Thèse soutenue

Contribution de l'analyse multi-résolution à la description des contours et des textures
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Eric Favier
Direction : Bernard Laget
Type : Thèse de doctorat
Discipline(s) : Informatique, analyse et traitement d'images
Date : Soutenance en 1994
Etablissement(s) : Saint-Etienne

Résumé

FR

Cette thèse s'attache à l'étude multirésolution des contours discrets et des images à niveaux de gris de texture. Le but est de fournir une description de ces objets à différentes échelles d'étude et d'essayer de déterminer la ou les échelles d'étude les plus appropriées pour l'analyse de ceux-ci. La première partie de ce travail se rapporte à l'étude des images binaires et plus particulièrement à l'étude des contours discrets. La notion d'échelle d'étude d'un contour est définie ainsi que des algorithmes permettant de la choisir. Pour chaque contour, on détermine la (ou les) échelle(s) d'étude permettant de le décrire de manière optimale. Des algorithmes de calculs de courbures en chaque point du contour, de détermination de points dominants en fonction de l'échelle d'étude choisie sont décrits. Une définition de la convexité est donnée en fonction des études choisies ainsi que la notion de t enveloppe convexe. Il est également présenté une distance sur l'ensemble des contours discrets. Cette dernière est une distance de convexité à une échelle d'étude donnée qui permet de comparer deux contours indépendamment de leur taille sur un critère de convexité. De plus, un lien est tissé entre ces différents algorithmes et les opérations de granulométrie ou d'ouvertures connues dans la morphologie mathématique. La seconde partie de cette thèse aborde l'étude des images en niveaux de gris multitexturées, là aussi le but est de décrire ces images en fonction de l'échelle d'étude et de trouver les bons paramètres pour l'analyse de ce type d'images. Les méthodes sont d'ordre statistique et les processus mis en oeuvre sont liés aux approches multirésolutions. Un modèle gaussien d'images de texture est présenté. Chaque image est étudiée à différentes échelles d'étude, et le choix de la meilleure échelle d'étude est abordé ce qui permet de proposer des méthodes automatiques de détection des zones de texture semblable. Des résultats sont présentés pour des exemples d'images multitexturées et une analyse des résultats montre que nos méthodes permettent de segmenter de manière très satisfaisante certaines images qui posent des problèmes à de nombreux algorithmes existants