Exploitation de paramètres de texture à l'aide de modèles connexionnistes ; : vers une extension de la notion de texture grâce à l’oculométrie

par Patrice Palisson

Thèse de doctorat en Ingénierie Informatique

Sous la direction de Robert Unterreiner.


  • Résumé

    La texture est une notion essentielle en analyse d'images. Mais elle reste difficile à appréhender. La mise en œuvre de techniques d'analyse et de reconnaissance de textures permet pourtant d'améliorer considérablement la-segmentation automatique de nombreux types d 'images telles que les images satellitaires ou médicales. Notre étude concerne principalement la mise en œuvre et l'amélioration de techniques neuronales de reconnaissance de formes et leur implémentation sur machine parallèle. Mais aussi l'utilisation originale de techniques oculométriques pour caractériser l'information locale de texture. Dans une première partie, nous mettons en évidence l' influence de différents facteurs sur l'aptitude en généralisation d'un réseau multicouche. Nous proposons ensuite une variante de la stratégie traditionnelle d'apprentissage permettant d'améliorer la robustesse des résultats. Nous montrons enfin la supériorité de cette approche sur l'analyse discriminante et sur la méthode des plus proches voisins dans le cas de problèmes complexes. Une deuxième partie nous conduit à évaluer une carte auto-organisatrice pour réaliser la segmentation non supervisée d'images texturées. Puis à décrire une implémentation de cet algorithme sur une machine parallèle SIMD. Afin d' améliorer l'extraction de l'information de texture, nous comparons ensuite plusieurs décompositions spectrales (Gabor, ondelettes discrètes et ondelettes continues) et mettons en évidence la nette supériorité des ondelettes continues. Nous terminons par l'exploitation de techniques oculométriques permettant de connaître le trajet du regard que porte un observateur sur une image donnée. Nous montrons alors de manière originale l'influence de la texture sur la perception et l'observation d'images à faible contenu cognitif. Les résultats présentés ici permettent d'envisager une exploitation automatique des informations oculométriques, et de définir les centres d'intérêt d'une image à l'aide d'une notion relativement nouvelle de "texture étendue".

  • Titre traduit

    = Texture feature exploitation with connectionist models; : Towards a texture extension using oculometry


  • Résumé

    Texture analysis is an important issue of image processing, which is useful in many domains like landscape or medical imaging. This study principally deals with evaluation and improvement of some connectionist models for texture classification. We first use a multilayer perception with texture features in order to classify various textures. We point out how learning set and parameters do modify the generalization ability, and we propose some improvements to the traditional learning strategy. We show through a complex problem the. Superiority of this promising approach on discriminant analysis and nearest neighbours classifiers. A Kohonen's self-organizing map is also evaluated and improved in order to realize an unsupervised image segmentation; a massively parallel implementation of this algorithm is proposed too. We then compare some spectral decompositions (Gabor, discret and continuous wavelet transforms), and we show the best segmentation enhancement in the case of continuous transform. Finally, we use occulometry techniques to analyze visual path of an observer onto an image with little cognitive content. We thus show, through the gazing points, the correlation of local texture characterization with the regions of interest of the image.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (221p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr.

Où se trouve cette thèse ?

  • Bibliothèque :
  • Disponible pour le PEB
  • Cote : C.83(1723)
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.