Modélisation statistique des cartes des dissimilarités locales d'images et applications

Statistical modeling of image local dissimilarity maps and 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-....)
• Partenaire(s) de recherche : Equipe de recherche : Equipe ATS-CRESTIC
• Jury : Président / Présidente : Patrick Bas
• Jury : Examinateurs / Examinatrices : Frédéric Morain-Nicolier, Florent Retraint, Philippe Carré, Christophe Charrier, Jean-Philippe Ovarlez, Agnès Delahaies, Jérôme Landré
• Jury : Rapporteurs / Rapporteuses : Philippe Carré, Christophe Charrier

Mots clés

Mots clés contrôlés

Modélisation des données (informatique)

Apprentissage automatique

Détection des anomalies (informatique)

Mots clés libres

Carte des Dissimilarités Locales

Modélisation

Classification

Tests Statistiques

Détection de Changements

Détection de Falsifications par Copier-Coller

Local Dissimilarity Map

Modeling

Classification

Statistical Tests

Change Detection

Copy-Move Forgery Detection

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.

Due to the considerable increase of images in everyday life, many applications require a study on their similarity. The Local Dissimilarity Map (LDM) is a measure, built around the Hausdorff distance, that is very effective to locate and quantify the differences between structural images. This measure has been proposed by Baudrier et al. Before, no specific local solution was proposed by the scientific community. However, it is sometimes difficult to interpret an LDM and take a decision on the similarity between two images. Moreover, the measure fails on images containing both structures and textures, and the statistical behavior of the LDM values has never been studied. This limited its application areas. This thesis proposes, first, a statistical distribution to model the gray level values of the Local Dissimilarity Map of structural images. The parameters of the distribution are relevant to discriminate image pairs into similar and dissimilar classes. Machine learning models and statistical tests are used to classify image pairs. But, before addressing the tests, an extension of the approach to the multi-class image classification problem is proposed. Second, information measures such as Mutual Information and Disjoint Information are used to adapt the Local Dissimilarity Map on images with a mixture of structures and textures. We propose, finally, to apply the measure to the problem of change detection in image time series. Nowadays, We know that many digital images are falsified for propaganda or to hide important information. The detection of these forgery interest to many major security contributors. In this thesis, we are only interested in copy and move forgery detection. All our approaches are based solely on the Local Dissimilarity Map and essentially on the two parameters of the proposed distribution. They are relevant and some methods are even compared with state-of-the-art deep learning approaches.