8.2.1 Test sur la base Trans’tyfipal Afin de valider les concepts de la méthode, une base volontairement réduite d’images a été utilisée. Cette base est constituée d’un sous-ensemble représentatif des différentes images de Trans’tyfipal. on y trouve des images d’oursins, d’ammonites, d’huîtres, de coquillages, de crânes et de plantes fossiles. Cette base de soixante images est représentée en figure 8.1. 8.2.1.1 Protocole de test Nous avons volontairement placé l’utilisateur au centre de notre méthode. Pour la tester en situation, nous avons réalisé des tests avec des utilisateurs. Notre base d’utilisateurs comprend FIG. 8.1 – La base des soixante images de test. vingt utilisateurs dont dix sont des membres du laboratoire de traitement d’images et dix autres des personnels non formés au traitement d’images. Il n’y avait volontairement aucun expert du domaine de la paléontologie. Le test s’est déroulé de la façon suivante : 1. Les soixante images ont été classées automatiquement en deux, trois puis quatre familles (arbre de recherche binaire, ternaire et quaternaire) avec des vecteurs signature de taille 4, 6, 8 et 10. Deux classifications, l’une stricte et l’autre floue, ont été calculées. 2. Le vecteur descripteur a été organisé en hiérarchie de quatre vecteurs signature avec au premier niveau quatre attributs de forme (moments issus des images d’approximation à chaque niveau de résolution et élongation de l’objet), au second niveau six attributs de forme (moments des détails des imagettes d’ondelette), au troisième niveau, huit attributs de texture (énergie des détails diagonaux à plusieurs résolutions) et enfin au quatrième niveau dix attributs de texture (énergie des détails horizontaux, verticaux et diagonaux à plusieurs niveaux de résolution). 3. Le critère de séparabilité des classes (et donc de changement de vecteur signature) a été fixé par rapport à la distance intra-centres de classes comparée à la dispersion (écart-type) des classes autour de leur centre. 4. L’arbre de recherche construit est un arbre binaire, ternaire puis quaternaire, autrement dit, l’utilisateur dispose de deux, trois puis quatre choix à chaque étape de la navigation. 5. On a choisi six images de familles paléontologiques différentes et on a demandé à l’utilisa-teur de les visualiser une dizaine de secondes. 8.2.1.2 Expérimentations La figure 8.2 présente les six images proposées pendant quelques secondes aux utilisateurs pour mémorisation avant recherche. Il y a donc six expériences : arbre binaire, ternaire et qua-ternaire (stricts et flous) pour six images proposées, soit trente-six arbres à parcourir. La durée du test n’a pas été imposée et la moyenne est d’environ 15 minutes. La recherche est plus rapide pour les arbres quaternaire que pour les arbres binaires car il y a séparation plus rapide des images en familles. De même, la navigation est plus rapide pour des arbres stricts que pour des arbres flous car dans ces derniers, les images peuvent se retrouver dans plusieurs familles. FIG. 8.2 – Les six images de test. Les résultats des tests sont donnés pour un arbre binaire, ternaire et quaternaire, chacun étant strict puis flou. Le premier tableau résume le pourcentage d’utilisateurs qui ont retrouvé l’image dans l’arbre. Résultats de la recherche : a b c d e f binaire strict 10% 0% 65% 60% 75% 60% binaire flou 100% 10% 20% 0% 100% 100% ternaire strict 100% 100% 100% 0% 100% 100% ternaire flou 100% 40% 0% 25% 65% 100% quaternaire strict 10% 10% 10% 90% 100% 75% quaternaire flou 100% 100% 10% 30% 100% 90% Le tableau ci-dessous présente les résultats croisés. C’est-à-dire le pourcentage de réussite de la recherche pour les groupes 1 et 2 et les lots 1 et 2. Groupe 1 Groupe 2 binaire strict 55% 50% binaire flou 50% 60% ternaire strict 80% 80% ternaire flou 50% 60% quaternaire strict 50% 55% quaternaire flou 70% 75% On constate que l’utilisation d’un arbre flou, quel que soit la cardinalité de l’arbre donne de meilleurs résultats que l’utilisation d’un arbre strict. Toutefois, dans certains cas, l’arbre flou donne des résultats très décevants. Ces résultats peuvent s’expliquer par le déplacement du centre de gravité des classes dû à la présence d’images dans plusieurs classes à la fois et le choix d’un paramètre de flou inadapté. Le réglage du paramètre de changement de niveau dans l’arbre est donc très important pour l’utilisation du meilleur vecteur signature. On voit aussi que les meilleurs résultats sont obtenus par l’arbre ternaire strict. L’explication de ces bons résultat est qu’il y a dans la base de départ trois familles d’images distinctes par leur forme : les objets allongés (moules, coquillages), les objets arrondis (ammonites, oursins) et les objets à forme triangulaire (coquilles). Comme nous utilisons d’abord une signature de forme dans notre classification, les images sont mieux réparties dans trois familles que dans les arbres binaires ou quaternaires. Les tests ont été limités à l’arbre quaternaire car des arbres de cardinalité supérieure au-raient conduit à une classification à un seul niveau en raison du petit nombre d’images dans cette base de test. Le test de changement de niveau de signature est assez simple. On calcule pour chaque classec son centre de gravité et l’écart-typeec autour de ce centre. On prend ensuite les deux classes dont les centres sont les plus prochesc= 1etc= 2et on teste si la distance inter-centre est inférieure à p ∗(e1 −e2), si c’est le cas, cela veut dire que les classes sont trop proches, donc on n’arrive plus à séparer ces classes avec le niveau de signature courant, donc on change de vecteur signature. Le paramètre de changement de niveau a été fixé expérimentalement à p = 1,7 pour la base tyfipal60 et l’ensemble des vecteurs signature considérés. Mais il faut refaire cette optimisation deppour chaque base et chaque signature, c’est donc une contrainte importante. 8.2.2 Courbe précision/rappel La courbe précision/rappel idéale est indiquée sur la figure 8.3. Cette courbe a été calculée pour la base tyfipal60 de soixante images avec le vecteur descripteur (189 attributs) et les quatre vecteurs signature (4, 6, 8 et 10 attributs). On voit que l’utilisation du vecteur descripteur com-plet est moins performante que l’utilisation des quatre vecteurs signature pris indépendamment. Pour cette base, l’utilisation de vecteurs signature de taille réduite ne freine pas les performances, bien au contraire, le temps gagné est très important sans la moindre conséquence sur la qualité. FIG. 8.3 – Courbe précision/rappel pour tyfipal60. Dans le document Analyse multirésolution pour la recherche et l'indexation d'images par le contenu dans les bases de données images - Application à la base d'images paléontologique Trans'Tyfipal (Page 128-132)