Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre Plan Modélisation Filtrage Approches continues Post-Traitements

Dimension: px
Commencer à balayer dès la page:

Download "Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements"

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

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

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

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

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

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 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 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

Détection 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 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 détail

Les étapes du traitement de l analyse d image

Les 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 détail

Vision 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 et Olivier MONGA Deuxieme edition Editions Hermes Vision par ordinateur : outils fondamentaux Radu HORAUD, CNRS et Olivier MONGA, INRIA Deuxieme

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision 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 détail

Projet 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 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 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

Utilisation 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 détail

Projet 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 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 détail

N. Paparoditis, Laboratoire MATIS

N. 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 détail

THÈSE. Mesures statistiques non-paramétriques pour la segmentation d'images et de vidéos et minimisation par contours actifs

THÈSE. 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 détail

Mode d'emploi du plugin Grayscale_Granulometry

Mode 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 détail

Les algorithmes de base du graphisme

Les 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 détail

Systèmes de transmission

Systèmes 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 détail

Fonctions de deux variables. Mai 2011

Fonctions 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 détail

Table des matières. 10 Gimp et le Web. Option de traitement d'images Mémento pour la séance N o 8. 10.1 Création d'animation

Table 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 détail

Développements limités. Notion de développement limité

Développements 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 détail

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier

Dan 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 détail

TP SIN Traitement d image

TP 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 détail

Utilisation du logiciel ImageJ gratuit

Utilisation 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 détail

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples

Fonctions 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 détail

Mesure agnostique de la qualité des images.

Mesure 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 détail

Opérations de base sur ImageJ

Opérations 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 détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - 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 détail

AUTRES 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 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 détail

Hiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin

Hiver 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 détail

Tp_chemins..doc. Dans la barre "arche 2" couleur claire 1/5 21/01/13

Tp_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 détail

Recherche 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 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 détail

Traitement d un AVI avec Iris

Traitement 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 détail

TP : Gestion d une image au format PGM

TP : 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 détail

TRACER LE GRAPHE D'UNE FONCTION

TRACER 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 détail

Problème : Calcul d'échéanciers de prêt bancaire (15 pt)

Problème : 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 détail

La Rosette (NGC 2237) Fabien

La 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 détail

Analyse statique d une pièce

Analyse 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 détail

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image

Algorithme 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 détail

Couples de variables aléatoires discrètes

Couples 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 détail

données en connaissance et en actions?

données 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 détail

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau

K. 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 détail

Guide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon

Guide 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 détail

FOSMOR Fooo Optical Sheet Music Recognition

FOSMOR 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 détail

Fête de la science Initiation au traitement des images

Fête 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 détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet 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 détail

Chapitre VI. Connexions et fonctions numériques

Chapitre 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 détail

Echantillonnage Non uniforme

Echantillonnage 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 détail

Coup de Projecteur sur les Réseaux de Neurones

Coup 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 détail

Choisir entre le détourage plume et le détourage par les couches.

Choisir 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 détail

LISACode. 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 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 détail

Par Richard Beauregard. Novembre 2011

Par 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 détail

http://www.icp.inpg.fr/~savario/_activite/zip/trap_v4.zip Hélène Lœvenbruck, Christophe Savariaux, Dorothée Lefebvre

http://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 détail

T u t o r i e l s PhotoFiltre

T 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 détail

Algorithmes d'apprentissage

Algorithmes 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 détail

Méthodes d ondelettes pour la segmentation d images. Applications à l imagerie médicale et au tatouage d images

Méthodes 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 détail

Équations non linéaires

Équations 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 détail

Analyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1

Analyse 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 détail

Programme 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 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 détail

Technique de codage des formes d'ondes

Technique 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 détail

Traitement numérique de l'image. Raphaël Isdant - 2009

Traitement 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 détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-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 détail

I 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...

I 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 détail

SudoClick Reconnaissance de grilles de sudoku pour téléphones portables

SudoClick 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 détail

chapitre 4 Nombres de Catalan

chapitre 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 détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS 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 détail

S.P.S.N. Lac du Der 2008

S.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 détail

TD1 Signaux, énergie et puissance, signaux aléatoires

TD1 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 détail

ORUXMAPSDESKTOP 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 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 détail

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008)

Examen 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 détail

Utilisation du logiciel Gwyddion

Utilisation 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 détail

Axe " Génie des Procédés", centre SPIN, Ecole des Mines de Saint-Etienne ECOLE DES MINES SAINT-ETIENNE ANALYSE D IMAGE

Axe  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 détail

F210. Automate de vision hautes fonctionnalités. Caractèristiques. Algorithmes vectoriels

F210. 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 détail

Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables

Notes 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 détail

Conservation des documents numériques

Conservation 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 détail

ANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique

ANALYSE 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 détail

Modules Multimédia PAO (Adobe)

Modules 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 détail

3 Approximation de solutions d équations

3 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 détail

Cours de Mécanique du point matériel

Cours 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 détail

5. Analyse des signaux non périodiques

5. 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 détail

Repérage d un point - Vitesse et

Repérage 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 détail

I. Polynômes de Tchebychev

I. 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 détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel 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 détail

Introduction au Data-Mining

Introduction 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 détail

Comparatif entre Matrox RT.X2 et Adobe Premiere Pro CS3 (logiciel seul)

Comparatif 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 détail

Recherche De Coalescences Binaires Étalonnage Du Détecteur

Recherche 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 détail

Extraction et reconstruction de bâtiments en 3D à partir de relevés lidar aéroportés

Extraction 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 détail

Date de diffusion : Rédigé par : Version : Mars 2008 APEM 1.4. Sig-Artisanat : Guide de l'utilisateur 2 / 24

Date 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 détail

Quantification Scalaire et Prédictive

Quantification 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 détail

Chaine de transmission

Chaine 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 détail

La solution à vos mesures de pression

La 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 détail

M2R IMA UE CONF Présentation

M2R 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 détail

Spectrophotométrie. Spectrophotomètre CCD2. Réf : 701 606. Version 1.0. Français p 2. Version : 4105

Spectrophotométrie. 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 détail

Franck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER

Franck 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 détail

Comme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:

Comme 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 détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. 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 détail

Réussir et traiter ses photos sous UV avec Photoshop

Réussir 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 détail

Mesures de Risque Multipériodes Cohérentes Appliquées au Compte à Terme

Mesures 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 détail

PHOTOSHOP - L'AFFICHAGE

PHOTOSHOP - 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