Modèles aléatoires : maîtriser l incertain. Segmentation d images par l algorithme EM
|
|
- Marie-Thérèse Labelle
- il y a 7 ans
- Total affichages :
Transcription
1 ECOLE NATIONALE DES PONTS ET CHAUSSEES Modèles aléatoires : maîtriser l incertain Segmentation d images par l algorithme EM Rapport écrit par : Alicia Quilez (quileza@eleves.enpc.fr Aurélien Boffy (boffya@eleves.enpc.fr 11 mars 2005
2 Introduction La segmentation consiste à partitionner les images en régions relativement homogènes par rapport à un critère donné (le plus souvent l intensité et la couleur, mais ce peut aussi être la texture... Les régions homogènes peuvent être recherchées directement, ou bien par leurs frontières ou contours qui sont des lignes de discontinuité dans l image. La segmentation d image est un traitement dit bas-niveau très important dans le domaine du traitement d images car il est à la base de très nombreuses applications. En effet toute opération de traitement ultérieure nécessite de pouvoir travailler sur des images qui apportent une information pertinente pour ce traitement. C est en général une étape de segmentation qui va extraire cette information des images brutes provenant de capteurs comme des caméras conventionnelles ou à technologies spécifiques (infra-rouge, multispectrales, satellite.... Nous présentons ci-dessous l algorithme EM (abréviation de Expectation Maximization qui assigne en quelque sorte chaque pixel indépendamment à une classe, lesquelles classes évoluent afin d obtenir une classification qui rend compte au mieux des différentes teintes qui figurent dans l image initiale. L algorithme se distingue ainsi des algorithmes plus sophistiqués de segmentation d images en ce sens qu il ne permet pas d extraire véritablement les objets et les formes car il ne tire pas profit de l aspect spatial de l information de l image. Il facilite cependant grandement tout travail ultérieur car l image est simplifiée. Le principe de l algorithme est peut-être plus clair en changeant un peu de point de vue. On peut considérer que l algorithme EM est ici utilisé pour l estimation d un mélange de gaussiennes. Le but est en effet d approcher au mieux l histogramme d une image (c est-à-dire le graphique statistique permettant de représenter la distribution des intensités des pixels, soit le nombre de pixels pour chaque intensité par une somme d un nombre fixé de gaussiennes. Il s agit finalement d estimer l espérance et la variance de chaque gaussienne, ainsi que leur poids relatif. 1 Présentation du modèle On considère une image de n pixels possédant I zones distinctes que l on désire déterminer automatiquement. On note E l espace d état des couleurs du pixel et x k E la couleur du pixel k. On choisit généralement E = R 3, et l on représente une couleur par les proportions des trois couleurs rouge, vert et bleu. On suppose que la couleur x k est la réalisation d une variable aléatoire X k de loi gaussienne de paramètre (µ i, σi 2 dépendant de la zone i I = {1,..., I}. On note Z k la zone à laquelle appartient le pixel k. On n observe pas la réalisation de la variable Z k (on parle de variables aléatoires cachées. On note q i = P(Z k = i pour i {1,..., I}. En particulier la densité de X k est donnée par p(x k ; θ = q i f N (µi,σi 2 (x k, x k E, (1.1 i=1 où θ = ((q i, µ i, σi 2, i I désigne les paramètres du modèle. On note Θ l ensemble des paramètres possibles du modèle. 2
3 La densité du couple (X k, Z k est donnée par p c (x k, z k ; θ = q zk f N (µzk,σ 2 z k (x k, x k E, z k I. (1.2 On note par convention P θ ( les probabilités calculées pour le paramètre du modèle égal à θ. On note θ le vrai paramètre (inconnu associé à l image que l on cherche à estimer. La densité, p n (x; θ, x = (x 1,..., x n E n, du modèle incomplet (i.e. observé est donnée par le produit des densités des lois de X k (on suppose les pixels indépendants, soit p n (x; θ = n p(x k ; θ, (1.3 k=1 et la densité du modèle complet (i.e. avec les variables cachées est donnée par le produit des densités des lois de (X k, Z k, soit avec z = (z 1,..., z n I n. p c n(x, z; θ = n p c (x k, z k ; θ, (1.4 k=1 On utilise l algorithme EM pour obtenir une approximation de ˆθ n, l estimateur du maximum de vraisemblance de θ, c est-à-dire θ qui maximise la fonction θ p n (x, θ, x correspondant aux données de l image étudiée. On calculera également l état estimé du pixel k défini comme l état i I qui maximise avec θ = ˆθ n. P θ (Z k = i X = x = P θ (Z k = i X k = x k = pc (x k, i; θ p(x k ; θ, (1.5 2 L algorithme EM Il est souvent plus facile de maximiser la log-vraisemblance du modèle complet, L c n(x, z; θ = log (p c n(x, z; θ, resp. du modèle incomplet, L n (x, θ = log (p n (x; θ, que la vraisemblance du modèle complet, resp. du modèle incomplet. On pose p n (z x; θ = pc n(x, z; θ p n (x; θ (2.1 la densité de la loi conditionnelle de Z = (Z 1,..., Z n sachant les observations X 1 = x 1,..., X n = x n. 3
4 2.1 Pour tout θ 0 Θ : L n (x; θ = log ( p n (x; θ = log ( p n (x; θ ( p n (z x; θ 0 z I n = ( pn (x; θ p n (z x; θ 0 z I n log = z I n log = z I n log car p n (z x; θ 0 = 1 z I n ( p c n (x, z; θ p n (z x; θ 0 par définition de p n (z x; θ p n (z x; θ ( p c n (x, z; θ p n (z x; θ 0 ( pn (z x; θ p n (z x; θ 0 z I n log = Q(θ, θ 0 H θ0 (θ où on a posé : et Q(θ, θ 0 = p n (z x; θ 0 L c n(x, z; θ z I n (2.2 H θ0 (θ = log (p n (z x; θp n (z x; θ 0. z I n ( Montrons que pour tout θ, θ 0 Θ, H θ0 (θ H θ0 (θ 0 : Préliminaires D après l inégalité classique x > 0, log x x 1, on déduit : y, z > 0, y(log z log y = y log z ( z y y y 1 = z y 4
5 Application Soit θ, θ 0 Θ, H θ0 (θ H θ0 (θ 0 = [ p n (z x; θ 0 log ( p n (z x; θ log ( p n (z x; θ 0 ] z I n p n (z x; θ p n (z x; θ 0 z I n Ainsi : θ, θ 0 Θ, H θ0 (θ H θ0 (θ Donc, si on suppose que Q(θ, θ 0 > Q(θ 0, θ 0 comme on vient de montrer que H θ0 (θ H θ0 (θ 0 on obtient, en sommant : L n (x; θ > L n (x; θ On définit la suite (θ k k 0 par : { θ0 Θ k 0, θ k+1 = Argmax θ Θ Q(θ, θ k (2.4 Ainsi, pour tout k 0, Q(θ k+1, θ k Q(θ k, θ k, et on déduit donc, d après 2.3, que L n (x; θ k+1 L n (x; θ k La suite ( L n (x; θ k est donc une suite croissante. On admet que cette suite k 0 converge vers l estimateur du maximum de vraisemblance ˆθ n. 2.5 On cherche désormais à expliciter le passage de θ k à θ k+1. Par définition de la suite (θ k k 0 (cf 2.4, il s agit donc de trouver θ Θ qui maximise Q(θ, θ k. Commençons par réécrire Q(θ, θ k de façon à pouvoir réaliser une optimisation plus facile : Pour tout k N, on a par définition (cf 2.2 : Q(θ, θ k = ( p n (z x; θ k log p c n (x, z; θ z I n 5
6 On écrit E θ pour l espérance calculée quand le vrai paramètre est θ = (q i, µ i, σi 2 : [ Q(θ, θ k = E θk log ( p c n(x, z; θ ] X = x Or, d après 1.4 et 1.1 : Donc p c n(x, z; θ = n p c (x l, z l ; θ = n q zl f N (µzl,σz 2 l (x l ( [ n Q(θ, θ k = E θk log q zl f N (µzl,σz 2 l (x l = = [ ( E θk log q zl f N (µzl,σz 2 l (x l i=1 ] X = x ] X = x ( log q zl f N (µi,σi 2 (x l P θk (Z l = i X = x P θk (Z l = i X = x = P θk (Z l = i X l = x l car Z l ne dépend que de X l, d où : Q(θ, θ k = i=1 log ( q zl P θk (Z l = i X l = x l + } {{ } Q 1 i=1 log ( f N (µi,σi 2 (x l P θk (Z l = i X l = x l } {{ } Q 2 On note que l on peut maximiser indépendamment Q 1 par rapport aux (q i 1 i I et Q 2 par rapport aux (µ i 1 i I et aux (σ 2 i 1 i I. Maximisation de Q 1 par rapport aux (q i 1 i I On veut maximiser Q 1 sous la contrainte : On introduit le lagrangien : L(q 1, q 2,..., q I, λ = i=1 On a, pour tout j {1,..., I} : L q j = 0 q i = 1 i=1 log ( ( q zl P θk (Z l = i X l = x l + λ q i 1 i=1 1 P θk (Z l = j X l = x l + λ = 0 (5.1 q j P θk (Z l = j X l = x l = λ q j 6
7 Pour trouver la valeur de λ, on somme pour sur tous les j {1,..., I} : j=1 L q j = 0 j=1 j=1 P θk (Z l = j X l = x l = λ q j j=1 P θk (Z l = j X l = x l = λ } {{ } 1 n = λ Et en remplaçant λ dans (5.1, on obtient : 1 P θk (Z l = j X l = x l n = 0 Soit : q j q j = 1 n P θk (Z l = j X l = x l j=1 q j }{{} 1 Maximisation de Q 2 par rapport aux (µ i 1 i I et aux (σ 2 i 1 i I CAS 1D (image en niveaux de gris Dans ce cas, la fonction f s écrit : Q 2 s écrit donc : Q 2 (θ, θ k = = i=1 i=1 f N (µi,σ 2 i (x l = (x 1 l µ i 2 2σ e i 2 σ i 2π ( (x 1 l µ i 2 2σ log e i 2 P θk (Z l = i X l = x l σ i 2π ( log (σ i 12 log (2π (x l µ i 2 2σ 2 i Ainsi, pour tout j {1,..., I} : Q 2 (θ, θ k x l µ j = 0 µ j σ 2 P θk (Z l = j X l = x l = 0 j (x l µ j P θk (Z l = j X l = x l = 0 n µ j P θk (Z l = j X l = x l = µ j = P θk (Z l = i X l = x l x l P θk (Z l = j X l = x l x lp θk (Z l = j X l = x l P θ k (Z l = j X l = x l 7
8 On a également : ( Q 2 (θ, θ k σj 2 = 0 1 2σ 2 + (x l µ j 2 j 2σj 4 P θk (Z l = j X l = x l = 0 1 ( σ 2 2σj 4 j + (x l µ j 2 P θk (Z l = j X l = x l = 0 ( σ 2 j + (x l µ j 2 P θk (Z l = j X l = x l = 0 σj 2 σ 2 j = P θk (Z l = j X l = x l = (x l µ j 2 P θk (Z l = j X l = x l (x l µ j 2 P θk (Z l = j X l = x l P θ k (Z l = j X l = x l Finalement, pour tout k N et pour tout j {1,..., I} : (q i k+1 = 1 P θk (Z l = i X l = x l n (µ i k+1 = x lp θk (Z l = i X l = x l P θ k (Z l = i X l = x l (σ 2 i k+1 = (x l (µ i k 2 P θk (Z l = i X l = x l P θ k (Z l = i X l = x l CAS 3D (image en couleurs Dans ce cas, la fonction f s écrit : f N (µi,σ 2 i (x l = 1 det (σ 2 i (2π 3/2 e 1 2 (x l µ i T (σ 2 i 1 (x l µ i On maximise Q 2 en suivant les mêmes étapes que précédemment, en prenant en compte que σi 2 est ici la matrice de covariance de la variable aléatoire X k et que µ i est le vecteur des espérances. 8
9 On obtient, pour tout k N et pour tout j {1,..., I} : (µ i k+1 = x lp θk (Z l = i X l = x l P θ k (Z l = i X l = x l (σ 2 i k+1 = (x l (µ i k (x l (µ i k T P θk (Z l = i X l = x l P θ k (Z l = i X l = x l et on a toujours : (q i k+1 = 1 n P θk (Z l = i X l = x l 3 Résultats Nous avons écrit un programme qui permet de traiter des images en niveaux de gris ou en couleurs. Au démarrage du programme, l utilisateur décide quel type d images il souhaite traiter et combien de zones il veut distinguer. Il peut ensuite choisir de définir des graines ou de laisser l initialisation au programme (voir plus bas. S il travaille avec des images en niveaux de gris, le programme affiche alors 4 onglets : L image initiale L image segmentée L histogramme des niveaux de gris de l image initiale L approximation par des gaussiennes de cet histogramme, que réalise l algorithme EM En couleurs, le programme n affiche que les 2 premiers onglets cités. Pour dessiner l image segmentée, le programme remplace chaque pixel par l espérance de la gaussienne qui correspond à la zone à laquelle le pixel appartient avec la plus forte probabilité. Lorsque I augmente, la segmentation est donc évidemment plus précise. Ci-dessous, l image en niveaux de gris blood est segmentée en deux zones. 9
10 Voici maintenant l image en niveaux de gris lena, segmente e en quinze zones avec les histogrammes correspondant : 10
11 Ci-dessous, l image andy lau est segmente e par l algorithme en quatre zones, dix zones puis quinze zones. Perspectives Nous avons pense a 2 ame liorations possibles afin de rendre l algorithme plus performant : Condition d arre t : Dans son e tat actuel, l algorithme s arre te apre s un nombre d ite rations qui a e te de fini a l avance. Il serait profitable d introduire une condition d arre t pour gagner en temps d exe cution ou en pre cision. Celleci pourrait par exemple porter sur l e cart qui existe entre l histogramme exact et celui auquel aboutit l algorithme. Nombre de re gions : Le nombre de zones doit e tre de fini par l utilisateur. Il existe des me thodes, tel que le crite re MDL (Minimum Description Length issu de la the orie de l information, qui permettent de trouver le meilleur compromis entre une description pre cise de l image et un cou t relativement faible. 11
12 Initialisation : Il existe actuellement 2 me thodes d initialisation des suites (µi 1 i I et (σi2 1 i I. Dans le cas des images en niveaux de gris, nous avons choisi de partir de gaussiennes a faible variance et dont les espe rances sont uniforme ment re parties sur l ensemble des niveaux de gris (de 0 a 255. Nous obtenons des re sultats tre s satisfaisants. Pour les images en couleurs, nous n avons pas trouve de bonnes me thodes pour l initialisation et nous avons donc pense a laisser l utilisateur cliquer directement sur les pixels de l image dont les niveaux de rouge, de vert et de bleu deviennent alors les espe rances initiales des gaussiennes (principe des graines ou seeds en anglais. Nous obtenons ainsi une segmentation qui est meilleure mais pas ide ale. On peut alors penser que ce sont les matrices de covariance qui sont mal initialise es. Toujours est-il que cette mauvaise initialisation compromet certainement l efficacite de l algorithme, surtout pour les images en couleurs. (A noter que nous avons aussi rendu possible la de finition de graines pour les images en niveaux de gris Ci-dessous, l image peppers segmente e en trois zones par l algorithme EM avec une initialisation automatique (a gauche, puis avec une initialisation manuelle (a droite. En changeant l initialisation on obtient des re sultats tre s diffe rents. 12
13 andy lau segmenté en quinze zones avec une initialisation par graines : contrairement au résultat obtenu avec l initialisation automatique (voir ci-dessus, le bleu apparaît : 13
Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailVous avez cliqué sur le lien disponible sur le Site Uniformation. Vous venez d arriver sur cette page.
Vous avez cliqué sur le lien disponible sur le Site Uniformation. Vous venez d arriver sur cette page. Ce site vous permettra de faire votre demande d agrément en ligne. Première étape, vous identifier.
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailDirectives sur les relations avec les gouvernements de fait
Directives sur les relations avec les gouvernements de fait Lors de sa 100ième session (septembre 2010), le Conseil d'administration, conformément à l'article 52 des Principes et critères en matière de
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailRendu temps réel de mer et de nuages
Rendu temps réel de mer et de nuages Linares Antonin, Boyer Julien 17 décembre 2008 1 Résumé Nous allons traiter dans ce document les différentes méthodes explorées afin de parvenir à un rendu en temps
Plus en détailExclusion Mutuelle. Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr. Université de Provence. 9 février 2011
Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr Université de Provence 9 février 2011 Arnaud Labourel (Université de Provence) Exclusion Mutuelle 9 février 2011 1 / 53 Contexte Epistémologique
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailDétection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailSaisissez le login et le mot de passe (attention aux minuscules et majuscules) qui vous ont
I Open Boutique Sommaire : I Open Boutique... 1 Onglet «Saisie des Produits»... 3 Création d'une nouvelle fiche boutique :... 3 Création d'une nouvelle fiche lieux de retraits :... 10 Création d'une nouvelle
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailComment se connecter au VPN ECE sous vista
Comment se connecter au VPN ECE sous vista Pour commencer, aller dans le Centre de Réseau et partage (qui est aussi accessible via le panneau de configuration onglet internet et réseau), en faisant clic
Plus en détailGestion d un VIDÉOPROJECTEUR. ou d un ÉCRAN SECONDAIRE
Gestion d un VIDÉOPROJECTEUR ou d un ÉCRAN SECONDAIRE Version 3 -- 15 juin 2011 Préparé par Gilles Jacques Table des matières Sélection de l écran secondaire sur Windows XP. 3 Sélection de l écran secondaire
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailNOTICE D' UTILISATION CAMWORKS FRAISAGE. Luc Vallée Lycée Blaise Pascal Segré
NOTICE D' UTILISATION Luc Vallée Lycée Blaise Pascal Segré FRAISAGE SOMMAIRE allée Sciences et techniques Fiche n 1 - Généralités principe....page 3 Fiche n 2 - Lancer une application fraisage...page 7
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailGuide utilisateur Performance
Guide utilisateur Performance http://performance.solware.fr 1 SOMMAIRE A. Introduction : Présentation du service... 3 B. Connexion au site... 3 C. fonctionnement du site... 4 1. Informations du service...
Plus en détailFormats d images. 1 Introduction
Formats d images 1 Introduction Lorsque nous utilisons un ordinateur ou un smartphone l écran constitue un élément principal de l interaction avec la machine. Les images sont donc au cœur de l utilisation
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailJoueur B Pierre Feuille Ciseaux Pierre (0,0) (-1,1) (1,-1) Feuille (1,-1) (0,0) (-1,1) Ciseaux (-1,1) (1,-1) (0.0)
CORRECTION D EXAMEN CONTROLE CONTINU n 1 Question de cours Question 1 : Les équilibres de Cournot et de Stackelberg sont des équilibres de situation de duopole sur un marché non coopératif d un bien homogène.
Plus en détailSUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION)
Terminale S CHIMIE TP n 2b (correction) 1 SUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION) Objectifs : Déterminer l évolution de la vitesse de réaction par une méthode physique. Relier l absorbance
Plus en détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détail1.6- Génération de nombres aléatoires
1.6- Génération de nombres aléatoires 1- Le générateur aléatoire disponible en C++ 2 Création d'un générateur aléatoire uniforme sur un intervalle 3- Génération de valeurs aléatoires selon une loi normale
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailPar Richard Beauregard. Novembre 2011
Par Richard Beauregard Novembre 2011 La lutte contre le bruit et autres parasites lumineux Le temps d exposition versus le compositage Les images de prétraitement L'image de précharge (Offset ou Bias)
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailProjet Matlab : un logiciel de cryptage
Projet Matlab : un logiciel de cryptage La stéganographie (du grec steganos : couvert et graphein : écriture) consiste à dissimuler une information au sein d'une autre à caractère anodin, de sorte que
Plus en détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailChoisir le mode d envoi souhaité. Option 1 : Envoyer un SMS à un nombre réduit de numéros (0 10 )
Ce service permet d effectuer des envois de SMS texte à partir d une source de numéros de GSM (Maroc Telecom, Meditel,INWI ou Etrangers) sous format texte ou sous format Excel. Il est nécessaire au préalable
Plus en détailRay-grass anglais auto-regarnissant
Robuste COMME L ACIER Ray-grass anglais auto-regarnissant Une technologie révolutionnaire : auto-regarnissage et tolérance au jeu la plus élevée, même avec une tonte courte! RPR technology inside! RPR
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailL import /export @GoogleDocs : Mise à jour rapide de votre catalogue
L import /export @GoogleDocs : Mise à jour rapide de votre catalogue L export @GoogleDocs se situe au dessus du résultat de la recherche, qu elle soit simple ou avancée. En cliquant sur le texte «Export
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailUtilisation des fonctions financières d Excel
Utilisation des fonctions financières d Excel TABLE DES MATIÈRES Page 1. Calcul de la valeur acquise par la formule des intérêts simples... 4 2. Calcul de la valeur actuelle par la formule des intérêts
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailRapport de stage, SARL Alligator Communication
, SARL Alligator Communication Benjamin DESCAMPS IUT Gestion des Entreprises et Administrations Université des Sciences et Technologies de Lille DESCAMPS Benjamin le 23 mars 2003 3 1 sur 24 , SARL Alligator
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailAteliers de formation Internet. Statistiques de site
Ateliers de formation Internet Statistiques de site Suivre et analyser les performances Objectif de ce module : donner les clés de l analyse de trafic de base pour faire évoluer son site en accord avec
Plus en détailLES TAUX REMONTENT? L injection massive de liquidite s par les banques centrales et ses conse quences
LES TAUX REMONTENT? L injection massive de liquidite s par les banques centrales et ses conse quences Comme présagé dans notre note du trimestre précédent et alors que la plupart des opérateurs financiers
Plus en détailChapitre 22 Optimisation pour diffusion à l'écran, pour le web
1 1 9 9 7 7 Optimisation pour diffusion à l'écran, pour le web Diffusion pour le web........................ 31 Les paramètres avant l exportation................. 31 Optimisation pour le web......................
Plus en détailGuide d utilisation. Gamme Telium. Application AMEX EMV 722 02 5x
Guide d utilisation Gamme Telium Application AMEX EMV 722 02 5x Ingenico 28/32 boulevard de Grenelle 75015 Paris Tel. 33(0)1 58 01 80 00 Fax. 33(0)1 58 01 91 35 ingenico@ingenico.com Guide d Utilisation
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailGuide d usage pour Word 2007
Formation TIC Septembre 2012 florian.jacques@etsup.com Guide d usage pour Word 2007 ETSUP 8 villa du Parc Montsouris 75014 PARIS SOMMAIRE Interface... 2 Organiser son espace de travail... 3 La barre d
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailUnity Real Time 2.0 Service Pack 2 update
Unity Real Time 2.0 Service Pack 2 update Configuration des Objectifs Analytiques La nouvelle version permet, en un écran, de configurer un lot, un panel ou un instrument. Le menu est accessible au moyen
Plus en détailIncluant l analyse du patrimoine. Description du rapport (Couple seulement)
Incluant l analyse du patrimoine Description du rapport (Couple seulement) Révisé le 25 mai 2011 Table des matières 1. Introduction... 3 1.1 Le rapport PRO et Patrimoine : outil privilégié de communication
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailGestion électronique des procurations
Gestion électronique des procurations Table des matières Généralités... 2 1. Approuver des procurations... 4 1.1 Section «Procurations à approuver»... 4 1.2 Section «Signaux»... 6 1.3 Messages particuliers...
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailMarketing Efficiency Cloud : All-in-One, End-to-End
Marketing Resource Management avec Marketing Efficiency Cloud de BrandMaker Davantage de transparence Le marketing repose sur des process. BrandMaker Marketing Efficiency Cloud contrôle ces process et
Plus en détailRéalisation de cartes vectorielles avec Word
Réalisation de cartes vectorielles avec Word Vectorisation de la carte Après avoir scanné ou avoir récupéré un fond de carte sur Internet, insérez-la dans votre fichier Word : Commencez par rendre visible
Plus en détailGuide d utilisation de PL7 Pro Récupérer ou transférer un programme
Guide d utilisation de PL7 Pro Récupérer ou transférer un programme 1. Connecter le câble Connecter le câble à l ordinateur sur un port USB (utiliser toujours le même de préférence). Connecter ensuite
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détail