Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre Plan Modélisation Filtrage Approches continues Post-Traitements
|
|
- Jean-Pascal Poulin
- il y a 8 ans
- Total affichages :
Transcription
1 Détection de contours Nicolas Thome 19 octobre / 61
2 Introduction Rôle primordial de la détection de contours en vision 1 Réduction d'information Information de toute l'image résumée dans le contours des diérents objets. Contours : parties les plus informatives d'une image. On a longtemps cru que l'ensemble de la tâche de vision pouvait être résolue uniquement à partir des contours. 2 Préalable nécessaire à l'extraction d'autres primitives (droites, segments, cercles) 3 Les données biologiques confortent l'importance des contours dans le système de vision Les premières couches des systèmes de vision des mamifères eectuent des traitements de détection de contours. 2 / 61
3 Introduction Détection de contours : applications 1 Reconnaissance d'objets, de formes, classications de scènes 2 Mise en correspondance : calibration, reconstruction 3d 3 Compression 3 / 61
4 Introduction applications : mise en correspondance Reconstruction 4 / 61
5 Introduction applications : mise en correspondance Classication 5 / 61
6 Introduction applications : Description des formes Reconnaissance d'objets 6 / 61
7 Plan du cours 1 Modélisation des contours - formulation du problème de détection 2 Résolution : Approches basées ltrage (diérences nies) Filtrage du premier ordre Filtrage second ordre 3 Résolution : Approches continues (ltrage optimal) 4 Post-traitement : de l'image dérivée aux contours seuillage et chaînage. 7 / 61
8 Modèle de Contour Plusieurs modèles de contours 8 / 61
9 Modèle de Contour Modèle le plus courant : Marche d'escalier. En 1d : Dérivée première maximale sur le contour Dérivée seconde nulle sur le contour 9 / 61
10 Modèle de Contour image f (x, y). Contour : lieu des fortes variations de f Gradient de f : f = ( G = f x f y ) T (1) Module du gradient de f : G = f = 2 f + f 2 x y (2) Direction du gradient de f : f g = f (3) 10 / 61
11 Modèle de Contour Dénition du Contour Lieu des maxima du gradient dans la direction g du gradient f g = 0 et 2 f g < 2 0 (4) avec g = g f L'équation obtenue est complexe et non linéaire : 2 f x f + f 2 + f 2 x x y y f + f 2 = 0 (5) y x y 11 / 61
12 Modèle de Contour Dénition du Contour Lieu des maxima du gradient dans la direction g du gradient g normal à la surface dénie par f (x, y) 12 / 61
13 Modèle de Contour Dénition du Contour Lieu des maxima du gradient dans la direction g du gradient Contour vertical 13 / 61
14 Modèle de Contour Dénition du Contour Lieu des maxima du gradient dans la direction g du gradient Contour horizontal 14 / 61
15 Modèle de Contour Dénition du Contour Lieu des maxima du gradient dans la direction g du gradient Contour oblique 15 / 61
16 Plan du cours 1 Modélisation des contours - formulation du problème de détection 2 Résolution : Approches basées ltrage (diérences nies) Filtrage du premier ordre Filtrage second ordre 3 Résolution : Approches continues (ltrage optimal) 4 Post-traitement : de l'image dérivée aux contours seuillage et chaînage. 16 / 61
17 Résolution du problème : Approches basées ltrage Approches discrètes : approximations par diérences nies 1 Approches du 1 er ordre approximations du gradient 2 Approches du 2 nd ordre approximations du Laplacien 17 / 61
18 Approximations discrètes du gradient 1 approximations discrète du gradient par diérences nies ltres de convolution (masques) 2 Calcul de la norme q f L2 : 2 + f 2 x y, L1 : f + f, etc x y Maxima locaux dans la direction du gradient 3 Suppression de non maxima 4 Seuillage 5 Chainage 18 / 61
19 Approximations discrètes du gradient approximation du gradient f = ( x f ; y f ) T x f f (x, y) f (x 1, y) ( y f f (x, y) f (x, y 1)) x f f (x + 1, y) f (x 1, y) Roberts (gradients à π 4 ) : 1f f (x + 1, y + 1) f (x, y) ( 2 f f (x, y + 1) f (x + 1, y) ) Autre masques : Prewitt, Sobel etc. 19 / 61
20 Approximations discrètes du gradient De nombreux autres masques : Kirsch Gradient retenu : max i { H i I }, i {0; 7} Orientation retenue : π 4 arg max i { H i I }, i {0; 7} 20 / 61
21 Approximations discrètes du gradient Sobel : masque le plus couramment utilisé 1 Gradient avec Sobel G x = et Gy = Module du gradient G = Gx 2 + Gy 2 4 Orientation du gradient de : θ = arctan ( G y G x ) source G θ 21 / 61
22 Approximations discrètes du gradient Obtention d'une carte binaire des contours f 2 Calcul norme L2 : x + f 2 y ou L1 : f + f x y Post-traitement (voir partie consacrée) Maxima locaux dans la direction du gradient Seuillage 22 / 61
23 Approximations discrètes du gradient Carte binaire des contours : exemple avec Sobel Seuil haut : contours pertinents détectés, mais beaucoup de bruit Contours épais Seuil bas : peu de bruit, mais de nombreuses détections manquées Solution? 23 / 61
24 Approximations discrètes du gradient Combiner lissage et diérentiation Les masques locaux de convolution sont sensibles au bruit, e.g. faux positifs dans les zones texturées Idée : Lissage puis diérentiation variations locales ltrées, contours dominants restent Filtres linéaire pour les bruits de moyenne nulle (par exemple bruit blanc Gaussien, ltre Gaussien). Filtrage non-linéaire pour les bruits impulsionnels (ltre médian par exemple). 24 / 61
25 Approximations discrètes du gradient σ = 1.0 σ = 2.0 σ = 4.0 σ = / 61
26 Approximations discrètes du gradient Combiner lissage et diérentiation Fort lissage : robustesse au bruit, mais contours épais (mauvaise localisation) Faible lissage : sensibilité au bruit, mais bonne localisation Seuil : dicile d'avoir un seuil optimal pour toute l'image variations d'illumination, de contraste Lien avec suppression de non-maxima (voir partie consacrée) 26 / 61
27 Résolution du problème : Approches du second ordre Second ordre : dérivées secondes dans la direction du gradient : Laplacien : f = 2 f g f t 2 = 2 f x f y 2 2 f g 2 2 f g 2 = 0 2 f x 2 cos(θ) + 2 f y 2 sin(θ) + 2 f x y cos(θ) sin(θ) = 0 (6) 2 f 27 / 61
28 Résolution du problème : Approches du second ordre Contour : on cherche les passages par zéro de 2 f g 2 Laplacien : f = 2 f + 2 f g 2 t 2 f 2 f 2 f + 2 f g 2 x 2 y 2 = 2 f x f y 2. Approximation : On néglige la composante tangentielle ( 2 f t 2 = 0) Valide dans les zones de faible courbure 28 / 61
29 Approches discrètes du second ordre Approximations du Laplacien par diérences nies f [f (x + 1, y) + f (x 1, y) + f (x, y + 1) + f (x, y 1)] 4f (x, y) (7) OU f [f (x +1, y)+f (x 1, y)+f (x, y +1)+f (x, y 1)+f (x +1, y +1) + f (x 1, y 1) + f (x 1, y + 1) + f (x + 1, y 1)] 8f (x, y) 29 / 61
30 Approches discrètes du second ordre Du Laplacien aux images des dérivées Détection des passages par zéro du Laplacien En pratique : Prendre une fenêtre centrée 3 3 sur le pixel (i, j), et calculer max(i L ) et min(i L ). Le passage par O sera détecté si max(i L ) > 0, min(i L ) < 0 et max(i L ) min(i L ) > S. 30 / 61
31 Approches discrètes du second ordre Laplacien : exemples d'images source Laplacien Image Laplacien : contours transitions entre valeurs positives (blanc) et négatives (noir) Avec un seuil sur l'amplitude 31 / 61
32 Approches discrètes du second ordre Laplacien : exemples d'images source Seuil bas Seuil moyen Seuil haut Passage par zéro du Laplacien : seuiller l'amplitude des variations 32 / 61
33 Approches discrètes du second ordre Comparaison Gradient / Laplacien Contours fermés Un seul paramètre, pas de suil sur l'amplitude Possibilité d'interpolation subpixellique Pas d'orientation des contours v.s invariance en rotation Moins bonne localisation des contours / ltres premier ordre Dérivées secoondes : grande sensibilité au bruit Nécessité de lissage par ltrage passe-bas 33 / 61
34 Approches discrètes du second ordre Pré-traitement : lissage passe-bas : I g 1 Convolution de l'image avec un masque Laplacien : I g 2 Cas d'un masque Gaussien : g(x, y, σ) = 1 2πσ e x2 2 +y 2σ 2 I g = I ( g) = I g (8) g = g = 4 2πσ ( x2 +y 2 2σ 1)e x2+y2 2 2σ 2 3 On convolue directement I avec le masque déni par g : Laplacian of Gaussian (LoG) 34 / 61
35 Approches discrètes du second ordre Lissage passe-bas + Laplacien : I g g = g = 4 ( x 2 +y 2 2πσ 2σ 2 1)e 2 x +y 2 2σ 2 35 / 61
36 Approches discrètes du second ordre Laplacian of Gaussian (LoG) LoG : ltre du système de vision humain LoG peut êttre approximé par DoG : Dierence of Gaussians ( σ1 σ2 = 1.6) DoG (x, y, σ1, σ2) = g(x, y, σ1) g(x, y, σ2) (9) Utilisé dans le cadre de la multi-résolution (pyramides) 36 / 61
37 Approches du premier et du second ordre Multi-résolution Le ltrage à σ xé va détecter des contours à un certain niveeau de granularité σ faible, on détecte les contours ns : bruit σ grand, on détecte les structures principales de l'image, mais on perd les détails Pyramide : σ varie, on détecte les contours à diérentes échelles 37 / 61
38 Approches du premier et du second ordre Pyramide multi-résolution : construction (taille image 2 k ) On part de l'image originale I 0 qu'on ltre avec un masque gaussien g σ : I 0 = I 0 g σ L'image du second niveau I 1 est sous-échantillonée (facteur 2) à partir de I 0 : I 1 = (I 0 g σ ) 2 processus récursif : I k+1 est sous-échantillonée (facteur 2) à partir de I k : I k+1 = (I k g σ ) 2 jusqu'à avoir une image de taille 1 38 / 61
39 Approches du premier et du second ordre Pyramide multi-résolution et détection de contours Le ltrage à σ xé va détecter des contours à un certain niveeau de granularité σ faible, on détecte les contours ns (bruit), bonne localisation σ grand, on détecte les structures principales de l'image, mais on perd les détails Pyramide : σ varie, on détecte les contours à diérentes échelles Fusion multi-échelle : utiliser les contours à grande échelle, et aner la localisation en utilisant les résultats à plus faible échelle 39 / 61
40 Approches du premier et du second ordre Pyramide multi-résolution et détection de contours : niveau 0 40 / 61
41 Approches du premier et du second ordre Pyramide multi-résolution et détection de contours : niveau 1 41 / 61
42 Approches du premier et du second ordre Pyramide multi-résolution et détection de contours : niveau 2 42 / 61
43 Approches du premier et du second ordre Pyramide multi-résolution et détection de contours : niveau 3 43 / 61
44 Plan du cours 1 Modélisation des contours - formulation du problème de détection 2 Résolution : Approches basées ltrage (diérences nies) Filtrage du premier ordre Filtrage second ordre 3 Résolution : Approches continues (ltrage optimal) 4 Post-traitement : de l'image dérivée aux contours seuillage et chaînage. 44 / 61
45 Résolution du problème : Approches continues Filtrage optimal : Canny (1986) En 1d : modélisation du contour par une marche Avec du bruit : C(x) = AΘ(x) + n(x), n bruit blanc gaussien. On cherche le ltre f dérivateur tel que : f C = Θ (10) 45 / 61
46 Résolution du problème : Approches continues Canny : critères d'optimalité pour le ltrage 1 Bonne détection : critère Σ 2 Bonne localisation : critère Λ 3 Unicité de la réponse On cherche f dérivateur qui maximise Σ et Λ sous la contrainte d'unicité de la réponse 46 / 61
47 Approches continues Canny : solution du ltrage ltre RIF Canny : solution par ltre Réponse Impulsionnelle Finie (RIF) f (x) = a 1 e x σ sin(wx)+a 2 e x σ cos(wx)+a 3 e x σ sin(wx)+a 4 e x σ cos(wx) (11) Peut être approximé par une dérivée de Gaussienne : f (x) xe x2 2σ 2 Passage en 2d : action de 2 ltres croisés : f x (x, y) = xe x2 2σ 2 e y2 2σ 2 et f y (x, y) = ye x2 2σ 2 e y2 2σ 2 47 / 61
48 Approches continues Canny : approaximation par une dérivée de Gaussienne 48 / 61
49 Canny : exemple de résultat Approches continues 49 / 61
50 Approches continues Optimisation du problème de Canny : Deriche Modèle du ltre avec Réponse Impulsionnelle Innie (RII) Forme du ltre RII maximisant Σ et Λ sous la contrainte d'unicité de la réponse f (x) = ce α x sin(wx) (12) avec c = (1 e α ) 2 /e α Peut s'implémenter ecacement de manière récursive 50 / 61
51 Approches continues Canny-Deriche : forme des ltres 2d on dénit k = f, alors le ltre 2d s'écrit : f x (x, y) = f (x)k(y) et f y (x, y) = f (y)k(x) 51 / 61
52 Canny-Deriche : résultats Approches continues Inuence de α facteur d'échelle Faible α : peu de robustesse au bruit, bonne localisation Fort α : bonne robustesse au bruit, mauvaise localisation Adapter α au rapport Signal/Bruit de l'image 52 / 61
53 Approches continues : conclusion Autres optimisation analytiques Schéma général de construction d'un ltre : 1 produit d'une fonction passe-bas, symétrique, paramétrée par α bruit et taille entre 2 contours 2 produit d'une fonction passe-haut, anti-symétrique Ex : Canny-Dereiche Gaussienne et dérivée de Gaussienne Shen-Castan f (x) = csign(x)e α x De nombreux autres ltres proposés : Spacek, Petrou, etc 53 / 61
54 Plan du cours 1 Modélisation des contours - formulation du problème de détection 2 Résolution : Approches basées ltrage (diérences nies) Filtrage du premier ordre Filtrage second ordre 3 Résolution : Approches continues (ltrage optimal) 4 Post-traitement : de l'image dérivée aux contours seuillage et chaînage. 54 / 61
55 Post-Traitements De l'image des dérivées aux contours Image des dérivées : Probabilté/vraissemblance d'appartenance au contour 1 premier ordre : valeurs fortes indiquent présence contour 2 premier ordre : valeurs proches de 0 indiquent présence contour Pour extraire les contours de l'image : 1 Suppression de non maxima dans la direction du gradient 2 Seuillage 3 Chaînage des contours 55 / 61
56 Suppresion de non-maxima Post-Traitements Rappel : on recherche les maximas locaux dans la direction du gradient 1 Déterminer, pour un pixel p donné, les valeurs du gradient sur la droite passant p et de direction celle de son gradient. 2 Vérier que le gradient en p est bien localement maximal sur cette droite. 56 / 61
57 Post-Traitements Suppresion de non-maxima Rappel : on recherche les maximas locaux dans la direction du gradient P est un maximum local G(P) > G(P 1 ) et G(P) > G(P 2 ) 57 / 61
58 Post-Traitements Suppresion de non-maxima : application pratique 1 Discrétisation de la direction On arrondit la direction à π 4 (8voisins) on cherche les 2 pixels voisins dans la direction du gradient 2 Interpolation On calcule la valeur subpixels des deux voisins On interpole la valeur de la norme du gradient en ces points (1) (2) 3 Suppresson de P si G(P) non maximale 58 / 61
59 Post-Traitements Suppresion de non-maxima : application pratique Assure d'avoior des contours d'épaisseur 1 source G NMS Contours ns 59 / 61
60 Post-Traitements Seuillage 1 Seuillage simple : on garde les pixels pour lesquels G(x, y) > Seuil Dicile d'avoir un seuil unique pour toute l'image Variations de contraste, d'illumination, etc 2 Seuillage par hystérésis Seuil haut : sélection d'un ensemble initial de points de contour Seuil bas : à partir de ces points, on chaîne d'autres points dont G(x, y) > Seuil bas 60 / 61
61 Post-Traitements Chaînage des contours Nécessaire pour beaucoup d'applications, avoir un ensemble de composantes connexes Pour extraite droites, cercle, formes géométriques et représentations plus complexes Diérentes stratégies : 1 Etiquetage en composantes connexes 2 Recherche dans les graphes (programmation dynamique) 3 Approches multi-échelles 4 Automates 5 etc Hors du cadre du cours d'aujourd'hui 61 / 61
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 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 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 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 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 détailDétection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO
Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont
Plus en 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 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 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 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 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 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 détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en détailN. Paparoditis, Laboratoire MATIS
N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS
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 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 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 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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
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 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 détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
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 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 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 détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
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 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 détailAUTRES ASPECTS DU GPS. Partie I : tolérance de Battement Partie II : tolérancement par frontières
AUTRES ASPECTS DU GPS Partie I : tolérance de Battement Partie II : tolérancement par frontières 1 Partie I Tolérance de battement Défaut de Battement Défautconjuguéde forme, orientation et position, constatélorsde
Plus en détailHiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin
Hiver 2013 Analyse d images IMN 259 Introduction à l analyse d images Par Pierre-Marc Jodoin Où se situe l analyse d images? Traitement d images Imagerie Image Analyse d images/ Vision par ordinateur Infographie
Plus en détailTp_chemins..doc. Dans la barre "arche 2" couleur claire 1/5 21/01/13
TP de création : utilisation des chemins vectoriels Finis les mauvais rêves : vous aurez enfin votre dreamcatcher (Indienss des Grands Lacs) 1 ) Créez une nouvelle image de 300 pixels sur 600 pixels en
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 détailTraitement d un AVI avec Iris
Traitement d un AVI avec Iris 1. Définir le répertoire de travail Fichier > Réglages (Ctrl + R) Et on définit le chemin du répertoire de travail. C est là que les images vont être stockées. 2. Convertir
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 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 détailProblème : Calcul d'échéanciers de prêt bancaire (15 pt)
Problème : Calcul d'échéanciers de prêt bancaire (15 pt) 1 Principe d'un prêt bancaire et dénitions Lorsque vous empruntez de l'argent dans une banque, cet argent (appelé capital) vous est loué. Chaque
Plus en détailLa Rosette (NGC 2237) Fabien
La Rosette (NGC 2237) Fabien 1. Prétraitement 1.1 Introduction Nous partons de 3 jeux d images, prises par les membres du club, avec des instruments différents. - Des images en Ha, prises avec une lunette
Plus en détailAnalyse statique d une pièce
Analyse statique d une pièce Contrainte de Von Mises sur une chape taillée dans la masse 1 Comportement d un dynamomètre On considère le dynamomètre de forme globalement circulaire, excepté les bossages
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
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 détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailGuide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon
Guide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon Version 4.10 PDF-CIT-D-Rev1_FR Copyright 2011 Avigilon. Tous droits réservés. Les informations présentées sont sujettes à modification
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 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 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 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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
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 détailChoisir entre le détourage plume et le détourage par les couches.
Choisir entre le détourage plume et le détourage par les couches. QUEL CHOIX D OUTILS ET QUELLE METHODE, POUR QUEL OBJECTIF? Il existe différentes techniques de détourage. De la plus simple à la plus délicate,
Plus en détailLISACode. Un simulateur opérationnel pour LISA. Antoine PETITEAU LISAFrance - le 16 mai 2006
LISACode Un simulateur opérationnel pour LISA Antoine PETITEAU LISAFrance - le 16 mai 2006 Plan Rappel sur LISACode. Validation du simulateur. Possibilités du simulateur. Résultats obtenus. Bruit de confusion.
Plus en détailPar Richard Beauregard. Novembre 2011
Par Richard Beauregard Novembre 2011 La lutte contre le bruit et autres parasites lumineux Le temps d exposition versus le compositage Les images de prétraitement L'image de précharge (Offset ou Bias)
Plus en détailhttp://www.icp.inpg.fr/~savario/_activite/zip/trap_v4.zip Hélène Lœvenbruck, Christophe Savariaux, Dorothée Lefebvre
TRAP : TRAITEMENT DES SIGNAUX DE PAROLE http://www.icp.inpg.fr/~savario/_activite/zip/trap_v4.zip Hélène Lœvenbruck, Christophe Savariaux, Dorothée Lefebvre Institut de la Communication Parlée Les différents
Plus en détailT u t o r i e l s PhotoFiltre
T u t o r i e l s PhotoFiltre mis à jour le 24/08/2004 à 02h39 Cette section est destinée à vous proposer des tutoriels pour mes utilitaires PhotoFiltre et PhotoMasque. Elle va s'enrichir progressivement
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailMéthodes d ondelettes pour la segmentation d images. Applications à l imagerie médicale et au tatouage d images
INSTITUT NATIONAL POLYTECHNIQUE DE GRENOBLE THESE pour obtenir le grade de DOCTEUR DE L INPG Spécialité : Mathématiques Appliquées préparée au Laboratoire de Modélisation et Calcul (LMC / IMAG) dans le
Plus en détailÉquations non linéaires
CHAPTER 1 Équations non linéaires On considère une partie U R d et une fonction f : U R d. On cherche à résoudre { x U 1..1) f x) = R d On distinguera les cas d = 1 et d > 1. 1.1. Dichotomie d = 1) 1.1.1.
Plus en détailAnalyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
Plus en détailProgramme de formation Photoshop : Initiation 24 heures de formation (3 jours) 1/2
Programme de formation Photoshop : Initiation 24 heures de formation (3 jours) 1/2 Graphistes, photographes, webmasters, ou toute autre personne en charge de la création de visuels pour le web ou le print.
Plus en détailTechnique de codage des formes d'ondes
Technique de codage des formes d'ondes Contenu Introduction Conditions préalables Conditions requises Composants utilisés Conventions Modulation par impulsions et codage Filtrage Échantillon Numérisez
Plus en détailTraitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 détailSudoClick Reconnaissance de grilles de sudoku pour téléphones portables
SudoClick Reconnaissance de grilles de sudoku pour téléphones portables Patrick Anagnostaras 1 24 mai 2008 Department of Informatics - Master Project Report Département d Informatique - Departement für
Plus en détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
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 détailS.P.S.N. Lac du Der 2008
S.P.S.N. Lac du Der 2008 Qu'est-ce qu'un histogramme? C'est un graphique qui montre la répartition des pixels de l'image en fonction de leur luminosité. Chaque type d'image (normale, surexposée, sous exposée,
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 détailORUXMAPSDESKTOP v.1.4 EN PREMIER, TU DOIS AVOIR LA MACHINE VIRTUELLE JAVA DANS TON PC, PUISQUE ORUXMAPSDESKTOP EST UNE APPLICATION JAVA.
ORUXMAPSDESKTOP v.1.4 Version française élaborée par hugo06 le 26 Mai 2010 en attente de correction par des utilisateurs francophones. EN PREMIER, TU DOIS AVOIR LA MACHINE VIRTUELLE JAVA DANS TON PC, PUISQUE
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 détailUtilisation du logiciel Gwyddion
Traitement des images SPM Utilisation du logiciel Gwyddion Logiciels disponibles sur les appareils Agilent, Bruker, JPK, NT-MDT Logiciels i payants SPIP : http://www.imagenet.com Logiciels gratuits WSxM
Plus en détailAxe " Génie des Procédés", centre SPIN, Ecole des Mines de Saint-Etienne ECOLE DES MINES SAINT-ETIENNE ANALYSE D IMAGE
ANALYSE D IMAGE 1. PRESENTATION DE L ANALYSE D IMAGE. 4 1.1. OJECTIF ET BUT DE L ANALYSE D IMAGE 4 1.2. PRINCIPE 4 1.2.1. FORMATION DE L IMAGE NUMERIQUE 4 1.2.2. TRANSFORMATION DE L IMAGE NUMERIQUE EN
Plus en détailF210. Automate de vision hautes fonctionnalités. Caractèristiques. Algorithmes vectoriels
Automate de vision hautes fonctionnalités Caractèristiques Algorithmes vectoriels Les algorithmes permettent de sélectionner les éléments de traitement requis dans la bibliothèque, puis les combinent et
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailConservation des documents numériques
Conservation des documents numériques Qu'est ce qu'un document numérique? Matthieu GIOUX matthieu.gioux@bnf.fr Contexte de la préservation des documents numériques Une croissance en expansion Développement
Plus en détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
Plus en détailModules Multimédia PAO (Adobe)
Modules Multimédia PAO (Adobe) Pré-requis : Bonne maîtrise de la manipulation d'un PC (environnement Windows ou Mac) et de la navigation Internet. Disposition pour le graphisme recommandée. Mémoire visuelle,
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 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 détail5. Analyse des signaux non périodiques
5. Analyse des signaux non périodiques 5.. Transformation de Fourier 5... Passage de la série à la transformation de Fourier Le passage d'un signal périodique à un signal apériodique peut se faire en considérant
Plus en détailRepérage d un point - Vitesse et
PSI - écanique I - Repérage d un point - Vitesse et accélération page 1/6 Repérage d un point - Vitesse et accélération Table des matières 1 Espace et temps - Référentiel d observation 1 2 Coordonnées
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 détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailComparatif entre Matrox RT.X2 et Adobe Premiere Pro CS3 (logiciel seul)
Comparatif entre et Adobe Premiere Pro CS3 (logiciel seul) offre la puissance de montage en temps réel et les outils de productivité supplémentaires dont vous avez besoin pour tirer pleinement parti d'adobe
Plus en détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailExtraction et reconstruction de bâtiments en 3D à partir de relevés lidar aéroportés
Thèse présentée pour obtenir le grade de Docteur de l Université Louis Pasteur Strasbourg I Discipline : Sciences pour l Ingénieur Spécialité : Topographie-Géomatique Par : Fayez TARSHA KURDI Extraction
Plus en détailDate de diffusion : Rédigé par : Version : Mars 2008 APEM 1.4. Sig-Artisanat : Guide de l'utilisateur 2 / 24
Guide Utilisateur Titre du projet : Sig-Artisanat Type de document : Guide utilisateur Cadre : Constat : Les Chambres de Métiers doivent avoir une vision prospective de l'artisanat sur leur territoire.
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 détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailLa solution à vos mesures de pression
Mesure de force linéique La solution à vos mesures de pression Sensibilité Répétabilité Stabilité Le système X3 de XSENSOR propose un concept innovant spécialement adapté pour vos applications de mesure
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 détailSpectrophotométrie. Spectrophotomètre CCD2. Réf : 701 606. Version 1.0. Français p 2. Version : 4105
Réf : Version 1.0 Français p 2 Version : 4105 Spectrophotomètre CCD2 1 Avant-propos et description Chère cliente, cher client, nous vous félicitons d'avoir choisi notre Spectrophotomètre CCD2 pour réaliser
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 détailComme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailRéussir et traiter ses photos sous UV avec Photoshop
Réussir et traiter ses photos sous UV avec Photoshop par Rémi BORNET le 29/12/2009 Beaucoup de personnes n'arrivent pas à obtenir de bons résultats en photos sous UV et ne trouvent pas de conseils. Cet
Plus en détailMesures de Risque Multipériodes Cohérentes Appliquées au Compte à Terme
TFE Ingénieur Civil Mathématiques Appliquées 24 juin 2010 Mesures de Risque Multipériodes Cohérentes Appliquées au Compte à Terme Auteur Christophe Pochet Promoteur Pierre Devolder Comment garantir la
Plus en détailPHOTOSHOP - L'AFFICHAGE
PHOTOSHOP - L'AFFICHAGE Maîtriser les différents types d'affichages Les modes d'affichages Agrandissement et réduction de l'espace de travail L'outil zoom et main / La palette de navigation Réorganisation
Plus en détail