Image texture analysis and feature extraction using multi-scale decomposition and supervised learning

Rouhafzay, Asal (2023). Image texture analysis and feature extraction using multi-scale decomposition and supervised learning. Thèse. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 158 p.

Prévisualisation

PDF Télécharger (11MB) | Prévisualisation

Résumé

L'analyse de texture est un domaine de recherche actif en traitement d'images et en vision par ordinateur. L'analyse d'images avec de puissantes méthodes d'extraction de primitives peut conduire à la conception et à la mise en oeuvre d'applications d'intelligence artificielle réussies telles que la récupération d'images basée sur le contenu, la classification d'images, la détection d'objets, la segmentation d'images, la reconnaissance faciale, la détection d'anomalies, etc. Dans cette thèse, nous abordons la problématique d'analyse et de discrimination des textures avec une nouvelle méthodologie basée sur la modélisation statistique paramétrique des représentations multi-échelles d’images. Une nouvelle décomposition multi-échelles d’images, nommée RCT-Plus, est proposée. C’est une variante de la transformée en contourlettes qui est redondante, riche en informations directionnelles et applicable aux images de texture en niveaux de gris et en couleur. Nous proposons également une approche hybride pour modéliser les données de texture dans l'espace multi-échelles par une combinaison de modèles statistiques paramétriques appropriés tels que la distribution gaussienne généralisée (GGD) et le mélange de gaussiennes multivariées (GMM). Cette approche, associée à des métriques de similarité adaptées, a abouti au développement de nouvelles méthodes d'extraction de primitives qui capturent des informations de texture pertinentes, fournissent des primitives très compactes, permettent une exploitation conjointe des primitives de texture et de texture en couleur et améliorent la discrimination de texture dans des applications telles que la recherche d'images basée sur le contenu (CBIR) dans des bases de données de textures et la détection d'anomalies dans des images dermoscopiques de tissus cutanés humains. De plus, des algorithmes d'apprentissage automatique supervisé (KNN et SVM) sont intégrés au système de traitement en tant que techniques clés d'apprentissage de primitives et de classification multi-classes pour prédire le type de texture des primitives extraites et obtenir des performances améliorées en termes de discrimination de texture. Diverses expérimentations sont menées en utilisant six bases de données de texture bien connues. Nous avons réussi à augmenter le taux de récupération d'images jusqu'à 97,10 % pour la base de données Stex, tandis que la taille des primitives est réduite à seulement 67 éléments. Dans le cas de la détection d'anomalies, l’exploitation conjointe de primitives de texture en niveaux de gris et des primitives de textures en couleur a permis d’améliorer la Précision de la détection d’un taux de 21 % pour la base de données ISIC-42. Une comparaison avec des méthodes de l’état de l’art, y compris l'apprentissage profond, a montré que la méthodologie proposée donne de meilleurs résultats.

Type de document:	Thèse (Thèse)
Directeur de mémoire/thèse:	Baaziz, Nadia
Co-directeurs de mémoire/thèse:	Allili, Mohand Said
Départements et école, unités de recherche et services:	Informatique et ingénierie
Date de dépôt:	20 juill. 2023 19:39
Dernière modification:	20 juill. 2023 19:39
URI:	https://di.uqo.ca/id/eprint/1511

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt