MAP-6014 Concepts avancés en mathématiques et informatique appliquées

Slides:



Advertisements
Présentations similaires
Traitement d’images : concepts avancés
Advertisements

Champs de Markov en Vision par Ordinateur
RECONNAISSANCE DE FORMES
Xialong Dai, Siamak Khorram
Traitement d’images : briques de base S. Le Hégarat
Traitements d'images et Vision par ordinateur
INF-1019 Programmation en temps réel
Concepts avancés en mathématiques et informatique appliquées
RECONNAISSANCE DE FORMES
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Concepts avancés en mathématiques et informatique appliquées
SUJETS SPÉCIAUX EN INFORMATIQUE I
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
DEA Perception et Traitement de l’Information
RECONNAISSANCE DE FORMES
Projet Génie Logiciel & UML, Bases de Données & Interfaces
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
PIF-6003 Sujets spéciaux en informatique I
SUJETS SPÉCIAUX EN INFORMATIQUE I
TRAITEMENT D’IMAGE SIF-1033.
SIF-1033 Traitement d’image
TRAITEMENT D’IMAGE SIF-1033.
RECONNAISSANCE DE FORMES
Objectifs Chapitre 8: Mesure en psychologie
Distance de BORGEFORS Et Applications
LES REHAUSSEMENTS D'IMAGES
Interprétation automatique
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
SIF-1033 Traitement d’image
SIF-1033 Traitement d’image
Deux sujets traités La segmentation d’images
INF-1019 Programmation en temps réel
Classification : objectifs
SEGMENTATION EN REGIONS
Le contrôle de soudures laser par radiographie X
Institut de sciences et technologies Département d’informatique
TRAITEMENT D’IMAGE SIF-1033 Segmentation des images par détection de contours et d’arêtes u Détection des contours et arêtes u Dérivée première (gradient)
INF-1019 Programmation en temps réel
Introduction au Traitement d’image
Chapitre 3: Variables aléatoires réelles continues
Les réseaux de neurones à réservoir en traitement d’images
SUJETS SPÉCIAUX EN INFORMATIQUE 1
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
SUJETS SPÉCIAUX EN INFORMATIQUE I
INF-1019 Programmation en temps réel
SIF1033 TRAITEMENT D’IMAGE
PROGRAMMATION SCIENTIFIQUE EN C PRO Résolution de système d’équations non- linéaires (racines d’équations) u Méthode de la bissection u Analyse.
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Mathématiques pour Informaticien I
Suivi d’Horizons Sismiques
Traitement d’images 420-D78-SW A15 Semaine 02.
Traitement d’images Semaine 03 A15 Seuillage.
PROGRAMMATION SCIENTIFIQUE EN C PRO Approximation de fonctions et régression u Approximation linéaire –Méthode du moindre carré u Exemple.
Partie II : Segmentation
PIF-6003 Sujets spéciaux en informatique I
Traitement du signal (images) u Sujets –Détection des droites –Transformée de Hough (espace paramétré) *avec la pente et l’ordonnée à l’origine *avec.
Présentation Projet 24 H BIARDEAU Mickael CHERREAU François FI2 AII Contrôle de la cuisson d'une crème alimentaire 1.
PROGRAMMATION SCIENTIFIQUE EN C
Exemple et critique d’un système de vision simple Patrick Hébert (dernière révision septembre 2008) Référence complémentaire: Shapiro et Stockman: chap.
Traitement d’images Semaine 09 vA15.
Comparaison post-classification. Le problème du projet 3 Les changements du couvert arborescent dans le territoire urbain (zone blanche) de la Communauté.
Concepts avancés en mathématiques et informatique appliquées
Transcription de la présentation:

MAP-6014 Concepts avancés en mathématiques et informatique appliquées Sujets Segmentation par seuillage (classification) Choix des seuils Par inspection de l’histogramme Optimal Lectures: Note de cours Pour installer EMGU et OpenCV, voir le site suivant: http://www.emgu.com/wiki/index.php/Download_And_Installation

Segmentation par seuillage Niveaux de gris    (des images à niveaux de gris) Différences    (détection des changements)   

Segmentation par seuillage binaire (des images à niveaux de gris) FIGURE 2-7 [rf. SCHOWENGERDT, p. 69]

Segmentation par seuillage binaire (des images à niveaux de gris)

Segmentation par seuillage binaire (des images à niveaux de gris) Ex: findThresholdFaceNIR.c 134

Segmentation par seuillage binaire (des images à niveaux de gris)

Détection des changements [soustraction d ’images] Vous en souvenez-vous ? - = (b) 1975. (a) 1972. images Landsat MSS du complexe minier cuprifère de "Twin Buttes" (au sud de Tucson en Arizona) FIGURE 2-8 [rf. SCHOWENGERDT, p. 70]

Segmentation par seuillage binaire (détection des changements) FIGURE 2-9 [rf. SCHOWENGERDT, p. 71]

Choix des seuils (par inspection de l’histogramme) Figure 7.25 [rf. GONZALEZ, p. 444]

Choix des seuils (optimaux : par minimisation de la probabilité d’erreur) Figure 7.27 [rf. GONZALEZ, p. 448]

Choix des seuils  (optimaux)

Choix des seuils (optimaux) Supposons que nous observons deux surfaces dans une image La probabilité p(z) d’avoir une valeur de niveau de gris z dans l’image est donnée par: p(z) = P1 p1(z) + P2 p2(z) où: P1: probabilité d’occurrence de la surface 1, Fraction de l’image correspondant à la surface 1 P2: probabilité d’occurrence de la surface 2, Fraction de l’image correspondant à la surface 2

Choix des seuils (optimaux) où: p1(z): probabilité d’occurrence d’un pixel de niveau de gris z dans la surface 1 p2(z): probabilité d’occurrence d’un pixel de niveau de gris z dans la surface 2 Si nous supposons que p1(z) et p2(z) sont distri-bués selon une loi normale nous obtenons:

Choix des seuils (optimaux) où: 1 et 2 sont les moyennes des valeurs de niveaux de gris des surfaces 1 et 2 respectivement et 1 et 2 leur écart-type p(z) devient alors: De plus nous savons que

Choix des seuils (optimaux) La probabilité d’erreur T

Choix des seuils (optimaux) Déterminons la probabilité d’erreur de classifica-tion dans les classes 1 et 2 (surfaces 1 et 2) Nous définissons E1 la probabilité de classer un pixel dans la classe 1 lorsqu’il appartient à la classe 2 et E2 la probabilité de classer un pixel dans la classe 2 lorsqu’il appartient à la classe 1 De plus nous voulons savoir quelle sera l’erreur causée par le choix d’un seuil donné T

Choix des seuils (optimaux) Les probabilités d’erreur sont données par: La probabilité d’erreur totale est alors donnée par:

Choix des seuils (optimaux) Cherchons une valeur de T qui minimise E(T) Après simplifications nous obtenons une expression de la forme:

Choix des seuils (optimaux) Les coefficients A B et C sont donnés par:

Choix des seuils (optimaux) Lorsque les variances sont égales:

Choix des seuils (optimaux) Lorsque les surfaces sont équiprobables:

Exemple de segmentation imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram.h) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram.cpp) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram.cpp) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram.cpp) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram Exemple de segmentation (Détection de pupilles, Histogram.cpp, LocateExtremum) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram Exemple de segmentation (Détection de pupilles, Histogram.cpp, LocateExtremum …) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram Exemple de segmentation (Détection de pupilles, Histogram.cpp, LocateExtremum …) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram Exemple de segmentation (Détection de pupilles, Histogram.cpp, ThreshHistogram) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram Exemple de segmentation (Détection de pupilles, Histogram.cpp, ThreshHistogram …) imageasegmenter.rast                       

Exemple de segmentation (Détection de pupilles, Histogram.cpp) imageasegmenter.rast                       

Résumé Segmentation des images par seuillage Segmentation par seuillage Niveaux de gris Différences Choix des seuils Par inspection de l’histogramme Optimal