variante qui soit invariante en fonction de la taille de la cible serait « Moyenne Admettons que nous cherchions a minimiser l'erreur quadratique Quel est
Previous PDF | Next PDF |
[PDF] Minimiser une fonction de 2 variables
Par défaut, calcule un point minimum selon la méthode de Nelder-Mead ( simplexe) optim(par, fn, gr = NULL, , method = c("Nelder-Mead", "BFGS", "CG"
[PDF] Résolution de problèmes par minimisation dune fonctionnelle et
variante qui soit invariante en fonction de la taille de la cible serait « Moyenne Admettons que nous cherchions a minimiser l'erreur quadratique Quel est
[PDF] Algorithmes de minimisation
De nombreux problèmes nécessitent de minimiser une fonction : -Minimiser la distance calculer analytiquement les zéros de la fonction F'(X) -Soit par ce que
[PDF] Introduction à loptimisation
3 2 Minimisation d'une fonctionnelle quadratique sans contrainte blèmes de maximisation puisque maximiser une quantité revient à minimiser son opposé
[PDF] Introduction `a loptimisation
La minimisation On a vu en introduction une CS d'existence d'un mi- nimum et d' un maximum : si f est une fonction continue sur S fermé borné alors ∃x1 ∈ S et
[PDF] Techniques doptimisation
On définit pour une direction d ∈Rn au point x la fonction φ à une variable : φ(s) = f(x+sd) n-m inconnues «libres» permettant de minimiser le critère │ ⎩ │
[PDF] Chp 4 Minimisation dune fonction dune variable
Dans tout ce chapıtre, I désigne un intervalle de IR 4 1 Fonctions convexes d' une variable Définition 9 Une fonction ϕ, partout définie sur I, est dite convexe (
[PDF] Une méthode directe de minimisation et applications - Numdam
On désigne par J(v) une fonctionnelle non linéaire (application de V dans R) continue Nous sommes ainsi ramenés à la minimisation d'une fonction K de Inf
[PDF] COURS OPTIMISATION Cours en Master M1 SITN Ionel Sorin
1 Une fonction J : IRn ↦→ IR (fonction coût) 2 Un ensemble U ⊂ IRn ( ensemble des contraintes) On cherche à minimiser J sur U, c'est à dire, on cherche x∗
[PDF] principe variationnel
[PDF] identité de beltrami
[PDF] probleme variationnel lagrangien
[PDF] formulation variationnelle exercices corrigés
[PDF] cours volume 6ème
[PDF] comment calculer le déterminant d'une matrice 4x4
[PDF] determinant matrice inversible
[PDF] determinant matrice exercices corrigés
[PDF] determinant matrice propriété
[PDF] determinant matrice 2x3
[PDF] calcul du determinant d'une matrice pdf
[PDF] déterminant matrice triangulaire
[PDF] forme canonique de commandabilité
[PDF] représentation d'état exercices corrigés pdf
![[PDF] Résolution de problèmes par minimisation dune fonctionnelle et [PDF] Résolution de problèmes par minimisation dune fonctionnelle et](https://pdfprof.com/Listes/17/22994-17cours_image.pdf.pdf.jpg)
Plis fò
s ba pengwen là ! vpage@univag.fr Vincent PagéUniversité Antilles GuyaneObjet de ce cours ?Lorsque vous interpr
étez une image, votre cerveau réalise é
normément d'opérations. Par exemple, si vous regardez l'image suivante et que vous essayez de localiser les yeux du
personnage :Vous faites des mesures (couleurs)
Vous reliez ces mesures a des choses connues
(corps humains)Votre connaissance du corps humain vous dit qu'il
y a des yeux... et vous donne un modele pour ces yeux (blanc autour, plus ou moins rond...)Vous refaites des mesures dans l'image pour
trouver les yeux. vpage@univag.fr Vincent PagéUniversité Antilles GuyaneObjet de ce cours ? 2 Pour faire de l'analyse automatique d'image, on est oblig é de simplifier : On va supposer que l'on sait que l'on cherche des yeux dans une image comportant des corps humains (c'est le contexte applicatif)On devra d
éfinir un modèle de correspondance entre un objet r éel (des yeux) et les mesures que l'on peut faire dans l'image (niveaux de gris). Si le programme cherche un oeil, et que l'on cherche une zone plus ou moins ronde, avec du blanc autour... on parle de traitement bas niveau.S'il cherche a interpr
éter l'image en termes de visages, et utiliser ces informations pour trouver les yeux, on parle de traitement haut niveau.
Pour nous : Bas niveau !
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneObjet de ce cours ? 3M ême avec cette simplification, cela reste éventuellement difficile...Comment mod
éliser le problème pour en tirer un programme ?Une solution consisteà : d
éfinir un critère (une valeur pour la " rond clair »itude en chaque point) rechercher l'optimum du crit
ère sur les solutions possibles (ici les différentes positions)Ex : Trouver ou se trouve le rond clair (de 15 pixels de diametre) pr
ésent dans l'image :
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneObjet de ce cours ? 4Cette d émarche est souvent bien utile...Et c'est ce que l'on fera pour diff érents problèmes classiques d'image.Dans le cas de l'exemple précédent, Le crit
ère peut être : pour un pixel de l'image, calculer la somme des intensité sur le rond de largeur 15 centr
é sur le pixel considéré La m
éthode pour trouver le maximum : exhaustif, on regarde toutes les positions possibles.Reste a définirUn " bon crit
ère » pour le problème Une m
éthode pour trouver l'optimum.
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneExemples d'applicationL'objectif
étant de vous donner une certaine culture en traitement d'image... et la bonne habitude de modéliser correctement vos probl
èmes !Probl
èmes concernés : Localisation/Détection, Recalage, Segmentation.Dans ce cours, nous allons toujours proc
éder de la façon pr
écédente... sur un grand nombre de problèmes.Ceci nous permettra de voir : des critères utiles / classiques. des m
éthodes d'optimisations classiques aussi.
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneLocalisationEn appliquant la technique pr
écédente, voici les résultats :(Bien jou
é...)En TP, vous essayerez cela ... En fait, on peut montrer que cette technique est la meilleure... sous certaines conditions... (lesquelles ?) vpage@univag.fr Vincent PagéUniversité Antilles GuyaneLocalisation (taille inconnue) Cette fois, il s'agit de localiser le rond clair, de diam ètre variable (disons entre 5 et 35 pixels de diam ètre) dans des images comme celles qui suivent :Conservons le crit
ère précédent... pour un pixel (x,y) de l'image, calculer la somme des intensité sur le rond de largeur d centr
é sur le pixel considéré L'espace de recherche est l'ensemble des (x,y,d) possibles. vpage@univag.fr Vincent PagéUniversité Antilles GuyaneLocalisation (taille inconnue) R ésultats :Ce qui ne va pas : les gros ronds ne " sortent » pas car la somme des intensit és est toujours plus grande sur un gros rond que sur un petit ... notre critère n'est pas bon...
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneLocalisation (taille inconnue)Deux m
éthodes (vues en détail plus loin) :On trouve un crit ère qui soit indépendant de la taille de la cible r éelle. On parle alors de critère invariant pour le param ètre qui nous intéresse.On modifie le critère actuel pour qu'il pénalise les grandes tailles de cibles. Ainsi, une grosse cible aura moins de chance
d' être selectionnée à moins d'etre " vraiment » présente. La seconde m éthode relève évidemment du " bricolage ». Elle est néanmoins tr ès usitée lorsque trouver un critère invariant est difficile. vpage@univag.fr Vincent PagéUniversité Antilles GuyaneCritère invariant par changement de tailleConcentrons nous sur la première méthode.Notre premier crit
ère etait : Somme des intensités sur la cible. Une variante qui soit invariante en fonction de la taille de la cible serait
" Moyenne des intensités sur la cible » ... Le probl
ème est le suivant : a priori, toutes les cibles testées de taille inférieure à la taille vraie de la cible auront la même moyenne (avec des variations dues au bruit).
Notre critere simplement n'est pas bon : il ne prend pas en compte l'exterieur de la cible test ée (celui ci doit etre plus sombre que l'intérieur si la cible testée a la taille correcte).Pourriez vous d
éfinir un critère qui fonctionne ?
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneTerme de PénalitéVoyons donc la seconde solution : p
énaliser les petites cibles...Notre crit
ère sera composé de deux termes : Un terme d'attache aux donn ées (la moyenne des intensités)Un terme d'attache au mod èle (pénalisant les petites taille)Un poid diff érent pour chaque composante. En prenant un des deux a 1, on en supprime un...Soit : pour Cr(x0,y0) un cercle de rayon r, centr
é en x0,y0 :
[sx,y]∗r vpage@univag.fr Vincent PagéUniversité Antilles GuyaneTerme de Pénalité Résultats : =0.0145Probl
ème : choisir (m'a pris 20mn et non généralisable...)vpage@univag.fr Vincent PagéUniversité Antilles GuyaneLocalisation v3.0Si l'on reprend l'exemple pr
écédent, il fallait prendre en compte la présence de l'extérieur de la cible.Un crit
ère qui fonctionne serait : m_I m_O
avec m_I : moyenne des pixels a l'interieur de la cible testee, m_O : moyenne des pixels a l'exterieur de la cible testee...Ici, pas de p
énalisation, simplement un critère qui pénalise tout seul les configuration erronées.
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneAméliorations ?Peut on faire mieux ? Dis autrement :
Pourquoi ne pas prendre m_I^2 m_O^2 ???
Ou pourquoi ne pas essayer de detecter les bords du disque (cf Desachy) pour trouver le cercle (ou encore appliquer la transformee de Hough) ???En soi, cette question n'a aucune r
éponse valable : On ne peut améliorer un algorithme que lorsque l'on sait (au moins a peu pr
ès) à quels types d'images il va se frotter pour pouvoir le tester (et éventuellement concevoir l'algorithme le plus adapté a ces cas...)Les crit
ères précédents etaient empiriques... on ne peut les différencier que sur des exemples pr
écis... et on serait bien en peine de définir un algorithme qui marche le mieux possible pour tous les cas !
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneAjout de bruitPar exemple, il est rare que
L'intensite sur la cible soit constante..
L'intensit
é sur le fond soit constante...Testons notre dernier algorithme en " saupoudrant » l'image d'un l
éger bruit : Image observ
éeImage parfaiterésultatRat
vpage@univag.fr Vincent PagéUniversité Antilles GuyaneNotion de ModèleIci, nous quittons le domaine du bricolage pour d
éfinir un algorithme adapté a nos images : On se donne le modèle d'image suivant :L'image est constitu
é de deux parties :une cible dans laquelle chaque pixel est une réalisation d'un bruit blanc gaussien, de moyenne mc, et d'ecart type s. La cible est toujours un rond.
Le fond dans lequel chaque pixel est une réalisation d'un bruit blanc gaussien, de moyenne mf, et d'ecart type s (le meme que pour la cible)
Nous allons maintenant nous interesser
à la localisation optimale de la cible pour ce modèle...La probabilit
é d'observer l'image que l'on a sous les yeux si une cible de rayon r se trouve a une position i,j est :
1 2se x-mc2 2s2 1 2se x-mf2 2s2vpage@univag.fr Vincent PagéUniversité Antilles GuyaneNotion de ModèleNe reste plus qu'a chercher les x,y,r qui rendent cette probabilit
é la plus grande possible.
Pour cela :
Pour simplifier les calculs, on prend le logarithme de cette quantité.On arrange un peu tout ca.... (Vu en cours)
On remplace les moyennes par leurs estim
éesCe qui nous donne le crit
ère suivant :Ce crit
ère a l'avantage d'être justifié théoriquement et nous assure la meilleure probabilité de localisation correcte tant qu'on reste dans le modèle(ce qui ne veut pas dire que notre algorithme ne se trompera jamais...)
Jx,y,r=NI.mI
2NO.mO
2 vpage@univag.fr Vincent PagéUniversité Antilles GuyaneAutres problèmes de localisationDans ce qui pr
écédait, on cherchait une cible uniforme, sur un fond uniforme, en pr ésence d'un bruit blanc gaussien...Problème pour lequel nous avons vu différents critères avant d'en dégager un qui corresponde au modèle.Voici quelques autres probl
èmes classiques de localisation. Pourriez vous trouver un couple critère - optimisation pour traiter ces problèmes ? Les niveaux de gris de la cible sont connus, le fond est nul. L'image est
bruit ée avec du bruit blanc gaussien. Les niveaux de bruit de la cible sont connus. L'illumination g