Axe de recherche Image

Axe de recherche Image

Nous nous intéressons principalement à l'interprétation automatique d'images ou de signaux complexes. L’axe Image de KID se place sur les problématiques de Filtrage/Régularisation/ Segmentation d’une part, et d’Analyse/Interprétation/Mise en correspondance d’autre part.

Concernant l'axe Filtrage/Régularisation/Segmentation dont les premier travaux remontent à 1994, nous avons principalement développé des méthodes basées sur la géométrie différentielle des courbes et des surfaces, nous permettant de filtrer ou restaurer des images dégradées ou bruitées (filtrage anisotrope, EDP) et/ou de détecter avec précision les points informatifs des images à caractériser (coins, points d’intérêt, contours, lignes de crêtes ou de vallées, etc.) en niveau de gris ainsi qu’en couleur.

Sur le thème mise en correspondance, qui lui aussi présente une antériorité importante (1998), nous avons développé des méthodes de caractérisation et de mise en correspondance principalement basées sur des points d'intérêt (invariants différentiels euclidiens couleur, relaxation), mais aussi sur des contours ou segments (détection de personnes dans des images internet).

Sur le quadriennal qui vient de s’écouler, nos travaux en filtrage, régularisation et segmentation des images ont été majoritairement consacrés à la détection anisotrope de contours et à la diffusion anisotropique dans les images. Ils reposent en particulier sur l’introduction de demi-filtres gaussiens orientés. Implémentés récursivement, ces demi-filtres gaussiens anisotropes parcourent toutes les orientations possibles avec un pas angulaire donné, autour de chaque pixel. A partir de demi-filtres orientés de dérivées de gaussiennes anisotropes, une nouvelle approche de détection de bords dans les images couleurs a été développée. De plus, comme ces noyaux gaussiens sont de forme allongée, ils sont capables de détecter des contours perceptuels à des orientations précises, ce qui les rend particulièrement utiles pour la régularisation des images à l’aide d’équations de diffusion. Un second travail concerne l’extraction de lignes de crêtes à partir de la différence de deux demi-gaussiennes anisotropiques. Cette nouvelle méthode rend très précise la détection de ce type de contours même au niveau des lignes fortement courbées ou coudées. De par l’orientation de ces filtres fins et longs dans différentes directions, les lignes discontinues dans les images sont également extraites.

En collaboration avec le CIRAD de Montpellier (Equipe AMAP), nous avons entamé des travaux de recherche afin de suivre automatiquement l’évolution de racines à partir d’images souterraines. L'approche abordée est issue de notre détecteur de lignes de crêtes, mais adapté en multi-échelle et se poursuivra sur le prochain quadriennal.

Enfin, le dernier point abordé avec cette famille de filtres est dédié à la diffusion anisotropique dans les images. Trois nouveaux schémas de régularisation ont été développés, dont deux pour supprimer les textures et un pour le débruitage. Nous avons appliqué ces travaux à des images médicales (IRM du cerveau). Enfin, une méthode de défloutage et de régularisation a été développée en collaboration avec Huanyu Xu, doctorant à l’université de Nanjing NUST (Nanjing University of Science and Technology), comparée à d’autres méthodes rehaussant les contours flous, les résultats montrent toute la pertinence de l’approche.

Les méthodes et outils développés autour des filtres perceptuels s’inscrivent complètement dans l’automatisation cognitive des phases de perception et d’interprétation du modèle cognitif d’analyse d’une situation proposé par (Endsley, 1995b) (Conscience situationnelle ou Situation Awareness pour la prise de décision et l'exécution efficaces dans un environnement complexe et dynamique). Dans le cadre de la thèse « Une nouvelle méthode d’appariement de points d’intérêt pour la mise en correspondance d’images », nous avons utilisé les filtres présentés ci-dessus pour caractériser un point d'intérêt. Ces filtres permettent de caractériser les points d’une image (contours, coins, jonctions, crêtes, textures, etc.) de manière robuste et non ambiguë au niveau de la détection, les signatures obtenues sont ensuite utilisées comme descripteurs de points d'intérêt pour la mise en correspondance d'images. Nous avons pu mettre en œuvre une implémentation vidéo temps réel de ces traitements.

Enfin, notre méthode de mise en correspondance de points d'intérêt basée sur ces signatures est invariante aux transformations géométriques principales entre deux images (transformations euclidiennes, affine, projective), mais aussi invariante pour des transformations complexes, survenant par exemple dans le cas d'objets déformables. Cette chaine de traitements est utilisée pour la détection d'un objet dans une vidéo en temps réel. Dans le cadre du projet avec l’Institut Méditerranéen des Métiers de la Longévité (I2ML) intitulé « Analyse de la gestuelle humaine, dans le cadre de l’aide au handicap et à la longévité », nous nous focalisons sur l’analyse de la gestuelle humaine en mouvement et le suivi d'objets dans un environnement d'intérieur. Nous disposerons par la suite (2014) d'un living lab équipé de caméras (en cours de construction pour I2ML). En matière de reconnaissance des formes, nous nous intéressons depuis plusieurs années à des méthodes de classification par apprentissage (réseaux de neurones, mélanges de gaussiennes, machines à vecteurs de support). En 2013, nous avons présenté une application qui, à partir de signaux acoustiques, réalise la détection et le comptage des aloses, une espèce de poisson migrateur menacée de disparition. Cette application a été portée sur un smartphone en vue de s'exécuter en temps réel et sur une grande échelle.

Collaborations :

  • LIRMM (Montpellier)
  • Jiangnan university (China)
  • NUST (Nanjing University of Science and Technology, China)
  • CEA Marcoules

Projets:

  • Adiv développement
  • Snapkin
  • MRM