Traitement d'image et reconnaissance de la forme par la méthode de Kohonen

Abstract

Cette thèse vise à apporter des améliorations dans le domaine de la reconnaissance et de la classification. Notre objectif est de reconnaître les objets présentés sous forme d’images tels que les panneaux signalétiques dans une scène réelle la segmentation du panneau à reconnaître a été faite en se basant sur sa couleur, puis une reconnaissance de la couleur de son contour, de la forme de son contour et de la forme externe du pictogramme qu’il contient, on permis de faire une reconnaissance de l’information portée par ce panneau. La segmentation par la couleur d’un objet dans une scène d’image (panneaux de signalisation routière), est faite grâce au choix de deux seuils pour deux critères, et d’un masque spécialement conçu épousant la forme de la couleur segmentée. Pour les chiffres arabes, la reconnaissance se base sur une classification par la carte de Kohonen. L’algorithme de la carte auto-organisatrice ou SOM (abréviation de Self-Organizing Map), appelé également carte de Kohonen, de son auteur Teuvo Kohonen, est une algorithme de classement qui a été défini dans les années 80s. Il a été inventé en copiant les réseaux de neurones biologiques. Ces réseaux de neurones biologiques se réorganisent dans des zones dans le cortex cervical. Suivant les types de données, une zone pour l’audition, une autre pour la vue, une autre pour le toucher etc. L’algorithme général de la carte de Kohonen suit deux étapes. Une étape de compétition entre les neurones qui détermine le neurone gagnant, et une opération d’adaptation des poids de son voisinage, appelée aussi de coopération puisque cette adaptation touche aussi le voisinage du neurone gagnant. D’abord, les images de chiffres arabes contenues dans une image unique binarisée, sont segmentées l’une après l’autre, redimensionnées dans une dimension standard 24*12, et converties en un vecteur avant d’être stochées dans une matrice de référence. Les éléments de cette matrice de référence sont présentés à un classifieur qui est une carte de Kohonen. Les valeurs des poids de cette carte sont filtrées, c’est-à-dire si ces valeurs sont inférieures à 0.3 elles sont annulées, si elles sont supérieures à 0.7 elles prennent la valeur 1. Puis la classe que présente chaque poids est raffinée, c’est-à-dire si la valeur de cette classe n’est pas répétée dans son voisinage immédiat, elle est changée par la classe la plus répandu dans son voisinage. Le reconnaissance d’une image de chiffre se fait par une comparaison du vecteur qui la représente avec les vecteurs représentant tous les poids de la carte de Kohonen. La carte de Kohnen, sélectionne des zones dans le plan 2D, qui sont d’autant plus proches qu’elles portent des informations similaires. Les zones qui sont porteuses d’informations comparables sont voisines dans cette carte. La comparaison qui produit une distance minimale, donc une maximum de ressemblance, entre un poids de la carte et l’entrée, désigne le poids gagnant dot la classe qu’il représente et la classe de l’image du chiffre à reconnaître. L’amélioration de la précision de la reconnaissance d’un objet (chiffres arabes manuscrits) est obtenue par un procédé de raffinage de la représentation des prototypes de la carte de Kohonen. L’amélioration de la précision de la reconnaissance d’un classifieur (Carte de Kohonen) est obtenue par une catégorisation préalable des données (Lettres latines cursives et manuscrites). Les lettres de la base de donnée sont d’abord classées en haute, petite et large selon le rapport entre la hauteur et la largeur de l’image de chaque lettre, puis les images des lettres sont redimensionnées et palcées dans une image plus grande selon leurs catégories avant de les présenter au classifieur de Kohonen.