Mémoire Online: Contributions à la segmentation d’images basées sur la résolution collective par colonies de fourmis artificielles

Sommaire: Contributions à la segmentation d’images basées sur la résolution collective par colonies de fourmis artificielles

Chapitre 1. introduction générale
1.1 Contexte de l’étude : la vision par ordinateur
1.2 La segmentation d’images
1.3 Motivations
1.4 Résolution de problèmes par émergence
1.5 Contributions
1.6 Structure et contenu de la thèse
Chapitre 2. Le phénomène d’émergence et l’informatique
2.1 Introduction
2.2 Caractérisation d’un phénomène émergent
2.3 L’auto-organisation comme technique d’émergence
2.3.1 Définitions
2.3.2 Les mécanismes de l’auto-organisation
2.4 L’intelligence en essaim
2.5 Emergence et systèmes artificiels collectifs
2.5.1 Algorithmes évolutionnaires et algorithmes génétiques
2.5.2 Les réseaux de neurones
2.5.3 Algorithmes à essaims de particules
2.5.4 Les algorithmes de fourmis artificielles
2.6 Conclusion
Chapitre 3. Les Fourmis artificielles
3.1 Introduction
3.2 Généralités sur les fourmis
3.3 Quelques concepts de base
3.4 Les algorithmes de fourmis artificielles pour l’optimisation combinatoire
3.4.1 Inspiration biologique : le fourragement collectif par stigmergie
3.4.2 Les expériences
3.4.3 Modèles de fourragement pour la résolution des problèmes d‘optimisation
3.4.4 Autres domaines d’application
3.4.5 La métaheuristique « optimisation par les colonies de fourmis »
3.5 Les algorithmes de fourmis artificielles pour la classification automatique
3.5.1 Inspiration biologique
3.5.2 Modèles du tri du couvain et application à la classification de données
3.5.3 Autres domaines d’application
3.5.4 Autres sources d’inspiration
3.6 Conclusion
Chapitre 4. La segmentation d’images
4.1 Introduction
4.2 La vision artificielle
4.3 Architecture typique d’un système de vision
4.4 Techniques de segmentation
4.4.1 Détection de contours
4.4.2 Détection de régions homogènes
4.4.3 Les méthodes de  classification
4.4.4 Les méthodes de segmentation biomimétiques
4.5 Méthodes d’évaluation des résultats de segmentation en régions
4.5.1 Evaluation par comparaison avec une segmentation de référence
4.5.2 L’évaluation se référant à l’image originale
4.6 Conclusion
Chapitre 5. Des fourmis pour la classification automatique des images
5.1 Introduction
5.2 L’algorithme AntClust
5.2.2 L’environnement des fourmis
5.2.3 Les fourmis et leurs comportements
5.3 Etude expérimentale
5.3.1 Les images de test
5.3.3 Les mesures d’évaluation
5.3.4 Comparaison des résultats
5.3.5 Les résultats
5.3.6.Conclusion
Chapitre 6. Résolution collective de la segmentation par relaxation Markovienne
6.1 Introduction
6.2 Motivations
6.3 Segmentation d’images par classification markovienne
6.3.1 Modélisation des observations
6.3.2 Modélisation des connaissances a priori
6.3.3 L’énergie totale
6.4 Transposition de OCF à la segmentation d’images par relaxation Markovienne
6.4.1 Le modèle de représentation
6.4.2 Comportement individuel de la fourmi
6.4.3 Le modèle de coopération entre les fourmis
6.4.4 La construction de partitions
6.5 Résultats expérimentaux
6.5.1 Etude de la convergence
6.5.2 Etude de la robustesse
6.6 Conclusion
Chapitre 7. Conclusion générale.
Perspectives
Annexe A
Modélisation Markovienne pour la segmentation d’images
Annexe B
Nos publication
Bibliographie

Extrait du mémoire contributions à la segmentation d’images basées sur la résolution collective par colonies de fourmis artificielles

Chapitre 1. Introduction Générale
1.1 Contexte de l’étude : la vision par ordinateur
Depuis très longtemps, les chercheurs ont été fascinés par la capacité du système de vision humain à percevoir l’espace qui l’entoure sans aucune difficulté. Avec la naissance de machines de plus en plus puissantes et les progrès techniques au niveau du traitement automatique des images, une nouvelle discipline est apparue sous le nom : « vision par ordinateur ». Ce nouveau paradigme avait pour ambition de réaliser un système de vision artificiel capable de reproduire certaines fonctionnalités de la vision humaine au travers l’analyse des images de la scène captée par un dispositif d’acquisition. Pour réaliser un tel système, le traitement visuel a été formalisé d’une manière scientifique ce qui a donné naissance la théorie de vision.
Cette théorie a été résumée par Radu Horaud et Olivier Monga [Horaud, 1995] de la manière suivante : « La vision est un processus de traitement de l’information. Elle utilise des stratégies bien définies afin d’atteindre ses buts. L’entrée d’un système de vision est constituée par une séquence d’images. Le système lui-même apporte un certain nombre de connaissances qui interviennent à tous les niveaux. »
David Marr fut le premier à rechercher une formalisation scientifique du problème de vision.
Il proposa à la fin des années 70, un paradigme de la vision définit de la façon suivante[Marr,1980] :
• La reconnaissance des contours des objets permet de les délimiter et de les structurer.
• L’accès à la troisième dimension se fait à partir d’images en deux dimensions (appelées ébauche 2,5D) et des connaissances sur le monde 3D.
• L’extraction du relief à partir de l’ombre portée.
• La perception du mouvement dans des scènes animées.
Ses travaux ont permis d’engendrer un grand nombre d’application en donnant une formulation algorithmique aux différents points de son paradigme.
…………

Si le lien ne fonctionne pas correctement, veuillez nous contacter (mentionner le lien dans votre message)
Mémoire Online: Contributions à la segmentation d’images basées sur la résolution collective par colonies de fourmis artificielles (3.8 MO) (Cours PDF)
Contributions à la segmentation d’images

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *