M2 TI - Traitement d'Images
Champs aléatoires, modélisation de textures
- Objectifs du cours :
L'objectif de ce cours est d'appréhender la notion de texture à travers un certain nombre de modèles mathématiques de champs aléatoires, et d'illustrer l'intérêt de ces modèles en analyse et en synthèse d'images.
- Compétence acquises :
Connaissance théorique et mise en application de modèles de textures (champ de Markov, champ gaussien, brownien fractionnaire, espace de patches). Savoir utiliser ces modèles pour concevoir et mettre en oeuvre des méthodes d'analyse et de synthèse d'images (identification, segmentation, inpainting, …) dans le cadre d'applications concrètes.
Quelques exemples d'images de textures
- Programme
- Processus et champs aléatoires
- processus de Poisson dans le plan
- champ aléatoire dans le plan discret, stationarité
- champ de Markov, théorème de Hammersley-Clifford
- exemples: champ Gaussien, Brownien fractionnaire
- modèles à base de patches
- Synthèse de textures
- textures gaussiennes, random phase noise
- convergence gaussienne du shot noise
- contrôle des statistiques du champ, modèle de Portilla-Simoncelli
- modèle d'Efrös-Leung et améliorations
- inpainting de textures
- Analyse d'images texturées
- estimation de descripteurs de texture, bancs de filtres
- utilisation de la transformée de Fourier, problème de la circularité
- détection d'anomalies sur un fond texturé
- segmentation de textures
- analyse de textures par morphologie mathématique.
- Local Binary Patterns
- Shape from texture
- Processus et champs aléatoires
- Validation
La validation est effectuée sous la forme d'un mini-projet individuel.