Autres sources d’inspiration

En plus du modèle du tri de couvain, il existe dans la littérature, d’autres modèles de classification automatique qui se placent aussi dans la lignée des précédents travaux sur les algorithmes de classification s’inspirant du comportement des fourmis réelles.

Dans sa thèse Labroche a introduit un nouveau modèle à base de fourmis pour la classification utilisant le système d’identification chimique des fourmis [Labroche, 2002]. Dans la nature, les éthologistes ont montré que chaque fourmi arrive à reconnaître ses congénères qui appartiennent à sa colonie à partir d’une odeur coloniale qui est le fruit des apports génétiques, environnementaux et comportementaux. A partir de ce mécanisme d’identification un nouvel algorithme de classification a été proposé dans lequel chaque donnée est une fourmi dont l’odeur est déterminée par les valeurs prises par les attributs décrivant cette donnée. Les fourmis effectuent des rencontres aléatoires et décident qu’elles appartiennent ou non à la même classe en fonction de cette odeur.

En s’inspirant toujours du comportement des fourmis, Azzag proposa dans [Azzag, 2004] un nouvel algorithme de classification automatique qui trouve son origine dans la manière dont les fourmis réelles forment des structures vivantes est proposée. Il s’agit d’une méthode de classification hiérarchique distribuée qui simule le phéronome d’auto-assemblage observé chez les fourmis pour regrouper les données selon un arbre. Chaque fourmi représente une donnée à classer. A partir d’un point de support fixe sur lequel sont situées initialement les fourmis (répartition des données), ces dernières vont s’accrocher successivement au support, puis aux fourmis connectées au support, et ainsi de suite jusqu’à ce que, par exemple, une chaîne de passage soit construite entre deux points. Les fourmis se déplacent sur la structure vivante et s’accrochent sur celle-ci aux endroits les plus opportuns en fonction du but à atteindre (plus grande similarité avec les fourmis de la structure).

3.6 Conclusion

Dans ce chapitre, nous avons présenté les algorithmes à base de fourmis artificielles inspirés de comportement collectif des fourmis pour la résolution des problèmes d’optimisation combinatoires et le problème de classification automatique. Ces systèmes auto-organisés et non centralisés utilisent une population de fourmis artificielles autonomes et d’une intelligence très réduite. Chaque fourmi n’a qu’une perception réduite de son environnement et ne fait qu’agir/réagir aux différents stimulus venant de son environnement. La coordination du comportement de la colonie se base sur un processus stigmergique.

Dans OCF, des agents fourmis coopèrent ensemble au sein de leur colonie, en cherchant en parallèle une solution optimale (ou sous optimale) au problème sous étude. Chaque fourmi construit une solution candidate même de mauvaise qualité. La solution optimale émerge de la coopération entre les fourmis. Lors de la construction de sa solution, la fourmi accumule des informations sur l’environnement parcouru. Ces informations sont stockées sous forme de taux de phéromones et seront échangées d’une manière indirecte avec les autres fourmis de la colonie. La construction des solutions est incrémentale selon un processus stochastique. A chaque étape du processus de construction, la fourmi choisi un élément de la solution parmi les éléments possibles d’une manière probabiliste guidée par deux mesures : une quantité de phéromone associée à l’élément et reflétant l’expérience accumulée des autres fourmis, et une information heuristique propre au problème à résoudre. Une fois qu’une fourmi a terminé la construction de sa solution, elle met à jour le taux de phéromones qui correspond à ses choix en fonction de la qualité de la solution qu’elle a trouvé. Cette mise à jour a pour but le renforcement de la probabilité de choisir les éléments qui conduisent à la bonne solution par les autres fourmis lors des prochaines itérations. Afin d’améliorer la qualité des solutions et accélérer la convergence, les algorithmes de fourmis sont très souvent hybridés avec une méthode de recherche locale.

Les algorithmes de fourmis pour la classification non supervisée sont aussi un autre modèle inspiré du comportement collectif observé chez les fourmis tels que le tri collectif de couvains, la reconnaissance chimique et l’auto-assemblage. Ces algorithmes peuvent bénéficier de propriétés intéressantes comme l’optimisation locale et globale de la classification, l’absence d’information sur une classification initiale des données, le parallélisme, etc.

Chapitre 4

La segmentation d’images

Chapitre 4. La segmentation d’images... 71 4.1 Introduction ... 71 4.2 La vision artificielle ... 71 4.3 Architecture typique d’un système de vision ... 72 4.4 Techniques de segmentation ... 74

4.4.1 Détection de contours... 75 4.4.2 Détection de régions homogènes... 78 4.4.3 Les méthodes de classification... 87 4.4.4 Les méthodes de segmentation biomimétiques... 99 4.5 Méthodes d’évaluation des résultats de segmentation en régions... 106 4.5.1 Evaluation par comparaison avec une segmentation de référence ... 107 4.5.2 L’évaluation se référant à l’image originale ... 111 4.6 Conclusion... 116

Chapitre 4. La segmentation d’images

4.1 Introduction

Nous présentons dans ce chapitre, le contexte général dans lequel ce travail s’inscrit ainsi que les différents problèmes abordés au cours de cette thèse. Dans un premier lieu, nous rappelons brièvement quelques notions attachées à la vie artificielle. Ensuite nous passons en revue les principales méthodes de segmentations développées dans le cadre de la segmentation d’images. De nombreux algorithmes ont été proposé dans la littérature durant ces dernière décennies [Zucker, 1976], [Haralick, 1985] , [Pal, 1993], [Cocquerez,. 1995a], [Freixenet, 2002], [Cho, 1997], [Heath, 1996], [Kara-Falah, 1995], [Palus, 1999], [Ramos, 1999], [Tang , 1999]. Une étude comparative des méthodes de segmentation peut aussi être retrouvée dans [Rouquet, 1998], [Salzenstein , 1998]. Ce chapitre porte un intérêt particulier pour les méthodes de segmentation par classification car c’est le domaine d’application de cette thèse. Ce tour d’horizon couvre les méthodes classiques de segmentation d’images ainsi que les heuristiques biomimétiques. Cette présentation n’est pas exhaustive mais permet de présenter les bases de chacune des techniques de segmentation.