M2R IMA UE CONF Présentation

Dimension: px
Commencer à balayer dès la page:

Download "M2R IMA UE CONF Présentation"

Transcription

1 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 de cours par rapports aux autres UE. 3. Fournir des contacts pour le stage de recherche de M2. M2R IMA UE CONF Présentation Date Intervenants Affiliation Application Compléments 20/11 Th. Bernard A. Manzanera ENSTA Rétine A 3 27/11 F. Tupin ENST Télédétection Signal / Radar 4/12 J. Delon ENST Méthodes a contrario 11/12 V. Bouatou Sagem Biométrie 18/12 B. Collin DGA Défense Evaluation 8/1 F. Schmitt ENST Art / Archéologie Imagerie 3d 15/1 Ph. Starck CEA Astrophysique Multi-échelles 1

2 Traitement d images sur Rétine Programmable Antoine Manzanera ENSTA / Lab. d électronique et d informatique Plan de la présentation Contexte et objectifs de la recherche Rétine : aspects combinatoires Liens avec la morphologie mathématique Recherches actuelles et perspectives 2

3 Objectif global de la recherche L objectif est la minimisation globale du coût computationnel des systèmes de vision. Ce coût se traduit en termes de : - Temps de calcul - Energie consommée - Encombrement matériel D autre part, il se répartit dans les différentes fonctions du système : - Calcul - Transfert de données - Contrôle Aujourd hui la principale source de coût computationnel pour les systèmes de vision réside dans l accès aux données. L objet principal des rétines programmables est de réduire au strict minimum le transfert de données. L enjeu réside donc dans le développement de systèmes de vision embarqués, donc temps-réel, de petite taille et à longue autonomie. Traitement Acquisition + Traitement d images bas et moyen dans niveautraitement le plan focal haut (x,y) niveau TRAITEMENT PLAN FOCAL CALCULATEUR EXTERNE Σ 3

4 Phototransduction Les rétines programmables Conversion Traitement analogique Traitement numérique A/N séquençage est Le ProgramMultiple modèle un modèle de fonctionnement de type SIMD(Single de la rétine Instruction numérique Multiple en tant Data)ou que machine SPMD(Single parallèle, La rétine Bus Data). programmable, machine parallèle d instruction synchro. pgm1 synchrone logique séquentielle synchro. p séquençage as de pgm2 asynchrone logique combinatoire 4

5 Pvlsar 2004 (Th. Bernard 2005) Rétine booléenne SIMD 200x200 AMS 0,35 µm Système de vision à base de + Architecture hétérogène. rétine hybride. synchrone asynchrone + Fusionacquisition/traitement. numérique analogique 5

6 Processeurs pixelliques booléens BU x 1 x 2 x 3 x 4 x 5 x 6 y 1 y 2 y 3 y 4 y 5 y 6 y 7 y 8 Mémoire : -Données (RAM) - Calcul (registres) Le processeur pixellique de Pvlsar 34 et son unité booléenne Le réseau de processeurs pixelliques et sa topologie 4-connexe Plan de la présentation Contexte et objectifs de la recherche Rétine : aspects combinatoires Liens avec la morphologie mathématique Recherches actuelles et perspectives 6

7 Aspects combinatoires y 1 y 2 y 3 y 4 y 5 y 6 y 7 y 8 BU x 1 x 2 x 3 x 4 x 5 x 6 Avec cette architecture, on peut représenter les données manipulées par la rétine comme un ensemble de n plans (images) binaires. Les instructions élémentaires sont alors : - Une opération booléenne binaire : p i = p j p k ; p i = p j p k ; / -Une translation élémentaire : p i = p j EST ; p i = p j NORD ; / Le problème algorithmique revient à : calculer une certaine fonction booléenne d un support (voisinage) donné, en effectuant le moins d opérations possible (temps), et en utilisant le moins de registres mémoire possible (espace). C est en grande partie un problème de minimisation booléenne, il est donc tentant de voir ce qu on peut obtenir avec les décompositions canoniques p 1 p 2 p x8x9 x4x5x6x7 3 p n-1 p n z x 1x2x3 f(,..., x1n x) z=. fx jkkjk Forme disjonctive α ( ) )=.... tn Au (n plus 2 On2) n.... xn x (1,... C=3 y~ jx =j jy ii z = x8x9 x4x5x6x7 zy x 1x2x3 monômes de n variables p 1 p 2 p 3 Cen= Nombre max d opérations (temps) Nombre max de registres mémoire (espace) 7

8 fx,... xn) x1f xn) x Expansion de Shannon C 13 = 2) f(0,,x n ) f(1,,x n ) = 21+ x 1 = 1+ f x) ( ) ( ) ( 1 (0,... 1(1,... n CenCen tnctn Cen=O(n tno(n C= ) récursion 2k Diagramme de décision binaire 22n k k n-k nombre de variables x 1.. Au niveau de récursion k, on calcule 2 k fonctions à (n-k) variables. CenO(n 22n/ )) tn= Le BDD provient de la compaction de l expression produite par l expansion de Shannon. C=. x 1 Or, il «n y a que» 2 2n-k fonctions à (n-k) variables. (On prend k = log(n-log n)) 8

9 Conclusion sur les formes canoniques Si l on considère les bornes sup de complexité fournies par les formes canoniques, ça ne se passe pas très bien, d autant qu un résultat dû à Shannon (1949) montre que la plupart des fonctions booléennes à n variables doivent avoir une complexité supérieure à 2 n /n : Ensemble des fonctions à n variables de complexité inférieure à 2 n /n Card(F(n, 2 n /n)) = o(card(b n )) Ensemble des fonctions à n variables. Oui, mais : (1) Les fonctions intéressantes sont peut-être dans F(n, 2 n /n). (2) La décomposition spatiale nous permet de réduire n. La décomposition spatiale Exemple : un unique opérateur associatif La décomposition spatiale exploite la géométrie du support de la fonction booléenne pour factoriser spatialement la fonction booléenne. On va illustrer ce principe dans 2 fonctions particulières : - Les fonctions seuil binaires. - Les squelettes par amincissement. 9

10 Tnk( x1,..., xn) 1ii nxk Les fonctions seuil binaires Les fonctions seuil binaires sont définies comme suit : Calculées sur un support carré, elles se décomposent T3 1( x1, xceop. 2, x3) =2 31 spatialement de façon très 2x1x2x3 T32( x1, x2, x3) ( xct 31Ceop. ( x 12) x( 2) x31( x 32) x( 3x) 2x3) 3 efficace : 4 T3 3( x1ct, xceop. 2, x3) 3x21x2x3 T T = = T3= T3= T3= T3= T3= T3= = =1 Ct(1) (1) (2) T3 (2) 2 (3) (3) =2 W.E 31 T32 N.S W.E T3 2 T31 T9 T 2 dilatation morphologique binaireérosion morphologique binaire Application aux images binaires ouverture Imorphologique binaire1fermeture () morphologique binaire9( ) 9 I Tδ = 9 I Tε = filtre majoritaire 95( I) Tµ = ( I) (( I)) γ =δ ε I ϕ =ε δ ()(( I)) contours binaires ()\(( I)) µ Iµ ε 10

11 loi Calcul des P-simplicité8-connexe FN squelettes + par amincissement Isotropie Algorithme MB1 d évolution loi P-simplicité8-connexe FN FN Isotropie + Algorithme MB2 \ d évolution \ NE. calcul intérieurs points des calcul de la NEWS.NEWS E4 calcul config. de NWSENESW la E4.NE calcul config. de la Calcul des squelettes par amincissement E4.WS.N β α1 \\\\ ENWN α α2.swne SW. avec Algorithmes parallèles α= α1, on α2, en obtient complètement on 8-connexité obtient MB1-8. MB2-8. : MB1-8 MB2-8 et \ \ β α β α1 config. α 1 \\\\ 2.NESWSE NB : grâce à la factorisation spatiale, la complexité de certaines fonctions peut être inférieure au cardinal de leur support. 11

12 Calcul des squelettes Implantation des algorithmes MB1-8 et MB2-8 sur le prototype PVLSAR 2.2 temps à 10 de MHz calcul MB1 : 0,4 msmb2 0,7 ms Plan de la présentation Contexte et objectifs de la recherche Rétine : aspects combinatoires Liens avec la morphologie mathématique Recherches actuelles et perspectives 12

13 VsV Fusion T1 acquisition-traitement T7 t Procédé d acquisition numérique par interrogation multiple du photocapteur au cours du temps Acquisition active : Adaptation à l éclairement Compression logarithmique Contrôle de gain et par composition/différence Calcul des filtres de rang dilatation morphologique δ(i) gradient morph. : Image bruitée I filtre médian µ(i) ouverture morph. δ(ε(i)) µ(ι) ε(µ(i)) érosion morphologique ε(i) fermeture morph. ε(δ(i)) laplacienmorph. ε(µ(i))+δ(µ(i))-2µ(i) Les filtres de rang en niveaux de gris se calculent aisément pendant l acquisition par application des fonctions seuil binaires sur les ensembles de niveaux. T91 T95 99 T 13

14 Calcul des points d intérêt morphologiques somme Pour chaque ensemble de niveau : endo-squelette 8-connexe (courbure positive) points extrêmes Fonction d intérêt : produit de la courbure par le module du gradient. Maxima locaux exo-squelette 4-connexe (courbure négative) (Thèse Julien Richefeu 2002) points d intérêt Opérateurs connexes et asynchronisme Le coût énergétique de certains opérateurs irréguliers, la reconstruction en particulier peut être très élevé sur la rétine SIMD, dans la mesure ou l opérateur de relaxation (dilatation + MIN) agit sur quelques pixels seulement. Le calcul asynchrone du MAX associé à une topologie programmable permet de réduire de manière drastique ce coût en limitant la consommation aux pixels utiles. 14

15 Opérateurs connexes et asynchronisme Un autre exemple de l utilisation de la reconstruction asynchrone : élimination des courbes ouvertes dans une image filaire (calcul du squelette par zone d influence). (1) Déconnexion des points triples. (2) Reconstruction à partir des points simples. Calcul de somme régionale sur rétine asynchrone D autres primitives régionales peuvent bénéficier de l asynchronisme, comme le calcul de la somme sur les régions (composantes connexes). Calcul de l arbre recouvrant suivi du calcul dichotomique de la somme par propagation de la parité. (Thèse Valentin Gies 2003) 15

16 Segmentation Filtrage horizontal h x y topologique des images Filtrage vertical (domaine temporel) (domaine spatial) Original Watershedbrute Couple opposition de watersheden phase Résultat Plan de la présentation Contexte et objectifs de la recherche Rétine : aspects combinatoires Liens avec la morphologie mathématique Recherches actuelles et perspectives 16

17 It-1 It It+1 Détection de mouvement par estimation Σ tvt Mt (1) (2) Si Mt> Mt< Italors Mt= Mt-1; Mt+ 1; Dt t= Vt> Vt< It Mt K. talors ; Le occupés correspond Occupation mémoire (3) Si t> VtalorsDt= Vt= 1; Vt+ Vt-1; 1; utilisés bitssupplémentaires nombre Coût des pour par à de bits primitives les les 3 images. calculs. données 2 de calcul sont (4) sinon 0; comparaison incrément différence de limitent Si Kest 2, les à : une primitives / absolue décrément puissance se Estimation, poursuite, recalage Poursuite d objets par modéles actifs Estimation du mouvement et poursuite Mise en correspondance des structures d intérêt dans une séquence d image. 17

18 OBJECTIF : Etablir le lien entre les techniques de traitement statistique et les primitives d intégration et de Thèse de Nicolas Burrus (déb. 2005) réduction d informations de la rétine (sommateur analogique en particulier). «Détection d événements visuels saillants avec opérateurs rapides de réduction d information» Exemple : Contrôle de l acquisition Détection de segments significatifs (cicontre) Détection de segments significatifs Pour chaque direction, un ensemble de candidats est calculé. Chaque segment est réduit à un représentant. L ensemble des représentants est filtrée au sens d un critère a contrario, puis reconstruit. 2 critères a contrario ont été utilisés : -1 critère basé sur la longueur, fondé sur le principe d Helmoltz : on mesure le nombre de points blancs N dans l image des candidats, et on en déduit la longueur λ telle que l espérance du nombre de segments de taille λ dans une image aléatoire à N pixels blancs soit inférieure à critère basé sur le contraste : c est l intégrale du module du gradient le long du segment qui doit être significatif ; on doit alors estimer la distribution du gradient dans l image des candidats. Calcul des segments candidats dans une direction donnée. Segments significatifs dans toutes les directions. 18

19 localisation, un cartes et Exploiter de contexte réduction de saillance, les cartographie) capacités d informationde de champs robotique de : calcul d auto-corrélation) mobile(e.g. intensif(e.g. rétine dans Thèse de Renaud Barate (déb. 2005) environnement Apprendre son NS. WE. Apprendre des objets visuels NS. des Apprendre fonctions Stage 1 : Détection de structure d intérêt Capteur intelligent Mécanismes d attention Multi-échelles Détection / Descripteurs / Poursuite Suite Stage IPCC 06 19

20 Stage 2 : Compression de vidéo Capteur intelligent Redondance spatiale Redondance temporelle Stage 3 : IHM basée Vision Artificielle Détection robuste Tracking Programmation Qt3 Suite Stage Erasmus 06 20

21 Stage 4 : Détection a contrario du mouvement radial Stage 5 : LPE cellulaire asynchrone Watershed segmentation as a whole 21

22 Stage 6 : Indices visuels & biométrie bimodale Information mutuelle Son/Video Gestion de la causalité Efficacité du calcul Suite Stage IAD 06 Collaboration ENST / TSI Stage 7 : Fusion & stéréovision bimodale Vis Vis IR IR Recalage fixe/résiduel Fusion mixte numérique/biologique Aspects cognitifs et ergonomiques 22

23 Stage 8 : A 3 des squelettes numériques Parallèlisme de données VS Flot de données Amincissement VS Fonction distance Collaboration P11 / IEF Stage 9 : Oïdium du blé et fongicides Traitement d images couleur Classification Morphologie mathématique Collaboration INRA (Buc) 23

TERI : Traitement et reconnaissance d'images

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

Plus en détail

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

Master IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP

Master 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 détail

Traitement des images!

Traitement des images! Traitement des images! Yves USSON! Reconnaissance des Formes et Microscopie Quantitative! Lab. TIMC UMR 5525 CNRS, Grenoble! Traitement d images - définition! Séquence d opérations ayant pour but :!! -

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

Morphologie mathématique 2

Morphologie mathématique 2 Morphologie mathématique RDMM - MR IMA UPMC P6 Morphologie Mathématique : Chapitre COMPLEMENTS THEORIQUES ET PRATIQUES FILTRAGE MORPHOLOGIQUE I Compléments théoriques et pratiques (a) Fondements algébriques

Plus en détail

TP5 - Morphologie mathématique

TP5 - Morphologie mathématique TP5 - Morphologie mathématique Vincent Barra - Christophe Tilmant 5 novembre 2007 1 Partie théorique 1.1 Introduction La morphologie mathématique [1] est un outil mathématique permettant au départ d explorer

Plus en détail

OPERATEURS MORPHOLOGIQUES

OPERATEURS MORPHOLOGIQUES OPERATEURS MORPHOLOGIQUES Ensembles caractéristiques et éléments structurants Érosion et dilatation Ouverture et fermeture Application au filtrage Extraction de contours, remplissage de régions Épaississement,

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

Introduction à la Vision 3D

Introduction à la Vision 3D à la Vision 3D David Fofi Le2i UMR CNRS 6306 IUT Le Creusot Les applications présentées sont le fruit d une collaboration entre le Le2i et le laboratoire VICOROB de l Université de Gérone (Espagne). Les

Plus en détail

Segmentation de maillages 3D à l aide de méthodes basées sur la ligne de partage des eaux

Segmentation de maillages 3D à l aide de méthodes basées sur la ligne de partage des eaux Segmentation de maillages 3D à l aide de méthodes basées sur la ligne de partage des eaux Sébastien Delest Thèse dirigée par Hubert Cardot et Romuald Boné Université François Rabelais de Tours 26 novembre

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

Cours de Traitement de l Image Licence 3

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

Plus en détail

6.1 Méthode des champs de potentiel

6.1 Méthode des champs de potentiel Chapitre 6 Évitement d obstacles L évitement d obstacles est un comportement de base présent dans quasiment tous les robots mobiles. Il est indispensable pour permettre au robot de fonctionner dans un

Plus en détail

Traitement d images. Chapitre I Prétraitements

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

Plus en détail

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

Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) )

Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) ) Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) ) El)Mustapha)Mouaddib)(mouaddib@u:picardie.fr)) O.)Labbani:Igbida,)P.)Merveilleux)et)R.)Marie) Contexte' Projet'ANR'R.Discover' Travaux'soutenus'par':'

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

Machines composées de (depuis 1940 env.) : http://cui.unige.ch/isi/cours/std/

Machines composées de (depuis 1940 env.) : http://cui.unige.ch/isi/cours/std/ données pr ogramme 11111101 11001101 01000101 b us disque ma gnétique processeur écran Structures de données et algorithmes Ordinateurs Gilles Falquet, printemps-été 2002 Machines composées de (depuis

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

TRAITEMENT des IMAGES. VISION par MACHINE. Jean-Marc Vézien

TRAITEMENT des IMAGES. VISION par MACHINE. Jean-Marc Vézien TRAITEMENT des IMAGES et VISION par MACHINE MASTER PRO INFO 2011/2012 Vézien.@limsi.fr VII. MORPHOLOGIE MATHEMATIQUE Vision par Machine 2 But: d étudier la forme, la granularité des objets à l aide d ensembles

Plus en détail

Fiabilité et robustesse

Fiabilité et robustesse Fiabilité et robustesse Fiabilité Robustesse Tolérance aux fautes lundi 26 mars 2001 2 Fiabilité Définition système fonctionnel en tout temps temps de non-fonctionnement inférieur à un seuil donné réponse

Plus en détail

TP2 Opérations et filtres

TP2 Opérations et filtres TP2 Opérations et filtres 1. Opérations arithmétiques Mettre en place les fonctions Min et Max sur 2 images en niveaux de gris. Min() conserve entre 2 images les pixels de luminance minimum, Max() conserve

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

Architecture des ordinateurs TD1 - Portes logiques et premiers circuits

Architecture des ordinateurs TD1 - Portes logiques et premiers circuits Architecture des ordinateurs TD1 - Portes logiques et premiers circuits 1 Rappel : un peu de logique Exercice 1.1 Remplir la table de vérité suivante : a b a + b ab a + b ab a b 0 0 0 1 1 0 1 1 Exercice

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

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

GPA770 Microélectronique appliquée Exercices série A

GPA770 Microélectronique appliquée Exercices série A GPA770 Microélectronique appliquée Exercices série A 1. Effectuez les calculs suivants sur des nombres binaires en complément à avec une représentation de 8 bits. Est-ce qu il y a débordement en complément

Plus en détail

Détection des deux roues motorisés par télémétrie laser à balayage

Détection des deux roues motorisés par télémétrie laser à balayage MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie

Plus en détail

Programme de la licence informatique, université de Caen http://www.info.unicaen.fr

Programme de la licence informatique, université de Caen http://www.info.unicaen.fr Programme de la licence informatique, université de Caen http://www.info.unicaen.fr Unité Systèmes d'information CM : 45h - TD : 60h - TP : 12h - Coeff 2 Systèmes de Gestion de Bases de Données Modéliser

Plus en détail

Outils Mathématiques pour l informatique

Outils Mathématiques pour l informatique Outils Math. pour l info. - Licence 3 - IEM - Année 2015/2016 Université de Bourgogne Labo. Le2i, UMR-CNRS 5158 http://jl.baril.u-bourgogne.fr September 10, 2015 Cours outils Math. pour l info. - Licence

Plus en détail

Informatique? Numérique? L informatique est la science du traitement de l information.

Informatique? Numérique? L informatique est la science du traitement de l information. Informatique? Numérique? L informatique est la science du traitement de l information. L information est traitée par un ordinateur sous forme numérique : ce sont des valeurs discrètes. Cela signifie que,

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

OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES

OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES Défis actuels Mégadonnées (big data) Square Kilometer Array Telescope : 300 To/s (100 Internet) 9 Robustesse Défis actuels Repérer les comportements suspects

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

Bases du traitement des images. Détection de contours

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

Plus en détail

Tronc Commun. Premier Semestre

Tronc Commun. Premier Semestre PLAN D ÉTUDE Programme de la Première année Tronc Commun Mathématiques Discrètes Probabilités et Statistiques Réseaux et Systèmes Transmissions de Données Fondements de Système d Exploitation Réseaux Informatiques

Plus en détail

Reconnaissance de caractères: Descripteurs de formes et classification. Philippe Foucher

Reconnaissance de caractères: Descripteurs de formes et classification. Philippe Foucher Reconnaissance de caractères: Descripteurs de formes et classification Philippe Foucher 1 Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques

Plus en détail

L imagerie vue par un mathématicien

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

Plus en détail

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

Segmentation interactive d images médicales à 4 dimensions par Lignes de Partage des Eaux

Segmentation interactive d images médicales à 4 dimensions par Lignes de Partage des Eaux 1 Segmentation interactive d images médicales à 4 dimensions par Lignes de Partage des Eaux F. Bidault (1), J. Stawiaski (2), E. Decencière (2), I. Ferreira (3), C. Le Péchoux (3), F. Meyer (2), J. Bourhis

Plus en détail

Territoires, Environnement, Télédétection et Information Spatiale. Unité mixte de recherche Cemagref - CIRAD - ENGREF

Territoires, Environnement, Télédétection et Information Spatiale. Unité mixte de recherche Cemagref - CIRAD - ENGREF Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche Cemagref - CIRAD - ENGREF Master ère année Analyse spatiale, analyse géographique, spatialité des sociétés Master

Plus en détail

ALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII

ALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)

Plus en détail

TERI : Traitement et reconnaissance d'images

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

Plus en détail

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

CLIP. (Calling Line Identification Presentation) Appareil autonome affichant le numéro appelant

CLIP. (Calling Line Identification Presentation) Appareil autonome affichant le numéro appelant 1. Besoin CLIP (Calling Line Identification Presentation) Appareil autonome affichant le numéro appelant ETUDE FONCTIONNELLE De très nombreux abonnés du réseau téléphonique commuté ont exprimé le besoin

Plus en détail

Le traitement et l'analyse d'images

Le traitement et l'analyse d'images Le traitement et l'analyse d'images Introduction pour la Biologie Computationnelle Ouvrages de références : Analyse d'images : Filtrage et Segmentation, Cocquerez and al., Ed. Dunod, 1995 (ouvrage de base

Plus en détail

Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement

Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement II1 - Premier semestre de la première année (S1) Module Crédits Nombre d heures Cours intégrés

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

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

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

Plus en détail

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

INF6500 Structures des ordinateurs. Plan de cours

INF6500 Structures des ordinateurs. Plan de cours École Polytechnique de Montréal Département de génie informatique et de génie logiciel INF6500 Structures des ordinateurs Automne 2015 Plan de cours Professeur coordonnateur du cours: Nom : Sylvain Martel

Plus en détail

Les apports de. l'informatique. La filiation. Le statut de technologie ou de sous-discipline. Le statut de science à part entière est lorsqu il y a :

Les apports de. l'informatique. La filiation. Le statut de technologie ou de sous-discipline. Le statut de science à part entière est lorsqu il y a : Les apports de Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il y a : Rétro-action

Plus en détail

M Younsi Tel :0645755250 www.formation-informatiques.fr mousse.younsi@ formation-informatiques.fr

M Younsi Tel :0645755250 www.formation-informatiques.fr mousse.younsi@ formation-informatiques.fr U2 MATHÉMATIQUES POUR L INFORMATIQUE Dans ce document, on trouve toutes les notions que le référentiel du BTS SIO impose pour l epreuve U22. Les éléments en rouge sont des rappels concernant la notion

Plus en détail

CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac.

CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac. CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac.ma) N.B. : Les étudiants qui ont déposé leurs demandes d'inscription

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,

Plus en détail

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

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

Plus en détail

MATIERES SOMMAIRE DES COURS BTS SIO 1 ERE ANNEE. Expression et communication en langue anglaise. Culture générale et expression

MATIERES SOMMAIRE DES COURS BTS SIO 1 ERE ANNEE. Expression et communication en langue anglaise. Culture générale et expression MATIERES Expression et communication en langue anglaise Culture générale et expression Mathématiques Algorithmique appliquée Support système des accès utilisateurs Support réseau des accès utilisateurs

Plus en détail

Détection et analyse du mouvement sur système de vision à base de rétine numérique

Détection et analyse du mouvement sur système de vision à base de rétine numérique Détection et analyse du mouvement sur système de vision à base de rétine numérique Julien Richefeu To cite this version: Julien Richefeu. Détection et analyse du mouvement sur système de vision à base

Plus en détail

Python et traitement d images

Python et traitement d images Python et traitement d images L objectif de ce court document est de présenter quelques aspects simples du traitement d images sous Python, et de donner quelques pistes pour aller plus avant. Plusieurs

Plus en détail

Introduction au traitement d images Détection de contours et segmentation

Introduction au traitement d images Détection de contours et segmentation Introduction au traitement d images Détection de contours et segmentation Résumé : Ce document est une introduction au traitement d images s intéressant notamment à la détection de contours et à la segmentation.

Plus en détail

TP Traitement d images

TP Traitement d images BOISSARD Benjamin BAROCHI Guillaume L3 ESI TP Traitement d images TP 1 : Histogramme et Binarisation TP 2 : Filtrage de bruit et de flou TP 3 : Détection de contours (méthodes linéaires) TP 4 : Segmentation

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

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

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

Plus en détail

Rapport IN52. Sujet : Résolution d un puzzle

Rapport IN52. Sujet : Résolution d un puzzle CARRE Julien PIERNOT Jérôme Rapport IN52 Sujet : Résolution d un puzzle Responsable : M. Ruicheck Y. Automne 2007 1 SOMMAIRE INTRODUCTION...3 I. Description et approche du sujet...4 1. Description 2. Outils

Plus en détail

Projet ESINSA 5 TRAITEMENT D IMAGE. Active Contours without Edges for Vector-Valued Images. Par Nicolas Brossier et Cyril Cassisa

Projet ESINSA 5 TRAITEMENT D IMAGE. Active Contours without Edges for Vector-Valued Images. Par Nicolas Brossier et Cyril Cassisa Projet ESINSA 5 TRAITEMENT D IMAGE Active Contours without Edges for Vector-Valued Images Par Nicolas Brossier et Cyril Cassisa Page 1 sur 14 Abstract Pour ce projet, nous implémentons un algorithme de

Plus en détail

Traitement, Analyse et Edition de Formes 3D Numérisées. Tamy Boubekeur

Traitement, Analyse et Edition de Formes 3D Numérisées. Tamy Boubekeur Traitement, Analyse et Edition de Formes 3D Numérisées Tamy Boubekeur NUMÉRISATION 3D Démocratisation de la capture 3D Années 90 Michelangelo Project, Stanford Aujourd hui Microsoft Kinect [Tanskanen 2013]

Plus en détail

GEL 1001 Design I (méthodologie)

GEL 1001 Design I (méthodologie) GEL 1001 Design I (méthodologie) Technique 2 Systèmes embarqués et fiabilité Hiver 2013 Département de génie électrique et de génie informatique Plan Système embarqué Ordinateur et architecture Von Neumann

Plus en détail

Traitement Numérique de l Image

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

Plus en détail

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

Processeurs et Architectures Numériques. Introduction et logique combinatoire

Processeurs et Architectures Numériques. Introduction et logique combinatoire Processeurs et Architectures Numériques Introduction et logique combinatoire Objectifs du cours Connaitre les fonctions de base de l électronique numérique Comprendre la logique combinatoire et synchrone

Plus en détail

Communications Numériques et Théorie de l Information Contrôle de Connaissances avec documents Mardi 24 juin - 13h30 à 15h00

Communications Numériques et Théorie de l Information Contrôle de Connaissances avec documents Mardi 24 juin - 13h30 à 15h00 Communications Numériques et Théorie de l Information Contrôle de Connaissances avec documents Mardi 4 juin - 13h30 à 15h00 Système de télérelevage par satellite On se propose d étudier le fonctionnement

Plus en détail

Introduction au codage de l information:

Introduction au codage de l information: Introduction au codage de l information: Quelques éléments d architecture de l ordinateur Comparaison de la carte perforée au DVD Pourquoi est-il nécessaire de coder l information? Numérisation Formats

Plus en détail

LOGICIEL DE SIMULATION NUMERIQUE DES SYSTEMES PHYSIQUES

LOGICIEL DE SIMULATION NUMERIQUE DES SYSTEMES PHYSIQUES LOGICIEL DE SIMULATION NUMERIQUE DES SYSTEMES PHYSIQUES PRESENTATION SIMULATION NUMÉRIQUE DES SYSTÈMES PHYSIQUES Développé par la société Atemi, SiNuSPhy est un logiciel de simulation numérique destiné

Plus en détail

ELP 304 : Électronique Numérique. Cours 1 Introduction

ELP 304 : Électronique Numérique. Cours 1 Introduction ELP 304 : Électronique Numérique Cours 1 Introduction Catherine Douillard Dépt Électronique Les systèmes numériques : généralités (I) En électronique numérique, le codage des informations utilise deux

Plus en détail

Exercices sur la morphologie mathématique

Exercices sur la morphologie mathématique Exercices sur la morphologie mathématique Isabelle Bloch Octobre 2006 1 Propriétés d opérations morphologiques 1.1 Exercice 1 Les affirmations suivantes sont elles vraies ou fausses? vraie fausse 1 l érosion

Plus en détail

Systèmes multi-processeurs intégrés sur puce

Systèmes multi-processeurs intégrés sur puce Systèmes multi-processeurs intégrés sur puce version 1.0 PHY 568 Alain Greiner Pla n Architectures multi-processeurs à mémoire partagée Applications parallèles embarquées Bus système / exemple du PIBUS

Plus en détail

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

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

Plus en détail

Lecture optique par vision industrielle

Lecture optique par vision industrielle Lecture optique par vision industrielle Le but du TP est d effectuer la détection et la lecture automatique de plaques d immatriculation de véhicules automobiles. Cette application est utilisée pour le

Plus en détail

SOMMES ET PRODUITS. 1 Techniques de calcul. 1.1 Le symbole. 1.2 Règles de calcul. Laurent Garcin MPSI Lycée Jean-Baptiste Corot

SOMMES ET PRODUITS. 1 Techniques de calcul. 1.1 Le symbole. 1.2 Règles de calcul. Laurent Garcin MPSI Lycée Jean-Baptiste Corot SOMMES ET PRODUITS 1 Techniques de calcul 1.1 Le symbole Notation 1.1 Soient m et n deux entiers naturels. Alors { a m + a m+1 + + a + a n si m n, a = 0 sinon. On peut aussi noter m n =m a ou encore m,n

Plus en détail

Plan de la présentation

Plan de la présentation Thomas Quang Khoi TA Équipe ETSN, Supélec, campus de Rennes Mitsubishi -TCL, Rennes 08 décembre 2003 1 Plan de la présentation 1- Codes produits, 2- Décodage itératif des codes produits : turbo codes en

Plus en détail

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

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

Plus en détail

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

Segmentation de séquences vidéo en temps réel

Segmentation de séquences vidéo en temps réel MVA-2011 p. 2 Segmentation de séquences vidéo en temps réel G. Koepfler MVA-2011 p. 1 Introduction But: Détecter des objets en mouvement dans une séquence d images. Motivations: Extraire l information

Plus en détail

TECHNIQUES DE BASE IMAGERIE 2D. Yves BRINGER I.S.T.A.S.E. Université Jean Monnet

TECHNIQUES DE BASE IMAGERIE 2D. Yves BRINGER I.S.T.A.S.E. Université Jean Monnet TECHNIQUES DE BASE EN IMAGERIE 2D Yves BRINGER I.S.T.A.S.E. Université Jean Monnet 1 1. INTRODUCTION 2. ECLAIRAGE 3. TYPES D IMAGE 4. OPTIQUE 5. CAPTEUR 6. CALIBRAGE 7. UNITE DE TRAITEMENT 8. TRAITEMENT

Plus en détail

Sortie : OUI si n est premier, NON sinon. On peut voir Premier aussi comme une fonction, en remplaçant OUI par 1 et NON par 0.

Sortie : OUI si n est premier, NON sinon. On peut voir Premier aussi comme une fonction, en remplaçant OUI par 1 et NON par 0. Université Bordeaux 1. Master Sciences & Technologies, Informatique. Examen UE IN7W11, Modèles de calcul. Responsable A. Muscholl Session 1, 2011 2012. 12 décembre 2011, 14h-17h. Documents autorisés :

Plus en détail

Clermont Ferrand - Janvier 2003

Clermont Ferrand - Janvier 2003 DISDAMIN: Algorithmes de Data Mining Distribués Valerie FIOLET (1,2) - Bernard TOURSEL (1) 1 Equipe PALOMA - LIFL - USTL - LILLE (FRANCE) 2 Service Informatique - UMH - MONS (BELGIUM) Clermont Ferrand

Plus en détail

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,

Plus en détail

CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION

CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION Laboratoire Systèmes de Vision Embarqués CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION RT LIST DTSI - LSVE CEA/SACLAY 91191 GIF-SUR-YVETTE CEDEX

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

M2 Informatique/Réseaux Université Pierre et Marie Curie UE APMM

M2 Informatique/Réseaux Université Pierre et Marie Curie UE APMM TD TECHNIQUES DE CODAGE ET DE COMPRESSION. LANGAGE / CODAGE / VALENCE.. Rappels Toute fraction intelligible d un message est constituée de symboles. Le langage est l ensemble de ces symboles. Un codage

Plus en détail

UN MANNEQUIN «PHYSIQUE» POUR L ERGONOMIE DES POSTES DE TRAVAIL. claude.andriot@cea.fr Paul.evrard@cea.fr Alain.micaelli@cea.fr

UN MANNEQUIN «PHYSIQUE» POUR L ERGONOMIE DES POSTES DE TRAVAIL. claude.andriot@cea.fr Paul.evrard@cea.fr Alain.micaelli@cea.fr UN MANNEQUIN «PHYSIQUE» POUR L ERGONOMIE DES POSTES DE TRAVAIL claude.andriot@cea.fr Paul.evrard@cea.fr Alain.micaelli@cea.fr MANUFACTURING AVANCÉ Réalité Mixte Simulation Analyse ergonomique Prototypage

Plus en détail

Etude d Algorithmes Parallèles de Data Mining

Etude d Algorithmes Parallèles de Data Mining REPUBLIQUE TUNISIENNE MINISTERE DE L ENSEIGNEMENT SUPERIEUR, DE LA TECHNOLOGIE ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE DE TUNIS ELMANAR FACULTE DES SCIENCES DE TUNIS DEPARTEMENT DES SCIENCES DE L INFORMATIQUE

Plus en détail

Algorithmique - Techniques fondamentales de programmation Exemples en Python (nombreux exercices corrigés) - BTS, DUT informatique

Algorithmique - Techniques fondamentales de programmation Exemples en Python (nombreux exercices corrigés) - BTS, DUT informatique 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

Eléments de syntaxe du langage Java

Eléments de syntaxe du langage Java c jan. 2014, v3.0 Java Eléments de syntaxe du langage Java Sébastien Jean Le but de ce document est de présenter es éléments de syntaxe du langage Java : les types primitifs, les opérateurs arithmétiques

Plus en détail

1/10 guide_utilisateur_carte_mermoz_v1.8

1/10 guide_utilisateur_carte_mermoz_v1.8 1/10 guide_utilisateur_carte_mermoz_v1.8 Fonctions La carte Mermoz est un système électronique qui se charge d enregistrer et de dater des mesures de tension. Elle peut être utilisée pour une large variété

Plus en détail

Conception de circuits numériques et architecture des ordinateurs

Conception de circuits numériques et architecture des ordinateurs Conception de circuits numériques et architecture des ordinateurs Frédéric Pétrot Année universitaire 2013-2014 Structure du cours C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 Codage des nombres en base 2, logique

Plus en détail

Morphologie mathématique : introduction. Morphologie mathématique : introduction

Morphologie mathématique : introduction. Morphologie mathématique : introduction Morpologie matématique 2D et 3D Application en analyse d image Morpologie matématique : introduction Téorie de traitement non linéaire de l information introduite en France dans les années 60 par G. Materon

Plus en détail

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

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

Plus en détail

Parallélisme et Répartition

Parallélisme et Répartition Parallélisme et Répartition Master Info Françoise Baude Université de Nice Sophia-Antipolis UFR Sciences Département Informatique baude@unice.fr web du cours : deptinfo.unice.fr/~baude Septembre 2009 Chapitre

Plus en détail