Classification multi-modèles des images dans les bases hétérogènes, Multi-model image classification in heterogeneous databases

De
Publié par

Sous la direction de Hichem Maaref, Nabil Derbel
Thèse soutenue le 29 juin 2010: Ecole Nationale d'ingénieurs de SFAX ENIS (Tunisie), Evry-Val d'Essonne
La reconnaissance d'images est un domaine de recherche qui a été largement étudié par la communauté scientifique. Les travaux proposés dans ce cadre s'adressent principalement aux diverses applications des systèmes de vision par ordinateur et à la catégorisation des images issues de plusieurs sources. Dans cette thèse, on s'intéresse particulièrement aux systèmes de reconnaissance d'images par le contenu dans les bases hétérogènes. Les images dans ce type de bases appartiennent à différents concepts et représentent un contenu hétérogène. Pour ce faire, une large description permettant d'assurer une représentation fiable est souvent requise. Cependant, les caractéristiques extraites ne sont pas nécessairement toutes appropriées pour la discrimination des différentes classes d'images qui existent dans une base donnée d'images. D'où, la nécessité de sélection des caractéristiques pertinentes selon le contenu de chaque base. Dans ce travail, une méthode originale de sélection adaptative est proposée. Cette méthode permet de considérer uniquement les caractéristiques qui sont jugées comme les mieux adaptées au contenu de la base d'image utilisée. Par ailleurs, les caractéristiques sélectionnées ne disposent pas généralement des mêmes performances. En conséquence, l'utilisation d'un algorithme de classification, qui s'adapte aux pouvoirs discriminants des différentes caractéristiques sélectionnées par rapport au contenu de la base d'images utilisée, est vivement recommandée. Dans ce contexte, l'approche d'apprentissage par noyaux multiples est étudiée et une amélioration des méthodes de pondération des noyaux est présentée. Cette approche s'avère incapable de décrire les relations non-linéaires des différents types de description. Ainsi, nous proposons une nouvelle méthode de classification hiérarchique multi-modèles permettant d'assurer une combinaison plus flexible des caractéristiques multiples. D'après les expérimentations réalisées, cette nouvelle méthode de classification assure des taux de reconnaissance très intéressants. Enfin, les performances de la méthode proposée sont mises en évidence à travers une comparaison avec un ensemble d'approches cité dans la littérature récente du domaine.
-Extraction d'attributs
Image recognition is widely studied by the scientific community. The proposed research in this field is addressed to various applications of computer vision systems and multiple source image categorization. This PhD dissertation deals particularly with content based image recognition systems in heterogeneous databases. Images in this kind of databases belong to different concepts and represent a heterogeneous content. In this case and to ensure a reliable representation, a broad description is often required. However, the extracted features are not necessarily always suitable for the considered image database. Hence, the need of selecting relevant features based on the content of each database. In this work, an adaptive selection method is proposed. It considers only the most adapted features according to the used image database content. Moreover, selected features do not have generally the same performance degrees. Consequently, a specific classification algorithm which considers the discrimination powers of the different selected features is strongly recommended. In this context, the multiple kernel learning approach is studied and an improved kernel weighting method is presented. It proved that this approach is unable to describe the nonlinear relationships of different description kinds. Thus, we propose a new hierarchical multi-model classification method able to ensure a more flexible combination of multiple features. Experimental results confirm the effectiveness and the robustness of this new classification approach. In addition, the proposed method is very competitive in comparison with a set of approaches cited in the recent literature.
-Feature extraction
Source: http://www.theses.fr/2010EVRY0022/document
Publié le : lundi 31 octobre 2011
Lecture(s) : 44
Nombre de pages : 134
Voir plus Voir moins

UNIVERSITE D’EVRY-VAL D’ESSONNE
Laboratoire d’Informatique, Biologie Int´egrative et Syst`emes Complexes
`THESE
Pr´esent´ee par
Rostom KACHOURI
Pour l’obtention du titre de
Docteur de l’Universit´e d’Evry-Val d’Essonne
Sp´ecialit´e:Sciences pour l’ing´enieur - Traitement des IMages et
du SIgnal
Classification multi-mod`eles des images dans
les bases h´et´erog`enes
Th`ese soutenue le 29 juin 2010
Devant le jury compos´e de:
S. Ruan : Professeur, Universit´e de Reims, Rapporteur
W. Puech :eur, Universit´e de Montpellier II, Rapp
K. Hamrouni : MCF, ENIT-Universit´e de Tunis,orteur
A. Ben Hamida : Professeur, ENIS-Universit´e de Sfax, Examinateur
D. S-Masmoudi : MCF, ENIS-Universit´e de Sfax,nateur
K. Djemal : MCF, Universit´e d’Evry Val d’Essonne, Encadrant
N. Derbel : Professeur, ENIS-Universit´e de Sfax, Co-directeur
H. Maaref :eur, Universit´e d’Evry Val d’Essonne, DirecteurD´edicaces
`A l’ˆame de mon p`ere Sadok
`A ma m`ere Monia
Auxquels, je dois ce que je suis
`A Imen
`A notre fille Rahma
`A notre futur gar¸con RayanRemerciements
J’aimerais avant tout exprimer ma gratitude et mes remerciements a` mon encadrant
scientifiquede th`ese,M.KhalifaDjemal,maˆıtredeconf´erencesde l’universit´e d’Evry. J’ai
´enorm´ement appris a` ses cˆot´es. Il a su m’initier a` la recherche, me pousser a` toujours
faire mieux et il m’a souvent aid´e a` surmonter les difficult´es de ce cheminement qu’est
le doctorat. Encore plus que ses grandes qualit´es scientifiques, j’ai beaucoup appr´eci´e ses
qualit´es humaines, en particulier l’´ecoute, le partage et la compr´ehension, qui m’en ont
fait un ami.
J’adresse ´egalement a` mon directeur de th`ese, M. Hichem Maaref, professeur de l’uni-
versit´e d’Evry, mes plus sinc`eres remerciements. C’est un homme d’une grande patience,
tr`es`al’´ecouteettr`escompr´ehensifetquiestdirectementresponsabledubond´eroulement
de mes travaux. Je le remercie chaleureusement pour ses attentions et les nombreuses dis-
cussions professionnelles et personnelles que nous avons eues.
Je veux absolument remercier M. Nabil Derbel, professeur de l’universit´e de Sfax et
´MmeDorraSellami-Masmoudi,maˆıtredeconf´erencesa`l’Ecolenationaledesing´enieursde
Sfax et habilit´ee `a diriger les recherches, sans qui cette collaboration de th`ese en cotutelle
ne serait pas ce qu’elle est aujourd’hui.
J’exprimemagratitudea`M.WilliamPuech,professeurdel’universit´edeMontpellier II
ainsi qu’`a Mme Su Ruan, professeur de l’universit´e de Reims, pour avoir accept´e de juger
mes travaux en tant que rapporteurs. Je remercie M. AHMED BEN HMIDA, professeur
de l’universit´e de Sfax, qui a accept´e de faire partie de ce jury. Je tiens´egalement a` expri-
´mer ma reconnaissance a` M. Kamel Hamrouni, maˆıtre de conf´erences `a l’Ecole nationale
des ing´enieurs de Tunis et habilit´e a` diriger les recherches, pour avoir accept´e de juger
mes travaux et pr´esider ce jury.
Une th`ese est un travail assez personnel qui s’inscrit toutefois dans une ´equipe. Je
remercie donc tous mes coll`egues doctorants, tous les membres temporaires ou perma-
nents que j’ai crois´e au cours de cette exp´erience, je pense en particulier a` Imen, Ahmed,
Mohamed, Slim, Amin, Imen, Anwar, Anis, Asma, Salima, Iman, Mouna, christophe,
Jean-yves, christophe, Pierre, Hamdi, Abdelkader, Samia, Nader, Majid, yassine, Khalid
(ils sont trop nombreux pour pouvoir les citer tous). Ils m’ont beaucoup apport´e pendant
ces derni`eres ann´ees: joie, fous rires, complicit´e, soir´ees, voyages, ouverture d’esprit.
Comme il y a aussi une vie en dehors du travail (si tout de mˆeme un petit peu) j’ai eu
la chance de rencontrer hors du labo des personnes qui sont aujourd’hui des amis: Tarek,
Hedi, Mehdi, Hamdi, Sabeur, Khalil, Sebastien, Nader et tant d’autres! Auxquels je dois
aussi de bons moments de sinc´erit´e, rigolade et complicit´e.
Enfin−last but not least−j’exprimetoutemagratitudea`mam`ereMonia,mafemme
ImenetmapetitefilleRahmaquiontsupport´eavecmoilesmeilleursetlespiresmoments
etquim’ontdonn´elaforced’allerauboutdecetteaventure.Bref,pourceboutdechemin
fait ensemble.R´esum´e
La reconnaissance d’images est un domaine de recherche qui a ´et´e largement ´etudi´e
parlacommunaut´escientifique.Lestravauxpropos´esdanscecadres’adressentprincipale-
mentauxdiversesapplicationsdessyst`emesdevisionparordinateuret`alacat´egorisation
des images issues de plusieurs sources. Dans cette th`ese, on s’int´eresse particuli`erement
aux syst`emes de reconnaissance d’images par le contenu dans les bases h´et´erog`enes.
Les images dans ce type de bases appartiennent a` diff´erents concepts et repr´esentent
un contenu h´et´erog`ene. Pour ce faire, une large description permettant d’assurer une
repr´esentation fiable est souvent requise. Cependant, les caract´eristiques extraites ne
sont pas n´ecessairement toutes appropri´ees pour la discrimination des diff´erentes classes
d’images qui existent dans une base donn´ee d’images. D’ou,` la n´ecessit´e de s´election des
caract´eristiquespertinentesselonlecontenudechaquebase.Danscetravail,unem´ethode
originale de s´election adaptative est propos´ee. Cette m´ethode permet de consid´erer uni-
quement les caract´eristiques qui sont jug´ees comme les mieux adapt´ees au contenu de la
base d’images utilis´ee. Par ailleurs, les caract´eristiques s´electionn´ees ne disposent pas
g´en´eralement des mˆemes performances. En cons´equence, l’utilisation d’un algorithme
de classification, qui s’adapte aux pouvoirs discriminants des diff´erentes caract´eristiques
s´electionn´ees par rapport au contenu de la base d’images utilis´ee, est vivement recom-
mand´ee. Dans ce contexte, l’approche d’apprentissage par noyaux multiples est´etudi´ee et
une am´elioration des m´ethodes de pond´eration des noyaux est pr´esent´ee. Cette approche
s’av`ere incapable de d´ecrire les relations non-lin´eaires des diff´erents types de description.
Ainsi, nous proposons une nouvelle m´ethode de classification hi´erarchique multi-mod`eles
permettantd’assurerunecombinaisonplusflexibledescaract´eristiquesmultiples.D’apr`es
les exp´erimentations r´ealis´ees, cette nouvelle m´ethode de classification assure des taux de
reconnaissance tr`es int´eressants. Enfin, les performances de la m´ethode propos´ee sont
mises en ´evidence a` travers une comparaison avec un ensemble d’approches cit´e dans la
litt´erature r´ecente du domaine.
Mots-clefs: Reconnaissance d’images par le contenu, Bases d’images h´et´erog`enes,
Extraction d’attributs, S´election adaptative des caract´eristiques les plus pertinentes, Ap-
prentissage par noyaux multiples, Classification multi-mod`eles.Abstract
Imagerecognitioniswidelystudiedbythescientificcommunity.Theproposedresearch
in this field is addressed to various applications of computer vision systems and multiple
source image categorization. This PhD dissertation deals particularly with content based
image recognition systems in heterogeneous databases. Images in this kind of databases
belong to different concepts and represent a heterogeneous content. In this case and to
ensure a reliable representation, a broad description is often required. However, the ex-
tracted features are not necessarily always suitable for the considered image database.
Hence, the need of selecting relevant features based on the content of each database. In
this work, an adaptive selection method is proposed. It considers only the most adapted
features according to the used image database content. Moreover, selected features do
not have generally the same performance degrees. Consequently, a specific classification
algorithm which considers the discrimination powers of the different selected features is
strongly recommended. In this context, the multiple kernel learning approach is studied
and an improved kernel weighting method is presented. It proved that this approach is
unabletodescribethenonlinearrelationshipsofdifferentdescriptionkinds.Thus,wepro-
pose a new hierarchical multi-model classification method able to ensure a more flexible
combination of multiple features. Experimental results confirm the effectiveness and the
robustness of this new classification approach. In addition, the proposed method is very
competitive in comparison with a set of approaches cited in the recent literature.
Key words: Content based image recognition, Heterogeneous image databases, Fea-
ture extraction, Adaptive feature selection, Multiple kernel learning, Multi-model classi-
fication.Table des mati`eres
D´edicaces
Remerciements
R´esum´e
Abstract
Index des symboles 1
Introduction g´en´erale 6
1 Extractiond’attributsetclassificationd’imagesdanslesbasesh´et´erog`enes 10
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Reconnaissance d’images par le contenu . . . . . . . . . . . . . . . . . . . 11
1.2.1 Types d’attributs . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1.1 La couleur . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1.2 La texture . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.1.3 La forme . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.2 Cat´egories d’attributs . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2.1 Attributs globaux. . . . . . . . . . . . . . . . . . . . . . 15
1.2.2.2 A locaux . . . . . . . . . . . . . . . . . . . . . . 16
1.2.3 M´ethodes de classification et ´evaluation des performances . . . . . 17
1.2.3.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.3.2 R´etroaction et bouclage de pertinence . . . . . . . . . . 17
1.2.3.3 Performances de classification d’images . . . . . . . . . . 18
1.3 Bases d’images h´et´erog`enes utilis´ees . . . . . . . . . . . . . . . . . . . . . 18
1.3.1 La base d’images COLUMBIA . . . . . . . . . . . . . . . . . . . . 19
1.3.2 La base COREL . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3 La base d’images CALTECH. . . . . . . . . . . . . . . . . . . . . 20
1.4 Techniques de classification d’images . . . . . . . . . . . . . . . . . . . . 22
1.4.1 M´ethodes de classification non-supervis´ee . . . . . . . . . . . . . . 22

Soyez le premier à déposer un commentaire !

17/1000 caractères maximum.