Concepts avancés en mathématiques et informatique appliquées MAP-6014.

Slides:



Advertisements
Présentations similaires
Unité 1: La dynamique Qu’est-ce que la cinématique?
Advertisements

3 MOUVEMENT Recalage et Poursuite PLAN DU CHAPITRE
La g-caméra Projection But: Modélisation Cas idéal Cas réel
4. Descripteurs du contenu
Concepts avancés en mathématiques et informatique appliquées
Module SIG-Santé 6. Géoréférencement Marc SOURIS Florent DEMORAES
Chapitre 6 : Restauration d’images
Analyse fréquentielle
Recherche d’un même objet / scène
Réalisateur : PHAM TRONG TÔN Tuteur : Dr. NGUYEN DINH THUC
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Concepts avancés en mathématiques et informatique appliquées
Le filtrage d’images.
TRAITEMENT D’IMAGE SIF-1033.
Chapitre 2 : Filtrage Professeur. Mohammed Talibi Alaoui
SUJETS SPÉCIAUX EN INFORMATIQUE I
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Mise en correspondance et Reconnaissance
Construction de modèles visuels
L'approximation affine
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.
SUJETS SPÉCIAUX EN INFORMATIQUE I
SUJETS SPÉCIAUX EN INFORMATIQUE I
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
TRAITEMENT D’IMAGE SIF-1033.
Pr. M. Talibi Alaoui Département Mathématique et Informatique
Distance de BORGEFORS Et Applications
Appariement de deux images
Recherche dun même objet / scène Approches basées sur des descripteurs locaux Approches basées sur des descripteurs globaux.
Le filtrage d’images.
Interprétation automatique
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
SIF-1033 Traitement d’image
Géométrie épipolaire (deux vues)
INF-1019 Programmation en temps réel
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
La tension alternative sinusoïdale Le signal varie régulièrement au cours du temps : la même distance sépare deux extremums (minima ou maxima). On dit.
Mathématiques CST - Géométrie des figures planes -
Introduction au Traitement d’image
5 mars 2003 Géoévènement Analyse des paysages dans un contexte d’aménagement. L’intérêt des outils géomatiques Thierry Joliveau. CRENAM-CNRS UMR.
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
INF-1019 Programmation en temps réel
SIF1033 TRAITEMENT D’IMAGE
Gestion budgétaire des ventes
Arc Détection de présence
Outils d’analyse: la méthode des moindres carrées
PROGRAMMATION SCIENTIFIQUE EN C PRO Résolution de système d’équations non- linéaires (racines d’équations) u Méthode de la bissection u Analyse.
DU TRAITEMENT DU SIGNAL
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Mathématiques pour Informaticien I
MPEG : normalisation La vidéo est compressé en MPEG2 Une vidéo classique : (720x576) à 50 images entrelacées par seconde. Le Mpeg-2 travaille sur 1/4 de.
Suivi d’Horizons Sismiques
GRAPHISME PAR ORDINATEUR
Traitement d’images 420-D78-SW A15 Semaine 02.
PIF-6003 Sujets spéciaux en informatique I
PROGRAMMATION SCIENTIFIQUE EN C
Programmation créative – Les vecteurs
L’appareil photo En quoi ca consiste ? D’où ça vient ?
Reconnaissance d’objets 3D –point de vue complètement différent –pas d’invariant 3D Difficultés :
Filtrage des images.
Concepts avancés en mathématiques et informatique appliquées
Transcription de la présentation:

Concepts avancés en mathématiques et informatique appliquées MAP-6014

Détection d’objets par corrélation spatiale u Fondements de la détection d’objets u Corrélation spatiale (vs ‘convolution’) u Coefficient de corrélation u Exemple

Fondements de la détection d’objets u Le but de la détection d’objets est de localiser dans une image f(x,y) de dimension M X N des objets (formes) représentés par une sous-image w(x,y) de dimension J X K sachant que J  M et K  N u Une approche basée sur la corrélation peut être utilisée pour détecter les objets u Cette approche consiste à déplacer l’objet w(x,y) sur l’image f(x,y) est calculer un facteur d’appariement (corrélation) mettant en relief la ressemblance entre l’objet w(x,y) et f(x,y) au voisinage de chaque point

Corrélation spatiale (VS convolution) u Appariement d’objets par corrélation

Corrélation spatiale (VS convolution) u Alors, pour chaque point s,t de notre image, nous calculons la valeur de c(s,t) correspondant à la corrélation entre w(x,y) et f(x,y) u Une valeur maximale de c(s,t) correspond à un appariement optimal de w(x,y) et f(x,y) u Le calcul de c(s,t) est par contre sensible aux changements d’amplitude de w et f

Corrélation spatiale (VS convolution) u Pour rendre le calcul de la corrélation invariant selon les changements d’amplitude nous pouvons utiliser une forme normalisée de c(s,t) ou calculer le coefficient de corrélation FORME NORMALISÉE c(s,t)  0,1 

Corrélation spatiale (VS convolution) u Coefficient de corrélation  -1,1 

FIGURE 1.14 [rf. SCHOWENGERDT, p. 30] Corrélation spatiale

Corrélation spatiale (exemple)

/u/dmatensr/meunier/sif1033/images/rivTANK.rast Exemple forme_tank.raw détecterobjet

Résumé u Détection d’objets par corrélation spatiale –Fondements de la détection d’objets –Corrélation spatiale (vs ‘convolution’) –Coefficient de corrélation