Morphologie mathématique - Fondements théoriques et filtrage
|
|
- Diane Jacques
- il y a 6 ans
- Total affichages :
Transcription
1 Morphologie mathématique - Fondements théoriques et filtrage Isabelle Bloch bloch Télécom ParisTech - CNRS LTCI Paris - France Morphologie mathématique II p.1/22
2 Fondements mathématiques de la morphologie mathématique Théorie des ensembles relations (,,...) élément structurant Topologie topologie en tout ou rien (topologie de Fell) topologie myope distance de Hausdorff Théorie des treillis adjonctions opérations algébriques Probabilités P(A K ) ensembles fermés aléatoires Morphologie mathématique II p.2/22
3 Topologie en tout ou rien topologie sur les fermés engendrée par les F K et F G (K compact et G ouvert) : F K = {F F,F K = } F G = {F F,F G } convergence dans F : (Fn ) n N converge vers F F si : { G G,G F, N, n N, G F n K K,K F =, N, n N, K F n = Morphologie mathématique II p.3/22
4 Topologie en tout ou rien topologie sur les fermés engendrée par les F K et F G (K compact et G ouvert) : F K = {F F,F K = } F G = {F F,F G } convergence dans F : (Fn ) n N converge vers F F si : { G G,G F, N, n N, G F n K K,K F =, N, n N, K F n = La réunion est une opération continue de F F dans F mais pas l intersection semi-continuité Morphologie mathématique II p.3/22
5 Semi-continuité f : Ω F f semi-continue supérieurement (s.c.s.) si ω Ω et (ωn ) n N Ω convergeant vers ω : limf(ω n ) f(ω) f semi-continue inférieurement (s.c.i.) si : limf(ω n ) f(ω) lim/lim = / des points d adhérence f continue ssi f s.c.i. et s.c.s. L intersection est s.c.s. Morphologie mathématique II p.4/22
6 Propriété des opérations morphologiques la dilatation d un fermé par un compact est continue la dilatation d un compact par un compact est continue (F,K) E(F,K) s.c.s. (K,K) E(K,K) s.c.s. (F,K) FK s.c.s. (K,K) K K s.c.s. (F,K) F K s.c.s. (K,K) K K s.c.s. Morphologie mathématique II p.5/22
7 Topologie myope engendrée par la famille : K F G = {K K,K F =,K G } (F F, G G) plus fine que la topologie induite sur K par la topologie en tout ou rien équivalente sur K\ à la topologie induite par la distance de Hausdorff δ(k,k ) = max{sup d(x,k ), sup d(x,k)} x K x K Rq : δ(k,k ) = inf{ε, K D(K,B ε ),K D(K,B ε )} Morphologie mathématique II p.6/22
8 Cadre algébrique : les treillis complets Treillis : (T, ) ( relation d ordre) tel que (x,y) T, x y et x y Treillis complet : toute famille d éléments (finie ou non) possède un plus petit majorant et un plus grand minorant contient un plus petit élément 0 et un plus grand élément I : 0 = T = et I = T = Exemples de treillis complets : (P(E), ) : treillis complet, booléen (complémenté et distributif) : x, x C,x x C = 0 et x x C = I x (y z) = (x y) (x z) et x (y z) = (x y) (x z) (F(R d ), ) fonctions de R n dans R pour la relation d ordre : f g x R n, f(x) g(x) partitions Morphologie mathématique II p.7/22
9 Semi-continuité des fonctions s.c.s. : t > f(x), V(x), y V(x), t > f(y) (V(x) voisinage de x dans R n ) s.c.i. : t < f(x), V(x), y V(x),t < f(y) une fonction est s.c.s. si et seulement si son sous-graphe est fermé topologie sur l espace des fonctions s.c.s. = celle induite par la topologie en tout ou rien sur F(R n R) l ensemble des fonctions s.c.s. de R n dans R est un treillis complet pour : f g SG(f) SG(g) Morphologie mathématique II p.8/22
10 Dilatation et érosion algébriques treillis complet (T, ) Dilatation algébrique : Erosion algébrique : (x i ) T, δ( i x i ) = i δ(x i ) (x i ) T, ε( i x i ) = i ε(x i ) Propriétés : δ(0) = 0 (dans P(E),0 = ) ε(i) = I (dans P(E),I = E) δ croissante ε croissante dans P(R n ), δ(x) = x X δ({x}) Morphologie mathématique II p.9/22
11 Adjonctions (ε,δ) adjonction sur (T, ) : (x,y), δ(x) y x ε(y) Propriétés : δ(0) = 0 et ε(i) = I (ε,δ) adjonction ε = érosion algébrique et δ = dilatation algébrique δ croissant = dilatation algébrique ssi ε tel que (ε,δ) soit une adjonction ε = érosion algébrique et ε(x) = {y T, δ(y) x} ε croissant = érosion algébrique ssi δ tel que (ε,δ) soit une adjonction δ = dilatation algébrique et δ(x) = {y T, ε(y) x} εδ Id δε Id εδε = ε δεδ = δ εδεδ = εδ et δεδε = δε Morphologie mathématique II p.10/22
12 Liens avec les opérateurs morphologiques Sur le treillis des parties de R n ou Z n, muni de l inclusion : δ(x) = x X δ({x}) + invariance par translation B, δ(x) = D(X,B) Même résultat sur le treillis des fonctions. Résultats similaires pour l érosion (avec des conventions différentes pour la dualité). Morphologie mathématique II p.11/22
13 Ouverture et fermeture algébriques Ouverture algébrique : γ croissante, idempotente et anti-extensive Fermeture algébrique : ϕ croissante, idempotente et extensive Exemples : γ = δε et ϕ = εδ avec (ε,δ) adjonction Domaine d invariance : Inv(ϕ) = {x T, ϕ(x) = x} γ ouverture γ(x) = {y Inv(γ), y x} ϕ fermeture ϕ(x) = {y Inv(ϕ), x y} (γi ) ouvertures i γ i ouverture (ϕi ) fermetures i ϕ i fermeture γ1 et γ 2 ouvertures équivalence entre : 1. γ 1 γ 2 2. γ 1 γ 2 = γ 2 γ 1 = γ 1 3. Inv(γ 1 ) Inv(γ 2 ) ϕ1 et ϕ 2 fermetures équivalence entre : 1. ϕ 2 ϕ 1 2. ϕ 1 ϕ 2 = ϕ 2 ϕ 1 = ϕ 1 3. Inv(ϕ 1 ) Inv(ϕ 2 ) Morphologie mathématique II p.12/22
14 Cadre probabiliste Tribu morphologique : σf sur F engendrée par les F K et les F G pour tous les compacts K de K et tous les ouverts G de G : F K = {F F,K F = }, F G = {F F,G F } (ouverts de la topologie en tout ou rien) Ensemble fermé aléatoire : F = (F,σf,P), déterminé par la donnée d une probabilité P sur (F,σ f ) Capacité de Choquet : fonctionnelle T : K [0,1] Exemple : schéma booléen K K, T(K) = P(F K ) θv (F Ǩ) 1 T(K) = P(K F = ) = e avec θ densité du processus de Poisson et F grain primaire Morphologie mathématique II p.13/22
15 Théorie algébrique des filtres Filtre = opérateur croissant et idempotent Exemples ouvertures γ et i γ i (filtres anti-extensifs) fermetures ϕ et i ϕ i (filtres extensifs) Théorème de composition de filtres ϕ et ψ tels que ϕ ψ : ϕ ϕψϕ ϕψ ψϕ ϕψ ψϕ ψϕψ ψ ϕψ, ψϕ, ϕψϕ et ψϕψ sont des filtres Inv(ϕψϕ) = Inv(ϕψ) et Inv(ψϕψ) = Inv(ψϕ) ϕψϕ est le plus petit filtre plus grand que ϕψ ψϕ Morphologie mathématique II p.14/22
16 Exemple : filtres alternés séquentiels ouvertures γi et fermetures ϕ i telles que : i j γ j γ i Id ϕ i ϕ j Théorème de composition de filtres mi = γ i ϕ i, n i = ϕ i γ i, r i = ϕ i γ i ϕ i et s i = γ i ϕ i γ i sont des filtres Filtres alternés séquentiels : M i = m i m i 1...m 2 m 1 N i = n i n i 1...n 2 n 1 R i = r i r i 1...r 2 r 1 S i = s i s i 1...s 2 s 1 Propriété : i j Mj M i = M j, N j N i = N j,... Morphologie mathématique II p.15/22
17 Filtres alternés séquentiels morphologiques (...(((f B1 ) B 1) B2 ) B 2)... Bn ) B n Morphologie mathématique II p.16/22
18 Filtres alternés séquentiels morphologiques (...(((f B1 ) B 1) B2 ) B 2)... Bn ) B n Morphologie mathématique II p.16/22
19 Filtres alternés séquentiels morphologiques (...(((f B1 ) B 1) B2 ) B 2)... Bn ) B n Morphologie mathématique II p.16/22
20 Comparaison de filtres sur une image bruitée par un bruit gaussien Image originale Bruit gaussien (variance 20) Morphologie mathématique II p.17/22
21 Comparaison de filtres sur une image bruitée par un bruit gaussien Moyenne 3 3 Moyenne 7 7 Filtre gaussien de variance 0,75 Filtre gaussien de variance 4,08 Morphologie mathématique II p.17/22
22 Comparaison de filtres sur une image bruitée par un bruit gaussien Image bruitée Filtre de Nagao Médian 3 3 Médian 7 7 Morphologie mathématique II p.17/22
23 Comparaison de filtres sur une image bruitée par un bruit gaussien Image bruitée Filtre alterné séquentiel de taille 1 Filtre alterné séquentiel de taille 2 Filtre alterné séquentiel de taille 3 Morphologie mathématique II p.17/22
24 Comparaison de filtres sur une image bruitée par un bruit gaussien Image originale Bruit gaussien (variance 120) Morphologie mathématique II p.17/22
25 Comparaison de filtres sur une image bruitée par un bruit gaussien Moyenne 3 3 Moyenne 7 7 Filtre gaussien de variance 0,75 Filtre gaussien de variance 4,08 Morphologie mathématique II p.17/22
26 Comparaison de filtres sur une image bruitée par un bruit gaussien Image bruitée Filtre de Nagao Médian 3 3 Médian 7 7 Morphologie mathématique II p.17/22
27 Comparaison de filtres sur une image bruitée par un bruit gaussien Image bruitée Filtre alterné séquentiel de taille 1 Filtre alterné séquentiel de taille 2 Filtre alterné séquentiel de taille 3 Morphologie mathématique II p.17/22
28 Comparaison de filtres sur une image bruitée par un bruit impulsionnel Image originale Bruit impulsionnel (intensité 2%) Morphologie mathématique II p.18/22
29 Comparaison de filtres sur une image bruitée par un bruit impulsionnel Moyenne 3 3 Moyenne 7 7 Filtre gaussien de variance 0,75 Filtre gaussien de variance 4,08 Morphologie mathématique II p.18/22
30 Comparaison de filtres sur une image bruitée par un bruit impulsionnel Image bruitée Filtre de Nagao Médian 3 3 Médian 7 7 Morphologie mathématique II p.18/22
31 Comparaison de filtres sur une image bruitée par un bruit impulsionnel Image bruitée Filtre alterné séquentiel de taille 1 Filtre alterné séquentiel de taille 2 Filtre alterné séquentiel de taille 3 Morphologie mathématique II p.18/22
32 Comparaison de filtres sur une image bruitée par un bruit impulsionnel Image originale Bruit impulsionnel (intensité 10%) Morphologie mathématique II p.18/22
33 Comparaison de filtres sur une image bruitée par un bruit impulsionnel Moyenne 3 3 Moyenne 7 7 Filtre gaussien de variance 0,75 Filtre gaussien de variance 4,08 Morphologie mathématique II p.18/22
34 Comparaison de filtres sur une image bruitée par un bruit impulsionnel Image bruitée Filtre de Nagao Médian 3 3 Médian 7 7 Morphologie mathématique II p.18/22
35 Comparaison de filtres sur une image bruitée par un bruit impulsionnel Image bruitée Filtre alterné séquentiel de taille 1 Filtre alterné séquentiel de taille 2 Filtre alterné séquentiel de taille 3 Morphologie mathématique II p.18/22
36 Filtres auto-duaux Opérateurs indépendants du contraste local, agissant de la même manière sur les parties sombres et claires. Exemple : centre morphologique Median[f(x),ψ 1 (f)(x),ψ 2 (f)(x)] Plus généralement, pour des opérateurs {ψ1,ψ 2,...ψ n } : (Id i ψ i ) i ψ i Par exemple ψ1 (f) = γϕ(f) = (f B ) B, ψ 2 = ϕγ(f) = (f B ) B Morphologie mathématique II p.19/22
37 Filtres auto-duaux Opérateurs indépendants du contraste local, agissant de la même manière sur les parties sombres et claires. Exemple : centre morphologique Median[f(x),ψ 1 (f)(x),ψ 2 (f)(x)] Plus généralement, pour des opérateurs {ψ1,ψ 2,...ψ n } : (Id i ψ i ) i ψ i Par exemple ψ1 (f) = γϕ(f) = (f B ) B, ψ 2 = ϕγ(f) = (f B ) B F O centre O F Morphologie mathématique II p.19/22
38 Centre morphologique : exemple numérique F O Morphologie mathématique II p.20/22
39 Centre morphologique : exemple numérique F puis O O puis F Morphologie mathématique II p.20/22
40 Centre morphologique : exemple numérique centre morphologique F puis O O puis F Morphologie mathématique II p.20/22
41 Filtrage par centre morphologique : exemple Morphologie mathématique II p.21/22
42 Granulométries X A, λ > 0, φλ (X) X (φ λ anti-extensive) ; (X,Y) A 2, λ > 0, X Y φ λ (X) φ λ (Y) (φ λ croissante) ; X A, λ > 0, µ > 0 λ µ φλ (X) φ µ (X) (φ λ décroissante par rapport au paramètre) ; λ > 0, µ > 0, φλ φ µ = φ µ φ λ = φ max(λ,µ). Morphologie mathématique II p.22/22
43 Granulométries X A, λ > 0, φλ (X) X (φ λ anti-extensive) ; (X,Y) A 2, λ > 0, X Y φ λ (X) φ λ (Y) (φ λ croissante) ; X A, λ > 0, µ > 0 λ µ φλ (X) φ µ (X) (φ λ décroissante par rapport au paramètre) ; λ > 0, µ > 0, φλ φ µ = φ µ φ λ = φ max(λ,µ). (φ λ ) est une granulométrie ssi φ λ est une ouverture pour tout λ et la classe des ensembles de A invariants par φ λ est incluse dans celle des invariants par φ µ pour λ µ Morphologie mathématique II p.22/22
44 Granulométries X A, λ > 0, φλ (X) X (φ λ anti-extensive) ; (X,Y) A 2, λ > 0, X Y φ λ (X) φ λ (Y) (φ λ croissante) ; X A, λ > 0, µ > 0 λ µ φλ (X) φ µ (X) (φ λ décroissante par rapport au paramètre) ; λ > 0, µ > 0, φλ φ µ = φ µ φ λ = φ max(λ,µ). (φ λ ) est une granulométrie ssi φ λ est une ouverture pour tout λ et la classe des ensembles de A invariants par φ λ est incluse dans celle des invariants par φ µ pour λ µ Morphologie mathématique II p.22/22
45 Granulométries X A, λ > 0, φλ (X) X (φ λ anti-extensive) ; (X,Y) A 2, λ > 0, X Y φ λ (X) φ λ (Y) (φ λ croissante) ; X A, λ > 0, µ > 0 λ µ φλ (X) φ µ (X) (φ λ décroissante par rapport au paramètre) ; λ > 0, µ > 0, φλ φ µ = φ µ φ λ = φ max(λ,µ). (φ λ ) est une granulométrie ssi φ λ est une ouverture pour tout λ et la classe des ensembles de A invariants par φ λ est incluse dans celle des invariants par φ µ pour λ µ source de l image : Morphologie mathématique II p.22/22
Continuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailChapitre VI. Connexions et fonctions numériques
Chapitre VI Connexions et fonctions numériques Concepts : -> Extension aux fonctions -> Opérateurs connexes -> Géodésie numérique -> Nivellements et auto-dualité Applications : -> Etude des extrema ->
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en 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 détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
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 détailProduits d espaces mesurés
Chapitre 7 Produits d espaces mesurés 7.1 Motivation Au chapitre 2, on a introduit la mesure de Lebesgue sur la tribu des boréliens de R (notée B(R)), ce qui nous a permis d exprimer la notion de longueur
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailCours d Analyse 3 Fonctions de plusieurs variables
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailFonctions holomorphes
Université Joseph Fourier, Grenoble Maths en Ligne Fonctions holomorphes Christine Laurent-Thiébaut Ceci est le second volet de l étude des fonctions d une variable complexe, faisant suite au chapitre
Plus en détailGroupoïdes quantiques mesurés : axiomatique, étude, dualité, exemples
Groupoïdes quantiques mesurés : axiomatique, étude, dualité, exemples Franck LESIEUR Mathématiques et Applications, Physique Mathématique d Orléans UMR 6628 - BP 6759 45067 ORLEANS CEDEX 2 - FRANCE e-mail
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en 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 détailThéorèmes du Point Fixe et Applications aux Equations Diérentielles
Université de Nice-Sophia Antipolis Mémoire de Master 1 de Mathématiques Année 2006-2007 Théorèmes du Point Fixe et Applications aux Equations Diérentielles Auteurs : Clémence MINAZZO - Kelsey RIDER Responsable
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailTHÉORIE DE LA MESURE ET DE L INTÉGRATION.
THÉORIE DE LA MESURE ET DE L INTÉGRATION. THIERRY GALLAY Transcrit par Tancrède LEPOINT 29 UNIVERSITÉ JOSEPH FOURIER, GRENOBLE TABLE DES MATIÈRES Avant-propos Biographie sommaire...........................................
Plus en détailMesure et Intégration (Notes de cours de L3)
Mesure et Intégration (Notes de cours de L3) Ahmed Zeriahi Version préliminaire-octobre 2011 Avertissement : Ceci est une version préliminaire des notes du cours que l auteur a dispensé en troisème année
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailCHAPITRE IV. L axiome du choix
CHAPITRE IV L axiome du choix Résumé. L axiome du choix AC affirme qu il est légitime de construire des objets mathématiques en répétant un nombre infini de fois l opération de choisir un élément dans
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailCompression Compression par dictionnaires
Compression Compression par dictionnaires E. Jeandel Emmanuel.Jeandel at lif.univ-mrs.fr E. Jeandel, Lif CompressionCompression par dictionnaires 1/25 Compression par dictionnaire Principe : Avoir une
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
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, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailChapitre VI Fonctions de plusieurs variables
Chapitre VI Fonctions de plusieurs variables 6. 1 Fonctions différentiables de R 2 dans R. 6. 1. 1 Définition de la différentiabilité Nous introduisons la différentiabilité sous l angle des développements
Plus en détailIntroduction à l optimisation de forme et application à la mécanique des fluides
Laboratoire Jacques-Louis LIONS Introduction à l optimisation de forme et application à la mécanique des fluides Master 2 - Année universitaire 2014-2015 Pascal FREY et Yannick PRIVAT Laboratoire Jacques-Louis
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailYamina Yagoub-Zidi. Inconditionnalité et propriétés du point fixe dans les espaces de fonctions lisses
MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU FACULTE DES SCIENCES DEPARTEMENT DE MATHEMATIQUES THESE DE DOCTORAT SPECIALITE : MATHEMATIQUES
Plus en détailAOT 13. et Application au Contrôle Géométrique
AOT 13 Géométrie Différentielle et Application au Contrôle Géométrique Frédéric Jean Notes de cours Édition 2011/2012 ii Table des matières 1 Variétés différentiables 1 1.1 Variétés différentiables............................
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
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 détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailLicence de Mathématiques 3
Faculté des sciences et techniques Département de mathématiques 2004-2005 Licence de Mathématiques 3 M62 : Fonctions réelles de plusieurs variables Laurent Guillopé www.math.sciences.univ-nantes.fr/~guillope/m62/
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailSommaire. Couverture de zone de surveillance dans les réseaux de capteurs. De quoi parle-t-on ici (1/2)? Objectif. De quoi parle-t-on ici (2/2)?
ouverture de zone de surveillance dans les réseaux de capteurs Jean arle, Master Recherche Informatique Option Informatique Mobile 008-009 s Jean arle - Master Recherche Informatique 008-009 Objectif e
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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
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 détailPremiers exercices d Algèbre. Anne-Marie Simon
Premiers exercices d Algèbre Anne-Marie Simon première version: 17 août 2005 version corrigée et complétée le 12 octobre 2010 ii Table des matières 1 Quelques structures ensemblistes 1 1.0 Ensembles, relations,
Plus en détail