Différences entre les versions de « Séminaire du 15 avril 2021 »
(Page créée avec « == Texte du titre == Morphologie mathématique, structures hiérarchiques et apprentissage : applications et perspectives en analyse d’images Résumé : La morphologie… ») |
m |
||
| Ligne 1 : | Ligne 1 : | ||
| − | == | + | === Morphologie mathématique, structures hiérarchiques et apprentissage : applications et perspectives en analyse d’images === |
| − | Morphologie mathématique, structures hiérarchiques et apprentissage : applications et perspectives en analyse d’images | + | ''Benoît Naegel, MCF Univ. Strasbourg, Lab. ICube, Équipe IMAGeS'' |
| − | Résumé | + | |
| + | '''Résumé''' La morphologie mathématique est une théorie d’analyse de structures qui fournit des outils de filtrage, de quantification et de segmentation d’images. | ||
Les opérateurs connexes ont été développés dans ce cadre et permettent de simplifier une image sans altérer ses contours. En particulier, les opérateurs connexes peuvent être définis à partir de structures hiérarchiques construites à partir d’une image. Par exemple le max-tree, ou arbre des coupes, est une structure arborescente définie à partir des relations d’inclusion entre les composantes connexes des différentes seuils (ou coupes) de l’image. | Les opérateurs connexes ont été développés dans ce cadre et permettent de simplifier une image sans altérer ses contours. En particulier, les opérateurs connexes peuvent être définis à partir de structures hiérarchiques construites à partir d’une image. Par exemple le max-tree, ou arbre des coupes, est une structure arborescente définie à partir des relations d’inclusion entre les composantes connexes des différentes seuils (ou coupes) de l’image. | ||
Dans cet exposé, nous présenterons différentes structures hiérarchiques que nous avons proposées : graphe des coupes, arbre des coupes multivalué, hyper-arbre des coupes. | Dans cet exposé, nous présenterons différentes structures hiérarchiques que nous avons proposées : graphe des coupes, arbre des coupes multivalué, hyper-arbre des coupes. | ||
Au sein de ces structures de graphe, il est possible d’intégrer différents types d'attributs qui vont permettre de caractériser des zones de l’image. En couplant ces structures avec des méthodes d’apprentissage, il est ainsi possible de les utiliser dans le contexte de la segmentation d’images et de la détection d’objets. Nous présenterons différentes applications de cette méthodologie dans le domaine du traitement du document et du traitement d’images biomédicales. | Au sein de ces structures de graphe, il est possible d’intégrer différents types d'attributs qui vont permettre de caractériser des zones de l’image. En couplant ces structures avec des méthodes d’apprentissage, il est ainsi possible de les utiliser dans le contexte de la segmentation d’images et de la détection d’objets. Nous présenterons différentes applications de cette méthodologie dans le domaine du traitement du document et du traitement d’images biomédicales. | ||
Enfin, l’intégration de la morphologie mathématique dans des méthodes d’apprentissage à base de réseaux de neurones ouvre des perspectives nombreuses. Nous présenterons quelques résultats récents dans ce domaine et proposerons quelques pistes pour coupler morphologie mathématique et réseaux de neurones, notamment par le biais de l’intégration de contraintes de type topologiques. | Enfin, l’intégration de la morphologie mathématique dans des méthodes d’apprentissage à base de réseaux de neurones ouvre des perspectives nombreuses. Nous présenterons quelques résultats récents dans ce domaine et proposerons quelques pistes pour coupler morphologie mathématique et réseaux de neurones, notamment par le biais de l’intégration de contraintes de type topologiques. | ||
Version actuelle datée du 12 avril 2021 à 11:48
Morphologie mathématique, structures hiérarchiques et apprentissage : applications et perspectives en analyse d’images
Benoît Naegel, MCF Univ. Strasbourg, Lab. ICube, Équipe IMAGeS
Résumé La morphologie mathématique est une théorie d’analyse de structures qui fournit des outils de filtrage, de quantification et de segmentation d’images.
Les opérateurs connexes ont été développés dans ce cadre et permettent de simplifier une image sans altérer ses contours. En particulier, les opérateurs connexes peuvent être définis à partir de structures hiérarchiques construites à partir d’une image. Par exemple le max-tree, ou arbre des coupes, est une structure arborescente définie à partir des relations d’inclusion entre les composantes connexes des différentes seuils (ou coupes) de l’image.
Dans cet exposé, nous présenterons différentes structures hiérarchiques que nous avons proposées : graphe des coupes, arbre des coupes multivalué, hyper-arbre des coupes.
Au sein de ces structures de graphe, il est possible d’intégrer différents types d'attributs qui vont permettre de caractériser des zones de l’image. En couplant ces structures avec des méthodes d’apprentissage, il est ainsi possible de les utiliser dans le contexte de la segmentation d’images et de la détection d’objets. Nous présenterons différentes applications de cette méthodologie dans le domaine du traitement du document et du traitement d’images biomédicales.
Enfin, l’intégration de la morphologie mathématique dans des méthodes d’apprentissage à base de réseaux de neurones ouvre des perspectives nombreuses. Nous présenterons quelques résultats récents dans ce domaine et proposerons quelques pistes pour coupler morphologie mathématique et réseaux de neurones, notamment par le biais de l’intégration de contraintes de type topologiques.