Thèse soutenue

Détection et classification de décors gravés sur des céramiques anciennes par analyse d’images
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Teddy Debroutelle
Direction : Sylvie Treuillet
Type : Thèse de doctorat
Discipline(s) : Traitement des images et du signal
Date : Soutenance le 19/02/2018
Etablissement(s) : Orléans
Ecole(s) doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire)
Partenaire(s) de recherche : Laboratoire : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....)
Jury : Président / Présidente : Jean-Yves Ramel
Examinateurs / Examinatrices : Sylvie Treuillet, Jean-Yves Ramel, Olivier Lézoray, Frédéric Morain-Nicolier, Matthieu Exbrayat, Aladine Chetouani, Marcílio De Souto, Jenny Benois Pineau
Rapporteurs / Rapporteuses : Olivier Lézoray, Frédéric Morain-Nicolier

Résumé

FR  |  
EN

Le projet ARCADIA vise à développer une méthode automatique d’analyse des décors sur des tessons de céramique réalisés à la molette pour faciliter l’interprétation de ce patrimoine archéologique. Cette automatisation doit remplacer la procédure manuelle effectuée par l’archéologue, devenue trop fastidieuse avec l’augmentation du corpus (38000 tessons). L’objectif in fine est de réussir à associer automatiquement les décors à la molette du potier qui les a créés. Dans ce contexte, nous avons développé une chaine complète depuis la numérisation des tessons jusqu’à la classification automatique des décors selon leur style de motifs(carré, losange, chevrons, oves, etc). Les travaux présentés proposent plusieurs contributions mettant en oeuvre des méthodes d’analyse d’images et d’apprentissage automatique. A partir du nuage de points 3D, une carte des profondeurs est obtenue. Une méthode originale de détection automatique de la région saillante focalisée sur le décor est proposée. Ensuite les décors sont caractérisés pour effectuer leur classification. Un nouveau descripteur, appelé Blob-SIFT, est proposé pour collecter les signatures seulement dans les zones pertinentes du décor. Cette approche adaptée à chaque décor, permet à la fois de réduire considérablement la masse de données et d’améliorer les performances de classification. Nous proposons également une approche apprentissage profond, puis, une approche hybride combinant les vecteurs de caractéristiques locales extraites par Blob-SIFT et la caractérisation globale du décor fournie par l’apprentissage profond qui améliore encore les performances de classification.