Jean-Marc Chassery Direktor raziskav pri CNRS (Grenoble) Jean-Pierre Cocquerez profesor pri UTC (Compiègne).
Synthèse des activités de recherche
Le sujet de mon mémoire de DEA [D1] portait sur les modèles markoviens appliqués à la segmentation d'images. Les travaux menés au cours de cette thèse ont conduit à la proposition d'un indicateur de l'anisotropie des textures. Bien que Mulat [T6] couvre un sujet beaucoup plus large, nous avons proposé un estimateur de l'orientation par rapport à l'axe des objets cylindriques.
Le travail est centré sur la caractérisation volumique d'un matériau à travers l'analyse d'une image 2D d'une partie de ce matériau, ce qui est assez emblématique de l'ampleur de la tâche. Les missions récurrentes consistent principalement à réaliser une veille technologique et scientifique (sur des thématiques liées à la fois à l'analyse d'images et à la caractérisation des matériaux), mais également à assurer la pérennité des développements en analyse d'images réalisés dans le cadre de coopérations. Plus d'une quarantaine de stagiaires, principalement issus de l'ENSEIRB, ont pu bénéficier d'un stage en analyse d'images dans ce cadre.
A noter enfin que ce partenariat s'inscrit désormais dans le cadre de l'Institut Carnot MIB (Institut des Matériaux de Bordeaux), labellisé en 2006 par l'ANR, et dont notre laboratoire est une des composantes. D’autres opportunités d’avancement de nos travaux résultent de la restructuration de notre groupe de recherche au sein de l’UMR IMS.
Activités de recherches
Estimation des orientations locales dans une image
- Introduction
- Estimation des orientations locales uniques
- Les orientations locales multiples
- Conclusion et perspectives
L'orientation en un point d'une image correspond à l'orientation du ou des axes qui caractérisent le mieux cette image d'un point de vue perceptuel [Mic06a]. Dans le cas général, l'orientation peut être assimilée à une direction simple et donc le module π est évalué. C'est par exemple le cas en tout point de l'image de la Fig. 2. Cependant, l'orientation n'est pas toujours perçue modulo π.
Le processus de perception peut être plus complexe et l’évaluation de l’orientation nécessite alors de prendre en compte plusieurs spécificités. À petite échelle, l'orientation varie selon l'emplacement, tandis qu'à l'échelle de l'image, l'orientation est unique. En tant que telle, et comme les méthodes dérivées, l’estimation d’orientation basée sur le signal monogénique ne nécessite aucune rotation.
Figure 17. : Estimation de l'orientation des couches dans un matériau composite stratifié. a) La section du matériau ; b) FER. L'influence en ce qui concerne la détection de l'orientation locale des couches apparaît plus explicitement sur la Fig.18. Cette propriété fait de l’orientation et de la directivité des attributs particulièrement efficaces pour la segmentation de ces paquets. un B.
En définissant un quartier autour de la pointe, une estimation de l'orientation de la parcelle peut être réalisée.
Exploitation du champ des orientations locales d’une image
- Introduction
- Statistiques d’ordre 1 sur un champ d’orientation
- Statistiques d’ordre 2 sur un champ d’orientation
- Conclusion et perspectives
La seconde portera sur les statistiques de second ordre, notamment l'estimation de l'anisotropie multi-échelle et la cartographie des différences spatiales d'orientation. La tendance directionnelle d'une image numérique ou champ vectoriel, à une certaine échelle, est l'orientation perçue ou estimée dans une zone de l'image dont la taille correspond à cette échelle. En utilisant un critère de minimisation de la variance, ils montrent que l'estimation optimale de l'orientation dominante est donnée par l'argument de la somme des carrés des vecteurs gradient (exprimés en nombres complexes).
Cette définition proposée diffère de celles généralement acceptées ([Che99] par exemple), dans le sens où l'unicité de la tendance directionnelle joue un rôle crucial dans la définition de l'anisotropie. L'anisotropie, comme l'orientation, dépend fortement de l'échelle d'observation, comme illustré sur la figure 23. En conséquence, la sensibilité de la mesure aux non-uniformités d’éclairage est réduite.
Le premier [Ger97 Ger03] est spécifiquement consacré à l'estimation multi-échelle de l'anisotropie des images texturées. A partir des "histogrammes améliorés de différence de niveaux de gris" [Che95] Chetverikov calcule l'évolution d'un attribut en fonction de l'orientation à l'aide d'une courbe appelée indicateur d'anisotropie. Pour démontrer l'importance de cette « signature texturale », nous avons créé une formulation analytique de la courbe d'anisotropie, dans une version légèrement simplifiée de l'indicateur Iso appelée Isa2Dh.
L'équation précédente permet d'établir l'évolution de l'anisotropie en fonction de l'échelle pour différentes lois de probabilité aux limites. Quant à la hauteur de ce maximum, elle est principalement le reflet de σΘ2, c'est-à-dire la variance directionnelle des textures qui remplissent les carreaux. Pour surmonter cette difficulté, nous avons présenté, dans le cadre de la thèse de J.P.
Pour une telle approche, la première tâche consiste à préparer le calcul de l'histogramme en quantifiant l'espace des différences d'orientation. Le paramètre λ permet ici d'ajuster la sensibilité de l'attribut aux petites différences d'orientation. De plus, ces diplômes ont une signification précise dans le cadre de la théorie de l’information et permettent de prédire les résultats observables lors des expérimentations.
Acquisition d’image, analyse et incertitude
- Introduction
- Texture et stéréologie
- Caractérisation de texture et incertitude
- Conclusion et perspectives
Nous nous sommes également intéressés à l'estimation de l'orientation des fibres cylindriques à partir d'une seule coupe oblique. Une application directe du biais de découpe consiste à caractériser le renfort fibreux d'un matériau composite à partir de l'analyse d'une image 2D. De cette définition découle une expression simple de la variance de la mesure sur une fenêtre V, grande avant A.
L'ajustement d'un modèle de variogramme avec le variogramme estimé (Fig.49) donne accès aux paramètres du modèle, ainsi qu'à une expression analytique pour l'estimation de la variance. Une fois cette formulation obtenue, l’estimation de . la variance de la mesure résultera directement de l'estimation des paramètres du modèle sélectionné à partir de l'image examinée. Les estimateurs E^θ( )v et Var^ θ( )v de la moyenne et de la variance de la mesure θ( )v de la caractéristique d'intérêt θ à l'échelle d'observation v sont calculés à partir de l'ensembles de θ( )vk.
La variance empirique Var^ θ( )v entre ces mesures permet alors d'estimer la dispersion des mesures à l'échelle v. Le principe est similaire à la méthode de calcul de variance de dispersion utilisée en géostatistique [Mat62]. La variance de l'estimateur de la moyenne d'un processus ponctuel marqué à deux échelles (processus de Neymann-Scott marqué d'ellipses aléatoires).
De plus, la pente de la ligne, ou régime de décroissance, nous renseignera sur l'homogénéité de l'image. Nous avons appliqué cette approche pour estimer l'incertitude de la mesure du taux de phase, pour différents types de matériaux composites ou métalliques. La figure 54b montre la courbe expérimentale de la variance du débit de fibre dans le cas d'un sous-échantillonnage de blocs.
Là encore, l'ordonnée de cette asymptote pour une abscisse égale à la taille de l'image entière donne l'estimation de la variance. un B. Pour une fenêtre d'observation carrée, avec estimateurs de moyenne et de variance (tableau 8).
Taux minimum de désintégration asymptotique de Var^ θ( )n n−1 n−12 Tableau 8 : Critère d'homogénéité de la moyenne et de la variance. Figure 58. : a) Texture D11 de l'album Brodatz; b) Variance de l'estimateur de la moyenne, ; c) Variance de l'estimateur de variance.
Conclusion générale et perspectives scientifiques
Soutenir l’évolution de nos partenariats, dans le domaine agronomique, ainsi que dans celui des matériaux aérospatiaux. Ces partenariats nous posent souvent des problèmes difficiles, et sont également la source de données expérimentales (images 2D ou 3D) qui permettent de valider nos approches. Dans le domaine des matériaux, nous avons jusqu'à présent été principalement confrontés à la caractérisation « destructive » d'échantillons.
La nature des données collectées et la grande variété de capteurs en font des cibles privilégiées pour la fusion de données. Ces techniques, bien que largement développées en télédétection et en imagerie médicale, présentent, dans le contexte aérospatial, des spécificités tant dans la nature du matériau rencontré que dans la morphologie des pièces.
Using Canny's criteria to derive a recursively implemented optimal edge detector, International Journal of Computer Vision, vol Mic06b] Michelet F., Da Costa J.P., Baylou P., Germain Ch., Local Orientation Estimation in Corrupted Images, Lecture Notes in Computer Science, Advances in Machine Vision, Image Processing, and Pattern Analysis, Proc. The objective assessment of numbers and sizes of arbitrary particles using the dissector, Journal of Microscopy, Vol.
An overview of nonlinear diffusion filtering, Scale Space in Computer Vision Lecture Notes in Computer Science.Vol.1252 Springer, Berlin, pp.3-28, 1997.
Liste des travaux et publications
Mulat Ch., Donias M., Baylou P., Vignoles G., Germain Ch., "Axis detection method for cylindrical objects", Journal of Electronic Imaging, review favorable. Da Costa J.P., Germain Ch., Lavialle O., Grenier G., "A new framework for the segmentation and characterization of row crops, application to vineyard monitoring", soumis à Computer and Electronic in Agriculture. Blanc R., Da Costa J.P., Stitou Y., Baylou P., Germain Ch., "Assessment of texture stationarity using the asymptotic behavior of the empirical mean and variance", soumis à IEEE Trans.
Da Costa J.P., Germain Ch., Baylou P.; "A Curvilinear Approach to Textural Properties "Extraction: Application to Characterization of Composite Material Images", Proc. Michelet F., Germain Ch., Baylou P., Da Costa JP, "Local Multiple Orientation Estimation: Isotropic and Recursive Oriented Network", ICPR 2004, Cambridge, UK, Août 2004. Da Costa JP, Germain Ch., Baylou P. , "Orientation Difference Statistics for Texture Description", ICPR 2004, Cambridge, UK, August 2004.
Blanc R., Da Costa JP, Germain Ch., Baylou P., «Uncertainty in measuring the mean value of a spatial process. Da Costa JP., Germain Ch., Lavialle O., Grenier G., "Automatic delineation of vineyards by segmentation of high-resolution remote sensing images", International Conference on Precision Agriculture, Minneapolis, USA, Juil. Da Costa JP., Germain Ch., Lavialle O., Grenier G., "Segmentation of high-resolution remote sensing images: application to automatic delineation of vineyards.", International Conference on Agricultural Engineering, Leuwen, Belgium, September 2012.
Michelet F., Da Costa J.P., Germain Ch., Lavialle O. Delineation of vineyards by segmentation of high-resolution remotely sensed images" I. of the European Conference on Precision Agriculture, Uppsala, Sweden, June 2005. -Herrero J., Germain Ch., "Extraction of fibers in tomography samples of composites by computer vision", Proc. Homayouni S., Da Costa J.P., Germain Ch., Lavialle O., Grenier G., "Partial unmixing of multi- or hyperspectral images using ICA- and Fuzzy Clustering techniques.
Da Costa JP, Germain Ch., Baylou P. ; « Caractérisation des pyrocarbones par analyse d'images de microscopie électronique à transmission », Journées Scientifiques du Groupe Français d'Etude des Carbones. Michelet F., Germain Ch. et Baylou P., « Estimation robuste de l'orientation par le réseau orienté récursivement », Proc. Germain Ch., Baylou P., Cataldi M « Rapports mensuels des réunions d'avancement du développement des algorithmes », Partenariat Snecma, Equipe Signal et Images, 2001, environ 30 pages.
Encadrement de la recherche
