INF-1019 Programmation en temps réel

Slides:



Advertisements
Présentations similaires
RECONNAISSANCE DE FORMES
Advertisements

Comparaison de deux moyennes observées
Investissement dans les réseaux marchands de transport délectricité Nizar El Ghali Patrick González Michel Roland GREEN, Département déconomie Université
Xialong Dai, Siamak Khorram
MORPHOMETRIE ET QUANTIMETRIE
Produire une expression littérale
Traitement d’images : briques de base S. Le Hégarat
Traitements d'images et Vision par ordinateur
INF-1019 Programmation en temps réel
TRAITEMENT D’IMAGE SIF-1033.
SUJETS SPÉCIAUX EN INFORMATIQUE I
Vision de l ’œil astigmate - Influence de l ’accommodation
Groupe 1: Classes de même intervalle
RECONNAISSANCE DE FORMES
La fonction quadratique. Déterminer l’équation.. Pour bien comprendre les procédés qui vont suivre, il faut se souvenir du lien qui existe entre x et.
STATISTIQUES – PROBABILITÉS
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
Le droit à l’image.
RECONNAISSANCE DE FORMES
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
Objectifs Chapitre 8: Mesure en psychologie
Distance de BORGEFORS Et Applications
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
TRAITEMENT D’IMAGE SIF-1033.
Isoler une variable Dans cette présentation, vous découvrirez les étapes à suivre pour isoler une variable. Commençons d’abord avec une équation ne contenant.
TRAITEMENT D’IMAGE SIF-1033.
l’algorithme du simplexe
SIF-1033 Traitement d’image
SIF-1033 Traitement d’image
Mise en forme en Mathématiques
Deux sujets traités La segmentation d’images
NOTION DE FONCTION.
Caractérisation texturale des surfaces boisées dans une image Ikonos de la région de Montréal Pierre Bugnet Langis.
Monitoring Détection de séquences vidéo en temps réel dans une grande base de données Julien Law-to 23/07/2004.
Séquence FONCTION DE VARIABLE(S) REELLE(S) :
Chimiometrie (Chemometrics)
Mise-à-jour de données de haute incertitude spatiale Présentation dans le cadre du groupe de discussion sur la fusion de données géospatiales – 22 nov.
Intervalles de confiance pour des proportions L’inférence statistique
SEGMENTATION EN REGIONS
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
SUJETS SPÉCIAUX EN INFORMATIQUE 1
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
INF-1019 Programmation en temps réel
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.
Mathématiques pour Informaticien I
Suivi d’Horizons Sismiques
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
3. Variantes de l’algorithme
Traitement du signal (images) u Sujets –Détection des droites –Transformée de Hough (espace paramétré) *avec la pente et l’ordonnée à l’origine *avec.
1. Méthode du simplexe et son analyse.
PROGRAMMATION SCIENTIFIQUE EN C
Transcription de la présentation:

INF-1019 Programmation en temps réel Traitement du signal (images) Sujets Segmentation par seuillage Choix des seuils Par inspection de l’histogramme Optimal Lectures: Note de cours

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                       

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