Récupération d’images par leur contenu

La thématique appeléeContent Based Image Retrieval (CBIR) traite du problème de sélec-tionner dans une base d’images, celles qui répondent à une requête, par exemple “Sortir les images d’environnement routier”. Les méthodes de CBIR se fondent sur l’extraction des carac-téristiques importantes des images. Ces caraccarac-téristiques peuvent être soit locales soit globales. Dans la suite de ce mémoire, nous allons appliquer ces informations pour la localisation et la navigation d’un robot. Mais avant, nous allons décrire notre méthode pour extraire des

caractéristiques globales à partir d’images couleur. Les images en couleur texturées sont por-teuses d’informations riches et leurs contenus peuvent les décrire entièrement. Nous rappelons qu’avant que le concept de CBIR ne soit mis en oeuvre en 1992 par T. Kato (Wik), la recherche dans les bases de données images utilisait des propriétés textuelles. Les techniques et les out-ils de CBIR sont inspirés des domaines de la statistique, de la reconnaissance de formes, du traitement de signal et de la vision par ordinateur. De plus, en CBIR , les mesures statistiques de similarité entre les représentations sont corrélées avec la similarité subjective visuelle.

Le processus de CBIR peut être modélisé par un modèle en 4 couches, comme le montre la figure1.1. Les étapes sont: l’indexation par le contenu, l’extraction des caractéristiques, la compilation et la recherche par requête. Les invariants peuvent être extraits en utilisant soit les conditions extrinsèques soit les propriétés intrinsèques ce qui est plus pratique.

Pour mesurer la couleur et la texture, nous avons choisi l’approche physique. Dans cette approche, la luminance de l’image est représentée comme une onde électromagnétique. Le processus d’observation est une intégration de la densité de l’énergie de cette onde dans les dimensions spatio-spectrales. Dans la théorie des espaces d’échelles, les sondes ou caractéris-tiques doivent avoir une forme gaussienne pour éviter les détails extérieurs lorsque l’échelle est plus grossière. On trouve dans la littérature plusieurs espaces d’échelle, tels que: Poisson, Bessel et Relativiste. L’espace d’échelle gaussien est cependant linéaire et lié au processus de diffusion linéaire.

1.2.1 Attribut couleur

La luminance ou les valeurs du tri-stimuli peuvent être utilisées directement ou via quelques transformations dans d’autres espaces de couleur pour extraire des informations sur le contenu de l’image.

La couleur peut être définie comme le résultat perceptuel de la lumière lorsqu’elle pénètre dans la rétine. Cette lumière a une longueur d’onde comprise entre 400 et 700 nm. Concernant la vision humaine, l’analyse de la couleur est basée sur la colorimétrie ou l’analyse du contenu spectral du stimulus trichromatique détecté par l’oeil; c’est le système XYZ qui décrit des couleurs conformes à ce que perçoit l’Homme. Par ailleurs, dans l’approche physique de la mesure de couleur, la luminance de l’image est représentée par une onde electromagnétique

1.2 Récupération d’images par leur contenu

1.2.2 Attribut texture

Dans une image, plusieurs régions sont caractérisées par des structures régulières comparables aux textures qui figurent dans certains vêtements que l’on voit au quotidien. Des chercheurs ont tenté de définir qualitativement la texture dans l’image. Par exemple Pickett considère que la texture est utilisée pour décrire des tableaux de variations de deux dimensions((Pic70)). Les éléments et les règles d’espacement ou d’arrangement peuvent être manipulés arbitrairement en gardant un indicateur de répétitivité. Pour sa part, Hawkins ((Haw70)) estime que la notion de texture dépend de trois ingrédients:

• un modèle local répété sur une large région par rapport à sa taille ;

• ce modèle consiste en un arrangement non aléatoire de parties élémentaires ;

• les parties sont des entités uniformes ayant appromativement la même dimension partout à l’intérieur de la texture.

Aussi, la texture est souvent caractérisée par la résolution des détails perceptibles dans l’image, qui peuvent être grossière ou fine; on peut parler de taux de grossièreté (coarseness). Par exemple, une pièce de vêtement en laine est plus grossière qu’une pièce de soie sous les mêmes conditions de visualisation. Le caractère plus ou moins grossier de la texture est relié à la période de répétitivité spatiale de la structure locale. Une période grande implique une texture grossière alors qu’une période plus petite implique une texture fine. Toutefois, cette mesure de grossièreté est insuffisante pour mesurer qualitativement la texture. Elle peut orienter les mesures de sorte que l’on puisse prendre les mesures élevées comme une référence à une texture grossière et vice versa.

En outre, la texture est une propriété de voisinage. Sa mesure est donc étroitement liée au voisinage d’observation.

Enfin, la texture artificielle consiste en un arrangement de symboles voire des segments de ligne, des points, des étoiles ou autres, placés sur un arrière plan neutre.

1.2.3 Etat de l’art sur les CBIR

Dans ((HHSH93)), l’ image est segmentée en 8 regions de couleurs homogènes et réduites à 24*24 pixels. Ces pixels sont directement utilisés dans l’appariemment. Pour faire le matching, premièrement une correspondance entre les régions dans la requête et la cible est trouvée. Les régions similaires dans l’autre image sont fusionnées. La similarité de la forme entre deux régions est basée sur le nombre de pixels qui sont superposés. La similarité de couleur entre