Apport de la texture à la caractérisation d'images
Loading...
Date
2017-05-18
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université 20 Août 1955 -Skikda
Abstract
Dans ce travail, nous nous intéressons à la recherche d’images par le contenu. Cette
intéressante approche, plus connue par son acronyme anglais CBIR (Content Based Image
Retrieval), a vu le jour afin de remédier aux problèmes engendrés par son prédécesseur, basé
sur le texte (TBIR : Text based image retrieval). Principalement, le TBIR souffre de deux
inconvénients. Le premier consiste dans la difficulté de la tâche d’attribution des mots clés aux
images, due à son aspect manuel. En outre, le deuxième inconvénient réside dans la subjectivité
de la tâche. Afin de parer à ces inconvénients, l’approche alternative CBIR utilise les
caractéristiques visuelles de l’image, telles que la couleur, la texture, la forme… etc.
Cependant, le fait de se baser sur de telles caractéristiques de bas niveau pour représenter et
exprimer le contenu d’une image, généralement très complexe, engendre un écart
significativement important avec les sémantiques et les significations de celle-ci. Cet écart est
communément connu par le fossé sémantique.
Particulièrement, l’attribut texture est très répandu et très utilisé, vu que les êtres humains
sont capables de distinguer entre différentes manifestations de cet attribut. Néanmoins, sur le
plan computationnel, la texture demeure un attribut difficile à caractériser. Dans le présent
travail, la texture représente le point de focalisation. Par conséquent, un ensemble de méthodes
basées textures seront abordées ainsi que la proposition de plusieurs contributions.
Principalement, notre première contribution est une amélioration de la célèbre méthode LBP
(Local Binary Pattern, motif binaire local), où nous proposons d’intégrer graduellement
l’information locale véhiculée par les motifs binaires locaux. Ceci est obtenu à travers un
nouveau schéma de délimitation des régions, qui diffère de celui basé sur les blocs (régions
rectangulaires classiques). Par conséquent, notre méthode est baptisée GLIBP (Gradual
Locality Integration of binary patterns). Le succès de cette instance du Framework proposé
GLI (Gradual Locality Integration) nous a poussés à investiguer la faisabilité de l’approche
pour l’extraction des caractéristiques de la couleur. Dans ce contexte, la méthode GLI-Color a
été proposée ainsi que deux de ses variantes. La première opère sur l’espace de couleur HSV,
d’où son nom : GLI-Color(HSV). Quant à la deuxième variante, elle utilise les moments d’où son
nom M-GLI-Color. Dans la seconde contribution, nous nous intéressons aux ondelettes dans le
contexte de la caractérisation du contenu textural de l’image. Dans cette optique, la littérature
existante montre que des auteurs affirment que la moyenne des sous-bandes d’ondelettes est
égale à (ou proche de) zéro. Cette affirmation nous a paru digne d’intérêt, vu que les mesures
calculées des différentes sous-bandes sont généralement les moments statistiques ; or la
moyenne est utilisée lors du calcul de ces derniers. Donc, comme première étape, nous avons
vérifié expérimentalement la différence entre la distribution des moyennes des sous-bandes
d’ondelettes et celle des énergies des sous-bandes. Les résultats obtenus montrent une
différence intéressante entre les deux distributions. Effectivement, par opposition aux valeurs
des moyennes qui se concentrent autour de l’axe de zéro, celles des énergies sont plusdispersées. En se basant sur ces résultats, le calcul des moments statistiques autour de l'énergie
au lieu de la moyenne, semble une modification efficace afin d'améliorer les capacités
discriminatives de ces mesures. Cette hypothèse a fait l'objet de la deuxième étape où nous
avons montré l’apport de la considération de l’énergie dans les formules des moments
statistiques sur la performance. Notre troisième contribution principale agit quant à elle au
niveau de l’étape de comparaison des systèmes CBIR. Elle repose sur une stratégie gloutonne
basée sur une mesure d’homogénéité importée du domaine du biclustering des Expressions de
Gènes, appelée Mean Squared Residue (MSR). Notre méthode est distinguée par le fait qu’elle
profite de toutes les images déjà jugées pertinentes par le système CBIR, pour la sélection de
l’image suivante. Ceci est complètement différent de l’approche classique des systèmes CBIR,
où seulement la requête est utilisée lors de la recherche des images, puisque le résultat de la
requête est alors traité comme un cluster homogène dont la croissance est réalisée de façon
incrémentale.
L’ensemble des résultats obtenus par les différents algorithmes et techniques proposés ont
montré des performances intéressantes, voire supérieures, par rapport à plusieurs travaux
publiés. En particulier, la méthode GLIBP a montré des performances supérieures à celles des
méthodes : LBP de Ojala et al. (1996), DLEP de Murala et al. (2012a), ‘Block-based LBP’ de
Takala et al. (2005), entre autres.
D’un autre côté, les résultats obtenus nous encouragent à continuer sur cet axe de recherche
et aussi nous inspirent des perspectives à explorer dans le futur, particulièrement, l’exploitation
d’autres techniques de biclustering des expressions génétiques dans le domaine de la recherche
d’images par le contenu