Sélection des prétraitements

2.3.1 Caractéristiques des images

L’AIMS a collecté les images de la base de données à l’aide d’une caméra sous-marine selon un protocole normalisé. Les clichés ont conséquemment une haute résolution et une représen- tation uniforme. En effet, il faut que les images soient similaires pour permettre au système de les comparer. Les prétraitements doivent donc normaliser les caractéristiques des images, telles que le niveau de bruit, la couleur de la lumière d’illumination ainsi que la distribution de cette illumination dans l’image.

2.3.2 Méthode de comparaison des prétraitements

Nous utilisons, pour commencer, un cas sans prétraitement comme référence et nous inté- grons ensuite divers prétraitements au système de classification. Nous comparons donc les taux de rappel résultants par un test de Student, suite à cinq répétitions de chaque cas. Nous reprenons ensuite la même démarche sur un total de dix récifs pour évaluer l’effet de la di- versité des données.

Le premier prétraitement est un filtre médian et il vise à réduire le bruit dans les images. Les autres rectifient l’éclairage et optimisent la plage dynamique des couleurs. Nous les appli- quons du plus simple au plus complexe : la balance des blancs avec un allongement du con- traste, la CCN, une CLAHS et l’ICM-R. Un exemple typique de leurs effets est présenté à la figure 2.1.

Figure 2.1 Application de la balance des blancs (BB), de CLAHS, d’un filtre médian (M), de ICM-R et de CCN à une image originale (O)

Photo reproduite et adaptée de l’AIMS (2013)

2.3.3 Résultats de la comparaison des prétraitements

La figure 2.2 illustre les taux de classification obtenus pour chacun des prétraitements éva- lués. Aucune des méthodes n’obtient de taux de classification significativement plus élevé que lorsqu’aucun prétraitement n’est mis en place. Cette conclusion est confirmée par des tests de Student, pour une précision = 0,05. La tendance est conservée sur l’ensemble des récifs testés. BB CCN CLAHS ICM-R O M

Figure 2.2 Taux de classification associés à divers prétraitements

2.3.4 Interprétation des conséquences du prétraitement

Les prétraitements conservent ou réduisent la performance sur la base de données de l’AIMS, mais ils ne l’améliorent pas. Conséquemment, ces images sont homogènes et les prétraite- ments n’éliminent pas suffisamment d’artéfacts pour justifier de les conserver, d’autant plus qu’ils sont couteux en temps. Ces résultats sont cohérents avec les travaux de (Shihavuddin et al., 2013), qui a observé une amélioration de 1,2 % à 15,7 % de ses résultats lors de l’utilisation de l’égalisation d’histogramme ou d’une combinaison de techniques similaire à l’ICM-R. Ainsi, le comportement du système suivant un prétraitement ne varie pas nécessai- rement de manière significative selon les bases de données d’images sous-marines et colorées utilisées. La base de données de l’AIMS appartient à la catégorie qui ne nécessite pas cette étape, grâce à sa grande qualité.

60 65 70 75 80 85 Taux de classification (%) Prétraitement

2.4 Segmentation

2.4.1 Choix du type de segmentation

La segmentation efficace d’images de coraux est un problème complexe. En effet, les struc- tures sont difficiles à délimiter. Conséquemment, nous découpons généralement de simples carrés autour du pixel étiqueté. La taille de ceux-ci doit être sélectionnée judicieusement puisque la performance de la reconnaissance de forme dépend des textures qui y sont in- cluses. Dans un cas idéal, seul l’objet d’intérêt y est. Néanmoins, cet objectif est irréalisable sans un processus de segmentation plus élaboré. Nous choisissons donc la taille de l’imagette de manière à ce que la majorité de l’espace soit occupée par l’objet d’intérêt et que suffi- samment d’information y soit disponible. La mesure est ainsi caractéristique des clichés pris à partir du protocole normalisé de l’AIMS et elle offre une représentation statistique de l’ensemble de la base de données.

2.4.2 Méthode de sélection de la taille de l’imagette

Nous effectuons des itérations par pas de 25 pixels, sur une plage de 50 à 800 pixels, afin de déterminer la longueur optimale du côté des imagettes. Puis nous classifions les objets et nous comparons leurs taux de rappel pour chaque taille testée. Nous combinons ensuite les vecteurs de descripteurs de diverses dimensions et, ce faisant, nous évaluons s’ils contiennent plus d’information que ceux des imagettes uniques.

2.4.3 Résultats de la sélection de la taille de l’imagette

La figure 2.3 présente la courbe de performance du système selon la longueur du côté des imagettes. Les barres d’erreurs représentent la variabilité des résultats obtenus lors de la répé- tition des validations croisées. La figure 2.4 montre, pour sa part, les résultats de quelques combinaisons de tailles d’imagettes dont les vecteurs de descripteurs sont concaténés. La performance du système pour une imagette de 350 pixels de côté y est incluse à des fins de comparaison.

Figure 2.3 Taux de classification associé à la taille des imagettes testées

Figure 2.4 Taux de classification associé à chaque combinaison testée d’imagettes de tailles différentes

2.4.4 Impact du choix de taille d’imagettes

La quasi-totalité de la plage d’essai offre des résultats équivalents. Il n’est donc pas néces- saire d’inclure des combinaisons de tailles puisqu’elles ne sont pas significativement plus efficaces que les tailles uniques. Seules les longueurs de côté inférieures à 150 pixels sont à proscrire : elles n’incluent pas l’information nécessaire à la classification. Par contre,

l’inclusion d’une trop grande surface de l’image nuit également à la performance lorsque la longueur du côté est supérieure à 400 pixels. Il est donc finalement préférable d’utiliser une mesure de 350 pixels pour former les carrés puisqu’elle appartient à la plage du maximum de performance. Ce résultat est caractéristique à la base de données de l’AIMS et ne pourrait pas être extrapolé à une autre base de données. En effet, la taille des objets sur l’image pourrait varier dans une autre base.