Contributions à la classification et à la compression en traitement d'images

Abstract

Les travaux effectués dans cette thèse entrent dans le cadre du traitement d’images. L’importance du sujet choisi relève des applications multiples qui en découlent et dont plusieurs sont déjà réalisées et commercialisées. En effet, les domaines pratiques qui utilisent le traitement d’images sont diversifiés, parmi ces domaines on trouve le contrôle qualité par vision artificielle, la télédétection, la robotique, l’imagerie médicale, les télécommunications, la reconnaissance des formes, les systèmes de sécurité et d’identification, etc. Les contributions réalisées dans ce travail ont porté sur deux volets : la classification et la compression des images de textures. La classification se consacre aux groupements des images dans des classes qui portent des caractéristiques jugées similaires. L’image en question subit un prétraitement spécifique pour extraire des caractéristiques pertinentes. Ces caractéristiques sont par la suite utilisées par une méthode qui permet de séparer les différentes classes. Une classification automatique pourra alors décider de l’appartenance d’un élément donné à une classe parmi plusieurs. Parmi les techniques utilisées, nous citons les algorithmes génétiques et les réseaux de neurones. Les algorithmes génétiques sont des méthodes qui reposent sur l’évolution d’une population de solutions, qui sous l’action de règles d’évolution optimisent un comportement donné exprimé sous forme d’une fonction, dite fonction sélective. Les réseaux de neurones sont une modélisation mathématique simple de certains comportements des neurones biologiques, ils permettent une présentation mathématique très avantageuse pour la modélisation statique et dynamique de processus non linéaire. Un classifieur classique à base d’un réseau de neurones multicouches utilise plusieurs paramètres des images de textures, parmi ceux d’HARALICK et de GALLOWAY, pour séparer les différentes classes. Cette méthode de classification est coûteuse en temps de calcul et peut utiliser des paramètres qui sont fortement corrélés ou non significatifs. Ce problème nous a amené à proposer un nouveau critère de sélection des attributs pour ne sélectionner que les paramètres les plus pertinentes et qui permettent une bonne séparabilité des classes représentatives de ces images. Le nombre de ces paramètres sélectionnées est largement inférieur au nombre de paramètres initiaux. Afin d’améliorer le classifieur neuronal, nous avons proposé une nouvelle technique de classification supervisée. Cette méthode met en œuvre un algorithme génétique pour ne sélectionner que les paramètres de textures les plus pertinents puis, ces nouveaux paramètres sont utilisés comme des entrées du réseau de neurones multicouches qui réalise la classification automatique des images. La compression est la technique qui permet de réduire le volume des données tout en préservant l’information pertinente. En effet, l’information initiale peut être reconstruite à partir de données compressées sans qu’il y ait perte de son intelligibilité. Dans l’étude de la compression d’images, nous avons utilisé les mêmes images étudiées en classification. L’étude a porté sur l’évolution des paramètres des images de textures en fonction du taux de compression. Ces attributs sont calculés après décompression. La compression et la décompression des images de textures sont réalisées à base de la Transformation en Cosinus Discrète (DTC). Nous avons remarqué que la majorité des attributs de texture restent presque constants et significatifs jusqu’à une certaine valeur du taux de compression de l’ordre de 90%