Contributions à la classification des images 2D et 3D par les moments orthogonaux discrets et les réseaux de neurones profonds

Abstract

Les images 2D et 3D ont récemment évolué dans divers domaines scientifiques tels que; la biologie moléculaire, la fabrication, le diagnostic médical et la vision par ordinateur. Avec le développement rapide des technologies d'imagerie 2D et 3D, de nombreuses images ont émergé et été réparties sur différents types de bases de données des multiples domaines. Par conséquent, assurer la disponibilité de plusieurs bases de données nécessite des techniques d’intelligence artificielle efficaces à finalité de pouvoir classifier ces données. Les travaux de cette thèse s’intéressent à la proposition des nouveaux modèles intelligents dans l’objectif est de créer une classification méliorative des images 2D et 3D avec une complexité réduite. Les modèles mis en œuvre sont dérivés en introduisant des moments orthogonaux discrets de l'image 2D/3D comptés comme une couche d’entrée dans la structure d’un réseau de neurone. Ce dernier est généralement utilisé dans assez d’applications de reconnaissance de formes. L’exploitation de ces moments orthogonaux discrets dépend de leur capacité d’extraire des informations de forme à partir d’images 2D/3D de manière compacte et avec moins de redondance. Ainsi, les vecteurs descripteurs calculés conservent une faible dimensionnalité en produisant de meilleurs résultats d'extraction. Ce travail est axé sur deux contributions; la première est consacrée à l’extraction des moments 2D de Charlier, et leur utilisation comme couche d’entrée de réseaux de neurone dans le but de développer un système de reconnaissance des images 2D en niveau de gris qui permet d’obtenir des bons résultats de la précision de la classification avec une complexité de calcul réduite. La deuxième contribution est dédiée à l’extraction des moments orthogonaux discrets 3D de Hahn, Racah, Tchebichef et Krawtchouk sous différentes transformations géométriques ainsi que diverses conditions de bruit afin de les utiliser comme des vecteurs primitifs dans un système de reconnaissance d’images 3D qui s’appuie sur l’utilisation des réseaux de neurones profonds tout en construisant un modèle robuste. Cette étude vise les capacités de classification des modèles proposés sur des bases de données 2D et 3D. Ainsi, des simulations expérimentales sont menées dans l’intention de mesurer ces performances sur deux bases de données 2D en niveau de gris: Coil-20 et ORL et base de données 3D tel que SHREC’2011 et des ensembles sélectionnés de McGill, formés en appliquant des transformations géométriques et du bruit. Les résultats obtenus indiquent que les modèles étudiés atteignent des taux de classification élevés par rapport à d’autres méthodes.