux de la hiérarchie malgré que la région englobante a amplifié, alors ce contour sera supprimé car il s agit d un faux contour ou d un contour négligeable. Si un contour se situe entre 2 régions distinctes, alors en coopérant avec les deux régions avoisinantes il peut se complété en suivant les frontières des deux régions.

9 On signale que cette coopération ne ce produit que dans les niveaux supérieurs de la hiérarchie où les régions serons assez grande, car si on procède par compléter les contours dans les niveaux inferieurs on aura plus de faux contours et la performance de la coopération contours-contours sera diminuée 3.4 Cor r ection des régions Figure 7 : coopération contours-régions La segmentation par CSC donne parfois des objets ayant des contours qui ne collent pas bien avec les frontières exactes des objets (elle fusionne des parties des objets avoisinantes), mais avec une coopération contour on peut corriger cela on coupant les régions pour leur donner un contour plus naturel. Ce processus de découpage produit de nouveaux régions sur les frontières des objets qui doivent être fusionnés avec les régions avoisinantes de l autre coté comme illustre la figure 8. Donc pour avoir une bonne segmentation on doit fusionner ces petites régions avec leurs régions correspondantes après leurs découpages (une coopération régionrégion). On signale que la phase de correction des régions ne s applique qu à la fin du processus de segmentation quand toutes les régions et les contours seront définis car le découpage d une région de niveau inferieur est très couteux en temps de calcule et ça nous donne rien de meilleur de diviser une centaine de sous régions vu que le résultat sera le même.

10 Figure 8 : correction des régions 4 La plate forme d agents La plateforme d agents proposée est constituée de 4 types d agent: l agent région, l agent contours, l agent coordinateur et l agent contrôleur. 1. L agent région : représente une région (chaque agent région pour chaque racine d un arbre de code-élément), il gère les informations de sa région (sa taille, son homogénéité, sa forme, etc.), ainsi que la coopération avec les contours via l agent coordinateur. 2. L agent contours : représente une carte de contours dans un ilot définie, il gère la communication et la coopération avec les autres cartes de contours des niveaux supérieurs et inferieurs ainsi que la coopération avec les régions. 3. L agent coordinateur : coordonne et arrange les transactions entre les agents contours et régions. Il fait les calcules concernant le seuil des contours et l homogénéité des régions. Pour chaque ilot on aura un seul agent coordinateur. 4. L agent contrôleur : qui vérifier progressivement le résultat et la qualité du processus de segmentation (si une incohérence se produit, il l a détecte et tente de la corriger en communicant avec les agents contours et régions). On aura un seul agent contrôleur par niveau.

11 Figure 9 : Principe du système de segmentation à travers l évolution d un ilot Agent contrôleur du niveau L+1 Agent coordinateur Agent région Un ilot de niveau L+1 Agent contours Coopération contourcontour inter-niveau Le niveau L+1 Agent coordinateur n Agent coordinateur 1 Définir le seuil Coopération région contour Intra-niveau Agent Région Agent Contours Agent Région Agent Contours Îlot n Îlot 1 Agent contrôleur du niveau L Le niveau L Figure 10 : les interactions entre les agents

12 5 Implémentation Nous avons implémenté en JAVA la méthode CSC ainsi que l algorithme de détection de contours de Deriche. On a utilisé JADE de FIPA pour implémenter notre SMA, mais nous n avons pas encore réalisé toutes les types de coopérations cités. On a comparé notre système incomplet (prototype) avec les méthodes de segmentation par histogramme, et par split & merge, et il était clair que le résultat de segmentation de notre système est bien meilleur. Donc, en attendant l achèvement de notre SMA, l étape de comparaison et d estimation de la qualité de l approche est à prévoir dans un futur proche. 6 CONCLUSION Figure 11 : Segmentation par notre système (incomplet). L architecture basée agents présentée offre une flexibilité et une adaptabilité supérieure à la plupart des méthodes de segmentation classique, elle exploite le maximum d information en combinant les deux approches région et contour profitant ainsi des avantages de chacune d elles, et donne une vision locale et globale appuyée par un environnement hiérarchique et coopératif, cette manière de faire comble les lacunes de ces deux approches.

13 References 1. T. Acharya, Ajoy K. Ray, "Image Processing, Principles and Applications", ouvrage, "A Wiley-Interscience Publication", chapitre Z. AI Aghbari, R. AI-Haj, "Hill-manipulation: An effective algorithm for color image segmentation", Département d'informatique, université de Sharjah, Emirates, J.C Baillie, 2003, "Segmentation", Cours Traitement d'image et Vision Artificielle. 4. A. Chehikian, "Image segmentation by contours and regions cooperation", Laboratoire des Images et des Signaux, Institut National Polytechnique de Grenoble et l'université Joseph Fourier Grenoble, INPG, Grenoble Cedex, France, H.D. Cheng, X.H. Jiang, Y.Sun, Jingli Wang, "Color image segmentation: advances and prospects", Département d'informatique, Utah state university, USA, Gy. Dorko, D. Paulus, U. Ahlrichs. Color segmentation for scene exploration. Université d Erlangen-Nurenberg, Institut d informatique. 7. J. Lecoeur, C. Barillot, "Segmentation d images cérébrales : État de l art", Théme BIO Systèmes biologiques, Projet VisAGeS Rapport de recherche n 6306 Juillet Z. Mansouri, F. H. Merouani, Un modèle d interaction multi-agents région-contour pour la segmentation d images, Conférence JSIA 2009-Guelma-Algérie. 9. [Moghaddamzadeh, 1996] A. Moghaddamzadeh, N. Bourbakis, "A Fuzzy Region Growing Approch For Segmentation Of Color Images", Departement de EE, AAAI Lab, université de Binghamton, Binghamton, USA, O. Monga, "Segmentation d images : ou en somme nous?" Support de cours pour le congres PIXIM E. Navon, O. Miller, A. Averbuch, "Color image segmentation based on adaptative local thresholds", Département d'informatique, université de Tel-Aviv 69978, Israel, L. Priese, V. Rehrmann, A Fast Hybride Color Segmentation Method, Institut d informatique, Université de Koblenz-Landau, Rheinau 1, D Koblenz, Allemagne. 13. L. Priese, V. Rehrmann. Introduction to the Color Structure Code and its Implementation, V. Rehrmann, L.Priese. Fast and Robust Segmentation of Natural Color Scenes, Image Recognition Lab, Université de Koblenz-Landau. Rheinau 1, Koblenz. Allemagne. 15. A. Tremeau, N. Borel, "A region growing and merging algorithm to color segmentation", Institut d'ingénierie de la vision, Saint-Etienne, France, D. Zugai, V.Lattuati, "A new approach of color images segmentation based on fusing region and edge segmentation outputs", Laboratoire d'automatique des arts et métiers/laam, F Paris, France, 1997.

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

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

Traitement bas-niveau

Traitement bas-niveau Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

IVRG Image and Visual Representation Group

IVRG Image and Visual Representation Group IVRG Image and Visual Representation Group Projet en Digital Photography Responsable : Patrick Vandewalle Sylvain PASINI Bertrand GRANDGEORGE le 2 juin 2003 Table des matières Table des matières 2 1. Introduction

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

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

Système D Indexation et de Recherche d Images par le contenu

Système D Indexation et de Recherche d Images par le contenu Système D Indexation et de Recherche d Images par le contenu 1 Houaria ABED, 1 Lynda ZAOUI Laboratoire : Systèmes, Signaux, Données Département Informatique, Faculté des Sciences Université des Sciences

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

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

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

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

Segmentation d Image par Coopération Régions-Contours

Segmentation d Image par Coopération Régions-Contours Ministère de l Enseignement Supérieur et de la Recherche Scientifique Ecole nationale Supérieure en Informatique Oued-Smar Alger Ecole Doctorale STIC Sciences et Technologies de l Information et de la

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

Une plate-forme multi-agent pour la segmentation d images. Etude des stratégies de coopération contour-région.

Une plate-forme multi-agent pour la segmentation d images. Etude des stratégies de coopération contour-région. Une plate-forme multi-agent pour la segmentation d images. Etude des stratégies de coopération contour-région. Christine Porquet, Hakim Settache, Su Ruan, Marinette Revenu To cite this version: Christine

Plus en détail

CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX?

CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX? CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX? LABORATOIRE DE VISION ET INGÉNIERIE DES CONTENUS (LVIC) Fusion multimedia : extraction multimodale d

Plus en détail

ASSEMBLAGE ET ÉDITION DES LIENS

ASSEMBLAGE ET ÉDITION DES LIENS ASSEMBLAGE ET ÉDITION DES LIENS Mewtow 11 novembre 2015 Table des matières 1 Introduction 5 2 La chaine d assemblage 7 2.1 Résolution des symboles.............................. 7 2.2 Relocation.....................................

Plus en détail

Les graphes planaires

Les graphes planaires Les graphes planaires Complément au chapitre 2 «Les villas du Bellevue» Dans le chapitre «Les villas du Bellevue», Manori donne la définition suivante à Sébastien. Définition Un graphe est «planaire» si

Plus en détail

Les algorithmes de base du graphisme

Les algorithmes de base du graphisme Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............

Plus en 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

DSP. Architecture du contrôleur amplifié

DSP. Architecture du contrôleur amplifié Fiche préliminaire h Fic ep im rél ire ina Architecture du contrôleur amplifié DSP Des nouveaux algorithmes propriétaires sont exploités à partir d un DSP SHARC 32 bits à virgule flottante à une fréquence

Plus en détail

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage Classification Exemple : Enquête d opinion sur les OGM Pauline Le Badezet Alexandra Lepage SOMMAIRE Introduction Méthodologie Méthode de partitionnement Classification Ascendante Hiérarchique Interprétation

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

Chapitre 4 : Modélisation 3D

Chapitre 4 : Modélisation 3D Chapitre 4 : Modélisation 3D Modélisation 3D et Synthèse Fabrice Aubert fabrice.aubert@lifl.fr Master Informatique 2014-2015 F. Aubert (MS2) M3DS/ 4 - Modélisation 3D 2014-2015 1 / 44 1 Introduction F.

Plus en détail

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013»

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» I Objectifs Niveau fondamental : «on se fixe pour objectif la

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Plateforme intergouvernementale scientifique et politique sur la biodiversité et les services écosystémiques

Plateforme intergouvernementale scientifique et politique sur la biodiversité et les services écosystémiques NATIONS UNIES BES IPBES/3/L.8 Plateforme intergouvernementale scientifique et politique sur la biodiversité et les services écosystémiques Distr. : limitée 17 janvier 2015 Français Original : anglais Plénière

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

Proposition d activité utilisant l application. Tripatouille. (http://www.malgouyres.fr/tripatouille/)

Proposition d activité utilisant l application. Tripatouille. (http://www.malgouyres.fr/tripatouille/) IREM Clermont-Ferrand Algorithmique au lycée Malika More malika.more@u-clermont1.fr 28 janvier 2011 Proposition d activité utilisant l application Tripatouille (http://www.malgouyres.fr/tripatouille/)

Plus en détail

CLOUD PUBLIC, PRIVÉ OU HYBRIDE : LEQUEL EST LE PLUS ADAPTÉ À VOS APPLICATIONS?

CLOUD PUBLIC, PRIVÉ OU HYBRIDE : LEQUEL EST LE PLUS ADAPTÉ À VOS APPLICATIONS? CLOUD PUBLIC, PRIVÉ OU HYBRIDE : LEQUEL EST LE PLUS ADAPTÉ À VOS APPLICATIONS? Les offres de Cloud public se sont multipliées et le Cloud privé se généralise. Désormais, toute la question est de savoir

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

Transformations d histogramme / Opérations sur les images

Transformations d histogramme / Opérations sur les images s Traitement s / les images Plan s Les histogrammes Bibliographie s Cours de traitement Elise Arnaud - Edmond Boyer Université Joseph Fourier Cours de traitement Alain Boucher Cours de traitement T Guyer

Plus en détail

Introduction au maillage pour le calcul scientifique

Introduction au maillage pour le calcul scientifique Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,

Plus en détail

Extraction d informations stratégiques par Analyse en Composantes Principales

Extraction d informations stratégiques par Analyse en Composantes Principales Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction

Plus en détail

2 Hiérarchies de partitions

2 Hiérarchies de partitions Hiérarchie de partitions pour la simplification et la segmentation d images couleur O. Lezoray C. Meurie P. Belhomme A. Elmoataz LUSAC EA 2607, IUT SRC, 120 Rue de l exode, 50000 SAINT-LÔ, FRANCE {o.lezoray,cyril.meurie,p.belhomme,elmoataz}@chbg.unicaen.fr

Plus en détail

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP)

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Loris Marchal, Guillaume Melquion, Frédéric Tronel 21 juin 2011 Remarques générales à propos de l épreuve Organisation

Plus en détail

Contexte général de l étude

Contexte général de l étude 1 2 Contexte général de l étude Les entrepôts de données associés à des outils d analyse On Line Analytical Processing (OLAP), représentent une solution effective pour l informatique décisionnelle (Immon,

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55

Plus en détail

Ingénerie du logiciel orienté objet. Les cas d utilisation

Ingénerie du logiciel orienté objet. Les cas d utilisation Ingénerie du logiciel orienté objet Répétition : Les cas d utilisation Cours d Ingénierie du Logiciel Orienté-Objet Examen écrit du mercredi 5 juin 2005 Livres fermés. Durée : 3 heures /2. Veuillez répondre

Plus en détail

Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments

Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments A- 0/0 Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com

Plus en détail

Détection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO

Détection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont

Plus en détail

GVF (Gradient Vector Flow) et ses applications. Introduction au. Antonio Moreno Ingelmo. par

GVF (Gradient Vector Flow) et ses applications. Introduction au. Antonio Moreno Ingelmo. par Introduction au GVF (Gradient Vector Flow) et ses applications par Antonio Moreno Ingelmo Plan Introduction Les contours actifs Définition de GVF Force externe traditionnelle vs. GVF Limites du GVF Un

Plus en détail

Vinh Thong Ta. Représentation d images par arbres binaires de. Rapport de stage de D.E.A. septembre 2004

Vinh Thong Ta. Représentation d images par arbres binaires de. Rapport de stage de D.E.A. septembre 2004 Vinh Thong Ta Rapport de stage de D.E.A. septembre 2004 Représentation d images par arbres binaires de régions Laboratoire d accueil : Laboratoire Universitaire des Sciences Appliquées de Cherbourg groupe

Plus en détail

1. Les fondements de l informatique 13

1. Les fondements de l informatique 13 Introduction à l'algorithmique 1. Les fondements de l informatique 13 1.1 Architecture de Von Neumann 13 1.2 La machine de Turing 17 1.3 Représentation interne des instructions et des données 19 1.3.1

Plus en détail

données en connaissance et en actions?

données en connaissance et en actions? 1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)

Plus en détail

De 2 à 22 millions d'images; Création, Indexation et Recherche par le contenu avec Piria

De 2 à 22 millions d'images; Création, Indexation et Recherche par le contenu avec Piria De 2 à 22 millions d'images; Création, Indexation et Recherche par le contenu avec Piria contact : patrick.hede@cea.fr Commissariat à l'energie Atomique List sensorielles 13/05/07 1 Plan Le CEA, le Lic2m

Plus en détail

! S. Russell & P. Norvig : Artificial Intelligence: A modern approach (2nd ed.).

! S. Russell & P. Norvig : Artificial Intelligence: A modern approach (2nd ed.). Introduction à l intelligence artificielle (recherche dans les graphes) Ouvrages conseillés! S. Russell & P. Norvig : rtificial Intelligence: modern approach (nd ed.). Prentice Hall, 003 (Trad. française

Plus en détail

Cartographie mobile implantée au service de police de la ville de Québec

Cartographie mobile implantée au service de police de la ville de Québec Cartographie mobile implantée au service de police de la ville de Québec NSim Technology Jimmy Perron, M. Sc. Président NSim Technology Le SPVQ > Désert plus de 550 000 citoyens > 1000 employés (Policiers

Plus en détail

Modélisation et conception d'un. environnement de suivi pédagogique synchrone. d'activités d'apprentissage à distance

Modélisation et conception d'un. environnement de suivi pédagogique synchrone. d'activités d'apprentissage à distance Modélisation et conception d'un environnement de suivi pédagogique synchrone d'activités d'apprentissage à distance Christophe DESPRÉS Laboratoire d Informatique de l'université du Maine Plan de la présentation

Plus en détail

III Caractérisation d'image binaire

III Caractérisation d'image binaire III Caractérisation d'image binaire 1. Généralités Les images binaires codent l'information sur deux valeurs. Rarement le résultat direct d'un capteur, mais facilement obtenues par seuillage dans certains

Plus en détail

Vision par ordinateur : Un tour d horizon. Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand

Vision par ordinateur : Un tour d horizon. Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand Vision par ordinateur : Un tour d horizon Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand Séance II : Panoramas en environnement déformable Panoramas en environnement rigide Représentation minimale d un

Plus en détail

Figure 3.1- Lancement du Gambit

Figure 3.1- Lancement du Gambit 3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh

Plus en détail

Détection de contours

Détection de contours Traitement Détection de s Plan? Dérivées d une image Bibliographie Cours de traitement Elise Arnaud - Edmond Boyer Université Joseph Fourier Cours de traitement Alain Boucher Cours de traitement T Guyer

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Spring IDE. Mise en œuvre. Eclipse

Spring IDE. Mise en œuvre. Eclipse A Spring IDE Bien que Spring mette à disposition d intéressants mécanismes afin d améliorer l architecture des applications Java EE en se fondant sur l injection de dépendances et la programmation orientée

Plus en détail

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Résumé de PFE PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Introduction Dans le domaine de la robotique, la robotique

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Informatique Première et seconde années

Plus en détail

Architecture des calculateurs

Architecture des calculateurs Chapitre 1 Architecture des calculateurs 1.1 Introduction Ce paragraphe n a pas la prétention de présenter un cours d informatique. D une manière générale, seuls les caractéristiques architecturales qui

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

Polytechnique. Épreuve d Informatique 1998

Polytechnique. Épreuve d Informatique 1998 Polytechnique Épreuve d Informatique 1998 Corrigé rédigé par Martine Lannaud, Lycée Chaptal, Paris Pour toute remarque ou correction martine.lannaud@prepas.org Motifs et automates Question 1. Quelques

Plus en détail

Exemples d'activités sur les images numériques

Exemples d'activités sur les images numériques Annexe 1 1 Accès aux composantes RVB d un pixel dans GIMP Pour agrandir l image : touche Ctrl maintenue enfoncée tout en tournant la molette de la souris, ou bien menu Affichage > Zoom > 1600 % Dans la

Plus en détail

Freestyle : Sculpting Meshes with Self-Adaptive Topology

Freestyle : Sculpting Meshes with Self-Adaptive Topology Freestyle : Sculpting Meshes with Self-Adaptive Topology Rapport Recette Étudiants : Charles Garibal, Maxime Robinot, Mathieu Dachy Tuteur : Loïc Barthe 20/02/2015 1 I) Introduction Rappel : Objectif du

Plus en détail

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

Avertissement. Cette présentation ne prétend pas détenir la seule vérité en matière d histogramme

Avertissement. Cette présentation ne prétend pas détenir la seule vérité en matière d histogramme Avertissement Cette présentation ne prétend pas détenir la seule vérité en matière d histogramme Si vous fouillez un peu dans votre appareil photo, vous êtes surement déjà tombé sur un graphique un peu

Plus en détail

Arbres de décisions et forêts aléatoires.

Arbres de décisions et forêts aléatoires. Arbres de décisions et forêts aléatoires. Pierre Gaillard 7 janvier 2014 1 Plan 1 Arbre de décision 2 Les méthodes d ensembles et les forêts aléatoires 2 Introduction 3 Introduction Jeu de données (ex

Plus en détail

Thème 10 : Développer un concept et une architecture technique de produit

Thème 10 : Développer un concept et une architecture technique de produit Thème 10 : Développer un concept et une architecture technique de produit Serghei Floricel et Eduardo Miranda Si vous réfléchissez encore à un moyen technique pour réaliser un produit qui fonctionne et

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

Contrôle sur papier. INF441 Modex Programmation efficace juin 2010. 1. Photo de dés

Contrôle sur papier. INF441 Modex Programmation efficace juin 2010. 1. Photo de dés Contrôle sur papier INF441 Modex Programmation efficace juin 2010 1. Photo de dés Plusieurs dés ont été lancés sur une table, et une photo a été pris de haut. Cette photo est représentée par une matrice.

Plus en détail

Rapport de stage. Simulation d'algorithmes auto-stabilisants

Rapport de stage. Simulation d'algorithmes auto-stabilisants Université Joseph Fourier Département Licence Sciences & Technologies Rapport de stage Simulation d'algorithmes auto-stabilisants DIAKITE Moussa Laboratoire d'accueil : Verimag Directeur du laboratoire

Plus en détail

Outil SANTE: Détection d erreurs par analyse statique et test structurel des programmes C

Outil SANTE: Détection d erreurs par analyse statique et test structurel des programmes C Outil SANTE: Détection d erreurs par analyse statique et test structurel des programmes C Omar Chebaro LIFC, Université de Franche-Comté, 25030 Besançon France CEA, LIST, Laboratoire Sûreté des Logiciels,

Plus en détail

Rapport de ANRT. Hongliu CAO Salah GHAMIZI Matthias LLOYD. Candidat(s) Seul ou en équipe. Nom(s) et prénom(s)

Rapport de ANRT. Hongliu CAO Salah GHAMIZI Matthias LLOYD. Candidat(s) Seul ou en équipe. Nom(s) et prénom(s) Rapport de ANRT Candidat(s) Seul ou en équipe Nom(s) et prénom(s) Hongliu CAO Salah GHAMIZI Matthias LLOYD Résumé du projet... 1 Introduction... 2 1. Agrandir l'image... 3 2. Caculer le moyenne... 3 3.Détection

Plus en détail

F. BONTHOUX, R. VINCENT Institut National de Recherche et de Sécurité, Centre de Lorraine, Avenue de Bourgogne, 54501 Vandoeuvre Cedex, France

F. BONTHOUX, R. VINCENT Institut National de Recherche et de Sécurité, Centre de Lorraine, Avenue de Bourgogne, 54501 Vandoeuvre Cedex, France Logiciel d aide à l évaluation du risque chimique F. BONTHOUX, R. VINCENT Institut National de Recherche et de Sécurité, Centre de Lorraine, Avenue de Bourgogne, 54501 Vandoeuvre Cedex, France Introduction

Plus en détail

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite

Plus en détail

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

Plus en détail

IFT2251 : Génie logiciel

IFT2251 : Génie logiciel Julie Vachon, Hiver 2006 IFT2251 : Génie logiciel Chapitre 5. Conception Section 3. Principes et qualités Conception : principes et qualités 1. L activité de conception 2. Principes de conception 3. Concevoir

Plus en détail

Factorisation des matrices creuses

Factorisation des matrices creuses Chapitre 5 Factorisation des matrices creuses 5.1 Matrices creuses La plupart des codes de simulation numérique en mécanique des fluides ou des structures et en électromagnétisme utilisent des discrétisations

Plus en détail

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome ENNAJI Mourad LASC université de Metz Ile du Saulcy B.P 80794 57 012 METZ Ennaji@lasc.sciences.univ-metz.fr Résumé Cet

Plus en détail

Projet : Plan Assurance Qualité

Projet : Plan Assurance Qualité Projet : Document : Plan Assurance Qualité 2UP_SPEC_DEV1 VERSION 1.00 Objet Ce document a pour objectif de définir la démarche d analyse et de conception objet ainsi les activités liées. Auteur Eric PAPET

Plus en détail

Propositions de Projets

Propositions de Projets Master1 IS 2012_2013 Spécialité Imagerie Numérique Propositions de Projets Voici les intitulés et responsables des projets proposés : Simulation réaliste du comportement d'organes à tissus mous. Sujet

Plus en détail

Fondements de l informatique: Examen Durée: 3h

Fondements de l informatique: Examen Durée: 3h École polytechnique X2013 INF412 Fondements de l informatique Fondements de l informatique: Examen Durée: 3h Sujet proposé par Olivier Bournez Version 3 (corrigé) L énoncé comporte 4 parties (sections),

Plus en détail

Cours de numérisation sur Epson Perfection

Cours de numérisation sur Epson Perfection Cours de numérisation sur Epson Perfection 1- Vérifiez la propreté de la vitre, placez l original sur celle-ci. À savoir, on peut numériser des transparents avec ce scanner ; il a un capteur CCD dans le

Plus en détail

Travaux pratiques de traitement d images

Travaux pratiques de traitement d images Travaux pratiques de traitement d images EI3 année 2009-2010 TP n 1 : Segmentation d images en régions p. 3 TP n 2 : Reconnaissance des formes p. 15 Vandenbroucke Nicolas R11 TP n 1 Segmentation d images

Plus en détail

Droit d auteur Max2G 2012 : Reproduction permise avec obligation d indiquer la source www.max2g.com

Droit d auteur Max2G 2012 : Reproduction permise avec obligation d indiquer la source www.max2g.com Max2G Démarche d analyse de risques avec l Assistant Méhari L analyse de risques est une approche de gestion permettant d identifier les risques négatifs pouvant affecter une organisation et de déterminer

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007 Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................

Plus en détail

Vers un Radar pour l Internet

Vers un Radar pour l Internet Vers un Radar pour l Internet Matthieu Latapy, Fabien Viger,, Benjamin Orgogozo, Damien Bobillot LIAFA, CNRS et Université Paris 7 LIP6, CNRS et Université Paris 6 13 Octobre 2005 Le Radar, en théorie

Plus en détail

DRS. Donnez des Capacités à Votre Serveur d Impression d Entreprise. Distributeur exclusif de la gamme des logiciels Levi, Ray & Shoup, Inc.

DRS. Donnez des Capacités à Votre Serveur d Impression d Entreprise. Distributeur exclusif de la gamme des logiciels Levi, Ray & Shoup, Inc. DRS Donnez des Capacités à Votre Serveur d Impression d Entreprise Distributeur exclusif de la gamme des logiciels Levi, Ray & Shoup, Inc. Les documents les plus importants de votre entreprise sont issus

Plus en détail

Talend Technical Note

Talend Technical Note Mars 2011 Page 1 sur 5 Le MDM offre un hub central de contrôle et une vision unique des données maître de l'entreprise, quelles que soient les disparités entre les systèmes source. Il assure que les données

Plus en détail

CTE Éditeur de classification arborescente pour spécifications du cas de test

CTE Éditeur de classification arborescente pour spécifications du cas de test Tessy Test d intégration et unitaire dynamique automatisé pour des applications embarquées CTE Éditeur de classification arborescente pour spécifications du cas de test Le meilleur outil de test unitaire

Plus en détail

CHAPITRE 3. PROTOCOLES DE CRYPTOGRAPHIE À

CHAPITRE 3. PROTOCOLES DE CRYPTOGRAPHIE À CHAPITRE 3. PROTOCOLES DE CRYPTOGRAPHIE À CLÉ SECRÈTE http://math.univ-lyon1.fr/~roblot/masterpro.html Propriétés Propriétés Clés. La clé de cryptage et la clé de décryptage sont les mêmes et donc doivent

Plus en détail

Indexation d images et recherche par points d intérêt

Indexation d images et recherche par points d intérêt UNIVERSITE des Sciences de CAEN GREYC Equipe Image de Caen DEA Electronique Systèmes Capteurs Images *************************** Rapport de stage 003-004 Indexation d images et recherche par points d intérêt

Plus en détail

Parcours Ingénieur Polytech. Mini-projets. Banque d images. Auteur : Encadrant : Jonathan Courtois

Parcours Ingénieur Polytech. Mini-projets. Banque d images. Auteur : Encadrant : Jonathan Courtois École Polytechnique de l Université de Tours 64, Avenue Jean Portalis 37200 TOURS, FRANCE Tél. (33)2-47-36-14-14 Fax (33)2-47-36-14-22 www.polytech.univ-tours.fr Parcours Ingénieur Polytech Mini-projets

Plus en détail

Exemple de développement d une application

Exemple de développement d une application Exemple de développement d une application Département Informatique TELECOM SudParis 1ère année Dépt INF 2009/2010 Table des matières Exemple de développement d une application Département Informatique,,

Plus en détail

Séminaire. de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg

Séminaire. de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg Séminaire de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg 1 Y. Azoz, L. Devi, and R. Sharma. Reliable of human arm dynamics by multiple

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

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

Cours de contrôle de gestion appliqué à l'assurance. Partie 1. Cours complet, exercices d'application et bibliographie sur www.cours-assurance.

Cours de contrôle de gestion appliqué à l'assurance. Partie 1. Cours complet, exercices d'application et bibliographie sur www.cours-assurance. Cours de contrôle de gestion appliqué à l'assurance Partie 1 Cours complet, exercices d'application et bibliographie sur www.cours-assurance.org Partie 1 : Méthode de calcul des couts d une compagnie d

Plus en détail

Evolutions des solutions d accès aux mainframes

Evolutions des solutions d accès aux mainframes Evolutions des solutions d accès aux mainframes Web Access 2 Sommaire Table des matières p 2 Essentiel p 3 Introduction p 4 1- Solutions d émulation d accès aux applications mainframe IBM (Emulation 3270)

Plus en détail

II.2 Développement des systèmes logiciels

II.2 Développement des systèmes logiciels II.1 Introduction Dans le domaine de réseaux électriques, on constate que l'application de la MOO (Modélisation orientée objets) à beaucoup d avantages vue que la structure physique d un réseau électrique

Plus en détail

Chapitre 1 Introduction

Chapitre 1 Introduction Chapitre 1 Introduction La réalité augmentée assistée par ordinateur est un domaine émergeant, qui progresse rapidement. Son principe est de mélanger le monde réel et le monde virtuel. De nombreuses applications

Plus en détail

Le client/serveur repose sur une communication d égal à égal entre les applications.

Le client/serveur repose sur une communication d égal à égal entre les applications. Table des matières LES PRINCIPES DE BASE... 1 Présentation distribuée-revamping...2 Présentation distante...3 Traitements distribués...3 données distantes-rd...4 données distribuées-rda distribué...4 L'ARCHITECTURE

Plus en détail