Master Informatique 2ème année

Présentation au sujet: "Master Informatique 2ème année"— Transcription de la présentation:

1 Master Informatique 2ème année
Edge Detection and Ridge Detection with Automatic Scale Selection TONY LINDEBERG Synthèse bibliographique Sawsen Rezig ECL/Lyon1 Master Informatique 2ème année Spécialité : Image

2 Principales conférences et revues du domaine
International Conference on Computer Vision (ICCV), European Conference on Computer Vision (ECCV), Conference on Computer Vision and Pattern Recognition (CVPR-USA). IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI), IEEE Transactions on Image Processing, International Journal of Computer Vision(IJCV), Pattern Recognition.

3 L’auteur de L’article:
Tony Lindeberg Tony Lindeberg est un professeur au département de l’analyse numérique et de l’informatique au KTH (Royal Institute of Technology (Suède)). Ses principaux sujets de recherche concerne : La théorie de l’Espace d’échelle, Les représentations de l’image et de la vision Détection de caractéristiques, Reconnaissance d’objets, reconnaissance spatio-temporelle La modélisation algorithmique de la vision biologique. Il déjà travaillé aussi sur des sujets sur l’analyse d’images médicales et la reconnaissance de gestuelles. Il est l’auteur du livre : Scale-Space Theory in Computer Vision.

4 Introduction : L’importance de l’information de contours:
Changement dans l’image changement dans les propriétés physiques et naturelles des entités. La difficulté qui se présente dans un contexte pareil: Comment interpréter l’information extraite, Comment choisir l’espace d’échelle.

5 Problématique traitée par l’article :
Domaine : La vision par ordinateur/Extraction de caractéristiques. But : La détection des différentes caractéristiques de l’image (contours, points d’intérêt). La sélection automatique des niveaux d’échelle ( Scale-space).

6 Avant-propos : Impact du choix du niveaux d’échelle
Image Originale t = 1 t = 256 t = 16

7 Avant-propos : Impact du choix du niveaux d’échelle
Résultats de la détection de contours d’une imge au differents niveaux d’échelle

8 Méthodologie proposée :
L’amplitude du gradient, Une mesure normalisée de la puissance d’un contour :

9 Méthodologie proposée :
Intérêt de chaque mesure: L’amplitude du gradient : Le maximum local dans la direction du gradient, les endroits correspondant à un changement brutal dans l’image. Une mesure normalisée de la puissance d’un contour : Varier l’espace d’échelle automatiquement le long d’un contour.

10 Méthodologie proposée :
Adaptation de la méthode pour la détection de régions d’intérêt: Formuler le concept de points d’intérêt : les propriétés différentielles géométriques locales. points représentant un extremum local dans la direction du vecteur propre de la matrice Hessienne.

11 Résultats obtenus: Résultats de la détection de contours basée sur la dérivée du premier ordre:

12 Résultats obtenus: Résultats de la détection de contours basée sur la dérivée du troisième ordre:

13 Résultats obtenus: Résultats de la détection de régions d’intérêt :

14 Critiques : Etat de l’art : La dérivée normalisée ,
Les dérivées directionnelles, la suppression des non maxima (classique), l’extension de la notion de la suppression des non maxima en vue de réaliser la sélection des niveaux d’échelle.

15 Critiques : Expérimentation (détection de contours):
un choix automatique du niveau d’échelle s’adaptant à la structure locale de l’image, éviter la distorsion de la forme des objets, extraire les contours fins (ombres, reflets), -résultats pour l’image du fractal, -une différence à peine perceptible entre utilisation de deux mesures de la puissance.

16 Critiques : Expérimentation (détection de régions d’intérêt):
L’application de la méthode adaptée donne les points les plus significatifs.

17 Critiques : Points forts et points faibles :
nouvelle manière géométrique différentielle pour la suppression des non maxima, se basant sur la représentation multi-échelle de l’image à traiter. La détection de contours et de points d’intérêt a été beaucoup améliorée par l’auteur par l’introduction des dérivées -normalisées. -Le choix du nombre de niveaux d’échelle à utiliser est arbitraire dans cette méthode.