III. Détetion de hangements à l'éhelle sous-pixelique 101
7.3. Choix du modèle a ontrario
Lemodèlededétetionaontrarioestunmodèlegénériquededétetiondeohérenepar
rapport àunmodèlea ontrario, ditnaïf. Cetype de modélisationne visepas àdérireau mieux
les données, mais simplement à les omparer à un modèle simpliste, non struturé, de l'image.
Dans la setion 7.2, nous avons adopté le modèle
H 0
suivant lequel l'image BR est un hampaléatoirede variablesgaussiennesi.i.d.demoyenne
m
etdevarianeσ 2
.Leprinipedelaméthodeest alorsde déteterunsous-domaine
D
si lapréditiondev
surD
donnée parl'équation (7.1.1)est trop prohede l'observationpour êtreraisonnablementexpliquéeparle hasard.
Le modèle
H 0
dépend de deux paramètres : le veteur des moyennesm
et la matriede ovariane
σ 2 I
.Dansette setion, nousproposonsdeux hoix de paramètrespour emodèleainsiqu'unealternativeaumodèle
H 0
.Pourommener,noussuggéronsd'adopterpourhypothèsenaïve le modèlea ontrarioselonlequelle l'imageBRest de moyenne onstante.
Hypothèse
H 0 a
: le veteurm
des moyennes du modèle a ontrarioH 0 (m)
est de la formeθ(1, 1, · · · , 1)
,oùθ ∈ R
et l'éart-typeσ
estxé apriori.Corollaire 7.3.1 Sousl'hypothèse
H 0 a
,le nombrede faussesalarmesvautN F A a (D, δ(v D ), σ) = |D
BR| C |D | D |
BR
| · f ( | D | − |L| , δ(v D ), σ, 0).
(7.3.33)Démonstration.
Soit
A D
lamatriedesproportions(α l (y)) y ∈ D
,detaille| D | × |L|
.Cettematriereprésente,pour haque lignei
, les proportions de haque label ontenu dans le pixeli
. La somme en ligne deséléments delamatrie
A D
vautalors1
,equisignie quel'ensembledesveteursproportionnels à(1, 1, · · · , 1)
appartientàl'espaeimagedeA D
,ImA D
.Enpartiulier,sileveteurmoyennem
est unveteur proportionnel à
(1, 1, · · · , 1)
,il appartient àl'espae ImA D
et satisfaitla relationA D m = m
.Leveteur moyenne projeté parP
est alorsréduit au veteurnul(P m = 0
). D'aprèsla démonstrationduthéorème 7.2.5,on a
P H
0 [δ(V D ) ≥ δ(v D )] = P (P V D ∈ B q (δ))
et,d'aprèslemodèle aontrario(dénition 7.2.3), lavariable aléatoire
P V D
suit une loi normale de moyenne(m 1 , · · · , m q )
etdematriedeovarianeσ 2 I q
.Sousl'hypothèseH 0 a
,(m 1 , · · · , m q ) = (0, · · · , 0)
et lenombre de faussesalarmess'érit
N F A a (D, δ(v D ), σ) = |D
BR| C |D | D |
BR
| · f ( | D | − |L| , δ(v D ), σ, 0).
2
Une autre hypothèse possible pour les paramètres du modèle
H 0
est de supposer leveteur des moyennes quelonque et la variane xée, e qui revient àonsidérer une image BR
dontla valeurmoyenne en haque pixelest quelonque.
Hypothèse
H 0 b
:leveteurdesmoyennesm
dumodèleaontrarioH 0
estunveteurquelonquede
R |D
BR|
et l'éart-typeσ
est xé a priori. Commem
est une inonnue du modèleN F A
,nousherhons eluiqui onduit au meilleur modèledans le sens où il permet de ontrler le nombre
de fausses alarmespour tousles modèles
H 0 (m)
, oùm ∈ R | D |
.Pour elà,il sutde onsidérer les moyennesm
quimaximisentlenombre de faussesalarmes,soitarg max
m ∈R |D| N F A(D, δ(v D ), σ, m).
Montrons que e maximum est atteint lorsque la moyenne du modèle
H 0
est nulle, equionduit aurésultat suivant.
Soient
x i
ety i
respetivementles ièmesélémentsdesveteursx
ety
.∂g
En posant
a(x) = q t 2 − P
j 6=i x 2 j
,on obtientZ
x 2 i <a(x) 2 − 2(y i − x i )e − (y i − x i ) 2 dx i = [e − (y i − x i ) 2 ] a(x) − a(x)
= e − y i − a(x)) 2 − e − (y i +a(x)) 2 ,
et alors
∂g
∂y i = Z
P
j6=i x 2 j <t 2
e − P j6=i (y i − x i ) 2 [e −(y i − a(x)) 2 − e −(y i +a(x)) 2 ]dx 1 · · · dx i −1 dx i+1 · · · dx q .
La fontion
g
est positive et nulle à l'inni don, par ompaité, elle atteint son maximum. Deplus, elle est
C ∞
,don e maximumorrespondàunpoint ritique.∂g
∂y i
= 0
⇔ ∀ x, e − (y i − a(x)) 2 − e − (y i +a(x)) 2 = 0
⇔ ∀ x, (y i − a(x)) 2 = (y i + a(x)) 2
⇒ y i = 0.
L'uniquepoint ritiquede lafontion
g
estdony = 0
.Orlemaximumglobaldeg
surR q
est un point ritique,don'esty = 0
.L'appliationde e lemme àlafontion
f
impliqueimmédiatementN F A b ( | D | , δ(v D ), σ) = max
m |D
BR| C |D | D |
BR
| · f ( | D | − |L| , δ(v D ), σ, m)
= |D
BR| C |D | D |
BR
| · f( | D | − |L| , δ(v D ), σ, 0)
= N F A a ( | D | , δ(v D ), σ).
(7.3.36)Les hypothèses
H 0 a
etH 0 b
aboutissent au même nombre de fausses alarmes, notéN F A
, d'oùl'énoné de laproposition7.3.2.
2
Cerésultatsigniesimplementquelemodèlenaïf
H 0 (0)
estlemodèleleplusontrairedelafamillede modèles
H 0 (m)
,oùm ∈ R |D
BR|
.En eet, en onsidérant le veteurdes moyennesm = 0
,lerejet dumodèle
H 0 (0)
impliquelerejet de tousles modèlesnaïfs de lafamilleH 0 (m)
.Enonsidérantlemodèlenaïfselonlequell'imageBRestunhampaléatoiredevariables
gaussiennesi.i.d.
N (0, σ 2 )
oùσ > 0
xé,lenombredefaussesalarmesobtenuestalorsindépendant du hoixde lamoyennem
.Sous la forme donnée par l'équation (7.3.35) , le nombre de fausses alarmes peut être
alulé numériquement à l'aide d'un développement asympotique. Cependant, pour une bonne
performane de la méthode, il est néessaire de pouvoir le aluler ave une meilleure préision.
C'est laraisonpour laquellenouspréférons utiliserl'expressionsuivante.
Corollaire 7.3.4 Sous leshypothèses
H 0 a
ouH 0 b
,D'après laproposition7.3.2,le nombrede faussesalarmes obtenupour leshypothèses
H 0 a
ouH 0 b
est déni par
i=1 x 2 i
,nousobtenons l'expression:f(q, δ, σ) = ¯ C
Le hangement de variable
s = 2σ r 2 2
permetd'obtenirf(q, δ, σ) = ¯ C
Don
f ¯
s'exprimeàpartirde lafontiongammainomplète,notéeΓ inc
etdéniepourtouta > 0
etx ≥ 0
parLe nombrede fausses alarmesest alorsdéni par
N F A( | D | , δ(v D ), σ) = |D
BR| C |D | D |
Le ritère obtenu dépend don uniquement de la taille du sous-domaine onsidéré, de l'erreur
alulée sure sous-domaine etde l'éart-typedu modèlenaïf
H 0
.Les deux premiers paramètresmentionnéssontdiretementdéterminésàpartirdesimagesétudiées.Leseulparamètrerestantest
alors
σ
,l'éart-typedumodèlenaïf.Cedernierparamètreestnalementleseulparamètrearbitraire du modèle. Il peut êtrexé omme un paramètre physique apriori, envisagé parexemple ommeune mesurede séparabilitéou plusgénéralementommeunmoyen d'introduirede l'informationa
priori.Dansleadredenotreétude, nousproposonsde xerlavariane
σ 2
dumodèlenaïfégaleàlavarianeempiriquede l'image observée.Cehoixpermetdegarantir,enmoyenne, l'absenede
toute détetion dansune image de bruit blan et de respeter ainsile prinipe de Helmholtz. En
eet, uneimagede bruitblan orrespondpréisémentaumodèle
H 0
pourl'éart-type empirique de l'image. Ce résultat est abordé de manière analytique ave la proposition 9.2.1. De plus, edernier paramètre est alors àson tour diretement déterminéà partir des images onsidérées, e
quirend, en pratique,la méthodeentièrementautomatique et,grâeà laformulation(7.3.37) ,le
nombrede faussesalarmes numériquementalulable.
Ave le modèle
H 0
, l'hypothèse d'indépendane des pixels revient à onsidérer que la probabilité d'ourene d'une image BR est égale au produit des probabilités d'ourenes enhaque pixel. Par onséquent, e modèle revient à envisager toutes les permutations de
D
demanière équiprobable. De plus, xer le veteur des moyennes
m
revient à se donner la loi del'histogrammedel'image.Cehoixestarbitraire.Lapossibilitédeprendrepourmodèleaontrario
l'hypothèse suivantea aussiétéenvisagée.
Dénition 7.3.5 (modèlea ontrario
H 0 ′
) Lemodèlenaïf(H 0 ′
)pourl'imageBRestunhampaléatoire de variables i.i.d. suivant la loi donnée par l'histogramme mesuré empiriquement sur
l'image.
Sousettehypothèse,'estdavantagel'indépendane despixelsbasserésolutionquiesttestée.Le
prinipedelaméthodeest alorsd'estimerunhistogrammed'aprèslesproportionsetlesmoyennes
des lasses, puis de dénir un sous-domaine omme signiatif si l'histogramme estimé sur e
sous-domaineestétonnamentenadéquationavelemodèleaontrario(i.e.l'histogrammemesuré
empiriquementsurl'image).Pluspréisément,si
A
représentelamatriedesproportions(α l (y)) y,l
,ils'agitde onsidérerlaprobabilité
P H ′
0 [δ µ (V D ) ≥ δ µ (v D )] = P H ′
0 [v D ∈ B (Aµ, δ µ (V D ))]
(7.3.47)= Z
B (Aµ,δ µ (V D )) ×R p−q
Π | i=1 D | dh(x i ),
(7.3.48)où
dh
représentelamesureassoiéeàl'histogrammeempiriquedel'image.Cependant, dansnotre ontexte, les moyennesµ
deslasses sontinonnues. C'est laraison pourlaquelle, ommepréé-dement (f. (7.2.28) ), nous nousintéressons plutt àl'erreur minimale
δ = min µ δ µ
et,don, àlaprobabilité
P H ′
0 [δ(V D ) ≥ δ(v D )] = P H ′
0 [ k P V D k ≥ δ(v D )].
(7.3.49)Déterminerette loi,'est êtreapable de ompter le nombre de pointsde laforme
λ i 1 , · · · , λ i p
dans le ylindre
B (Aµ, δ µ (V D )) × R p − q
. Remarquons que si la loi donnée par l'histogramme de l'image estprohe d'uneloigaussienne, lemodèleH 0 ′
est équivalent aumodèleH 0
pour lealuldunombrede faussesalarmes.Adéfautde aluleretteprobabilité, uneestimationdel'intégrale
peut être donnée, par exemple, par la méthode de MonteCarlo [Liu, 2001, Rubinstein, 1981 ℄ et
onduire à une estimation du
N F A
pour le modèleH 0 ′
. La méthode de détetion, entièrement basée sur l'estimation de la probabilité (7.3.49) , serait alors diile à analyser théoriquement,notamment pouren évaluer lesseuilsde détetion.Deplus, nousverrons danslasetion8.2,que
l'algorithme de minimisation du nombre de fausses alarmes doit être itéré un grand nombre de
fois.Il est donimportant de pouvoiroptimiserette minimisation.Danslasuitede l'étude,nous
onsidéronsuniquementlemodèleaontrariodéniparl'hypothèse
H 0
,pourlequellenombredefausses alarmesadéjàété déterminé7.3.4.
Nous avons exposé le modèle de détetion dans le as de la omparaison d'une image
unique àla labellisation de référene.Lagénéralisation auas multidimensionelestimmédiate en
onsidérant un veteur d'images. Cependant, l'absene éventuelle de données en ertains pixels
de l'image ou laprésene de données aberrantes surdiérents pixels selonles dates d'aquisition
néessitededénirlesdomainesimagesorrespondantsàhaquedateavantdedénir,setion7.4,
le nombrede fausses alarmespourdesséquenes d'images.