Séminaire du 11 mars 2022
Analyse morphologique et logarithmique de grandes banques d'images
Guillaume Noyel, Dr, HDR, Enseignant chercheur, Télécom St-Etienne, Laboratoire Hubert Curien, St Etienne, France
Résumé : Le traitement d’ images acquises sous éclairement non contrôlé s’avère fréquent dans de nombreuses applications. En effet, différentes conditions d’acquisitions contraignent la prise de vue comme le mouvement, un éclairement non uniforme, les changements d’opacité de l’objet, le bruit d’acquisition, etc. Ceci a pour conséquence de créer des variations inhomogènes de contraste dans les images. Peu de méthodes de traitement d’images prennent en compte ces variations. Afin de résoudre ce problème, un modèle adapté aux images peu contrastées, à savoir le Logarithmic Image Processing (LIP) sera présenté (Jourlin, 2016). Ce modèle est fondé sur la loi optique des transmittances, ce qui lui donne de très bonnes propriétés optiques pour traiter ces images. Grâce au modèle LIP, de nouvelles méthodes robustes à ces changements de contrastes seront introduites : à savoir, les métriques fonctionnelles d’Asplund (Noyel and Jourlin, 2020). Deux métriques seront étudiées : (i) la métrique d’Asplund LIP-multiplicative qui est robuste aux changements d’opacité (ou d’absorption) de l’objet modélisés par la loi multiplicative du modèle LIP, et (i) la métrique d’Asplund LIP-additive, qui est robuste aux variations d’intensité lumineuse (ou du temps d’exposition de la caméra) modélisées par la loi additive du modèle LIP. En pratique, ces métriques s’avèrent très utile pour la reconnaissance de forme grâce à des cartes de distances entre un gabarit de référence et une image. Ces cartes de distances d’Asplund seront reliées au corpus bien établi de la morphologie mathématique. Ceci permettra l’introduction d’un nouveau cadre de travail appelé morphologie mathématique logarithmique (Noyel, 2019). Ces métriques ouvrent de nouvelles voies pour l’apprentissage statistique. D’autres exemples d’analyses d’images par intelligence artificielle dans de grandes banques de données seront montrés, notamment en imagerie médicale (Noyel et al., 2017) ou en analyse de texture pour les matériaux (Noyel., 2021). Bibliographie Jourlin, M. (2016) Logarithmic Image Processing: Theory and Applications. Elsevier. Noyel, G. et al. (2017) ‘Superimposition of eye fundus images for longitudinal analysis from large public health databases’, Biomedical Physics & Engineering Express, 3(4), p. 045015. doi: 10.1088/2057-1976/aa7d16. Noyel, G. (2019) ‘Logarithmic Mathematical Morphology: A New Framework Adaptive to Illumination Changes’, Lecture Notes in Computer Science. Cham: Springer, pp. 453–461. doi: 10.1007/978-3-030-13469-3_53. Noyel, G. and Jourlin, M. (2019) ‘Region homogeneity in the logarithmic image processing framework: application to region growing algorithms’, Image Analysis & Stereology, 38(1), p. 43. doi: 10.5566/ias.2038. Noyel, G. and Jourlin, M. (2020) ‘Functional Asplund metrics for pattern matching, robust to variable lighting conditions’, Image Analysis & Stereology, 39(2), pp. 53–71. doi: 10.5566/ias.2292. Noyel, G. (2021) ‘Morphological and logarithmic analysis of large image databases’, Dissertation of Habilitation à Diriger des Recherches, Université de Reims Champagne Ardenne. https://tel.archives-ouvertes.fr/tel-03343079