Description générale du cours

L’UE contient une activité d’apprentissage, la classification d’images. Elle introduit les notions d’analyse des images de haut niveau, en passant par la segmentation pour ensuite introduire ces caractéristiques dans un système de plus haut niveau tel un réseau de neurones, un système à base de règles, etc. La logique floue et/ou la fusion d’information peuvent faire partie du processus de décision. Seront abordés les principes suivants : Espaces de couleur, Compression, Extraction d’attributs, Segmentation, Traitement de l’image haut niveau : Classification

Matières de base utilisées

Cours de mathématique

Développement en série de Fourier, Transformée de Fourier continue, Transformée de Fourier discrète bidimensionnelle, Discrete cosine transform DCT, coefficients de Fourier, impulsion de Dirac, transformée de Laplace, produit de convolution, matrices valeurs et vecteurs propres, intégrales et intégration par parties, formule de Taylor, connexité et distance discrète, graphes d’adjacence, logique des prédicats

Cours de statistique

Analyse en composantes principales, critère du maximum a posteriori, critère du maximum de vraisemblance, mélange de gaussiennes, gaussiennes multidimensionnelles, covariance

Cours de physique du Signal

Théorème d’échantillonnage de Shannon Nyquist, théorème de Parseval, réponse impulsionnelle d’un filtre, quantification et information

Objectifs

L’objectif de cette activité d’apprentissage est pour l’étudiant d’acquérir des connaissances en classification des images et prise de décision afin qu’il puisse développer des applications informatiques tout en participant efficacement aux choix des algorithmes de traitement des images et/ou d’intelligence artificielle.

Acquis d’apprentissage

• Extraction des caractéristiques haut niveau d’un signal à deux dimensions
• Apprentissage supervisé ou non, modélisation des connaissances, classification, raisonnement et décision

Plan du cours

Traitement et analyse de haut niveau de l’image

• Classfication par plus proche voisins, par distance minimum, par maximum de vraisemblance
• Analyse en composantes principales
• Classification par réseau de neurones et leurs algorithmes associés
• Apprentissage supervisé et non supervisé
• Base d’apprentissage/base de test/base de validation
• Sous/Sur-apprentissage
• Paramètres d’entrée du réseau de neurones
  • segmentation par texture (matrice de coocurrences)
  • Indice de végétation
• Combinateur linéaire adaptatif
• Neurone formel de Mc Culloch & Pitts
• Algorithme d’apprentissage de Rosenblatt et de Widrow-Hoff
• Réseau Madaline
• Perceptron multicouche (nombres de neurones, de couches cachées, rétropopagation du gradient)
• Algorithme de descente du gradient
• Algorithme de quantification vectorielle à apprentissage LVQ/LVQ1/LVQ2
• Réseau de Kohonen
• Matrice de confusion
• Application avec Scilab/ANN Toolbox/JavaNNS