Segmentation d'images et détection de contours
|
|
- Martine Normand
- il y a 7 ans
- Total affichages :
Transcription
1 Segmentation d'images et détection de contours (Transparents grace à Yves Goussard) Lecture: Jennifer Campbell ELE mars 2016 Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
2 La segmentation Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
3 Plan 1 Introduction 2 Détection de contours Formulation du problème Méthodes élémentaires : gradient et laplacien Méthode de Canny Détection de frontières 3 Segmentation de régions Position du problème Techniques de seuillage global Techniques de seuillage local ou adaptatif Autres méthodes Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
4 Introduction Introduction Qu'est ce que la segmentation? Partitionnement d'une image en régions R i connexes (en un sens à préciser) Segmentation en régions Chaque région doit satisfaire une propriété P(R i ) Deux régions voisines ne doivent pas satisfaire la même propriété Dualité contour région c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
5 Introduction Contours ou régions? Formulations équivalentes? Réponse théorique : oui Réponse pratique : non Distinction des deux formulations Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
6 Détection de contours Formulation du problème Détection de contours Position du problème Contour et détection Contour : discontinuité dans l'intensité de l'image Contenu hautes fréquences Détection de contour : ltrage passe-haut Cadre 1D Filtrage passe haut en temps continu : dérivée première ou seconde Filtrage passe haut en temps discret : diérences premières ou secondes Diérences premières : d 1 (x) = f (x) f (x 1) ou d 1 (x) = f (x + 1) f (x 1) Diérences secondes : d 2 (x) = f (x + 1) 2f (x) + f (x 1) Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
7 Détection de contours Formulation du problème Diérences premières et secondes Comportement fréquentiel Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
8 Détection de contours Formulation du problème Types de contours et détection Types de contours c R. C. Gonzalez & R. E. Woods Eet des opérateurs de diérences premières et secondes c R. C. Gonzalez & R. E. Woods Diérences premières : opérateur standard non centré, contours épais Diérences secondes : double réponse détection des passages par zéro Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
9 Détection de contours Formulation du problème Sensibilité au bruit Eet de diérents niveaux de bruit sur les détecteurs par diérences c R. C. Gonzalez & R. E. Woods Synthèse Diérences premières : opérateur standard non centré, contours épais Diérences secondes : double réponse passages par zéro Forte sensibilité au bruit Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
10 Détection de contours Méthodes élémentaires : gradient et laplacien Méthodes élémentaires de détection de contours Gradient de l'image Dénition et propriétés élémentaires ( ) f / x Dénition : f (x, y) = f / y Magnitude : rapidité des variations de f Direction : plus grande pente Le gradient est orthogonal aux lignes de niveau et aux discontinuités fortes (contours) Approximations numériques Opérateurs centrés exacts : f x = ( 1 0 1) f ; f y = f Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
11 Détection de contours Méthodes élémentaires : gradient et laplacien Détection par gradient Approximations numériques Exemple d'opérateur utilisé : Prewitt f = f ; x ( ) t f = f y x Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
12 Détection de contours Méthodes élémentaires : gradient et laplacien Détection par gradient Approximations numériques Exemple d'opérateur utilisé : Sobel f f = 2 ( 1 0 x ) f ; ( ) t f = f y x Justication : interprétation fréquentielle Autres approximations possibles (Roberts,...) Détection directionnelle des contours Magnitude : norme du gradient Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
13 Détection de contours Méthodes élémentaires : gradient et laplacien Opérateurs de gradient Interprétation fréquentielle Operateur de Sobel Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
14 Détection de contours Méthodes élémentaires : gradient et laplacien Méthodes élémentaires de détection de contours Laplacien de l'image Dénition et propriétés élémentaires Dénition : 2 f (x, y) = 2 f x f y 2 Isotrope : pas d'indication de direction des variations Magnitude : rapidité des variations de f Approximations numériques 2 = Somme d'opérations 1D 2 = Meilleure isotropie Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
15 Détection de contours Méthodes élémentaires : gradient et laplacien Méthodes élémentaires de détection de contours Synthèse Laplacien Isotrope Très sensible au bruit (diérences secondes) Possibilité limitée de mise en uvre par opérateurs 1D Double réponse aux discontinuités = détection des passages par zéro Gradient Directionnel Moins sensible au bruit (diérences premières) Possibilité de mise en uvre par opérateurs 1D Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
16 Détection de contours Méthodes élémentaires : gradient et laplacien Application pratique Utilisation du gradient Détection par la magnitude du gradient (norme L 1 ou L 2 ) Opérateurs de Sobel : lissage partiel Possibilité de lissage préalable supplémentaire Possibilité de détection directionnelle Mise en uvre ecace par opérateurs 1D Exemple : voir demo_grad.m Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
17 Détection de contours Méthodes élémentaires : gradient et laplacien Application pratique Exemple : Gradient - corpus callosum Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
18 Détection de contours Méthodes élémentaires : gradient et laplacien Application pratique Utilisation du laplacien Nécessité de Faire un ltrage préalable au moins aussi ecace que pour le gradient Détecter les passages par zéro Méthode de Marr-Hildreth laplacien de la gaussienne (LoG) (gaussienne 2D et laplacien) Paramètre : écart-type σ (support : valeur impaire, 4 ou 6 σ) assurer la nullité de la somme des coecients Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
19 Détection de contours Méthodes élémentaires : gradient et laplacien Application pratique Méthode de Marr-Hildreth : mise en uvre Détection des passages par 0 : opération délicate Filtrage gaussien : séparable ; laplacien : somme d'opérateurs 1D = Mise en uvre par opérateurs 1D Approximation séparable du ltre LoG par la diérence de deux gaussiennes 2D d'écart-type diérent ; séparabilité préservée c R. C. Gonzalez & R. E. Woods Exemple : voir demo_lap.m Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
20 Détection de contours Méthodes élémentaires : gradient et laplacien Application pratique Exemple : Sobel (centre) et Marr-Hildreth (droit) Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
21 Détection de contours Méthode de Canny Détection de contours : méthode de Canny Démarche Objectifs Faible taux d'erreurs Localisation précise des contours Contours ns (1 pixel) Pour certains modèles de contours (1D) (step) Détecteur optimal : dérivée première de la gaussienne Extension 2D : gradient d'une gaussienne 2D g x (x, y) = x x2 2 +y σ e 2σ 2 g y (x, y) = y x2 2 +y 2 σ e 2σ 2 2 Approximation numérique : gradient numérique d'un masque gaussien (voir méthode de Marr-Hildreth) Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
22 Détection de contours Méthode de Canny Détection de contours : méthode de Canny Anage des contours Seuillage de la magnitude de la sortie du détecteur Évaluation de la direction du gradient (orthogonal aux contours) Suppression du point s'il n'est pas un maximum local dans la direction du gradient c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
23 Détection de contours Méthode de Canny Détection de contours : méthode de Canny Réduction des fausses détection et connexion des contours Approche : seuillage avec hystérésis Double seuil Conservation des pixels faibles seulement s'ils vérient certaines propriétés (connexité) relativement à des pixels forts ou précédemment conservés Exemple : voir demo_canny.m Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
24 Détection de contours Détection de frontières Détection de frontières Position du problème Contours détectés : représentation incomplète des frontières présentes dans l'image Nécessité de joindre entre eux les éléments d'une même frontière Approches Approche locale Seuillage avec hystérésis (Canny) Méthodes empiriques : magnitude semblable et angle du gradient correct Approche par régions (exemple : approximations polygonales) voir manuel Approche globale : transformée de Hough Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
25 Détection de contours Détection de frontières Transformée de Hough (1) Démarche Détection de l'ensemble des points de contour appartenant à une même courbe paramétrée Cas typique : les points appartiennent à une même droite Illustration : droite paramétrée selon y = ax + b c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
26 Détection de contours Détection de frontières Transformée de Hough (2) Mise en uvre Paramétrisation plus générale d'une droite : x cos θ + y sin θ = ρ Extension possible à d'autres types de courbes paramétrées En général, détection des échantillons de plus forte amplitude dans le domaine transformé (contours les plus longs) Nécessité de post-traitements (connexion des éléments de frontière) c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
27 Détection de contours Détection de frontières Transformée de Hough (3) Exemple c R. C. Gonzalez & R. E. Woods Exemple : voir demo_hough.m Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
28 Segmentation de régions Position du problème Segmentation de régions (1) Position du problème Objectif : partitionnement de l'image Cas courant : chaque région caractérisée par son intensité moyenne certaines variations Introduction Types de variations bruit variations lentes Importance de l'histogramme Autres eets (exemple : taille des régions) Eet signicatif sur les propriétés de l'histogramme Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
29 Segmentation de régions Position du problème Segmentation de régions (2) Exemple : eet du bruit c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
30 Segmentation de régions Position du problème Segmentation de régions (3) Exemple : eet de variations lentes de l'intensité c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
31 Segmentation de régions Position du problème Segmentation de régions (4) Exemple : eet de la taille des régions c R. C. Gonzalez & R. E. Woods Limitation de l'approche par histogramme Perte des caractéristiques propres aux images (2D, voisinage,...) Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
32 Segmentation de régions Position du problème Segmentation de régions (4) Exemple : eet de la taille des régions c R. C. Gonzalez & R. E. Woods Limitation de l'approche par histogramme Perte des caractéristiques propres aux images (2D, voisinage,...) Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
33 Segmentation de régions Techniques de seuillage global exemple : EM Approche empirique Choix des seuils par inspection de l'histogramme Exemple : voir manuel, pages 742 et 743 Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
34 Segmentation de régions Techniques de seuillage global Techniques de seuillage global Estimation du ou des seuils : méthode de Otsu Deux régions Critère de type information : maximisation de la dispersion entre classes Dispersion : η = σ2 B σ 2 G σ 2 B = P 1(m 1 m G ) 2 + P 2 (m 2 m G ) 2 Pour un seuil k donné : η(k) = (m(k) P 1(k)m G ) 2 P 1 (k)(1 P 1 (k)) Calcul facile, mais maximisation par calcul de η(k) pour tous les k Possibilité d'extension pour plusieurs niveaux Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
35 Segmentation de régions Techniques de seuillage global Méthode de Otsu Exemple de résultat c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
36 Segmentation de régions Techniques de seuillage global Méthode de Otsu Eet du bruit et de la taille des régions Approche Calcul de l'histogramme dans une partie de l'image rétablissant l'équilibre entre taille des régions Étapes du traitement Voisinage de la frontière Détection des contours et seuillage par une méthode vue précédemment Calcul de l'histogramme sur les pixels des contours ou un voisinage de ceux-ci Méthode de Otsu sur l'histogramme ainsi obtenu Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
37 Segmentation de régions Techniques de seuillage global Méthode de Otsu Exemple : histogramme sur les pixels des contours c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
38 Segmentation de régions Techniques de seuillage local ou adaptatif Techniques de seuillage local ou adaptatif Seuillage global Simple Caractéristiques propres aux images non prises en compte Seuillage local Division en sous-images (vignettes) Traitement indépendant des vignettes avec les techniques précédentes Ecace pour des variations lentes de l'intensité Taille des vignettes? Notion de voisinage? Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
39 Segmentation de régions Techniques de seuillage local ou adaptatif Seuillage adaptatif Segmentation de texte manuscrit c R. C. Gonzalez & R. E. Woods Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
40 Segmentation de régions Autres méthodes Autres méthodes (1) Approches précédentes Simplicité Forte composante empirique Prise en compte très partielle des caractéristiques propres aux images Approches par régions Croissance de région, division et agrégation, morphologie mathématique (voir manuel, pages 763 à 778) Meilleure prise en compte des caractéristiques propres aux images Composante empirique signicative Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
41 Segmentation de régions Autres méthodes Autres méthodes (2) Autres algorithmes : modèles déformables (snakes contours actifs) modèle markovien modèle non-locale segmentation supervisé ; entrainement manuel segmentation avec information a priori : atlas Level Sets extended minima k-means autres méthodes spéciques... Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
42 Segmentation de régions Autres méthodes Exemple : segmentation par modèle markovien Modèles utilisés Modèle de régions : champ de Markov à valeurs discrètes Estimation du modèle non observé (MAP) Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
43 Segmentation de régions Autres méthodes Exemple : segmentation du cerveau avec information a priori et modèle non-locale Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
44 Segmentation de régions Autres méthodes Exemple : segmentation du cerveau avec information a priori et modèle non-locale Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
45 Segmentation de régions Autres méthodes Exemple : segmentation des vaisseaux sanguins avec gradient et Level Sets Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
46 Segmentation de régions Autres méthodes Exemple : segmentation du corpus callosum avec gradient et Watershed Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
47 Segmentation de régions Autres méthodes Exemple : segmentation avec tractography Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
48 Segmentation de régions Autres méthodes La segmentation Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
49 Segmentation de régions Autres méthodes Exemple : segmentation avec tractography Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
50 Segmentation de régions Autres méthodes Exemple : segmentation avec tractography Lecture: Jennifer Campbell (ELE8812) Segmentation d'images mars / 49
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 détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailVision par ordinateur : outils fondamentaux. Radu HORAUD et Olivier MONGA. Deuxieme edition. Editions Hermes
Vision par ordinateur : outils fondamentaux Radu HORAUD et Olivier MONGA Deuxieme edition Editions Hermes Vision par ordinateur : outils fondamentaux Radu HORAUD, CNRS et Olivier MONGA, INRIA Deuxieme
Plus en détailMode d'emploi du plugin Grayscale_Granulometry
Mode d'emploi du plugin Grayscale_Granulometry D. Legland 27 mars 2013 Mode d'emploi rapide du plugin Grayscale Granulometry pour ImageJ. Le plugin permet de calculer des courbes de granulométrie en niveaux
Plus en détailPlan du cours : électricité 1
Semestre : S2 Module Physique II 1 Electricité 1 2 Optique géométrique Plan du cours : électricité 1 Partie A : Electrostatique (discipline de l étude des phénomènes liés aux distributions de charges stationnaires)
Plus en détailCours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailG.P. DNS02 Septembre 2012. Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3. Réfraction
DNS Sujet Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3 Réfraction I. Préliminaires 1. Rappeler la valeur et l'unité de la perméabilité magnétique du vide µ 0. Donner
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 détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailDétection et suivi d'objets dans une séquence d'images par contours actifs
Détection et suivi d'objets dans une séquence d'images par contours actifs A. Fekir (1), N. Benamrane (2) et A. Taleb-Ahmed (3) (1) Département d informatique, Université de Mustapha Stambouli, BP 763,
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailFORD C-MAX + FORD GRAND C-MAX CMAX_Main_Cover_2013_V3.indd 1-3 22/08/2012 15:12
1 2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 26 28 30
Plus en détailFOSMOR Fooo Optical Sheet Music Recognition
Fooo Optical Sheet Music Recognition Rapport de Projet Soutenance nale, le 26 Mai 2009 Félix Flx Abecassis (abecas_e) Christopher Vjeux Chedeau (chedea_c) Vladimir Vizigrou Nachbaur (nachba_v ) Alban Banban
Plus en détailModélisation intégrée des écoulements pour la gestion en temps réel d'un bassin versant anthropisé
1 TGR Modélisation intégrée des écoulements pour la gestion en temps réel d'un bassin versant anthropisé Simon Munier Institut des Sciences et Industries du Vivant et de l'environnement (AgroParisTech)
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailPhysique: 1 er Bachelier en Medecine. 1er juin 2012. Duree de l'examen: 3 h. Partie 1: /56. Partie 2 : /20. Nom: N ō carte d étudiant:
Nom: Prénom: A N ō carte d étudiant: Physique: 1 er Bachelier en Medecine 1er juin 2012. Duree de l'examen: 3 h Avant de commencer a repondre aux questions, identiez-vous en haut de cette 1ere page, et
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 détailMathématiques et petites voitures
Mathématiques et petites voitures Thomas Lefebvre 10 avril 2015 Résumé Ce document présente diérentes applications des mathématiques dans le domaine du slot-racing. Table des matières 1 Périmètre et circuit
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailAnalyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailTHÈSE. Mesures statistiques non-paramétriques pour la segmentation d'images et de vidéos et minimisation par contours actifs
Université de Nice - Sophia Antipolis École doctorale STIC (Sciences et Technologies de l'information et de la Communication) THÈSE pour obtenir le titre de Docteur en Sciences Mention : Automatique, Traitement
Plus en détailUtilisation du logiciel ImageJ gratuit
Utilisation du logiciel ImageJ gratuit on peut récupérer sur le lien suivant : http://rsbweb.nih.gov/ij/ à partir duquel ce résumé très bref (!!) a été élaboré Lancer ImageJ Vous avez une fenêtre qui s'ouvre
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailELASTICITE DE LA DEMANDE Calcul de l'elasticite & Applications Plan du cours I. L'elasticite de la demande & ses determinants II. Calcul de l'elasticite & pente de la courbe de demande III. Applications
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailImmersion - Vision 3D dans la RV.
Cours RVS Master II IVA Immersion - Vision 3D dans la RV. Cours de Réalité Virtuelle et Simulation Master II - IVA A. Mebarki - Maître de Conférences Département d'informatique Faculté des Mathématiques
Plus en détailLa simulation de vol à base mobile. 1 Introduction. 1.1 Des pionniers à aujourd'hui EPREUVE COMMUNE DE TIPE 2009
EPREUVE COMMUNE DE TIPE 2009 La simulation de vol à base mobile 1 Introduction On peut dénir un simulateur de vol comme un système dans lequel un pilote réel est aux 5 commandes d'un avion virtuel dont
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailprogression premiere et terminale
progression premiere et terminale s.2 s.3 valette SEQUENCE Séance Objectif Contenu du cours Compétences Savoirs 1 1. Le bilan comportemental Identifier les objectifs de la connaissance de soi Utiliser
Plus en détailEnregistrement et transformation du son. S. Natkin Novembre 2001
Enregistrement et transformation du son S. Natkin Novembre 2001 1 Éléments d acoustique 2 Dynamique de la puissance sonore 3 Acoustique géométrique: effets de diffusion et de diffraction des ondes sonores
Plus en détail- un Sigma DP1 Quattro (http://www.focus-numerique.com/test-2116/compact-sigma-dp1-quattro-presentationcaracteristiques-1.html)
Par Renaud Labracherie, 31 Mai 2015 12h12 Pour clore notre mois noir & blanc (http://www.focus-numerique.com/50-nuances-gris-focus-numerique-mois-mainews-6880.html), nous souhaitions faire un comparatif
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailVers l'ordinateur quantique
Cours A&G Vers l'ordinateur quantique Données innies On a vu dans les chapîtres précédents qu'un automate permet de représenter de manière nie (et même compacte) une innité de données. En eet, un automate
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailBandes Critiques et Masquage
Bandes Critiques et Masquage A. Almeida Licence Pro Acoustique et Vibrations Octobre 2012 Au Menu Au programme 1 Observations du masquage 5 Application du masquage 2 Conséquences du Masquage 3 Interprétation
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailLes étapes du traitement de l analyse d image
Les étapes du traitement de l analyse d image La capture image brute Prétraitement niveaux de gris Segmentation image binaire Post-traitement régions d intérêts Amélioration Publication Quantification
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailSegmentation d'images à l'aide d'agents sociaux : applications GPU
Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailProjet audio. Analyse des Signaux ELE2700
ÉCOLE POLYTECHNIQUE DE MONTRÉAL Département de Génie Électrique Projet audio Analyse des Signaux ELE2700 Saad Chidami - 2014 Table des matières Objectif du laboratoire... 4 Caractérisation du bruit...
Plus en détailMathématiques I Section Architecture, EPFL
Examen, semestre d hiver 2011 2012 Mathématiques I Section Architecture, EPFL Chargé de cours: Gavin Seal Instructions: Mettez votre nom et votre numéro Sciper sur chaque page de l examen. Faites de même
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
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 détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailINFORMATIQUE : LOGICIELS TABLEUR ET GESTIONNAIRE DE BASES DE DONNEES
MINISTERE DE LA COMMUNAUTE FRANCAISE ADMINISTRATION GENRALE DE L ENSEIGNEMENT ET DE LA RECHERCHE SCIENTIFIQUE ENSEIGNEMENT DE PROMOTION SOCIALE DE REGIME 1 DOSSIER PEDAGOGIQUE UNITE DE FORMATION INFORMATIQUE
Plus en détailSUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques
SUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques Durée 4 h Si, au cours de l épreuve, un candidat repère ce qui lui semble être une erreur d énoncé, d une part il le signale au chef
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailCHAPITRE IV Oscillations libres des systèmes à plusieurs degrés de liberté
CHAPITE IV Oscillations ibres des Systèmes à plusieurs derés de liberté 010-011 CHAPITE IV Oscillations libres des systèmes à plusieurs derés de liberté Introduction : Dans ce chapitre, nous examinons
Plus en détailGENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
Plus en détailTable des matières. 10 Gimp et le Web. Option de traitement d'images Mémento pour la séance N o 8. 10.1 Création d'animation
Université de NiceSophia Antipolis Semaine du 26 novembre 2007 Licence de Sciences de la vie, semestre 1 Option de traitement d'images Mémento pour la séance N o 8 Table des matières 10 Gimp et le Web
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
Plus en détailSUPERVISION : Smart Condition Monitoring. Brand of ACOEM
SUPERVISION : Smart Condition Monitoring Brand of ACOEM 30 ANS D expérience OneProd présente SUPERVISION, une nouvelle génération d applications web dédiées à la maintenance conditionnelle intelligente.
Plus en détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailFranck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER
Utilisation d images dérivées d un jeu de données LIDAR pour la détection automatisée de vestiges archéologiques (programme de recherche méthodologique LiDARCHEO) Franck VAUTIER, Jean-Pierre TOUMAZET,
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailCodage vidéo par block matching adaptatif
Traitement et analyse d'images(39) Codage vidéo par block matching adaptatif Abdelhamid Djeffal Département d informatique Université Mohamed Khider BISKRA, ALGERIE Abdelhamid_Djeffal@yahoo.fr Zine Eddine
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
Plus en détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Plus en détailInstitut Informatique de gestion. Communication en situation de crise
Institut Informatique de gestion Communication en situation de crise 1 Contexte Je ne suis pas un professionnel de la communication Méthode empirique, basée sur l(es) expérience(s) Je suis actif dans un
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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailIndices de stratégie de SIX Structured Products. Les indices de référence pour les produits structurés
Indices de stratégie de SIX Structured Products Les indices de référence pour les produits structurés Misez sur nos indices Stratégie La procédure de sélection Possibilité de comparaison grâce aux indices
Plus en détailEquipement. électronique
MASTER ISIC Les générateurs de fonctions 1 1. Avant-propos C est avec l oscilloscope, le multimètre et l alimentation stabilisée, l appareil le plus répandu en laboratoire. BUT: Fournir des signau électriques
Plus en détailD'UN THÉORÈME NOUVEAU
DÉMONSTRATION D'UN THÉORÈME NOUVEAU CONCERNANT LES NOMBRES PREMIERS 1. (Nouveaux Mémoires de l'académie royale des Sciences et Belles-Lettres de Berlin, année 1771.) 1. Je viens de trouver, dans un excellent
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailM2R IMA UE CONF Présentation
M2R IMA UE CONF Présentation L objectif de l UE «Conférences» est de : 1. Présenter des applications du traitement d images dans divers domaines industriels ou académiques. 2. Apporter des compléments
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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailObject detection in underwater images
Object detection in underwater images Sébastien Helan (1), Jean-Christophe Burie (1), Thierr Bouwmans (1), Stéphane Bazeille (2) (1) Laboratoire L3i, Université de La Rochelle, 17042 La Rochelle Cede 1,
Plus en détail