Modélisation statistique des cartes des dissimilarités locales d'images et applications
Auteur / Autrice : | Moustapha Diaw |
Direction : | Frédéric Morain-Nicolier, Florent Retraint |
Type : | Thèse de doctorat |
Discipline(s) : | ATS - Automatique et Traitement de Signal |
Date : | Soutenance le 14/12/2022 |
Etablissement(s) : | Reims |
Ecole(s) doctorale(s) : | École doctorale Sciences du Numérique et de l’Ingénieur (Reims ; 2018-) |
Partenaire(s) de recherche : | Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (Reims, Marne ; 2004-....) |
Equipe de recherche : Equipe ATS-CRESTIC | |
Jury : | Président / Présidente : Patrick Bas |
Examinateurs / Examinatrices : Frédéric Morain-Nicolier, Florent Retraint, Philippe Carré, Christophe Charrier, Jean-Philippe Ovarlez, Agnès Delahaies, Jérôme Landré | |
Rapporteurs / Rapporteuses : Philippe Carré, Christophe Charrier |
Résumé
En raison de l'augmentation considérable des images dans la vie quotidienne, de nombreuses applications nécessitent une étude sur leur similarité. La Carte des Dissimilarités Locales (CDL) est une mesure, construite autour de la distance de Hausdorff, qui est très efficace pour localiser et quantifier les différences de structures entre les images. Cette mesure a été proposée par Baudrier et al. Avant cela, aucune solution spécifiquement locale a été proposée par la communauté scientifique. À partir d'une CDL, il est, cependant, difficile d'interpréter et de prendre une décision sur la similarité entre deux images. De plus, la mesure est mise en échec sur des images contenant à la fois des structures et des textures et le comportement statistique des valeurs de la CDL n'a jamais été étudié. Tout cela limitait ses domaines d'application. Cette thèse propose d'abord une distribution statistique pour modéliser les valeurs des niveaux de gris des CDL des images structurelles. Les deux paramètres de la distribution sont pertinents pour discriminer les paires d'images en classes similaires et dissimilaires. Des modèles d'apprentissage automatique et des tests statistiques sont utilisées pour classer les paires d'images. Mais, avant d'aborder les tests, une extension de l'approche au problème de classification d'image multi-classes est proposée. Ensuite, les mesures d'informations telles que l'Information Mutuelle (IM) et l'Information Disjointe (ID) sont utilisées pour adapter la CDL sur des images avec un mélange de structures et de textures. Nous proposons, enfin, d'appliquer la mesure au problème de détection de changements sur des séries d'images. Nous savons aussi que de nos jours de nombreuses images numériques sont falsifiées pour de la propagande ou pour cacher des informations importantes. La détection de ces falsifications intéresse donc de nombreux acteurs majeurs de la sécurité. Dans cette thèse, nous nous intéressons uniquement à la détection de falsifications par copier-coller. Toutes nos approches sont basées uniquement sur la CDL et essentiellement sur les deux paramètres de la distribution proposée. Elles sont pertinentes et certaines méthodes sont même comparées avec des approches d'apprentissage profond de l'état de l'art.