Σ
yy=
∂Φ
∂y
(-1)∂Φ
∂x Σ
xx∂Φ
∂x
T∂Φ
∂y
(-T) (2.12)Les ja obiensde
Φ
sont estimési ien(x, y) = (x, y)
. 2.2.4.5 Minimisation d'un ritèreSoit
C
un ritère, 'est-à-direune fon tion de lasseC2
deRm× Rp
dansR+
.Regardons tout d'abord le asdéterministe:on dénileve teurp
-dimensionnely
ommel'argument pour lequel le ritère estminimumpourun ve teur donnéx
:y =
ArgMinz(C(x, z))
Une ondition né essaireetsusantepour obtenir un minimum lo alest
Φ(x, y)
T= ∂C
∂z(x, y) = 0
etH = ∂
2C
∂z2(x, y)
déniepositive (2.13) La matri eH
des dérivées se ondes est symétrique etest appelée matri e hessienne du ritère. Si l'on rempla e maintenantx
par un ve teur aléatoirex
, l'argument minimisant notre ritère est à sontourun ve teur aléatoire:y=
ArgMinz(C(x, z))
dénide manièreimpli itepar leséquations (2.13).Onpeutdon utiliserlesrésultatsde lase tion
pré édentepour al ulerlapropagation desmoments(toujoursau premier ordre):
y =
ArgMinz(C(x, z))
etΣ
yy= H
(-1).JΦx.Σ
xx.J
TΦx.H
(-1)(2.14)
où
H
est al uléeen(x, y) = (x, y)
etJΦx
est leja obien:JΦx = ∂Φ(x, y)
∂x (x, y) =
∂2C(x, z)
∂x ∂z (x, y)
Cetteformule sera utilisée par exemple dansla se tion (8.1.3.1) pour al uler l'in ertitudesur
latransformation rigideminimisant les moindres arrésentrepointsappariés.
2.2.5 Modèle de bruit
Nousavonsvu au débutdu hapitre que toute mesureétait inévitablement bruitée. Si
x
est le ve teur exa t que l'on her he à mesurer, on ara térise samesurepar un ve teur aléatoirex
dont nousne retiendrons quelamoyenne etla ovarian e(x, Σ
x x)
pourdesraisons d'e a ité informa-tiqueetpar eque 'estleplussouventsusant pour ara tériser lamajeurpartie del'informationexploitable.
Nousavonsdéveloppé jusqu'i iun ertainnombre d'outils pour propager l'in ertitudedansnos
al uls, maisilnousfautmaintenant regarderdeplusleshypothèsesraisonnablesquenouspouvons
faire surles mesures.En eet,nousavonsave notreapproximation
n
paramètrespourlamoyenne (n
étantladimension denotreespa e),etn.(n + 1)/2
paramètres pourlamatri ede ovarian e( ar elle estsymétrique).Quelle sont leshypothèsesraisonnablesquel'on peutfaire sur esn.(n + 3)/2
2.2.5.1 Bruit additif
Le v.a.
x
ara térise la mesure du ve teur exa tx
.On appelle bruit l'é art entre la mesure et lavaleur exa te.Dans le asde ve teurs, on ara térise eté art par ladiéren e desvaleurs:e
x= x− x
Observonsque ette formulationpermetde disso ierlavaleurexa tedu pro essusaléatoire qui
la perturbe. On peut alors envisager de omparer les bruits
e
x ete
yde mesure en deux points
diérents
x
ety
:onditqueles bruitsde mesuredex
ety
sont identiquessi lesdistributions dee
x ete
ysontidentiques.
Plusgénéralement,onappellebruit additifunpro essusdemesuredontlebruitestidentique
entoutpointdel'espa e
Rn
.Lamesureden'importequelve teurx
estdon ara tériséeenutilisant nosnotations par unve teur aléatoirex= x + ex
aveex∼ (e, Σ
ee)
On onservei i l'indexation sur
x
dubruit additif pour bienmontrer queles v.a.sontdiérentsen haquepoint,même si leurdistribution estidentique. Notonsque silesmoyennesdubruit etde lamesuresontdiérentes, leurs matri esde ovarian e sont identiques.
2.2.5.2 Distributionsidentiques et indépendantes
Sil'on répèteune expérien eetque l'on mesureplusieurs ve teurs
xi
(un é hantillonsuivant laterminologie statistique),ondoit normalement ranger esmesures dansun seulgrand ve teur etétudierlaloi onjointe.Siles onditionsdemesuresontlesmêmes,ilestsouventjustiédesupposer
quelesmesures suiventlamême loietqu'ellesnesont pas orrélées (n'ontpasd'inuen el'unesur
l'autre). Ce ise ara térisepar
xi ∼ (µ, Σ)
etE[ (xi− µ).(xj− µ)
T] = 0
sii6= j
Lorsque l'on mesure des objets géométriques, on répète souvent une expérien e (par exemple
la mesure d'un point), mais en des empla ements diérents. On in lus don dans la notion de
distribution identique indépendante une hypothèse de bruit additif qui a pour eet de laisser libre
lamoyenne de haque mesure(lalo alisation), maisqui ontraint les ovarian es:
E[ xi] = xi+ e
etE[ (xi− xi).(xj− xj)
T] = δij.Σ
ee2.2.5.3 Bruit entré
Ondistingue deux types d'erreur de mesure: les erreur systématiques etles erreursdites
aléa-toires. L'erreur systématique semodélise par une déviation de lamoyenne
x
de notre mesure par rapportàlavaleurexa tex
.Puisque 'estenfaitlavaleurexa tequel'onveutmesurer,on onsidère généralement que etype d'erreur doitêtre orrigé, aubesoin par une alibration desinstruments,de manière à n'observer que des mesures entrées autour de la valeur exa te. On dit don que le
bruit est entré si
x= E [ x ] = x
Dansle asd'un bruitadditif, elarevientà supposer unemoyenne nulle surlebruit:
2.2.5.4 Bruit gaussien
Comme nous l'avons déjà remarqué, il peut être parfois utile de onnaître la densité de
probabilité et non plus simplement ses moments, et l'hypothèse qui minimise l'information
I[ x| x = µ, Σ
xx= Σ ]
est ladistributiongaussienneN (µ, Σ)
:p(x) = p 1
(2 π)n. det(Σ). exp
−(x− µ)
T.Σ
(-1).(x− µ)
2
(2.15)Par ailleurs, laloi normaleapparaît omme très pro he de ladistribution empiriques observées
sur de nombreusesmesures (enparti ulier d'erreur) etelle est de plus lalimitede nombreuses lois
dans ertaines onditions.Ona enparti ulier lethéorème de la limite entralequi assureque,
sous des onditions très générales, la somme de
n
v.a.r. indépendantes tend vers la loi normale lorsquen
tend vers l'inni. On explique ainsi que la somme de petites erreurs indépendantes sur nosmesures produiseune erreur nale presquegaussienne.2.2.5.5 Mesures aberrantes: gaussienne ontaminée
Enfait,ilpeutarriverquelesystèmedemesureutilisé produise detempsentemps desmesures
aberrantes, que l'on appelle d'habitude par angli isme outliers par opposition à inliers. Dans le
asd'une haînededemesureentraitementd'image,diversinexa titudespeuventse ombinerpour
induire un module en erreur, produisant ainsi une erreur grossière sur une estimation au module
suivant. Il est ainsi ourant (quoique l'on essaie d'en diminuer au maximum l'o urren e) qu'une
erreurd'appariement(unfauxpositif)fournisseunemesureaberrantepourl'algorithmedere alage.
Onmodélisehabituellement eserreursen
((
ontaminant))
lebruitdemesureparunedensitéde trèsfortevarian e:sip
estladensitéduve teurdemesurenormalementbruitéetpout
estunedensité de forte varian e modélisant les erreurs grossières, on é rira notre densité:p
x= (1− ε).p + ε.pout
oùε
règle la probabilité que notre mesure soit aberrante. Dans le adre gaussien habituel, on ap = N (x, Σ)
et il semble naturel de modéliser également la ontamination par une gaussienne:p = N (µ, Σout)
.Onobtient ainsilemodèlestandard de lagaussienne ontaminée.Enfait,lesmesuresaberrante n'ontau uneraisond'êtregaussiennesetilestplusraisonnablede
lesmodéliserave unedistribution uniformesurl'image (oulazonede mesure).Onobtientalors la
densité:
p
x= (1−ε).N(x, Σ)+VImε .1Im
,oùVIm
estlevolumedel'image.Sil'onauneestimationde ladistributionthéorique dubruitdemesureN (x, Σ)
,on peutalorséliminerlaplupartdesmesures aberrantesgrâ eàuntestduχ2
àα
%.Unbon ompromispour lasserlesmesures omme orre tes ou aberrantesestα = Vε
Im
.
Cette modélisation desmesures aberrantes sera utilisée à la se tion (8.5.1) pour éliminer dans
le re alage leserreurs provenant de lamise en orrespondan eet au hapitre (10) pour al uler la
probabilitéde fauxpositifetde fauxnégatif.
2.3 Quelques problèmes pour généraliser
La géométriea beau être, selonPas al, la s ien e la plus parfaite pournous
autres hommes, ellen'enprend pas moins,du point de vue même de
démonstration, des aspe ts forts variés,jusque dans les travaux mathématiques de
et auteur: on ne démontre pas, même lorsqu'on est entré dans le style
Nousavonsdéveloppéjusqu'i iquasimenttouslesoutilspourgérerl'in ertitudesurdesmesures
de ve teurs. Ces outils seront utilisés dans la se onde partie de e manus rit pour introduire les
statistiques dansles algorithmesde re onnaissan e etdere alage.
Leproblème quenousnousposons maintenant estleur généralisation àlamesurede primitives
géométriques telles que desdroites, desrepères,desrotations... Nousprésentonsdans ette se tion
quelques paradoxes potentiels qui illustrent les di ultés que nousavons ren ontrées et montrent
quel'on ne peutpas onsidérer impunément e typede primitives ommede simplesve teurs.
2.3.1 Utilité des primitives dans les algorithmes géométriques haut niveau
S'il est évident que les transformations ont leur rle dans e type d'algorithme, l'emploi de
primitivesgéométriquesplus omplexesquelespointsestsansdouted'unené essitémoinsre onnue,
ertainement à ausedesdi ultésque posent leur gestion.Nouspouvonsévoquer i itroisraisons
prin ipales pour l'utilisation de telles primitives.
Tout d'abord, e type de primitive émergenaturellement dansla modélisationde ertains
pro-blèmes. Enre onnaissan edesous-stru turesdansles protéines,la ongurationdansl'espa e d'un
a ide aminé est ara térisée (en première appro he) par la position de 3 atomes du squelette de
la protéine. Ces trois atomes ont toujours la même géométrie (voir gure (2.1) à droite), et les
ontraintes surlaposition de esatomes ne sont don pasdis riminantes. Le seul des ripteur
géo-métriqued'una ideaminéestdon sapose, 'est-à-diresapositionetsonorientationdansl'espa e,
soit en ore:unrepère.